引用本文
胡怡斌, 包妮沙, 刘善军, 毛亚纯, 宋亮. 典型伪装材料高光谱特征及识别方法研究. 光谱学与光谱分析, 2023,43(1): 297-302
HU Yi-bin, BAO Ni-sha, LIU Shan-jun, MAO Ya-chun, SONG Liang. Research on Hyperspectral Features and Recognition Methods of Typical Camouflage Materials. Spectroscopy and Spectral Analysis, 2023,43(1): 297-302.  
Doi: 10.3964/j.issn.1000-0593(2023)01-0297-06
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
典型伪装材料高光谱特征及识别方法研究
胡怡斌1, 包妮沙1,2,*, 刘善军1,2, 毛亚纯1,2, 宋亮3
1. 东北大学资源与土木工程学院, 辽宁 沈阳 110819
2. 高分辨率对地观测系统辽宁先进技术协同创新应用中心, 辽宁 沈阳 110819
3. 信息工程大学地理空间信息学院, 河南 郑州 450001
*通讯作者 e-mail: baonisha@mail.neu.edu.cn

作者简介: 胡怡斌, 1996年生,东北大学资源与土木工程学院硕士研究生 e-mail: neuhyb@163.com

收稿日期: 2021-11-03 接受日期: 2022-03-31
基金项目: 国家自然科学基金项目(41401233),国防重大项目2020GFZD002(N2001002)资助
摘要

针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1( R1 190 /R1 270)和RCI2( R1 270 /R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。

关键词: 高光谱; 可见光-近红外光谱; 伪装网; 光谱指数; 分类识别
中图分类号:TP79 文献标识码:A
Research on Hyperspectral Features and Recognition Methods of Typical Camouflage Materials
HU Yi-bin1, BAO Ni-sha1,2,*, LIU Shan-jun1,2, MAO Ya-chun1,2, SONG Liang3
1. School of Resources and Civil Engineering, Northeastern University, Shenyang 110819, China
2. High-resolution Earth Observation System Liaoning Advanced Technology Collaborative Innovation Application Center, Shenyang 110819, China
3. School of Geospatial Information, Information Engineering University, Zhengzhou 450001, China
*Corresponding author
Abstract

Aiming at the phenomenon of “foreign objects with the same spectrum” in the camouflaged target and the background target in certain specific environments, traditional visible light and multi-spectral remote sensing technologies have limitations in camouflage recognition. This paper, applies hyperspectral technology to the characteristic analysis and recognition of typical camouflage materials. The SVC HR1024 spectrometer was used to obtain the Visible-NIR Spectrum of the jungle camouflage net under different water immersion times. The spectral characteristics and sensitive bands of the jungle camouflage net under different water immersion conditions and typical vegetation in northern China were analyzed and revealed through spectral similarity measurement and envelope removal treatment. Based on the near-infrared band, the spectral ratio index (RCI) was constructed to identify the camouflaged targets in the green vegetation environment. Finally, the hyperspectral image in the simulation camouflage environment was obtained through a hyperspectral imaging experiment, and the recognition effect was verified using the hyperspectral image. The results showed that: (1)The basic morphology of the spectral curve of the jungle camouflage net with different water immersion times was similar, and its reflectivity decreased as a whole with increasing water immersion time. The 1 900 nm band is the most obvious band that the reflectance spectrum of jungle camouflage net responds to water content, and its spectral characteristics are similar to those of vegetation due to water immersion treatment, and the similarity is increased from 0.895 to 0.939. (2)The similarity between camouflage net and vegetation is high in the visible band, and the spectral fluctuation is similar, but the spectral characteristics of the jungle camouflage net and vegetation are different in near-infrared band. Through the analysis of the envelope removal method, it is concluded that the bands around 970, 1 190 and 1 440 nm are sensitive bands for identifying the jungle camouflage net. Moreover, based on the two obvious differences in reflectance slope between the jungle camouflage net and the vegetation in the band range of 900~1 900 nm, RCI1 ( R1 190 /R1 270) and RCI2 ( R1 270 /R1 440) were constructed. (3) The decision tree classification model based on the RCI index can quickly and effectively extract the camouflaged target from the green vegetation background. Experimental results show that using the RCI index to identify and extract the camouflaged target area, the results obtained are in good agreement with the original image in shape and size, and the recognition accuracy can reach 95%, indicating that the index has a good recognition effect on camouflaged targets.

Key words: Hyperspectral; Visible-NIR Spectrum; Camouflage net; Spectral index; Classification
引言

随着材料技术的高速发展, 目标伪装手段和策略也不断的提高, 尤其是先进涂层和伪装网的使用, 在某些背景环境下能达到目标和背景“ 异物同谱” 的效果, 增加了伪装识别的难度[1]。 基于传统的可见光或多光谱遥感技术, 由于其单个波段覆盖光谱范围广, 很难识别出伪装目标, 给伪装识别带来了很大的挑战。

高光谱遥感是近些年来发展迅速的一种多维信息获取技术。 它能够同时获取目标区域的2维几何空间信息和1维光谱信息, 具有光谱范围宽、 波段多、 光谱分辨率高(纳米级)等特点, 为了解地物提供了极其丰富的信息[2], 也为地物无损快速的理化性质检测提供了手段[3, 4]。 目标与背景之间存在的差异是目标暴露的根本原因[5, 6], 地物的光谱信息对目标识别具有指纹效应, 通过分析地物的光谱特征并据此提取的特征指数, 与物质的特性相关, 可为精细识别地物提供依据[7, 8], 尤其在地表资源环境探测中, 高光谱技术有效的提高了地物识别和分类的精度。 Mao等[9]针对烟煤和褐煤在多光谱影像上无法区分和识别精度低的问题, 通过分析其光谱特征, 建立差异指数, 用于识别煤的类型, 提高了分类精度; 宋亮等[10]分析燃烧和未燃烧矸石的可见光-近红外光谱特征, 通过两者在350~760 nm处反射率斜率的差异, 构建归一化差异矸石指数NDGI, 有效区分燃烧和未燃烧矸石, 分类精度可达99.1%。

目前, 有许多学者探究高光谱技术在伪装材料特性分析及识别中的应用。 刘凯龙等[11]以瑞典、 瑞士的森林伪装网和伪装服及不同种类、 季节和环境的绿色植被光谱特性为基本识别特征, 提出数学分析模型及统计计算和判别效果检验相结合的光谱特征检测新方法, 伪装目标识别正确率达到了99%以上, 该研究主要在实验室的可控环境下, 通过实验求得判别函数及相关系数, 在室内应用时, 都能得到较为满意的结果, 但其不能完全适用于不同环境下采样的数据。 刘志明等[12]对比绿色伪装涂料和植被的可见光-近红外反射光谱及一阶微分谱的差异, 提出了550和780~1 300 nm波段反射率波动性是星载和机载高光谱遥感伪装探测中的有效特征, 为绿色伪装材料识别提供了一定理论方法; 卢云龙等[13]分析比较伪装材料光谱曲线, 利用高光谱图像实现验证了基于光谱微分、 光谱积分、 光谱指数和特征波段的伪装目标检测算法, 具有很好的检测效果; 付严宇等[14]通过高光谱实验及分析得到了可见光图像难以区分的三组伪装材料(真假草坪、 绿色木质和钢制材料、 丛林迷彩服和丛林雨衣)的光谱特征差异, 对伪装识别的波段选取提供了依据。 虽然许多学者针对高光谱技术在伪装目标识别中的应用进行了较为深入的研究, 但目前基于光谱特征指数识别伪装目标的研究还较少, 已有的特征指数和识别方法不适用于北方环境中的丛林迷彩伪装网的识别, 无法有效区分伪装目标与背景目标。

针对北方地区大型目标的伪装识别问题, 以北方典型丛林迷彩伪装网为研究对象, 利用SVC可见光-近红外光谱仪测量其在350~2 500 nm的光谱曲线, 实验分析不同湿度条件下伪装网的光谱变化规律和特征, 进一步揭示伪装网与地带性典型植被之间的光谱差异和可探测波段, 提出基于特征光谱的伪装迷彩识别策略, 并通过仿真伪装环境下的高光谱图像, 对识别方法进行验证。 本研究成果对北方环境中丛林迷彩伪装网的识别具有一定的现实指导意义, 同时为基于高光谱图像快速、 准确识别伪装以及伪装材料的改进提供了理论和技术基础。

1 实验部分
1.1 室内可见光-近红外光谱实验

实验对象为我国北方地区常用丛林迷彩伪装网, 如图1所示。 伪装网光谱采集使用美国Spectra Vista公司的SVC HR-1024地物光谱仪, 该仪器的波段范围为350~2 500 nm, 有1 024个通道, 测试环境为密闭黑暗的, 采用功率为50 W标准直流锡丝石英卤素灯作为光源。 为降低样本光谱各向异性的影响, 测量时转动样本3次, 每次转动角度约90° , 获取样本4个方向的光谱曲线, 每个方向采集5次, 每个样品共采集20条样本线, 算术平均后得到该伪装材料的实际光谱反射率。

图1 丛林迷彩伪装网Fig.1 Jungle camouflage net

对于传统绿色伪装材料而言, 因不具有类似植被含水的组织结构, 其在近红外波段的光谱特征会区别于植被, 不能在近红外波段与植被“ 同谱” , 水的存在与否直接影响着伪装材料在近红外波段的光谱响应[15]。 为更好的分析伪装材料的光谱特征及响应机理, 模拟多环境对光谱的影响, 因此对伪装材料部分样品进行浸水处理。 实验设计以浸水时间5 min为间隔, 测量不同浸水时间下的伪装网的光谱曲线。 伪装网表层于25~35 min左右出现水分饱和现象, 此时水分附着在伪装网表层不再被吸收, 水分含量对光谱吸收特征的影响达到极限, 所测得伪装网光谱曲线逐渐趋于一致。 因此剔除了浸水时间超过30 min的光谱曲线, 最终选择具有显著光谱差异的浸水时间(0, 5, 10, 20和30 min)进行伪装网高光谱特征分析。

1.2 成像光谱伪装模拟

为了对丛林迷彩伪装网的有效识别波段进行验证, 利用包含植被、 砂砾、 岩石、 车辆等地物的仿真模型, 以植被为背景目标, 通过丛林迷彩伪装网对车辆进行伪装, 并使用Image-λ “ 谱像” 系列高光谱相机对伪装前后的模拟环境进行高光谱成像实验, 如图2所示。

图2 成像光谱实验和模拟伪装环境
(a): 高光谱成像仪; (b): 无伪装环境; (c): 模拟伪装环境Fig.2 Spectral imagery collection experiment and simulated camouflage environment
(a): Hyperspectral imager; (b): Uncamouflaged environment; (c): Simulated camouflage environment

1.3 光谱预处理方法

1.3.1 光谱相似性测度

光谱角余弦(spectral angel cosine, SAC)将光谱数据看作一个n维的特征向量, 通过计算参考光谱和目标光谱之间的“ 角度余弦” 来确定两者之间的相似性, 它能够同时反映光谱向量在数值和形状之间的差异。 光谱角为两个光谱向量的夹角, 夹角越小, SAC就越接近于1, 两个光谱向量相似度越高。 光谱角余弦的计算方法如式(1)所示

cos(x, y)=< x, y> ‖x‖·‖y‖=∑ixiyi∑ixi2∑iyi2(1)

式(1)中: cos(x, y)为光谱角余弦值, x和y分别为参考光谱向量和目标光谱向量。

1.3.2 连续统去除法

连续统去除法(continuum removal)是将光谱曲线吸收强烈部分的波段特征进行转换, 使光谱吸收特征归一化到共同基线基础上, 即将反射率归一化为0~1.0, 从而有利于进行光谱吸收特征的分析, 并与其他光谱曲线进行特征比较, 提取特征波段。 计算方法如式(2)

RCj=RjRstart+K(λj-λstart)K=Rend-Rstartλend-λstart(2)

式(2)中: λ j是第j波段; RCj为波段j的包络线去除值, Rj是波段j的原始光谱反射率。 Rend和Rstart是在吸收曲线的起始点和末端点的原始光谱反射率。 λ end和λ start是吸收曲线的起始点波长和末端点波长; K是吸收曲线起始点波段和末端点波段之间的斜率。

1.4 特征提取

光谱指数法是将特定波段或特定波段处的反射率值等进行某种形式的组合。 选取波段时应根据一定的分析基础作为参考, 以包含地物波谱特性机理, 可分性度量大为原则。 如常见的归一化植被指数NDVI、 比值植被指数RVI和差值植被指数DVI均能够与植被建立相关性, 是植被生长状态及植被覆盖度的最佳指示因子[16]。 考虑到伪装网一般存在于植被覆盖度较高的区域, 在此环境下比值指数具有更好的敏感性, 因此选择比值光谱指数RI(ratio spectral index)建立识别模型。 如式(3)所示, 其中R1, R2为波段1和波段2的反射率值。

RI=R1R2(3)

2 结果与讨论
2.1 伪装材料及目标背景光谱特征

根据研究背景环境植被的类型, 从ENVI标准波谱库中选取了针叶树(Conifer)、 落叶树(Decidous)和草本(Grass)这三种植被类型的光谱曲线, 以及北方地区针阔叶混交林中典型植被山杨(Aspen_Leaf-A DW92-2)、 松树(Pinon_Pine ANP92-14A needle)、 冷杉(Fir_Tree IH91-2)的光谱曲线。 图3(a)是浸水前后迷彩伪装网和6种植被的反射光谱对比。 可以发现不同浸水时间伪装网的光谱曲线的基本形态相似, 可见光部分反射率较低, 在400~480和660 nm处的蓝、 红光呈低谷, 在530 nm处有一个反射峰, 在680~760 nm波段反射率急剧增大, 几乎增加到最大值, 随后在760~1 000 nm基本保持不变。 进入近红外波段后, 反射率开始下降, 在1 200~1 750和1 850~2 100 nm附近处有不同程度的吸收谷特征, 主要为水分子吸收带。 浸水前后伪装网的返射光谱仅在1 900 nm附近存在差异性: 当浸水时间较短时, 伪装网反射光谱即呈现出明显的吸收特征; 随着浸水时间的增加, 反射率缓慢降低, 光谱曲线整体呈下降趋势。

图3 干燥/浸水状态迷彩伪装网与6种植被的平均光谱曲线(a)和1 800~2 250 nm处干燥/浸水状态迷彩伪装网与6种植被的光谱曲线(b)Fig.3 Average spectral curves of camouflage net and 6 planting coverings in dry/wet state (a) and spectral curves of camouflage net and vegetation in dry/wet state at 1 800~2 250 nm (b)

对比伪装网和各植被的光谱曲线, 在可见光波段干燥和浸水状态下的伪装网都与植被光谱具有较好的相似性; 在900~1 600 nm处, 伪装网的吸收特征与典型绿色植被的吸收特征之间存在明显差异; 对比不同状态下伪装网和各植被在1 800~2 250 nm处的反射光谱, 如图3(b)所示, 可以发现伪装网在该波段的吸收特征受水分影响较大, 分别计算干湿状态下伪装网和各植被的光谱角余弦值, 干燥状态下的伪装网和各植被的相似度均值为0.895, 而浸水状态下的伪装网与各植被的相似度均值上升到了0.939, 表明伪装网在该波段处的吸收特征会随着浸水处理而相似于植被的光谱吸收特征。 值得注意的是, 在植被光谱中, 1 400 nm波段附近是典型的水分子中O— H振动所导致的吸收特征波段。 但在本工作中, 由于伪装网材料本身特性与植被存在差异, 干燥状态下的伪装网在1 250~1 650 nm范围内出现了较宽的反射率低谷, 随着浸水时长的改变, 没有因水分含量变化产生明显的吸收特征。 该特征在其他伪装材料的相关研究中也有所体现[12]。

“ 绿色反射峰” 、 “ 红边” 、 “ 近红外高原” 和“ 水分吸收带” 是绿色植被反射光谱的共同特征, 为探测绿色植被环境中的光谱异常提供了基本的光谱参量[12]。 针对上述4个特征参量波段, 分别计算迷彩伪装网(干燥)和各植被的光谱角余弦, 如表1所示。 可以发现, 在550 nm波段的“ 绿色反射峰” 和680~780 nm波段的“ 红边” 处, 迷彩伪装网(干燥)和植被的反射光谱具有较好的匹配性, 计算相似度平均值分别为0.990 5和0.962 8。 在1 300~2 500 nm波段的“ 水分吸收带” 处, 迷彩伪装网(干燥)和植被的光谱匹配较差, 计算相似度平均值仅有0.735 7, 差异性较为明显。 然而在780~1 300 nm波段的“ 近红外高原” 处, 迷彩伪装网(干燥)和植被的反射光谱相似度均在0.98以上。 这是因为光谱角余弦是基于光谱曲线之间的几何测度, 更多的是从方向上区分差异, 而对绝对的数值不敏感, 虽然在这个波段范围两者相似度较高, 但是仍存在差异性。

表1 典型特征参量波段处植被与伪装网(干燥)的光谱角余弦值 Table 1 Spectral angle cosine values of vegetation and camouflage net (dry) at typical characteristic parameter bands

为有效识别迷彩伪装网, 进一步分析差异波段范围的识别特征, 对反射光谱进行包络线去除处理, 处理后的光谱曲线如图4所示。 相较于植被, 伪装网(干燥)在970和1 190 nm处无明显吸收特征, 在1 440 nm处具有较宽的吸收谷, 两者区分度较大。 在900~1 300 nm波段, 伪装网光谱曲线急速下降, 在1 300~1 600 nm波段, 伪装网的光谱曲线处于较宽的吸收谷底, 波动平稳, 斜率偏小; 而植被的光谱曲线波动较大, 在1 150~1 300 nm和1 300~1 440 nm波段分别存在陡升、 陡降现象, 斜率较大。

图4 迷彩伪装网和各植被的包络线去除结果Fig.4 Camouflage net and vegetation envelope removal results

通过以上分析可知, 迷彩伪装网(干燥)和植被在可见光波段反射光谱相似, 二者不易区分; 在近红外波段, 970, 1 190和1 440 nm附近处, 迷彩伪装网(干燥)和植被反射光谱差异明显, 可用于绿色植被环境中迷彩伪装网的识别。

2.2 伪装材料光谱特征指数及识别策略

通过对迷彩伪装网和绿色植被的波谱特征分析, 迷彩伪装网和各植被的光谱在900~1 900 nm波段范围内存在几处反射率斜率的明显差异。 据此为了有效识别迷彩伪装网, 选取吸收特征差异较为明显的1 150~1 440 nm波段, 尝试建立比值伪装指数(ratio camouflage index, RCI)

RCI1=R1190R1270RCI2=R1270R1440(4)

式(4)中: R1 190, R1 270和R1 440分别是1 190, 1 270和1 440 nm波段处的反射率。 其中, 1 190和1 270 nm波段的选取分别对应1 150~1 300 nm范围内与伪装网有差异的植被吸收谷的波谷及右肩波峰处的特征波段; 1 270和1 440 nm波段的选取分别对应1 300~1 440 nm范围内与伪装网有差异的植被吸收谷的左肩波峰及波谷处的特征波段。

分别计算迷彩伪装网和各植被的RCI值, 如表2所示。 在1 150~1 300 nm波段伪装网的反射率斜率均大于1.4, 在1 300~1 440 nm波段伪装网的反射率斜率均小于1.4, 且都与植被有所区别, 如果能同时满足这两个条件可把伪装网从绿色环境中识别出来, 故此设置识别阈值条件为: RCI1> 1.4; RCI2< 1.4。

表2 迷彩伪装网和各植被的RCI值 Table 2 RCI values of camouflage nets and vegetation

为了进一步验证指数的实用性, 将其应用到高光谱图像, 对图像内的迷彩伪装网进行识别划分, 结果如图5所示。 在识别提取结果中白色代表迷彩伪装网, 黑色部分代表其他背景地物。 从结果可以看出, 所提取的伪装网在形态和大小上基本与原始影像一致, 利用交并比计算实验结果的识别检测精度, 可达到0.95, 说明识别效果较为良好, 分类准确率较高。

图5 基于RCI指数构建识别策略及识别检测结果Fig.5 Construction of identification strategy and detection results based on RCI index

3 结论

针对北方地区典型丛林迷彩伪装网, 设计了室内高光谱观测实验以及高光谱成像观测实验, 对伪装网和北方地区地带性典型植被的反射光谱特征进行了深入分析, 并提取伪装网与植被的差异性光谱特征波段, 构建光谱比值指数RCI, 用于绿色环境中伪装目标的识别, 得到以下结论:

(1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段。

(2)丛林迷彩伪装网和植被在可见光波段的波动情况相似, 相似度均高于0.95, 但在近红外波段光谱特征差异明显, 尤其在1 300~2 500 nm波段, 相似度平均值只有0.735 7。 实验分析得出970, 1 190和1 440 nm波段附近处是典型伪装网成像识别的特征波段, 伪装网在1 300~1 600 nm波段光谱曲线波动平稳, 斜率偏小; 而植被的光谱曲线波动较大, 在1 150~1 300和1 300~1 440 nm波段分别存在陡升、 陡降现象, 斜率较大。

(3)基于丛林迷彩伪装网和植被的光谱特征差异构建了RCI指数, 用于基于高光谱图像的绿色环境中伪装目标的识别。 室内成像实验结果表明, 该指数识别伪装目标的准确率达到95%, 可以很好的将伪装网识别出来。

参考文献
[1] GUO Jia-qi, ZHANG Zhi-gang, HU Ze-bin, et al(郭家齐, 张志刚, 胡泽斌, 等). Infrared Technology(红外技术), 2016, 38(2): 96. [本文引用:1]
[2] TONG Qing-xi, ZHANG Bing, ZHANG Li-fu(童庆禧, 张兵, 张立福). National Remote Sensing Bulletin(遥感学报), 2016, 20(5): 689. [本文引用:1]
[3] Tan K, Ma W, Chen L, et al. Journal of Hazardous Materials, 2021, 401: 123288. [本文引用:1]
[4] Tan K, Wang H, Chen L, et al. Journal of Hazardous Materials, 2020, 382: 120987. [本文引用:1]
[5] Manolakis D G. Optical Engineering, 2005, 44(6): 1. [本文引用:1]
[6] Tiwaria K C, Aroraa M K, Singh D. lnternatiomal Journal of Applied Earth Obsernation and Geoinfonmaion, 2011, 13: 730. [本文引用:1]
[7] Shaw G, Manolakis D. Signal Processing Magazine IEEE, 2002, 19(1): 12. [本文引用:1]
[8] DU Pei-jun, XIA Jun-shi, XUE Zhao-hui, et al(杜培军, 夏俊士, 薛朝辉, 等). Journal of Remote Sensing(遥感学报), 2016, 20(2): 236. [本文引用:1]
[9] Mao Y C, Liu S J, Wu L X, et al. Canadian Journal of Remote Sensing, 2014, 40(5): 327. [本文引用:1]
[10] SONG Liang, LIU Shan-jun, MAO Ya-chun, et al(宋亮, 刘善军, 毛亚纯, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(4): 1148. [本文引用:1]
[11] LIU Kai-long, SUN Xiang-jun, ZHAO Zhi-yong, et al(刘凯龙, 孙向军, 赵志勇, 等). Journal of PLA University of Science and Technology·Natural Science Edition(解放军理工大学学报·自然科学版), 2005, (2): 166. [本文引用:1]
[12] LIU Zhi-ming, HU Bi-ru, WU Wen-jian, et al(刘志明, 胡碧茹, 吴文健, 等). Acta Photonica Sinica(光子学报), 2009, 38(4): 885. [本文引用:3]
[13] LU Yun-long, LIU Zhi-gang, WANG Bai-he(卢云龙, 刘志刚, 王百合). Detection of Vegetation Camouflage Target Based on Hyperspectral Images(基于高光谱图像的植被型伪装目标检测方法研究). The Second National Joint Academic Conference on Image and Graphics(第二届全国图像图形联合学术会议), 2013. [本文引用:1]
[14] FU Yan-yu, YANG Guang, LI De-jun, et al(付严宇, 杨桄, 李德军, 等). Laser & Optoelectronics Progress(激光与光电子学进展), 2021, 58(20): 518. [本文引用:1]
[15] GUO Li, XU Guo-yue, LI Cheng, et al(郭利, 徐国跃, 李澄, 等). Infrared Technology(红外技术), 2012, 34(10): 588. [本文引用:1]
[16] Pinty Bernard, Leprieur Catherine, Verstraete Michel M. Remote Sensing Reviews, 1993, 7(2): 127. [本文引用:1]