针对现有色纺纱配色模型对纤维集合体呈色机理解释上表述模糊的问题, 对原液着色粘胶纤维集合体在纺纱过程中的颜色变化机理进行了探究。 实验纺制了36组不同混色比条纱样品, 利用欧式距离和光谱角距离分别量化各组不同状态纤维集合体间的光谱幅值差异和形状差异, 并以基于CMC(2∶1)公式的色差评价为对照, 结合基于类别可分比（CSR）公式的差异性判别准则对量化的光谱差、 色差大小作以横向比较, 分析了纺纱过程中纤维集合体形态改变对反射光量与单色光成分的影响, 其中, 在生条与熟条间, 样品CSRED和CSREcmc均值分别为2.87、 2.17, 表现近似, 且有30组样品对应CSRED>1, 23组样品对应CSREcmc>1, 光谱的辐射差异较色差表现更稳定, 在熟条与纱线间, dED和ΔEcmc有相同趋势的更大幅度改变, 全部样品CSRED和CSREcmc均大于1; 以上过程中, 样品光谱的形状差异均保持较小的尺度, 并条与纺纱前后, 分别有20组、 22组样品对应CSRSAD>1, 且其均值分别为1.69、 1.60, 并不随加工进行而发生显著变化。 由此得出, 在纺纱过程中, 因纤维排列和聚集态的重塑, 反射光的量(明度)呈减小趋势, 且气流纺阶段是发生变化的主要阶段, 而光质(色相)并不在此过程发生显著变化。 进一步地, 依据纤维的光反射理论, 即纤维的反射光的量主要受外反射光影响, 而色度主要受内反射光的影响, 可以得出纺纱加工主要影响了纤维的外反射光, 而对内反射光不具有解释力。 另一方面, 还验证了综合光谱幅值和形状特征的SAD-ED公式对色纺纱颜色差异的表征能力, CSRSAD-ED可分辨31组生条熟条样本, 可分辨全部条纱样本, 该方案较CMC(2∶1)公式更具敏感性和稳定性, 为色纺纱的颜色评价提供了新思路。

通过在土壤中添加浓度为0(对照组), 25, 75, 125, 175, 275, 375和485 μg·g^-1的铀, 进行5种植物(苎麻、 印度芥菜、 酸模、 甘蓝型油菜、 玉米)的盆栽实验, 研究了不同生长期的叶片光谱角对土壤铀污染的定性和定量指示作用, 分析了定量指示作用与叶片铀含量的关系, 并筛选出来在苗期即能反演土壤铀含量的植物, 为通过野外实测植物叶片光谱快速、 安全地进行土壤铀含量的本底调查和动态监测提供了有效的途径。 更重要的是, 以该叶片尺度的研究为基础, 后续可以开展在冠层尺度采用遥感影像进行大面积土壤铀污染监测的相关研究。 实验结果与主要结论如下: (1)以实验植物在不同生长期的实测叶片反射光谱为基础, 计算了土壤受到铀污染后, 在五个波段区间(表征叶片色素的350~716 nm、 表征红边和近红外平台的717~975 nm、 表征水分的976~1 265, 1 266~1 770和1 771~2 500 nm)的光谱角。 以盆为单位统计5种实验植物在13个生长期的光谱角, 绝大多数情况下均大于阈值。 叶片光谱角对铀产生了350~2 500 nm的全面响应, 可以定性指示土壤是否受到铀污染。 (2)涵盖全部5种实验植物的8个生长期得到了以光谱角作为自变量、 通过显著性检验的线性回归方程。 其中7个线性回归方程的决定系数R²>0.64, 3个(苎麻-苗期、 印度芥菜-开花期和油菜-蕾薹期)的决定系数R²>0.81。 综合其他反演效果评价指标, 可以认为叶片光谱角也能定量指示土壤铀污染程度, 但定量指示作用随植物种类、 生长期的不同而不同, 其中苎麻、 印度芥菜在苗期的叶片光谱角就可以比较好地反演土壤铀含量。 (3)当叶片铀含量较高时, 其光谱角对土壤铀污染的定量指示作用较强。

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。

随着高光谱图像技术的不断发展, 光谱分辨率和空间分辨率不断提高, 相比于其他遥感图像, 能够获得更为精细的光谱特征。 这为地物的高精度分类、 解混和目标检测等研究领域提供了理论平台, 其中由于高光谱异常目标检测技术不需要地物的先验信息, 更符合实际应用的需求。 针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异, 而忽略两者空间信息的差异, 导致检测精度不高的问题, 提出了一种基于空谱联合异常度的高光谱异常目标检测算法。 该算法不需要假设图像的背景模型, 建立在滑动双窗口的基础上, 提出了光谱异常度和空间异常度两个概念。 在光谱异常度计算中, 考虑了波段间的非线性特征, 采用光谱角匹配的核函数方法进行检测, 基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度; 在空间异常度的计算中, 由于物质在空间方面的聚类特性, 通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量, 同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度; 最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度, 基于滑动双窗口模型对整幅图像的像元进行逐个检测, 即可得到图像的异常检测结果。 采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验, 并与传统的RX算法、 LRX算法和KRX算法进行对比研究, 结果表明本文算法具有较好的检测效果, 与KRX算法相比, 运行速度具有较大幅度的提升。

针对红外精确制导中抗干扰的问题, 开展基于光谱角和光谱距离等特征参量的目标光谱识别技术仿真和实验研究。在目标、 干扰均为灰体辐射的前提条件下, 对目标和干扰在不同发射率模型、不同辐射温度下的红外光谱辐射分布进行理论建模, 定量分析了目标和干扰的光谱角和光谱距离特征参量与其温度、发射率的关系, 数值表征了目标和干扰的光谱差异。 为验证上述光谱区分方法的有效性, 实验采集并分析了目标和干扰的光谱数据。研究结果表明光谱角和光谱距离能够 将两者进行有效的区分, 为复杂背景下目标识别提供理论和实验基础。

为了研究长白落叶松光谱对土壤Cu胁迫的响应特征和变化规律, 在辽东树基沟矿区的3条勘测线上布置采样点, 进行表层土壤的多种重金属元素含量和长白落叶松针叶的反射光谱测定, 并提取了7个特征波段, 计算了多个波段区间的光谱角, 将其与土壤主要重金属铜的含量进行相关分析, 建立了回归模型。结果表明: 7个光谱特征波段中, “红谷”参数与表层土壤铜含量的相关系数最大, 基于“红谷”反射率建立的回归模型的R2达到0865。光谱角对铜胁迫长白落叶松针叶波段区间[400, 716] nm、[400, 2 500] nm的光谱变化十分敏感。“红边”位置和反射率与土壤铜含量不相关, 不适合区分矿区表层土壤重金属含量间的细微差别。对可见光敏感的“红谷”参数和光谱角均表明反射光谱的差异主要由叶绿素含量控制, 小部分受到针叶中水分含量的影响。本研究利用长白落叶松“红谷”和光谱角的“指纹效应”, 为快速有效反演大面积高植被覆盖区的土壤重金属含量、圈定隐伏矿(化)体提供了理论依据。

为滤除大量冗余背景信息, 提升目标检测速度, 解决目标光谱获取困难等问题, 提出一种融合光谱微分重排与光谱角匹配的高光谱快速目标检测算法。首先, 对已知背景光谱信息微分重排, 筛选出背景特征较少的谱段集; 然后, 计算相应谱段下, 高光谱图像各像素点的光谱微分值与背景光谱微分值的差值, 并对所得各谱段微分差值加权求和阈值化, 粗提取出目标位置; 最后, 计算提取出的目标位置光谱与先验背景光谱角匹配的反余弦值, 实现目标背景差异精细判别。通过自行拍摄的草地上黄、绿伪装网及AVIRIS获取的San Diego机场飞机高光谱图像进行实验, 与RX、CEM、OSP、ACE、SAM等算法比较。实验结果表明, 所提算法在保证检测精度的同时, 具有较低的虚警率和较好的时效性: ROC曲线下面积AUC均高于0.98, 虚警率分别为3%和1.6%, 处理时间仅为0.36 s和0.077 s。

实时光谱识别是目前干涉式成像光谱仪领域研究的热点问题之一, 其难点在于复原光谱数据量大及对识别算法的实时性要求高。基于FPGA器件设计了一种基于光谱角匹配(SAM)算法的干涉式成像光谱仪多通道实时光谱识别系统。该系统将多个不同的参考光谱分别存储在其对应通道的存储器中, 根据SAM算法实时计算输入光谱与各通道参考光谱之间的光谱角, 通过对各通道输出的光谱角进行比较而实现光谱的实时识别。仿真结果表明, 系统在Xilinx芯片XC7A100TFGG484-2上对复原光谱进行实时有效识别的运行频率可达100MHz。系统以流水线方式运行, 具有速度快、体积小、便于升级等优点, 为干涉式成像光谱仪实时光谱识别的工程实现提供了一种有效的技术途径。

高光谱影像是一个三维的海量数据立方体，如果对高光谱图像直接进行分割，那么算法运算量会很大；如果对高光谱影像先进行数据降维再进行分割，则会损失图像的部分细节信息，影响分割效果。本文提出一种基于光谱角空间变换的高光谱图像分割方法，首先计算每个像元与其周围领域像元之间的光谱夹角，并把这些光谱角的值作为坐标值，将像元映射到一个低维空间中，计算低维空间中样本点到原点的距离并将其转换为灰度值，从而生成一幅突出了地物区块边缘信息的灰度图像。然后利用分水岭变换对生成的灰度图像进行分割，提取分割后各区块局部极小值点的光谱矢量，进行对比分析，将具有相似光谱矢量的区块合并，以解决分水岭变换的过分割问题。最后采用美国印第安纳州的 AVIRIS高光谱数据对本文算法进行了验证和分析。实验结果表明，相比 SVM、ECHO、SVMMSF等高光谱图像分割方法，本文方法能够获得更高的图像分割精度。