基于光谱精确采样的高光谱相机转扫成像几何校正

针对转扫式光谱成像系统在数据采集过程中,由于转台转速过快造成校正后的影像存在有数据漏洞,以及获取的原始影像数据存在有严重几何形变,影响影像上地物信息的分类与识别等问题,介绍了转扫式光谱成像系统的组成并给出数据采集一般过程,根据数据采集时单帧影像的覆盖范围和系统采集影像的速率等信息,在数据采集时对转台速度进行控制;结合影像获取时的起始与终止角度以及传感器距离前视点的距离等信息,详细推导了转扫式光谱成像空间定位模型,并对定位后影像进行格网划分和光谱重采样,给出了影像畸变校正的一般流程;鉴于影像空间定位后相邻帧间影像空间分辨率不一致,同时为保证获取最大的影像分辨率,采用最小空间采样间隔作为坐标定位后影像格网划分单元;考虑到新生成均匀格网与不均匀格网叠加进行光谱取值时,采用直接光谱采样可能造成的光谱混叠失真问题,提出了基于位置分布的光谱精确采样方法,以张家界老司城获取的高光谱影像数据为例进行畸变的校正,校正后影像上地物保持了原有的几何特征,验证了算法的正确性,同时抽取不同地物点的光谱数据进行相关系数计算,结果表明改进的光谱采样算法优于直接光谱采样,为同类产品的地面应用提供参考。     

推扫误差对计算光谱成像数据重构的影响分析

计算光谱成像技术利用计算方法改变传统成像方式,在光路中引入编码模板实现正变换,最后通过逆变换获得目标光谱数据立方体。介绍了一种推扫式编码孔径计算光谱成像仪的成像原理,在实际应用中,其推扫速度与帧频的匹配误差会影响光谱数据重构的准确性。在建立了推扫模型的基础上,得到了重构数据的误差项,分析了匹配误差对光谱数据重构的影响,并引入光谱二次导数误差和strehl比分别作为复原光谱和空间图像的评价参数,进行了数据仿真分析,结果表明,当一组完整数据的累积误差超过一个像元时,明暗变化剧烈的区域恢复结果比较差,而对比较均匀的区域影响不大;累计误差不超过0.5个像元时,各通道的strehl比均在0.9以上,并且光谱能量越低的通道strehl比越小,因此编码模板的行列数越多平台的稳定性要求越高。     

基于探测信号叠加的推扫式压缩多光谱关联成像

针对推扫模式下多光谱关联成像重构图像模糊、信噪比低问题,提出了一种利用探测信号叠加提高重构图像信噪比的多光谱关联成像方案.该方案基于稀疏约束关联成像光谱相机实验系统,通过单次曝光获得一帧探测信号,对前后帧连续探测信号进行错位叠加,计算出系统总探测矩阵,结合标定测量矩阵,采用压缩感知算法得到待测目标物体重构图像.数值模拟和实验结果表明:适当延迟曝光时间可以提高系统重构图像质量;相同曝光时间条件下,利用探测信号错位叠加的推扫10帧重构图像信噪比明显高于单帧多光谱重构图像.     

基于摆扫反射镜的大视场成像像移模型

为实现大视场技术指标,建立了一种基于摆镜转动的摆扫成像模型。通过对摆扫成像与推扫成像模式的比较,分析得出当横滚角等于摆镜转角的2倍时,摆扫成像能够实现与推扫成像小姿态时相同的视场;经过实验验证,在横滚角为2°、4°、6°、8°、10°时,本文的方法与推扫成像模型像移相对误差在1%以内,偏流角大小相对误差在0.001%以内,两种方法保持了较好的一致性,保证了模型的合理性与正确性。此外,该模型还可以通过实时地控制摆镜的转动来实现穿航方向上的对地的扫描成像,进而实现大视场、宽幅盖对地成像,减小回访周期,提高空间相机对地成像的工作效率。     

推扫式多挡增益光谱成像模拟及噪声分析

综合性遥感监测对载荷的灵敏度和动态范围都有较高的要求,为此提出一种基于逐像元多挡增益切换的光谱成像方法。不同于帧增益或者行列增益切换的成像方式,该方法利用4T-APS CMOS探测器无破坏读出的特点,可以进行像元级的增益优化。这种方式可以兼顾水体、植被、云层等多要素的成像需求,极大地提高了载荷的研制效益。其基本原理为探测器先进行全局曝光,然后根据多级积分电容的饱和判断,选取不饱和的最高增益信号以增益码加信号的形式下传。地面根据增益码对应的定标系数反推出像元真实辐射值。由于谱段多且为分段响应,为保证系统的定量化应用,建立多挡增益光谱成像模型并进行噪声分析具有重要意义。通过对噪声类型的分析,建立了多挡增益下的泊松-高斯噪声模型。基于该模型计算了像元受噪声影响以低增益读出的概率。结果表明,虽然噪声会影响读出增益的变化,但影响区间极小,入瞳辐亮度在5 mW·cm-2·μm-1·sr-1以内,信号比增益挡位辐亮度分界值小0.05 mW·cm-2·μm-1·sr-1即可保证正常读出的概率大于99.6%。随着信号增强,光子噪声增大,增益减小,影响区间扩大。根据多挡增益信噪比模型,分析得出光谱模式与合并通道模式下的信噪比变化。最后,利用宽波段成像光谱仪（WIS）数据作为入瞳辐亮度进行了四挡增益的推扫式光谱成像模拟,分析了多挡增益光谱图像的固有特点。根据噪声模型对中心波长为0.443 μm的光谱图像添加1~3σ的随机噪声,分析了噪声对地物目标所处增益的影响。结果显示,在满足信噪比指标的前提下,该系统的单挡动态范围为74 dB,总动态范围可达114 dB。该方法不但提高了水体等弱信号的信噪比,而且可以保证建筑、云层等亮目标不饱和。成像模拟及噪声分析不仅有利于该载荷的后续研制,也可以为同类光谱仪器的设计提供参考。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

航天线阵CCD相机推扫成象过程的象质研究

本文从线阵CCD相机推扫成象的原理出发,根据CCD器件动态时间积分的特点,指出了它与胶片型航天相机成象的区别,推导出了沿航迹方向和穿航迹方向由光学图象向光电图象转换的调制度公式.在线性传递情况下推导了图象动态传递的MTF一般公式,并由此公式说明以往对于推扫成象的MTF计算公式仅为一般公式中的一个特例.提出了象元积分重叠率的概念,并讨论了它对整机MTF的影响.指出了线阵CCD相机在特征频率下正常成象是有一定概率的,并提出了其正常成象概率的具体算法.     

量子点光谱成像技术与重建仿真

为满足机载星载平台对光谱成像系统紧凑型和轻量化的需求,克服当前光谱成像技术分光系统结构复杂、成本高的不足,提出了基于量子点材料的光谱成像技术方案。将条带状的量子点阵列片放置于前置镜焦面前,利用量子点材料对光谱的吸收特性对探测目标的入射光谱进行调制,使用最小二乘法建立探测目标的光谱重建模型,采用推扫的方式获取数据并进行光谱重建可以获得目标光谱和空间信息。量子点光谱成像技术具有光谱分辨率高、能量利用率高、体积小、光谱范围宽和成本低等优势。分析了不同光谱谱段间隔和噪声等因素对重建光谱分辨率的影响,以及对重建光谱准确性或者失真度的影响。分析得出谱段间隔越低,光谱分辨率越高;重建的准确性和分辨率随着噪声水平的增大而降低;适当的提高谱段间隔,可以提高重建的准确性。将已知数据立方体和它的仿真结果进行对比,可以看出还原得到的量子点光谱图像质量较好,验证了该技术的可行性。量子点材料为光谱成像技术提供了新的途径,在航空航天等小型化光谱遥感领域具有极大的应用潜力。     

高光谱探测绿色涂料伪装的光谱成像研究

基于现有伪装涂料与植被反射光谱的本质差异,提出一种可有效识别当前所有绿色伪装涂料的高光谱成像方法.通过分析绿色伪装涂料与被子植物叶片的反射光谱及其一阶微分谱的差异,确定了星载和机载高光谱遥感探测中,可见光波段的绿色反射峰和780～1 300 nm的“近红外高原”波段反射率的波动性是识别绿色伪装涂料的有效光谱特征.对“近红外高原”波段的反射光谱进行成像是高光谱探测实现伪装目标可视识别的可行方法,尤其是对反射光谱一阶微分处理后进行成像可更加有效地识别植被环境中的绿色伪装涂料.     

光学双向推扫空间相机的设计与实验

对于搭载单向积分TDI探测器的推扫式空间光学相机,探测器的积分方向是限制卫星敏捷机动任务规划的一项重要限制。利用在光学系统中加入法线方向与光轴成一定角度的平面镜可以改变系统物像正倒关系而不影响光程及像质的特点,设计了光学双向推扫系统。为了验证其方案的合理性,设计并装调了光学双向推扫相机工程样机。对该相机进行外景成像实验,成像实验结果与预期一致,光路切换效果明显,验证了其适应两种飞行方向的能力。总结工程样机研制过程,提出了后续需要考虑的问题,为后续光学双向推扫相机在型号上应用打下基础。     

光谱成像仪快速光谱定标方法研究

光谱定标是确定光谱仪器各通道中心波长的过程,为了获取光谱辐亮度,通常需要对光谱仪器进行辐射定标,将光谱仪器输出的数值,映射为物理量——辐亮度。不同的光谱仪器的光谱响应不同,因此还需要在光谱定标过程中确定各个通道的光谱响应。光谱成像仪可以看成是多个光谱仪组成的,需要对所有点的中心波长和光谱响应进行定标。自第一台成像光谱仪诞生以来,其定标方法逐渐固定,通常需要采用光谱分辨率较光谱成像仪更高的单色仪输出准单色光进行光谱定标,其准单色光的光谱带宽远小于光谱成像仪的光谱响应带宽,可以将准单色光抽象为脉冲函数。根据脉冲函数的特性,改变准单色光的波长,扫描光谱成像仪的响应波长范围,是对光谱响应函数进行间隔采样的过程,通过光谱定标数据可以直接得到光谱成像仪的中心波长和光谱响应函数。随着技术的发展,探测器的灵敏度越来越高,光谱成像仪的分辨率也越来越高,为了完成光谱定标,对光谱定标需要的准单色光提出了更高的要求。然而准单色光的带宽越窄,其能量越低,获取满足信噪比要求的数据需要更长的时间,使定标的效率降低。从光谱定标的目的出发,结合准单色光和光谱成像仪光谱响应近似高斯函数的特点,通过理论分析,提出一种利用宽...     

一种基于压缩传感的超分辨光学三维成像技术

为了改善光学成像中的成像质量和效率,提出一种基于压缩传感的超分辨光学三维成像技术.通过物镜、编码板、色散元件、准直镜、聚焦镜、探测器等组成前端成像系统,然后,利用稀疏重构算法在后端处理器上重构光谱数据,从而将成像运算量从前端转移到后端.同时,引入块重构、错位预处理、多帧重构技术,提高重构的准确度,减小后端处理内存,降低计算复杂度.通过仿真实验对原始数据和重构数据的光谱曲线、信噪比、光谱误差、分类识别效果等指标进行对比分析,结果表明,利用本文压缩传感技术可以实现超分辨光学三维成像,且成像质量较高,数据应用效果较好,可用于大幅宽、高分辨率、低功耗、动态目标的成像观测.     

应用近红外高光谱成像技术检测面粉中偶氮甲酰胺

高光谱成像技术不仅可以获得样品的图像信息,每个像素点还包含了光谱信息,因其信息量丰富的特点已在食品安全检测方面得到了应用。该研究应用近红外高光谱成像技术检测面粉中偶氮甲酰胺。分别采集纯偶氮甲酰胺、纯面粉和面粉中10种不同浓度偶氮甲酰胺混合样品的高光谱图像。通过比较纯偶氮甲酰胺和纯面粉的平均漫发射光谱,找到两者区分度较大的4个吸收波段：1 574.38,2 038.55,2 166.88和2 269.91 nm。采用二阶导数对样品图像中的像素点光谱进行预处理,通过光谱角制图、光谱相关角和光谱相关性度量三种光谱相似性分析方法对混合样品中的偶氮甲酰胺像素和面粉像素进行检测。结果表明,预处理后的平均光谱不能有效检测面粉中偶氮甲酰胺;单像素点光谱结合光谱相似性分析实现了混合样品中偶氮甲酰胺像素和面粉像素的分类;分类结果的验证显示了偶氮甲酰胺像素和面粉像素的正确分类。研究结果为利用高光谱技术检测面粉中添加剂提供了方法支持,为食品中掺杂物的检测提供参考。     

地物光谱不确定性及光谱角制图算法适用性研究

地物光谱不确定往往使同种地物光谱之间存在一定程度的差异,影响了地物的识别精度,对光谱角制图算法的地物识别效果也会产生一定的影响。光谱角制图算法(spectral angle mapper,SAM) 是基于光谱曲线整体相似性的一种算法,在高光谱遥感信息分类中应用广泛,但在计算两条地物光谱曲线的相似性时并没有考虑地物光谱不确定性的影响,因此往往会不能正确识别出目标地物。针对地物光谱的不确定性,研究了光谱角制图算法的适用性,并对光谱角制图算法进行了改进。改进的基本思路为：设置测试光谱与参考光谱各波段的光谱差异量为一相同值,并根据同种地物光谱向量之间夹角最小的原则,利用求导的方法求出光谱差异量,以克服地物光谱不确定性的影响。为了验证改进效果,利用USGS的五种高岭石标准光谱,在考虑地物光谱不确定性的情况下,分别选择局部波段和全局波段计算高岭石标准光谱之间的光谱角,并对光谱角计算结果和光谱角制图算法的适用性进行了分析。通过USGS标准矿物光谱数据的实验证明：改进的光谱角度制图算法利用光谱差异量可以有效表征同种地物光谱的差异,能够克服地物光谱不确定性的影响并提高地物识别的精度,对地物光谱不确定性具有更好的适用性,并对基本符合光谱差异向量各维值相等的局部波段组合具有更好的效果。     

基于光谱吸收靶标的成像光谱仪光谱定标方法研究

中心波长和带宽是影响成像光谱仪数据定量化应用水平的两个重要光谱性能参数。针对覆盖光谱范围较窄的可见光与近红外波段成像光谱仪,提出了一种利用人工光谱吸收靶标进行光谱定标的方法,论证和建立光谱吸收靶标光谱定标方法的数学模型。在同一环境下利用成像光谱仪和ASD光谱仪对地面光谱吸收靶标进行准同步光谱测量,并进行反射率计算,然后通过光谱匹配计算中心波长偏移量和带宽变化量。利用该方法对设计带宽为6 nm的可见光与近红外波段的成像光谱仪进行了地面定标实验。实验结果表明,该方法能够作为外场光谱定标的辅助手段,提高成像光谱仪的定量化应用水平。     

基于精确光谱响应匹配的星载成像光谱仪交叉辐射定标

星载遥感器在轨运行中受到外太空环境以及遥感器自身特性衰变的影响,辐射特性会发生变化.为确保星载遥感数据能真实地反映被观测地物目标特征及其变化规律,需要定期对星载遥感器进行在轨辐射定标.环境小卫星超光谱成像仪(HJ1A/HSI)由于缺乏配套的星上定标系统,基于场地定标的方法难以满足高频次定标的需求.以EO-1/Hyperion为参考遥感器,以HJ1A/HSI为待定标遥感器,通过反卷积方法对两成像光谱仪光谱通道之间进行精确光谱响应匹配,消除波段设置的差异性,显著降低了HSI定标系数的不确定度.基于本定标方法得到的HSI 115个波段的绝对定标系数中,Band 1至Band 60之间的定标系数的不确定度稳定在5％～8％,除760 nm附近的氧气吸收波段与940 nm附近的水汽吸收波段外,其余波段的定标系数的不确定度为7％～18％,随着波长的增加,不确定度增大.与传统波段匹配方法相比,提高了约50％的精度,该定标精度基本可以满足遥感数据定量化应用的需求.该方法解决了在轨星载成像光谱仪光谱通道设置差异大、交叉定标精度低,难以实用的问题,为星载成像光谱仪高频率更新辐射定标数据提供了一种有效方法.     

氧气吸收通道的高光谱传感器在轨光谱定标

通过对760nm氧气吸收特征的分析,构建波段半高宽分别为15、10、5和2.5nm的高光谱传感器模型,提出了四种光谱匹配类型和六种光谱匹配算法.基于MODTRAN辐射传输模型模拟出包含光谱偏移信息的测量光谱与参考光谱,计算出不同匹配类型和匹配算法的在轨光谱定标精度.结果表明,采用测量表观辐亮度和参考表观辐亮度作为光谱匹配类型,以相关系数作为光谱匹配算法的光谱定标精度最高.     

高光谱图像识别霉变花生的光谱特征分析与指数模型构建

霉变花生极有可能含强致癌物质-黄曲霉素,快速识别并分离霉变花生可从源头上阻止其进入食物链,并降低人类摄入黄曲霉素的风险。利用可见光-近红外高光谱数据,通过光谱分析确定能有效识别霉变花生的光谱特征或指数模型。共获取霉变花生样本253个,健康花生247个,并取其霉变(或健康)部位的均值光谱。在对光谱进行连续统去除后,首先对其求取了不同步长的一阶微分,并在可分性较优的光谱区域计算了Area_500～650指数;其次,用连续小波变换提取了光谱的形状和位置信息,并利用Index_cwt指数识别霉变花生样本。结果显示,指数Area_500～650的J-M距离为1.95,Index_cwt模型的J-M距离为1.99,表明霉变和健康花生在构建的指数模型Area_500～650和Index_cwt的特征空间可分性均较优。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。