马铃薯叶片晚疫病的多光谱分类识别

利用Spectrocam多光谱相机获取C-88马铃薯健康叶片和患晚疫病叶片的可见光及近红外通道的多光谱图像。综合考虑多光谱图像各通道间的相关性及其信息量,采用波段指数法选取两种叶片的特征波段,并通过欧氏距离聚类方法对所提取的特征波段进行分类。实验结果表明,用波段指数法提取多光谱图像的特征波段,能快速获得马铃薯叶片的信息,475nm、558nm、717nm、750nm、850nm作为马铃薯健康叶片的特征波段,马铃薯患晚疫病叶片的特征波段是509nm、620nm、717nm、750nm和832nm。采用欧氏距离法对健康和患病叶片进行识别,其识别率分别可达92.6%和92.8%。因此利用多光谱成像技术可以进行马铃薯病害的快速、准确识别,为实现马铃薯病害的田间实时在线监测提供了参考。     

马铃薯晚疫病害的高光谱图像空谱对比研究

为了快速检测马铃薯晚疫病,采用高光谱成像技术对马铃薯晚疫病的空谱信息进行对比研究以得到最佳判别手段。使用高光谱相机采集病害侵染0～6 d的高光谱图像,同时选取第6 d典型晚疫病病害的高光谱数据作为研究对象。采用二阶导数结合主成分分析和二次主成分分析分别从光谱和空间两个方面进行特征提取,之后基于特征波段反射率和主成分图像灰度值建立K最近邻分类算法、BP神经网络、决策树算法3种识别模型对不同时期病害进行识别。实验结果表明:基于二次主成分图像的灰度值结合BP神经网络建立的模型对马铃薯晚疫病的识别具有良好的成效,其识别率达96.6%。利用主成分图像灰度值建立的3种模型既减少了波段的冗余又提高了识别率,为研究和开发实时在线检测仪器提供了参考。     

基于多光谱图像选取马铃薯叶片的最佳彩色波段组合

为了快速目测识别马铃薯叶片,利用Spectrocam多光谱相机获取健康C-88马铃薯叶片的可见光及近红外通道的多光谱图像。采用波段指数法提取叶片的特征波段,通过真彩色原理及标准假彩色对所提取的特征波段进行彩色合成,在此基础上得到最佳彩色波段组合。实验结果表明,用波段指数法提取多光谱图像的特征波段进行彩色合成,能快速获取马铃薯叶片的最佳波段,并得到680,558,475nm和800,680,558nm为最佳彩色波段组合,为遥感图像的目视解译和更多有效信息的提取提供了可靠依据。     

基于方向Gabor特征的水面尾迹提取

为了自动提取航空图像中水下目标运动产生的尾迹,提出一种基于方向Gabor特征和主成分分析(PCA)的水面尾迹自动提取算法.该算法首先对图像进行傅里叶变换得到它的能量谱,通过对传统的主成分分析进行改进求得图像的方向,然后根据方向来确定Gabor滤波器组,用该滤波器组提取的纹理特征就有旋转不变性.为了消除纹理特征的冗余信息,用主成分分析法对其进行降维,并对它们的分类性能进行比较.大量的实验结果表明本文的方法能够有效地提取水面尾迹纹理.     

近红外显微图像的主成分法图像处理

介绍主成分分析算法在近红外显微图像分析中的应用,用该方法成功地提取出样品成分相关特征信息,并通过不同主成分的得分图像来描述样品的显微结构特征和特定化学成分分布。     

基于多光谱成像技术的水稻特征光谱提取

为了获取水稻光谱的有效特征信息,选取健康的TN1#水稻幼苗为研究对象,利用由液晶可调谐滤波器、单色CMOS相机与计算机控制软件组成的多光谱图像采集系统,获取健康水稻幼苗的20个可见光通道的多光谱图像。在此基础上,采用多光谱图像的平均灰度值,通过波段选择的指数方法计算出各通道的波段指数并加以排序,选出波段指数较大的10个通道,目的是探讨能有效反映出水稻特征光谱信息的特征波段。实验结果表明,用波段选择的指数方法提取多光谱图像的特征波段,能快速获取水稻的叶片信息。通道475nm、500nm、530nm、545nm、550nm、520nm、560nm、630nm、660nm、720nm能更好地反映出水稻特征光谱信息,可作为水稻的有效特征信息通道。     

基于LCTF多光谱成像的人体指甲特征光谱提取

利用由液晶可调谐滤光片(LCTF)和CCD相机组成的多光谱成像系统在450～1 000 nm光谱范围内每隔10 nm采集人体指甲样本,得到包含56个波段的人体指甲多光谱图像。通过参考白板比较测量法进行反射率反演,得到指甲的准确反射率信息,分别利用主成分分析法(PCA)和波段指数法实现样本图像的降维,得到两个特征空间,并利用光谱角度填图法(SAM)在两个特征空间内对人体指甲进行分类,分类准确度分别为92.5%及82.9%。因此,由主成分分析法得到的特征空间可以作为人体指甲的特征光谱,为指甲多光谱图谱分析和人体健康评估提供了可靠的依据。     

干烟叶的显微近红外图像分析

采集干烟叶的显微近红外图像,并用主成分分析方法和相关光谱成像的方式对其进行图像分解,并且比较2种图像分解方法的特点。结果表明,对干烟叶样品的显微近红外图像采用主成分分析的方法提取其特征向量,并将第二主成分特征向量与淀粉的近红外光谱对比,特征向量与标准物质光谱的相关系数达到0.9779,表明第二主成分的特征向量主要源于淀粉,第二主成分得分值图像主要代表干烟叶中淀粉的分布;干烟叶的淀粉相关光谱成像图和第二主成分得分值图像的分布形状和趋势基本一致。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

基于纹理特征和支持向量机的葡萄病害的识别

针对葡萄病害彩色纹理图像的特点,提出一种将支持向量机和色度矩分析应用于葡萄病害识别的方法.首先利用色度矩提取葡萄病害叶片纹理图像的特征向量,然后将支持向量机分类方法应用于病害的识别.葡萄病害纹理图像识别实验结果表明,利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好;支持向量机分类方法对于病害分类训练样本较少时,具有良好的分类能力和泛化能力,适合于葡萄病害的分类.不同分类核函数的相互比较分析表明,径向基核函数最适合于葡萄病害的分类识别.     

IN VIVO PHOTOACOUSTIC SPECTROSCOPY OF LEAVES INFECTED BY FUNGAL AND VIRAL DISEASES

Abstract

The PA spectra of fungal and viral infected leaves were recorded at a modulation frequency of 17 Hz. The leaves of sugar cane (Saccharum officinarum L.), severely infected with a sheath blight, and the leaves of a mung bean (Vigna radiata L.), infected with yellow mosaic virus, exhibit a higher PA signal than the untreated, healthy leaves of same cultivars at all wavelengths examined. The ratio of photoacoustic signals obtained from diseased and healthy leaves in the UV region was higher, as compared to that in the visible region. In fungal infections, the higher PA signal was attributed to non-radiative de-excitation (heat emission). In case of viral infection, the signal appears affected by both O₂ evolution and heat emission. The PA spectra of leaves show that the heat emission due to non-radiative de-excitation exceeds the O₂ evolution. Additionally, the PA spectroscopy proved capable of differentiating between the healthy C-3 and C-4 leaves.     

基于BP神经网络预测的马铃薯晚疫病预测系统

马铃薯晚疫病是对马铃薯种植危害最大的病害之一,这种病现在还没有很好的根冶办法,只能以预防为主.BP神经网络在预测控制中有着极其广泛的应用,本文首先介绍了BP算法及网络隐含层与结点数的相关问题,然后说明了利用神经网络预测实现的马铃薯晚疫病预测系统,系统采用BP神经网络算法,以气象数据等作为预测的输入,达到预测马铃薯晚疫病流行程度的目的.     

主成分分析在光全散射特征波长选择中的应用

为了能在用光全散射法测量颗粒粒径时选择对粒径影响较显著的特征波长进行测量,通过在可见及可见-红外波段内对粒径服从单峰R-R分布颗粒系的消光光谱,一阶微分以及二阶微分消光光谱进行主成分变换,提出一种特征波长选择方法。该方法首先对颗粒系的一阶微分消光光谱进行主成分变换,然后将每个波长下的一阶微分消光谱对主成分贡献率的大小作为特征波长选择的主要依据,并将光谱范围的边界波长也作为特征波长。分别对粒径服从单峰及双峰R-R分布的颗粒系进行数值仿真,并采用标准颗粒的实测数据进行验证。验证结果显示,采用基于主成分分析的波长选择方法计算方便、易于实现,得到的标准颗粒粒径反演误差均小于3%,表明采用提出的波长选择方法能够保证选出的光谱消光值具有较高的信息量。     

利用主成分分析法选择止血类中药中特征金属元素

采用火焰原子吸收分光光度法测定了七种止血类中药中Fe、Mn、Cu、Zn、Mg和Ca金属元素含量。根据测定数据,利用主成分分析法进行特征元素的选取,选择Fe、Mn、Zn、Ca四种元素为特征金属元素,并利用主成分得分值作聚类分析,结果表明主成分分析用于中药中特征元素的提取是一种具有优势的分析方法。     

Potential of radial basis function-based support vector regression for apple disease detection

Plant pathologists detect diseases directly with the naked eye. However, such detection usually requires continuous monitoring, which is time consuming and very expensive on large farms. Therefore, seeking rapid, automated, economical, and accurate methods of plant disease detection is very important. In this study, three different apple diseases appearing on leaves, namely Alternaria, apple black spot, and apple leaf miner pest were selected for detection via image processing technique. This paper presents three soft-computing approaches for disease classification, of artificial neural networks (ANNs), and support vector machines (SVMs). Following sampling, the infected leaves were transferred to the laboratory and then leaf images were captured under controlled light. Next, K-means clustering was employed to detect infected regions. The images were then processed and features were extracted. The SVM approach provided better results than the ANNs for disease classification.     

高光谱成像技术实现马铃薯叶片叶绿素无损检测

针对马铃薯叶片，依托高光谱成像技术实现叶片叶绿素含量的无损检测。利用相关性分析获得马铃薯叶片叶绿素敏感波段，结合植被指数，建立基于光谱导数、植被指数的叶绿素含量传统预测模型与贝叶斯正则化-反向传播（BR-BP）神经网络模型。以489 nm光谱一阶导数值、修正型叶绿素吸收植被指数（MCARI）、陆地叶绿素指数（MTCI）为自变量建立BR-BP神经网络模型，其校正集决定系数、预测集决定系数、均方根误差分别为0.8464，0.6804，0.0746。研究表明，传统模型中光谱一阶导数-幂函数模型可较为准确地预测叶绿素含量，BR-BP神经网络模型相比传统预测模型具有更高的预测精度，因此可以实现马铃薯叶片叶绿素无损检测。     

Multivariate Statistical Techniques to Determine Essential and Toxic Elements in Biological Samples by X-Ray Fluorescence

X-ray fluorescence spectrometry was used to determine essential and toxic elements in tea leaves. Quantitative measurements were obtained for K, Mg, Cu, Zn, As, Sr, Fe, Co, Ca, P, S, Pb, Rb, and Mn. Pearson's product moment correlation coefficient with principal component analysis and hierarchical clustering analysis were performed to investigating the relationships between essential and nonessential elements in the dry herbal mass. From multivariate statistical analysis, Ca, Fe, P, Zn, and Mn were found to have strong positive correlations. While principal component analysis demonstrates that tea leaves were dominated by Fe and Cl in the first principal component, Pb and As were in the second principal component with cumulative variability of 84.4%. However, hierarchical clustering analysis indicated the presence of a cluster of four essential elements, one cluster containing toxic and essential elements, and one cluster composed of toxic elements. The results of this study improve understanding of the correlation between essential and toxic elements in biological samples such as tea leaves.