高光谱图像的光谱解混模型与算法研究
高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。
但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。
本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。
与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。其次,本文对高光谱图像解混的几种经典模型进行介绍。
在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。
本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。
通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。
空谱联合先验的高光谱图像解混与分类方法高光谱成像是近年来遥感领域发展较快、较前沿的技术。由于包含丰富的空间、辐射和光谱三重信息,高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。 因此,对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。高光谱解混和分类是高光谱遥感信息处理中的关键科学问题,也是定量分析以及后续应用的重要基础。 由于受仪器、大气辐射、光照不均、地物结构等因素的影响,相同地物的光谱曲线存在一定的差异,使得仅利用光谱信息的解混和分类方法的精度无法得到保障。空间信息可以充分刻画地物结构,有效降低“同质异谱”的影响,空谱联合的方法受到众多学者的重视。 本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题,重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法,并在此基础上设计了相应问题的高效算法。本文所做的主要工作和研究成果如下：1、根据高光谱线性解混模型,利用光谱库作为端元字典,将解混问题转化为稀疏回归问题；针对模型解的唯一性要求进行光谱库预优,利用l1/2范数对丰度系数向量进行稀疏正则化约束,在“和为一”、“非负性”条件下,提出了一种约束的l1/2正则化稀疏回归解混模型,并通过迭代重加权的l1算法进行优化求解。 模拟和真实高光谱数据实验表明,基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。2、针对高光谱监督分类问题,在贝叶斯最大后验框架下,利用l1-l2正则化稀疏表
示方法对似然概率进行建模,并利用MRF分类标签的空间先验进行建模,提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型,并通过图割算法进行了快速近似求解。 真实高光谱数据实验表明,基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度,且分类精度优于主流的分类方法。3、在贝叶斯推断框架下,采用稀疏多项式逻辑回归方法对似然概率进行建模,并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中,提出了一种加权马尔可夫场空间先验的高光谱分类方法。 利用最大后验边际概率上的加权TV函数定义该马尔可夫场的势函数,并将MAP分类模型转化为加权TV正则化的变分模型,同时添加“非负性”、“和为一”以及“训练样本类别标签固定”三个约束项,建立约束条件下的空谱分类模型,并利用ADMM方法提出了SMLR-SpATV (sparse multinomial logistic regression based spatially adaptive total variation method)算法对模型进行了快速求解。实验结果表明所提出的基于隐形场空间先验的空谱分类模型对高光谱分类的有效性,对比实验表明该方法优于主流的分类方法。 4、为了充分挖掘特征空间与原始空间、全局分类与局部分类的特点,提出了一种子空间逻辑回归分类器与稀疏表示分类器融合的空谱分类方法。其中,仅利用光谱信息的分类概率是由子空间逻辑回归分类器和稀疏表示分类器以一定的方式融合求得,空间先验信息由边缘保持的马尔可夫随机场进行建模。 最后,空谱模型采用图割算法进行快速优化求解。真实高光谱数据实验表明：多分类器融合能够充分发挥多个分类器的优点,分类结果大大高于单个分类器,且优于大部分主流的高光谱分类方法。
高光谱图像的光谱解混模型与算法研究 高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。 但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。 本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。 与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。其次,本文对高光谱图像解混的几种经典模型进行介绍。 在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。 本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。 通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。
常用色谱和光谱分析方法和技术 色谱分析、光谱分析以及两谱联用技术，构成了药物分析学科领域中最主要和最基本的研究手段和方法，应用日趋广泛，发展十分迅速，新颖方法层出不穷。 新近常用的色谱分析方法： 一、胶囊色谱(Micellar Chromatography,MC)又称拟相液相色谱或假相液相色谱(Pseudophase LC)，是一种新型的液相色谱技术。特点是应用含有高于临界胶囊（或称胶束，微胞等）浓度的表面活性剂溶液作为流动相。所谓“胶囊”就是表面活性剂溶液的浓度超过其临界胶囊浓度(Critical Micelle Concentration,CMC)时形成的分子聚合体。通常每只胶囊由n个（一般为25～160个）表面活性剂单体分子组成，其形状为球形或椭圆球形。在CMC值以上的一个较大浓度范围内，胶囊溶液的某些物理性质（如表面张力、电导等等）以及胶囊本身的大小是不变的。构成胶囊的分子单体与溶液中自由的表面活性剂的分子单体之间存在着迅速的动态平衡。通常有正相与反相两种胶囊溶液。前者是由表面活性剂溶于极性溶剂所形成的亲水端位于外侧而亲脂端位于内部的胶囊；后者是指表面活性剂溶于非极性溶剂所形成的亲水端位于核心而亲脂基位于外面的胶囊。被分离组分与胶囊的相互作用和被分离组分与一般溶剂的作用方式不同，并且被分离组分和两种胶囊的作用也有差别。改变胶囊的类型、浓度、电荷性质等对被分离组分的色谱行为、淋洗次序以及分离效果均有较大影响。胶囊色谱就是充分运用了被分离组分和胶囊之间存在的静电作用、疏水作用、增溶作用和空间位阻作用以及其综合性的协同作用可获得一般液相色谱所不能达到的分离效果。适用于化学结构类似、性质差别细微的组分的分离和分析，是一种安全、无毒、经济的优越技术。 （一）原理：胶囊溶液是一种微型非均相体系(Microheterogenous system)。在胶囊色谱中，分离组分在固定相与水之间、胶囊与水相之间以及固定相与胶囊之间存在着分配平衡。组分的洗脱得为取决于三相之间分配系数的综合作用；同时定量地指出分离组分的容量因子k'的倒数值与胶囊浓度成正比，一般增加胶囊浓度即可获得较佳的分离效果。 （二）方法特点：与传统液相色谱的最大区别在于胶囊色谱流动相是由胶囊及其周围溶剂介质组成的一种微型的非均相体系，而常规流动相是一种均相体系。特点： 1、高度的选择性：因分离组分与胶囊之间存在着静电、疏水以及空间效应的综合作用，只要通过流动相中胶囊浓度的改变，就可使分离选择性获得改善和提高。此外，通过适当固定相以及表面活性剂的选择也可提高分离选择性。 2、便于梯度洗脱：由于表面活性剂的浓度高于CMC后再增大浓度时，溶液中仅胶囊的浓度发生改变，而表面活性剂单体分子的浓度不变，不影响流动相与固定相的平衡过程，因而比传统的梯度洗脱技术大大缩短了分析时间，并减少了流动相的消耗，适用于常规。 3、提高检测灵敏度：胶囊流动相可增加某些化合物的荧光强度，从而提高检测灵敏度。还可稳定某些化合物在室温条件下发生的液体磷光。 4、因分离组分不易分出，故缺点是柱效低且不适于制备分离。 （三）常用表面活性剂：常用的阳离子表面活性剂主要有：溴化或氯化十六烷基三甲铵(Cetyl trimethyl ammonium bromide or chloride,CTMAD或CTMAC)；阴离子表面活性剂有十二烷基硫酸钠(SDS)；非离子表面活性剂有Brij-35即(聚氧乙烯)35-十二烷基醚。 二、手性分离色谱(Chiral Separation Chromatography,CSC) 是采用色谱技术(TLC、GC和HPLC)分离测定光学异构体药物的有效方法。由于许多药物的对映体(Enantiomer)之间在药理、毒理乃至临床性质方面存在着较大差异，有必要对某些手性药物进行
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
目录 摘要 .......................................................................................................................... I ABSTRACT ............................................................................................................... I II 第1章绪论 .. (1) 1.1课题背景及研究目的与意义 (1) 1.1.1 课题背景 (1) 1.1.2 课题研究的目的及意义 (2) 1.2国内外研究现状 (3) 1.2.1 高光谱图像解混研究现状 (3) 1.2.2 光谱解混预处理及相关技术研究现状 (7) 1.2.3 CPU/GPU协同加速光谱解混研究现状 (9) 1.3文献综述简析 (12) 1.4论文主要内容与结构安排 (13) 第2章高光谱图像解混及其并行处理技术基础 (16) 2.1引言 (16) 2.2高光谱图像光谱解混及相关算法 (16) 2.2.1 高光谱图像混合像元数学描述 (16) 2.2.2 基于空间几何结构的端元提取算法 (18) 2.2.3 丰度估计算法 (23) 2.2.4 数据降维算法 (25) 2.2.5 光谱相似性度量算法 (27) 2.3高光谱图像解混并行化处理基本原理 (29) 2.3.1 高光谱解混链路并行设计模式 (29) 2.3.2 并行算法设计过程中串并任务划分 (32) 2.3.3 程序依赖性分析 (34) 2.3.4 循环变换理论 (35) 2.4CPU/GPU加速光谱解混算法性能分析 (39) 2.4.1 算法加速性能分析模型 (39) 2.4.2 性能分析预测参数选取 (40) 2.5本章小结 (42) 第3章高光谱解混相关算法快速处理研究 (43)
1、地面光谱测量的作用： ①地面光谱辐射计在成像光谱仪过顶时，常用于地面野外或实验室同步观测，获取下 行太阳辐射，以用于遥感器定标。 ②在一些反射率转换模型中，需要引入地面光谱辐射计测取得地面点光谱来完成 DN 值图像到反射率图像的转换。 ③地面光谱辐射计可以为图像识别获取目标光谱和建立特征项。但是，这时地面光谱 测量要在空间尺度上与图像像元尺度相对应，且要具有代表性；另外，地面光谱测 量要与高光谱图像获取条件相一致。 ④通过地面光谱辐射计测量数据和地面模拟，可以帮助人们了解某一地物被高光谱遥 感探测的可能性，理解其辐射特性，确定需要采用的探测波长、光谱分辨率、探测 空间分辨率、信噪比、最佳遥感探测时间等重要参数。 ⑤地面光谱辐射计还可以勇于地面地质填图。它可以用于矿物的光谱吸收特征，识别 地面矿物或矿物的集合，从而直接完成野外矿物填图。 ⑥可以用来建立地物的表面方向性光谱反射特性。 ⑦建立目标地面光谱数据与目标特性间的定量关系。 2、高光谱成像特点： ①高光谱分辨率。高光谱成像光谱仪能获得整个可见光、近红外、短波红外、热红外 波段的多而窄的连续光谱，波段多至几十甚至数百个，其分辨率可以达到纳米级， 由于分辨率高，数十、数百个光谱图像可以获得影像中每个像元的精细光谱。 ②图谱合一。高光谱遥感获取的地表图像包含了地物丰富的空间、辐射和光谱三重信 息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元 组为目标获得他们的辐射强度以及光谱特征。 ③光谱波段多，在某一光谱段范围内连续成像。成像光谱仪连续测量相邻地物的光谱 信号，可以转化城光谱反射曲线，真实地记录了入射光被物体所反射回来的能量百 分比随波长的变化规律。不同物质间这种千差万别的光谱特征和形态也正是利用高 光谱遥感技术实现地物精细探测的应用基础。 3、高光谱遥感图像数据表达： ①图像立方体——成像光谱信息集。 ②二维光谱信息表达——光谱曲线。 ③三维光谱信息表达——光谱曲线图。（书本44页） 4、成像光谱仪的空间成像方式： （1）摆扫型成像光谱仪。摆扫型成像光谱仪由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。扫描镜对地左右平行扫描成像，即扫描的运动方向与遥感平台运动方向垂直。其优点：可以得到很大的总视场，像元配准好，不同波段任何时候都凝视同一像元；在每个光谱波段只有一个探测元件需要定标，增强了数据的稳定性；由于是进入物镜后再分光，一台仪器的光谱波段范围可以做的很宽，比如可见光一直到热红外波段。其不足之处是：由于采用光机扫描，每个像元的凝视时间相对就很短，要进一步提高光谱和空间分辨率以及信噪比比较困难。 （2）推扫型成像光谱仪。是采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成二维空间扫描，它的空间扫描方向是遥感平台运动方向。其优点是：像元的凝视
高光谱图像非监督分类方法 高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来。广西善图科技有限公司 非监督分类方法 1 K-means分类 K-means分类方法是最典型的目标函数聚类方法，以原型为依据。包含了以下流程： 1）从n个数据对象任意选择k个对象作为初始聚类中心（m1，m2，m3，…，mk）； 2）依据各个聚类中心对象，即对象的均值来计算出与它距离最近的聚类中心，并将对象向聚类中心做以分配。 3）对各个聚类的均值做二次计算： K-means方法是比较快捷和简单的，不过初始聚类中心和最佳聚类数也会影响到聚类结果。 1.2.2 ISODATA方法 ISODATA（Iterative Selforganizing Data Analysis），又叫作迭代自组织数据分析。它是在先验不足的情况下，通过给出一个初始聚类，然后再判断其是否达标，再利用迭代法反复调整，最后得出一个准确的聚类。其采用以下步骤： 1）选择初始值，设置聚类分析控制参数。可以运用各种参数指标，按照指标，将所有模式标本向各个聚类中心进行分配。
2）对各类中全部的样本的距离指标函数进行计算。 3）依据要求，对前一次所得到的聚类集进行分裂，并做并合处理，从而计算出新的聚类中心和分类集。 4）再次做迭代运算，对各项指标进行计算，以判断结果是否达标，直至求出最理想的聚类结果。 IOSDATA算法规则十分明确，便于计算机实现，但是要把握好迭代的次数，防止出现分类不到位的现象。 2 谱聚类方法 谱聚类算法是依据谱图理论所设计的高性能聚类方法。它是基于以下原理：假设{x1，x2，…，xn}代表n个聚类样本，图G=（V，E）可用于表示数据之间的关系，其中V代表顶点集。E代表连接任何两点边的集合。在图中，每个样本xi都可作为顶点，两顶点间的关联性Wij可通过xi与xj相连边的权值来表示。权值矩阵度量图G中，每个顶点间的相似性共同构成相似矩阵，记作W。为了实现图的划分，需要在空中优化某一准则，使同一类的点差别较小，不同类的点差别较大。通常准则函数的优化问题可以通过求解相似矩阵的特征值和特征向量来解决，通过分解相似矩阵的特征值，得到原有的数据集的谱映射，再利用聚类划分算法去计算映射得到的新样本空间，最终得到分类结果。该聚类算法仅与样本点的个数有关，而数据的维数对其没有影响。并且，其对聚类数据样本空间的形状没有特殊要求，容易得到最优解。 3 新型的分类方法 3.1 支持向量机分类法 支持向量机（Support Vector Machine，SVM）是新的分类方法，由Vapnic等人所设计，以统计学理论为基础。近年来，在图像识别中，支持向量机已得到应用，这和中方法的工作机理是，先设计出最佳的线性超平面，最大化它的正与反例间的隔离边缘，从而实现超平面的寻找算法的最优解。SVM作为一种高维的监督分类方法，它是有着不受休斯效应影响的优势，有着不错的效果。但同时，这种方法也有一定缺陷。首先，最大的问题是核函数的选择缺乏指导性，当针对具体的函数时，选择最佳的核函数是一个比较难的问题，还有就是这个方法的计算量较大。 3.2 最小二乘支持向量机分类法 近些年发展了许多SVM的变形，其中最小二乘SVM将优化问题的约束条件变为等式约束，从而不用花费大量的时间解决二次规划问题，使得分类效率大大提高。其算法表达式为：
本技术公开了一种基于反卷积和解混的显微荧光高光谱图像的分析方法，涉及医学成像技术领域，本技术包括建立丰度矩阵和端元矩阵，将3D高光谱原图展平为二维图像，基于丰度矩阵和端元矩阵建立二维图像混合公式模型；将二维图像混合公式模型转换为一维向量模型；基于一维向量模型对待分析高光谱观测图像进行建模，得到端元矩阵已知的高光谱观测图像的观测模型；基于Huber函数和观测模型构建成本函数，求解使成本函数最小化的非负的最优丰度向量；将最优丰度向量还原为空间图像，得到精准的丰度图像，本技术结合非负、解混、反卷积和Huber函数的性能，以及丰度图像的特性，一次性完成解混和优化分辨率，极大提高了高光谱图像解混的精确度。 权利要求书 1.一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，包括： 建立丰度矩阵和端元矩阵，将3D高光谱原图展平为二维图像，基于丰度矩阵和端元矩阵建立二维图像混合公式模型； 将二维图像混合公式模型转换为一维向量模型； 基于一维向量模型对待分析高光谱观测图像进行建模，得到端元矩阵已知的高光谱观测图
像的观测模型； 基于Huber函数和观测模型构建成本函数，求解使得成本函数最小化的非负的最优丰度向量； 将求得的最优丰度向量还原为空间图像，即可得到精准的丰度图像。 2.根据权利要求1所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述二维图像混合公式模型结构为： 其中，丰度矩阵为： 端元矩阵为： 表示混合得到的二维矩阵，表示二维中的一个空间维度的长度，表示端元或丰度的个数，表示波长；表示大小为的单位矩阵。 3.根据权利要求2所述的一种基于反卷积和解混的显微荧光高光谱图像的分析方法，其特征在于，所述一维向量模型结构为： 其中，表示的一维向量，表示丰度矩阵的一维向量，即丰度向量；表示另一个空间维度的长度，表示大小为的单位矩阵。
光谱分析方法
第一章绪论 一、填空题 1仪器分析方法分为（）、（）、色谱法、质谱法、电泳法、热分析法和放射化学分析法。 2 光学分析法一般可分为（）、（）。 3仪器分析的分离分析法主要包括（）、（）、（）。 4仪器分析较化学分析的优点（）、（）、操作简便分析速度快。 答案 1光学分析法、电化学分析法 2光谱法、非光谱法 3色谱法、质谱法、电泳法 4灵敏度高检出限低、选择性好 第二章光学分析法导论 一、选择题 1 电磁辐射的粒子性主要表现在哪些方面（）A能量B频率C波长D波数
2 当辐射从一种介质传播到另一种介质时，下列哪种参量不变（） A波长B速度C频率D方向 3 电磁辐射的二象性是指: A．电磁辐射是由电矢量和磁矢量组成；B．电磁辐射具有波动性和电磁性； C．电磁辐射具有微粒性和光电效应；D．电磁辐射具有波动性和粒子性 4 可见区、紫外区、红外光区、无线电波四个电磁波区域中，能量最大和最小的区域分别为：A．紫外区和无线电波区；B．可见光区和无线电波区； C．紫外区和红外区；D．波数越大。 5 有机化合物成键电子的能级间隔越小，受激跃迁时吸收电磁辐射的 A．能量越大；B．频率越高；C．波长越长；D．波数越大。 6 波长为0.0100nm的电磁辐射的能量是多少eV？ A．0.124；B．12.4eV；C．124eV；D．1240 eV。 7 受激物质从高能态回到低能态时，如果以光辐
射形式辐射多余的能量，这种现象称为（）A光的吸收B光的发射C光的散射D 光的衍射 8 利用光栅的（）作用，可以进行色散分光A散射B衍射和干涉C折射D发射9 棱镜是利用其（）来分光的 A散射作用B衍射作用C折射作用D 旋光作用 10 光谱分析仪通常由以下（）四个基本部分组成 A光源、样品池、检测器、计算机 B信息发生系统、色散系统、检测系统、信息处理系统 C激发源、样品池、光电二级管、显示系统 D光源、棱镜、光栅、光电池 二、填空题 1. 不同波长的光具有不同的能量，波长越长，频率、波数越（），能量越（），反之，波长越短，能量越（）。 2. 在光谱分析中，常常采用色散元件获得（）来作为分析手段。 3. 物质对光的折射率随着光的频率变化而变
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
光谱解混定义： Spectral unmixing is the procedure by which the measured spectrum of a mixed pixel is decomposed into a collection of constituent spectra，or endmembers，and a set of corresponding fractions，or abundances，that indicate the proportion of each endmember present in the pixel.【spectral unmixing，2002】 光谱混叠产生原因： First, if the spatial resolution of a sensor is low enough that disparate materials can jointly occupy a single pixel, the resulting spectral measurement will be some composite of the individual spectra. This is the case for remote sensing platforms flying at a high altitude or performing wide-area surveillance, where low spatial resolution is common. Second, mixed pixels can result when distinct materials are combined into a homogeneous mixture. This circumstance can occur independent of the spatial resolution of the sensor. 光谱混合模型： 混合像元分解模型可以分为两类，即线性光谱混合模型( LSMM，Linear Spectral Mixture Model) 和非线性光谱混合模型( NLSMM，Nonlinear Spectral Mixture Model) LSMM假定像元光谱是各组分光谱的线性组合，而NLSMM则认为像元光谱是各组分光谱按照非线性关系综合而成的。Nirmal Keshava对线性混合光谱和非线性混合光谱的产生机理和适用范围进行了深入研究和探讨（1）线性混合 【spectral unmixing，2002】
高光谱图像混合像元解混技术研究 随着高光谱遥感技术不断发展,高光谱图像具有显著特点:光谱分辨高,图谱合一,并广泛应用到各个领域。但遥感技术向定量化方向进一步发展的主要障碍是广泛存在着混合像元。 为了突破遥感图像空间分辨率低的障碍与地物具有复杂多样性的影响,多种类型的地物常包含于独立的单个像元中,要在亚像元级别的精度上得到混合像元的真实属性信息,提高图像分类精度。在高光谱图像中,关键问题之一是如何有效地对混合像元进行分解已经得到了广泛关注,并一直进行着深入地研究。 本文首先对其所研究内的相关技术及应用进行了叙述,并阐述了高光谱解混的研究现状,混合像元分解存在的问题,如解混效果不理想,算法的目标函数收敛速度慢,图像分类不精确,耗时多等。针对以上问题,本文在NMF算法的基础上,提出了3种混合像元分解算法:(1)基于图正则和稀疏约束半监督NMF的混合像元分解算法。 该算法加入了拉普拉斯图正则化约束和部分样本的类别信息,并对丰度矩阵施加稀疏约束,最后融合到同一目标函数中,能够改善解混效果;(2)基于图正则和稀疏约束的INMF高光谱解混。该算法将稀疏非负矩阵分解与增量型学习相结合,既能降低平均运行时间又能提高图像分类精度;(3)基于双图正则的半监督NMF混合像元解混。 该算法不仅考虑了高光谱数据流形与特征流形的几何结构,还将已知的标签类别信息施加于非负矩阵分解中,极大加快了目标函数的收敛速度,改善效果得到进一步提高,耗时少。本文分别对提出的3种算法在真实遥感数据集上进行仿真实验,在解混性能评价指标均方根误差和光谱角度距离上与NMF和改进的NMF
算法作比较,实验结果表明本文提出的3种算法解混可靠性和有效性高。 最后,对3种解混算法进行比较,得到基于双图正则的半监督NMF混合像元解混算法耗时最少,解混效果最优。
紫外吸收光谱 UV 分析原理：吸收紫外光能量，引起分子中电子能级的跃迁 谱图的表示方法：相对吸收光能量随吸收光波长的变化 提供的信息：吸收峰的位置、强度和形状，提供分子中不同电子结构的信息 荧光光谱法 FS 分析原理：被电磁辐射激发后，从最低单线激发态回到单线基态，发射荧光 谱图的表示方法：发射的荧光能量随光波长的变化 提供的信息：荧光效率和寿命，提供分子中不同电子结构的信息 红外吸收光谱法 IR 分析原理：吸收红外光能量，引起具有偶极矩变化的分子的振动、转动能级跃迁 谱图的表示方法：相对透射光能量随透射光频率变化 提供的信息：峰的位置、强度和形状，提供功能团或化学键的特征振动频率 拉曼光谱法 Ram 分析原理：吸收光能后，引起具有极化率变化的分子振动，产生拉曼散射 谱图的表示方法：散射光能量随拉曼位移的变化 提供的信息：峰的位置、强度和形状，提供功能团或化学键的特征振动频率 核磁共振波谱法 NMR 分析原理：在外磁场中，具有核磁矩的原子核，吸收射频能量，产生核自旋能级的跃迁 谱图的表示方法：吸收光能量随化学位移的变化 提供的信息：峰的化学位移、强度、裂分数和偶合常数，提供核的数目、所处化学环境和几 何构型的信息 电子顺磁共振波谱法 ESR 分析原理：在外磁场中，分子中未成对电子吸收射频能量，产生电子自旋能级跃迁谱图的表示方法：吸收光能量或微分能量随磁场强度变化 提供的信息：谱线位置、强度、裂分数目和超精细分裂常数，提供未成对电子密度、分子键 特性及几何构型信息 质谱分析法 MS 分析原理：分子在真空中被电子轰击，形成离子，通过电磁场按不同m/e分离谱图的表示方法：以棒图形式表示离子的相对峰度随m/e的变化 提供的信息：分子离子及碎片离子的质量数及其相对峰度，提供分子量，元素组成及结构的 信息 气相色谱法 GC 分析原理：样品中各组分在流动相和固定相之间，由于分配系数不同而分离 谱图的表示方法：柱后流出物浓度随保留值的变化 提供的信息：峰的保留值与组分热力学参数有关，是定性依据；峰面积与组分含量有关 反气相色谱法 IGC 分析原理：探针分子保留值的变化取决于它和作为固定相的聚合物样品之间的相互作用力
高光谱遥感图像的解混和波段选择方法研究高光谱遥感图像能够以纳米级的光谱分辨率提供海量数据信息,但是由于空间分辨率限制,图像中的一个像元可能包含有多种地物类型,形成混合像元,影响了对地表形态的精确测量和分析。因此,在实际应用时经常需要将混合像元进行分解,从中得到典型地物的光谱(端元)及这些地物所占比例(丰度),以便充分发掘数据中的光谱信息,研究目标物质。 如何快速有效地进行混合像元的分解,是近年来高光谱图像处理中的一个热点问题。本论文重点针对混合像元问题,分别从统计学和几何学的角度展开分析,并在此基础上提出相应的解混方法。 此外,针对数据的维数问题,我们还研究了复杂网络的方法,将其应用到高光谱波段选择问题中,用于数据的降维处理。本论文的主要工作和创新点包括以下几个方面：1.提出一种有约束独立分量分析的解混方法。 该方法通过设计新的目标函数,选择符合高光谱图像物理意义的约束条件,在根本上克服了传统ICA的独立性假设,使算法能够适用于遥感数据的分析。此外还设计了一种自适应的模型来描述数据的概率分布,能够利用蕴含在观测图像中的统计信息实现自动建模,在提高解混结果精度的同时,使算法对各种不同的遥感数据都表现出良好的适用性。 所提出的算法克服了基于独立分量分析的方法进行光谱解混时所出现的问题,能够得出更优的解。而且,算法即使在端元数估计错误的情况下仍能得到正确结果,作为一种无需光谱先验信息的算法,为混合像元分解问题提供了一种有效的解决手段。 2.提出一种基于三角分解的端元提取框架。这既是一种单形体类的几何方法,
同时又建立在三角分解的代数原理之上。 我们通过最小化单形体体积寻找端元,在这一过程中引入了三角分解,利用递归操作,只需对数据做一轮体积比较便可完成端元提取任务,得到全局最优解。该算法能够在原始高维数据上快速而稳定地运行,在实时处理领域有着很好的应用前景。 降维处理不是必要步骤,所以在实际应用中可以根据具体情况选择是否进行降维,具有很好的灵活性。由于三角分解的算法多种多样,所以我们所提出的不只是一种单一的方法,而是一类端元提取的框架,这一框架能够具体推导出形式各异的实现算法,并且从理论上证明这些算法在运算复杂度和数值计算中的优劣,对研究端元提取问题有着重要意义。 3.提出一种结合三角分解的丰度估计方法。该方法配合端元提取方法使用,能够在短时间内迅速收敛。 通过利用高光谱混合模型的物理约束条件,所提议方法能够在纯象元缺失的情况下对光谱信息进行校正,在一定程度上提高了几何学算法的精度。4.提出一种基于复杂网络的非监督波段选择方法,用于高光谱数据的降维处理。 我们将复杂网络技术引入到高光谱数据的分析中,利用网络的拓扑特征研究高光谱数据的内在结构,寻找最优波段。算法通过寻找那些最有能力区分不同物质的网络,提取最优波段。 所提出的方法在降低数据维数的同时有效地保留了重要信息,取得了良好的分类实验效果。
第一章绪论 ）、色谱法、质谱法、电泳法、热分析法和放射化 （ ）。 ）、（ ）、（ ）。 ）、（ ）、操作简便分析速度快。 答案 1光学分析法、电化学分析法 2光谱法、非光谱法 3色谱法、质谱法、电泳法 4灵敏度高检出限低、选择性好 第二章光学分析法导论 一、 选择题 1电磁辐射的粒子性主要表现在哪些方面（ ） A 能量 B 频率 C 波长 D 波数 2当辐射从一种介质传播到另一种介质时，下列哪种参量不变（ ） A 波长 B 速度 C 频率 D 方向 3电磁辐射的二象性是指： A .电磁辐射是由电矢量和磁矢量组成； B .电磁辐射具有波动性和电磁性； C ?电磁辐射具有微粒性和光电效应； D ?电磁辐射具有波动性和粒子性 4可见区、紫外区、红外光区、无线电波四个电磁波区域中， 能量最大和最小的区域分别为: A ?紫外区和无线电波区； B ?可见光区和无线电波区； C .紫外区和红外区； D ?波数越大。 一、 填空题 1仪器分析方法分为（ ）、（ 学分析法。 2光学分析法一般可分为（ ） 3仪器分析的分离分析法主要包括（
5有机化合物成键电子的能级间隔越小，受激跃迁时吸收电磁辐射的A .能量越大；B .频率越高；C .波长越长；D .波数越大。
7受激物质从高能态回到低能态时，如果以光辐射形式辐射多余的能量，这种现象称为（） A光的吸收B光的发射C光的散射D光的衍射 8利用光栅的（）作用，可以进行色散分光 A散射B衍射和干涉C折射D发射 9棱镜是利用其（）来分光的 A散射作用B衍射作用C折射作用D旋光作用 10光谱分析仪通常由以下（）四个基本部分组成 A光源、样品池、检测器、计算机 B信息发生系统、色散系统、检测系统、信息处理系统 C激发源、样品池、光电二级管、显示系统 D光源、棱镜、光栅、光电池 二、填空题 ），能量越（），反1. 不同波长的光具有不同的能量，波长越长，频率、波数越（ 之，波长越短，能量越（）。 2. 在光谱分析中，常常采用色散元件获得（）来作为分析手段。 3. 物质对光的折射率随着光的频率变化而变化，这中现象称为（） 4. 吸收光谱按其产生的本质分为（）、（）、（）等。 5. 由于原子没有振动和转动能级，因此原子光谱的产生主要是（）所致。 6?当光与物质作用时，某些频率的光被物质选择性的吸收并使其强度减弱的现象，称为（）, 此时，物质中的分子或原子由（）状态跃迁到（）的状态。 7.原子内层电子跃迁的能量相当于（）光，原子外层电子跃迁的能量相当于（）和（）。 三. 简答题: 1?什么是光学分析法？ 2?何谓光谱分析法和非光谱分析法? 3. 简述光学分析法的分类？ 4. 简述光学光谱仪器的基本组成。 5. 简述瑞利散射和拉曼散射的不同?
高光谱遥感图像解混技术研究 高光谱遥感图像具有高光谱分辨率、图谱合一和光谱波段多的特点,能够提供丰富的地球表面信息,因此被广泛的应用于土地利用、资源调查和自然灾害监测等领域。但是,由于高光谱遥感图像空间分辨率限制和地物分布的复杂多样性,图像中包含了大量的混合像元,不利于像元级的数据处理和分析。 为了更好地利用高光谱数据,提高遥感应用的精度,必须对混合像元进行分解,提取不同地物的端元,并求得每种端元对应的丰度。在高光谱遥感图像中,地物的空间分布具有不同的特点,分布广泛的地物含有纯像元,而分布稀少的地物则只能以亚像元形式存在。 该类图像带来的处理难题是如何精确提取所有地物的端元,并进行有效的光谱解混。当不同的地物极为贴近或者具有不同空间层次的地物同时存在时,非线性光谱混合现象也往往不能忽略。 另外,地物光谱数据库的非完备性以及偏远地区地面真实测量难以实现等因素,使得端元的自动获取也比较困难。本文围绕高光谱遥感图像解混技术,针对高光谱图像存在的上述几个问题展开研究。 主要的研究工作包括：(1)针对现有光谱解混算法存在难以同时有效提取亚像元和纯像元级地物端元的不足,提出了一种凸面几何理论和非负矩阵分解(nonnegative matrix factorization,NMF)技术相结合的有限光谱解混算法。首先,通过基于凸面几何理论的端元提取方法提取纯像元端元候选像素集合。 然后,根据纯像元和混合像元分布特点的不同,计算候选像素的空间纯度指数以判断纯像元端元。进而,对NMF方法作适应性修改,提出部分非负矩阵分解(partial NMF,PNMF)算法,构造相应的目标函数,推导迭代求解过程,通过分解求
高光谱线性解混的理论与方法及应用研究高光谱遥感是遥感领域的重要前沿技术之一。成像光谱仪能够测量散射在数百或数千个光谱通道的瞬时视场内所有物质的电磁能量,它比多光谱相机具有更高的光谱分辨率,覆盖了可见光、近红外光、短波红外线波段(波长范围在 0.3~2.5?m之间)。 高光谱遥感已经广泛应用于资源、灾害、全球变化、极地、环境监测、生态、农业、水文和生物医学等领域。高光谱解混是高光谱遥感图像分析的重要内容之一,是高光谱遥感领域十分关键而具有挑战性的任务。 高光谱成像光谱仪的空间分辨率不高,这一限制条件常导致高光谱图像混合像元的出现,即通常一个像元在瞬时视场内包含了多于一种地物类型的地面信息,形成了混合像元;同时,由于高光谱解混受模型不准确、观测噪声、环境条件、端元不确定以及数据规模等条件限制,使得高光谱解混是一个具有挑战性的不适定性反问题。因此,能否发展具有鲁棒性、稳定性、可行性和准确性的高光谱解混算法,解决高光谱混合像元分解问题,是高光谱图像分析的核心内容。 本文研究高光谱线性解混的理论与方法,以及其在地物识别中的应用。首先综述了高光谱线性解混的国内外研究背景和现状,论文内容、创新点,以及全文的结构安排;然后研究了高光谱线性混合模型与子空间辨识,包括:线性混合模型、高光谱解混的处理流程、高光谱解混的思路与问题、高光谱解混反问题的刻画,以及信号子空间辨识;针对最小误差的高光谱信号辨识(HySime)方法的可靠性,我们进一步研究了特征值子集、特征子空间与相关矩阵之间的关系问题,即约束特征值反问题及相关的最佳逼近问题,给出了由特征值和特征向量恢复相关矩阵的一个充分必要条件,以及最佳逼近问题的解的表达式和求解算法;第三部分总
收稿日期：2017-08-05；修订日期：2017-10-03 基金项目：国家自然科学基金(60975003，61671037)；上海航天科技基金(SAST2016090) 作者简介：徐夏(1993-)，女，博士生，主要从事高光谱图像解混和分类方面的研究。Email:xuxia@https://www.doczj.com/doc/1b11291103.html, 导师简介：史振威(1977-)，男，教授，博士，主要从事高光谱图像处理和机器学习相关方面的研究。Email:shizhenwei@https://www.doczj.com/doc/1b11291103.html, 0226002-1高光谱图像Pareto 优化稀疏解混 徐夏1，张宁2，史振威1，谢少彪3，齐乃明3 (1.北京航空航天大学宇航学院图像处理中心，北京100191； 2.上海航天电子技术研究所，上海201109； 3.哈尔滨工业大学航天学院，黑龙江哈尔滨150001) 摘要：高光谱解混是学术界的一个难题，稀疏高光谱解混指的是利用已知光谱库进行解混，旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元，并利用这些端元求解相应的端元丰度，这是一个NP 难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混，但该方法得到的仅仅是近似解。文中提出了一种基于Pareto 优化的稀疏解混算法(ParetoSU)，将稀疏解混问题转化为一个两目标优化问题，其中一个优化目标是建模误差，另一个目标是端元稀疏度。ParetoSU 直接解决稀疏解混中的组合优化问题，不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。 关键词：高光谱图像； 稀疏解混；Pareto 优化中图分类号：TP751文献标志码：A DOI ：10.3788/IRLA201847.0226002Sparse unmixing of hyperspectral images based on Pareto optimization Xu Xia 1,Zhang Ning 2,Shi Zhenwei 1,Xie Shaobiao 3,Qi Naiming 3 (1.Image Processing Center,School of Astronautics,Beihang University,Beijing 100191,China; 2.Shanghai Aerospace Electronic Technology Institute,Shanghai 201109,China; 3.School of Astronautics,Harbin Institute of Technology,Harbin 150001,China) Abstract:Hyperpectral unmixing is a difficult problem in academia.Sparse hyperspectral unmixing uses priori spectral library,aiming at finding several pure spectral signatures to express hyperspectral images and computing corresponding abundance fractions.This is NP -hard to solve.Convex relaxation for L0norm as L1norm is a common approach to solve the sparse unmixing problem,but only approximation results can be achieved.A Pareto optimization based sparse unmixing algorithm was proposed(ParetoSU).ParetoSU firstly transformed sparse unmixing to a bi -objective optimization problem.One of the two objectives was the modelling error and the other one was the sparsity of endmembers.ParetoSU can solve the sparse unmixing problem without any approximation of L0norm.At last,synthetic data were used to test the performance of ParetoSU. Key words:hyperspectral images;sparse unmixing;Pareto optimization 第47卷第2期 红外与激光工程2018年2月Vol.47No.2Infrared and Laser Engineering Feb.2018 万方数据