基于加权欧氏距离的光谱重构训练样本选择

目的研究光谱反射率重建过程中训练样本的选取,以提高光谱反射率的重建精度。方法根据检验样本与训练样本间的欧氏距离判断两者的相似度,并将样本向量各维度分量"标准化"到均值、方差相等,使得各维度分别满足标准正态分布,同时将其方差的倒数作为权重赋予训练样本。实验以Munsell色卡为总的训练样本集,经Mohammadi方法、Cao方法以及文中方法选择出的样本作为最终的训练样本,用Color Rendition Chart 24色卡为检验样本,采用伪逆法分别对选择出来的训练样本进行光谱反射率重建。结果通过Matlab软件仿真实验,文中方法的平均色差为0.7918△E_(ab)~*,最大色差为1.7148△E_(ab)~*,平均均方根误差为0.0060,最大光谱均方根误差为0.0127。结论基于加权欧氏距离的训练样本选择可以有效地提高光谱的重建精度,能更好地实现颜色再现。     

基于APSO-LSSVM模型的光谱反射率重建算法研究

目的 研究光谱反射率重建算法,提高光谱反射率重建精度.方法 首先通过多光谱相机和分光光度计分别获取Munsell色卡和SG140色卡的通道信息和光谱反射率值,经归一化后将Munsell色卡的通道信息和光谱反射率值作为训练样本的输入和输出.然后,采用APSO算法对LSSVM的最优正则化参数γ和核参数σ进行寻优,构建基于APSO-LSSVM的光谱反射率重构模型.在对模型参数进行寻优过程中,为保持粒子的活性,在粒子群算法中引入自适应惯性权重,并根据遗传算法中的变异思想,加入了变异操作,在普通粒子中引入变异因子.在每次迭代更新中,粒子以一定概率初始化,使粒子群算法可以跳出局部最优解,在较大的空间内进行优化.结果 基于APSO-LSSVM模型对SG140色卡进行光谱反射率重建实验,文中方法的平均色差为0.4677 abΔE?,平均均方根误差为0.0006.相较于最小二乘支持向量模型和反向传播神经网络模型的重构精度均有很大的提高.从显色效果来看,文中方法的显色结果更接近真实颜色,人眼基本上难以察觉到两者间的差异.结论 基于APSO-LSSVM的光谱反射率重建算法可以有效地提高光谱反射率重建精度,实现了利用多光谱相机拍摄的多通道信息重构获得精确的多光谱图像.     

基于聚类分析的光谱重建样本分析

目的 解决目前光谱重建中因数量大而出现的冗余和繁重等问题,证明聚类算法可以很好地应用在光谱选择样本分析中,并可以实现较高的重构色度精度和物理精度。方法 采用主成分分析法进行仿真实验,首先探究主成分个数,再确定聚类个数,然后比较聚类方法和3种常用的样本选择方法,最后分析比较光源种类对重构结果的影响。结果 通过实验确定主成分个数为6且聚类个数为20时,在A光源下使用KFCM算法的重构效果最好,此时平均色差为0.35ΔE00,平均RMSE为0.0078,平均GFC为99.94%。结论 聚类方法可以应用于光谱成像过程中训练样本选择过程,且有助于提高光谱重构的运算速度和精度。     

基于样本选择的光谱重构研究

目的为了提高使用主成分分析法重构光谱反射率的重构精度。方法利用Matlab进行仿真实验,选择3种不同色卡作为训练样本,使用主成分分析法探究主成分个数和样本间隔对重构结果的影响。结果主成分个数为4时,贡献率均超过99%;样本间隔为10 nm时,RC24色卡重构效果最好,其平均色差2.37ΔE_(ab)~*平均均方根误差为0.0185。结论训练样本的选择会影响光谱重构精度,RC24色卡具有数据量小、重建精度较高的特点,在颜色复制领域可以优先选择。     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

基于向量夹角的三角网格模型简化算法

提出以顶点向量夹角为剔除准则,运用顶点去除方法进行网格简化的算法。该算法首先计算每个网格顶点与其周围相邻顶点所形成的方向向量,然后根据方向向量的平均夹角来识别和简化网格中的平面区域,之后再以该顶点所处区域是否比较平坦为顶点去除限制条件,判断该顶点是否符合安全去除原则,这样可以保留特征顶点,进而保持物体的视觉特征。在顶点去除后,还需要对因此而形成的多边形进行三角形网格重建,以填补空洞。该算法在简化质量和简化速率方面取得了较好的平衡。     

基于双层动态筛选训练样本的光谱重建算法

目的研究光谱重建过程中训练样本筛选方法对光谱重建精度的影响。方法利用违逆的方法对测试样本Munsell样本和Color Checker SG样本进行光谱重构,训练样本分别选择未经筛选的Munsell样本集、经过动态聚类筛选的和经过文中提出的双重动态筛选的Munsell样本集,然后比较3种样本筛选方法得到的光谱重构精度。结果实验结果表明,经过双层动态筛选的训练样本重构精度无论是均方根误差(RMSE)、拟合优度(GFC)还是不同光源下(A,D50和F2)的色差,明显高于动态聚类分析的样本和未经筛选的样本。结论提出了一种新的样本筛选方法,该筛选方法效果良好,具有一定的先进性。     

利用样本向量空间位置关系的目标识别方法

利用样本向量的空间位置关系,对目标识别方法进行研究。根据样本向量最小夹角给出了可分类识别率的定义,且应用样本向量间的夹角对样本向量进行筛选,获得了更有利于分类的样本。在此基础上提出了样本向量最小夹角识别算法,以及对样本向量最小夹角和最短距离进行综合的目标识别算法。为了进一步提高识别效果,将特征线之间的最小夹角引入到识别算法当中。所研究的目标识别算法应用到飞机目标识别,若采用奇异值特征作为样本可以得到90.0%以上的识别率,而采用颜色特征作为样本则可以得到92.5%以上的识别率。     

光谱重建训练样本选择方法研究

目的研究光谱重建训练样本选择方法及训练样本集样本数量对光谱重建精度的影响。方法以光谱反射率已知的1687个矿物颜料样本为研究对象,搭建真实六通道宽带光谱成像系统并进行标定,利用宽带光谱成像系统对样本进行六通道数字响应值采集并进行校正,通过R-matrix光谱重建方法,对现有以及文中引入和提出的训练样本选择方法的光谱重建精度和计算效率进行比较。结果实验结果表明,分区最大化色域边界描述方法可以较好地应用于光谱成像过程中训练样本选择,其在保证光谱重建精度的同时大大提高了训练样本选择的效率,实验证明文中提出的基于色域最大化思想的训练样本方法,在面向复制的光谱成像流程中也具有一定的实用性。结论研究结果对于光谱成像过程中训练样本选择方法的选择具有一定指导作用。     

基于维纳估计的光谱反射率重建优化算法研究

目的研究光谱反射率重建算法,解决各种物体颜色的光谱反射率重建精度问题。方法通过高精度多光谱成像系统获取实验样本的系统响应值,分光光度计获取样本的光谱反射率,采用Wiener估计法、自适应维纳估计法和提出的优化维纳估计法,对待测样本实验数据进行光谱重建,并评价重建结果。结果在3种光谱重建算法仿真实验中,提出算法的均方根误差平均值为0.0355,平均CIE1976色差为1.4349,优于其他2种算法。结论在光谱重建算法的研究中,基于优化的维纳估计算法可以有效提高光谱的重建精度,可应用于实际的多光谱成像复制中。     

基于最优化维纳估计算法的多光谱图像重构

目的提高光谱反射率重构精度,更好实现图像颜色再现。方法选择4种不同的训练样本,比较不同的改进的维纳估计算法重构光谱反射率精度。分别把Color Checker Color Rendition Chart(RC-24色)和Color Checker SG(140色)以及Panton色卡、孟塞尔色卡(Munsell-1269)4种不同颜色数量的哑光色卡作为训练样本,用伪逆算法、维纳估计算法、自适应维纳估计算法和最优化维纳估计算法分别对多光谱图像进行重构,并进行精度对比。从均方根误差、色差等方面评价这些光谱重构方法。结果最优化维纳估计算法重构均方根误差为0.000 41,色差为0.7874,均小于其他几种算法。结论最优化维纳估计算法能更好实现颜色再现。     

基于颜色属性的光谱重建训练样本正交优化

选择具有代表性的颜色作为光谱重建的训练样本可以有效减少样本冗余,提高光谱重建精度。采用正交试验方法,基于色相、明度和饱和度在Munsell颜色集中选择具有代表性的颜色样本,并分析颜色三属性对光谱重建精度的影响。结果表明,采用主成分分析(PCA)法重建得到的反射率与原反射率的平均均方差(RMS)最大可达0.120 4,而采用违逆(PSE)法和R矩阵(R-matrix)法重建得到的平均RMS相对较小。三属性的优先级别R极差分析中,明度明显大于色相和饱和度。颜色三属性对P C A法的影响大于对PSE法和R-matrix法。明度对光谱重建精度的影响较大,而色相和饱和度对光谱重建精度的影响相对较小。     

光谱反射率重建技术的研究进展

目的综述目前已有光谱反射率重建技术的研究进展,为光谱反射率重建技术的适用范围更广和精度更高提供科学的研究基础。方法介绍目前已有光谱反射率重建技术的相关方法,并探讨相关方法的优缺点和适用的应用场景,提出相关方法的改进以及未来发展的趋势。结果直接重建法的重建精度相对较低,插值重建只适用于小样本的数据集,基于人工智能技术虽然精度高,在实际应用中也受到局限,组合重建法将各种重建方法按照一定的方式组合起来,并加入相关的修正项进行光谱重建,解决了其他3类方法存在的缺陷,保证了光谱反射率重建精度,解决了真正实际应用需要。结论通过组合的形式解决了在重建光谱反射率过程中遇到的噪声、智能化等问题,通过组合的方法可以解决各自单一方法缺陷,进行互补。     

基于成像条件校正的光谱重建方法

目的 提出一种基于成像条件校正的光谱重建方法,以实现数码相机面向开放环境的光谱重建应用.方法 以参考白板为成像条件校正的媒介,首先在参考成像条件下建立光谱重建矩阵,然后将开放环境下测量对象的图像向参考成像条件进行转换,最后利用参考成像条件下建立的光谱重建矩阵对测量对象进行光谱重建.结果 以仿真成像系统和开放环境常见光源为基础,利用3组实验样本对方法进行了检验.实验结果表明,3组样本的总体平均光谱误差和色差分别为2.42和2.73.结论 基于成像条件校正的光谱重建方法总体上保持了较好的光谱重建精度,验证了方法的理论有效性.     

基于谱聚类波段选择的高光谱图像分类

高光谱图像在地物观测领域得到了广泛的应用。由于高光谱图像具有数据量大、波段间相关度高等特性,波段选择技术成为降低地物识别计算复杂度的重要方法。根据不同波段数据之间的非线性关系,提出了基于谱聚类(SC)的波段选择技术。该方法首先以波段图像为样本点生成近邻图和相似度矩阵,然后借助谱聚类方法将所有数据样本分成 k类,从中选择 k个代表波段参与后继的分类识别任务。实验数据表明,新方法减小了计算复杂度,提高了地物识别的精度。     

Measurement of Infrared Spectral Directional Hemispherical Reflectance and Emissivity at BNM-LNE

An infrared reflectometer has been designed by BNM-LNE (Bureau National de Métrologie–Laboratoire National d’Essais) to measure the spectral directional hemispherical reflectance of solid materials at ambient temperature. For opaque materials, the spectral directional emissivity can be calculated from the measured reflectance. The reflectance can be measured from 0.8 to 14 μm in five directions with an angle of 12°, 24°, 36°, 48°, and 60° with respect to the normal to the surface of the sample. The optical arrangement to collect the reflected flux is based on the Coblentz arrangement (hemispherical mirror). In fact, four mirrors cut in an hemisphere are used to collect the flux reflected by the sample. This optical arrangement was chosen to limit the angle of incidence of rays on the detector (38° instead of 90° for the Coblentz arrangement). The final expanded uncertainty (level of confidence 95%) of the reflectance is estimated to be about ±0.03 for wavelengths between 0.8 and 10 μm and ±0.04 for wavelengths over 10 μm. The values of the spectral reflectance measured on a black paint and on a white ceramic tile are compared to those measured by the two laboratories PTB (Physikalisch Technische Bundesanstalt) and NIST (National Institute of Standards and Technology). The results validate the measurements performed at BNM-LNE. Paper presented at the Fifteenth Symposium on Thermophysical Properties, June 22–27, 2003, Boulder, Colorado, U.S.A.