光譜信息
- 基于空譜聯(lián)合的醫(yī)學(xué)圖像分類方法
含每個像元的光譜信息，真正實(shí)現(xiàn)了“圖譜合一”。這使得高光譜成像在目標(biāo)檢測［1］、環(huán)境監(jiān)測［2］、地物識別［3］和醫(yī)療診斷［4-5］等領(lǐng)域都有著廣泛的應(yīng)用。 然而，傳統(tǒng)的高光譜分類方法，如K 近鄰學(xué)習(xí)算法和光譜角匹配算法等，這些算法僅利用高光譜圖像的光譜信息而忽略了空間信息，這導(dǎo)致了“異物同譜”和“同物異譜”等現(xiàn)象的發(fā)生。近年來，為了充分利用高光譜圖像所包含的豐富信息，更多的研究人員關(guān)注于將高光譜圖像中光譜信息和空間信息聯(lián)合［6-7］用于圖像分類的研究。付青
- 融合卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像全色銳化
但擁有豐富的光譜信息，后者分辨率較高但含有的光譜信息較少。全色銳化通常利用較高空間分辨率的PAN 圖像對較低空間分辨率的多光譜（Multi-Spectral，MS）圖像進(jìn)行銳化，從而獲得高空間分辨率多光譜（High-Resolution Multi-Spectral，HRMS）圖像。解決全色銳化問題的方法分為傳統(tǒng)方法和基于深度學(xué)習(xí)的方法兩大類。傳統(tǒng)方法包括成分替換（Component Substitution，CS）、多分辨率分析（Multi-Resolu
計(jì)算機(jī)應(yīng)用 2023年9期2023-09-27
- 基于離散小波技術(shù)定量反演冬小麥葉片含水量的研究
對冬小麥冠層光譜信息的干擾作用, 進(jìn)而增加了獲取冬小麥水分供給信息的難度。 故, 抑制噪聲干擾, 分離可用光譜信息對于提升冬小麥水分供給信息的檢測精度具有重要意義。葉片是冬小麥植株進(jìn)行光能吸收、 轉(zhuǎn)化、 固定的重要器官, 其含水量是評估冬小麥植株水分供給狀態(tài)的重要指標(biāo)[4-5], 也是大田灌溉措施決策的基礎(chǔ)數(shù)據(jù)。 通過田間地面實(shí)驗(yàn)監(jiān)測與輻射傳輸模型的定量分析確認(rèn)了葉片含水量與其冠層光譜間具有較強(qiáng)的響應(yīng)特征[6], 二者間存在較強(qiáng)的內(nèi)在關(guān)聯(lián), 與冬小麥葉片含
光譜學(xué)與光譜分析 2023年9期2023-09-11
- 結(jié)合卷積注意模塊與卷積自編碼器的細(xì)節(jié)注入遙感圖像融合
像具有豐富的光譜信息，利用其互補(bǔ)信息生成具有高空間分辨率的多光譜波段圖像［2］，提高圖像的可視效果。目前遙感圖像融合的方法主要分為四種類型［2］：1）分量替換（Component Substitution，CS），如強(qiáng)度-色調(diào)-飽和度（Intensity Hue Saturation，IHS）變換［3］，主成分分析（Principal Component Analysis，PCA）［4］和Gram-Schmidt（GS）［1］等；2）多分辨率分析（Mult
光子學(xué)報(bào) 2022年6期2022-07-27
- 近紅外高光譜大米典型特征提取分類識別
間信息和多維光譜信息, 獲取目標(biāo)高分辨率、 高質(zhì)量成像數(shù)據(jù). 目前, 提取高光譜感興趣區(qū)域(region of interest, ROI)方法很多, 吳瓊[3]和曹崴[4]利用ENVI軟件獲取高光譜ROI區(qū)域譜段信息是應(yīng)用最廣泛的方法, 但其提取速度較慢, 人工操作頻繁, 易導(dǎo)致新誤差. 圖像分割作為模式識別的重要方法已廣泛應(yīng)用于數(shù)字圖像預(yù)處理, Chala等[5]利用卷積神經(jīng)網(wǎng)絡(luò)提出了一種視網(wǎng)膜圖像自動分割編/解碼器結(jié)構(gòu)方法; Triki等[6]提出了
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2022年3期2022-07-07
- 均值+方差二維表征高光譜信息的蘋果腐敗預(yù)警方法
度平均值作為光譜信息表征結(jié)果的果蔬腐敗預(yù)警模型構(gòu)建方法已有報(bào)道[1]； 但模型的穩(wěn)健性、 準(zhǔn)確性不太理想。 分析認(rèn)為，由于均值表征僅反映了整體光譜信息(可稱為靜態(tài)信息)，而光譜信息的變化情況(可稱為動態(tài)信息)沒有得到反映，致使高光譜信息的表征不夠充分。 高光譜圖像灰度值的方差可以表征光譜信息的波動情況，體現(xiàn)了光譜信息的動態(tài)性。 因此，擬嘗試基于均值和方差二維表征思路開展蘋果貯藏過程中腐敗預(yù)警模型構(gòu)建方法的研究，并建立蘋果巴氏距離腐敗預(yù)警模型。1 實(shí)驗(yàn)部分1
光譜學(xué)與光譜分析 2022年7期2022-07-06
- 基于高光譜與集成學(xué)習(xí)的單粒玉米種子水分檢測模型
結(jié)構(gòu)區(qū)域的高光譜信息，采用競爭性自適應(yīng)重加權(quán)變量選擇算法、遺傳算法、連續(xù)投影算法篩選特征波段，建立并比較偏最小二乘回歸模型對水分含量的預(yù)測效果。結(jié)果表明，提取玉米籽粒胚結(jié)構(gòu)的圖譜信息較全表面光譜信息更高效。COGDILL等[12]在波長750～1 090 nm范圍內(nèi)建立了一種基于高光譜成像預(yù)測單粒玉米種子的水分和油脂含量的模型。采用偏最小二乘回歸和主成分回歸作為建模算法，并比較了標(biāo)準(zhǔn)正態(tài)變換、去趨勢項(xiàng)、多元散射校正、遺傳算法和不經(jīng)過預(yù)處理對模型預(yù)測性能的影
農(nóng)業(yè)機(jī)械學(xué)報(bào) 2022年5期2022-06-21
- 一種基于棧式壓縮自編碼的高光譜圖像分類方法
出了很多基于光譜信息的分類算法，如K近鄰、貝葉斯、最大似然估計(jì)及隨機(jī)森林等[3-5]。雖然這些算法取得了較好的分類效果，但由于高光譜圖像存在“同物異譜、同譜異物”現(xiàn)象，且樣本標(biāo)注點(diǎn)較少，導(dǎo)致以上算法存在分類精度較低、模型穩(wěn)定性差。支持向量機(jī)(support vector machine,簡稱SVM)對高維數(shù)據(jù)的敏感度較低，可以解決光譜維數(shù)過高出現(xiàn)的Hughes現(xiàn)象[6]，Wang等[7]將復(fù)合核引入支持向量機(jī)，提高了其分類性能。文獻(xiàn)[8-9]將復(fù)合核引入支
桂林電子科技大學(xué)學(xué)報(bào) 2021年4期2022-01-05
- 基于不同光譜匹配算法的無人機(jī)高光譜遙感影像建筑垃圾分類研究*
值編碼匹配和光譜信息散度等［20］.段瑞魯?shù)龋?1］基于實(shí)測的沙丘植被光譜數(shù)據(jù)，對比最小距離、光譜角度匹配、光譜相關(guān)系數(shù)和光譜信息散度4種光譜匹配模型，成功實(shí)現(xiàn)了沙丘典型植被的分類；趙冬娥等［22］提取了多種常見生活垃圾的特征波段，在此基礎(chǔ)上，利用光譜角匹配算法成功實(shí)現(xiàn)了生活垃圾的識別分類，分類準(zhǔn)確度均達(dá)99.0%以上；明群杰［23］采用HJ-1A高光譜數(shù)據(jù)結(jié)合植被光譜庫數(shù)據(jù)，分析了交叉相關(guān)光譜匹配、光譜角匹配和小波變換等多種匹配算法的適用性，對研究區(qū)內(nèi)的
- 基于EMP與混合核SVM的高光譜遙感影像分類
對空間信息與光譜信息的疊加信息進(jìn)行統(tǒng)一處理，并未考慮混合核函數(shù)的形式。由于SVM不同核函數(shù)具有不同的特性，且空間信息與光譜信息存在差異性，因此如何構(gòu)造混合核函數(shù)來有效地結(jié)合空間信息與光譜信息成為一個難點(diǎn)問題。鑒于此，本文提出了一種全新的基于擴(kuò)展的形態(tài)學(xué)剖面（EMP）與混合核SVM的高光譜影像分類方法。該方法既利用EMP提取了高光譜影像中的空間特征，并將空間特征與光譜特征進(jìn)行有效結(jié)合，又在單核SVM的基礎(chǔ)上構(gòu)建了兩種混合核SVM，充分發(fā)揮了混合核SVM的優(yōu)勢
地理空間信息 2021年11期2021-12-03
- 基于殘差3DCNN和三維Gabor濾波器的高光譜圖像分類
，包含豐富的光譜信息，因此被廣泛應(yīng)用于地物分類中，但仍存在著維數(shù)災(zāi)難的問題。高光譜圖像中同時也含有豐富的紋理信息，有效利用紋理信息能夠顯著提高分類精度。三維Gabor濾波器不僅能夠保留圖像豐富的光譜信息，還能提取到圖像的紋理特征。為了充分利用高光譜圖像的特征，提出一種基于三維Gabor和殘差三維卷積神經(jīng)網(wǎng)絡(luò)(Res-3DCNN)的分類方法。三維卷積神經(jīng)網(wǎng)絡(luò)(3DCNN)能夠直接對三維立方體數(shù)據(jù)進(jìn)行處理，提取到深層紋理-光譜信息，然而隨著網(wǎng)絡(luò)層的加深會產(chǎn)生網(wǎng)
圖學(xué)學(xué)報(bào) 2021年5期2021-11-09
- 基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識別算法研究
神經(jīng)網(wǎng)絡(luò)的多光譜信息融合的樹種識別算法，對樹種進(jìn)行識別。1 基于神經(jīng)網(wǎng)絡(luò)的多光譜信息融合識別原理神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖神經(jīng)網(wǎng)絡(luò)算法是運(yùn)用導(dǎo)師學(xué)習(xí)算法，在學(xué)習(xí)過程中通過正向傳播和反向傳播實(shí)現(xiàn)。正向傳播負(fù)責(zé)網(wǎng)絡(luò)計(jì)算，根據(jù)輸入?yún)?shù)求出結(jié)果；反向傳播負(fù)責(zé)逐層傳遞誤差，修改網(wǎng)絡(luò)權(quán)重，用于網(wǎng)絡(luò)的正確識別，訓(xùn)練完成后識別則只需正向傳播[6-9]。多光譜信息融合識別模型如圖2 所示。圖2 多光譜信息融合識別模型神經(jīng)網(wǎng)絡(luò)各并行子網(wǎng)
電子設(shè)計(jì)工程 2021年19期2021-10-10
- 空間和光譜信息保持的多光譜圖像融合算法
在盡量保持多光譜信息的前提下， 提升融合圖像的空間質(zhì)量.現(xiàn)有的多光譜圖像融合方法有成分替換法(component substitution， CS)、 多分辨率分析法(multi-resolution analysis， MRA)、 貝葉斯法和基于深度學(xué)習(xí)的方法. CS方法是指對多光譜圖像進(jìn)行投影， 以分離空間和光譜信息， 然后將包含空間信息的部分替換為全色圖像， 主要包括IHS[1]、 PCA[2]、 GS[3]、 AIHS[4]等， 該方法運(yùn)算耗時少，
- 鹽堿地光譜信息獲取及改良分析
分布;危害;光譜信息;獲取手段;改良中圖分類號 S156.4文獻(xiàn)標(biāo)識碼 A文章編號 0517-6611（2021）10-0028-04doi：10.3969/j.issn.0517-6611.2021.10.007開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：Spectral Information Acquisition and Improvement of Saline-alkali LandSUI Min，ZANG Shu-ying，REN Jian-hu
安徽農(nóng)業(yè)科學(xué) 2021年10期2021-06-15
- 基于可見/近紅外光譜和深度學(xué)習(xí)的早期鴨胚雌雄信息無損檢測
h采集一次光譜信息， 采集0～8 d共9 d的光譜信息。 利用可見/近紅外透射光譜信息采集系統(tǒng)對種鴨蛋進(jìn)行透射光譜采集， 采集光譜時將種蛋豎直放置， 鈍端向上。 由于孵化7d的種鴨蛋透射難度較大， 將光譜儀的采集積分時間設(shè)定為700 ms， 掃描次數(shù)設(shè)定為1。1.2.2 雌雄胚胎人工判別種鴨蛋在孵化過程中性腺開始轉(zhuǎn)換為卵巢或睪丸， 在孵化后期可以通過睪丸和卵巢的形態(tài)進(jìn)行性別鑒定， 雌性胚胎的卵巢兩側(cè)發(fā)育不對稱， 而雄性胚胎的兩側(cè)睪丸則對稱發(fā)育[9]。 為
光譜學(xué)與光譜分析 2021年6期2021-06-10
- 基于無人機(jī)影像陰影去除的蘋果樹冠層氮素含量遙感反演
影削弱了冠層光譜信息，降低了冠層氮素含量反演精度。因此，如何去除果樹冠層遙感影像中的陰影，以提高氮素含量反演精度，是一個亟需解決的現(xiàn)實(shí)問題。【前人研究進(jìn)展】陰影去除的方法一般是對原始影像進(jìn)行歸一化、多波段陰影監(jiān)測等處理，這些方法操作簡單快速，但精度較低，且在對陰影進(jìn)行識別的過程中改變了非陰影區(qū)的信息，降低了原影像的精度[10-12]。近年來，一些模型和算法應(yīng)用于陰影的識別和去除中，這些方法一般基于先驗(yàn)知識對陰影進(jìn)行識別或模擬，實(shí)現(xiàn)陰影與非陰影區(qū)的分離以達(dá)到
中國農(nóng)業(yè)科學(xué) 2021年10期2021-05-31
- 基于高光譜成像技術(shù)的小麥籽粒品種鑒別方法研究
理等特征)和光譜信息，可同時快速、無損檢測樣品的物理(顏色、大小、形狀和質(zhì)地等)和內(nèi)部組成成分的化學(xué)和分子信息(水分、脂肪、蛋白及其他氫鍵物質(zhì))[2]，已廣泛用于水稻[3，4]、玉米[5，6]、大豆[7，8]的鑒別研究，在實(shí)現(xiàn)小麥籽粒品種快速無損鑒別方面具有可行的理論基礎(chǔ)。近年來，國內(nèi)外已有基于高光譜成像技術(shù)對小麥品種鑒別方面的研究報(bào)道，但仍處于初步探索階段。Mahesh等[9]采集了加拿大西部種植的8個小麥品種籽粒的960～1 700 nm波長范圍的高光
中國糧油學(xué)報(bào) 2021年4期2021-05-26
- 基于面向?qū)ο蟮臒o人機(jī)遙感影像荒漠植被分類
ch，DS)光譜信息增強(qiáng)能夠提高影像色彩飽和度，有助于影像信息提取[18]，在此基礎(chǔ)上結(jié)合面向?qū)ο笈c機(jī)器學(xué)習(xí)算法的分類方法是否適用于荒漠植被分類尚有待印證。古爾班通古特沙漠是我國面積最大的固定、半固定沙漠，低矮灌木與草本交錯分布，同地表形成的灰褐色結(jié)皮形成了復(fù)雜的地表異質(zhì)性[19]，對荒漠植被的分類造成很大干擾。鑒于此，本文基于高分辨率無人機(jī)遙感影像和數(shù)字表面模型(digital surface model，DSM)，在對影像去相關(guān)拉伸的基礎(chǔ)上利用面向?qū)ο?/div>
中國農(nóng)業(yè)科技導(dǎo)報(bào) 2021年5期2021-05-20
- 不同分辨率無人機(jī)數(shù)碼影像的馬鈴薯地上生物量估算研究
用數(shù)碼影像的光譜信息計(jì)算植被指數(shù)進(jìn)行參數(shù)估算，模型的精度容易出現(xiàn)飽和現(xiàn)象。為了解決這一問題，眾多學(xué)者通過引入作物株高和紋理特征分別結(jié)合光譜特征來估算作物參數(shù)，達(dá)到了理想的效果。相較于作物株高而言，紋理信息更具多面性，能夠反映圖像的灰度屬性和空間位置關(guān)系，將其與光譜信息結(jié)合能夠更好地減弱僅利用植被指數(shù)反演作物參數(shù)出現(xiàn)的低估現(xiàn)象，提高估算模型的適用性[10]。當(dāng)前，利用數(shù)碼影像以二者融合為變量估算作物AGB的研究較少，主要以高光譜和多光譜為主。劉暢等[11]利光譜學(xué)與光譜分析 2021年5期2021-05-11
- 香蕉貯藏中腐敗基準(zhǔn)確定與高光譜信息表征及腐敗預(yù)警模型構(gòu)建
成分與結(jié)構(gòu)的光譜信息，還能獲取其外部形狀、表面缺陷的圖像信息。 現(xiàn)在，高光譜技術(shù)已經(jīng)在精準(zhǔn)農(nóng)業(yè)[2]、醫(yī)學(xué)診斷[3]、軍事防御[4]、農(nóng)產(chǎn)品品質(zhì)評價[5]及食品質(zhì)量控制[6]等方面得到廣泛使用。 但是，香蕉的高光譜研究主要集中在冷害、成熟度及腐敗進(jìn)程研究，在腐敗預(yù)警方面研究尚少，并沒有建立一個有效的預(yù)警體系和腐敗標(biāo)準(zhǔn)以實(shí)時監(jiān)控腐敗進(jìn)程。 因此，擬通過對不同貯藏期的香蕉樣本進(jìn)行高光譜信息采集，獲取樣本的光譜信息，在有效確定腐敗基準(zhǔn)光譜信息表征向量的前提下嘗試光譜學(xué)與光譜分析 2020年12期2020-12-04
- 基于卷積神經(jīng)網(wǎng)絡(luò)和光譜特征的孵前種鴨蛋受精信息無損檢測
年有學(xué)者利用光譜信息與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合檢測夏威夷果、煙葉、花椒等，但是利用兩者結(jié)合起來檢測禽蛋尚未有文獻(xiàn)記載。 本文利用可見-近紅外透射光譜技術(shù)與深度學(xué)習(xí)相結(jié)合對入孵前種鴨蛋受精信息進(jìn)行無損檢測，探索一種更符合實(shí)際生產(chǎn)的區(qū)分入孵前無精鴨蛋和受精鴨蛋的鑒別技術(shù)。1 實(shí)驗(yàn)部分1.1 儀器與材料實(shí)驗(yàn)樣品為499枚縉云麻鴨種蛋，均為新鮮生產(chǎn)的種蛋。 采購于湖北神丹種鴨場。 對種鴨蛋表面使用酒精進(jìn)行清理消毒并編號。種鴨蛋光譜采集系統(tǒng)如圖1，由Maya2000Pro光譜學(xué)與光譜分析 2020年12期2020-12-04
- 面向高光譜圖像的高斯-稀疏子空間聚類算法
信息，只考慮光譜信息；在文獻(xiàn)［2］中，Li S提出的領(lǐng)域約束的聚類算法在聚類的過程中，利用領(lǐng)域均勻性指數(shù)度量空間信息并與光譜信息結(jié)合利用自適應(yīng)距離標(biāo)準(zhǔn)進(jìn)行聚類，領(lǐng)域約束克服了隨著領(lǐng)域空間的維度增加，領(lǐng)域的樣本數(shù)量也隨之增加，以及所涉及的計(jì)算成本也不斷增加的問題，同時這種方法再生成領(lǐng)域均勻性指數(shù)時需要足夠已有標(biāo)簽的示例，往往在實(shí)際應(yīng)用中，獲取足夠的標(biāo)簽數(shù)據(jù)是困難的且耗費(fèi)成本高。在高維數(shù)據(jù)的聚類算法當(dāng)中，子空間聚類是實(shí)現(xiàn)高維聚類的有效途徑。子空間聚類包含稀疏子佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)（自然科學(xué)版） 2020年6期2020-11-19
- 近紅外高光譜快速無接觸評估冷鮮豬肉脂質(zhì)氧化
nm波段的高光譜信息，構(gòu)建預(yù)測模型實(shí)現(xiàn)快速檢測不同貯藏期冷鮮豬肉TBA值的可行性，旨在為在線、快速、無接觸評估豬肉氧化程度提供理論支撐和數(shù)據(jù)參考。1 材料與方法1.1 原材料與主要設(shè)備冷鮮豬肉(里脊)：河南新鄉(xiāng)高金食品有限公司；2-硫代巴比妥酸：分析純，上海安妍生物有限公司；三氯乙酸：分析純，上海山浦化工有限公司；高光譜成像系統(tǒng)：HSI-eNIR-XC130型，臺灣五鈴光電科技有限公司；可見分光光度計(jì)：722N型，上海青華科技儀器有限公司；拍打式均質(zhì)機(jī)：N食品與機(jī)械 2020年8期2020-09-18
- 低空無人機(jī)影像分辨率對冬小麥氮濃度反演的影響
僅利用影像的光譜信息進(jìn)行作物參數(shù)反演忽略了低空無人機(jī)影像具有超高空間分辨率的特征，超高分辨率的影像不但含有光譜信息，還有豐富的紋理信息。紋理特征作為作物的固有屬性，不易受到外界影響，反映圖像灰度性質(zhì)及其空間關(guān)系，擴(kuò)大了原始影像亮度的空間信息辨識度，能夠在一定程度上解決光譜信息反演存在的飽和問題，提升參數(shù)的反演精度[13-14]。目前，結(jié)合光譜和紋理信息進(jìn)行作物氮素營養(yǎng)診斷的研究報(bào)道較少。文獻(xiàn)[15]比較了無人機(jī)影像光譜特征、紋理特征、光譜特征+紋理特征等3農(nóng)業(yè)機(jī)械學(xué)報(bào) 2020年7期2020-07-24
- 基于最優(yōu)光譜信息的冷鮮雞肉TBA值快速檢測
nm范圍的光譜信息,構(gòu)建快速預(yù)測雞肉TBA值的數(shù)學(xué)模型,為建立一種方便快捷評估雞肉脂質(zhì)氧化程度的方法提供數(shù)據(jù)支撐。1 材料與方法1.1 材料與儀器冷鮮雞胸肉 由河南眾品食業(yè)股份有限公司提供;2-硫代巴比妥酸 國藥集團(tuán);三氯乙酸 上海山浦;無菌蒸餾水 實(shí)驗(yàn)室自制。HSI-eNIR-XC130型推掃式高光譜成像系統(tǒng) 臺灣五鈴光電科技有限公司;HERAEUS X1R型臺式高速冷凍離心機(jī) 美國賽默飛世爾科技公司;722N型可見分光光度計(jì) 上海青華科技儀器有限公司食品工業(yè)科技 2020年14期2020-07-21
- 光譜分析在西甜瓜內(nèi)部品質(zhì)無損檢測中的研究進(jìn)展
歸納了常用的光譜信息解析方法； 最后， 從技術(shù)難點(diǎn)和實(shí)際應(yīng)用兩方面綜合分析了光譜分析技術(shù)在西甜瓜內(nèi)部品質(zhì)無損檢測中的發(fā)展趨勢。1 光譜分析技術(shù)簡介1.1 近紅外光譜分析技術(shù)近紅外光(near-infrared, NIR)是人們最早發(fā)現(xiàn)的非可見光區(qū)域， 它的波長范圍為780～2 526 nm， 波數(shù)范圍為12 500～4 000 cm-1。 近紅外光譜屬于分子振動光譜， 利用分子含氫基團(tuán)(C—H， O—H 和N—H等)的倍頻與合頻的吸收特性來獲取復(fù)雜的光譜信光譜學(xué)與光譜分析 2020年7期2020-07-08
- NIR高光譜成像技術(shù)聯(lián)用SPA算法快速檢測五花肉的過氧化值
的空間信息和光譜信息,選擇性的吸取了兩種檢測技術(shù)的優(yōu)點(diǎn),克服了傳統(tǒng)檢測方法的效率低下、樣品的完整性不高、損耗大等弊端[7-8],更具說服力和前沿性[9-10]。NIR光譜成像技術(shù)具有響應(yīng)范圍廣、多波段且窄而連續(xù),測試重現(xiàn)性好,數(shù)據(jù)處理速度快、操作簡便,能夠?qū)崿F(xiàn)在線及時監(jiān)控分析,具有分析靈活等特點(diǎn),同時適用于食品內(nèi)、外部的品質(zhì)檢測,是肉品品質(zhì)檢測具有前瞻性的新方法之一[11]。近幾年來,高光譜成像技術(shù)用于研究豬肉品質(zhì)的報(bào)道逐漸增多,但目前大多數(shù)研究集中與豬肉食品工業(yè)科技 2020年8期2020-05-08
- 基于空譜聯(lián)合協(xié)同表征的高光譜圖像分類算法
于組合空間和光譜信息[4]。該算法在足夠帶標(biāo)簽的訓(xùn)練樣本的情況下有較好的分類結(jié)果，但是獲得大量帶標(biāo)記樣本需要付出很大代價。同步正交匹配追蹤算法(simultaneous orthogonal matching pur-suit，SOMP)模型中，測試像素周圍的小鄰域中的像素同時由標(biāo)記樣本的線性組合表示[5]。正交匹配追蹤算法(orthogonal matching pursuit，OMP)施加了顯式的平滑約束迫使重構(gòu)圖像的拉普拉斯變換為零[9]?；谙∈璞?/div>計(jì)算機(jī)工程與設(shè)計(jì) 2020年3期2020-04-24
- 相對熵結(jié)合互信息的高光譜波段選擇方法
據(jù)中提取地物光譜信息，還應(yīng)該在保留原始光譜結(jié)構(gòu)與有效光譜信息的前提下，盡可能減少參與運(yùn)算的數(shù)據(jù)量，降低光譜信息冗余[3]。高光譜的數(shù)據(jù)降維方法主要可分為維數(shù)約簡和波段選擇兩大類。維數(shù)約簡就是通過線性或非線性數(shù)學(xué)變換，將高維數(shù)據(jù)轉(zhuǎn)化為可解的低維數(shù)據(jù)[4]。波段選擇則是從多達(dá)數(shù)百個波段的高光譜影像中，選擇具有較好分類識別能力的波段組合，代替原始全波段數(shù)據(jù)參與分析與應(yīng)用[5]。維數(shù)約簡通常涉及數(shù)學(xué)運(yùn)算，容易破壞數(shù)據(jù)原始光譜結(jié)構(gòu)，不利于地物光譜信息提取，波段選擇則遙感信息 2019年6期2020-01-09
- 基于自適應(yīng)注入模型的遙感圖像融合方法
以較好地保存光譜信息，但可能會損失部分空間信息，因此文獻(xiàn)［11］提出了一種基于引導(dǎo)濾波多尺度分解的方法，效果有所改進(jìn)。最新的理論研究提出了稀疏表示（Sparse Representation，SR）的方法［12-13］，以及非線性的途徑如卷積神經(jīng)網(wǎng)絡(luò)［14］等，取得了較好的效果。但是，這些算法需要大量的計(jì)算，運(yùn)行時間較長，且需要大量的樣本。由于遙感圖像樣本數(shù)量的限制，以及算法效率的要求，本文綜合考慮了上述幾種方法，對基于MRA方法的注入模型進(jìn)行優(yōu)化，以實(shí)現(xiàn)北京航空航天大學(xué)學(xué)報(bào) 2019年12期2020-01-02
- 基于光譜和Gabor紋理信息融合的油桃品種識別
進(jìn)行分析。在光譜信息提取中，采用偏最小二乘回歸（partial least squares regression，簡稱PLSR）從全波段光譜數(shù)據(jù)提取9個特征波長。在圖像信息獲取中，采用主成分分析（principal component analysis，簡稱PCA）獲得主成分圖像，并提取主成分圖像的Gabor紋理特征。分別建立基于特征波長光譜特征、主成分圖像紋理特征和光譜紋理特征融合的最小二乘支持向量機(jī)（least squares support vect江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25
- 基于近紅外光譜技術(shù)的生鮮豬肉質(zhì)量檢測研究進(jìn)展
用被測物質(zhì)的光譜信息,用統(tǒng)計(jì)的方法在被測物質(zhì)的某種屬性值和所測光譜數(shù)據(jù)之間建立最優(yōu)模型的一種間接分析技術(shù)[5]。近紅外光是介于可見光與中紅外光之間的電磁波,波長在780～2526 nm之間[6],其由分子非諧振性振動引起的能量由低級向高級躍遷所產(chǎn)生的。近紅外光譜主要反映含氫基團(tuán)(C-H、N-H、O-H等)振動的倍頻、合頻吸收,而大多數(shù)有機(jī)物質(zhì)主要成分都由此類基團(tuán)構(gòu)成[7]。肉類中富含蛋白質(zhì)、脂肪、碳水化合物等有機(jī)物,通過近紅外光譜分析可以得到肉品大量信息,食品工業(yè)科技 2019年10期2019-07-10
- 蘋果內(nèi)部品質(zhì)分級機(jī)械手設(shè)計(jì)與試驗(yàn)
集蘋果近紅外光譜信息，并對其內(nèi)部品質(zhì)進(jìn)行預(yù)測，為設(shè)計(jì)水果內(nèi)部品質(zhì)在線檢測裝置提供思路。1 機(jī)械手設(shè)計(jì)1.1 結(jié)構(gòu)組成及工作原理蘋果內(nèi)部品質(zhì)分級機(jī)械手主要由夾持機(jī)構(gòu)、近紅外光譜采集系統(tǒng)、控制系統(tǒng)3部分組成，圖1為裝置示意圖。夾持機(jī)構(gòu)完成抓取蘋果和釋放蘋果的動作，近紅外光譜采集系統(tǒng)完成近紅外光譜信息采集，控制系統(tǒng)在蘋果夾持和光譜信息采集中起到連接動作和控制過程的作用。圖1 裝置硬件示意圖Fig.1 Schematic of device hardware1.步農(nóng)業(yè)機(jī)械學(xué)報(bào) 2019年1期2019-02-15
- 基于光譜梯度角與光譜信息散度評價指標(biāo)的遙感影像融合方法比較
基于影像地物光譜信息，因此保持光譜信息在遙感影像融合中顯得格外重要。高分辨率遙感數(shù)據(jù)的全色影像具有較好的空間特征信息，而多光譜影像則擁有較好的光譜信息,融合處理能夠提高后續(xù)影像的使用。目前對遙感影像數(shù)據(jù)融合評價的研究頗多,但大多數(shù)對遙感影像融合評價指標(biāo)都是基于融合前后影像的空間細(xì)節(jié)和信息量等方面進(jìn)行的，雖然這些指標(biāo)在一定程度上能夠反映不同融合方法對影像空間分辨率的保持能力，但是無法體現(xiàn)融合方法對地物光譜特征和光譜信息的保持能力。針對以上問題，以光譜信息散度測繪工程 2018年11期2018-11-02
- 傅里葉變換紅外光譜鑒別芝麻醬中摻雜花生醬
集純芝麻醬的光譜信息，有效地建立了FTIR鑒別純芝麻醬中摻雜花生醬的判別模型，為純芝麻醬的質(zhì)量控制提供了有益思路。1 材料與方法1.1 樣品的收集及制備根據(jù)湖北省內(nèi)調(diào)味品企業(yè)生產(chǎn)狀況，共收集純芝麻醬樣品30例；摻雜芝麻醬樣品則是將純花生醬(生產(chǎn)企業(yè)提供)按10%，20%，30%，40%，50%，60%，70%(質(zhì)量比例)添加至9例不同的純芝麻醬中，共計(jì)63例。所有樣品放置于2～6 ℃避光保存，測試前混勻并恢復(fù)至室溫，待測。1.2 光譜信息的采集及樣品劃分采中國調(diào)味品 2018年10期2018-10-22
- 基于SVM的出入境特殊物品拉曼光譜識別方法*
號中所包含的光譜信息，按照光譜信息差異對待檢測物質(zhì)進(jìn)行分類[8]。在物品識別中，相似性度量[9]是一種常用的簡單且有效的方法。其中，相關(guān)系數(shù)(correlation coefficient)是研究變量間線性相關(guān)程度的量，是一種衡量向量間相互關(guān)系的方法。設(shè)有特征向量X=(x1,x2,…,xn)，Y=(y1,y2,…,yn)，相關(guān)系數(shù)r定義如下(1)選用相關(guān)系數(shù)作為相似性度量的判斷依據(jù),避免了歐氏距離對信息的丟失和馬氏距離對微小偏差的放大作用。因此，本文采用相傳感器與微系統(tǒng) 2018年6期2018-06-05
- 遙感光譜拍照識別大地物質(zhì)成分
性，可以反推光譜信息來源于哪些物質(zhì)。但其中仍有兩大難題，一是提高光譜分辨率的難度大，低分辨率下不同物質(zhì)的光譜曲線相似度高，很難區(qū)分不同光譜信息間的細(xì)微差別；二是在采集大面積待測區(qū)域的光譜信息時，單位像素中多種物質(zhì)混雜，不易得到各類純物質(zhì)的光譜信息。該校光譜成像與智能感知重點(diǎn)實(shí)驗(yàn)室經(jīng)過5年努力，成功攻克了兩大難題，使光譜分辨率最大可達(dá)4nm，相當(dāng)于一張紙厚度的萬分之一；同時，實(shí)現(xiàn)了多種物質(zhì)光譜信息的“解混”，并可根據(jù)使用環(huán)境經(jīng)緯度、大氣、光照等因素自我校正，科學(xué)家 2017年21期2017-12-14
- 基于植被光譜信息的龜裂堿土堿化程度預(yù)測研究
；龜裂堿土；光譜信息中圖分類號：S153文獻(xiàn)標(biāo)識碼：A文章編號：16749944（2017）200001051引言土壤鹽堿化是土壤資源惡化的主要內(nèi)容之一，通常出現(xiàn)在降雨少的干旱地區(qū)，這種地區(qū)水分蒸發(fā)量大、地勢較低、地下潛水位偏高且可溶性鹽分含量多。鹽堿化是阻礙農(nóng)業(yè)經(jīng)濟(jì)和世界生態(tài)環(huán)境可持續(xù)發(fā)展的重大難題，也是我國面臨的主要生態(tài)問題[1]。我國的鹽堿化土壤主要分布于西北干旱半干旱地帶[2]，鹽分多，作物難以生長，產(chǎn)生了很多荒地，受鹽堿損害比較嚴(yán)重[3]。土壤鹽綠色科技 2017年20期2017-11-10
- 傅立葉變換光譜儀的研究現(xiàn)狀與光譜信息分析原理
的研究現(xiàn)狀與光譜信息分析原理，為未來科研人員研制新型傅立葉變換紅外光譜儀提供原理與技術(shù)支持。[關(guān)鍵詞] 紅外光譜儀；光譜信息；信息處理doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 05. 043[中圖分類號] O433.1；O438.2 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2017）05- 0079- 05紅外光譜可以用于定性分析，也可以用于定量分析，還可以對未知物進(jìn)行剖析。紅外光譜中國管理信息化 2017年5期2017-06-22
- 多種分子光譜快速分析黃芩中的黃芩苷含量
根據(jù)不同類型光譜信息進(jìn)行黃芩質(zhì)量快速分析的適應(yīng)性，采用高效液相色譜(HPLC)法測定了73批黃芩樣品中的黃芩苷含量并作為y值，以各樣品的近紅外、紫外-可見光譜及包含紫外、可見及近紅外的多源復(fù)合光譜信息作為x值；根據(jù)各類光譜信息分別采用偏最小二乘回歸(PLSR)與K最近鄰樣本保形映射(KNN-KSR)方法進(jìn)行樣品中黃芩苷的預(yù)測，根據(jù)驗(yàn)證集樣本真實(shí)值與預(yù)測值的均方根偏差(RMSEP)、平均相對誤差(MRE)與相關(guān)系數(shù)(R)評價預(yù)測精度。結(jié)果表明，采用KNN-K分析測試學(xué)報(bào) 2017年5期2017-06-07
- 一種利用空間和光譜信息的高光譜遙感多分類器動態(tài)集成算法
種利用空間和光譜信息的高光譜遙感多分類器動態(tài)集成算法蘇紅軍1， 劉浩2(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京 211100； 2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，武漢 430079)針對高光譜遙感影像分類面臨的小樣本、分類器不穩(wěn)定等問題，在總結(jié)現(xiàn)有多分類器動態(tài)集成算法的基礎(chǔ)上，提出了一種利用空間和光譜信息的多分類器動態(tài)集成算法。首先，采用支持向量機(jī)等5個基分類器構(gòu)建多分類器集合； 其次，計(jì)算各個分類器的分類結(jié)果，將大多數(shù)分類器分類一致的像元列入樣本自然資源遙感 2017年2期2017-04-28
- 近紅外光譜的預(yù)處理對羊肉TVB-N模型的影響
結(jié)構(gòu)等對樣品光譜信息的影響，提高模型的預(yù)測準(zhǔn)確性和穩(wěn)健性，實(shí)現(xiàn)現(xiàn)場快速無損檢測生鮮羊肉揮發(fā)性鹽基氮（total volatile basic nitrogen，TVB-N）的目的。本研究應(yīng)用不同參數(shù)組合的單一算法和不同算法組合對樣品的光譜信息進(jìn)行預(yù)處理并建模，從模型的預(yù)測準(zhǔn)確性和穩(wěn)健性2 個方面探討算法參數(shù)和算法組合對模型性能的影響，找出針對檢測生鮮羊肉中TVB-N含量的最佳預(yù)處理方法。結(jié)果表明，不同的算法參數(shù)和算法組合對模型性能的影響差別很大，對樣品的近食品科學(xué) 2016年22期2016-12-06
- 紅外光譜結(jié)合統(tǒng)計(jì)分析對不同產(chǎn)地瑪咖的鑒別分類
SFLA）對光譜信息進(jìn)行優(yōu)化，結(jié)果顯示，采用GA篩選頻率大于4和5的光譜信息，篩選的光譜數(shù)據(jù)點(diǎn)分別為62 個和29 個；利用SFLA篩選概率大于0.1和0.15的光譜信息，篩選的光譜數(shù)據(jù)點(diǎn)分別為77 個和27 個。驗(yàn)證結(jié)果顯示，采用GA-PLS-DA（62個數(shù)據(jù)點(diǎn)）和GA-PLS-DA（29個數(shù)據(jù)點(diǎn)）建立的PLS-DA分類模型識別正確率分別為95.12%和97.56%，采用SFLA-PLS-DA（77個數(shù)據(jù)點(diǎn)）和SFLA-PLS-DA（27個數(shù)據(jù)點(diǎn)）建 立食品科學(xué) 2016年4期2016-11-11
- 高光譜圖像信息檢測玉米籽粒胚水分含量
nm近紅外高光譜信息，研究了玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜關(guān)系，同時采用競爭性自適應(yīng)重加權(quán)變量選擇算法(CARS)、遺傳算法(GA) 、連續(xù)投影算法(SPA)篩選特征波段，建立并比較偏最小二乘回歸(PLS)模型對水分含量的預(yù)測效果。結(jié)果顯示，玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜關(guān)系顯著，隨著水分含量的增加，光譜反射值逐漸降低。預(yù)測模型結(jié)果表明，基于玉米籽粒胚結(jié)構(gòu)區(qū)域光譜信息所建立的CARS-PLS，GA-PLS和SPA-PLS回歸模型預(yù)測相關(guān)系數(shù)Rp分別為0光譜學(xué)與光譜分析 2016年10期2016-07-12
- 遙感與神經(jīng)網(wǎng)絡(luò)相結(jié)合的潮灘地形模擬方法
法，構(gòu)建遙感光譜信息、地貌特征與潮灘高程信息之間的關(guān)系模型。結(jié)果表明：在遙感光譜信息基礎(chǔ)上，引入納潮盆地縱、橫剖面地貌特征因子的神經(jīng)網(wǎng)絡(luò)模擬效果更好；將潮灘灘面與潮水溝分別進(jìn)行網(wǎng)絡(luò)建模，生成地形，平均絕對誤差達(dá)0.299 m，這說明，神經(jīng)網(wǎng)絡(luò)在模擬高程起伏較大的區(qū)域時精度較低，適當(dāng)降低神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的復(fù)雜度有利于改善網(wǎng)絡(luò)的模擬精度。遙感;潮灘地形;地貌特征線;納潮盆地;人工神經(jīng)網(wǎng)絡(luò)0 引言潮灘是在各種動力、環(huán)境因素作用下，受潮汐水位變動影響的陸地與海洋交地理與地理信息科學(xué) 2016年2期2016-05-25
- 基于光譜相關(guān)角和光譜信息散度的高光譜蝕變信息提取
光譜相關(guān)角和光譜信息散度的高光譜蝕變信息提取吳 浩1,徐 元 進(jìn)1,高 冉2(1.中國地質(zhì)大學(xué)數(shù)學(xué)地質(zhì)遙感地質(zhì)研究所，湖北 武漢 430074；2.杭州科瀾信息技術(shù)有限公司，浙江 杭州 310000)針對高光譜遙感蝕變信息提取過程中，由于混合像元的不可避免，導(dǎo)致蝕變礦物光譜曲線存在不同程度的失真而影響目標(biāo)礦物識別精度的問題，提出一種基于光譜相關(guān)角(Spectral Correlation Angle,SCA)和光譜信息散度(Spectral Informa地理與地理信息科學(xué) 2016年1期2016-05-25
- 融合光譜-空間信息的高光譜遙感影像增量分類算法
MPext與光譜信息相結(jié)合以增加知識，最大限度地挖掘未標(biāo)記樣本的有用信息，優(yōu)化分類器的學(xué)習(xí)能力。不斷從分類器對未標(biāo)記樣本的預(yù)測結(jié)果中甄選置信度高的樣本加入訓(xùn)練集，并迭代地利用擴(kuò)大的訓(xùn)練集進(jìn)行分類器構(gòu)建和樣本預(yù)測。以不同地表覆蓋類型的AVIRIS Indian Pines和Hyperion EO-1 Botswana作為測試數(shù)據(jù)，分別與基于光譜、MPext、光譜和MPext融合的分類方法進(jìn)行比對。試驗(yàn)結(jié)果表明，在訓(xùn)練樣本數(shù)量有限情況下，INC_SPEC_MP測繪學(xué)報(bào) 2015年9期2015-12-23
- 高光譜圖像目標(biāo)檢測研究進(jìn)展*
也含有豐富的光譜信息，而光譜特征是不同物質(zhì)所固有的，利用圖像中的光譜信息可以有效地區(qū)分場景中的不同物質(zhì)。充分利用光譜信息和空間信息，可以更精確地檢測出場景中的目標(biāo)。隨著高光譜遙感技術(shù)的發(fā)展，高光譜圖像目標(biāo)檢測技術(shù)得到了廣泛的使用，并在礦物勘探、農(nóng)業(yè)、環(huán)境監(jiān)測以及國防情報(bào)等領(lǐng)域發(fā)揮著越來越重要的作用［1］。從理論上講，高光譜圖像目標(biāo)檢測實(shí)際上是一個二分問題：將圖像中的像元標(biāo)記為目標(biāo)或背景。在給定目標(biāo)先驗(yàn)知識的情況下可以根據(jù)光譜信息和空間信息實(shí)現(xiàn)圖像中目標(biāo)的判網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2015年16期2015-03-19
- “資源一號”02C衛(wèi)星PMS數(shù)據(jù)融合方法比較研究
多光譜影像的光譜信息，梯度金字塔可以顯著增加融合后影像的空間細(xì)節(jié)信息。1 遙感影像融合方法遙感影像融合方法可以分為空間域、分量替換、多尺度分析三類。空間域方法對影像的像素進(jìn)行空間域處理，特點(diǎn)是融合波段的個數(shù)無限制，常用的有比值融合法和高通濾波法。分量替換方法利用某種變換方法對多光譜影像進(jìn)行坐標(biāo)空間變換，得到影像的空間細(xì)節(jié)部分和光譜信息部分，用高分辨率全色影像代替空間分量，逆變換后得到融合圖像，常用的方法有 IHS色彩變換法和主成分分析法（principal航天返回與遙感 2015年5期2015-03-12
- 一種基于區(qū)域生長的高分辨率遙感影像道路提取方法
影像中道路的光譜信息特征提取路網(wǎng)的方法?？紤]到高分辨率遙感影像光譜信息的復(fù)雜性，首先對遙感影像光譜信息進(jìn)行K均值聚類，實(shí)現(xiàn)道路類和非道路類分離；同時，獲取區(qū)域生長的判決條件和判斷閾值，然后在道路類上運(yùn)用區(qū)域生長的方法提取路網(wǎng)；最后，運(yùn)用數(shù)學(xué)形態(tài)學(xué)等處理優(yōu)化路網(wǎng)。實(shí)驗(yàn)證明，該方法從高分辨率遙感影像提取路網(wǎng)有較高的準(zhǔn)確度和適用性。關(guān)鍵詞：高分辨率遙感影像；光譜信息；道路提取；K均值；區(qū)域生長DOIDOI：10.11907/rjdk.143740中圖分類號：TP軟件導(dǎo)刊 2015年1期2015-03-02
- 銀杏葉中黃酮含量的葉面分布檢測研究
光譜圖像中的光譜信息,結(jié)合主成分分析和線性回歸方法建立黃酮含量檢測模型(r=0.9219),由此確立銀杏葉高光譜圖像信號與黃酮含量的對應(yīng)關(guān)系;最后,依次提取待測銀杏葉高光譜圖像中單個像素點(diǎn)對應(yīng)的光譜信息,將其代入黃酮含量檢測模型以計(jì)算各像素點(diǎn)處對應(yīng)的黃酮含量值,從而得到黃酮含量在整個銀杏葉面上的分布圖。研究表明:近紅外高光譜圖像技術(shù)可快速檢測銀杏葉中黃酮的葉面分布,研究為揭示有機(jī)組分在食品中的分布規(guī)律提供了技術(shù)手段。黃酮,銀杏葉,分布,高光譜圖像技術(shù)銀杏黃食品工業(yè)科技 2015年9期2015-02-15
- 多種融合方法在SPOT—5影像融合中的效果評價
信息，還要求光譜信息保真性高，否則得出的結(jié)果偏差很大或錯誤，不利于遙感解譯。以下采用Brovey變換、乘法變換、主成分（PC）變換、高通濾波（HPF）變換和光譜銳化（Gram-Schmidt變換）方法對工作區(qū)內(nèi)SPOT-5數(shù)據(jù)的多光譜影像和全色影像進(jìn)行融合處理，并對各融合效果進(jìn)行評價。1 遙感圖像的融合算法1.1 Brovey變換法Brovey變換也稱彩色標(biāo)準(zhǔn)化融合變換，是通過歸一化后的多光譜波段與高分辨率影像的乘積來增強(qiáng)影像信息。1.2 乘法變換法利用最科技與創(chuàng)新 2014年7期2014-07-03
- 汽車車身油漆特征數(shù)據(jù)庫的建立*
善的汽車油漆光譜信息數(shù)據(jù)庫，并已經(jīng)應(yīng)用到交通肇事逃逸案件的破獲中，例如：國際法醫(yī)汽車油漆數(shù)據(jù)查詢(PDQ)數(shù)據(jù)庫，加拿大皇家警局(RCMP)的油漆數(shù)據(jù)查詢系統(tǒng)等[4-5]。通過將事故現(xiàn)場的汽車油漆痕跡和數(shù)據(jù)庫中的樣本比較，可以很快縮小嫌疑車輛范圍。目前國內(nèi)對于汽車油漆物證的研究還主要停留在同一性鑒定方面，即通過對事故現(xiàn)場的油漆痕跡物證和嫌疑車輛的油漆進(jìn)行比較，從而確定或者否定嫌疑，為法律提供依據(jù)。而這種方法的局限性在于必須有嫌疑的車輛才能進(jìn)行分析。隨著近年計(jì)量技術(shù) 2014年9期2014-03-22
- 基于FTIR圖像無損檢測交叉筆畫形成順序的研究
筆畫處的紅外光譜信息和空間結(jié)構(gòu)信息。研究結(jié)果表明：樣品紅外譜圖能夠反映交叉筆畫的形成順序，同時還能夠確定交叉筆畫是同種或異種材料形成。此法能夠?yàn)榇祟愇募镒C的鑒定提供科學(xué)依據(jù)。FTIR圖像 交叉筆畫形成順序 光譜信息 結(jié)構(gòu)信息 無損檢測在諸如借據(jù)、遺囑、合同等文件中，確定交叉筆畫形成順序是非常重要的，特別是在添加或變造文件中，準(zhǔn)確確定交叉筆畫順序常常成為鑒別文件真?zhèn)蔚囊罁?jù)。筆畫交叉線常分為兩種，一種是同種書寫材料書寫形成的，另一種是異種材料書寫形成的。對于中國刑警學(xué)院學(xué)報(bào) 2013年1期2013-04-24
- 基于形態(tài)學(xué)的空間信息和光譜信息SVM影像分類
間信息豐富而光譜信息貧乏的高分辨率影像數(shù)據(jù)時，基于光譜信息的分類方法必然造成分類結(jié)果出現(xiàn)“椒鹽”現(xiàn)象，分類精度不高[2]。近年來，將空間信息與光譜信息綜合應(yīng)用于影像分類已經(jīng)成為研究熱點(diǎn)[3-5]。目前空間特征信息提取的研究主要體現(xiàn)在3個方面，即基于小波變換的特征提取、基于灰度共生矩陣的特征提取、基于結(jié)構(gòu)和形狀的特征提取。Myint等將小波變換和空間自相關(guān)、灰度共生矩陣提取特征進(jìn)行了對比，得出將多波段、多尺度的小波變化應(yīng)用到分類中可提高分類精度的結(jié)論[6];測繪通報(bào) 2012年12期2012-12-11
- 非線性算法在近紅外預(yù)測木材密度中的應(yīng)用研究
模型設(shè)自變量光譜信息點(diǎn)x1，x2，…，xp與因變量樣品密度值y的函數(shù)關(guān)系式為設(shè)fj(xj)的核函數(shù)變換為^fj(xj)(j=1，2，…，p)，則有式中:ξj，l－1為變量 xj上劃分的區(qū)間分點(diǎn)，hj為分段長度、Mj為分段個數(shù)，進(jìn)而可以得到全體光譜信息矩陣與密度矩陣的非線性擬合函數(shù)可表示為式中:y 與 zj，l=K之間是線性關(guān)系，可以用求解線性回歸的方法對其構(gòu)造回歸模型，需要注意的是在進(jìn)行變量替換后新的變量之間也可能存在多重共線性，可以采用偏最小二乘方法進(jìn)行森林工程 2012年5期2012-08-02
- 基于稀疏表示及光譜信息的高光譜遙感圖像分類
，如果僅利用光譜信息進(jìn)行分類，其分類精度必然受到一定的制約。為了提高像元分類精度，必須進(jìn)一步提取圖像的其他信息，例如形狀、紋理、空間關(guān)系和擴(kuò)展形態(tài)剖面(extended morphological profile)特征[1]。另外，由于高光譜數(shù)據(jù)維數(shù)高、數(shù)據(jù)量大、訓(xùn)練樣本數(shù)目有限，傳統(tǒng)的分類方法運(yùn)算速度慢，分類精度低，還會出現(xiàn)嚴(yán)重的huges現(xiàn)象[6]。在高光譜遙感分類中隨機(jī)森林分類器[7]具有明顯的優(yōu)越性，因此隨機(jī)森林分類器應(yīng)用被歸納為高光譜遙感分類最重電子與信息學(xué)報(bào) 2012年2期2012-04-29
- QuickBird高分辨率影像融合方法比較研究
除了其大部分光譜信息,然后在高通濾波結(jié)果中加入光譜分辨率高的圖像,最后形成高頻特征信息突出的融合影像。1.2 PanSharp變換法參數(shù)光譜特性該方法利用最小方差技術(shù)對參與融合的波段的灰度值進(jìn)行最佳匹配并利用此原理調(diào)整單個波段的灰度分布以減少融合結(jié)果的顏色偏差,另外該方法還對輸入所有波段進(jìn)行一系列的統(tǒng)計(jì)運(yùn)算并以此來消除融合結(jié)果對數(shù)據(jù)集的依賴性和提高融合過程的自動化程度。這種方法利用PCI 9.0軟件和ENVI 4.5軟件都可以實(shí)現(xiàn),利用PCI 9.0軟件進(jìn)無線電工程 2011年6期2011-06-14
- 一種顧及先驗(yàn)知識與光譜信息的土地利用/覆被遙感分類方法
及先驗(yàn)知識與光譜信息的土地利用/覆被遙感分類方法尤淑撐,劉順喜(中國土地勘測規(guī)劃院,北京 100035）提出一種基于貝葉斯綜合模型的先驗(yàn)知識與光譜信息的土地利用/覆被類型聯(lián)合決策方法:首先依據(jù)光譜信息對遙感影像進(jìn)行預(yù)分類,然后利用先驗(yàn)知識修正預(yù)分類結(jié)果,以減少因“同物異譜”和“異物同譜”造成的分類錯誤,抑制因空間分辨率較高造成的類內(nèi)噪聲較大等現(xiàn)象。試驗(yàn)表明,通過引入先驗(yàn)知識,分類精度顯著提高,單純應(yīng)用光譜信息總體分類精度為81.89%;引入數(shù)字高程模型,總地理與地理信息科學(xué) 2010年3期2010-12-28
- 不同分辨率無人機(jī)數(shù)碼影像的馬鈴薯地上生物量估算研究