为了减少高光谱图像的训练样本, 同时得到更好的分类结果, 本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先, 两支路分别使用 3D和 2D卷积对子图像的空间信息和光谱信息进行初步提取, 然后经过由批归一化、Mish函数和 3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在 Indian Pines、University of Pavia、Salinas Valley和 Kennedy Space Center数据集上进行了测试, 并与 6种现有方法进行了对比。结果表明, 在 Indian Pines数据集的训练集比例为 3%, 其他数据集的训练集比例为 0.5%的条件下, 算法的总体分类精度分别为 95.75%、96.75%、95.63%和 98.01%, 总体性能优于比较的方法。
高光谱图像分类 光谱变换器 空间变换器 密集连接网络 双支路深度网络模型 hyperspectral image classification spectral transformer module, spatial transformer m DenseNet two branch deep network model
中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
随着人类生活质量的提高, 农产品重金属污染问题备受关注。 农作物中的重金属元素会通过食物链侵害人体健康, 而不同重金属元素对人体毒害差别较大, 因此农作物中含有重金属元素的类别识别至关重要。 传统重金属元素检测方法存在环节多、 耗时长、 成本高等缺点, 但高光谱遥感技术具有信息使用量大, 理化反演能力强, 分析速度快, 无损监测等优势, 逐渐成为农作物重金属污染分析的重要手段之一。 以不同CuSO4·5H2O和Pb(NO3)2浓度梯度土壤胁迫下典型农作物玉米生长的叶片光谱为研究对象, 引入光谱包络线去除(CR)、 光谱比值(SR)、 分数阶微分(FOD)同时结合改进红边比值指数(MSR)构建铜铅元素识别指数(CLI); 通过挑选与铜铅元素种类相关性最强的三个分数阶微分阶数的CLI值建立铜铅元素判别特征点(CLDFP); 再利用欧式聚类(EC)将训练集样本分为铜污染与铅污染两类并结合圆心连线的垂直平分线(PB), 建立基于EC-PB识别铜铅元素种类的二维坐标系下判别规则线(CLDRL)和三维坐标系下判别规则面(CLDRP), 从而实现玉米叶片光谱信息的重金属铜铅元素种类准确识别。 研究结果表明, CR-SR-FOD光谱变换处理增加了玉米叶片光谱信息与铜铅元素种类之间的相关性; 各阶次FOD对应的CLI与铜铅元素种类相关系数各不相同, 随着阶次的增加, 相关性呈现先递增后递减的趋势, 其中相关系数最高的三个阶次分别为1.2阶, 0.7阶, 1.0阶; 在二维坐标系下训练集样本判别正确率为78.95%, 验证集样本判别正确率为75.0%; 在三维坐标系下训练集样本判别正确率为76.32%, 验证集样本判别正确率为75.0%, 证明了基于EC-PB构建的二维CLDRL和三维CLDRP光谱判别规则可以有效识别玉米叶片中铜铅污染元素种类。
光谱分析 玉米叶片 光谱变换 重金属元素识别 欧式聚类 垂直平分线 Spectral analysis Corn leaf Spectral transformation Identification of heavy metal elements Euclidean cluster Perpendicular bisector 光谱学与光谱分析
2022, 42(10): 3256
吉林农业大学信息技术学院, 吉林 长春 130118
针对玉米生产中叶片氮素快速、 无损检测的实际需求, 使用叶级高光谱数据(400~2 500 nm), 依据等效水厚度梯度划分叶片样本, 建立了梯度连续的叶片氮素反演模型, 初步探索了含水量因素对叶片反射率特性及反演模型精度的影响。 首先获取叶级高光谱数据, 再根据等效水厚度数值大小对样本进行排序及滑动划分, 建立了子集集合。 父集除原光谱数据之外还采用了三大类: (1)基线矫正类、 (2)散射校正类和(3)平滑处理类光谱变换方法, 而子集未使用任何光谱变换方法。 建立全波段的PLSR反演模型, 对比模型精度, 初步定量评价了等效水厚度因素对建模精度的影响。 研究结果表明: (1)四组数据中有三组父集反演精度低于最优子集的反演精度, 另外一组持平(2018大田低氮: (父)=0.48<(子)=0.57, (父)RPDCV=1.38<(子)RPDCV=1.52; 2018大田高氮: (父)=0.48<(子)=0.7, (父)RPDCV=1.39<(子)RPDCV=1.8; 2019大田高氮: (父)=0.59<(子)=0.68, (父)RPDCV=1.57<(子)RPDCV=1.77); (2)四组数据的最优子集反演精度都达到甚至超过了定性模型水平, 而父集只有两组; (3)制作反演数据集时在样本筛选问题上需要考虑等效水厚度因素, 以避免过于宽泛的样本选择而导致整体反演精度的损失。 综上, 等效水厚度因素对玉米叶片氮素建模精度存在显著影响, 不可忽视。 在考虑该因素后, 使用叶级高光谱数据对玉米叶片氮素进行快速无损检测的技术方法会更加可信、 可行。
叶片氮浓度 等效水厚度 高光谱 光谱变换技术 数据集滑动划分 Foliar nitrogen concentration Equivalent water thickness Hyperspectral Spectral transformation techniques PLSR Sliding datasets partition PLSR 光谱学与光谱分析
2022, 42(9): 2913
南京信息工程大学地理科学学院, 江苏 南京 210044
反射光谱在近年来广泛应用于土壤属性的估算。 作为一种有效估算土壤全磷含量的手段, 反射光谱技术可以很大程度上减少传统化学测量方法所损耗的人力物力。 以江苏滨海土壤为研究对象, 在30个采样点采集了共147个土样, 测量土壤样品光谱反射率及全磷含量。 利用原始光谱反射率数据及6种不同的光谱变换结果, 通过随机抽样(RS)、 KS、 SPXY三种样本集划分方法, 基于偏最小二乘回归(PLSR)和支持向量机(SVM)方法分别建立土壤全磷含量的估算模型, 对比分析了三种样本集划分方法对估算结果精度的影响。 结果表明: (1)以原始光谱反射率为数据, PLSR模型, RS方法在多数情况下可以获得较为稳定的模型精度, 明显优于KS和SPXY方法; 在SVM模型中, 采用SPXY方法获得的模型结果最优, KS次之, RS结果最差。 (2)不同的样本集划分方法所合适的光谱变换方法不同, 对于三种划分样本集方法, PLSR和SVM对应的最优光谱变换分别是对数的倒数和一阶导数(KS方法), 原始光谱和一阶导数(RS方法), 一阶导数和多元散射校正(SPXY方法)。 其中采用KS方法划分样本集, PLSR和SVM均能获得最佳的预测结果。 并非所有光谱变换方法都可以提高模型精度, 部分光谱变换后PLSR模型预测精度显著降低; (3)在所有的样本集划分方法中, SVM的建模效果优于PLSR, 采用RS方法划分样本集, PLSR的预测精度高于SVM, 而采用KS和SPXY方法划分样本集, SVM的预测精度整体高于PLSR。 综上所述, 本研究区域估算土壤全磷含量的最佳模型是基于KS样本集划分方法和一阶导数光谱变换建立的SVM模型, 此时拟合优度($R_{p}^{2}$)为0.82。 结果表明反射光谱可以对滨海地区的土壤全磷含量进行有效预测, 对土壤磷元素的高效快速反演具有一定的指导意义。
全磷 反射光谱 光谱变换 样本划分方法 偏最小二乘回归 支持向量机 Total phosphorus Reflection spectrum Spectral transformation Sample division method Partial least squares regression Support vector machine
1 福州大学卫星空间信息技术综合应用国家地方联合工程研究中心, 福建 福州 350116
2 空间数据挖掘与信息共享教育部重点实验室, 福建 福州 350116
3 福州大学环境与资源学院, 福建 福州 350116
4 南京大学国际地球系统科学研究所, 江苏 南京 210093
叶绿素作为参与植被光合作用最重要的色素, 是监测毛竹虫害的一项重要指标。 通过对不同光谱数据集进行波长筛选, 建立虫害胁迫下竹叶叶绿素含量的高光谱估算模型, 为利用高光谱遥感监测毛竹虫害提供理论依据。 试验在福建省毛竹生产基地顺昌县进行, 使用ASD FieldSpec 3光谱仪采集不同虫害程度竹叶光谱102条, 并利用SPAD-502叶绿素计测定相应叶片叶绿素含量。 通过对比不同虫害程度竹叶的光谱特征, 探测利用高光谱数据估算叶绿素含量的机理。 对竹叶原始光谱（OS）进行包络线去除（CR）、 一阶导数（FD）、 包络线去除一阶导数（CR-FD）变换, 分析不同光谱数据与叶绿素含量的相关性, 并利用连续投影算法（SPA）分别提取4种光谱的特征波长。 采用基于x-y距离结合的样本划分法（SPXY）和随机法对4种光谱数据集进行划分, 结合多元逐步回归（MSR）建立竹叶叶绿素含量估算模型, 分析光谱变换及样本划分对估算叶绿素含量的影响。 结果表明, 不同虫害程度竹叶光谱反射率差异明显, 主要表现为可见光波段范围内的“绿峰”和“红谷”的逐渐消失, “红边”斜率减小, 近红外波长反射率降低。 通过光谱变换可有效提升光谱与叶绿素含量的相关性, 其中CR-FD光谱与叶绿素含量在724 nm处的相关系数最大。 经连续投影算法提取的不同光谱数据集的特征波长集中分布在绿光、 红光、 “红边”位置, 多个被选择波长位于与叶绿素含量相关性较高的波长区（600~750 nm）。 基于SPXY样本划分法建立的MSR模型相比于随机样本划分法能显著提升叶绿素含量的估算精度, 其中R2和RPD平均提高0.1和0.5, RMSE平均降低0.7。 以CR-FD光谱特征波长结合SPXY样本划分法建立的多元逐步回归模型对竹叶叶绿素含量的估算精度最高, R2, RMSE和RPD分别为0.835, 2.604和2.364, 可对虫害胁迫下毛竹叶片叶绿素含量进行准确的估算。
叶绿素含量 高光谱 光谱变换 波长筛选 SPXY样本划分 Chlorophyll content Hyperspectral Spectral transformation Characteristic wavelengths SPXY algorithm 光谱学与光谱分析
2020, 40(8): 2578
浙江大学现代光学仪器国家重点实验室, 浙江 杭州 310027
内窥镜图像质量在医生对早期病灶、异型增生复发的诊断中至关重要。因此本文根据血管对光谱的吸收特性, 提出了一种基于光谱变换的血管增强算法。首先, 该算法对图像RGB通道进行导向滤波, 将各通道分为亮度层和细节层; 接着, 将各通道的细节层进行基于信噪比的自适应增强, 并将亮度层进行拉伸, 使得GB通道的信息增强, R通道信息降低; 最后, 将各通道合并生成增强图像。本文应用该算法对大量内窥镜图像进行增强, 并且与Spectra B增强技术相比较。本文方法在DV-BV指标和韦伯对比度指标均优于Spectra B。
内窥镜 导向滤波 血管增强 光谱变换 endoscope guided filter vessel enhancement spectral enhancement
1 北华航天工业学院， 河北 廊坊 065000
2 河北省航天遥感信息处理与应用协同创新中心， 河北 廊坊 065000
3 重庆文理学院林学与生命科学学院， 重庆 402160
4 北京农业信息技术研究中心， 北京 100097
5 国家农业信息化工程技术研究中心， 北京 100097
以北京地区的96个潮土土样的有机质含量为研究对象， 以传统光谱变换为参照， 研究分析传统光谱变换与连续小波的耦合在估测土壤有机质含量的可行性； 首先采用传统光谱变换与连续小波处理土壤光谱数据， 然后将处理后的光谱数据与土壤有机质含量进行相关性分析， 提取敏感波段， 并采用偏最小二乘法构建土壤有机质含量估测模型。 结果表明： 耦合传统光谱变换技术与连续小波技术可大幅提升光谱对有机质含量的敏感性， 其相关系数R2最高可达0.714， 这表明耦合传统光谱变换技术与连续小波技术可深入挖掘光谱内的有益信息； 与传统光谱变换技术相比， 基于耦合传统光谱变换技术与连续小波技术构建的模型精度更高， 稳定性更好， 其中以微分变换构建的模型最优， 其R2=0.772， RMSE=0.223， 这表明耦合传统光谱变换技术与连续小波技术可有效压制噪声的负面影响， 提升光谱的稳定性。
土壤有机质 传统光谱变换 连续小波变换 潮土 Soil organic matter Spectral transform Continuous wavelet transforms Alluvial soil 光谱学与光谱分析
2018, 38(8): 2571
1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学苏州研究院, 江苏 苏州 215123
3 武汉大学地球空间信息技术协同创新中心, 湖北 武汉 430079
4 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
5 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
6 中国科学院地理科学与资源研究所, 北京 100101
土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。
光谱变换 Kennard-Stone算法 校正集选择 模型精度 土壤全氮 Spectral transformation Kennard-Stone algorithm Calibration dataset construction Model accuracy Soil total nitrogen 光谱学与光谱分析
2017, 37(7): 2133
1 上海交通大学农业与生物学院, 低碳农业研究中心, 上海 200240
2 农业部都市农业(南方)重点实验室, 上海 200240
3 上海交通大学船舶海洋与建筑工程学院, 上海 200240
基于盐渍土修复过程中盐分含量和同步实测光谱数据, 通过对原始光谱数据、 平滑光谱数据及平滑后的不同变换光谱数据等八种光谱数据集, 分别以相关系数的极值和不同相关系数范围两种方法分析其最佳敏感波段范围, 深入分析了不同变换下土壤的光谱响应特征。 在此基础上, 运用偏最小二乘回归方法, 以全波段(400～1 650 nm)和分析获得的最佳敏感波段建立了基于修复过程的土壤盐含量和光谱反射率的关系模型。 结果表明: 针对八种光谱数据集, 采用两种方法提取的土壤最佳敏感波段, 均集中在947.11～949.31, 1 340.27, 1 394.11, 1 419, 1 457.81～1 461.31, 1 537.68～1 551.39和1 602.32 nm; 且最佳波段的土壤盐含量反演模型, 以模型评价参数的决定系数(R2)和均方根误差(RMSE), 以及赤池信息量准则(akaike’s information criterion, AIC)作为选择最佳模型的标准, 均以SGSD(Log R)模型的建模和预测结果比其他光谱变换的模型更为显著。 基于全波段的PLSR建模效果总体上稍优于最佳波段的模型, 其中以SGSD的预测精度最为突出, 其模型的决定系数R2与标准差RMSEP分别为0.673和1.256; 基于两种方法获得的最佳波段的PLSR模型与全波段对比在模型精度方面虽有一定差距, 但从模型的复杂程度比较, 具有模型简单、 变量更少及运算量小的特点。 该研究可在土壤盐含量及其光谱特征的研究中, 为实现土壤盐渍化定量、 快速、 便捷的监测和检测提供参考。
盐渍化土壤 微生物修复 光谱变换 偏最小二乘法 Saline soil Microbial remediation Spectral transformations PLSR 光谱学与光谱分析
2017, 37(5): 1507
1 地质灾害防治与地质环境保护国家重点实验室（成都理工大学）, 四川 成都 610059
2 地学空间信息技术国土资源部重点实验室, 四川 成都 610059
3 成都理工大学地球科学学院, 四川 成都 610059
4 成都理工大学旅游与城乡规划学院, 四川 成都 610059
为解决传统的土壤地球化学测量方法成本高、 效率低等问题, 研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。 研究对西范坪矿区土壤反射光谱进行微分、 连续统去除等六种变换, 利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段, 组成综合特征变量集, 再应用不同的特征变量选取方法和参数建立估算模型并检验。 结果表明: 不同的光谱变换方法对土壤铜含量信息提取能力不同, 每种光谱变换都对应特定的敏感波谱区间; 基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型; 利用综合光谱变换信息建立土壤铜含量反演模型, 后向剔除法优于前向引入法和逐步回归法, 当Removal取0.20时得到最优回归模型, 其模型决定系数R2和预测模型决定系数R2pre分别达到了0.851和0.830, 建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1, 能较好地检测土壤铜含量, 同时为其他土壤重金属元素的光谱检测提供了思路。
土壤地球化学 光谱变换 特征变量选取 高光谱反演模型 西范坪矿区 Soil geochemistry Spectral transformation Characteristic variable selection Hyperspectral inversion model Xifanping mining area 光谱学与光谱分析
2016, 36(11): 3637
