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
西安理工大学机械与精密仪器工程学院激光雷达大气遥感研究中心，陕西 西安 710048
以我国高光谱遥感卫星——环境1号卫星为例，开展结合NCEP再分析资料辅助优化的6S 大气校正方法的分析。首先，考虑到高光谱图像缺少标准反射率产品的问题，利用最优化估计方法构建高光谱反射率曲线，并作为标准曲线，用于大气校正结果的验证。其次，基于6S大气校正理论，开展了大气校正的敏感性分析，确定了气溶胶光学厚度的敏感因素以及气溶胶类型、大气模式和大气温湿度对大气校正系数的敏感性。在此基础上，提出了NCEP再分析资料辅助优化的6S大气校正方法，利用NCEP再分析资料提供的大气温湿度廓线、水平能见度反演的550 nm气溶胶光学厚度等数据资料，优化6S模式的输入参数，得到准确的大气校正系数Xa、Xb和Xc，获得大气校正后的不同地物反射光谱曲线。最后，选取西安作为试验区，以水体为例，进行波谱曲线对比，利用标准曲线对校正结果进行精度评价。对比分析结果表明，NCEP再分析资料辅助优化的6S模式校正的地面反射率结果明显优于6S的大气校正结果，与标准曲线具有一致的反射率变化趋势，二者的相关系数达到0.8596，标准差低于0.0685，各波段地面反射率逐像元误差的平均值和标准差接近0.02，反映了利用NCEP辅助数据优化的6S模式对大气校正有着明显的改善作用，可提高6S 大气校正的地物反射率反演精度。
大气光学 高光谱图像 大气校正 6S 气溶胶 NCEP
杭州电子科技大学自动化学院，浙江 杭州 310018
近年来，随着深度学习的发展，基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法，包括光谱特征提取网络和空间特征提取网络两个部分，并使用一种得分融合策略进行融合。在光谱特征提取网络中，引入注意力机制来缓解因光谱维数过高导致的梯度消失问题，以提取多尺度的光谱特征。在空间特征提取网络中，引入注意力机制作用于网络主干，使其关注邻域内的重要部分，帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验，实验结果表明，所提方法能够稳定、有效地提升高光谱图像的分类准确率。
高光谱图像 长短期记忆网络 注意力机制 特征提取 深度学习 激光与光电子学进展
2024, 61(4): 0437010
1 河南科技大学农业装备工程学院, 河南 洛阳 471003 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
2 河南科技大学农业装备工程学院, 河南 洛阳 471003
3 河南科技大学农学院/牡丹学院, 河南 洛阳 471023
4 河南科技大学物理工程学院, 河南 洛阳 471023
玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。
高光谱图像技术 玉米 品种鉴别 极限学习机 组合筛选 Hyperspectral image Maize Varieties identification Extreme learning machine Combination screening method 光谱学与光谱分析
2023, 43(9): 2928
内蒙古农业大学计算机与信息工程学院, 内蒙古 呼和浩特 010018
近年来, 基于深度学习的模型在高光谱图像(HSI)分类方面效果显著。 针对小样本数据基于深度学习的高光谱图像分类方法分类精度不高的问题, 提出一种融合卷积长短期记忆(ConvLSTM)和多注意力机制网络的高光谱图像分类方法。 该方法分三个分支: 光谱分支、 空间X分支和空间Y分支分别提取光谱特征、 空间X特征和空间Y特征, 并将三个方向的特征融合进行高光谱图像分类。 由于ConvLSTM在学习有价值的特征和对光谱数据中的长期依赖关系建模方面表现出良好的性能, 所以在光谱分支中用了3个隐藏层、 卷积核大小为3×3、 通道分别为150、 100和60提取光谱信息。 在空间X分支和空间Y分支, 采用基于DenseNet和3D-CNN的Dense空间X块和Dense空间Y块分别提取空间X特征和空间Y特征。 为了增强特征提取, 在这三个分支中还分别引入了其特征方向的注意力机制, 针对信息丰富的光谱波段设计了光谱注意块, 信息丰富的像素点分别设计了空间X和空间Y注意块。 在三个公开的高光谱数据集上进行了实验, 即Indian Pines(IP)、 Pavia University(UP)和Salinas Valley(SV)数据集; 并对比了其他五种方法: 基于RBF径向核的支持向量机模型(SVM)、 更深更广的卷积神经网络模型(CDCNN)、 快速密集光谱-空间卷积网络模型(FDSSC)、 空谱残差网络模型(SSRN)、 双分支双注意力机制网络模型(DBDA)。 实验中, IP数据集上训练样本和验证样本的大小设为总样本的3%, UP和SV数据集上训练样本和验证样本的大小设为总样本的0.5%。 该方法和所有基于深度学习的方法, 批处理大小均设置为16, 优化器设为Adam, 学习率设置为0.000 5, 并动态调整学习率。 由于SVM直接利用光谱信息进行分类, 输入样本块像素大小为1×1, 其他基于深度学习方法的输入样本块像素均设置为9×9。 实验结果表明, 该方法能充分利用高光谱图像的光谱和空间特征, 在OA、 AA、 KAPPA等评价标准上均获得了更好的效果, 其中, 该方法的OA指标比次优的算法平均提高0.12%～2.04%。
高光谱图像分类 深度学习 卷积神经网络 注意力机制 Hyperspectral image classification Deep learning ConvLSTM ConvLSTM Convolutional neural network Attention mechanism 光谱学与光谱分析
2023, 43(8): 2608
1 江苏省农业科学院农业信息研究所, 江苏 南京 210014
2 江苏省农业科学院植物保护研究所, 江苏 南京 210014
3 中国科学院地理科学与资源研究所, 北京 100101
4 江苏省农业科学院农业信息研究所, 江苏 南京 210014江苏大学农业工程学院, 江苏 镇江 212013
油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。
深度卷积神经网络 高光谱图像 油菜菌核病 早期诊断 Deep convolution neural network Hyperspectral imaging Sclerotinia stem rot on oilseed rape Early recognition Resnet50 Resnet50 光谱学与光谱分析
2023, 43(7): 2220
1 西安邮电大学 电子工程学院，陕西西安702
2 西安电子科技大学 电子工程学院，陕西西安710071
针对高光谱遥感图像的特征提取与地物分类，提出一种基于分数阶微分的高光谱图像特征提取方法，设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征，并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征，将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征，并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3✕3，5✕5和7✕7的分数阶微分掩模进行空间特征提取，4个真实高光谱图像的实验结果表明，所提取的SpaFD特征和SpaFD-Spe-Spa特征可有效提升高光谱图像的地物分类精度，且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%，1.42%，2.41%和2.87%；SpaFD-Spe-Spa特征相比原始特征在Indian Pines，Botswana，Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.90%，5.62%，3.35%和5.18%。
高光谱图像分类 分数阶微分 特征提取 卷积神经网络 hyperspectral images classification fractional differentiation feature extraction convolutional neural network 光学 精密工程
2023, 31(21): 3221
1 北京跟踪与通信技术研究所，北京00094
2 西安工业大学，陕西西安71001
3 中国科学院 西安光学精密机械研究所，陕西西安710119
高光谱目标检测中背景信息的统计往往受到目标信息的干扰，而高光谱图像中存在的大量混合像元会进一步加深这一干扰。为了准确统计背景信息、显著降低目标像元对背景统计信息的干扰，提出了一种利用光谱解混合的目标检测算法，通过光谱解混合和目标相似性判断，获取目标端元对应丰度系数，并与光谱夹角系数相结合生成合理的背景加权系数，进行加权约束最小能量算子（CEM）目标检测，从而有效提高混合像元的背景信息统计准确度；利用目标端元对应丰度系数和光谱夹角系数生成初步的目标检测结果，与加权CEM目标检测结果相融合进行进一步优化，有效提高算法稳定性，同时再次提高目标检测精度。实验结果表明：对于模拟高光谱图像和真实高光谱图像，本文算法均得到了较好的目标检测效果，算法稳定性较强，且有效提高了目标检测精度，相比传统CEM算法、基于光谱角的加权CEM算法、归一化丰度系数作为目标结果，AUC值分别平均提高了0.071 2，0.031 2和0.015 0，在高光谱应用中具有较强的实用性。
高光谱图像 目标检测 光谱解混合 丰度 光谱角 hyperspectral image target detection hyperspectral unmixing abundance spectral angle 光学 精密工程
2023, 31(21): 3156
为了解决高光谱图像超分辨率重建中物质本征光谱表达能力不足、图像尺度变化过程中存在细节信息损失的问题，提出一种全局-局部注意力特征重用网络。首先，通过多节点特征重用增强网络的多尺度信息提取能力。其次，引入局部注意力，利用空间注意力机制聚焦重点空间信息，并通过通道注意力机制增强特异性光谱提取能力。最后，设计全局修正模块，根据原始多光谱图像空间信息丰富与高光谱图像光谱保真度高的特性进一步补偿处理过程中损失的空间与光谱维度信息，提高网络可靠性。选取CAVE和Harvard数据集进行训练与测试，并与多种先进方法进行定量与定性评估。结果表明，所提网络能够重建出更高分辨率的高光谱图像，更好完成高光谱超分辨率任务。
高光谱图像 超分辨率 注意力机制 特征重用 卷积神经网络 光学学报
2023, 43(21): 2115001
1 中国科学院沈阳自动化研究所，辽宁 沈阳 110016
2 中国科学院光电信息处理重点实验室，辽宁 沈阳 110016
3 中国科学院机器人与智能制造创新研究院，辽宁 沈阳 110169
4 中国科学院大学，北京 100049
为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。
图像处理 高光谱图像分类 机载激光雷达 地物分类 多源数据 激光与光电子学进展
2023, 60(22): 2228006
