将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

编码孔径光谱成像系统利用空间光调制器对目标信息进行编码,将信号映射到二维探测器面阵上,形成空间和光谱混叠信息,通过重构算法恢复出光谱数据立方体。由于该系统的色散仅仅发生在水平方向上,为了提高编码的效率,提出只在一个方向上具有编码效果的多狭缝组合编码。与目前采用的二维随机编码比较,在取得相同重构结果的前提下,多狭缝组合编码形式简化了数学模型的建立和分析,降低了编码复杂度。在此基础上,利用液晶光阀的开关特性实现实际系统编码,结合PGP(棱镜-透射光栅-棱镜)分光组件搭建光谱成像系统,进行了不同采样率下的实验,得到了高精度的恢复结果,验证了系统编码的可行性,为编码光谱成像系统领域提供了新思路。

提出一种快速高精度Fourier-Mellin变换图像配准方法，可提高高光谱成像过程中光谱复原的速度与精度。该方法运用两次局部上采样相位相关法，一次在对数极坐标域中估计旋转和缩放参数，另一次在笛卡尔坐标系中估计平移参数。引入梯度预处理过程，使算法更加稳健。介绍了Fourier-Mellin变换的原理，该变换可实现旋转和缩放参数的解耦合。在传统相位相关法的基础上介绍了局部上采样相位相关法。证明了梯度预处理过程的必要性。仿真结果表明，所提方法可以实现高精度的图像配准。

高光谱成像的应用效果非常依赖于所获取的图像信噪比(SNR)。在高空间分辨率下, 帧速率高、信噪比低, 由于光谱成像包含了两维空间-光谱信息, 不能使用时间延迟积分(TDI)模式解决光能量弱的问题; 目前多采用摆镜降低应用要求, 但增加了体积和质量, 获取的图像不连续, 且运动部件降低了航天的可靠性。基于此, 将超高速电子倍增与成像光谱有机结合, 构建了基于电子倍增的高分辨率高光谱成像链模型, 综合考虑辐射源、地物光谱反射、大气辐射传输、光学系统成像、分光元件特性、探测器光谱响应和相机噪声等各个环节, 可用于成像链路信噪比的完整分析。采用LOWTRAN 7软件进行大气辐射传输计算, 对不同太阳高度角和地物反射率计算像面的照度, 根据电子倍增电荷耦合器件(EMCCD)探测器的噪声模型, 计算出不同工作条件下的SNR。对SNR的分析和实验, 选择适当的电子倍增增益, 可使微弱光谱信号SNR提高6倍。