為了給用戶提供更為直觀可靠的數(shù)據(jù)挖掘結(jié)果,提高數(shù)據(jù)處理精度及效率,設(shè)計(jì)了基于激光內(nèi)調(diào)制技術(shù)的高光譜數(shù)據(jù)可視化挖掘系統(tǒng)。首先使用激光內(nèi)調(diào)制技術(shù)控制激光形成,加強(qiáng)激光雷達(dá)調(diào)制效率,運(yùn)用基于VMD的回波信號(hào)去除圖像噪聲;其次構(gòu)建高光譜彩色可視化模型,把評(píng)估數(shù)據(jù)降采樣處理,利用像元之間彩色差別均值保證圖像可分性,通過局部優(yōu)化手段修改圖像,實(shí)現(xiàn)圖像可視化呈現(xiàn);最后通過ENVI平臺(tái)和IDL語言建立高光譜數(shù)據(jù)可視化挖掘系統(tǒng),包含數(shù)據(jù)輸入輸出、數(shù)據(jù)重采樣、數(shù)據(jù)預(yù)處理和待測目標(biāo)處理4個(gè)板塊。仿真實(shí)驗(yàn)結(jié)果表明,系統(tǒng)可以快速準(zhǔn)確挖掘目標(biāo)高光譜數(shù)據(jù),觀察到數(shù)據(jù)內(nèi)隱藏的特征信息數(shù)據(jù),為光譜數(shù)據(jù)分析提供有效幫助。 

【文章來源】：激光雜志. 2020,41(10)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

功能板塊架構(gòu)圖

為了驗(yàn)證所提方法的可靠性，將本文方法與文獻(xiàn)[1]、文獻(xiàn)[2]和文獻(xiàn)[3]方法進(jìn)行仿真實(shí)驗(yàn)對(duì)比，仿真平臺(tái)是Matlab 7.0。在KDNuggets(http://www.kdnuggets.com/datasets/index.html)中選取某高光譜激光雷達(dá)遙感數(shù)據(jù)，其中，排除格式無法融合和輸出板塊無法匹配等應(yīng)用效果較低的實(shí)驗(yàn)數(shù)據(jù)，剩余2 000個(gè)實(shí)驗(yàn)數(shù)據(jù)，將其用于振幅調(diào)制、頻率調(diào)制和可視化挖掘效果測試。由圖2可知，在360次迭代下，本文方法的振幅調(diào)制效果較高，說明其頻率調(diào)制程度高，而其他傳統(tǒng)方法的振幅調(diào)制效果較低，且在不同次數(shù)下皆低于本文方法，這是因?yàn)楸疚姆椒ú捎没赩MD的回波信號(hào)去噪算法對(duì)高光譜圖像進(jìn)行去噪，且利用迭代搜索變分模型最佳解來了解各個(gè)固定模態(tài)分量的中心頻度及帶寬，完成信號(hào)由低頻至高頻的合理分離。提高高光譜激光雷達(dá)成像質(zhì)量。

利用核密度評(píng)估手段得到輸入信號(hào)與各個(gè)模態(tài)的PDF，并通過推算其各個(gè)模態(tài)關(guān)聯(lián)性，當(dāng)概率分布越貼近，模態(tài)分量和輸入信號(hào)的關(guān)聯(lián)性越高，挖掘精度越高，由此對(duì)文獻(xiàn)[1]、文獻(xiàn)[2]和文獻(xiàn)[3]方法進(jìn)行對(duì)比測試。圖3是4種方法的高光譜數(shù)據(jù)可視化挖掘的精度對(duì)比結(jié)果。從圖3中可知，本文方法可視化挖掘正確率較高，而其他傳統(tǒng)方法伴隨數(shù)據(jù)集合的增加，其挖掘精度呈現(xiàn)下降趨勢(shì)，這是因?yàn)樵摲椒]有對(duì)激光回波信號(hào)進(jìn)行去噪，圖像質(zhì)量較差，因此不能對(duì)圖像中的數(shù)據(jù)進(jìn)行有效挖掘。預(yù)先采用PCA把初始高光譜數(shù)據(jù)實(shí)行降維，保存涵蓋初始數(shù)據(jù)信息98%的前N個(gè)主成分，可保證圖像可視化的準(zhǔn)確呈現(xiàn)，圖4為4種方法的數(shù)據(jù)挖掘效率對(duì)比。從圖4中可以看出，本文方法挖掘耗時(shí)較短，且挖掘時(shí)間曲線較為平穩(wěn)，證明本文方法具備較高的穩(wěn)定性;而其他3種傳統(tǒng)方法的耗時(shí)較長，無法保證系統(tǒng)運(yùn)行的及時(shí)性，不能滿足用戶的高效率操作請(qǐng)求。

【參考文獻(xiàn)】：
期刊論文
[1]基于小波包變換和權(quán)重光譜角制圖的巖心高光譜蝕變信息提取[J]. 田青林,潘蔚,李瑤,張川,陳雪嬌,余長發(fā).  國土資源遙感. 2019(04)
[2]基于聚類降維和視覺注意機(jī)制的高光譜影像分類[J]. 曾朝平,琚麗君,張建辰.  激光與光電子學(xué)進(jìn)展. 2019(21)
[3]基于拉曼高光譜成像的乳粉真?zhèn)畏嵌ㄏ蚝Y查新方法研究[J]. 宗婧,卜漢萍,陳達(dá),陳曉宇,鮑蕾.  分析測試學(xué)報(bào). 2019(10)
[4]基于波長調(diào)制技術(shù)的激光器調(diào)制特性研究[J]. 張步強(qiáng),許振宇,劉建國,夏暉暉,范雪麗,聶偉,袁峰,闞瑞峰.  光譜學(xué)與光譜分析. 2019(09)
[5]L1-2空譜全變差正則化下的高光譜圖像去噪[J]. 曾海金,蔣家偉,趙佳佳,王藝卓,謝曉振.  光子學(xué)報(bào). 2019(10)
[6]基于線性混合模型的高光譜圖像分布式壓縮感知[J]. 陳欣,粘永健,王忠良.  紅外技術(shù). 2019(08)
[7]基于高光譜成像技術(shù)的不同產(chǎn)地小米判別分析[J]. 吉海彥,任占奇,饒震紅.  光譜學(xué)與光譜分析. 2019(07)
[8]可見近紅外波段光譜輻射采集系統(tǒng)的設(shè)計(jì)與應(yīng)用[J]. 周安萌,劉恩超,李新,鄭小兵.  應(yīng)用光學(xué). 2019(04)
[9]基于半導(dǎo)體激光器的780 nm高光譜分辨率激光雷達(dá)系統(tǒng)設(shè)計(jì)[J]. 宋躍輝,周煜東,汪麗,王玉峰,狄慧鴿,高飛,劉鵬博,華燈鑫.  中國激光. 2019(10)
[10]基于小波變換的共焦拉曼圖像去噪方法[J]. 方松瓊,邵榮君,邱麗榮,王允.  光學(xué)技術(shù). 2019(03)



本文編號(hào)：2995141