基于非下采样Shearlet变换与双重制约的遥感图像融合算法

为了提高遥感图像的融合质量,使其兼顾较好的纹理特征与对比度,提出了非下采样变换耦合双重制约模型的遥感图像融合算法(NSST)。通过IHS模型来解析多光谱图像(MS),提取其对应的强度(I)、色调(H)、饱和度(S)成分;借助NSST,从I成分和全色图像(PAN)中解析出低频和高频系数;通过信息熵和均值模型,计算出图像富含的信息及亮度丰富度,以完成低频系数的融合。利用高频系数与方向矩阵的卷积运算,得出图像的纹理特征,计算图像的标准差,获取对比度信息。在联合纹理特征和对比度,构造双重制约模型,完成高频系数的融合。再对融合系数完成逆NSST和逆IHS运算,得出融合图像。实验数据表明,较现有的融合技术而言,所提算法的融合图像含有更为丰富的纹理与更高的对比度。     

基于双正交小波变换耦合区域梯度特征的遥感图像融合算法

当前较多遥感图像融合算法是利用主成分分析方法来完成遥感图像的融合,由于主成分分析方法融合后的图像会产生光谱畸变,易导致所融合图像存在光谱失真的问题。对此,设计了一种采用双正交小波变换耦合区域梯度特征的遥感图像融合算法。对多光谱图像进行色调-饱和度-亮度变换,以获取多光谱图像的亮度分量,引入双正交小波变换将该亮度分量与全色图像进行小波域分解,以获取图像的低频与高频子带;通过低频子带中像素点的区域梯度特征构造均值梯度模型,用于求取低频子带融合系数,利用高频子带中像素点对应的区域方差构造相似度因子,用于求取高频子带融合系数;通过色调-饱和度-亮度与双正交小波的逆变换获取所融合遥感图像。仿真实验结果显示,所设计方法与当前遥感图像融合方法相比,融合的遥感图像具有更好的视觉效果。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

均值+方差二维表征高光谱信息的苹果腐败预警方法

为实现苹果在贮藏过程中有效的腐败预警,提出一种基于高光谱图像灰度值均值融合方差的二维高光谱信息表征方法,并构建了苹果样本的巴氏距离（BD）预警模型。首先,为获得有效的光谱信息,对高光谱图像的感兴趣区域（ROI）进行了选择;同时,为减少噪声影响,通过对比分析6种光谱信息的预处理方法,最终采用Savitzky-Golary(SG)平滑方法,分别对均值和方差表征的两种光谱信息进行全波段（371.05～1 023.82 nm）光谱曲线降噪处理。其次,为获得特征波长,从降噪后的光谱曲线中运用连续投影算法（SPA）结合样本色调角和失水率2个理化指标,提取了高光谱图像共同的特征波长,分别得到了两种表征方式下的7个（均值表征）和8个（方差表征）特征波长。然后,通过分析样本色调角随贮藏天数变化的折线图,确定了图中发生明显转折的数据点所对应的贮藏日期,并结合样本贮藏期间实际观察的情况,初步界定第21贮藏日为样本腐败的基准日。另外,依据苹果样本表皮叶绿素特征吸收波长（675 nm左右）,绘制出平均光谱反射值变化趋势图,发现趋势图在第21日升至最高点,吻合色调角的分析结果,这表明样本确实从第21日开始腐败。因此,第21贮藏日对应的特征波长可用来建立腐败基准日的光谱信息表征向量。最后,分别建立基于均值表征、方差表征及二者相融合表征下的光谱信息巴氏距离腐败预警模型。结果表明：基于均值融合方差的光谱表征信息所建立的预警模型相较于它们各自建立的预警模型,波动性进一步减弱,可更好地反映苹果样本在贮藏过程中接近腐败的程度。因此,融合灰度值均值和方差的光谱表征信息更能全面的表征苹果贮藏过程中的品质变化,模型预警的稳健性及泛化能力更强,为利用高光谱图像信息对苹果贮藏进行腐败预警提供了新思路。     

自适应参考图像的可见光与热红外彩色图像融合算法

可见光与红外热图像的彩色图像融合技术是现今国内外高性能夜视技术发展的重要方向之一,该技术有效提高了人们对目标的探测和场景理解能力。目前常用的色彩传递算法多属于基于单幅参考图像的全局色彩传递算法,彩色融合图像的色调受到参考图像的影响较大,在实际应用中难以保证对各类场景的适应性。针对常规YUV空间色彩传递彩色图像融合算法的环境适应性问题,通过对植物、城镇和海天三类典型场景的分类与统计,发现了典型场景在UV通道的均值和标准差具有的较为明显的分类特性,由此提出了一种基于UV通道均值和标准差的自适应参考图像构造方法,使得可见光与热红外彩色图像融合算法具有较常规算法更好的环境适应性,融合图像的色彩具有较好的自然感,且算法处理量较小,对现有实时硬件融合处理算法的运算速度影响不大,是一种环境适应性强的自然感彩色融合处理算法。     

高光谱无损识别野生和种植黑枸杞

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。野生黑枸杞经济效益显著,经常被种植黑枸杞冒充。提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。主要内容和结果如下：（1）共采集256份（野生、种植各128份）黑枸杞在900～1 700 nm范围的高光谱反射光谱,每份平均光谱作为此样品的光谱;（2）采用标准正态变换（SNV）对采集的光谱预处理;基于Kennard-Stone法,按照校正集和预测集比例为2∶1对样品划分,用连续投影算法（SPA）对光谱进行降维处理,提取特征波长30个;分别将全光谱和SPA 提取的30个特征波长作为模型输入,建立支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）识别模型。（3）结果表明,在识别野生黑枸杞模型中,基于全光谱和SPA建立的SVM,ELM和RF模型校正集识别率均高于98.8%,基于全光谱和SPA建立的SVM,ELM和RF模型预测集识别率均高于97.7%。基于全光谱（FS）建立的三种识别模型略优于基于SPA建立的三种识别模型。但从简化模型方面,SPA提取的特征波常数仅为全光谱的11.8%,大大降低了模型运算量。三种模型中,基于随机森林模型无损识别野生黑枸杞效果最好,均达到100%。研究表明,利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。     

近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究

为了建立近红外光谱测定茶叶中茶多酚和茶多糖的模型,应用了人工神经网络方法,选择了7 432.3～6 155.7 cm-1和5 484.6～4 192.5 cm-1特征光谱范围,以网络结构参数的输入层、隐层、输出层神经元数目分别为(8,4,1)和(7,5,1)来建立茶多酚和茶多糖的测定模型,模型的结果表明建模的茶多酚和茶多糖的ｒ,RMSECV,RSECV分别为0.984 7,0.460,0.123和0.947 0,0.136,0.224;预测集的ｒ,RMSEP,RSEP则分别为0.980 4,0.529,0.017和0.968 2,0.111,0.030。由此说明建立的近红外光谱-人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。     

联合光谱-空间信息的短波红外高光谱图像茶叶识别模型

茶叶种类识别和等级划分的实践意义重大。成像光谱技术较传统检测、识别手段具有图谱合一及快速无损等优势。获取了君山银针、无锡白茶、信阳毛尖、和六安瓜片4种外观相近的线条形茶叶的短波红外（1 000~2 500 nm）高光谱图像。首先利用最小噪声分数(MNF)和非参数权重特征提取(NWFE)将高维高光谱数据投影到低维子空间,然后用单因素方差分析(ANOVA)重新评估投影特征的可分性并选择对茶叶识别较为有效子空间,同时考虑到“光谱和特征”能较好地表征物质反射属性,将选择的投影子空间MNF₁,MNF₂,MNF₄,MNF₆,MNF₈,NWFE₁,NWFE₂,及“光谱和特征”一起作为光谱特征集并用SVM分类器获得光谱特征下像元的分类结果。另一方面,利用图像本质分解（IID）算法将高光谱图像的光谱分解为自身反射光谱R与阴影成分S;在均质性较优的光谱范围（1 006~1 900 nm）按照光谱距离对R求取梯度图像并用分水岭算法实现了图像空间分割,得到空间相关度较高的分割子块。最后,将像元分类和图像分割结果进行融合,具体：在每个图像分割子块中,重新统计像元分类结果并按照最大投票法对整个子块的类别进行赋值,也即联合光谱-空间信息的茶叶识别模型。结果表明,构建的模型对4种茶叶的识别结果较为满意,在仅为约1%水平的训练样本下,茶叶的总体分类精度达94.3%,Kappa系数为0.92。该模型还较好地克服了茶叶光谱的“同物异谱”现象,并期待方法对实践生产具有指导意义。     

近红外光谱图像处理的霉变稻谷检测方法

稻谷在储藏和运输过程中，在适宜的温湿度环境下极易发生霉变，导致大量的粮食浪费和巨大的经济损失，进而影响粮食安全。为解决传统的稻谷霉变检测存在的繁琐且耗时较长等不足，提出了基于近红外光谱图像处理和神经网络的稻谷霉变程度检测方法。首先，通过农业多光谱相机（Sequoia）和固定光源等设备，构建了霉变稻谷近红外图像数据采集平台，获取了黑龙江地区牡响、早香、彩稻三个品种不同的霉变状态（健康稻谷、轻度霉变、中度霉变）的近红外光谱成像数据。对于近红外光谱图像的160×160像素有效区域，应用数字图像处理技术结合光谱图像分析方法，分析了NIR图像多种纹理特征和光谱反射值频率特性，优选不同稻谷品种霉变状态的光谱特征，计算了近红外图像的纹理特征（均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数）以及间隔步长0.1时NIR光谱图像在0.2~0.8区间反射值频率，共计14维度的光谱图像特性指标。最后，以提取NIR图像的特征向量为依据，利用前馈神经网络的自适应推理机制，建立了稻谷霉变程度与其近红外图像特征之间的非线性映射模型，该神经网络结构为14-60-3型，进一步将网络输出编码向量解析至稻谷霉变等级，实现了稻谷霉变程度的快速检测方法。结果表明：本文提出检测模型在学习次数为28 455次时达到预设的目标精度0.06，所提取的稻谷NIR图像特征与模型输出的相关系数为0.85。仿真测试中该检测模型所计算出的网络输出值和期望输出值的误差平均值为0.521 39，方差为0.137 82，误差的标准差为0.371 23，对于不同稻谷的霉变程度检测的准确率为93.33%。该研究为实现稻谷霉变程度无损检测提供了新方法，为稻谷仓储时霉变早期自动快速检测提供了技术支持。     

利用高光谱图像技术评判茶叶的质量等级

针对茶叶品质无损检测时内外品质难以同时兼顾的问题,利用高光谱图像技术检测茶叶质量.设计一套基于光谱仪的高光谱图像系统采集数据;通过主成分分析,从海量数据中优选出三个波长段的特征图像;从每个特征图像中分别提取平均灰度级、标准方差、平滑度、三阶矩、一致性和熵等6个基于统计矩的纹理特征参量,每个样本共有18个特征变量;再通过主成分分析对这18个特征变量进行压缩,提取8个主成分因子建立基于反向传播神经网络的茶叶等级判别模型.模型训练时的总体回判识别率为97%;预测时总体识别率为94%.结果表明,高光谱图像技术可以用于茶叶质量等级水平的评判.     

结合纹理和空间特征的多光谱影像面向对象茶园提取

云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难。破碎化山地茶园的遥感识别能力有待进一步提高。以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3_Modified评估影像的最优分割尺度。首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间。然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度。面向对象的监督分类[多分类（茶园、森林、农田、不透水层、水体）]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70),(DT: 88.52%, 0.72),(RF: 91.23%, 0.78)。三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%),(DT: 68.84%, 83.83%),(RF: 70.54%, 87.13%);相比于面向对象的RF多分类,面向对象RF二分类（茶园、其他地物）OA和Kappa系数分别提高了3.24%和0.07,茶园提取的PA与UA分别提高了5.99%和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27,茶园提取PA与UA分别提高了21.10%和29.03%。结果表明：采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。     

近红外光谱的油页岩总有机碳快速检测

为了快速检测油页岩总有机碳（TOC）含量,以松辽盆地某区块所取岩芯为研究对象,测量230个岩石样本的TOC含量和近红外光谱数据。利用蒙特卡洛法剔除异常样本14个,剩余的216个样本进行去趋势加基线校正方法预处理,采用连续投影算法（SPA）、无信息变量消除算法以及竞争自适应算法选取特征波长。使用SPXY方法对样本按照2∶1的比例划分为144个校正集和72个验证集,然后建立线性的偏最小二乘（PLS）模型以及非线性的支持向量机（SVM）模型和随机森林（RF）模型对油页岩TOC含量进行预测。采用测定系数（R2）和均方根误差（RMSE）作为模型的评价指标,探究不同特征波长选择方法对油页岩总有机碳建模的影响,比较不同建模方法对油页岩TOC含量预测的准确度。结果表明,特征波长提取能够起到优化模型的作用。SPA,UVE和CARS分别提取了16,253和65个波长,经过特征波长提取后模型测定系数均有提高,均方根误差均有下降,这说明进行特征波长优选对于简化模型、提高模型运算速度发挥着很重要的作用。此外,非线性的RF和SVM模型性能要优于线性模型PLS。这是因为油页岩中的碳存在于各类烃的中,不同类别含烃基团的吸收峰之间相互影响,使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系,因此,非线性的SVM和RF模型能够表现出更好的效果。相比于其他模型,CARS-SVM模型验证集的测定系数（R2_v）和均方根误差（RMSEV）表现出的结果较好,分别达到了0.906 6和0.222 0,该模型能够用于油页岩总有机碳含量的快速检测。研究结果说明,近红外光谱分析应用于油页岩TOC含量快速检测是可行的;建立的CARS-SVM模型能够表现出较好的预测效果,为我国油页岩TOC含量快速检测提供了一种新的方法和思路。     

基于近红外光谱与支持向量机的纸浆卡伯值在线测量

提出了用近红外光谱漫反射技术和支持向量机建模方法实现纸浆卡伯值在线测量的新方法。采集45份松木浆样品的近红外漫反射光谱,选择各样品15个振动吸收峰对应的吸收率,采用动态独立分量分析(DICA)对输入样本数据进行特征提取,建立基于支持向量机(SVM)的纸浆卡伯值预测模型。45份样品中选择35份组成校正集,另10份作为预测集对模型进行验证。基于支持向量机的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.26和0.93;基于线性回归的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.45和0.81。研究结果不仅表明纸浆卡伯值近红外测量方法的可行性和有效性,而且验证了基于支持向量机的纸浆卡伯值预测模型比线性回归模型具有更高的准确性和鲁棒性。     

基于高维拉曼光谱数据的变压器油纸绝缘老化评估方法研究

采用激光拉曼光谱技术对变压器油纸绝缘老化状态检测是一种有效的方法。随着样本量的扩充,亟待处理的数据集维度逐渐增大,研究适用于高维拉曼光谱数据的变压器油纸绝缘老化评估方法具有重要的意义。设计与现场变压器内部绝缘结构相似的油纸绝缘环境,进行加速热老化实验并定期采样,获取到10类老化程度依次递增的油样本,采用激光拉曼光谱技术对样本进行检测。选用复合稀疏导数建模法对样本原始拉曼光谱数据预处理,可以一步完成去噪与基线校正;引入差异特征选取方法筛选不同老化程度下光谱中变化显著的特征,计算同一拉曼频移下不同老化程度的特征点数据集方差,选择差异较大的数据序列所对应的拉曼特征变量,设定方差阈值为0.5进行特征选择,每个样本都从1 023个光谱特征点抽取出304个特征点进行后续分析;针对变压器油纸绝缘老化拉曼光谱高维样本数据集,引入多种不同类型的算法对其处理。分别运用K-means聚类算法、Fisher算法与随机森林算法对获取到的样本预处理后的数据建立模型,引入评估准确度、提升度以及Kappa系数对各算法建立的模型判别效果进行评估。结果表明：有监督学习的Fisher算法与随机森林算法效果较好,相对于无监督学习的K-means聚类算法,模型判别能力分别提升了1.166 6和1.95,论证了有监督学习模型在变压器油纸绝缘老化的评估中具有判别优势;从模型判别准确度和Kappa系数来看,强分类器随机森林算法建立的判别模型均高于Fisher判别模型,其准确度提升了10%,且Kappa系数上升了0.111 5,论证了随机森林算法作为由多个单一分类器组成的强分类器,相对单一分类器来说,在变压器油纸绝缘老化的评估中模型的泛化能力较好,且模型较为稳定可靠。通过对三种不同类型的算法对比,确定了在变压器油纸绝缘老化评估中,有监督学习强分类器随机森林算法的判别优势,为变压器油纸绝缘老化的有效评估打下了基础。     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。     

基于影像组学的直肠癌术前T分期预测

直肠癌T分期对患者的术前评估有重要作用.然而,传统的放射科医生根据患者磁共振图像直接判断分期的方法效果欠佳.本文提出使用影像组学的方法预测直肠癌T分期,首先获取105例直肠癌患者影像数据,根据病理报告中的T分期结果将T1、T2期患者划分为未突破肌层组,将T3、T4期患者分为突破肌层组,整理数据得到未突破肌层组31例,突破肌层组74例.在患者的轴向位T2WI图像中勾画病灶区域,并在病灶上使用pyradiomics工具包提取影像组学特征,使用最小绝对值收敛和选择算子（LASSO）对高维特征做特征选择,得到与T分期高度相关的特征数据,使用随机森林、支持向量机（SVM）、逻辑回归、梯度提升树（GBDT）分别建模,进行交叉验证调参,评估模型性能.每层图像提取100维特征,经LASSO特征选择后得到7个与T分期高度相关的特征,使用4种模型分别建模,其中SVM算法表现最优,平均受试者操作特征曲线下面积（AUC）、准确率、灵敏度、特异度分别为0.968 5、0.886 4、0.962 5、0.899 2,测试集准确率达到了0.904 7.结果表明,使用影像组学方法可以提高直肠癌T分期预测的准确率.     

基于高光谱的工夫红茶发酵品质程度判别方法

发酵作为影响红茶品质形成的重要流程,发酵品质程度的判断主要基于人工经验,难以实现准确客观的评价。该研究主要针对于工夫红茶发酵工序,以不同发酵时序下的样品为对象,利用高光谱检测技术并结合化学计量学方法,对制备的不同发酵程度的样本进行无损检测和智能判别。首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据,并根据气温、茶叶嫩度、萎凋情况、揉捻过程、发酵叶颜色及香气等现场生产信息,将6个不同发酵时序下的样本,根据发酵程度依次划分为3类（轻度发酵、适度发酵、过度发酵）。为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响,选取标准正态变量变换算法（standard normal variate,SNV）与多元散射校正算法（multiplicative scatter correction,MSC）对全波段光谱进行预处理,将预处理后的光谱数据进行主成分分析（principal components analysis,PCA）,分别得到前3个主成分的三维载荷图,根据样本在图中的空间分布特征,因而选择效果较好的SNV预处理方法。以全波段光谱最优主成分作为模型输入量,建立邻近算法(K-nearest neighbor,KNN)、随机森林（random forests,RF）、极限学习机（extreme learning machine, ELM）判别模型,识别率分别为63.89%,94.44%和86.11%,结果表明,非线性模型（RF、ELM）识别率较高,其中RF模型性能优于ELM模型。为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果,采用连续投影算法（successive projections algorithm,SPA）提取31个特征波长进行PCA降维处理,以特征波长最优主成分作为模型输入量,构建SPA-KNN,SPA-RF和SPA-ELM判别模型,识别率分别为83.33%,91.67%和91.67%。通过SPA对变量筛选后,SPA-KNN和SPA-ELM模型性能明显提高,SPA-RF模型识别准确度略有下降。与特征波长建立的模型相比,全波段建立的RF模型性能最佳,对工夫红茶轻度发酵、适度发酵、过度发酵的判别率分别达到了100%,83.33%和83.33%。研究结果为推进红茶智能化、数字化加工的实现,提供了理论基础和科学依据。     

基于支持向量机的近红外光谱鉴别茶叶的真伪

快速准确地鉴别名优茶的真伪是当前茶叶行业亟待解决的一项重大课题。针对这一现状,提出了一种快速准确鉴别名优茶真伪的新思路。试验中,以碧螺春茶为研究对象,利用近红外光谱分析技术结合支持向量机(SVM)模式识别原理建立碧螺春茶真伪鉴别模型。试验结果显示,通过标准归一化(SNV)预处理,选取6500~5500 cm-1波长范围内的光谱经过主成分分析后,提取11个主成分,选用径向基函数(RBF)作为核函数建立的模型最佳。对训练集中的138个茶叶样本,模型的回判鉴别率达到93.48%;对90个独立样本进行预测时,模型的预测鉴别率达到84.44%。研究结果表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。     

基于凸组合核函数的化合物太赫兹透射光谱分类

物质的太赫兹光谱包含着非常丰富的物理和化学信息。它对化合物晶体具有高的灵敏度、 单光子能量低等特点。但受到检测人员知识背景、 背景噪声、 识别算法精度等因素的影响,光谱样本识别准确率和效率较低。为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类。在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、 波谷位置特征和term frequency-inverse document frequency (TF-IDF) 最大间隔特征。TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征。针对太赫兹透射谱特征相似、 维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型。并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数。当最优凸组合参数被确定时,构建分类模型进行分类和预测。相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来。对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度。使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高。     

Meningiomas: Preoperative predictive histopathological grading based on radiomics of MRI

PurposeWe aimed to develop a radiomics model to predict the histopathological grading of meningiomas by magnetic resonance imaging (MRI) before surgery.MethodsWe recruited 131 patients with pathological diagnosis of meningiomas. All the patients had undergone MRI before surgery on a 3.0 T MRI scanner to obtain T1 fluid- attenuated inversion recovery (T1 FLAIR) images, T2-weighted images (T2WI) and T1 FLAIR with contrast enhancement (CE-T1 FLAIR) images covering the whole brain. The removing features with low variance, univariate feature selection, and least absolute shrinkage and selection operator (LASSO) were used to select radiomics features. Six classifiers were used to train the models (logistic regression (LR), k-nearest neighbor (KNN), decision tree (DT), support vector machine (SVM), random forests (RF), and XGBoost), and then 24 models were established using a random verification method to differentiate low-grade from high-grade meningiomas. The performance was assessed by receiver-operating characteristic (ROC) analysis, the f1-score, sensitivity, and specificity.ResultsThe radiomics features were significantly associated with the histopathological grading. Quantitative imaging features (n = 1409) were extracted, and nine features were selected to predict the grades of meningiomas. The best performance of the radiomics model for the degree of differentiation was obtained by SVM (area under the curve (AUC), 0.956; 95% confidence interval (CI), 0.83–1.00; sensitivity, 0.87; specificity, 0.92; f1-score, 0.90).ConclusionThe radiomics models are of great value in predicting the histopathological grades of meningiomas, and have broad prospects in radiology and clinics.