基于RGB颜色信息聚类的光谱反射率重建

针对光谱反射率研究中因训练样本数据量大造成的冗杂等问题,提出了一种基于RGB信息进行聚类的样本分类方法。首先对颜色进行聚类并确定聚类个数,后对每一类光谱反射率使用BP神经网络分别进行重建。对于实验结果,使用ΔE00、均方根误差（RMSE）以及适应度系数等标准进行评价,同时与主成分分析算法进行对比。从实验分析可得出,在聚类数目为7时光谱反射率重建效果最好,这时的平均CIE2000的色差为0.836,平均RMSE为0.014 9,平均适应度系数为99.82%,并且,在最后对重建色差较大的色块进行了优化处理。实验证明,颜色聚类方法可以很好的应用于光谱反射率重建。     

基于光谱反射率的茶染宣纸茶水浓度预测

茶染作为植物染色的一大门类,同时具有良好的环保性能和深厚的文化底蕴。为了能够准确描述茶叶染色的光谱变化,本文研究茶染后宣纸的光谱反射率与茶叶浓度的关系。首先采用分光光度计测量400～700 nm波段被茶叶染色后宣纸的光谱反射率,分别基于偏最小二乘回归模型、BP神经网络和连续投影算法(SPA)选择特征波段建立光谱信息与茶叶浓度之间关系的预测模型。然后以光谱反射率作为输入变量,对茶叶浓度进行预测。结果表明：基于偏最小二乘法、BP神经网络和连续投影算法 选择特征波段建立模型,通过茶染宣纸的光谱反射率来预测茶叶浓度具有较高的稳健性和可信度,其中SPA-BP神经网络模型的效果最优,平均预测正确率为98.40%,决定系数为0.9910,均方根误差为0.8433。这说明通过茶染宣纸的光谱数据来预测茶叶浓度具有可行性。