基于特征库的FTIR超光谱遥感信息光谱域处理方法研究

摘要

物质的频域光谱信息又称谱指纹信息，是反映物质独特特性的信息。光谱信息与遥感结合，在地物识别等方面的应用已趋成熟。近年来，在大气监控、生态环境监测等应用需求下，要求遥感探测的光谱分辨率达到1nm甚至更高，即需要从高光谱遥感发展为超光谱遥感（Ultraspectal Remote Sensing）。随着傅里叶变换红外光谱仪（Fourier Transform Infrared Spectroscopy，FTIR）的出现，超光谱探测器可以在数十ms的时间内，获取2-14μm范围上光谱分辨率达到1nm的数千波段的光谱信息。
　　超光谱信息的应用对超光谱信号处理技术提出了新的要求，具体如下：（1） FTIR光谱仪获取的是干涉谱，如何对干涉谱的误差进行校正，如何从干涉谱反演出频域谱图，是传统色散光谱处理不曾遇到的问题；（2）超光谱比高光谱有更多的波段和更细微的光谱信息，海量的数据怎样快速的完成大气修正、噪声去除、数据压缩等信息处理，同时要保证不影响<1nm的窄谱段精细信息，也是亟待解决的问题；（3）对于物体识别，精细和多维的谱信息与光谱数据库中数以万计的光谱数据进行匹配，将导致匹配计算占用大量的时间，需要研究全新的特征提取与匹配方法来实现保证匹配准确的前提下快速完成目标辨识。
　　本文针对以上问题，完成了以下的研究内容：
　　1.以光谱域的角度设计了包括干涉信号预处理与光谱数据匹配识别的算法处理流程，实现了一种基于MODTRAN4.0的大气衰减修正方法和尾端补零的快速傅里叶反变换方法，使带有畸变的干涉光谱图在小于100ms变换为去除衰减和畸变的光谱曲线，还原后的归一化误差为10-4量级。
　　2.针对超光谱含噪曲线进行噪声去除，提出了归一化光谱角（NSA）的评判标准。仿真实验表明，在30dB噪声的条件下，本文建议参数的去噪前后的平均光谱角差异为0.008，明显小于经验参数方法的0.013。针对全局搜索最佳参数的耗时问题，提出了基于门限约束的快速学习算法，可以节约80％的参数搜索时间，而去噪效果只有小于0.002的减弱，且具有较好的收敛性。
　　3.针对大数据库给传统方法带来的巨大读写耗时问题，提出了1-范数光谱特征结合子空间筛选的快速超光谱匹配算法。实验结果表明，光谱的匹配时间与现有算法相比减少了90.5％，而匹配成功率仅仅降低了5％。
　　综上所述，本文提出的超光谱光谱域的信号预处理方法解决了干涉谱的反演问题；提出的最佳参数小波噪声去除方法和适合于大数据库的光谱匹配算法解决了海量超光谱数据的快速处理和识别问题。算法能够兼顾超光谱遥感数据处理应用中所需的准确性与实时性，有助于超光谱遥感系统向工程化和实用化发展，为该系统应用于生态环境调查、大气成分研究、灾害预防等全球性遥感目标提供了有力的支持。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1项目研究的意义

1.2国内外研究情况

1.3超光谱遥感信息处理技术的研究现状

1.4论文的研究内容

2 FTIR超光谱遥感数据处理系统设计

2.1 FTIR数据处理系统需求分析

2.2超光谱信号处理流程设计

2.3傅里叶变换的快速反变换方案

2.4大气修正方法研究

2.5本章小结

3 基于归一化光谱角及快速学习的超光谱小波去噪算法

3.1噪声特性与小波去噪特点分析

3.2小波参数选择对光谱域去噪的影响

3.3基于归一化光谱角的参数优化算法

3.4基于门限约束的快速学习算法

3.5本章小结

4 基于范数筛选的超光谱匹配算法

4.1基于特征库的超光谱匹配需求分析

4.2光谱数据库的特征选择

4.3基于范数筛选的匹配算法

4.4实验分析及关键参数对算法的影响

4.5本章小结

5 总结与展望

5.1本文研究工作总结

5.2对未来工作的展望

致谢

参考文献

附录1 攻读博士学位期间发表的学术论文及研究成果