样本特征对光谱图像重构影响的研究

目的以光谱图像作为检测样本讨论不同训练样本数量、分布对光谱图像重构的影响。方法选择ColorCheckerSG(140色)和ColorCheckerColorRenditionChart(24色)以及Munsell(1269色)等3种色卡作为训练样本,对其光谱反射率进行主成分分析,利用提取的主成分对光谱图像进行重构。结果采用ColorChecker Color Rendition Chart(24色)色卡的7个主成分重构光谱图像对图像的再现精度最高,其色差比其他2种色卡小,且最大色差小于3。结论在同一重构条件下,光谱图像的重构精度并不随着训练样本数量增多以及分布范围增大而提高,3种训练样本对红紫色的重构精度相对较低。     

基于不同色块数量的光谱重构对比

分别对24色块、140色块、1 269色块3种不同颜色数量的哑光色卡光谱反射率进行主成分分析(PCA),利用分析所提取的最大6个特征向量重构光谱,并使用均方根误差值(RMSE)和CIE1976色差值对结果进行评价。实验结果表明:同等条件重构后,140色卡在累计贡献率和色差方面均优于另外2种数量的色卡,均方根误差也仅次于1 269色卡,表明不同色块数量的训练样本会影响光谱重构精度;重构后的光谱反射率均在对应黄色、绿色、蓝色等的中间波段,再现效果最好,蓝紫色相对较弱,橙色-红色表现最差。     

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。     

基于近红外光谱的不同产地苹果货架期鉴别方法

提出了一种基于近红外漫反射光谱技术的不同产地苹果货架期鉴别方法.从市场上购买山东和陕西的富士苹果各20个,分别对购买当日和存放1周(7d)后的样品进行光谱测试,分析表明一周后不同品种样品光谱在1 420am和1 630nm处吸光度值均有不同程度的增大.通过主成分分析研究了样品产地对不同货架期样品光谱的影响,将总贡献率为...     

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。     

高光谱图像技术检测柑橘果锈

高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性.以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571 nm、652 nm和741 nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换,阈值分割和数字形态学运算完成特征提取.试验结果表明,此算法对柑橘果锈检测的正确率可达到90%.研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的.     

一种用于高光谱图像分类的空谱协同编码方法

针对现有基于协同表示的分类算法对于高光谱遥感图像的空间光谱信息利用不充分而造成较低分类精度的问题,该文提出一种空谱协同编码方法用于高光谱图像分类。算法首先利用空间光谱信息对图像进行加权滤波。随后,对于协同编码模型,将空间光谱信息转化为空间光谱权重以对模型进行正则约束。在Indian Pines和University of Pavia真实数据集上的实验结果表明提出的算法能分别获得98.82%和99.09%的总体精度。实验证明了所提出的算法对高光谱遥感图像进行分类的有效性。     

基于主成分分析的多光谱相机灵敏度优化

研究了基于主成分分析的多通道光谱图像获取硬件系统即多光谱相机的灵敏度优化问题。利用多维向量空间理论和主成分分析法,系统讨论了多光谱获取系统优化灵敏度的理论和方法。提出灵敏度优化向量的概念,将滤光片透过率优化和光源辐射谱优化两种方法统一起来。利用四种灵敏度优化向量进行了仿真试验,并给出了在主成分分析算法下的实验仿真结果。结论是：多光谱系统灵敏度优化向量的正交化设计是系统光谱图像获取的必要要求;窄带灵敏度中,交叠的灵敏度优化向量具有更好的光谱反射率信息获取能力;在有限数目的宽带滤色片中,挑选滤色片透过率向量可以得到较好的多光谱相机的灵敏度向量。     

差分拉曼光谱对香水样品的分类研究

为建立一种快速检验香水样品的方法,利用SERDS Portable Base型差分拉曼光谱仪对26个香水样品进行无损检测分析。首先,根据1 044 cm^-1,1 274 cm^-1,1 454 cm^-1三处差分拉曼光谱特征峰差异可将样品归为4个类别,利用Pearson系数进行相关性分析验证分类的准确性。最后,通过主成分分析(PCA)对差分拉曼光谱数据进行降维,并根据提取出的前三个主成分构建径向基函数(RBF)神经网络,选取80.8%的样本用于训练,19.2%的样本用于测试集,分类准确率达100%。结果表明,PCA-RBF模型结合可以为香水物证鉴别研究提供依据,该方法无损检材且准确度高。     

一种基于LMS加权的残差补偿光谱降维模型研究

目的在PCA算法的基础上提出一种基于LMS锥响应加权的残差补偿光谱降维模型。方法介绍以LMS为加权函数对源光谱加权以及用残差光谱对模型补偿的基本框架。以Munsell色卡作为训练样本,以多光谱图像和SG色卡为检测样本,用文中算法与主成分分析算法分别对其进行降维、重构。结果在不同维数下,采用文中算法重构都具有较高的色度精度,该算法有效提高了主成分分析算法的色度精度,且在变光源情况下仍具有较高的色度稳定性。结论该降维算法采用LMS加权并对残差光谱补偿是一种精度较高的光谱降维模型。     

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。     

一种新的频谱分析图像重建算法及模拟

这种频谱分析图像重建算法利用二维傅里叶级数的各正交基函数的投影向量,去逼近图像 函数的投影向量,利用优化准则,得到各正交基函数的权系数,再经过傅里叶反变换,即可重建出原始的图像函数。计算机模拟表明,该算法重建时间不足1秒,选择合适的近似级数,对复杂场的图像重建,也能使最大误差不超过5%,平均误差不超过1%。     

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。     

基于向量夹角样本选择的光谱反射率重建

目的研究一种更有效的训练样本选择方法,以提高光谱反射率的重建精度。方法提出将样本看做向量,根据测试样本与训练样本之间的夹角判断两者间的相似度,然后把该夹角大小作为相似度权重赋予该训练样本,实验以孟塞尔色卡为样本集,训练样本分别为经过Mohammadi方法选择的样本和经过文中提出的向量夹角方法选择的样本,以色差和光谱均方根误差为评价指标,从重构精度和样本选择的有效性等2个方面对2种样本筛选方法进行比较和验证。结果通过Matlab软件仿真实验,文中所提方法的平均色差能降低到0.7945,最大色差为2.1569,平均光谱均方根误差降低到0.011 42,最大光谱均方根误差为0.0218。结论基于向量夹角选择样本具有简单且精确的优势,能够满足高精度颜色复制的要求,可以为快速准确地选择样本和提高颜色复制精度提供参考。     

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GA-BP神经网络的彩色扫描仪光谱特征化

为了实现彩色扫描仪的光谱特征化,采用一种GA修正的BP神经网络与PCA相结合的方法对其进行研究。首先,通过主成分分析,对训练样本的光谱反射率进行降维,以RGB信号和降维后的光谱数据作为输入、输出变量进行GA-BP神经网络的建模,对任意RGB信号都可以通过模型得到其低维光谱信号;再通过主成分分析重构光谱反射率,由此实现RGB信号对光谱反射率的重构,即实现扫描仪的光谱特征化。实验结果表明,GA的优化有效地改善了BP神经网络的极值问题,提高了模型的预测精度,PCA在不影响模型精度的同时提高了模型的效率。由此说明,所提出的模型能够满足扫描仪光谱特征化的需求。     

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。