基于偏振光谱的叶片尺度下玉米与杂草识别研究

自然界中不同种物质拥有不同的偏振特性,这些特征信号能用于检测不同的目标地物。为了探索偏振光谱技术用于精确识别作物和杂草的可行性,此研究利用配置偏振片的成像光谱仪FISS-P在室内采集玉米与5种杂草的偏振光谱影像。通过比较和分析0、60、120和无偏4种状态下玉米与各种杂草的光谱响应规律、光谱特征和决策识别模型精度,结果显示4种偏振状态下玉米和杂草的光谱变化趋势较一致,无偏状态下玉米和杂草的光谱强度最大;不同偏振状态下玉米和杂草的敏感波段既存在共性又表现出一定的差异性;4种偏振状态下玉米杂草识别模型的总体精度和Kappa系数均达到90%以上,其中,0偏振状态下玉米和杂草识别模型的整体精度最高,接近100%。综上,偏振光谱能够在叶片尺度较好地识别玉米和杂草,这为田间尺度进一步应用提供了扎实的数据积累。     

融合光谱、纹理及形态特征的水稻种子品种高光谱图像单粒鉴别

水稻种子品种的单粒鉴别对于防止制种时的混杂、掺假现象,保证种子纯度具有重要意义。利用高光谱图像技术研究了水稻种子品种的单粒快速鉴别方法。采集了10类水稻种子在400~1000 nm范围内的高光谱反射图像并提取其光谱、纹理和形态特征;结合偏最小二乘判别分析模型比较了不同特征及其组合下的分类精度,并利用多次递进无信息变量消除算法结合偏最小二乘投影分析方法筛选最优波段。结果显示,在仅利用23个最优波段情况下,融合均值、熵、能量和形态特征所建立的鉴别模型获得了令人满意的识别精度,其训练集、测试集精度分别为99.22%、96%。结果表明,高光谱特征融合可以在少量波段情况下有效地提高水稻种子品种单粒鉴别的精度,基本满足国家标准对种子纯度的检测要求。     

基于多光谱成像选取四季豆叶片的特征波段

在400~720nm波段范围,基于液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统,以四季豆叶片为研究对象每隔5 nm进行成像。根据图像亮度信息法和波段指数法的相关原理,首先分别计算得到各波段四季豆叶片的波段指数值和可识别度;然后对四季豆叶片的波段指数值和可识别度进行排序,综合图像的灰度离散、亮度信息丰富和波段的相关性小等特点,得出545、630、645、720、650和570 nm波段有较大的波段指数值和较好的识别度;最后根据最小欧氏距离法和光谱角度匹配法分别对四季豆叶片的特征波段的分类精度予以计算,两种方法的分类精度分别为100.00%和83.33%,得出选取的特征波段对四季豆叶片具有较好的分类精度。因此,545、630、645、720、650和570 nm波段可作为四季豆叶片的特征波段。     

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达（SAR）图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。     

利用成像高光谱区分冬小麦白粉病与条锈病

病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度,成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病白粉病和条锈病,采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据,通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后,得到识别病斑准确率达到97%;进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异,选择第二主成分图像筛选两种病害的敏感波段,得到识别白粉病的敏感波段为519、643、696、764、795、813 nm,条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机（SVM）判别模型并验证,得到两种病害的区分精度为92%。综上,利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别,这为开发病害区分仪器提供了重要的理论基础。     

基于近红外高光谱成像技术的塑料分类（特邀）

塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术（NIR-HSI）,比较了1100～1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GASVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。     

基于特征波段-Fisher-K近邻的木器漆拉曼光谱的快速无损鉴别

为了实现木器漆的快速无损检测以及精确识别与分类,采集并获取了晨阳等3种品牌木器漆样本的拉曼光谱,并考察了基线校正、Savitzky-Golay九点平滑法、一阶导数和二阶导数等不同预处理方法的处理效果,建立了特征波段比值、Fisher判别、K近邻(KNN)模型。结果表明:特征波段比值法能以1358cm-1/1239cm-1表征3种木器漆的特征;基于Fisher判别的基线校正、平滑和二阶导数处理的拉曼光谱模型的分类准确率最高,能实现100%区分;在相同的预处理下,KNN判别模型的准确率仅为88.5%。基于二阶导数的拉曼光谱结合特征波段-FisherKNN法能为不同品牌木器漆的准确检测提供一种新的快速无损分析手段,具有普适性和一定的借鉴意义。     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

基于机器学习的深圳市坝光湿地园树种高光谱分类

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力,本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据,比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响,并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明,一阶导数预处理方法在分类识别中性能最好,平均分类精度为76.65%;随机森林回归方法较支持向量回归算法的性能好,模型平均分类识别精度为73.07%。从混淆矩阵可以看出,多毛茜草、银柴、阴香易错分为假萍婆,鸭脚木与银柴易错分,银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。     

基于OIF和最优尺度分割的GF-2影像分类适用性研究

高分二号作为国产高分辨率遥感的代表,其影像数据对提高地物信息提取的质量和精度的作用值得研究和探索。通过分析高分二号多光谱数据特点,利用OIF指数选取最佳波段组合,选用ESP最优尺度分析算法获得研究区最优分割尺度,最后在最佳波段组合和最优分割尺度的基础上提取典型地物,并对分类结果进行精度验证。研究发现,高分二号多光谱数据最佳波段组合为134;利用最佳波段组合和最优分割尺度提取地物信息的总体分类精度均大于85%,Kappa系数均大于0.8,分类结果精度较高;从总体来看,当选用最优分割尺度为82时,分类结果精度最高,其总体精度为93%,Kappa系数为0.910;其次是最优分割尺度为31,其总体精度为89%,Kappa系数为0.859;最优分割尺度为42的分类结果精度表现最差,其总体精度为85%,Kappa系数为0.808。     

基于可见/近红外反射光谱的稻米品种与真伪鉴别

利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec3地物光谱仪采集了5种稻米的光谱数据,各获取35个样本,随机分成训练集(150份)和检验集(25份),并分别采取全波段与特征波段(400~500nm、910~1400nm与1940~2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量,稻米品种作为输出变量,建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验,结果表明两类模型预测准确率均高达100%,其中特征波段模型比全波段模型具有更高的预测精度,说明利用可见/近红外技术结合PCA-BP神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的,且提取特征波段是优化模型的有效方法之一.     

基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法

提出了一种用可见-近红外漫反射光谱技术快速鉴别水蜜桃品种的新方法.应用可见-近红外光谱仪测定三个品种水蜜桃的光谱曲线,再用主成分分析法对不同品种样本进行聚类分析,获取了水蜜桃可见-近红外光谱的特征信息,同时结合多类判别分析技术建立水蜜桃品种鉴别的模型.对经过预处理的光谱数据进行主成分分析,分析表明,以样本在第一主成分和第二主成分上的得分做出的二维散点图,对不同种类水蜜桃具有很好的聚类,能定性区分不同种类水蜜桃;经过主成分分析得到的前8个主成分的累积可信度已达94.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从75个样本中随机抽取60个样本用于建立8个主成分变量的多类判别分析品种鉴别模型,余下的15个样本用于验证,准确率为100%.说明本文提出的方法具有明显的分类和鉴别作用.     

应用太赫兹光谱技术快速无损鉴别中草药品种

确定中药品种是确保中药材质量的第一关。为探索中草药品种的快速鉴别方法,本文应用太赫兹光谱技术结合模式识别方法对6种中草药进行分类鉴别。采集了白附片、大黄、党参、陈皮、麦冬、天麻等6种常用中草药,共得到420组太赫兹光谱数据,在0.2~1.5 THz波段分别采用支持向量机(SVM)、主成分分析(PCA)和支持向量机相结合、线性判别分析(LDA)结合支持向量机等方法对6种中药材进行了定性鉴别分析。结果表明,太赫兹光谱数据结合线性判别分析和支持向量机建立的LDA-SVM中草药品种识别模型最优,模型准确率达100%,对未知样本的鉴别准确率达98.41%。本文的LDA-SVM模型具有较好的鉴别能力,能快速准确地鉴别出中药材的品种,为中草药的质量控制提供了又一鉴别手段。     

近红外光谱技术与偏最小二乘法及模糊聚类法相结合的糖品种分类方法

提出了一种近红外光谱技术与偏最小二乘法及模糊聚类法相结合的可用于快速无损鉴别糖品种的新方法。采用近红外光谱仪获取了白砂糖、木糖醇、麦芽糖和葡萄糖等四种糖类别各30个样本的光谱漫反射特征曲线。运用偏最小二乘法提取了糖分类与特征值,并将提取到的经过归一化处理的11种主成分结果作为模糊聚类模型的建模参数。设定聚类数为4,建立模糊聚类模型,并对40个未知样本进行了预测。预测结果的准确率达到100％,说明本文提出的方法对于糖类别具有很好的分类和鉴别能力,同时也为光谱分析技术在对品种的快速、无损分类与识别中的应用提供了新的思路。     

基于可见-近红外光谱技术的家蚕蚕种鉴别方法的研究

提出了一种结合主成分分析和人工神经网络技术的可见-红外光谱家蚕蚕种快速鉴别新方法.主成分分析法用于家蚕蚕种品种的聚类分析及主成分的提取.从主成分1和2对所有建模样本的得分图可以看出,主成分分析法对不同种类家蚕蚕种具有较好的聚类作用,可以定性分析家蚕蚕种品种.提取了6个能解释原始光谱的大部分信息的主成分,作为BP神经网络的输入,建立了三层BP人工神经网络模型.选取了4个典型的家蚕蚕种品种,共120个样本,其中随机选取了100样本用来建立神经网络品种鉴别模型,对未知的20个样本进行预测,结果表明,品种识别准确率达到100%.说明该方法具有很好的分类和鉴别作用,为家蚕蚕种的品种鉴别提供了一种新的途径.     

基于激光点云的农田玉米种植株数数目识别

为了对玉米种植株数进行无损的自动化识别,利用FARO focus s70地面激光扫描仪、采用四站式扫描方法,采集不同视角下的玉米田块点云数据。设计了一种基于标靶球自动提取的配准算法,对各站获取的点云数据进行精确配准,取得了完整的玉米田块点云数据,并以标靶球拟合误差和标准偏差分析配准精度。对于配准好的3维点云数据,利用采样一致性算法基于圆柱体特征从完整的玉米田块点云中精确分离出茎秆点云,统计玉米种植株数。结果表明,标靶球拟合标准偏差在0.1mm～0.7mm之间,满足仪器测量精度要求;拟合误差总体在2mm～5mm之间,能满足大场景测量配准误差5mm的要求;对玉米种植株数的识别率达到86.1%～92.1%。这一结果对于农田环境下玉米种植株数识别的实际应用方面是有帮助的,为作物的估产提供了数据基础,为智慧农业研究提供了理论方法。     

基于半监督生成对抗网络的乳腺癌图像分类

本文针对仅有少量带标签样本时如何提高大量未标 注样本分类的的鲁棒性和准确性问题,提出一种 基于改进的半监督生成对抗网络(semi-supvised generative adversarial networks,SGAN) 的乳腺癌图像分类方法。该方法在输出层使用Softmax 函数 替代 Sigmoid 函数实现多分类。首先将随机向量输入到生成网络中,生成伪样本并标记为伪样本 类进行训 练。接着将真实标签样本、真实无标签样本和伪样本输入到判别网络中,输出为不同类概率 值;然后采 用半监督训练方法反向传播更新参数;最后实现对乳腺癌病理图像的分类,标注样本数量分 别为25、 50和200,最终准 确率达到95.5%。实验结果表明,当标注 样本有限时,本文算法的准确 率具有良好 的鲁棒性。本文算法相比于使用卷积神经网络和迁移学习(tranfer learning,TL)等分类方法准确率有了显著提高。     

基于支持向量机的粗糙海面风速及海表盐度反演研究

将支持向量机(Support Vector Machine, SVM)回归技术应用到海况参数(如海表盐度、海面风速等)反演研究.利用双尺度模型(Two-Scale Model, TSM)作为前向电磁算法, 数值模拟不同雷达参数下风驱粗糙海面微波后向散射系数, 经过敏感性分析, 选取L波段(1.4 GHz)、C波段(6.8 GHz)及其合适的入射角作为雷达参数, 并设计多种反演方案, 分别以单频率双极化双角度、双频率双极化双角度及双极化后向散射系数的比值作为SVM的训练样本数据信息, 经过适当的训练, 利用SVM回归技术对海洋表面风速和盐度进行了反演研究.研究结果表明, 针对于海面风速的反演, C波段的反演精度最高, 针对于海表盐度的反演, L波段同极化散射系数比值作为SVM输入的反演精度较高.最后, 检验了SVM反演方法的抗噪声性能, 表明文中提出的SVM方法能较好地应用于实际海况参数反演问题.     

Evaluation of textural and multipolarization radar features forcrop classification

The aim of this research is to evaluate crop discrimination using airborne radar data based on multipolarization and textural information. Multipolarization data (C-HH, C-VV, and C-HV) were used for discriminating 5 crop types i.e., corn, wheat, soya, pasture, and alfalfa. For the multipolarization evaluation, an unsupervised classification algorithm and a supervised method based on maximum likelihood were used on the data. For the textural evaluation, textural measures of different degrees were calculated on three different order histograms and were evaluated from the crop discrimination point of view. Results show that multipolarization correct classification rates of 86.31% and 74.47% were obtained for supervised and unsupervised methods respectively. Hence, multipolarization radar data offer an adequate tool for crop identification especially with supervised classification. The evaluation of textural measures shows that for a first order histogram the mean measure gives the best rate of discrimination. In the case of second and third order histograms, the best measures are contrast and large number emphasis respectively. These textural measures were integrated with the three multipolarization channels in order to determine their specific contributions. Results show that crop class separability is thereby improved and that the rate of correct classification increased by 9.79% for the crops