第四次实验MNF与端元选取

合集下载

基于代数余子式的N-FINDR快速端元提取算法

基于代数余子式的N-FINDR快速端元提取算法李琳;孟令博;孙康;赵永超【摘要】基于高光谱图像特征空间几何分布的端元提取方法通常可分为投影类算法和单形体体积最大类算法,通常前者精度不好,后者计算复杂度较高.该文提出一种基于代数余子式的快速N-FINDR端元提取算法(FCA),该算法融合了投影类算法速度快和单形体体积最大类算法精度高的优势,利用像元投影到端元矩阵元素的代数余子式构成的向量上的方法,寻找最大体积的单形体.此外,该算法在端元搜索方面较为灵活,每次迭代都可用纯度更高的像元代替已有端元,因此能保证用该端元确定的单形体,可以将特征空间中全部像元包含在内.仿真和实际高光谱数据实验结果表明,该文算法在精准提取出端元的同时,收敛速度非常快.【期刊名称】《电子与信息学报》【年(卷),期】2015(037)005【总页数】7页(P1128-1134)【关键词】图像处理;高光谱;端元提取;单形体;体积最大;代数余子式;投影【作者】李琳;孟令博;孙康;赵永超【作者单位】中国科学院电子学研究所北京100190;中国科学院大学北京100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190【正文语种】中文【中图分类】TP751.1高光谱遥感图像空间分辨率通常相对较低，再加上自然界地物的复杂性、多样性，故混合像元普遍存在于高光谱遥感图像中。

而混合像元的存在正是像元级遥感分类和面积测量精度难以达到使用要求的主要原因。

因此，光谱解混是分析高光谱图像的关键所在［1］。

在光谱解混过程中，端元提取算法可以提取出图像中只包含一种特征地物的纯像元。

常见的端元提取算法通常是在线性混合模型成立条件下［2，3］，基于高光谱图像特征空间几何分布的。

该几何分布是指图像中的像元分布在以端元为顶点的单形体结构中［4］。

时间域混合像元分析在海冰密集度变化研究中的应用

使得结果受到人为因素干扰，另外其所使用卫星数据（ＳＳＭ／Ｉ空间分辨率也偏低，对纯净单一地表覆盖类型构成的纯净）
作，其穿透云层和不受光照条件影响使其在极地海冰研究中占据主导地位。虽然各种高分辨率雷达数据已应用于海冰监
测研究，但其较窄的幅宽、较长的回归周期及昂贵的费用限
集度随时间变化端元波谱曲线，为研究海冰密集度的季节变
化提供了新的途径。虽然Ｐｗｏｒ］ｉｗａ［利用ＴＭＡ获取了北极不同类型的多年平均海冰密集度随时间变化的端元波谱曲
线。但其提取方法效率低，利用线性方程进行｝合像元分解昆端元选取数目受使用数据的波段数的限制，且交互式的方法
了像元提纯，来获取纯净像元，但是这种方法有其局限性：首先，ＭＮＦ本质是一种经过两次主成分变换的线性变换。通过数据轴的旋转，对噪声协方差矩阵进行主成分分析，以实现对噪声数据的波段之间去相关性，将其重新调整得到并单位方差的噪声数据。其次，第二次变换使用第一次变化所得到数据进行主成分分析。通过对处理后数据进行特征值和相应的影像进行检验，确定数据内在维度，实现噪声与信号
Ｏ２
２０
０
０
Ｏ
０２．
０４．
０６．
０８．
１０．
２
４
６
Ｍｏｔｎｈ
８
ｌ０
ｌ２
Ｊｎａｙｉｅｃｎｅｔｔｎａｕｒｃｏｃｎｒｉａｏ

ENVI高光谱数据处理流程

ENVI高光谱数据处理流程一、显示图像波谱1.打开文件：主菜单中，File→Open Image File→文件名.raw或者Window→Available Bands List→File →Open Image File→文件。

2.显示真彩色图像：波段列表（Available Bands Lis）中，右键→Load TrueColor。

3.*设置像素大小：主窗口（Display）中，右键→Pixel Locator。

4.绘制波谱：主窗口中，右键→Z Profile（Spectrum）。

5.收集任意点波谱：Spectral Profile中，Options→Collect Spectra，点击图像任6.光谱平滑：Spectral Profile中，Options→Set Z Profile Avg Window，将window7.部分光谱：主菜单→Basic Tools→Resize Data(Spatial/Spectral)→Spectral Subset，选择需要的光谱波段。

生成新的文件，右键→Load True Color to<new>。

显示新图像。

8.关闭所有文件：File→Close All Files。

二、标准波谱库主菜单→Spectral→Spectral Libraries→Spectral Library Viewer→安装文件夹下，ITT\IDL\IDL80\products\envi48\spec_lib。

共有usgs_min、veg _lib、jpl_lib、jhu_lib四个标准波谱库。

在Spectral Library Viewer中，单击波谱名称，自动显示波谱。

三、自定义波谱库1.输入波长范围：在菜单中，Spectral Spectral Library→Spectral Library Builder2.波谱收集：以从影像数据中收集波谱为例：a)打开高光谱图像，收集任意点波谱。

实验一：高光遥感数据的获取及分析

实验一高光谱遥感数据获取评分姓名：石佳兴学号：20133032001031、分别使用AVIRIS 和Hyperion 数据，如何针对植被、水体等不同地物进行假彩色合成选择合适的波段？方法：1.(标准)假彩色合成：根据加色法和减色法原理，选择遥感影像的某三个波段，分别赋予红、绿、蓝三种颜色，就可以合成彩色影像。

由于选择的颜色与原来遥感波段所代表的真实颜色不同，因此生成的合成色不是地物的真实颜色，这种合成叫做假彩色合成。

当遥感影像的绿波段赋蓝，红波段赋绿，近红外波段赋红时，这一合成被称为标准假彩色合成。

过程：根据方法中所述的原理，对于AVIRI遥感影像，可以分别赋予第52、31、21波段红、绿、蓝，来识别植被、水体等不同地物；对于Hyperion遥感影像，则可以分别赋予第111、31、21波段红、绿、蓝。

结果：AVIRIS 数据Hyperion 数据分析1.植被在可见光波段（0.38-0.76um）有一个小的反射峰，位置在0.55um（绿）处，在近红外波段（0.7--0.8um）有一个反射的“陡坡”，至1.1um附近有一个峰值。

根据标准假彩色的合成原理，绿波段被赋予蓝，红外波段被赋予红，绿色与红色相加为品红，因而植被在影像中大致呈红色。

2.水体的反射主要在蓝绿光波段，其他波段吸收都很强，根据标准假彩色合成原理，绿波段被赋蓝，因此一般的湖泊水库等均呈蓝黑色。

水体呈现深蓝色，植被呈现红色，通过标准假彩色合成较好的区分了植被、水体、建筑物等不同地物。

2分别从ETM+，AVIRIS 和Hyperion 数据中分别选取5 种不同的地物，提取曲线。

从光谱剖面曲线上，比较分析多光谱数据和高光谱数据的各自特点。

方法：提取5种不同地物所在区域的平均光谱数据。

过程：提取区域平均光谱数据的方法（1）首先，利用ROI 工具选取区域；（2）然后，在ROI Tool 的窗口中选中区域，再点击下方的Stats 按钮；（3）最后，在ROI Statistics Results 窗口中，点击File|Save ROI Results to text file…菜单，按照提示保存为文本文件；（4）将文本文件导入Excel 或Matlab，其中Mean 对应的数据列即为该区域的平均光谱。

高光谱遥感岩矿端元提取与分析方法研究

ＬＩＵＨａｎ — ｈｕ一．ＹＡＮＧＷｕ — ｎｉａｎ一ａｎｄＹＡＮＧＲｏｎｇ — ｈａ０２
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｅｏｈａｚａｒｄＰｒｅｖｅｎｔｉｏｎａｎｄＧｅｏｅｎｖｉｒｏｎｍｅｎｔＰｒｏｔｅｃｔｉｏｎ，ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ
口
Ｉ＿＿－
刘汉湖，一，杨武年一，杨容浩２
（１．成都理工大学地质灾害防治与地质环境保护国家重点实验室，四川成都２．成都理工大学国土资源部地学空间信息技术重点实验室，四川成都摘６１００５９；６１００５９）
ｎｏｉｓｅｆｒａｃｔｉｏｎ（ＭＮＦ）ａｎｄｐｉｘｅ１ｐｕｒｉｔｙｉｎｄｅｘ（ＰＰＩ）ａｎｄ，ｏｎｓｕｃｈａｂａｓｉｓ，ｅｘｔｒａｃｔｅｄｔｈｅｅｎｄ — ｍｅｍｂｅｒｓｐｅｃｔｒａｂｙ
ｕｓｉｎｇｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌｓｃａｔｔｅｒｄｉａｇｒａｍａｎｄｔｈｒｅｅ — ｄｉｍｅｎｓｉｏｎｌａｓｃａｔｔｅｒｄｉａｇｒｍ，ａａｎｄｃｏｎｄｕｃｔｅｄｔｈｅｒｅｓｅｒｃａｈｏｎｔｈｅ

高光谱解混方法研究

高光谱解混方法研究严阳;华文深;刘恂;崔子浩【摘要】高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中.混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一.高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义.高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混.归纳了线性光谱解混的两个步骤:(1)提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;(2)利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演.简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法.通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望.【期刊名称】《激光技术》【年(卷),期】2018(042)005【总页数】7页(P692-698)【关键词】光谱学;高光谱图像;线性解混;端元提取【作者】严阳;华文深;刘恂;崔子浩【作者单位】陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003【正文语种】中文【中图分类】TP751引言高光谱图像通过光谱仪采集，能同时获得光谱信息和图像信息，具有图谱合一的优点[1]，使得其在军事目标检测、农作物分类、矿物探测等多个领域都得到广泛应用。

高光谱图像的光谱分辨率在不断提高，但是空间分辨率仍旧较低。

由于高光谱遥感图像在采集图像时，是以像元为单位来获取地面物体的光谱信息，高光谱图像中的每一个像元都对应着具有一定面积的地表区域，而区域的大小由光谱仪的空间分辨率决定。

因此，当空间分辨率较低时，图像中将会出现大量混合像元，导致目标的分类精度降低。

若一个像元里仅仅包含一种物体，则该像元是纯净像元，包含纯净的光谱信号的像元称之为端元;当光谱仪空间分辨率较低时，一个像元里含有多种物质混合，则包含混合光谱信号的像元称作混合像元[2]。

对nmf原理及应用的心得

对NMF原理及应用的心得1. 引言Non-negative Matrix Factorization（NMF），中文翻译为非负矩阵分解，是一种在机器学习和数据分析领域中常用的技术。

NMF通过将一个非负矩阵分解为两个非负矩阵的乘积，从而实现低维表示或特征提取。

在本文中，我将分享我对NMF原理及应用的一些心得和体会。

2. NMF原理2.1 矩阵分解NMF的核心思想是将一个非负的高维矩阵V近似分解为两个非负低维矩阵W和H的乘积，即：V ≈ WH。

其中，矩阵V是一个m行n列的非负矩阵，W是一个m行k列的非负基矩阵，H是一个k行n列的非负系数矩阵。

通过这种分解，可以实现对矩阵V的压缩表示和特征提取。

2.2 NMF的目标函数在NMF中，常用的目标函数是平方误差损失函数。

即，最小化V与WH之间的欧氏距离：$$E = \\| V - WH \\|_F^2 = \\sum_{i,j} (V_{i,j} - WH_{i,j})^2$$其中，$\\| \\cdot \\|_F$表示Frobenius范数。

NMF的优化问题即求解使得目标函数最小的非负矩阵W和H。

3. NMF应用NMF具有广泛的应用场景，下面列举了几个常见的应用领域：• 3.1 图像处理NMF可以用于图像压缩、图像去噪、图像分割等领域。

通过对图像矩阵的NMF分解，可以得到基矩阵和系数矩阵，其中基矩阵表示图像的特征，系数矩阵表示图像中每个像素对于特征的贡献程度。

通过调整特征的选取和系数的权重，可以实现图像的压缩和去噪等功能。

• 3.2 文本挖掘NMF可以进行主题提取和文本分类等任务。

对于一个包含大量文档的矩阵，NMF可以将每个文档表示为基矩阵和系数矩阵的乘积。

基矩阵表示不同主题或语义特征，系数矩阵表示每个文档对于各个主题的权重。

通过调整主题的选取和权重的分配，可以实现文本的主题提取和分类。

• 3.3 音频处理NMF可以用于音频信号的分离和降噪。

对于一个包含多个音频信号的矩阵，NMF可以将每个信号表示为基矩阵和系数矩阵的乘积。

基于随机NMF理论的高光谱端元抽取

第39卷第1期2020年2月南昌工程学院学报Journal of Nanchang Institute of TechnologyVol.39No.1Feb.2020文章编号：1674-0076(2020)01-0086-07基于随机NMF理论的高光谱端元抽取刘雪松，谭文群，彭天亮(南昌工程学院江西省水信息协同感知与智能处理重点实验室，江西南昌330099)摘要：高光谱端元抽取是光谱解混的一部分。

非负矩阵分解(NMF)理论由于其能够很好的保持数据的非负特性,被广泛的应用于光谱解混。

随着高光谱设备的提高，摄像机的光谱频带数也从几百个频带扩展到几千个频带。

从而使光谱数据也越来越大。

经典NMF理论是块处理法，数据越大，计算量也大幅增加。

为了加快光谱解混速度，提出了基于随机L1/2NMF理论的端元抽取方法，与经典NMF相比，该方法能够快速提升算法速度，并且能够保证很好的解混精度。

最后，用真实仿真数据验证了随机NMF理论的有效性。

关键词:端元抽取;光谱解混;非负矩阵分解;随机中图分类号:TP751文献标志码:AHyperspectral endmember extraction based on random NMF theoryLlUXuesong,TAN Wenqun,PENG Tianliang(Jiangxi Province Key Lab o£Water Information Cooperative Sensing and Intelligent Processing,Nanchang Institute of Technology,Nanchang330099,China)Abstract:Hyperspectral endmember extraction is part of spectral unmixing.The non-negative matrix factorization(NMF) theory is widely used in spectral unmixing because it can well maintain the non-negative properties of data.As hyperspectral devices increase,the number o£spectral bands in a camera also extends from hundreds o£bands to thousands of bands.As a result,the spectral data is also growing.The classical NMF theory is a block processing method.The larger the data,the larger the calculation amount.In order to speed up the spectral unmixing speed,this paper proposes an endmember extraction method based on random L1/2NMF pared with the classical NMF,this method can quickly improve the algorithm speed and ensure good unmixing precision.Finally,we validate the validity of the random NMF theory with real simulation data.Key words:endmember extraction；spectral unmixing；non-negative matrix factorization；random高光谱图像通常是包含了几百个波段的图像的集合。

ENVI高光谱数据处理流程

ENVI高光谱数据处理流程一、显示图像波谱1.打开文件：主菜单中，File→Open Image File→文件名.raw或者Window→Available Bands List→File →Open Image File→文件。

2.显示真彩色图像：波段列表（Available Bands Lis）中，右键→Load TrueColor。

3.*设置像素大小：主窗口（Display）中，右键→Pixel Locator。

4.绘制波谱：主窗口中，右键→Z Profile（Spectrum）。

生成新的文件，右键→Load True Color to<new>。

显示新图像。

8.关闭所有文件：File→Close All Files。

二、标准波谱库主菜单→Spectral→Spectral Libraries→Spectral Library Viewer→安装文件夹下，ITT\IDL\IDL80\products\envi48\spec_lib。

共有usgs_min、veg _lib、jpl_lib、jhu_lib四个标准波谱库。

在Spectral Library Viewer中，单击波谱名称，自动显示波谱。

基于分类结果的多光谱遥感影像端元提取方法

Science &Technology Vision 科技视界0引言遥感影像的像元很少是由单一均质的地表覆盖类型组成,一般都是几种地物的混合。

因此影像中像元的光谱特征并不是单一地物的光谱特征,而是几种地物光谱特征的混合反映,这给遥感解译造成困扰。

混合像元问题不仅是遥感技术向定量化深入发展的重要障碍,而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。

遥感影像端元提取是理解遥感影像空间与特征空间的纽带,它是进行遥感影像混合像元分解的首要步骤,直接影响混合像元分解的精度,是进行定量遥感反演的基础,因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。

现行的端元来源有两种,一是使用光谱仪在地面或实验室测量到的“参考端元”[3];二是在遥感图像上得到的“图像端元”[4]。

但是由于各种因素,诸如不同传感器光谱响应、大气影响、辐射条件等,地面实测光谱很难与影响建立起关系,并且实测有较大的主观性。

而从影像本身获取端元简单、方便,且获取的端元具有与影像数据相同的度量尺度[5],因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。

目前,国内外针对端元提取的算法大都集中于高光谱影像,高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6],而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。

如何从多光谱影像仅有的几个波段中有效的提取端元信息,是多光谱遥感影像混合像元分解的关键。

现行的端元提取算法集中于凸面体分析,通过求取影像的本征维数来确定端元的数目,端元数目即为本征维数加一[7]。

以TM 多光谱影像为例,分辨率为30米的多光谱影像有6个波段,即便这6个波段互不相关,其本征维数不会超过6维,最多能够提取7个端元。

对于实际应用来说,端元提取的理论在TM 等多光谱影像上是难以应用的。

为此,本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。

该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元,解决了多光谱遥感影像端元提取数量限制和精度问题,为多光谱遥感影像端元提取提供了新的思路。

基于高光谱遥感的岩矿端元识别及信息提取研究

基于高光谱遥感的岩矿端元识别及信息提取研究林娜;杨武年;刘汉湖【摘要】以美国内华达州Cuprite地区的AVIRIS数据作为数据源,通过最小噪声分离变换(MNF)确定影像数据内在的维数,隔离数据中的噪声；然后计算像元纯净指数(PPI),得到“极纯”像元；将之输入到N维可视化器中提取端元波谱；利用波谱库进行波谱分析识别端元；最后利用匹配滤波(MF)和混合调制匹配滤波(MTMF)进行矿物信息提取,发现MTMF矿物信息提取的结果明显优于MF,并且对于分布比较集中的矿物识别的效果要更好.%AVIRIS reflectance data inCuprite,Nevada,United States was used. First the image intrinsic dimension was determined and data noise was isolated by minimum noise fraction rotation; then pixel purity index (PPI) was calculated and 7 "very pure" pixels was obtained. Afterwards, put them into n-dimensional visualizer to extract endmember spectrum; and the endmember was identified by the spectral analysis. At last the Matched Filtering (MF) and Mixture-Tuned Matched Filtering (MTMF)was used for mineral information extraction. The MTMF results are significantly better than MF,and for minerals which have a concentrated distribution the result is much better.【期刊名称】《遥感信息》【年(卷),期】2011(000)005【总页数】108页(P11-117,99)【关键词】高光谱;AVIRIS;PPI;N维可视化器;端元;混合调制匹配滤波【作者】林娜;杨武年;刘汉湖【作者单位】成都理工大学地质灾害防治与地质环境保护国家重点实验室/遥感与GIS研究所,成都610059;重庆工商大学重庆市发展信息管理工程技术研究中心,重庆400067;成都理工大学地质灾害防治与地质环境保护国家重点实验室/遥感与GIS研究所,成都610059;成都理工大学地质灾害防治与地质环境保护国家重点实验室/遥感与GIS研究所,成都610059【正文语种】中文【中图分类】TP721 引言80年代初期成像光谱概念的出现，使光学遥感进入了一个斩新的阶段——高光谱遥感。

整理的高光谱数据的矿物填图技术知识讲解

常见高光谱矿物填图流程
最大噪声分离（MNF）变换
成像光谱的光谱分辨率很高，波段多，数据海量，且波段之间的相关性很强，数据冗余度高，需要在端元选取和矿物识别之前对数据作减维，并弱化噪声。最常用的方法是“最大噪声组分变换”。
MNF相当于所有波段噪声方差都相等时的主成分分析，可分为两步实现：第一步，先将图像变换到一个新的坐标系统，使变换后图像噪声的协方差矩阵为单位阵；第二步，对变换后的图像进行主成分变换。
Hyperion是第一个星载民用成像光谱仪，采用了谱像合一技术为使用者提供了242个波段，光谱范围覆盖 355~2577nm（Hyperion数据的三位光谱剖面图见图 4-1），传感器空间分辨率30米。
Hyperion产品命名规则
Hyperion Level 1R数据文件命名具有一定的规则： EO1SPPPRRRYYYYD.4～1.3μm的光谱特性主要取决于矿物晶格结构中存在的铁、铜、镍、锰等过渡性金属元素的电子跃迁；
1.3～2.5μm的光谱特性是由矿物组成中的碳酸根（CO 3 2− ）、羟基（OH − ）及可能存在的水分子（H2O）决定的；
3～5μm的光谱特性是由Si-O，Al-O 等分子键的振动模式决定的。
N维可视化（n-Dimensional Visualization ）
由于PPI算法本身确定的并不是最终的端元，而是从图像众多像元中选出包含有端元像元的较小像元子集。所以，一般要将PPI的处理结果输入到N维可视化工具中，选择出最终的端元像元。
在N维可视化中，光谱可视为n维散点图中的一个点， n是波段数。对给定的像元，n维空间中组成n值的点的坐标是每个波段的光谱反射率。这些点在n维空间的分布可用于估计光谱端元数和它们的纯光谱特征。这种混合光谱的凸面几何特征，可用于确定端元光谱数并估算它们的光谱特征，经过PPI选择出的潜在端元光谱输入n维散点图中进行反复旋转以识别出纯端元。较好的端元通常会出现在n维散点图的顶点和拐角处，当一系列的端元点被确定后，就可以将其输入到图像中的感兴趣区(ROI)，从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。

混合像元分解和其应用ENVI操作讲解

一鉴于 PPI 的端元提取借助纯净像元指数（ PPI）和 n 维可视化工具用于端元波谱采集。

第一步、获取纯净像元这个步骤是在 MNF变换的结果上计算纯净像元指数（ PPI），以后选择阈值范围从 PPI 图像上获取感兴趣区，感兴趣区包括的像元就是比较纯净的像元。

（1）翻开高光谱数据。

（2）在 ENVI主菜单中，选择 Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a 。

在标准 ENVI文件选择对话框中，选择高光谱图像文件。

（3）翻开 Forward MNF Transform Parameters 面板，选择 MNF输出路径及文件名，单击 OK履行MNF变换。

（4）在波段列表中输出 MNF影像及特点曲线值。

从图中能够看出，大概 20 个波段此后的 MNF的特点值很小（5）MNF变换后，在 ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] NewOutput Band。

在翻开的 Pixel Purity Index Input File 对话框中，选择 MNF变换结果，单击 Spectral Subset 按钮，选择前面 10 个波段（ MNF后边波段基本为噪声），单击 OK。

（6）在 Display 窗口中显示 PPI 结果。

选择 Overlay->Region of Interest ，在 ROI Tool 面板中，选择 Options->Band Threshold to ROI，选择 PPI 图像作为输入波段，单击 OK，翻开 Band Threshold to ROI面板（图 14.19 ）。

Min Thresh Value ：10，Max Thresh Value ：空（ PPI 图像最大值），其余默认设置，单击 OK计算感兴趣区，获取的感兴趣区显示在 Display 窗口中。

【配套K12】2018年高考生物重难点突破强化练第42练正确推理DNA相关计算苏教版

正确推理DNA相关计算1．在搭建DNA分子模型的实验中，若有4种碱基塑料片共20个，其中4个C,6个G,3个A,7个T，脱氧核糖和磷酸之间的连接物14个，脱氧核糖塑料片40个，磷酸塑料片100个，代表氢键的连接物若干，脱氧核糖和碱基之间的连接物若干，则( )A．能搭出20个脱氧核苷酸B．所搭建的DNA分子片段最长为7个碱基对C．能搭建410种不同的DNA分子模型D．能搭建出一个4碱基对的DNA分子片段2．若在一个双链DNA分子中鸟嘌呤和胞嘧啶之和占碱基总和的44%，在其中的一条链中A 和C分别占该链碱基数的22%和30%，那么在另一条链中腺嘌呤和胞嘧啶分别占该链碱基数的比值为( )A．34%、14% B．22%、30%C．14%、34% D．20%、28%3．一个用15N标记的DNA分子含有400个碱基对，其中腺嘌呤160个，在不含15N的DNA的培养液中经过n次复制后，不含15N的DNA分子总数与含15N的DNA分子总数之比为7∶1，复制过程共需游离的鸟嘌呤为m个，则n、m分别是( )A．3 900 B．4 3 600C．4 320 D．3 8404．某DNA分子含有腺嘌呤200个，该DNA复制数次后，消耗了周围环境中3 000个含腺嘌呤的脱氧核苷酸，则该DNA分子已经复制了多少次( )A．3次B．4次C．5次D．6次5．(2017·牡丹江第一高中模拟)甲生物核酸的碱基组成为：嘌呤占46%，嘧啶占54%。

乙生物遗传物质的碱基组成为：嘌呤占34%，嘧啶占66%。

则以下分别表示甲、乙生物正确的是( )A．蓝藻变形虫B．T2噬菌体豌豆C．硝化细菌绵羊D．肺炎双球菌烟草花叶病毒6．将一个不含放射性同位素32P标记的大肠杆菌(拟核DNA呈环状，共含有m个碱基，其中有a个胸腺嘧啶)放在含有32P标记的胸腺嘧啶脱氧核苷酸的培养基中培养一段时间，检测到如图Ⅰ、Ⅱ两种类型的DNA(虚线表示含有放射性的脱氧核苷酸链)。

实验四代文宁定理的验证

有源二端网络
25.2 14.0 13.8 10.1 8.33
ImmmmmA
A
A
A
A
P
0W
0.03 W
0.35 W
0.03 W
0.02 8 W
U
0.0V
2.14 2.50 3.02 3.33
V
V
V
V
代文宁
252 14.0 13.8 10.1 8.33
等效
I
m
m
m
m
m
电路
A
A
A
A
A
P
0W
0.03 W
0.35 W
0.03 W
0.02 8 W
PART ONE
测量结果可知，a图有源二端网络与b 其代文宁等效电路对外电路的影响相；且当外加负载RL等于内阻R0时，负可得到最大功率。
实验四代文宁定理的验证
1
实验完成时间
单击此处添加正文，文字是您思想的提炼，为了演示发布的良好效果，请言简意赅地阐述您的观点。您的内容已经简明扼要，字字珠玑，但信息却千丝万缕、错综复杂，需要用更多的文字来表述；但请您尽可能提炼思想的精髓，否则容易造成观者的阅读压力，适得其反。正如我们都希望改变世界，希望给别人带去光明，但更多时候我们只需要播下一颗种子，自然有微风吹拂，雨露滋养。恰如其分地表达观点，往往事半功倍。
2
实验目的
一．验证代文宁定理,并加深对定理的理解。
二．
掌握有源二端网络的开路电压和入端等效电阻的测定方法，并了解各种测量方法的特点。
三．证实有源二端网络输出最大功率的条件。
实验电路及原理分析

植被覆盖度反演

题目：植被遥感监测具有很长的历史，植被遥感中植被覆盖反演是主要内容之一，线性分解模型是混合像元分解法的一种，根据混合像元分解及线性分解模型的原理，利用红碱淖2016年6月17日Landsat8 OLI数据，求取研究区植被覆盖度（写出详细计算过程和步骤）。

一、操作思路：端元代表影像中的纯净像元，求取植被覆盖度即求取端元的丰度，因此采用混合像元分解及线性分解模型进行混合像元分解，得到端元以及相应的丰度影像，即为植被覆盖度影像。

二、操作步骤：1.影像预处理由于操作时间的限制和硬件设备的不允许，将影像选取一定的区域进行裁剪，感兴趣区域为roi1文件，得到裁剪后影像2016new文件，导入影像，进行影像的预处理，包括辐射定标和大气校正步骤，辐射定标采用Radiometric Calibration工具，大气校正采用FLAASH工具，分别得到辐射定标结果2016_rad1和2016_ref文件。

变换采用MNF变换工具，可将数据波段进行“降维”，提取出有用信息集中的波段，去除噪声信息集中的波段，利用Forward MNF Estimate Noise Statistic 将数据进行MNF变换，得到MNF变换结果2016_MNF和噪声文件MNF_Noise和统计文件MNF_Statistic文件。

变换纯净像元指数法指像元被标记为纯净像元的次数，可以将混合像元进行分解，有效的提取出端元。

由于操作时间的限制和硬件设备的不允许，将MNF变换后影像与原影像选取一定的同样区域进行裁剪，感兴趣区域选择ROI2文件，得到裁剪结果为2016_MNF_sub和2016new_sub文件。

在MNF变换后发现有用信息集中在1、2、3波段，因此利用Pixel PurityIndex 工具，将MNF变换后影像选择1、2、3波段进行端元提取，阈值设为，操作的结果为2016_PPI文件。

维可视化利用N维可视化工具可以将端元更好的显示，有利于更加直观的确定端元，在N维可视化窗口中，选中1、2、3波段，在显示窗口中将较为集中的区域定为端元，进行类（class）的划定，一共确定三类，利用mean all工具将三类端元的波谱显示出来，并保存为波谱库2016_sli文件。

第四次实验MNF与端元选取

第四次实验 MNF与端元选取寻找一幅高光谱遥感影像，按照上述过程寻找端元。

观察端元光谱的差异，并分析光谱混合的原因。

图一.加载高光谱遥感影像进行下列操作：Transform->MNF Rotation->Forward MNF->Estimate Noise Statistics From Data选择cup95eff.int文件，默认SpatialSubsetting ,Spectral Subsetting,和Masking，点击OK，打开Forword MNF Transfrom Parameters对话框图二.指定文件名和参数图三.ENVI运行完毕，出现MNF Eigenvalues的绘图窗口在Available Bandsaw List窗口中选择cup95mnf.dat，选择第一个波段，选择Gray Scale，点击Display#1，选择New Display和load Band，打开灰度图像。

图四.按照灰度图像的方式打开在cup95mnf的窗口上选择Tools->2D Scatter Plots,在Scatter Plots Band Choice对话框中选择不同的两个编号差异比较大的波段band1和band25.图五. band1 MNF散点图在Scatter Plot窗口中，选择Options->Change Bands,打开Band Choice对话框，X和Y分别对应选择MNF Band1和MNF Band2，点击OK。

选择Options->Image:ROI,在窗口中点云的拐角或者延伸出去的位置选择部分数据点。

图六. 在点云的拐角数据点图七.在MNF的Image window可以看到相应的像素点图八.保存ROI结果在cup95eff 窗口的菜单中选择Overlay → Region of Interest，将保存的ROI 调入到cup95eff 的显示窗口。

2020-2021学年湖南省永州市瑞华学校高一生物测试题含解析

2020-2021学年湖南省永州市瑞华学校高一生物测试题含解析一、选择题（本题共40小题，每小题1.5分。

在每小题给出的四个选项中，只有一项是符合题目要求的。

）1. 测交法可用来检验F1是不是纯合子的关键原因是 ( )A．测交子代出现不同的表现型B．与F1进行测交的个体是隐性纯合子C．测交不受其他花粉等因素的影响D．测交后代的表现型及比例能直接反映F1的配子类型及比例参考答案：D2. 最先确定酶的化学本质是蛋白质的科学家是A.萨姆纳B.巴斯德C.奥斯曼D.斯帕兰札尼参考答案：A最先确定酶的化学本质是蛋白质的科学家是萨姆纳。

20世纪20年代，萨姆纳相信酶是蛋白质。

他从1917年开始用刀豆粉为原料，分离提纯其中的脲酶（刀豆中脲酶多，易于测定）。

1926年他成功地分离出一种脲酶活性很强的蛋白质。

这是生物化学史上首次得到的结晶酶，也是首次直接证明酶是蛋白质，推动了酶学的发展。

1937年他又得到了过氧化氢酶的结晶，还提纯了几种其他的酶。

由于脲酶和其他酶的工作，他于1946年获得诺贝尔化学奖，故选A。

【考点定位】酶的化学本质【名师点睛】酶本质的探索A．3种、9种 B．3种、16种 C．4种、8种 D．4种、9种参考答案：D略4. 人体的免疫功能，可清除自身损伤细胞。

在这一生理过程中，损伤细胞属于A．病原体 B．抗原性物质 C．抗体 D．自身物质参考答案：B5. 在小麦中，高秆抗锈病（DDTT）与矮秆易染病（ddtt）的两个植株杂交，其F2中能稳定遗传的矮秆抗锈病植株占F2总个体数的A．1/16 B．1/8 C．3/16 D．1/4参考答案：A6. 蛋白质鉴定时，事先留出一些黄豆组织样液的目的是（）A. 与反应后的颜色做对比B. 失败后重做一遍C. 鉴定可溶性还原糖D. 留下次实验用参考答案：A生物学实验遵循对照性原则，特别是观察化学反应过程中颜色变化的实验，必须事先把实验样液留一份作为对照，便于最后与结果作比较，这样可以增强说服力。