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。     

基于LCTF成像和ABS算法的小白菜光谱特征波段提取研究

基于液晶可调滤波器(LCTF)和CMOS组合的多光谱成像系统,在435~720nm波段范围内,以每隔5nm波段对小白菜叶片进行灰度值信息的提取,然后求出各个波段的灰度值平均值、标准差以及相关系数,并采用自适应波段选择法(ABS)提取出小白菜叶片的波段指数,最后通过波段指数的排序选取出小白菜叶片的有效特征波段。实验结果表明,用ABS的特征波段提取的算法,能够快速有效地获取小白菜叶片的光谱信息,在445nm、450nm、455nm、680nm、685nm、690nm、695nm和710nm波段具有较理想的波段指数值,有较大的光谱信息量。因此,这些波段可以很好地作为识别小白菜叶片的有效特征信息波段。     

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。     

用LCTF光谱技术提取甘蓝小菜蛾虫害叶片特征波段

利用由液晶可调滤波器(liquid crystal tunable filter,LCTF)和单色CCD相机组成的光谱成像系统对甘蓝正常叶片和遭受小菜蛾虫害甘蓝叶片的光谱特征进行分析,获取了430~720nm每隔5nm波段的灰度值信息,并采用自适应波段选择方法提取出了两种叶片的特征波段,通过欧氏距离聚类方法对所提取的特征波段进行聚类分析。结果表明甘蓝正常叶片在545nm、645nm、650nm、655nm波段具有较大光谱信息量,而虫害叶片在550nm、555nm、575nm、585nm、715nm波段有较大光谱信息量。因此,可以利用LCTF快速地检测出植物是否遭受虫害,为农业虫害检测提供了一种新方法。     

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。     

迷彩伪装的高光谱特性分析

现代战争中,高光谱成像技术开始应用于伪装目标识别。为了加强对高光谱图像的信息挖掘,确定可以用来进行伪装识别的目标高光谱特征,对高光谱成像条件下的迷彩伪装特性及影响伪装效果的因素进行了综合分析。在光谱维,从高光谱图像中直接提取光谱曲线,确定了图像对比度高、迷彩伪装特征明显的光谱波段为650⁷40nm、780740nm、780⁸00nm。利用光谱角进行相似度计算,分析了阴影对光谱曲线的影响。在空间维,通过主成分分析和灰度共生矩阵的计算,得出了迷彩伪装纹理具有均匀性好、相关性强、复杂程度低等特点。研究结果为迷彩伪装的设计及识别提供了理论参考。     

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。     

显微高光谱成像系统的设计

设计出一种基于棱镜 光栅 棱镜组合分光方式的显微高光谱成像实验系统.系统根据推帚式成像光谱仪的原理进行设计,采用棱镜 光栅 棱镜组合元件在后光学系统进行光谱分光,利用高精度载物台自动装置驱动样品进行推扫成像,选用PCI总线作为数据采集的微机接口.整个系统由显微镜、分光计、面阵CCD相机、载物台自动装置以及数据采集与控制模块等几部分组成.系统的光谱范围从400nm到800nm,120个波段,光谱分辨率优于5nm,空间分辨率大约1μm.该系统具有直视性、光谱分辨率高、结构紧凑、成本低等优点;不仅能够提供微小物体在可见光范围的单波段显微图像,而且能够获得图像中任一像素的光谱曲线,实现了光谱技术和显微成像技术的结合,成功的将成像光谱技术应用到显微领域,可广泛应用于临床医学、生物学、材料学、微电子学等学科领域.     

一种多光谱检测苹果外部品质的方法

光谱成像技术用于农产品无损检测得到广泛研究。实现了一种应用多光谱检测苹果外部品质的方法。以检测苹果疤痕为目的 ,首先对原始的多光谱数据进行波段选择,选出490nm-720nm之间的24个特征波长组成新的数据立方体;再对苹果的正常和疤痕部分进行光谱特征提取,构建不同光照效果的特征谱向量;采取光谱角匹配的方法对全局的点光谱数据与特征谱向量进行匹配;最后基于统计的方法对匹配结果进行阈值分割、中值滤波,完成疤痕区域检测。实验结果验证了应用多光谱的处理方法检测苹果疤痕的有效性。     

基于多光谱成像技术的宣纸形态学特征分析

国画艺术品的科技取证与鉴别受到各领域的关注。宣纸作为国画的重要载体,其特征提取和分析方法有较高的研究意义。本文使用多光谱成像技术对宣纸进行形态学特征分析。实验采用多光谱成像系统获取宣纸在不同波长通道下的光谱图片,继而采用纹理参数统计对光谱图像进行测量,获得宣纸特征的敏感波段;采用数学形态学和灰度统计原理建立宣纸形态学特征分析模型,得到一维特征向量。为了评价特征向量的准确度,实验将特征向量输入到支持向量机（SVM）分类器进行检测分类。结果表明,宣纸的差异化特征在550nrn波段下最为明显;由模型输出的特征向量分类正确率为96％。本文提出的宣纸分析模型能够将大部分种类的宣纸特征准确提取,并具有一定的高效性。     

基于复小波域树结构化MRF模型的声纳图像分割

声纳图像受成像环境影响对比度低,特性信息较弱,且图像分辨率不高,用传统的分割方法效果较差,为此,构建了双树复小波域树结构化的MRF模型(TS-MRF),提出了基于此模型的声纳图像分割算法。双树复小波变换(DT-CWT)具有近似平移不变性和良好的方向选择性,其多分辨率分析能有效地提取声纳图像的弱特征信息,以便TS-MRF中节点参数的描述能准确地反映树结构的分布规律和图像统计特性;复小波域6个方向高频子带相互独立,尺度间父子节点标号具有一阶Markov性;尺度内构建TS-MRF模型,且每一节点标号依赖于父节点,采用Potts模型对节点标号势函数建模,相同标号的观测特征用高斯模型建模;最后,用多分辨率递归和每一分辨率分类层次树从顶层向底层的尺度内递归算法来求解最大后验概率,实现分类层次树标号,完成声纳图像分割。实验结果从视觉效果和定量分析两方面验证表明,本文算法能有效地抑制噪声,较好地提取声纳图像的弱特征信息,具有较高的分割精度和鲁棒性。     

循环神经网络多标签航空图像分类

由于航空图像背景复杂,包含的物体类别多样,航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题,本文提出了一种基于循环神经网络多标签航空图像分类方法。首先,采用超像素分割获取图像的低层特征,通过注意力机制生成注意力特征图;接着,采用交叉验证的方式获取最佳的图像尺度,将多尺度注意力特征图嵌入卷积神经网络中对图像进行特征提取;最后,采用改进的双向长短期记忆网络挖掘标签之间的相关性,改进的双向长短期记忆网络增加了输入门到输出门之间的连接,使输入状态可以更好地控制每一内存单元输出的信息,并且将遗忘门和输入门合并成单一的更新门,使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示,在图像变换尺度为1,1.3,2时,模型在UCM多标签数据集上的精确率和召回率分别达到了85.33%和87.05%,F1值达到了0.862。本文方法相比于原始VGGNet16模型,精确率提高了7.25%,召回率提高了8.94%。实验表明,该方法可以有效提高航空图像多标签分类任务的准确率。     

基于吉林一号遥感图像的星载目标快速识别系统

针对传统遥感图像地面目标识别系统图像获取周期长,信息实时性差等问题,设计星载目标快速识别系统,用于卫星在轨快速识别,提出改进的基于快速视网膜关键点(FREAK)的特征匹配识别算法,解决遥感图像数据量大、背景复杂的问题。介绍了星载目标快速识别系统的工作原理,提出简化的FREAK特征提取模型,将原有算法的七层模型减少为四层,用于快速提取出遥感图像中目标特征;利用二进制量化空间将高维特征数据量化为二维数据,提高算法的准确度;最后通过匹配,快速识别出遥感目标。实验结果表明,识别算法的准确度平均提高2.3%,识别用时缩短约27.8%,满足遥感卫星在轨目标快速识别的要求。     

基于灰关联分析和模糊隶属度匹配的球形水果自动识别方法

针对现有水果识别方法需大量水果样本学习或仅对单一特征进行识别而导致的识别率较低的问题,提出一种基于水果图像处理的水果颜色和形状特征参数的提取方法、基于灰色关联分析和模糊隶属度匹配的球形水果自动识别方法。该方法通过提取水果图像关注区域(region of interest,ROI)的颜色和形状特征,建立参比水果的颜色特征参比数据库和形状特征隶属度函数,计算待识别水果与参比水果颜色特征的灰色加权关联度,求取待识别水果对于参比水果形状特征参数的模糊隶属度,按各特征量等权的原则合成待识别水果对参比水果的总匹配度,并根据总匹配度的大小实现待识别水果种类的判别。大量实验结果表明:该方法简单、有效,不需要大样本量水果的学习和训练,平均识别正确率达到99%以上。