【摘 要】
：
指纹是刑事物证鉴定领域是最重要的物证之一,常被称为"证据之王",其中以基于光学技术的指印采集、分析鉴定最为常见.但是传统光学成像方法获取的指纹往往无法达到辨识的目的,主要表现在指纹无法利用裸眼看清、指纹信号微弱、背景干扰严重、指纹模糊和破损等问题.随着技术的进步,David L.Exline (2003)等[1]将高光谱成像技术引入物证鉴定领域,由液晶可调波长滤光镜(LCTF)等成像设备获取的光谱
【机 构】
：
西安科技大学测绘科学与技术学院,陕西西安,710054 武汉大学测绘遥感信息工程国家重点实验室,湖
【出 处】
：
第三届全国成像光谱对地观测学术研讨会
论文部分内容阅读
指纹是刑事物证鉴定领域是最重要的物证之一,常被称为"证据之王",其中以基于光学技术的指印采集、分析鉴定最为常见.但是传统光学成像方法获取的指纹往往无法达到辨识的目的,主要表现在指纹无法利用裸眼看清、指纹信号微弱、背景干扰严重、指纹模糊和破损等问题.随着技术的进步,David L.Exline (2003)等[1]将高光谱成像技术引入物证鉴定领域,由液晶可调波长滤光镜(LCTF)等成像设备获取的光谱成像数据不仅仅能够反映目标的空间分布状态,同时它能精确记录目标在可见光和近红外范围的光谱反射信息,使裸眼无法察看的指纹在某些波段数据中能够可视,这使得同时检测指纹的形态和成分成为可能[2儿3].尽管如此,对高光谱的指纹图像处理技术并不成熟,特别是潜指纹的提取.在经典的光学图像潜指纹的增强处理中A.K.Jain (2013)[4]等对灰度图像从频域方向场估计的角度进行分析完成指纹与背景之间的分离,比较代表的是Gabor滤波增强.但是这种处理不再适用于高光谱图像指纹提取,一方面由于指印信息不再仅存于某一波段,而是在多个光谱响应波段中呈现,因而仅在某一波段进行指纹提取就不能获得完整的指纹；另一方面,由于光谱是区分不同目标的重要信息,因而这种处理没有有效的利用光谱信息.
其他文献
In order to realize the effective detection of surface structure targets in hyperspectral images,an improved target detection algorithm was proposed in this paper presents to solve the CEM algorithm p
高光谱遥感是将成像技术与光谱技术相结合的多维信息获取技术。高光谱成像仪在电磁波谱的数十至数百个非常窄且连续的光谱段上采样，提供了极其丰富的信息，有助于精细的地物分类和目标识别，从而被广泛应用于地质科学、精准农业以及军事领域等[1]。然而，大量的光谱信息也会带来诸多问题。特别是当同物异谱现象严重时，单纯依靠光谱特征的分类器无法精确地将同一种类的像素划分出来。而像素的分布往往表现出空间上的特性，可以弥
遥感影像分类是遥感学科的重要研究内容之一.高光谱影像在给地物识别带来机遇的同时,其较低的空间分辨率与海量数据也给高精度分类带来挑战.较成熟的传统监督与非监督分类方法都数是以像元灰度或像元光谱为研究对象的空间域分类技术.而在面对高光谱影像丰富的波谱信息时,如果能从光谱频率域角度来研究影像分类新方法将具有十分重要的意义.本研究结合谐波分析理论,提出一种新型非监督分类器,即谐波分析分类器(harmoni
By combining imaging and spectroscopy technology, hyperspectral remote sensing can simultaneously acquire spatially and spectrally continuous image data.With the diagnostic spectral information, hyper
高光谱遥感数据存在数据冗余和维数灾难问题，降维是一种重要的预处理方法。尽管线性降维算法像PCA和LDA实现简单，但是高光谱图像具有非线性特性，流形学习算法可能更好的挖掘高光谱数据的非线性结构，提高数据分析的性能。基于流形学习的非线性降维算法假设高维数据位于一个低维流形中，该低维流形能够表示数据的本征结构和非线性特性，在去除数据冗余的同时保持数据间某些重要关系。
混合像元指的是在一个像元中包含多种不同的物质，混合像元分解的主要目的就是分析出混合像元中包含哪些物质(称为端元)以及它们所占的比例(称为丰度)。由于成像光谱仪空间分辨率的限制，混合像元问题在高光谱遥感图像中广泛存在，混合像元分解方法的研究一直是高光谱图像处理的重要内容之一。
混合像元分解一直是高光谱遥感图像研究领域的一个热门话题。混合像元分解技术主要分为两个过程：端元提取和丰度反演。而混合像元分解的关键技术之一就是端元提取,亦是本文的研究重点。在近几年来,群智能算法逐渐被应用于端元提取技术,比如DPSO-EE和ACO-EE等方法。目前大多数端元提取方法都是基于线性混合模型(Linear Mixture Model ,LMM),但是根据以往的经验,我们发现了一些在混合像
传统的线性光谱解混基本工作分为两个步骤：一个是端元提取(endmember extraction)；二是丰度估计(abundance estimation)，目前已经出现很多成熟的混合像元光谱分解算法，如纯净像元指数法(PPI)、最大体积法(N-FINDR)，顶点成分分析算法(VCA)等。然而这些传统的线性混合像元分解方法作为无监督方法存在诸多不足，首先这些传统的解混算法没有考虑混合像元之间的区别
基于卫星平台进行数据获取是目前高光谱遥感采用的主要方式之一,但是随着技术的不断发展,高光谱图像的数据量越来越大,而卫星有限的下传信道带宽限制了数据的下传效率,同时也很大程度上影响了高光谱遥感信息服务的时效性和能力。针对这一问题可以采用星载的高光谱遥感图像智能处理系统,通过数据的实时处理和产品生成,实现信息的在轨分发和快速下传。在目前可利用的星上数据处理设备中,现场可编程门阵列(Field Prog
地表水是城市环境中最重要的资源之一.Landsat影像是地表水体提取中应用最广泛的光学影像,然而混合像元的问题影响了水体的准确提取.尽管针对Landsat影像已有了许多水体指数,如归一化水体指数NDWI,改进的归一化水体指数MNDWI以及自动水体提取指数AWEI等,但这些指数的应用受限于阈值的稳定性以及亚像元精度.本论文的目的是提出一种新的水体指数,它可以提高亚像元级别精度并且具有稳定的阈值.线性