1 北方民族大学 计算机科学与工程学院， 宁夏银川75002
2 西安电子科技大学 电子工程学院，陕西西安710071
由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。
高光谱图像 混合像元分解 光谱变异性 扰动线性混合模型 局部同质区 hyperspectral image unmixing spectral variability perturbed linear mixing model local homogeneous region
南京邮电大学地理与生物信息学院，江苏 南京 210023
针对传统变形监测中整体变形模型无法有效提供监测对象局部独特详细变形信息的不足，基于地面三维激光扫描技术提出一种包含元变形、子变形、变形图的三层混合变形模型，并设计了一种基于单元的变形计算方法。该方法主要包括单元分割、变形估计、变形融合等3方面内容，可以实现无先验监测信息条件下，自动增量地提取不同尺度的变形信息。模拟实验结果表明，在该方法下，RANSAC算法的平面拟合回归估计角度变化误差均值为1.21″，估计可靠性在一定范围内随单元大小增大而提高；滑坡实验结果表明，最小值法位移估计结果噪声更少，0.2 m单元大小分割可以提供更多的变形估计细节。所提方法尤其适用于具有非均匀变形特性的监测领域，对推动滑坡等人员难以到达的灾害监测从“点监测”向“面监测”的转变具有一定的理论与实际意义。
测量 激光扫描 变形监测 混合模型 三维分割 变形估计 激光与光电子学进展
2024, 61(8): 0812009
1 南京电子技术研究所，江苏 南京 210039
2 北京航空航天大学 电子信息工程学院，北京 100191
在传统多假设跟踪(MHT)算法中通常会假设杂波强度先验已知，当观测场景中杂波未知且空变时，该假设将会导致跟踪算法性能急剧下降。针对这一问题，本文提出一种基于自适应高斯混合模型(GMM)在线估计未知杂波的改进MHT 算法。首先利用自适应GMM 拟合未知杂波空间分布，并自适应地估计出波门内的杂波强度；然后将其应用于MHT 处理中，有效改善航迹得分计算和最优假设航迹估计的准确性，进而实现在杂波未知场景中的稳定跟踪。仿真结果表明，在未知杂波观测场景中，所提算法相比传统MHT 算法和MHT-GMM 算法获得了更好的数据关联准确性和航迹维持性能。
多假设跟踪 杂波强度 自适应高斯混合模型 航迹得分 最优假设航迹 multiple hypothesis tracker clutter intensity adaptive Gaussian Mixture Model track score optimal hypothetical track 太赫兹科学与电子信息学报
2023, 21(6): 794
河北经贸大学信息技术学院，河北 石家庄 050061
针对可见光通信中的离散傅里叶扩展正交频分复用系统的非线性效应，提出一种基于高斯混合模型的聚类解调方法。运用机器学习中的高斯混合模型根据接收信号估计所有星座点的高斯分布参数。然后计算接收信号到每一个星座点高斯分布的概率，选择概率最大值对应的星座点作为接收信号的判决结果进行解调，从而可以获得一些信噪比增益。仿真结果表明，在LED非线性信道下，高斯混合模型聚类解调方法在16和32阶正交振幅调制下可以分别获得0.6 dB~2.7 dB和0.2 dB~1.7 dB的信噪比增益。
光通信 可见光通信 离散傅里叶扩展正交频分复用 机器学习 高斯混合模型 解调 激光与光电子学进展
2023, 60(15): 1506008
1 中国民用航空飞行学院航空工程学院，四川 广汉618307
2 中国科学院国家空间科学中心，北京 100190
鸟击作为影响机场安全的主要事故征候，需要准确、稳定的弱小运动目标检测方法用于机场飞鸟检测。应用光场涨落增强低信噪比的飞鸟运动特征信号，再结合局部高斯混合模型对图像增强区域进行前景分割处理，实现宽视场复杂背景下的机场飞鸟目标检测，并完成不同光照条件的机场飞鸟检测实验。实验结果表明：所提算法较传统算法能有效提高机场条件下的远距离、宽视场、低信噪比弱小目标检测率，且具有较好的光学稳定性。
图像处理 低信噪比 光场涨落 局部高斯混合模型 宽视场 弱小运动目标 激光与光电子学进展
2023, 60(14): 1410002
1 中国科学院空天信息创新研究院，北京 100194
2 中国科学院大学，北京 100049
3 华南理工大学 软件学院，广东 广州 510006
4 中国科学院上海光学精密机械研究所 量子光学重点实验室，上海 201800
激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点，但工作在远距离模式时，目标点云比较稀疏。当前便携条件下，基于深度学习的算法在激光雷达点云数据直接目标识别时，实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求，采用基于变化的检测方法，对远距离条件下激光雷达的运动目标检测方法进行了研究，利用点云数据的距离信息，给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法，提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明，与二维图像动目标检测方法相比，三维单高斯模型法会很大程度提高检测准确性，降低虚警率，但仍然存在较高虚警率。为适应复杂三维场景，采用基于三维高斯混合模型的方法进一步降低了虚警率，但也降低了检测速度；而杂波图CFAR的方法具有很高的实时性，同时也具有较好的检测性能。
动目标检测 杂波图CFAR 激光雷达 三维高斯混合模型 moving target detection clutter map CFAR lidar 3D Gaussian mixture model 红外与激光工程
2023, 52(4): 20220506
核工业北京地质研究院 遥感信息与图像分析技术国家级重点实验室，北京100029
为了解决基于深度学习的开展矿物高光谱丰度反演研究中标签数据不足的问题，提出一种基于添加填充系数的Hapke混合模型的小样本矿物高光谱数据增强方法，用于生成大量带标签的数据集。在实验室内选择5种常见矿物按照质量比例对矿物粉末进行多元混合，并对混合矿物开展光谱量测。基于线性混合模型、Hapke混合模型、填充系数分别为0.1，0.2和0.3的Hapke混合模型共5种模型，按照对应的质量比例生成模拟的混合矿物光谱，与实验室实测光谱进行比较。最后，基于Monte Carlo法随机生成多元“和为一”的丰度矩阵，利用5种混合模型开展数据增强，分别生成40 000条模拟光谱作为堆栈自编码网络的训练集，反演矿物高光谱数据的丰度信息。研究结果表明：Hapke模型以及添加填充系数后的光谱模拟精度均优于线性混合模型的模拟精度，当Hapke模型的填充系数为0.1和0.2时，光谱角距离误差均值分别为0.053 5和0.053 7，模拟的矿物光谱更接近实测光谱，且优于未添加填充系数时的光谱角距离误差0.074 8。利用填充系数为0.1和0.2的Hapke模型生成的模拟数据作为深度学习训练集，矿物高光谱丰度反演的均方根误差（RMSE）为0.124 8，优于其他4种模型的反演结果。基于添加填充系数后的Hapke混合模型生成的模拟数据更接近真实光谱，可为深度学习的小样本矿物丰度反演研究提供数据支撑。
高光谱技术 深度学习 模拟光谱 混合模型 Hapke模型 数据增强 丰度反演 hyperspectral technique deep learning simulating spectra mixing model Hapke model data augmentation abundances inversion 光学 精密工程
2023, 31(11): 1684
1 安徽大学物质科学与信息技术研究院, 安徽 合肥 230610
2 中国科学院合肥物质科学研究院健康与医学技术研究所, 安徽 合肥 230031
在利用表面增强拉曼光谱(SERS)对毛发中痕量物质进行分析时, 该SERS信号中毛发特征峰与增强基底背景峰会相互耦合。 在耦合情况下, 背景峰会被误识别为毛发特征峰, 导致待测物的识别错误, 此外具有高峰强特性的背景峰对毛发中微弱特征峰产生掩盖干扰。 因此, 背景峰的扣除是解决上述问题的重要途径, 但常规的扣峰方法会导致周围邻峰的严重失真。 针对上述问题提出了高斯混合模型, 该模型在表征SERS信号的同时又使得各特征峰相互独立, 在扣峰过程中对周围邻峰不产生干扰, 既实现干扰峰的扣除又保证了邻峰的微失真。 高斯混合模型的核心问题在于模型参数的求解, 文中提出了小波变换与共轭梯度法, 分别解决模型的初始参数问题及最优解问题。 小波变换通过映射放大SERS信号的细节信息, 充分提取该信号的细微特征信息, 将该特征信息作为模型的初始参数。 其中共轭梯度法是迭代优化方法, 将模型参数进行循环迭代优化, 最终收敛结果即为模型参数的最优解。 综上两种方法可准确建立高斯混合模型, 模型中单高斯函数为SERS信号的特征峰, 且两者的峰形保持一致。 在扣除SERS信号的背景峰时应遵循以下过程, 包括有效数据的提取、 模型建立和峰的扣除。 其中有效数据的提取是对空白与滴样的增强基底进行同位置检测, 由此得到一组SERS信号。 模型建立是通过高斯混合模型对滴样SERS信号进行表征, 该信号可由多个高斯函数表现。 最后利用空白增强基底的特征峰对滴样的SERS信号进行指认, 其中峰形相似且峰位相同的特征峰可扣除。 实验结果表明, 方差值比最小时, 高斯混合模型的峰位、 峰宽、 峰强等特征与毛发SERS信号基本相同, 此时高斯混合模型可准确表征毛发SERS信号的特征信息。 在对7组毛发进行扣峰实验时, 毛发SERS信号中背景峰扣除率达到50%～100%, 同时毛发的特征峰也得到有效提取。 在对真实毛发样本进行快速分析时, 该模型识别出了毒品曲马多。
表面增强拉曼光谱 高斯混合模型 共轭梯度法 小波变换 背景峰扣除 Surface-enhanced Raman spectroscopy Gaussian mixture model Conjugate gradient method Wavelet transform Background peak deduction
1 河池学院 物理与机电工程学院，广西 宜州 546300
2 广西科技大学 宏达威爱科技学院，广西 柳州 545006
由于异常定义的模糊性和真实数据的复杂性，视频异常检测是智能视频监控中最具挑战性的问题之一。基于自动编码器(AE)的帧重建（当前或未来帧）是一种流行的视频异常检测方法。使用在正常数据上训练的模型，异常场景的重建误差通常比正常场景的重建误差大得多。但是，这类方法忽略了正常数据本身的内部结构，效率较低。基于此，提出了一种深度自动编码高斯混合模型(DAGMM)。首先利用深度自动编码器获得输入视频片段的生成低维表示和重构误差，并将其进一步输入高斯混合模型(GMM)。而估计网络则通过高斯混合模型预测能量概率，然后通过能量密度概率判断异常。DAGMM以端到端的方式同时联合优化深度自动编码器和GMM的参数，能够平衡自动编码重建、低维表示的密度估计和正则化，泛化能力强。在两个公共基准数据集上的实验结果表明，DAGMM达到了现有最高技术发展水平，在UCSD Ped2和ShanghaiTech两个数据集上分别取得了95.7%和72.9%的帧级AUC。
视频监控 异常事件 自编码网络 高斯混合模型 深度学习 video surveillance anomalous event auto-encoding network Gaussian mixture model deep learning 红外与激光工程
2022, 51(6): 20210547
贵州师范大学地理与环境科学学院, 贵州 贵阳 550025
喀斯特山区因地形复杂、 地表破碎等特点使得遥感影像中阴影、 混合像元及光谱变异现象普遍存在, 传统基于多光谱遥感的像元二分法(DPM)在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化(KRD)信息进行提取。 采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例, 为复杂山区获取更高精度的石漠化信息提供可能。 然而, 由于光照、 环境及大气等诸多因素的变化会引起端元发生不同程度变异, 导致在混合像元分解过程中出现显著的误差, 其次要从地形复杂、 地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。 因此, 如何在这种情况下应对光谱变异和地形效应, 获取有效、 准确的对石漠化信息进行提取是当前研究的重点。 针对以上问题, 采用通过模拟由光照条件造成的地物反射率变化, 并考虑每个波长间隔光谱变异情况的广义线性混合模型(GLMM), 以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。 首先, 从GF-5高光谱影像中提取喀斯特地区主要地物(植被、 裸岩、 裸土)的典型代表性光谱, 然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况, 选择最适合的光谱组合对像元进行分解, 得到最优的解混效果。 为了验证方法的可靠性, 利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证, 同时选择未考虑端元变异的全限制最小二乘法(FCLSU)和DPM进行对比。 结果表明, 在地形高度复杂的喀斯特山区, 考虑阴影、 混合像元及光谱变异是必要的, GLMM在石漠化信息提取中总精度达到了84.89%, 明显高于其他两种方法的59.68%和67.34%。 通过对光照区和阴影区分别进行精度检验, 发现GLMM在光照区与阴影区有着相似的精度表现, 而另外两者则差异较大, 阴影区明显低于光照区。 这反映GLMM能较为有效地减轻地形效应的影响, 对喀斯特石漠化信息提取的精度有一定提升。
光谱混合分解 广义线性混合模型 石漠化信息提取 地形效应 Spectral mixed decomposition Generalized linear mixed model Rocky desertification information extraction Terrain effect 光谱学与光谱分析
2022, 42(7): 2269
