光谱特征

光谱特征（精选10篇）

光谱特征 篇1

红外光谱又称分子振动转动光谱,属分子吸收光谱。样品受到频率连续变化的红外光照射时,分子吸收其中一些频率的辐射,分子振动或转动起偶极矩的净变化,使振转能级从基态跃迁到激发态,相应于这些区域的透射光强减弱,记录百分比透过率对波数的曲线,即为红外光谱。

对翡翠而言,存在有其特征的基团或络阴离子团,这些基团内部振动模式和潜带数决定于基团本身的构型及晶胞对称性。虽然当基团处在由阳离子所构成的晶体中,振动频率会受到周围环境的影响,但其影响是次要的,主要还是取决于内部坚固的共价键,故基团振动频率较稳定。实验证明:每基团在不同化合物中振动频率是大体相同的,即每种基团都有其特征吸收频率,其振动模式频率,决定了翡翠红外光谱的主要轮廓,是翡翠红外光谱的主要特征。[1]

1 仪器及样品

本实验选用三块天然翡翠,两块充蜡翡翠,一块充胶翡翠、一块充胶染色翡翠为实验样品。并抛磨成薄片。

在实验过程中采用反射法及透射法对上述样品的红外吸收光谱进行测试。测试仪器为傅立叶变换红外光谱仪(Nicolet 550型),分辨率为16,扫描范围为4000~400 cm-1,扫描次数为32。

为了验证镜反射法测得的红外吸收光谱的可靠性及红外吸收谱带的位移情况,本实验在相同的条件下对不同样品的红外吸收光谱进行了比对。对于测出的反射曲线,应用Kramers-Kronig转换技术(简称KK转换)使之转换为人们熟知的红外吸收光谱。使用Omnic-2000软件对所测的图谱进行处理,采用自动基线校正,并累加处理。

2 翡翠的红外吸收光谱表征

2.1 翡翠的镜反射红外光谱

翡翠是以硬玉为主的由多种细小矿物组成的矿物集合体。它的主要组成矿物是硬玉,次要矿物有绿辉石、钠铬辉石、钠长石、角闪石、透闪石等,其中绿辉石在某些情况下会成为主要组成矿物。从岩石学角度来讲,翡翠是一种岩石,它是由硬玉、绿辉石为主要成分的辉石族矿物组成的矿物集合体。[2]

根据前人对天然翡翠的红外吸收光谱的归属[2],图1中翡翠的主要成分硬玉的晶体结构[SiO4]较为规则,故其振动带的频率较高,在900cm-1~1200cm-1,主要是3个频带, 1162cm-1,1079cm-1,950cm-1,其中1079cm-1的频带最强。在400 cm-1~600 cm-1,主要为M1 和M2配位体的振动吸收。金属阳离子和O2-离子的振动,主要有4个频带,582、531、476、435。硬玉中,其M2是8配位,配位多面体形态为变形的立方体,中心阳离子几乎全部为Na。M1为6配位,为规则的配位M2和M1以共棱连接成平行c轴的链,各链在⊥(100)方向排列成层。

图2所示,经过优化处理的翡翠在指纹区的红外吸收光谱特征与天然翡翠基本相同,M1与M2配位体的振动吸收峰略有偏移。值得注意的是,在2800 cm-1~3000 cm-1(图中黑色方框标示)中,三个样品的红外吸收图谱曲线有所不同。J-1的红外吸收曲线基本平直,而J-2及J-3的曲线,在2840 cm-1及2920 cm-1有两个峰,这两个峰属于蜡或其它有机物引起的。当这两组峰表现强烈时,便是充填处理翡翠的信息显示,因为B货注入的有机物或蜡的数量要比A货抛光用的有机物或蜡的量大得多。但单从这两个峰区分A、B货也是不完全确切的。但至少可以起警示作用。

2.2 翡翠的透过红外光谱特征

透射红外光谱的测量对样品的要求一般是越薄越好。如果样品的厚度较大,吸收强烈的指纹区的吸收峰基本上测不出来,测出的光谱主要是指纹区外的、微量的组成。多应用于测试宝石中的水、OH-、外源的有机质成分等。不能作矿物种类的鉴定。

注:J-1为注蜡翡翠;J-2为注胶翡翠;J-3为注胶染色翡翠

注:J-1为注蜡翡翠;J-2为注胶翡翠;J-3为注胶染色翡翠;J-4为天然翡翠

从图谱中可以清晰地看出,J-1的透射红外图谱中,有油引发的2850 cm-1、2927 cm-1、2959 cm-1的三个吸收峰组成的峰系,该峰系即为烃基峰系。

J-2与J-3的透射红外图谱基本相同。图中出现了天然翡翠所没有的吸收峰,为2870 cm-1、2927 cm-1、2960 cm-1、3035 cm-1、3058 cm-1吸收峰,并且,在2870 cm-1、2927 cm-1、2960 cm-1三个吸收峰中,2870 cm-1最弱。此外,在2200 cm-1~2600 cm-1范围,还可见到不太明显的多个吸收峰。这些吸收峰都具有诊断意义,反应为树脂胶中苯环上C—H键的振动吸收。如果胶更多对红外光的吸收更强一些,那么,在2800 cm-1~3100 cm-1范围中的峰系会消失,而2200 cm-1~2600 cm-1的指纹峰成为最主要的识别标志。[3]

经过油或蜡浸泡过的翡翠与充胶货翡翠的透射红外光谱图有着比较明显的区别:

1) 油或蜡没有3058 cm-1和3035 cm-1吸收峰,也没有2200 cm-1~2600 cm-1的指纹状吸收峰。

2) 蜡或油的2850 cm-1、2927 cm-1、2959 cm-1波数的3个吸收峰组成波谷的形状与树脂胶略有不同,蜡或油的2927 cm-1的吸收最强,成主峰状,而树脂胶的2927 cm-1与2959 cm-1的吸收程度相当,成双峰状。

另一个值得注意的地方就是J-1中2959 cm-1、2927 cm-1、2850 cm-1三个峰的强度大小。

注:J-1与J-5都为充蜡翡翠

以2200 cm-1~3 300 cm-1范围内相对稳定的红外吸收光谱为参比峰,并将该参比峰(基线至顶峰处)人为地划分为4等分。利用蜡质物中(—CH2—)伸缩振动致2 927 cm-1(R1)和2 850cm-1(R2)这一组红外吸收谱带的组合吸收峰Ra(R1+R2),大致判断Ra占参比峰的四分之几(即相对吸收比)。

1/4

2/4

3/4

如图4中样品J-1中蜡物质的含量已经占到了参比峰的3/4~4/4,故定为蜡充填处理翡翠。样品J-5中蜡物质的含量占参比峰的2/4~3/4,故定名为蜡充填优化翡翠。一般蜡优化的翡翠即为表面过蜡,而蜡处理的翡翠即经过长时间浸泡。

4 结论

(1)翡翠的红外光谱图在900cm-1~1200cm-1,主要是3个频带, 1162cm-1,1079cm-1,950cm-1,其中1079cm-1的频带最强。在400 cm-1~600 cm-1,主要有4个频带,582 cm-1、531 cm-1、476 cm-1、435 cm-1。

(2)经过油或蜡浸泡过的翡翠与充胶货翡翠的透射红外光谱图有着比较明显的区别:油或蜡充填没有3058 cm-1和3035 cm-1吸收峰,也没有2200 cm-1~2600 cm-1的指纹状吸收峰。蜡或油红外图谱的2850 cm-1、2927 cm-1、2959 cm-1波数的3个吸收峰组成波谷的形状与树脂胶略有不同,蜡或油的2927 cm-1的吸收最强,成主峰状,而树脂胶的2927 cm-1与2959 cm-1的吸收程度相当,成双峰状。

(3)经过蜡浸泡的翡翠在定名上也有区别。根据其透射红外光谱图中蜡峰的强度,可以判定为优化或处理。一般蜡优化的翡翠即为表面过蜡,而蜡处理的翡翠即经过长时间浸泡。

摘要：通过傅立叶红外光谱仪(Nicolet550型)对天然翡翠及其优化处理品种进行测量,分析出翡翠的样品特征红外峰为1162cm-1,1079cm-1,950cm-1,其中1050cm-1的频带最强,且400cm-1～600cm-1之间有四个频带。而B货的红外鉴定最主要的吸收峰为2870cm-1、2927cm-1、2960cm-1、3035cm-1、3058cm-1。此外,在2200cm-1～2600cm-1范围,还可见到不太明显的多个吸收峰。

关键词：翡翠,测量与分析,红外吸收光谱

参考文献

[1]V.C.farmer,应育浦等译.矿物的红外光谱[M].北京:科学出版社,1982.

[2]袁心强.翡翠宝石学[M].北京:中国地质大学出版社,2004.

[3]苏文宁,陆发正.处理翡翠玉件B货鉴别胶质充填物的判断[J].成都理工学院学报,1998,25(2):349-353.

[4]亓利剑,袁心强,彭国桢,杨国辉.翡翠中蜡质物和高分子聚合物充填处理尺度的判别[J].宝石和宝石学杂志,2005,7(3):1-6.

光谱特征 篇2

重金属污染水稻的冠层反射光谱特征研究

摘要：利用野外光谱仪获取矿区农田重金属污染水稻的`冠层反射光谱,通过曲线模拟和统计分析提取了与水稻冠层叶片重金属含量变化极显著相关的光谱敏感波段(Pb,460 nm;Zn,560 nm;Cu,660 mm;As,1 100 nm)、归一化植被指数(Pb,NDVI_((510.810));Zn,NDVI_((510.870));Cu,NDVI_((660.870));As,NDVI_((510,810)))和红边位置等水稻冠层反射光谱特征.表明水稻重金属污染可以被地面遥感传感器快速榆测,其浓度变化与所提取的光谱特征之间存在极显著相关,归一化植被指数与红边位置对光谱信息的表达要优于敏感波段.归一化植被指数以及红边位置可以作为水稻重金属污染遥感监测模型的光谱特征参数选择参考.同时,文章提出了利用遥感技术监测水稻重金属污染的光谱临界值概念,并计算出研究中各重金属对应的光谱临界值.Abstract：Because of frequent mining,heavy metals are brought into environment like soils,water and atmosphere,resulting heavy metal contamination in the agricultural region beside mines.Heavy metals contamination causes vegetation stress like destruction of chloroplast structure,chlorophyll content decrease,blunt photosynthesis,etc.Spectral responses to changes in chlorophyll content and photosynthesis make it possible that remote sensing is applied in monitoring heavy metals stress on paddy plants.Field spectroradiometer was used to acquire canopy reflectance spectra of paddy plants contaminated by heavy metals released from local mining.The present study was conducted to(1)investigate discrimination of canopy reflectance spectra of heavy metal polluted and normal paddy plants;(2)extract spectral characteristics of contaminated paddy plants and compare them.By means of correlation analysis,sensitive bands(SB)were firstly picked out from canopy spectra.Secondly,on the basis of these sensitive bands,normalized difference vegetation indices(NDVI)were established,and then red edge position(REP)was extracted from canopy spectra via curve fitting of inverted Gaussian model.As a result of correlation analysis,460,560,660 and 1 100 nm were considered respectively as sensitive band for Pb,Zn,Cu and As concentration in paddy leaves.Furthermore,heavy metal concentrations(Pb,Zn,Cu and As)were significantly correlated with NDVIs(Pb,NDVI_((510,810));Zn,NDVI_((510,870));Cu,NDVI_((660,870));As,NDVI_((510,810)).Heavy metals were also significantly correlated with REP,however,the inflexion termed as spectral critical value(SCV)between low and high heavy metals concentrations should be considered during applying REP in remote sensing monitoring.Moreover,NDVI and REP are much better than SB in terms of capability of expressing spectral information.Therefore,heavy metals contamination in paddy plants can be remotely monitored v/a ground spectroradiometer when NDVI and REP are selected as spectral characteristics. 作者： 任红艳[1]庄大方[2]潘剑君[3]史学正[1]施润和[4]王洪杰[1] Author： REN Hong-yan[1]ZHUANG Da-fang[2]PAN Jian-jun[3]SHI Xue-zheng[1]SHI Run-he[4]WANG Hong-jie[1] 作者单位： 中国科学院南京土壤研究所,土壤与农业可持续发展国家重点实验室,江苏,南京,210008中国科学院资源环境科学数据中心,北京,100101;南京农业大学资源与环境科学学院,江苏,南京,210095南京农业大学资源与环境科学学院,江苏,南京,210095华东师范大学教育部地理信息科学重点实验室,上海,62 期 刊： 光谱学与光谱分析 ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： ,30(2) 分类号： X87 关键词： 重金属 水稻 冠层反射 光谱特征 光谱临界值 Keywords： Heavy metal Paddy Canopy reflectance Spectral characteristics Spectral critical value 机标分类号： S51 X53 机标关键词： 农田重金属污染水稻冠层冠层反射光谱特征研究Heavy MetalsCanopyheavy metalsNDVI归一化植被指数correlation analysischlorophyll contentcanopy spectraremote sensingheavy metal contamination光谱特征参数vegetation indicesagricultural region显著相关敏感波段critical value 基金项目： 国家自然科学基金，中国博士后科学基金

光谱特征 篇3

关键词： 液晶可调滤波器 （LCTF）； ABS算法； 特征波段； 小白菜叶片； 波段指数

中图分类号： O439 文献标志码： A doi： 10.3969/j.issn.1005-5630.2016.03.010

文章编号： 1005-5630（2016）03-0243-05

Abstract： Gray information of pakchoi leaves at the wavelength range of 435～720 nm with an interval of 5 nm are captured by using a multi-spectral imaging system which mainly consists of liquid crystal tunable filter （LCTF） and CMOS camera.Then，the average value，standard deviation and correlation coefficient for the gray value of images are calculated，and it has extracted the waveband index of pakchoi leaves by the way of adaptive band selection （ABS） method. Finally，the effective characteristic wavebands of pakchoi leaves are extracted through the sorting of waveband index.The experimental result shows that ABS algorithm using the extracted feature bands can quickly and efficiently obtain spectral information pakchoi leaves，and there are ideal waveband index values at 445 nm，450 nm，455 nm，680 nm，685 nm，690 nm，695 nm and 710 nm respectively，these wavebands have much discrete degree，rich multispectral information.therefore，these wavebands can be used as effective characteristic wavebands identification for pakchoi leaves.

Keywords： liquid crystal tunable filter（LCTF）； ABS algorithm； feature bands； pakchoi leaves； waveband index

引 言

我国是农业大国，大面积种植着各类园艺作物[1]，地域广阔、种类繁多，同时作物的产量和质量还会受到病虫害的影响[2-4]。因而如何快速、有效地对农作物进行准确的区分和识别[5]，对我国农业的发展有着指导性的意义[6]。以往大多数是通过人眼视觉和主观经验，利用已知农作物的形状、颜色等来获取作物的识别信息，具有较大的主观性，往往带来了很大的缺陷和不足，造成大量的错误识别等。近年来光谱成像技术在农业中得到了广泛应用[7]，而基于液晶可调滤波器（liquid crystal tunable filter，LCTF）[8-9]和单色CCD组成的多光谱成像系统，可以快速有效地提取作物的图像光谱信息，具有较高的光谱分辨率和空间分辨率[10]，可以较好地对多光谱图像进行数据采集[11]。但由于多光谱成像系统具有较多的波段，会使得数据的冗余度大，数据处理、计算耗时长，造成数据处理工作的繁琐和准确率的降低。

因此，本研究采用一种基于LCTF光谱成像系统的自适应波段选择（ABS）算法，对我国大部分居民食用的十字花科类蔬菜中具有抗癌、护眼、摄取维生素作用的小白菜叶片进行特征波段的提取，从大量丰富的波谱信息中提取具有代表性的特征波段[12-13]，主要用于对小白菜叶片的正确识别、聚类分析[14]和数据库的建立[15]等。这种方法对数据的处理达到了快速、准确的作用，是一种非接触、安全、实用、有效的方法。

1 特征波段提取方法

ABS算法[16]对各个波段之间的空间相关性和谱间相关性大小做出了充分的考虑，并构造了相应的数学模型，对已求得的各个波段指数进行从大到小的顺序排列，并根据设定的阈值自适应地选择所需波段。该数学模型中的Indexi指数表示为：

ABS算法获得的波段指数充分考虑了每幅图像的信息量与相邻波段的相似性，Indexi越大，相应图像的信息量就越大，越具有代表性。将ABS算法得到的波段指数由大到小依次排序，排序靠前的7～8个波段即可作为该算法的有效特征波段。

2 实验环境与结果分析

2.1 实验仪器

本实验使用美国CRI公司生产的VariSpecTM液晶可调滤波器，与单色CCD相机[17]和计算机控制软件组成的多光谱成像系统，其采集的波段范围为430～720 nm，带宽（FWHM）为10 nm，半角可视范围为7.5°，响应时间为50 ms，每间隔5 nm连续改变光谱透过中心波长，同时将采集到的小白菜叶片和参考白板的灰度图像传至计算机存储。本实验采用自行搭建的LCTF光谱成像系统，用于采集小白菜叶片的灰度图像，采用LCTF代替传统的机械滤光片转轮，以实现快速波段调谐。图1为基于LCTF光谱成像系统选取的有效特征波段原理图。本实验用于数据处理的软件为Omnic 8.0和MATLAB 2010b软件。

2.2 实验样本

实验选取广东省农科院的十字花科类-芸苔属健康小白菜（品种为“17号白菜”）作为实验样本，实验样本采集的环境是在温室大棚内且天气晴朗无风，光照强度均匀，平均气温为23.5 ℃，平均湿度为68%，小白菜生长时间为20～40 d，叶片成深绿色，叶脉清晰，生长状况良好。

2.3 数据采集

新鲜生长的小白菜在特定的光源下和参考白板同时进行多光谱成像的图像采集，在435～720 nm波段范围内，每隔5 nm采集一幅灰度图像，共采集6组，每组58个波段，共计348组数据。以波段490 nm处的灰度图像为例说明选取小白菜叶片和参考白板区域，如图2所示。

利用C#语言编写程序，获取样本图像的平均灰度值，在各波段选定的区域获取小白菜叶片和参考白板图像的灰度值。对每个波段样本的5个不同叶片表面选取1个矩形区域进行灰度值提取，相当于对所选取的每一个叶片的特定区域进行了灰度平均，消除了叶片表面亮度不均匀等特征因素的影响。本实验在暗室内进行，采用D65光源，由于光源和实验样本的影响导致参考白板有个较小的峰值，其他波段是较为理想的平滑曲线，属正常情况。实验室光源如图3所示，参考白板和小白菜叶片选取的区域的平均灰度值曲线如图4所示。

3 实验结果与分析

图5为小白菜叶片在435 nm～720 nm范围内的反射比曲线，由图可以清晰地看到小白菜叶片的光谱曲线在460 nm、550 nm和680 nm附近存在两个吸收谷和一个反射峰。从图中可以得出所采集到小白菜叶片的光谱数据符合一般绿色植物的曲线走势图，因此本实验数据满足实验分析的要求。利用ABS算法从实验中获取小白菜叶片不同波段的成像光谱数据（相关系数和标准差），表1给出不同波段区间具有代表性的部分相关系数。在波段465 nm处相对于450 nm、565 nm、710 nm处的相对系数较小，而在635 nm和465 nm波段的相关系数达到了负值，其他波段之间的相关系数绝对值均在0.014-1.000之间。

利用式（1）～（3）计算出小白菜叶片不同波段的Index值，得到表2所示的指数排序表及图6所示的Index指数图。根据表2波段指数大小排序可以得出：在445 nm波段处具有最大的波段指数值1.355，其次分别是695 nm、680 nm、690 nm、710 nm、450 nm、455 nm和685 nm处。综合计算，上述波段中所含的光谱信息量较为丰富，故选择445 nm、450 nm、455 nm、680 nm、685 nm、690 nm、695 nm、710 nm波段作为本实验中小白菜叶片的整体最优特征波段。

4 结 论

本文以健康小白菜叶片的多光谱成像为例，利用ABS算法计算实验数据并讨论光谱特征，得出445 nm、450 nm、455 nm、680 nm、685 nm、690 nm、695 nm、710 nm波段能够更好地反映健康小白菜叶片的特征光谱信息，可以作为小白菜叶片的特征波段。实验结果表明，基于LCTF组成的多光谱成像系统和ABS算法为健康小白菜叶片所提取的特征波段，能够为农作物的病虫害监测、识别提供一种新的方法，同时该方法对地物的高光谱遥感识别、探测等也具有参考作用。

参考文献：

[1] 冯洁，李宏宁，杨卫平，等.园艺作物病害的多光谱组合分类[J].光谱学与光谱分析，2010，30（2）：426-429.

[2] LUCAS B G，CAMPBELL C L，Lucas L T.Introduction to plant diseases：identification and management[M].US：Springer，1992.

[3] 王坤，朱大洲，张东彦，等.成像光谱技术在农作物信息诊断中的研究进展[J].光谱学与光谱分析，2011，31（3）：589-594.

[4] 刘涛，孙旭东，刘燕德，等.农作物品质的近红外光谱无损检测研究进展[J].食品与机械，2010，26（3）：161-166.

[5] 刘波，方俊永，刘学，等.基于成像光谱技术的作物杂草识别研究[J].光谱学与光谱分析，2010，30（7）：1830-1833.

[6] 林文鹏，王长耀，储德平，等.基于光谱特征分析的主要秋季作物类型提取研究[J].农业工程学报，2006，22（9）：128-132.

[7] 范世福.光谱技术和仪器的新发展[J].光学仪器，2000，22（4）：35-40.

[8] ZJAKIC I，PARAC-OSTERMAN D，BATES I.New approach to metamerism measurement on halftone color images[J].Measurement，2011，44（8）：1441-1447.

[9] 杜丽丽，易维宁，张冬英，等.基于LCTF的多光谱面阵CCD相机的辐射定标[J].光谱学与光谱分析，2011，31（1）：272-276.

[10] 童庆禧，张兵，郑兰芬.高光谱遥感-原理、技术与应用[M].北京：高等教育出版社，2006：40-44.

[11] 李珂，张康伟，罗淼.基于LCTF的大幅面高分辨率多光谱仪光学系统设计[J].红外与激光工程，2013，42（3）：675-679.

[12] 王庆光.多光谱遥感数据最佳波段选择研究[J].广东水利电力职业技术学院学报，2007，5（2）：63-65.

[13] 杨金红.高光谱遥感数据最佳波段选择方法研究[D].南京：南京信息工程大学，2005.

[14] 田方，樊治飞，焦多礼，等.甘肃药用植物地理分布的聚类分析及分区[J].甘肃科技，2011，27（6）：55-57.

[15] 沈光，佟斌，孙波.论植物数据库的建立[J].国土与自然资源研究，2007（1）：89-90.

[16] 赵春晖，陈万海，杨雷.高光谱遥感图像最优波段选择方法的研究进展与分析[J].黑龙江大学自然科学学报，2007，24（5）：592-602.

[17] 郝学元，季鑫源，陈家胜.用线阵CCD实现光谱测试的虚拟仪器[J].光学仪器，2001，23（3）：3-6.

浅析原油的中红外光谱特征 篇4

按照ASTM的定义[1], 通常将红外光谱分为三个区域:近红外区 (13330~4000cm-1) 、中红外区 (4 0 0 0~4 0 0 c m-1) 和远红外区 (400~10cm-1) 。由于绝大多数有机物和无机物的基频吸收带都出现在中红外区[2,3], 因此研究最多的区域是中红外区, 积累的资料也最多, 仪器技术最为成熟。通常所说的红外光谱就是指中红外光谱。通过解析红外光谱, 就可以判定有哪些官能团存在于未知样品中, 为未知物化学结构的确定奠定坚实的基石。因此, IR是在分子层次上研究结构和相互作用的便捷方式。

中红外光谱仪分为属于色散型的棱镜和光栅光谱仪, 以及属于非色散型的傅立叶变换红外光谱仪。由于对干涉仪及运算速度有非常高的要求, 因此价格昂贵。但是优点也十分突出:灵敏度高、分辨率高、能够实现快速扫描和联机操作。

随着科研的进步, 红外光谱仪也在向着小型、便携式发展。极大的降低了外部环境对仪器性能的影响。加上计算化学的发展, 促成了ASTM E1655标准方法的建立, 其中包括多种计算方法如偏最小二乘法 (PLS) 、主元回归法 (PCR) 等。

由于中红外光谱仪在不需要计量法推算的前提下, 针对不同的组分可产生不同的与之对应的的特征吸收峰, 因此结果的精确可靠, 将其纳入ASTM标准测试方法。总之, 全谱中红外傅立叶技术在成分复杂的油样的分析中, 使用前景值得展望。

2 实验研究

2.1 原材料

不同地区原油样品, 将0.5g左右的原油样品倒入10m L离心管中, 加入一定量活化的无水Na2SO4 (每毫升油加0.1~1g) , 离心脱水。

2.2 红外光谱扫描

采用德国珀金埃尔默公司的FT-IR/NIR spectrometer frontier傅立叶变换红外光谱仪连接普遍衰减全反射 (UATR) 进行扫描:仪器预热稳定后, 先确认仪器是否处于正常状态:扫描0.05mm厚的聚苯乙烯卡, 对照标准谱图, 保证仪器各项指标符合分析要求。用1支细玻璃棒将1滴油样滴到金刚石晶面上, 小心地将油滴铺匀使之形成一层均匀的油膜, 确保不产生气泡, 扫描其红外光谱, 扫描范围为600~4000cm-1, 分辨率2.0cm-1, 扫描30次。保存其谱图。

3 实验结果及分析

3.1 原油样品红外光谱图

实验测得的各种原油样品红外光谱曲线如图1至图6所示。

3.2 原油的中红外谱分析

归纳谱图出现的系列吸收峰可分为三组:

3.2.1 饱和烃吸收峰[4,6]

包括直链烷烃和环烷烃。甲基、次甲基的伸缩振动吸收峰一般在2850 cm-1和2950 cm-1处, 其属于强吸收峰, 两峰分离较差, 易迭加。

甲基 (CH3) 、次甲基 (CH2) 的弯曲振动吸收峰一般在1380cm-1、1460cm-1处。这两种基团在原油中所占比例较大。甲基要少于次甲基, 因此1380cm-1吸收峰要弱于1460cm-1吸收峰。

碳链中C-C骨架振动吸收峰一般位于700~720cm-1处。即碳数较少的烷烃表现为单峰, 而碳数多于30时出现双峰。

3.2.2 芳香烃吸收峰

730cm-1~900cm-1为芳香烃、缩合芳香烃次亚甲基 (CH) 的面外振动吸收峰, 一般出现三个比较明显的吸收峰:

当芳烃或稠环芳烃相邻H原子数n≤2时, 在740~760cm-1处出现吸收峰;

当芳烃或稠环芳烃相邻H原子数2

当芳烃或稠环芳烃相邻H原子数3

-C=C-基团的双键伸缩振动吸收峰一般出现在1450cm-1和1600cm-1处。不同品种的原油含有的芳烃数量不同, 当含量较多时会出现两个峰, 若较少, 则会出现一个峰, 因此芳烃的吸收峰常以1600cm-1处来代表。

芳烃中CH的伸缩振动吸收峰一般出现在3050~3000cm-1处。

此外芳烃CH基团的面内弯曲振动一般会在l000~1300cm-1处出现。但通常多与原油中含O、S、N等基团的吸收峰偶合或迭加在一起, 较难确切地区分, 因此可参考价值不大。

3.2.3 含O、S、N等元素的杂环化合物的吸收峰[5]

各种含O、S、N的基团吸收峰位于1000~1300cm-1处, 这里同时会出现C-C、C-O基团伸缩振动, 其它C-N、S-O、C-H、O-H基团的弯曲振动参与的偶合振动吸收, 众多吸收峰相互迭加, 基团无法准确归属。

醇、醛、羧基基团以及酯、酮中羰基的伸缩振动吸收峰一般位于1700~1720cm-1处。

酸酐类化合物中的伸缩振动吸收峰一般位于1900cm-1处。

缔合的OH基团和NH2基团的伸缩振动吸收峰一般位于3200~3600cm-1处。

4 结语

随着持续不断的研究, 各类成品油类的出厂指标检测都可以采用中红外光谱技术, 但在许多方面还有其局限性, 要定量分析, 建立系统模型还需确定相关测试参数, 由于原油成分复杂, 测试结果的相关性难以预测。尽管如此, 这并不妨碍其发展成一种快速便携的检测技术, 因其测定快速明晰, 中红外光谱必然会在油品分析中大放异彩。

参考文献

[1]ASTM Standard.Standard Practices for infrared Multivariate Quantitative Analysis[S].A STM E 1655-05-2005.Unit States:ASTM, 2005.1~32

[2]冯新泸, 史永刚.近红外光谱及其在石油产品分析中的应用[M].北京:中国石化出版社, 2002

[3]Kelly J J, BarlowCH, J ingujiTM, etal.Prediction of gas-online octane numbers from nearinfrared spectral features in range 660~1250nm[J].Anal Chem, 1989, 61 (4) :313~320

[4]D A Burns, E W Ciurczak.Handbook of near-infrared analysis.Marcel Dekker, Inc., New York, 2001

[5]Hildrum K I, Isaksson T, Naes T, etal.Nearinfrared spectros copybridging the gap between data analysis and NIR application.New York:Ellis Horwood, 1994:153

光谱特征 篇5

普洱茶茶褐素类主要组分特征及光谱学性质研究

摘要：利用不同分子截留量的透析袋可有效将茶褐素类物质分离.随分子量增大,茶黄素(TF)、茶红素(TR)、茶褐素(TB)、茶多糖(TPS)含量逐渐增加,分子量大于25 000 Da的样品中TB含量最高.羧基和羟基含量随分子量增大而增加,特别是总羧基含量在分子量大于25 000 Da的样品中增幅最大.AFM显示,不同分子量茶褐素粒子形貌并不均一,单分子呈岛屿状态或颗粒状聚集物结构.当粒子聚集较多时,呈线状链接且有较多分支或形成网状结构.CP-MAS NMR表明,在3 500～25 000 Da的茶褐素属含有多苯环的苯多酚类高聚物,结合多糖、蛋白质残基,富含羧基、羟基、甲基等基团,具有酚类物质特性.其酸未水解物经CP-MAS NMR分析表明为多苯环高聚物,CP-GC/MS共鉴定出16种可能存在的`化合物. 作者： 谭超[1]  彭春秀[2]  高斌[1]  龚加顺[1] Author： TAN Chao[1]  PENG Chun-xiu[2]  GAO Bin[1]  GONG Jia-shun[1] 作者单位： 云南农业大学食品科学技术学院,云南昆明,650201云南农业大学园林园艺学院,云南昆明,650201 期 刊： 光谱学与光谱分析   ISTICEISCIPKU Journal： Spectroscopy and Spectral Analysis 年，卷(期)： , 32(4) 分类号： S571.1 O657.3 关键词： 普洱茶    茶褐素    结构特征    光谱性质    机标分类号： TS2 P61 机标关键词： 普洱茶    茶褐素    组分特征    光谱学    性质研究    Tea    Main    分子量    羧基含量    高聚物    CP-MAS    样品    物质特性    物质分离    网状结构    羟基含量    粒子形貌    粒子聚集    酚类    多糖 基金项目： 国家自然科学基金项目 普洱茶茶褐素类主要组分特征及光谱学性质研究[期刊论文]  光谱学与光谱分析 --2012, 32(4)谭超  彭春秀  高斌  龚加顺利用不同分子截留量的透析袋可有效将茶褐素类物质分离.随分子量增大,茶黄素(TF)、茶红素(TR)、茶褐素(TB)、茶多糖(TPS)含量逐渐增加,分子量大于25 000 Da的样品中TB含量最高.羧基和羟基含量随分子量增大而增加,特别是总羧...

光谱特征 篇6

目前的国内外研究中,遥感影像提取水体的主要研究主要集中在特征提取和水体提取算法两个方面。合适的特征对正确的从遥感影像提取水体至关重要,目前在水体提取中研究的侧重点为水体特征的研究主要包括:

1)光谱特征:遥感影像获取的原始信息进行辐射定标、大气校正后的结果,是水体提取过程中最基本的特征,大部分水体提取过程中均会使用光谱特征。总体上来说,水体在蓝绿两波段上呈现反射特性,在近红外波段上呈现吸收的特性。根据水体和背景像素的光谱反射率差异,得到基于规则的方法得到影像中的水体,或使用光谱反射率作为特征训练分类器如支持向量机(SVM)[4],对影像进行二值分类得到水体和非水体信息。

2)水体指数:通过分析不同地物对遥感影像波段的响应情况对波段进行组合、代数运算,从而增强水体信息,并抑制其他地物信息。常见的水体指数有:NDWI[5],MNDWI[6],AEWI[7],HRWI[4]等。

3)纹理特征:使用纹理特征或纹理特征与光谱的结合,提取水体信息。文献[8]在水体提取问题上提出了方向方差算子和纹理表相结合的多纹理特征结合的水体提取算法,在高分辨率灰度影像的实验上得到了很好的提取结果。文献[9]比较了仅使用颜色特征和颜色特征加灰度共生矩阵角二阶矩特征的提取效果,实验表明,增加纹理特征后,提取结果有了很大的提高。

4)颜色特征:对影像的红绿蓝波段反射率进行颜色空间变化如HIS变换、CIELAB变换等,利用变化后的颜色空间特征作为水体提取的特征。文献[10]研究了HIS变换后的色调(H)、饱和度(S)和亮度(I),对高分辨率遥感影像进行水体提取。文献[9]通过CIELAB变换,使用亮度分量(L)进行分割,并使用颜色分量(a和b)和亮度分量的纹理特征构成特征向量提取航空影像上的水体。

5)形状特征:通过分割的方式得到对象,提取对象的形状特征,利用水体和非水体对象在形状特征上的差异,提取影像中的水体对象。文献[11]使用紧致度(Compactness)、主要点(Critical points)和对称性(Symmetry)三个形状特征成功区分了影像中的阴影和水体。

目前研究中,一般水体提取方法仅使用以上一类或两类特征,然而,由于地表水体的复杂性,以上一种或两种特征的结合并不能很好的从影像中提取水体信息。首先,“同物异谱”导致同样的水体可能具有不同的光谱、水体指数、颜色特征,而“同谱异物”现象使得水体和背景信息在这些特征上存在混淆。其次,一般的纹理特征在计算时需要进行取窗口的操作,在水体边缘上的纹理信息会产出模糊的现象,无法完全反映水体的特点。最后,自然界中的水体往往具有不确定的形状,因此,很多情况下形状特征无法准确区分水体和背景地物。针对以上问题,本文提出一种基于光谱-空间特征的遥感影像水体提取算法,结合了光谱、水体指数、像元长度指数和面积特征,多种类型特征的结合更好的描述了遥感影像上水体的特征,鲁棒地提取遥感影像中的水体信息。

1基于光谱-空间特征的水体提取算法

本文方法使用了光谱、水体指数、像元长度特征和面积特征,通过结合光谱和空间特征,一方面减轻了“同物异谱”和“同谱异物”问题对水体和非水体像素的影响,另一方面引入的像元长度特征综合影像中像素的局部结构特征,有效的反映了像元邻域内的相似性,且避免了求取纹理特征时滑动窗口操作可能产生的问题。本文方法总体上可以分为两个部分,第一部分使用双阈值分割去除影像中的大部分非水体像素,第二部分将第一步得到的水体待选像素聚集成水体待选对象,并使用面积特征和水体指数去除非水体对象,最后对得到的水体对象进行区域生长,得到精确的水体边界信息。方法的整体流程如图1所示。

1.1辐射定标

首先对遥感影像进行辐射定标预处理,根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:

式中:Gain为定标斜距;DN为卫星载荷观测值;Bias为定标截距,单位为;以上参数均由实际卫星数据给出;

再根据如下公式,得到大气顶端的表观辐射量:

其中,L为上一步得到的入瞳处的表观辐射量,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据可从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值。

1.2基于光谱-空间特征的双阈值分割

本步骤的目标为结合光谱和像元的局部结构特征通过两步阈值分割处理,去除不符合要求的非水体像素。水体指数从光谱的角度反映了水体和非水体像素的差异,其取值范围为[-1,1],水体的ND-WI取值一般为正,且取值越大该像素为水体的可能性也越大,水体指数的计算公式如下所示:

其中,green为遥感影像上的绿波段,NIR为近红外波段的辐射量;

其次,本文引入像元长度指数(Pixel Length Index,PLI),衡量水体内部的相似性。像元长度指数是像元结构特征集合[13](Structural Feature Set,SFS)中的一种特征,该特征考虑了相邻像元的相似性,综合了像素间的上下文信息,具有减少同质性区域的噪声和光谱变化的特性。像元长度特征反映了像元在其邻域内相似性的最大值。由于同一水体对象内部的光谱差异较小,且不同水体对象之间的形态差异较大,使用像元长度指数既可以反映影像内部水体之间的相似性,也减小了水体对象形态差异造成的像元结构差异。

在获得影像的像元长度指数时,为了加大水体之间的相似性,以及水体和非水体之间的差异性,本文使用拉伸后的水体指数SNDWI(Stretched NDWI)特征计算像元长度指数。由公式得到水体指数特征(NDWI),并根据公式(4)进行拉伸。

使用SNDWI得到的光谱相似性测度为下式:

其中,phi表示第i个方向线上中心像素和邻域像素之间的异质性,Psncen为中心像素的SNDWI特征,Psncen为邻域像素的SNDWI特征。

对预处理后的影像数据提取水体指数和像元长度指数,通过双阈值分割,得到水体待选像素,具体步骤如下所示:首先,对影像的SNDWI特征计算得到的像元长度特征使用给定阈值进行二值化,从像元的局部相似性,排除了影像中大量的非水体像素。获得上步中通过阈值分割的像素的NDWI特征值,使用大津法对其进行阈值分割,利用水体和非水体像素在水体指数上的差异进一步排除影像中的非水体像素。

1.3基于双阈值分割结果的水体对象提取

经过上一步的处理,得到了通过光谱和空间特征约束的像素的二值结果。首先,根据二值图上像素的连通性,将8邻域内相邻的连接像素聚集为对象,生成水体待选对象。

根据聚集的水体对象的面积进行阈值分割,给定面积阈值,若对象的面积大于给定的阈值则认为该对象为大面积水体待选对象,否则将其作为小面积水体待选对象。给定一个较大的面积阈值,如10000,则得到的大面积水体待选对象为面积很大的平滑区域,且具有较高的NDWI值。由于遥感影像上存在面积大且水体指数高的弱纹理非水体地物概率非常小,故接受大面积水体待选对象为大面积水体对象。而由于小面积的对象中含有背景地物的概率较高,故对小面积水体待选对象将进行进一步的处理以排除背景地物。

获得小面积水体待选对象覆盖范围内所有像素的NDWI特征,根据其直方图形状使用峰谷的方法(peak-and-valley method)获得阈值再一次进行阈值分割。为了减小分割时的漏检率,因此选择最左边的谷点对应的NDWI值作为分割的阈值。判断直方图上峰谷的方式为:

1)如果pn≥pn+1&pn≥pn-1,则为直方图上的峰值;

2)如果pn≥pn+1&pn≥pn-1,则为直方图上的谷值;

其中,pn表示直方图上n位置对应的频率。

然而,由上述条件得到的结果往往会包含较多的伪峰和伪谷,因此,通过对直方图进行核函数估计(Kerneldensityestimation,KDE)得到平滑后的概率密度曲线(直方图),从平滑后的结果中提取出峰值和谷值。核函数密度估计是非参数的估计随机变量概率密度函数的一种方法,常被从来实现数据平滑的目的。其计算公式如下所示:

其中,Kh(·)为核函数,本文使用高斯核函数。图2给出了经过第一步处理后剩余像素的NDWI直方图,以及对该直方图进行核函数估计的结果。从图中可以看出,蓝色部分的直方图中存在伪峰值,而平滑后的概率密度曲线上不存在伪峰值,因此,使用平滑后的结果可以得到正确的阈值。

如果概率密度估计得到的结果中不包含谷值点,则说明经过第一步的处理后,剩下的小面积水体待选对象中不包含非水体像素,则不对其进行进一步的阈值分割。

由以上两步可以看出,本文方法旨在对大面积的水体使用较小的NDWI阈值进行分割,而对面积较小的水体使用较高的NDWI阈值分割,并且在使用PLI进行阈值分割时去除了大量的与水体具有类似NDWI取值的背景像素。

由于水体边缘像素的PLI和NDWI特征比水体中心像素小,故在上述处理中可能被错误的去除,因此,在得到水体对象后,通过区域生长的方式得到更精确的水体边界。将所有水体边缘像素加入种子点堆栈,若种子点边缘像素与其邻域像素之间异质性测度小于给定阈值,则认为该邻域像素为水体,并将其加入种子点堆栈,重复进行上述操作直到所有种子点均被处理完成。这里使用的异质性测度为光谱角,因为该特征综合考虑了影像的所有光谱特征,计算公式如(7)所示,给定的阈值为thsa。

其中,SA(x,y)表示光谱向量之间的光谱角,xi和yi分别表示种子点像素和邻域像素在i波段上的光谱反射率,n表示影像的波段个数。对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为四波段波谱反射率组成的四维向量。

2实验与结果

本文使用两幅高分一号卫星的8米分辨率多光谱影像进行水体提取实验。高分一号卫星是我国高分辨率对地观测系统重大专项的第一个卫星,具有重要的战略意义和地位。其8m分辨率的多光谱卫星有近红外和可见光四个波段,重访周期为4d,具有较高空间分辨率和较短的回访周期的特点,因此,具有较高的应用价值。本文使用两幅高分一号数据进行实验,通过对比人工勾选的水体提取结果定性和定量的比较了本文提取方法与使用光谱特征的支持向量机(典型的水体提取方法)的提取结果。

本文使用如下方法进行定量的精度评点:对比参考影像使用混淆矩阵统计,得到正确提取的水体像素(TP),错误提取的水体像素(FP),正确提取的非水体像素(TN),错误提取的非水体像素(FN),四类的像素个数。使用统计结果得到水体的生产者精度PA=TP/(TP+FN),生产者精度反映了水体的漏检率,使用者精度UA=TP/(TP+FP),使用者精度反映了水体的误检率,总体精度OA=(TP+TN)/N,其中N为影像中的像素总体个数和kappa系数(如式(8)所示)。

图3(a)显示了本文实验中所用的第一幅影像(影像一),图3(b)显示了相应的参考水体掩膜。影像一相幅大小为4548*4500,经度范围为120.0874度到120.5829度,纬度范围为40.0612度到40.4397度。从影像中可以看出大面积水体的光谱特征并不统一,其大部分面积呈蓝色,水体左下角颜色变深,并且在水体内部可以看到条纹状的差异。影像中的背景地物主要由黄色的裸地、深色山体和亮建筑物组成。

图4给出了使用SVM和本文方法提取的结果,表1给出了影像一提取结果的定量评价。从提取结果中可以看出,两种方法均较好的提取出了遥感影像中的水体,本文方法得到的大面积水体更为完整,小面积的误提取更少。从定量的结果可以看出,本文方法在四个指标上均优于SVM的提取结果。其中,使用者精度提高了约3%,说明本文方法极大的减小了误检情况的发生。

图5(a)显示了本文实验中所用的第二幅影像(影像二),图5(b)为其相应的参考水体掩膜。影像二相幅大小为4548*4500,经度范围为120.1701度到120.6267度,纬度范围为39.1023度到30.4952度。从影像中可以看出,大面积的水体本身的光谱发生了较大的变化,左下方主要呈现蓝色,而右上方呈现绿色,说明右上方的水体在红波段的反射率较高。不仅如此,影像中存在小面积的暗水体。影像二的背景信息复杂,既包括亮建筑物,也包括暗建筑物,还存在较多的植被、裸地以及阴影信息。

图6给出了SVM和本文方法对影像二的提取结果,表2给出了定量的精度评价结果。与人工勾选的参考影像相比可以看出,SVM和本文方法均有效提取出了影像中的主要水体信息,且在小面积水体上均存在一定的误检问题,但整体上本文方法得到的结果更为完整,且误检的像素更少。从定量评价的角度可以看出,本文的生产者精度比SVM高约10%,使用者精度高约13.5%,整体精度高2.3%,因此,使用本文方法较好的提高了水体的提取精度。

从总体上了来说,本文方法的提取精度均高于SVM的提取精度,多种特征的结合以及像元长度指数的引入,有效的提高了本文方法在大面积水体提取结果上的完整度,且有效的去除了小面积的噪声。不仅如此,SVM为监督分类方法,使用该方法进行水体提取时,需要人工选择训练样本,并通过多次实验选取合适的参数。而本文方法为自动提取方法,计算速度快。

3结束语

针对目前遥感影像水体提取中使用的特征存在的多种问题,本文提出了一种基于光谱-空间特征的遥感影像水体提取算法。本文方法结合像元长度指数、光谱指数以及对象的面积特征,从光谱和空间特征的角度区分影像中的水体和非水体像素。通过两幅高分一号数据,定性和定量的比较了本文方法的有效性。从总体上来说,本文方法能够高效自动化的提取遥感影像上的水体。

参考文献

[1]Du Z,Linghu B,Ling F,et al.Estimating surface water area changes using time-series Landsat data in the Qingjiang River Basin,China[J].Journal of Applied Remote Sensing,2012,6(1):063609-063609.

[2]Sun F,Sun W,Chen J,et al.Comparison and improvement of methods for identifying waterbodies in remotely sensed im agery[J].International journal of remote sensing,2012,33(21):6854-6875.

[3]Gessner M O,Hinkelmann R,Nützmann G,et al.Urban water interfaces[J].Journal of Hydrology,2014,514:226-232.

[4]Yao F,Wang C,Dong D,et al.High-Resolution Mapping of Urban Surface Water Using ZY-3 Multi-Spectral Imagery[J].Remote Sensing,2015,7(9):12336-12355.

[5]Mc Feeters S K.The use of the Normalized Difference Water Index(NDWI)in the delineation of open water features[J].In ternational journal of remote sensing,1996,17(7):1425-1432.

[6]Xu H.Modification of normalised difference water index(NDWI)to enhance open water features in remotely sensed imagery[J].International Journal of Remote Sensing,2006,27(14):3025-3033.

[7]Feyisa G L,Meilby H,Fensholt R,et al.Automated Water Ex traction Index:A new technique for surface water mapping us ing Landsat imagery[J].Remote Sensing of Environment,2014,140:23-35.

[8]Wang H,Pan L,Zheng H.Multi-texture-model for water ex traction based on remote sensing image[C]//Image and Signal Processing,2008.CISP'08.Congress o n.IEEE,3:710-714.

[9]Zhao M,Zhang Y,Shang H,et al.Water Area Extraction from RGB Aerophotograph Based on Chromatic and Textural Analysis[C]//GEOProcessing 2011,The Third International Conference on Advanced Geographic Information Systems,Applications,and Services:46-52.

[10]柳稼航.基于视觉特征的高分辨率光学遥感影像目标识别与提取技术研究[D].上海交通大学,2011.

[11]Li B,Zhang H,Xu F.Water extraction in high resolution re mote sensing image based on hierarchical spectrum and shape features[C]//IOP Conference Series:Earth and Environmental Science.IOP Publishing,2014,17(1):012123.

同一方向碧玺的红外光谱谱学特征 篇7

1 样品测试条件

本次测试样品为大小不一的六块碧玺薄片,样品方向切片一致,均垂直于C轴。样品颜色比较相近,为褐色—褐绿色系列,且透明度很好。为了更细致地分析垂直于C轴碧玺的红外光谱谱学特征,本次实验采用了两种方法对样品进行了测试(直接透射法和镜面反射法),所用测试仪器为傅立叶变换红外光谱仪(Nicolet 550型),测试中设定的分辨率为16,扫描次数为32,透射法扫描范围为6000~2000 cm-1,反射法扫描范围为2000~400cm-1。

2 采用直接透射法对碧玺样品进行红外测试

透射法表现出2000cm-1以下波数范围全吸收,仅能测出部分中红外区(6000~2000 cm-1 )和近红外区内的由O—H,N—H,C—H 等官能团引起的基频、合频及倍频振动,测不到碧玺指纹区的重要信息。在测试过程中,分成两个波数段对样品进行测试,即6000~2000 cm-1段和2000~400 cm-1段。由于透射法测得的2000~400 cm-1的指纹区信息不可取,故最后采用6000~2000 cm-1的红外图谱进行分析。其测试结果如图1和图2所示:

由图1、图2的官能团区的红外光谱可见,垂直于C轴的六个碧玺样品的红外吸收峰的位置和强度基本相似,这与它们的颜色近似有关,同时也说明同一方向碧玺的官能团区特征基本相同。以样品bx-5的红外光谱为例,详细分析垂直于C轴方向的3000~6000 cm-1的红外吸收峰,其具有如下特征:

(1) 3000~3800 cm-1区的3020 cm-1、3333 cm-1、3493 cm-1、3597 cm-1、3686 cm-1为(OH)-的振动吸收峰,这个谱带强度很大,与Cristiane等[1]对Li-Fe 电气石系列中(OH)-的归属保持一致;

(2) 4200~4600 cm-1区的4167 cm-1、4206 cm-1、4345 cm-1、4441 cm-1、4541 cm-1、4594 cm-1吸收峰为硅氧四面体中Si-O伸缩振动峰与(OH)-的振动吸收峰的组合频,碧玺中(OH)-有两种形式[2],一种是纯羟基,另一种形式为水的羟基,图1、图2红外图谱中所有样品均在5175 cm-1处有吸收,此谱峰为水的弯曲振动和伸缩振动的组合频,说明电气石体内含有水分子。

4 采用镜面反射法对碧玺样品进行红外测试

鉴于上面透射法红外测试透射不能表征宝石矿物晶体(或分子) 的结构,获得的结构信息十分有限,即不能测试2000cm-1以下的指纹区信息,这里采用镜面反射法来补充碧玺指纹区的红外信息。在透射法测试结果的基础上,针对指纹区信息,镜面反射测试时仅就2000~400cm-1对样品进行了测试,其测试结果如图3和图4所示:

由图3和图4碧玺的指纹区信息可见,六个垂直于C轴样品的指纹区的红外吸收峰的位置和强度也基本相似,这与它们具有相似的颜色一致,且与它们具有同一方向一致。仍选取样品bx-5的红外光谱为例,详细分析垂直于C轴方向的2000~400 cm-1的红外吸收峰,其具有如下特征:

(1) 700~850 cm-1区的720cm-1、796 cm-1、844 cm-1为Si-O-Si的振动吸收峰,与张良钜[3]测得Si-O-Si的振动区(700~790cm-1)基本一致,其中720cm-1吸收峰较强,796 cm-1较弱;

(2)980~1100cm-1区的988 cm-1、1028 cm-1、1057 cm-1、1110 cm-1为O-Si-O的振动吸收峰,其中1057 cm-1吸收峰很弱,其他均较强,表明碧玺垂直于C轴方向Si-O振动很强。

(3) 1299 cm-1、1346 cm-1为(BO3)3- 振动吸收峰,另外还有511 cm-1、520 cm-1、589 cm-1吸收峰也是由(BO3)3-振动引起的,吸收峰均较强。

4 结论

综上所述,垂直于C轴的碧玺的红外光谱特征主要体现在(OH)- 的振动、硅氧四面体中Si-O伸缩振动、水的弯曲振动和伸缩振动及(BO3)3- 振动。同一方向的碧玺具有几乎相同的红外光谱谱学特征,它们振动峰的位置和强度也相似,这可能与它们相近的颜色有一定关系。此外,根据红外光谱振动强度可以看出碧玺垂直于C轴方向Si-O很强,这与其岛状结构有关。然而,以上分析只是对碧玺红外光谱单方面的归纳总结,有待进一步与平行于C轴的碧玺的红外光谱进行进一步的比较研究。

参考文献

[1]Cristiane Castaneda,Sigrid G Eeckhout,Geraldo Magela daCosta.Effect of heat treatment on tourmaline f rom Brazil[J].Phys Chem Minerals,2006,33(3):207-216.

[2]彭明生,王后裕.电气石中水的振动谱学研究及其意义[J].矿物学报,1995,15(4):372-377.

光谱特征 篇8

进行遥感影像彩色合成时, 方案的选择十分重要。以陆地卫星Landsat的TM图像为例, 当4, 3, 2波段分别赋予红, 绿, 蓝颜色进行彩色合成时, 这一合成方案就是标准假彩色合成, 是一种常用的合成方案。实际应用时, 常常根据不同的应用目的, 在实验中进行分析、调试, 寻找最佳合成方案, 以达到最好的目视效果。

波段的选择必须遵循三个原则:一是三个波段的信息量要最大化;二是三个波段的相关性最小化;三是目标地物与其他地物要有很好的可分性。工作中, 选取的方法有:方差、标准差、相关系数法、最佳指数 (OIF) 法、熵与联合熵、平均梯度法、典型地物波谱特征分析。本文基于TM图像的光谱特征浅谈了上述的六种选取方法方法。

1 TM图像的光谱特征及图像预处理

1.1 TM图像的光谱特征

由表1可知, TM1、2、3波段处于可见光区域, TM4为近红外波段, TM5、7为中红外波段, 而TM6为热红外波段。

1.2 图像的预处理

图像预处理包括几何校正、大气校正和去除坏线条带。几何纠正需要从三个方面来实现:一是选取地面控制点;二是进行像元坐标变换;三是是像元亮度值的重采样。大气校正主要采用波段对比法和直方图对比法来实现。坏线条带成像时, 由于检测系统某一扫描线上故障造成扫描线脱落, 在图像上只显示一条黑线, 有时也会出现分段黑线, 这些均称条带噪声。去除条带的方法是用条带上行和下行的均值来代替。

2 最佳波段选取的方法

2.1 方差、标准差

方差、标准差, 均反映亮度值作为随机变量取值的离散程度, 即变量与均值的偏差程度。方差是所有像元亮度值和均值之差的平均平方值。其公式如 (1) 表示:

式中, n为像元的总个数, Xi为各像元的灰度值。

方差的平方根值就是标准差, 其公式如 (2) 表示:

标准差越小, 图像中像元亮度值就越集中于某个中心值;反之, 其标准差越大, 亮度值就越分散。标准差是普遍应用于数字图像处理的一个统计值, 如现行对比度增强、相似分类法以及精度评估等。所以方差和标准差越大, 说明像元亮度值分布离散, 信息量越大。

2.2 相关系数法

相关系数反映了不同变量间的相关程度, 其值由两个变量间的协方差以及各自的标准差决定着, 公式如 (3) 表示:

式中, rij为两个波段的相关系数, σ2ij为两个波段的协方差的平方, σii和σjj为两波段各自的标准差。

相关系数一般介于-1到1之间, 如果两波段的相关系数大于0, 则说明两个波段间, 一个波段的亮度值增加会引起另一个波段上亮度的增加, 相关系数接近1, 这种依赖性越明显。所以相关系数值越小, 信息的冗余度就越小。

2.3 最佳指数法 (OIF)

OIF指数是Chavezetal最早提出来的, 它是用来计算任意三个波段组合后所反映的信息量。OIF与某一个波段内的标准差的大小成正比关系, 与波段间的相关系数成反比关系。具体来说就是通过比较选择的三个波段标准差之和及这三个波段间相关系数之和的大小来判断最佳组合。最佳组合要满足的客观条件就是波段间相关系数之和最小以及波段标准差之和最大。计算公式如 (4) 表示:

式中, Si为第i波段的标准差, rij为i、j波段的相关系数, j=1, 2, 3, 且i≠j, 这是在数据统计分析的基础上选择相关系数小、标准差大的数据。所以OIF值越大, 3个波段的选择就越合适。

2.4 熵与联合熵

由于一个波段辐射量方差的大小体现了信息量的大小, 因此, 在选择波段时, 我们要尽可能选择方差大的波段。波段间辐射的相关性大的时候, 那么这些波段包含的信息就会重复, 因此在选择最佳波段组合时, 必须要同时满足方差大相关性小这两个条件。保证组合后的图像的熵最大。

式中:x为输入的图像变量;Pi为图像灰度值的概率。由此可知, 3个波段的联合熵为:

式中:Pi1, i2, i3表示3个图像灰度值得联合概率。依据这个公式, 可以对所有可能的波段组合进行联合熵计算, 并按照从大到小的顺序列成表格, 最佳波段的组合就一目了然。

2.5 平均梯度

平均梯度指图像的边界或影线两侧附近灰度有明显差异, 即灰度变化率大, 这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率, 表征图像的相对清晰程度。其公式如 (7) 表示:

式中:D (i, j) 为图像的第i行j列的灰度值;M, N分别是图像的总行数和总列数。所以说, 平均梯度的值越大, 遥感图像越清晰。

2.6 典型地物波谱特征分析

地物的反射、吸收、发射电磁波的强度是随波长而变化的。因此, 人们往往以波谱曲线的形式表示地物波谱特征, 简称地物波谱或地物光谱。

图1表示四种典型地物的光谱反射率曲线, 其形态差异很大。四种地物在可见光谱段内反射率差异十分明显, 分别呈现蓝白、浅黄、绿、暗灰色。严格来说, 每条曲线不应是一条, 而是呈带状的。这是因为在一个特定的类型中, 光谱反射率也是有变化的。图中的曲线是通过测量大量样品综合而成的, 它仅代表平均反射率曲线。因此, 将不同的地物波谱曲线融合到一张曲线图内, 就能挑选出那些波段的组合能够更轻易地区分图像。

3 结论

为了能够轻易地进行图像解译、分析、信息提取, 最佳波段组合应运而生。其主要原理就是围绕波段组合的三大原则:一是信息量;二是相关性;三是可分性。在实际操作中, 不可能同时运用以上六种方法来选择最佳波段组合, 而是选用其中的两种或者三种, 然后进行人机交互解译分析。即省时间, 又能提高效率。

摘要：在波段选择上, 最大限度地区分和监测不同类型的地球资源是必要的。基于TM的7个波段, 最佳波段的选取使图像的解译、分析、信息提取达到最佳效果。本文遵循最佳波段的选取原则:一是波段包含的信息量最大化;二是各波段之间的“重复度”、“冗余度”最小化;三是对图像的可分性最强化。浅谈了包括方差、标准差;相关系数法;最佳指数 (OIF) 法等在内的六种方法对波段组合提供的科学依据。

关键词：波段选取,选取原则,选取方法

参考文献

[1]年波, 等.植被遥感信息提取的最佳波段选择——以云岭中部山区为例[J].云南地理环境研究, 2004, 16 (2) :18-21.

[2]戴昌达, 等.遥感图像应用处理与分析[M].北京:清华大学出版社, 2004.

[3]官凤英, 等.基于ETM+影像竹林信息提取的最佳波段组合研究[J].竹子研究汇刊, 2009, 28 (3) :10-13.

[4]李石华, 等.多光谱遥感数据最佳波段选择方法实验研究[J].云南地理环境研究, 2005, 17 (6) :29-33

[5]施拥军.森林遥感分类技术研究-以浙西北山区为例[D].北京:中国博士硕士优秀论文数据库, 2003.

[6]陆灯盛, 等.TM图像的光谱信息分析及特征信息提取[J].环境遥感, 1991, 4 (4) :267-274.

光谱特征 篇9

速生桉作为广西的主要经济林之一,不仅具有生长最快、用途最广泛的特点,还具有很强的环境适应性能力和抗病虫害能力等许多优良的生物学特性,并且具有很好的经济效益、社会效益和生态效益。然而速生桉的快速生长同时伴随着地方生态环境的恶化,其生长过程中需要大量的水资源,大面积种植会导致当地地下水位下降、土壤保水能力降低,长此以往会导致土地板结甚至土壤沙化。速生桉对于土壤中的肥料需求量巨大,凡是种植过桉树的地区,土地肥力都会有不同程度的下降乃至枯竭。它的种植、砍伐与促长之间周期交替过于频繁,当规模达到一定数量级则会对当地土壤肥力,地下水资源等生态环境产生负面影响。通过抽样调查和逐级汇总方式的传统的林业调查和跟踪,不仅耗时费力,而且会受到各种主客观因素的影响使得获取信息的可信度较低,很大程度上影响了对桉树林发展的准确、及时监测。

而国外对桉树的研究多侧重于桉树生物物理反演的比较多,而国内的多集中在桉树的育种、经济价值和对生态环境的影响比较多。基于桉树林种植的遥感信息快速调查、监测、跟踪的研究却很少。在遥感对象的遥感信息提取方面,国外针对面向对象的应用和研究的成果很多,却在面对对象的桉树林遥感信息提取中出现的文献很少;国内应用面向对象的图像分析方法在土地利用、道路、农作物信息、森林信息等遥感信息的提取研究很多,但由于桉树在空间上分布显得较分散,并且林场中往往是树种混杂、以及树龄、生长密度等会影像到遥感信息的监测,以面向对象的图像分析方法,应用在桉树林遥感信息的快速调查、监测、跟踪的具体且详细研究的则相对很少。

因此,在一定空间、时间内,采用面向对象的遥感影像分析方法,及时、准确掌握桉树种植生产情况,了解、跟踪、调查桉树种植的数量、质量及其消长动态信息的技术应用研究,具有很大的科研价值。

2面向对象分类方案

建立对象知识库。对象知识库是多种特征的集合,选取地物多种特征,建立分类规则,能够得到很好的分类结果。对象知识库支持包括分割算法、分类算法、统计算法、优化算法、导出算法等百余种常用算法。eCognition要一款源自德国的遥感影像分析软件,它突破了传统影像分类方法的局限性,提出了革命性的分类技术-面向对象分类。它强大的对象知识库对对象分类不再是传统意义上的对象像素,充分利用了对象信息(色调,形状,纹理,层次),类间信息(与邻近对象,子对象,父对象的相关特征)。因此算法建立对象知识库可借鉴eCognition平台,如图1所示。

根据对象特征知识库平台,分别建立桉树与其它树种之间特征阈值范围的差别,找出阈值的上下限,如图2所示。

3面向对象的桉树林信息提取

本文以南宁市高峰林场作为研究区,地理位置为:22°48′48″~23°3′34″N,108°7′55″~108°32′53″E。林场所在区域属大明山余脉,属低山丘陵地貌,地势东北高、西南低,呈东北-西南走向,海拔高度70~500m,坡度20°~35°,地形比较封闭。高峰林场经营土地面积89万亩,其中场内面积48万亩,域跨武鸣、宾阳、上林三县以及南宁市兴宁、青秀、西乡塘三城区;场外造林面积41万亩,分布在全区37个市(县、区),森林蓄积量265万立方米,森林覆盖率83.7%。林场目前有人造板,速丰林,经济林和第三产业这几大支柱产业,并由传统的林业向现代林业迈进。

在本次研究中,考虑到研究内容、研究对象和工作量等因素,高峰林场取条带分布区域,不包括外包林场,如图3所示:

在遥感影像上提取桉树林的信息,采用类似于决策树的构思方法,先简单后复杂,剔除无关信息筛选有用的地物类别,然后再实现目标地物信息的提取。桉树林信息提取主要根据次分类方案进行:

(1)水域是较简单的地类,先从影像中剔除水域对象,得到非水域图层L1;

(2)在非水域对象层L1中分出植被对象层L2与非植被对象层L3;

(3)在植被层L3中提取林地地类对象层L4;

(4)在林地对象层L4中提取出桉树林对象层L5;

(5)再在桉树对象层L5中分出桉树幼林、中林和成林。

3.1非水域信息提取

近红外比率(Ratio_Nir)通常用于区别和提取水体和阴影,结合影像蓝波段、近红外比率、归一化水体植被指数(NDWI)和归一化植被指数(NDVI)[1],提取水域对象信息。其指数计算的表达公式为:

(1)近红外比率:

Ratio_Nir=Nir/(Blue+Green+red+Rededge+Nir)

(2)归一化水体植被指数:

NDWI=(Green-Nir)/(Green+Nir)

(3)归一化植被指数:

NDVI=(Nir-Red)/(Nir+Red)

设置Ration_nir阈值为<0.926能较好突出水体在影像上的信息表现,NDWI阈值为<0.13能较好的区分水体和植被,Ratio_Nir阈值为<0.429能较好的进一步区分水域与非水域地类。研究区水域信息分布情况,如图4所示。

3.2林地信息提取

本文主要使用的桉树Rapi Eye影像,其光谱波段在440nm-850 nm蓝、绿、红、红外、近红外有五个波段。地面采样间隔为6.5m,正射影像的像素大小为5m,幅宽77km重访周期为每天,影像获取能力为400万平方公里/天。桉树影像的特点比较真实的反映了研究区的概况。

由于桉树种植土壤中的肥料需求量巨大,凡是种植过桉树的地区,土地肥力都会有不同程度的下降乃至枯竭是对象层中剔除水域对象后,还需从影像对象层中提取出林地信息,然后再从林地信息提取桉树林的对象,再进行树龄识别。

研究区地形比较复杂,可适当引入数字高程模型数据(DEM)作为专题辅助数据,结合DEM数据,筛选一些位于高程较低的农作物。在区分植被与非植被信息时,可应用NDVI植被指数,如农作物、林地的NDVI值大于0,非植被的NDVI值小于0(如居民点及建筑用地)。在提取出植被对象的基础上,再进一步分析农作物、林地特征,提取林地信息。经提取水体后,把影像对象划分为林地、居民点及建筑物、耕地和其它地类四种,经分析发现其在影像上各波段的部分特征如表1所示:

根据Rapid Eye影像中地物的特征值表,可发现不同目标地物,其光谱特征统计值有较大的差异,可作出特征统计图进行比较分析,如图5。

综上知,在红波段(B3),林地等四类地物的亮度值差异较大,根据不同的特征值范围可将其区别。但各波段之间存在“同物异谱,同谱异物”,单靠一个红波段很难把互相混淆的地物对象给予划分,还需要结合其他特征信息,将其对象进行提取。

结合e Cognition平台特征库,自定义林地信息提取需要的指数特征,编辑相关算法法则等。自定义的指数如:

(1)归一化植被指数NDVI;

(2)土壤调整植被指数SAVI;

(3)差值植被指数DVI;

(4)土壤植被指数SOIL。

根据林地、耕地、居民点集建筑用地对象的特征,建立对应的知识规则集,把林地对象进行提取,如表2。

综上,规则集创建以自上至下、从简到繁的方法,从影像对象层中提取耕地、居民点及建筑用地信息,然后再剔除耕地、居民点及建筑用地对象的基础上,提取出林地信息,剩余的对象由于地形比较复杂难以划分,将未分类的对象合并为其它地类。

由于研究区域地形复杂,不能高精度实现地物信息的分类,必然存在错分和漏分现象,同时,地物对象间总存在“同物异谱、同谱异物”现象[2],需对提取出来的耕地地类、居民点及建筑地类和其它地类中逐一检查,并结合Google地球判断错分、漏分的地物,以人工编辑将其合并入林地地类,提高分类精度,避免误差的传递。最终得到林地信息的提取结果,如图6所示。

桉树是林地对象层中的其中一类树种,除此之外还有杉木、马尾松、相思树、竹林等树种。山沟有少量灌木,且地形破碎,森林分布极为破碎,表现为斑块小、不同树种呈无规律交叉分布。在林区提取出桉树林信息相对难度较大,因此需要结合其他目标地物作为辅助地类,以桉树林信息提取为重点,旨在使桉树林信息的提取精度更高。因此,把研究区内的林地,继续划分为桉树林、杉木林、松树林、竹林、灌木林等各种树种信息。

3.3各林种的影像光谱特征

植被是地球自然系统最典型的地物类型之一,在遥感影像中具有独特的特征,不同的植被其特征信息存在明显的差异。从Rapid Eye影像上分析,森林的反射性特性相差很大,造成相同树种各对象间的图像特征变动很大。林地中各种树种类型的均值(Mean)、标准差(Standard)有着较大的差异,其统计值如表3。

综上知,桉树在各波段中的统计特征与其它树种之间存在着较大的差异,通过这些差异可将桉树对象信息给予准确的提取。同时,桉树的光谱特征也存在其它树种特征互相混淆的情况,如图7中光谱曲线所示。

据上图可知,林地中的各树种光谱特征值比较难区分,如果单靠光谱特征阈值,要提取各树种信息很难,还需要结合纹理特征,进一步分析。

3.4各树种影像纹理特征

纹理特征通常被认为是纹理基元按照某种确定性的或者统计性的规则,进行重复排列而形成的一种物理现象,纹理特征的基本特征是平移不变性的,其视觉感知基本上与其在图像中的位置无关[3]。为了分析研究区内桉树林与其它树种的纹理特征,以5m分辨率的Rapid Eye遥感影像为数据源,计算研究区不同植被类型的植被纹理参数。经对比分析发现,桉树与其它植被相比,具有强烈的空间异质性。

纹理特征通常是用图层中的8个纹理量共同表达的,如果纹理量过多,会增加相当多的纹理量,不仅使得计算结果复杂化,大大增加了工作量,而且也会使得各纬图像信息之间,信息的重复率较高,不利于地物信息提取。

本文采用降维的方法,对研究区Rapid Eye数据进行主成分分析,找出纹理特征值贡献率最大的图层,从而便于下文对纹理特征的分析,结果如表4。

上表表明,RapidEye影像中各个波段的主成分分析结果,第一主成分(PC1)的百分比信息占全部信息量的比例为99.34%,基本保存了原影像的全部信息。因此,可针对第一主成分PC1波段层进行纹理特征分析。

在对纹理特征分析时,计算灰度共生矩的特征值,要求图像的灰度级远要小于256,主要因为图像灰度值一般为256,如果矩阵维数太大而窗口的尺寸较小,则灰度共生矩阵就不能够很好的表示;如果能够很好表示纹理则要求窗口尺度较大,这样会使计算量大大增加,而且当窗口尺寸较大时,对于每类边界区域误识率较大[4]。而且在不同方向,纹理表现的信息量也不同,纹理有方向上通常通过0°,45°,90°,135°,Rapid Eye数据已经过正射校正,因此采用GLCM(all dir)视角进行分析。

本文应用8个基于二阶矩阵的纹理滤波,其包括均值、方差、同质性、反差、异质性、信息熵、角二阶矩和相关性等。分别以PC1图像按照33、55、77、99的窗口,步长为(1,1),(2,2),(3,3),将图像灰度值压缩为64级,进行纹理分析。当步长为(1,1)是,各窗口纹理特征值向量,如图8。

综上知,当选择不同的窗口或步长时,产生的纹理特征也不相同;当窗口或步长选择不合理,在一定程度上会引发纹理偏差,会影响纹理的视觉效果以及质量,进而影响到影像的分类效果。研究发现,本文选用窗口(3,3),步长(1,1)时,提取出来的纹理特征比较清晰,质量和视觉效果都较好。

对研究区的林地对象层继续细分,提取桉树、杉木、松树、灌木、竹林和其它地类信息,并统计这6类纹理特征值,如表5。

从表5可知,各树种之间提取出来的纹理特征,存在着较大的差异性,可根据此特征差异阈值,建立相应的规则集,对林地各树种进行分类。

3.5创建语义知识规则集与分类

对研究区林地对象做光谱和纹理分析,发现桉树(桉树为主要提取的目标对象)、杉树、松树、灌木、竹林之间的光谱特征和纹理特征有较大的差异,可结合这些不同的特征阈值,创建语义知识规则集,实现树种的分类。经多次试验,构建的知识规则集,如表6。

3.6林种分类后人工编辑处理

由于影像对象特征间有一部分因子存在多重相关性,并互相影响,甚至出现“同物异谱”和“异物同谱”的现象[5],在规则集的自动分类会存在错分、漏分等问题,所以在分类结束后,需要对分类结果进行优化处理。优化分类结果可以通过人工编辑工具修改,选择需要归并的地类,然后点击错误的地类进行地类错误修正。而对于某些地类边缘不准确的对象,可以利用软件提供的切割、合并工具进行相应操作。

3.7各树类图斑合并

正确归类后,同种相邻的类别被切割成多个对象,但实际的结果需要得到一个整体的类别结果,因此,要对分割的类别进行合并。在规则集自定义中,可通过在Processtree里利用Merge算法实现对每个类别进行合并[5]。

3.8归并小图斑和输出

在林业树种分类系统中,对于小面积的地类并不能体现其分类的意义,通常情况下,为了减小数据存储的难度和冗余度,会把小面积的图版归类到相邻的地类中。本文将把小于200平方米的地类,归类到相邻的地类中,得到图9所示。基于面向对象技术的桉树林遥感信息提取研究,桉树作为主要提取的数据对象,而其他树种仅作为参考和辅助作用,桉树的提取精度较其他树种的精度较高。因此,将桉树林的对象信息进行整合归并,得到桉树林的整体分布图,如图9所示。

4结果分析与精度评价

4.1面向对象与最大似然分类结果对比分析

本文针对研究区的桉树林等树种的种植信息进行提取,采用基于面向对象技术和基于传统像素分类的最大似然分类的两种不同分类方法,得到精度不同的两个分类结果,如图10所示。

综上图比较分析可知,研究区各树种分类总体情况,面向对象技术的图像分类结果比基于像素的最大似然分类结果更加理想。面向对象技术的图像分类能更好的保持地物对象的完整性和统一性,且能够很好的描述各树种的边界特征,更接近于实地地物的边界相吻合;而基于像素的最大似然方法的图像分类,在各树种之间存在着较多的噪音,在研究区域内都有分布,造成一定程度的图斑信息缺失甚至影响到分类的精度。

提取研究区各数种种植信息的目的是要调查其分布范围以及种植面积,对各树种的分类结果进行面积统计,得到两个面积的统计值,如表7。

从表7可知,基于面向对象技术的分类结果和基于像元的最大似然分类结果在面积统计上有很大的差异。最大似然分类方法的图斑数目整体上要比面向对象技术的数目多。在面积总和上,各树种之间的统计都不尽相同,存在很大的差异,因此,最终确定采用那种分类方法提取的结果更理想,更接近实地面积,这需要进一步的精度验证。

4.2野外实地调查数据验证

图像精度指的是经面向对象技术提取的结果分类图,与一幅假设标准的参考图像之间的吻合度,两幅图的地类以及位置吻合度越高,其结果分类图的精度就越高。

结合已经建立起来的解译标志数据,以及通过野外实地GPS采集的坐标点,对遥感影像提取出来的桉树、杉木、松树等树种信息进行精度验证。在研究区内选择具有代表性的458个作为检验精度的样本点,对桉树林等树种信息的解译精度进行分析。

4.3精度评价结果与分析

研究区内地形复杂,树种多样,如桉树,杉木、松树等,要实现整体所有树种实行精度评价,难以实现。本文针对按树等分类提取的树种作为精度评价的主要对象,将没有分类的树种或地类类别统归于其它地类,然后做一个掩膜文件将其不参与精度[6]。此次,参与精度评价的树种主要有桉树、杉木、松树、灌木和竹林,精度评价主要采用混淆矩阵的评价方法。

在 Cognition平台将458个树种样本对分类结果进行精度评价,在对其它林地掩膜不参与评价的基础上,利用Assuracy Assessment Tool工具,得到表9的评价结果。

由上表知,基于面向对象技术的分类结果比基于像元的最大似然方法的分类结果精度要高。基于面向对象分类的总体精度达到82.12%,Kappa系数达到0.8,且桉树林的单类精度达到88.69%;而基于像素的最大似然分类的总体精度为68.83%,Kappa系数为0.67,桉树林的单类精度为75.84%。

5结论

本文研究表明,以速生桉为例,用文中在方法可提高面向对象的信息提取精度,究其原因主要有三个方面:一是充分应用高分辨影像丰富的光谱、纹理、属性等空间特征,有效挖掘高分辨数据海量信息并应用在实际分析上;二是采用面向对象而非像素的分析方法,适当控制过度关注局部信息而忽略重要信息特征的误区,并采用类与层相互继承的方法,分类层次更明确,目的和针对性更强;三是将图像分割、特征提取与分析、规则集建立等技术手段应用在信息提取上,可有效提高对遥感图像的理解、地物识别以及地物空间信息,提高了信息提取的精度。而基于像素的最大似然分类方法,属于监督分类中常用的方法之一,由于图像空间分辨率高,同类地物内部光谱差异逐渐增大,基于像素的分析方法则会过度关注地物细节而忽略高分辨数据的丰富的光谱、纹理等空间信息,这种局限性必然使得其分类精度偏低。

摘要：桉树生长速度快、用途广,具有良好的经济效益、社会效益和生态效益。但桉树的种植、砍伐与促长之间周期交替过于频繁,传统的林业调查不仅会受各种主客观因素的影响,而且获取信息的可信度较低。文章以Rapi Eye影像为数据源,结合GPS调查手段,运用e Cognition平台,以光谱和纹理相结合的面向对象的分析方法,并创建知识规则集,对桉树林信息进行提取。实验表明,传统基于像素的监督分类方法总体精度为68.83%,Kappa系数为0.67。而基于以光谱纹理、创建知识规则集相结合的面向对象分析方法,桉树信息提取的总体精度达到82.12%,Kappa系数为0.80,该提取方法可获得更好的分类质量、效率与精度。

关键词：光谱特征,纹理特征,桉树林,遥感信息,提取方法

参考文献

[1]曹宝,秦其明.面向对象方法在SPOTS遥感图像分类中的应用—以北京市海定区为例[J].地理与地理信息科学,2006,32(2):44-49.

[2]邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社,2010.

[3]熊轶群,吴健平.面向对象的城市绿地信息提取方法研究[J].华东师范大学学报自然科学版,2006(4):84-90.

[4]叶传奇,苗启广,王宝树.基于区域分割和Counterlet变换的图像融合算法[J].光学学报,2008,28(3):447-453.

[5]杨海涛,常义林,霍俊彦,等.应用于多视点视频编码的基于深度特征的图像区域分割与区域视差估计[J].光学学报,2008,28(6):1073-1078.

光谱特征 篇10

土壤有机质高光谱响应特性研究为土壤肥力的快速测定提供了新的途径。国内外众多学者进行了相关的研究工作, 针对不同的研究区选取的敏感波段和建立的反演模型不尽相同, 在认识上还存在着一定的分歧。Galvundefined等 (1998) 通过室内研究证实了土壤反射光谱在550～700nm处的吸收峰主要是由土壤中的有机质引起的[1]。Chang等 (2002) 认为有机质近红外光谱区的光谱特性与有机质成分功能团对应解释的难度很大, 一般体现为降低整个谱线的反射系数[2]。彭玉魁等 (1998) 对我国黄土区土壤有机质含量进行了评价分析, 认为土壤样品NIRS光谱特征的差异随有机质含量变化不大[3]。沙晋明等 (2003) 利用VF991地物光谱测量仪对不同成土环境土壤剖面上的各个土层进行反射光谱测量, 研究发现在紫外区、可见光区和近红外区均存在着土壤有机质光谱响应[4]。谢伯承等 (2004) 通过ASD FR便携式光谱仪对褐潮土土壤剖面的不同诊断层反射光谱进行了实验室测定, 并利用导数光谱法和包络线法建立了预测土壤有机质含量的方程, 提出了预测北京地区褐潮土有机质光谱的最佳波段[5,6]。

光谱测试环境在很大程度上影响反演模型的可靠性和普遍性。在自然条件下, 土壤有机质含量、质地、含水量及母质等因素对土壤光谱的影响很难截然分开, 在实验室测试所建模型很难外推到自然条件下使用。通过对土壤样品进行特殊处理, 以及对原始光谱数据进行适当变换, 可以实现自然条件下单独测定某一因素对光谱特征的影响。为了降低非有机质含量变化而引起的光谱响应特征的影响, 本文将土壤样品进行处理后, 结合室外实测光谱和土壤有机质含量进行分析, 建立土壤有机质含量高光谱反演模型, 并试图在模型精度及稳定性上有所突破。

1 材料与方法

1.1 土样制备

本文研究区为江苏省昆山市, 其土壤类型主要为潴育型水稻土。土壤样品采集按梅花采样法采集5点的混合样品, 采样深度为0～20cm。样品在实验室经自然风干, 木棒压磨后粗略去除沙砾及植物残体, 然后过100目尼龙筛混合均匀。每个样品分成两份, 一份用来进行化学分析, 土壤有机质含量采用重铬酸钾法测定[7];另一份土壤样品则放置在载波片上, 用蒸馏水稀释成泥状并压平, 在常温下自然风干, 用来进行光谱测量。

1.2 光谱测量

采用ASD FieldSpec Pro地物光谱仪测量土壤样品的反射光谱数据, 其波长范围为350～2 500nm, 采样间隔为1.4nm (250～1 000nm区间) 和2nm (1 000～2 500nm区间) , 重采样间隔为1nm, 输出波段数为2 150。选择晴朗无云、无风的天气, 在室外自然光照条件下, 采用5°视场角探头, 距土壤样品15cm处垂直角度进行光谱采集, 测量时间范围一般为上午11:00-12:00。每一样品采集10条光谱, 得到土壤反射亮度平均值;然后采用漫反射标准参考板准同步测量太阳辐射光谱, 通过比值法获得土壤样品光谱反射比。

1.3 数据预处理

对测量获取的土壤反射率数据进行筛选, 去除异常 (土样风干后出现裂纹) 数据, 选定27条光谱数据。其中, 随机抽取19条数据用于模型的回归分析, 其余8条用于模型验证。所选27个土样有机质含量的统计特征描述如表1所示。

2 结果与分析

2.1 光谱特征分析

土壤反射光谱特性是土壤有机质含量、土壤类型、土壤质地和土壤湿度等光谱特征的综合响应[8]。实验室光谱测定中, 土壤样品经研磨预处理后改变了表面的粗糙度, 其反射光强度比未研磨土样有所增强, 但吸收特性的位置并没有发生改变[9]。据此, 本次所选样品土壤类型均为潴育型水稻土, 土样经过研磨、风干处理后, 基本消除了土壤类型、土壤质地以及土壤湿度对土壤光谱的影响, 土壤样品的反射光谱变化特性主要反映了有机质含量的变化特征。所选土壤样本反射光谱曲线, 如图1所示。

在1 400, 1 900, 2 400nm等波段附近有强烈的水分吸收谷, 通常认为与粘土矿物中所含的OH-有关[10]。由于是室外采集, 该范围光谱受大气中水汽吸收的干扰作用较大, 数据质量较差, 无法直接用于土壤有机质含量估测, 本次研究对这些水汽吸收带进行了剔除处理。根据戴昌达等对我国主要土壤反射光谱特征曲线的划分, 研究区土壤的光谱曲线属缓斜型[11]。光谱曲线整体呈上凸的抛物线形, 反射率随波长增加, 在可见光波段增加较快, 而在近红外波段曲线变得平缓。由于690～930nm波段是铁的氧化矿物对光谱的主要吸收区[12], 因此该波段是有机质和氧化铁对土壤反射光谱影响的复合区, 波形存在着差异;在2 100～2 380nm所表现出的峰谷吸收结构主要是由残余在土壤中的少量水分以及空气中的水汽吸收所引起的。

2.2 模型建立与验证

由于光谱仪各波段间对能量响应上的差异, 获取的原始光谱曲线存在一些噪声。本研究采用九点加权移动平均的方法对原始光谱曲线进行平滑去噪处理:波段i处的反射率用包括i在内的相邻9个波段的加权平均值替代, 计算公式如下

对平滑曲线R′i应用ENVI4.2中Spectral模块的Continuum Removed算法直接生成连续统去除归一化曲线Rcon。为了便于运算吸收特征参数, 用1分别去减归一化曲线Rcon上各波段对应值, 得到土壤光谱吸收特征曲线Rabs, 如图2所示。

光谱吸收特征参数包括吸收波段波长位置、深度、宽度、斜率、对称度、面积和光谱绝对反射值等。其中, 面积A为宽度和深度的综合参数, 定义为

undefined

其中, A为吸收带面积, d为吸收深度, Δλ为波长增量, a和b分别为吸收带起止波段值。

分析土壤光谱吸收特征曲线, 在380, 490, 700, 830, 900, 1 470, 2 060, 2 200nm附近都有强烈的特征吸收峰, 且不同有机质含量的样品光谱吸收深度明显不同, 各吸收带所包含的面积也不同。笔者在文献[13]中运用统计单相关分析方法确定了511nm波长为诊断土壤有机质含量的敏感波段。因此, 本文选择包含511nm在内的450～580nm波段范围内的特征吸收面积来评价与有机质含量的关系, 回归模型分析结果见表2所示。

**通过置信水平0.001的系数检验。

综合考虑R2, F以及系数信度3个检验值, 450～580nm波段范围内的特征吸收面积与土壤有机质含量之间的对数拟合模型较好, 该模型可以解释有机质含量变异性的67.40%。利用建模样品数据对该模型进行误差分析, 绝对误差最大值为5.618g/kg, 最小值为0.008g/kg, 平均相对误差为7.33%, 即模型拟合总体精度达92.67%。进一步利用剩余8个检验样品数据对该对数模型进行预测评价 (如图3所示) , 平均相对误差为6.81%, 验证精度达到93.19%。

由此可见, 用连续统去除法提取特征吸收面积来定量评价土壤有机质含量具有普遍意义。

3 讨论与结论

土壤反射光谱深受土壤自身理化性质差异以及光谱测试环境变动的影响, 对土壤样本进行研磨、风干等处理, 可部分消除非有机质特性对土壤光谱的影响。此外, 由于高光谱波段很窄 (<10nm) , 单波段能量较低, 而前人研究多以单波段反射率建立土壤有机质含量反演模型, 其受到环境差异的影响较大。本文用连续统去除法提取特征吸收面积建立土壤有机质含量的预测模型, 增强了反射率能量, 提高了模型的稳定性。