Hyperspectral camouflage effect evaluation based on spectral indices
-
摘要: 伪装效果评估是伪装技术发展的重要内容。为了充分利用光谱细节信息对目标高光谱伪装效果进行评价，提出了基于光谱指数的伪装效果评估方法，该方法兼具可视化和量化分析的优势。可视化方面，通过光谱指数对高光谱图像进行阈值分割，实现目视解译的伪装效果评估；量化分析方面，以现有的遥感光谱指数为基础，构建新的伪装光谱指数来量化目标与背景的光谱特征，并提出光谱一致性系数指标，将各谱段的光谱指数加权综合进而量化评估目标伪装效果。实验结果表明：该方法的评估结果能够有效辨识目标伪装前后的高光谱伪装效果，且在传统指标相似度达到99%以上时，本文方法仍能有效辨识目标并给出客观评价，其在单个谱段的一致性以及宽谱段的整体匹配性方面评估结果更精准全面，更科学合理。Abstract: Camouflage effect evaluation is an important content in the development of camouflage technology. In order to make full use of spectral details to evaluate the hyperspectral camouflage effect of targets, a camouflage effect evaluation method based on spectral indices was proposed, which had the advantages of visualization and quantitative analysis. In terms of visualization, the hyperspectral image was segmented by spectral indices to realize the camouflage effect evaluation of visual interpretation. In terms of quantitative analysis, based on the existing remote sensing spectral indexes, the new camouflage spectral indexes were constructed to quantify the spectral characteristics of the target and background, and the spectral consistency coefficient index was proposed to weight and synthesize the spectral indexes, so as to quantitatively evaluate the camouflage effect of the target. The experimental results show that the proposed method can effectively identify the hyperspectral camouflage effect before and after target camouflage, and when the similarity of traditional indices reaches more than 99%, this method can still effectively identify the target and give an objective evaluation. Its evaluation results are more accurate, comprehensive, scientific and reasonable in terms of the consistency of single spectral segment and the overall matching of wide spectral segment.
-
引言
激光粒度仪是通过测量颗粒散射光的空间角分布，从而实现颗粒粒度分布测量的仪器。一般最有效的测量范围为微米级至几个毫米级的粒度分布，而这个分布范围是各领域应用最广泛的颗粒分布，但对土壤颗粒检测[1]、煤粉粒度检测[2]、塑料微珠检测[3]以及风洞中模拟粒子团[4]等的宽分布直接测量还比较困难。在激光粒度测量方法中，被测颗粒的折射率会影响测量结果[5]，并且要求在可测粒度范围内应获得较为一致的相对测量精度。根据散射原理，颗粒的粒度越小，散射信号越微弱，更远离入射光轴；而粒度越大，有效散射信号越密集且靠近光轴位置，则不容易分开[6]。在入射光波长确定的情况下，为了满足相对测量精度一致，要求远离光轴的光电探测单元测量的散射光角度范围更大、探测单元面积也更大。由于加工探测环尺寸差别过大导致加工困难，或光学系统像差大，往往满足不了单次测量宽粒度分布范围的要求。
研究扩大粒度分布测量范围仍是提高激光粒度仪应用范围的关键技术[7]。在对激光粒度仪光路结构的改进上，采取多光源或与多探测器阵列相结合[8]、多透镜组、新型样品池结构等；多光束入射的同时，设置第2个透镜和第2个放置在大角度位置的探测器阵列，避免了使用大口径接收透镜产生的高成本，也避免了进一步加剧大角度信号的像差；大口径的双镜头技术分别增大前向和后向接收透镜的口径，颗粒散射光分别经前向和后向散射，由位于透镜组前后的光电探测器阵列接收，增大了可测角度，拓展了测量下限[9]；多样品池结构在测量大小颗粒时，分别将样品池放置在接收透镜的前后。位于接收透镜后的样品池到光探测阵列的距离等效于傅里叶变换光路中接收透镜的焦距，该距离小于接收透镜的焦距，提升了测量下限[10]。
王亚民等人针对传统的傅里叶光学系统粒径范围较小、接收透镜焦距要求高的缺点，提出了一种改进的逆傅里叶激光测量系统[11]。通过移动样品池，改变与透镜的距离，可以忽略样品池中散射光的多次反射并增加角检测范围，从而增加粒径测量范围。于双双等人通过改变传统光阑位于接收透镜的前表面，使光阑在测量区域内采用变焦方式，在光学系统优化时控制相同视场不同光阑位置的上、下和主光线的位置，使相同散射角的光线在环形光电探测器上会聚成的弥散斑最小[12]。潘林超等人提出了一种环形样品池的测量方法，样品池的透明池壁和池内液体组成1个透镜组，并在前面增加了1个平凸柱面透镜，虽然避免了散射光的全反射[13]，但是各个方向的散射信号整合困难。
多种测量方案信号的叠加往往造成信号不一致、标定困难、测量样品区不唯一等问题[14]。针对激光粒度仪测量粒度分布时宽度有限、结构复杂和信号一致性差的问题，本文提出折反式激光粒度测量方法，采用单一光源和多个接收透镜及透镜组，通过折射光路和反射光路相结合，将同一采样区域的颗粒散射信号由半透半反镜进行分光，并在透镜或透镜组的2个独立焦平面上接收散射信号的功率谱分布，从而提高单次测量中可测量的粒度分布范围，同时可以减小仪器结构并简化光电探测器阵列。
1 测量原理
根据Mie散射原理，测量微米级颗粒粒度可近似按照菲涅尔衍射原理和巴比涅原理处理光强度分布。当采用平行光照射且颗粒位于接收透镜前时，在接收透镜焦平面上的光强分布可按夫琅和费衍射进行处理，并用环形探测器进行探测且满足（1）式：
$$ X = \frac{{{\pi }dS}}{{\lambda f}} = 1.357 $$ (1) 式中：X为常数；d为待测样品的颗粒粒径；S为光电探测器的环半径；λ为入射光波长；f为接收透镜的焦距。由（1）式可知，对于传统结构的激光粒度仪，采用单波长和固定焦距的接收透镜时，探测环半径与可测粒径成反比，即靠近光轴的探测环测量大粒径信息，反之测量小粒径信息。在光轴附近入射光会聚后弥散斑影响大，且探测环太小难以加工，使测量更大颗粒变得困难；远离光轴的探测环则太大，使光学系统像差大、信号信噪比差，从而使测量小颗粒也变得困难。基于上述原因，本文提出折反式的激光粒度测量方法。
图1为折反式粒度测量原理图，激光发射器发出的激光束经扩束准直后经过透镜L1，然后会聚于像方焦平面P1。将颗粒样品置于透镜L1后的距离d处，在P1后面放置透镜L2。在P2面放置光电探测器阵列1，其中P1、P2面关于透镜L2共轭。在透镜L1和P1之间安装45°的半透半反镜L3，在P1'面放置光电探测器阵列2，且P1、P1'面关于透镜L3满足镜像关系。
![]()
图 1 折反式激光粒度仪光路示意图Figure 1. Optical path diagram of catadioptric laser particle size analyzer样品所在平面P到半透半反镜与光轴交点距离为li1a'，P1'到光轴距离为li1b'。根据衍射原理，当颗粒样品置于透镜L1后某一距离li1'时，衍射光强分布与置于透镜L1前相同，但此时的等效焦距为li1'，且li1a'+li1b'=li1'。透镜L2的焦距为f2'，透镜L1、L2的组合焦距为f '。根据高斯公式得：
$$ {f_{}}' = - \frac{{{l_{i{\text{1}}}}'{f_{\text{2}}}'}}{\varDelta } $$ (2) 设P的均匀透射函数为t(x,y)，A为垂直入射的单色平面平行光的复振幅，k=2π/λ。其中λ为入射光波长，平行光束通过透镜L1并照射颗粒样品后的复振幅为
$$ {\tilde U_{{P}}}'\left( {x,y} \right) = A\exp \left( { - ik\frac{{{x^2} + {y^2}}}{{2{l_{i1}}'}}} \right)t\left( {x,y} \right) $$ (3) 根据菲涅尔衍射，忽略常数相位因子，P1'面和P1面上的复振幅相同，即
$$ {\tilde U_{{{{P}}_1}}}\left( {{x_{i1}},{y_{i1}}} \right) = {\tilde U_{{{{P}}_1}}}\left( {{x_{i1}}',{y_{i1}}'} \right) = \frac{A}{{\lambda {l_{i1}}'}}\exp \left( {{\rm{i}}k\frac{{{x_{i1}}^2 + {y_{i1}}^2}}{{2{l_{i1}}'}}} \right)\iint {t\left( {x,y} \right)\exp \left( { - {\rm{i}}k\frac{{x{x_{i1}} + y{y_{i1}}}}{{{l_{i1}}'}}} \right){\text{d}}x{\text{d}}y} $$ (4) 同理，P到透镜L2、L2到P2均可看作是菲涅尔衍射。忽略L2孔径的衍射，P2面上的复振幅为
$$ {\tilde U_{{{{P}}_2}}}\left( {{x_{i2}},{y_{i2}}} \right) = A'\iint {t\left( {x,y} \right)\exp \left[ {{{ - }}{\rm{i}}k\left( {\frac{{{x_{i2}}}}{{{f_{}}'}}x + \frac{{{y_{i2}}}}{{{f_{}}'}}y} \right)} \right]{\text{d}}x{\text{d}}y} $$ (5) 式中：
$$ A' = \frac{A}{{{\lambda ^{\text{4}}}{l_{i1}}'\left( {{l_{i1}}' - {l_2}} \right){l_{i{\text{2}}}}'\mu }}{\text{exp}}\left( {{\rm{i}}k\frac{{x_{i1}^2 + y_{i1}^2}}{{2{l_{i1}}'}}} \right){\text{exp}}\left( {{\rm{i}}k\frac{{x_{i{\text{2}}}^2 + y_{i{\text{2}}}^2}}{{2\mu }}} \right) $$ (6) $$ \mu = \frac{{{l_{i1}}'({f_{\text{2}}}'){^{\text{2}}}}}{{\left( {{f_{\text{2}}}' + {l_2} - {l_{i1}}'} \right)\left( {{f_{\text{2}}}' + {l_2}} \right)}} $$ (7) 进一步推导可知，由于P1，P2面的共轭关系，按（4）式和（5）式计算探测器的光能分布时，A、A'可作为常数项参与计算，2个频谱面的光能分布可直接组合为光能系数矩阵。
选择焦距合适的透镜L1和L2，使其组合焦距远大于其自身的焦距且组合像方焦平面位于P2面，则在P2面可使大颗粒散射光强在空间更容易分开和探测。
与大颗粒的光强分布相反，小颗粒散射光在空间更容易分开，因此应在P1面探测小颗粒信息。但在P1、P2面同时探测时，会因探测器遮挡造成器件加工和对中困难[15]。通过采用本文折反光路在P1'面探测小颗粒信息，可避免遮挡[16]。
选择合适的透镜焦距，可用同样尺寸的探测器阵列分别放在P1'、P2面，组合成连续尺寸分布的环形探测器，从而使探测环不致太小或太大，且增加了有效探测环的数量。
用SolidWorks软件对粒度仪接收装置进行结构设计，如图2所示。该装置主要由透镜L1及镜筒、样品池、垂轴光路上的光电探测器及二维调整座、半透半反镜及固定座、透镜L2及固定座、数据采集电路板，以及同轴光路上的光电探测器及调整座构成。
2 实验和结果分析
采用实验室现有的PN结型光电探测器阵列，对GBW(E)120025和GBW(E)120049两种聚苯乙烯标准物质颗粒开展了实验。其中光电二极管阵列为半圆环形，共有32个探测环，半径尺寸范围为0.14 mm～15.25 mm，探测器阵列中心有直径0.2 mm的小孔，后面连接1个独立的光电二极管用于光路对中。GBW(E)120025和GBW(E)120049的标称值D50分别为15.1 μm和104.8 μm。为满足上述组合条件，在P1'、P2面分别选取光电探测器的部分探测环，且两种标准物质颗粒分别位于P1'、P2面的可测范围之内。
激光器经焦距为150 mm的平凸透镜扩束准直。为减少像差，透镜L1与准直镜结构相同并与准直镜对称放置。d=50 mm，li1'=100 mm，即前组透镜等效焦距为100 mm；透镜L2的焦距f2'=50 mm，$\varDelta $=15 mm，即组合焦距f '=1 000 mm。选取P1'面的探测环为5环～32环，测量范围为1.79 μm～37.60 μm，可以满足GBW(E)120025的测量；选取P2面的探测环为1环～24环，对应测量范围为46.16 μm～1 952.40 μm，可以满足GBW(E)120049的测量。组合后可以同时测量两种颗粒样品，将2个探测面信号组合，测量范围为1.79 μm～1 952.40 μm；而若单独在P1'或P2面上用32环光电探测器时，测量范围只能达到1.79 μm～195.24 μm或17.92 μm～1 952.40 μm，组合后的测量范围扩大了10倍。本实验是采用现有的同一种光电探测器作实验验证，为了满足探测环对应的光能角分布不重叠的要求，在37.60 μm～46.16 μm的测量范围内会有信息的损失。如果按本文分析方法重新设计光电探测器，可以用同1个光电探测器作为P1'、P2面的探测器，且可测范围为连续粒度。
在单独的单分散样品实验中，分别取GBW(E)120025和GBW(E)120049颗粒样品3滴放入样品池中，采集光能值，并按上述方法进行组合测量，如图3所示，其中25环～52环为P1'面的5环～32环数据，1环～24环为P2面的1环～24环数据。
![]()
图 3 单分散标准粒子的光能分布图Figure 3. Light energy distribution diagram of monodisperse standard particles由图3可知，GBW(E)120025的光能分布峰值位于图中第31环附近，对应P2面的第11环；而GBW(E)120049的光能分布峰值则位于第16环。根据（1）式，分别对应GBW(E)120025和GBW(E)120049的有效信号，即P1'面上只能测量GBW(E)120025的有效信号，P2面上只能测量GBW(E)120049的有效信号。两者组合后，可扩大测量范围，既能测量GBW(E)120025的粒度分布，也能测量GBW(E)120049的粒度分布。
对两种标准粒子分别进行5次测量，采用变尺度算法[17]进行计算，结果如表1所示。
表 1 单分散标准粒子测量结果Table 1. Measurement results of monodisperse standard particles参数 样品 GBW(E)120025 GBW(E)120049 测量值/μm 16.3 105.0 16.3 104.9 16.4 106.1 16.2 105.0 16.4 105.0 参考值/μm 15.1 104.8 平均值/μm 16.3 105.2 相对偏差/% 7.9 0.4 表1中，GBW(E)120025测量结果的平均值$\overline {{{{D}}_{{i}}}}$为16.3 μm，相对偏差∆为7.9%；GBW(E)120049测量结果的平均值$\overline {{{{D}}_{{i}}}}$为105.2 μm，相对偏差∆为0.4%。结果表明，将对应的2个探测面分别可测粒度分布的光能组合后，能够得到正确结果，不影响测量。
为了验证该测量方法能同时测量对应2个探测面的粒度分布，将两种标准粒子混合后进行组合测量。将GBW(E)120025、GBW(E)120049的标准粒子各3滴混合后放在样品池中，充分搅拌后进行数据采集，组合结果如图4所示。
![]()
图 4 混合标准粒子的光能分布图Figure 4. Light energy distribution diagram of mixed standard particles图4中，两种粒子的光能峰值位于第19环和第31环，与图3结果相比，峰值有所偏移，这是因为光能分布是两种粒子叠加的结果。仍采用变尺度算法进行反演，粒度分布结果如图5所示。
![]()
图 5 混合标准粒子的粒度分布图Figure 5. Particle size distribution diagram of mixed standard particles由图5可见，两种粒子的峰值分布在13.80 μm～15.39 μm和102.68 μm～112.86 μm两个区间内，与表1结果一致。
通过上述分析和实验可知，将2个探测面上的测量信号组合后，扩大了激光粒度仪的测量范围。
3 结论
激光粒度仪具有测量范围宽、非接触和实时测量的特点，但传统光路结构限制了更宽粒度分布的测量。采用单一光源和折反式光路结构，由半透半反镜进行分光，在2个透镜或透镜组的焦平面上分别接收透射和反射的同一采样区域的颗粒散射功率谱，经处理后得到颗粒粒度分布，提高了激光粒度仪单次测量的粒度分布范围。在保证测量有效性的前提下，单分散颗粒样品的测量相对误差在7.9%以内，混合粒子的测量结果也能得到正确的峰值分布。
-
![]()
图 8 不同背景下的目标与背景光谱曲线
Figure 8. Spectral curves of target and background under different backgrounds
![]()
图 9 伪装前车辆及阈值分割下的图像
Figure 9. Vehicle before camouflage and image segmentation under threshold
![]()
图 10 伪装后车辆及阈值分割下的图像
Figure 10. Vehicle after camouflage and image segmentation under threshold
![]()
图 11 伪装前帐篷及不同NDSINIR阈值分割下的图像
Figure 11. Tent before camouflage and image segmentation under different NDSINIR thresholds
![]()
图 12 伪装后帐篷及不同NDSINIR阈值分割下的图像
Figure 12. Tent after camouflage and image segmentation under different NDSINIR thresholds
表 1 光谱指数定义及原理描述
Table 1 Definition and principle description of spectral indices
背景类型 光谱指数 定义 原理描述 林地背景 NDVI $\dfrac{{{\rho _{860}} - {\rho _{650}}}}{{{\rho _{860}}{\text{ + }}{\rho _{650}}}}$ 植被在860 nm处存在反射峰，650 nm处吸收强烈，因此该指数为正且值较大时表示植被，该指数值越接近于1表示越可能为植被。 GVI $ \dfrac{{{\rho _{550}} - {\rho _{400}}}}{{{\rho _{550}} + {\rho _{400}}}}{\text{ + }}{\rho _{500}} $ 植被在400 nm~650 nm范围内反射率整体较低且变化不大，故该指数为正且值较小表示植被，一般植被的取值范围为0～0.3。 NVI $ \dfrac{{{\rho _{900}} - {\rho _{800}}}}{{{\rho _{900}} + {\rho _{800}}}}{\text{ + }}{\rho _{850}} $ 植被在800 nm~1 000 nm范围内反射率整体较高，900 nm和800 nm处的反射率基本相同，故该指数值在0.3~0.6范围内表示植被。 雪地背景 NDSINIR $\dfrac{{{\rho _{550}} - {\rho _{960}}}}{{{\rho _{550}}{\text{ + }}{\rho _{960}}}}$ 雪地在可见光到近红外范围内反射率呈缓慢下降趋势，960 nm处反射率低于550 nm处，但幅度相差较小，因此该指数为正且较小时表示积雪，一般积雪在0~0.1范围内。 MSI $ \dfrac{{{\rho _{450}}{\text{ + }}{\rho _{750}}{\text{ + }}{\rho _{950}}}}{3} $ 雪地在可见光到近红外范围内反射率整体很高，达到0.7左右，该指数选取特定波段反射率均值，其值在0.6~0.8范围内表示雪地。 注：ρx表示波段为x/nm处的反射率。 
下载: 导出CSV
表 2 Resonon Pika L参数
Table 2 Parameters of Resonon Pika L
参数名称 数值 光谱范围/nm 400～1 000 光谱分辨率/nm 2.1 光谱通道数 281 空间通道数 900 每秒最大帧数/fps 249 位深度 12 质量/kg 0.6 尺寸/cm 10.0×12.5×5.3 连接方式 USB 3.0 孔径 f/2.4 像元尺寸/μm 5.86 平均RMS半径/μm 6
下载: 导出CSV
表 3 林地背景下目标与背景各光谱指数均值
Table 3 Mean value of spectral indexes of target and background under forest land background
目标或背景类型 NDVI GVI NVI A 0.0369 0.8288 0.4748 B 0.3916 0.0804 0.3808 C 0.5597 0.2517 0.5492
下载: 导出CSV
表 4 目标伪装前后光谱指数差值及权重系数k
Table 4 Spectral index difference and weight coefficien k before and after target camouflage
差值与权重 NDVI GVI NVI |A-B| 0.3547 0.7484 0.0940 k 0.2963 0.6252 0.0785
下载: 导出CSV
表 5 目标伪装前后光谱一致性系数SCCveg
Table 5 Spectral consistency coefficient SCCveg before and after target camouflage
光谱指数差值 NDVI GVI NVI SCCveg |A-C| 0.5228 0.5772 0.0744 0.5216 |B-C| 0.1681 0.1713 0.1684 0.1701
下载: 导出CSV
表 6 林地背景下目标与背景光谱距离及光谱角
Table 6 Spectral distance and spectral angle between target and background under forest land background
目标类型 D cosα A 7.3268 0.8060 B 2.0190 0.9703
下载: 导出CSV
表 7 雪地背景下目标与背景各光谱指数均值
Table 7 Mean value of each spectral index of target and background under snow background
目标或背景类型 NDSINIR MSI D −0.7627 0.4228 E −0.0375 0.6716 F 0.0942 0.6164
下载: 导出CSV
表 8 目标伪装前后光谱指数差值及权重系数k
Table 8 Spectral index difference and weight coefficient k before and after target camouflage
差值与权重 NDSINIR MSI |E-D| 0.7253 0.2488 k 0.7446 0.2554
下载: 导出CSV
表 9 目标伪装前后光谱一致性系数SCCsnow
Table 9 Spectral consistency coefficient SCCsnow before and after target camouflage
光谱指数差值 NDSINIR MSI SCCsnow |D-F| 0.8569 0.1936 0.6875 |E-F| 0.1316 0.0552 0.1121
下载: 导出CSV
表 10 雪地背景下目标与背景光谱距离及光谱角
Table 10 Spectral distance and spectral angle between target and background under snow background
目标类型 d cosφ D 6.4600 0.7736 E 2.3267 0.9927
下载: 导出CSV
-
[1] 王君光, 关松. 高光谱成像卫星发展研究[J]. 光电技术应用,2020,35(3):1-7. doi: 10.3969/j.issn.1673-1255.2020.03.001 WANG Junguang, GUAN Song. Research on development of hyper-spectral imaging satellite[J]. Electro-Optic Technology Application,2020,35(3):1-7. doi: 10.3969/j.issn.1673-1255.2020.03.001
[2] 麻永平, 张炜, 刘东旭. 高光谱侦察技术特点及其对地面军事目标威胁分析[J]. 上海航天,2012,29(1):37-40. doi: 10.19328/j.cnki.1006-1630.2012.01.008 MA Yongping, ZHANG Wei, LIU Dongxu. Characteristics of hyperspectral reconnaissance and threat to ground military targets[J]. Aerospace Shanghai,2012,29(1):37-40. doi: 10.19328/j.cnki.1006-1630.2012.01.008
[3] KRUSE F A, LEFKOFF A B, BOARDMAN J W, et al. The spectral image processing system (SIPS)—interactive visualization and analysis of imaging spectrometer data[J]. Remote Sensing of Environment,1993,44(2/3):145-163.
[4] CHANG C I, CHIANG S S. Anomaly detection and classification for hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(6):1314-1325. doi: 10.1109/TGRS.2002.800280
[5] 刘恂, 华文深, 杨佳. 面向高光谱探测的伪装效果评价方法[J]. 红外与激光工程,2014,43(10):3228-3232. doi: 10.3969/j.issn.1007-2276.2014.10.010 LIU Xun, HUA Wenshen, YANG Jia. Camouflage effect evaluation based on hyperspectral detecting technology[J]. Infrared and Laser Engineering,2014,43(10):3228-3232. doi: 10.3969/j.issn.1007-2276.2014.10.010
[6] 华文深, 杨佳, 刘恂, 等. 基于高光谱特征的迷彩伪装评价[J]. 应用光学,2013,34(6):964-967. HUA Wenshen, YANG Jia, LIU Xun, et al. Camouflage assessment based on hyperspectral characteristics[J]. Journal of Applied Optics,2013,34(6):964-967.
[7] 马世欣, 刘春桐, 李洪才, 等. 基于高光谱图像探测与感知的伪装效果评估方法[J]. 兵工学报,2019,40(7):1485-1494. doi: 10.3969/j.issn.1000-1093.2019.07.019 MA Shixin, LIU Chuntong, LI Hongcai, et al. Camouflage effect evaluation based on hyperspectral image detection and visual perception[J]. Acta Armamentarii,2019,40(7):1485-1494. doi: 10.3969/j.issn.1000-1093.2019.07.019
[8] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication,1974,351:309-317.
[9] NAGANO H, KOTANI A, MIZUOCHI H, et al. Contrasting 20-year trends in NDVI at two Siberian larch forests with and without multiyear waterlogging-induced disturbances[J]. Environmental Research Letters,2022,17(2):025003. doi: 10.1088/1748-9326/ac4884
[10] 宋桂兰, 汤顺青. 迷彩伪装的谱识别方法[J]. 北京理工大学学报,1996,16(6):567-570. doi: 10.15918/j.tbit1001-0645.1996.06.001 SONG Guilan, TANG Shunqing. A method of spectral pattern recognition for color camouflage[J]. Journal of Beijing Institute of Technology,1996,16(6):567-570. doi: 10.15918/j.tbit1001-0645.1996.06.001
[11] 段维纳, 竞霞, 刘良云, 等. 融合SIF和反射光谱的小麦条锈病遥感监测[J]. 光谱学与光谱分析,2022,42(3):859-865. doi: 10.3964/j.issn.1000-0593(2022)03-0859-07 DUAN Weina, JING Xia, LIU Liangyun, et al. Monitoring of wheat stripe rust based on integration of SIF and reflectance spectrum[J]. Spectroscopy and Spectral Analysis,2022,42(3):859-865. doi: 10.3964/j.issn.1000-0593(2022)03-0859-07
[12] ALDUBAI A A, ALSADON A A, AL-GAADI K A, et al. Utilizing spectral vegetation indices for yield assessment of tomato genotypes grown in arid conditions[J]. Saudi Journal of Biological Sciences,2022,29(4):2506-2513. doi: 10.1016/j.sjbs.2021.12.030
[13] RIGGS G A, HALL D K, SALOMONSON V V. A snow index for the landsat thematic mapper and moderate resolution imaging spectroradiometer[C]//Proceedings of IGARSS'94-1994 IEEE International Geoscience and Remote Sensing Symposium. Pasadena: IEEE, 2002: 1942-1944.
[14] ALI S, CHEEMA M J M, WAQAS M M, et al. Changes in snow cover dynamics over the Indus basin: evidences from 2008 to 2018 MODIS NDSI trends analysis[J]. Remote Sensing,2020,12(17):2782. doi: 10.3390/rs12172782
[15] 王京达, 郝晓华, 和栋材, 等. 基于AVHRR影像的北半球积雪识别算法[J]. 冰川冻土,2022,44(1):316-326. WANG Jingda, HAO Xiaohua, HE Dongcai, et al. Snow discrimination algorithm in the northern hemisphere based on AVHRR image[J]. Journal of Glaciology and Geocryology,2022,44(1):316-326.
计量
- 文章访问数: 405
- HTML全文浏览量: 117
- PDF下载量: 80
陕公网安备 61011302001501号 