基于吸光度的PET薄膜专色配方预测方法

基于吸光度与物质浓度的相关关系建立了一种PET薄膜印刷的混合油墨组分预测模型。该方法首先依据光的传播理论和光在墨层与承印材料中的多重内反射原理,利用基色和混合专色薄膜印品在黑白两色基底上的反射光谱,建立具有高透低反特性薄膜印品透射光谱的获取方法,并利用透射光谱求解吸收光谱;然后对专色吸光度与基色浓度进行回归分析,确定吸光度与基色浓度线性相关度高的特征波段,再根据郎伯比尔定律,利用特征波长处的专色样本吸光度与基色样本吸光度建立组分预测模型,求解专色样本的配方比例;最后,分析预测配方与预设浓度的偏差,并按照预测配方浓度重新打样,采用色差与光谱均方根误差对计算配方色与目标专色的匹配程度进行分析,验证模型精度。以凹印PET薄膜双基色混合样品为实验对象,对提出的方法进行测试。光谱分析表明,基色样本和专色样本光谱反射率曲线在黑白两种基底上有明显差异,但都随基色油墨浓度变化具有相同的变化规律,专色样本的光谱透射曲线随着基色浓度的变化接近浓度比例大的基色曲线,在400～580 nm区间,专色的吸收光谱随着基色油墨A浓度降低而升高,在580～700 nm区间随着基色油墨A浓度降低而降低。除570～590 nm吸收曲线相交区间以外,在可见光范围内专色油墨吸光度与基色油墨浓度之间的判定系数R2均大于0.95,平均值为0.990 0,两者具有强线性相关关系。分别选取基色A和B波长为520 nm(R2为0.994 2)和700 nm(R2为0.998 5)处的吸光度代入配色模型,并利用最小二乘法求解目标专色的配方比例。实验结果表明,六组预测浓度与预设浓度相比较,配方平均偏差为2.5%,无显著偏差。配方色样本与专色样本色差最大值为1.98,最小值为0.30,平均值为0.85,均满足GMI对专色复制的要求,其中5组专色色差小于1.5,符合专色忠实复制的要求;6组专色的光谱均方根误差最大值为2.93%,最小值为0.49%,平均值为1.40%,基本实现了同色同谱的高精度颜色复制。验证了该方法对于提高专色油墨配色精度和改善PET薄膜印刷质量具有显著效果,可为PET薄膜专色配方预测提供科学方法。     

基于密度的凹版专色梯尺光谱预测模型的研究

基于密度与光谱反射率的关系建立了一种凹版专色梯尺的光谱反射率预测模型。该方法首先依据密度的定义建立实地光谱反射率与其密度的关系,并基于实地光谱反射率建立阶调光谱反射率的计算方法;然后根据密度的叠加原理,假设阶调密度与实地密度比例关系成立建立阶调密度、实地密度和承印物密度的关系;最后结合计算阶调光谱反射率的方法建立凹版专色梯尺光谱反射率预测模型;调配30种专色油墨通过凹印实打样,对预测模型通过决定系数R²和色差进行验证。实验结果表明,不同专色在同一网点面积率下实际阶调密度与实际实地密度的比例系数相同,两者的决定系数R²均大于0.98。在此关系基础上所建立的预测模型在不同网点面积率下都具有较高的决定系数,其均方根误差都小于0.01,最大色差为2.667 NBS。最后另外调配10种专色油墨在相同工艺条件下实打样样张,利用实际阶调密度与实际实地密度的比例系数,通过色差公式进而验证该模型预测专色油墨梯尺光谱反射率的精度。色差结果表明,82.12%的色差小于2.5 NBS,大部分色差在0.5～2 NBS之间,占据了总频率的58.32%,平均色差为1.58...     

粉末涂料电脑配色的人工神经网络模型

提出一种基于多层BP人工神经网络的粉末涂料配方预测模型;用BP算法人工神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。把人工神经网络的配方预测模型应用到典型的粉末涂料样品的测配色实验过程中。实验结果表明,基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,对64个节点的平均训练精度达到了1个CIELAB色差单位。     

LED显示屏色域边界的快速计算

为了快速计算出LED显示屏的色域边界,提出一种迭代求解映射线与色域边界交点进而拟合每个色相面内色域边界的算法。首先根据LED显示的色度学原理给出了颜色是否在LED显示屏色域内的判断方法。然后在CIELAB均匀颜色空间中,分析了迭代算法的原理,确定了迭代计算初始值,并进行了计算精度和速度分析。最后以D65为参照,在等色相面内进行了LED显示屏色域边界的拟合实验及色差分析。实验结果表明:11次迭代运算后,拟合色域边界已非常光滑,每条映射线上的色域边界点真实值和计算值最大色差仅为0.23。与插值类计算方法相比,最大色差值和计算速度分别降低和提高了一个数量级。本文算法在计算精度和速度上能够满足对LED显示屏进行色域分析和与其他显示设备进行色域映射的要求。     

油墨红外光谱相似度与计算机配色精度的关系研究

为了获得高精度的配色样品,提出了一种配色方法-成分分析配色法。该方法将化学分析法与计算机配色相结合,其核心是选取与目标色成分最接近的油墨进行配色,从而实现高精度的色彩匹配,为计算机配色发展提供新的思路。与目标色成分相近的油墨配色效果验证：使用某种油墨印制目标色,并用相同的油墨进行配色,以实现目标色成分与配色色样成分的一致性。使用三个不同品牌的油墨对目标色进行配色,比较配色精度及效率。使用泗联牌三种颜色油墨以任意比例通过印刷适性仪IGT-CI(荷兰)印制目标色,这些目标色包括间色和复色,各3个色样;使用配色软件X-Rite color master(美国)建立泗联、东洋、牡丹三个品牌油墨的配色基础数据库,并对不同目标色进行配色。结果表明使用与目标色相同的泗联油墨的配色精度远高于东洋、牡丹两个品牌的油墨,配色色差整体都很小,校正1～2次就能得到小于1.0的色差,最小达到0.36,几乎实现了目标色的同色同谱匹配。实验验证了成分分析配色法的核心“选取与目标色成分最接近的油墨进行配色,可以实现高精度色彩匹配”的可行性。判别目标色与配色油墨在成分上区别的化学分析工具探讨：为了判别目标色色料与配色油墨在成分上有区别,尝试使用“红外光谱相似度”作为判别的分析工具。使用红外光谱仪Thermo Nicolet 6700(美国)测出泗联、东洋、牡丹三个品牌的三种颜色油墨的红外光谱图,使用OMNIC软件中的相关性算法得到它们与目标色油墨的红外光谱相似度,并计算出平均相似度;将各品牌油墨的红外光谱相似度与其配色实验的精度进行对比分析,评价红外光谱相似度作为化学分析判别工具的有效性。结果表明泗联牌油墨与目标色的平均红外光谱相似度为100%,东洋的为86.53%,牡丹的为64.63%。当校正次数相同时,泗联油墨配色色差最小,配色精度最高;东洋次之,是泗联油墨配色色差的2倍左右;牡丹最差,是泗联油墨配色色差的3倍以上。配色结果与其红外光谱相似度的规律是一致的,目标色油墨与配色油墨之间的红外光谱相似度越高,越容易得到高精度的配色样品。实验证明了用成分分析配色法获得高精度的色彩匹配是可行的,使用红外光谱相似度作为目标色与配色油墨在成分上的分析工具对判别配色精度是有效的。今后的工作将探讨红外光谱相似度与配色精度间的相关性数值关系,以及进一步寻求更为有效的化学分析方法来判断目标色色料与配色油墨之间的成分关系。     

国产新型高密度光栅光谱仪数据处理方法研究

由上海棱光技术有限公司与中国农业大学联合研发的S450型近红外高密度光栅光谱仪,使用高速采集技术可得到高密度光谱（波长范围900~2 500 nm,采集间隔0.1 nm,光谱包含16 001个数据点）,本文采用该仪器并以小麦、烟草样品为实验对象,针对高密度光谱的数据特点,采用S.G.（savitzky-golay）平滑、固定窗口组合滑动窗口平滑(FCMWS和一阶导数（FD）等数据处理方法,并应用偏最小二乘法（PLS）对小麦粗蛋白、烟草烟碱及总糖含量进行建模和预测,对仪器整体性能以及数据处理方法的参数优化等,进行了评价和比较研究。结果表明：（1）小麦、烟草样品的原光谱经S.G.平滑结合一阶导数预处理后,模型性能大幅提高,通过对参数拟合阶次M和平滑点数N进行优化得出,当M一定时,N可选取范围较宽,且当M=2和N处于201～801区间时模型效果理想且稳定;（2）FCMWS方法对小麦、烟草样品的原光谱进行两层平均平滑,经调整优化平滑参数K₁和K₂（K₁为第一层平滑的固定窗口大小,K₂为第二层滑动窗口大小）得出：两层平滑参数相乘约为150~310时,模型性能稳定且较优,同时FCMWS方法极大地提高了建模速度;（3）以小麦样品为对象,同时在两台S450型光谱仪上采集样品光谱,对比分析了仪器间的性能差异,结果表明光谱经S.G.平滑或FCMWS方法处理后,不同仪器模型间相互预测数据的相对偏差小于2.00%,远低于预测值与参考值间的相对偏差,说明上述两种方法均可降低仪器的台间差异,实现台间模型的稳定传递。研究结果表明,国产S450型高密度光栅光谱仪结合数据平滑去噪技术,已满足小麦、烟草等农产品品质检测和模型传递的性能要求,且该光栅型仪器成本相对较低,对农业领域推广近红外快速检测技术的应用具有实际意义。     

印刷品原色油墨光谱预测中减色线性经验空间的建立

在半色调印刷品原色油墨光谱预测技术中,在原光谱反射率空间进行主成分分析得到的代表性基向量数目会大于实际所使用的原色油墨数目,即光谱反射率空间并不适用光谱预测,且主成分分析得到的基向量会出现负值,没有物理意义。针对上述问题,建立了一个减色线性经验空间模型及其空间转换模型,并探究了影响经验空间线性程度n值的因素,通过实验及优化算法创新性找到确定最佳n值的方法,并在该减色线性经验空间进行半色调原稿原色油墨的预测实验。实验结果表明,在不同n值下,选取原始光谱反射率R_m和重构光谱反射率R_recon的f范数平方值的最小值对应的n值做为建立线性经验空间确定最佳n值的方法是有效的;为了将纸张和油墨类型对空间转换因数n的影响程度减到最小,最终确定n值为3.5;在减色线性经验空间进行印刷品原色油墨数目预测,得到的代表性基向量数目恰好等于实际印刷使用的原色油墨数目4,进行原色油墨光谱预测,预测的4色油墨除K色外,其他CMY色与实际原色油墨光谱相比拟合度GFC均大于99.9%。即所提出的优化n值的新方法建立的减色线性经验空间是一个可作为半色调印刷品原色油墨数目预测和光谱预测的有效线性空间。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索。但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道。本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、红边面积SDr、比值植被指数RVI、差值植被指数DVI、归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础,将实测针叶色彩参数值、光谱参数值分别作为自变量,采用多元线性逐步回归方法（SMLR）预估色素含量建立模型,以R2、RMSE为评价标准,对比选出模型精度最高的参数组合应用于实践。研究结果表明：(1) 树种间针叶色素含量、色相参数值、光谱反射率均存在一定差异（p<0.05）。(2) 树种间针叶光谱反射率红松显著低于北美短叶松、樟子松、赤松（p<0.05）,针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”,在550和760 nm波段附近呈现“绿峰现象”和“红边现象”;一阶微分光谱反射率在700 nm附近产生剧烈变化。(3) 色素含量与色彩参数、光谱反射率、光谱特征参数存在显著线性关系。(4) 花青素和叶绿素分别以L,a*和L,a*,b*,S色彩参数组合为自变量时,拟合模型R2最高,分别为0.588和0.638;而类胡萝卜素、叶绿素a、叶绿素b都是以FD₆₅₂,FD₇₀₀,SDb,SDy,RVI,DVI和NDVI光谱参数组合为自变量时,拟合模型R2最高,分别为0.779,0.786,0.774。该研究运用高光谱相机、色彩色差仪、紫外-可见分光光度仪实现了快速预估针叶色素含量,在色彩参数值与光谱值都与色素含量存在显著相关性的基础上,成功选出建立模型精度最高的参数组合,在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。     

基于光谱特征的粘胶纤维混色纺纱过程呈色机理分析

针对现有色纺纱配色模型对纤维集合体呈色机理解释上表述模糊的问题,对原液着色粘胶纤维集合体在纺纱过程中的颜色变化机理进行了探究。实验纺制了36组不同混色比条纱样品,利用欧式距离和光谱角距离分别量化各组不同状态纤维集合体间的光谱幅值差异和形状差异,并以基于CMC(2∶1)公式的色差评价为对照,结合基于类别可分比(CSR)公式的差异性判别准则对量化的光谱差、色差大小作以横向比较,分析了纺纱过程中纤维集合体形态改变对反射光量与单色光成分的影响,其中,在生条与熟条间,样品CSR_ED和CSR_Ecmc均值分别为2.87、 2.17,表现近似,且有30组样品对应CSR_ED>1, 23组样品对应CSR_Ecmc>1,光谱的辐射差异较色差表现更稳定,在熟条与纱线间,dED和ΔEcmc有相同趋势的更大幅度改变,全部样品CSR_ED和CSR_Ecmc均大于1;以上过程中,样品光谱的形状差异均保持较小的尺度,并条与纺纱前后,分别有20组、 22组样品对应CSR_SAD...     

CORDIC迭代法快速计算LED显示屏色域边界

针对色域映射过程中快速并精确地计算出任意映射线与色域边界交点坐标的问题,提出一种基于改进的CORDIC算法的迭代逼近求解方法。该方法利用CIE LUV颜色空间的特性可沿映射线逼近边缘交点。无需边界搜索和插值计算过程,可大量节省存储器资源和计算时间,并具有较高的计算精度和广泛的适用性。文章详细分析了算法的计算原理、精度和速度,并以LED显示屏为例,在D65标准光源下进行边界拟合并做出误差分析。实验结果表明:12次迭代运算后,拟合边界非常光滑,最大色差值仅为0.16,计算500个映射线交点的总计算时间约为1 s。与插值类计算方法相比,最大色差值降低了2.15,计算时间从10 s降低到1 s,速度提高了近10倍。     

文物红色系颜料高光谱识别指数研究

红色系矿物颜料曾被艺术家们大量地使用在古画和古建筑上。正确地识别出不同种类的红色系颜料对于文物监测与修复具有重要意义。传统的颜料识别主要依靠化学分析,不仅识别速度慢、识别范围小,而且对文物进行取样操作会造成文物的永久损伤。高光谱技术对颜料进行无损识别可以很好地解决这些问题。选用辰砂、胭脂、银朱、朱膘、朱砂、赭石、赭粉、铁红、土红、西洋红10种红色系矿物颜料作为研究对象,使用地物光谱仪在暗室中获取这10种红色系颜料在350～2 500 nm波段内的高光谱数据原始数字（DN）影像,经反射率校正,得到可直接用于光谱分析的反射率数据及光谱曲线。基于10种红色系颜料不同的光谱曲线特性,分两步筛选获取被区分颜料即目标颜料的光谱特征波段。取目标颜料光谱曲线的极值点作为特征波段,可以筛选得到目标颜料的初选光谱特征波段。将其余9种颜料在初选光谱特征波段上对应的反射率与目标颜料在此波段上的反射率做差,对于差值,筛去离群值后求平方和,不同波段对应不同的差值平方和,选取差值平方和较大的前4个波段作为优选后的光谱特征波段。基于归一化光谱指数模型公式[NDSI=（R_a-R_b）/（R_a+R_b）,R_a和R_b分别为目标颜料在光谱特征波段a和b处的反射率值]对10种红色系颜料分别构建归一化光谱指数,将目标颜料与其余9种红色系颜料在同一光谱特征波段处计算得到的光谱指数进行对比分析,计算目标颜料光谱指数与其余颜料光谱指数的区分度,以此作为评价区分效果的指标。对于最终优选出的4个光谱特征波段,可构建6个归一化光谱指数,选择最小区分度最大的归一化光谱指数作为目标颜料的光谱特征指数。研究结果显示,在通过各自的光谱特征指数进行区分时,每种目标颜料与其他颜料的最小区分度都保持在0.7以上（大于0.5可认为区分明显）,说明上述方法可以对各红色系颜料进行准确区分,对于文物颜料的快速准确识别具有实践意义。     

受干扰光谱信息中矿物颜料粒径信息的获取

矿物颜料的准确配色是实现文物壁画高品质修复,颜色高保真还原的关键技术。矿物颜料颗粒的粒径大小是影响矿物颜料颜色信息和光谱反射率信息的一个重要因素。准确获取壁画表面的矿物颜料光谱反射率信息,是实现颜料颗粒粒径信息识别的有效途径。但是,由于壁画表面矿物颜料部分采样点的光谱信息受到了干扰,无法与不同粒径的矿物颜料的光谱数据库准确匹配,因此也无法从采集的光谱信息中获取有效的粒径信息。针对受干扰的颜料光谱信息,提出利用比值导数法对其进行处理。把光谱信息从光谱反射率空间转换到比值导数光谱空间进行匹配,降低光谱中的干扰信息,增强矿物颜料颗粒本身的光谱特征信息。以壁画中常用的不同粒径的石青和石绿矿物颜料为实验对象,制成色块样本,以基底和白色颜料为主要影响因素,对文中提出的方法进行测试。光谱角度量的结果和光谱曲线图的匹配结果显示,在比值导数光谱空间,获得了满意的光谱匹配精度。验证了文中提出的分析方法可以解决实验中受干扰颜料光谱匹配不准确而无法获得粒径信息的问题,能够为壁画修复过程中矿物颜料的配色提供准确的粒径信息参考。     

东北寒地水稻茎秆纤维素含量近红外光谱反演

在水稻抗倒伏育种中,水稻茎秆纤维素含量作为重要的作物性状表现型数据,用传统方法获取时受人力成本和时间成本的约束,采集群体大小有限。利用高光谱技术能够实现对作物性状信息的快速、无损检测。为探究水稻茎秆纤维素含量近红外光谱反演模型,以田间小区试验的方式,采集水稻灌浆期至成熟期茎秆基部倒2、3节作为实验样本,并在实验室内使用NIRQuest512型号高光谱仪测得茎秆近红外反射光谱数据;采用标准变量正态变换（SNV）、连续小波变换（CWT）及两种方法结合（SNV-CWT）对原始近红外光谱进行预处理,经对比分析,原始光谱经SNV处理后再通过CWT对应6尺度分解最优,然后采用联合区间偏最小二乘法（SiPLS）、迭代保留信息变量法（IRIV）对最优预处理（SNV-CWT）的光谱特征曲线进行光谱特征变量筛选,分别提取了64个和16个特征变量;为优化模型并提高其模型精度,采用IRIV算法对SiPLS所选的特征变量进行二次筛选,得到6个特征变量,特征波长为1 200, 1 207, 1 325, 1 470, 1 482和1 492 nm,最后基于优选出的特征变量分别建立水稻茎秆纤维素含量的支持向量机回归（εSVR）和核极限学习机（KELM）预测模型,模型参数（惩罚系数C,核函数系数γ和不敏感参数ε）分别采用灰狼算法（GWO）、差分进化灰狼算法（DEGWO）和自适应差分进化灰狼算法（SaDEGWO）进行优化选择。结果表明,采用SNV-CWT方法光谱预处理后,经SiPLS-IRIV方法筛选的特征变量构建的SaDEGWO优化的SVR模型精度最高,模型参数Ｃ,γ,ε分别为302.838 2,0.087 7,0.070 8,测试集的决定性系数（R2_p）为0.880,均方根误差（RMSE_P）为15.22 mg·g-1,剩余预测残差（RPD）为2.91,表明模型具有较好的预测能力,可为水稻茎秆纤维素含量预测提供参考。     

激光诱导击穿光谱法铁基合金谱线选择研究

内标法是激光诱导击穿光谱(LIBS)最常用的定量分析方法之一。为了提高定量分析精度，研究了谱线强度比的相对波动特性随分析线和内标线之间激发能级差(ΔE)和波长差(Δλ)变化的规律。在局部热力学平衡条件下，建立了考虑等离子体中某元素电子上能级跃迁到下能级产生原子发射谱线的激发能级差、等离子体温度、配分函数和离子密度等强度影响因素的数学模型，对模型中激发能级差对谱线强度相对波动的影响进行了研究。得到在-2 eV<ΔE<2 eV和等离子体温度范围在3 000～15 000 K条件下，谱线强度随着ΔE和T变化的趋势：随着ΔE变大，谱线强度比呈上升，在ΔE=2 eV，T=3 000 K时谱线强度比最大；并且谱线强度比相对波动对ΔE和T敏感，ΔE趋近于零时相对波动变小，T对谱线强度比相对波动影响变化不大，整体趋势平稳。在T=10 000 K时，ΔE<0相对波动比ΔE>0时小，因此理论上优先选择ΔE<0的谱线对。通过理论分析得出|ΔE|越接近于零，谱线强度比相对波动越小。实验装置中采用工作波长1 064 nm，脉冲能量85 mJ，重复频率1 Hz，脉冲宽度13 ns的Nd∶YAG脉冲激光诱导击穿样品；采用工作波长200～975 nm，光学分辨率优于0.05 nm的Andor公司Mechelle 5000光谱仪，配合Andor New iStar型号ICCD采集光谱；利用激光诱导铁基合金等离子体光谱进行验证。实验中，以Fe为内标元素，Cr和Mn为分析元素。筛选NIST谱线库中跃迁概率在106以上的谱线，并优先选择共振线能级差相近的非共振线进行对比分析。结果表明，选择激发能级相近或波长相近的谱线作为分析谱线的原则有一定的局限性。对于Cr和Fe，|ΔE|在0.14和1.51 eV时得到的谱线强度相对标准偏差(RSD)分别为6.7%和4.6%，其谱线强度比理论值和实际值之差分别为1.14和0.59；|Δλ|在11.7和50.8 nm时得到的RSD分别为6.3%和4.4%，其谱线强度比理论值和实际值之差分别为1.69和0.62。分析表明，相比于波长差，激发能级差对Cr/Mn相对波动影响较大。分析元素Cr/Mn与内标元素Fe波长差绝对值不断增大，RSD反而不断减小；在1.50 eV和90 nm较大约束范围内，|ΔE|大的谱线得到的谱线强度比相对波动相对较小，Cr和Fe的RSD最大相差为2.06%；|Δλ|大的谱线得到的谱线强度比相对波动相对较小，Cr和Fe的RSD最大相差为1.35%。由以上实验结果得出，在实际选择分析谱线时，尽量选择激发能级和波长相近的谱线原则有一定的局限性。|ΔE|或|Δλ|大的谱线得到的RSD较小，选择谱线强度比理论值和实际值最接近的谱线可以作为谱线选择依据。另外，选择谱线强度比理论值和实际值最接近的谱线，可以降低谱线强度比相对波动。     

小电流LED屏白平衡色温的控制

为了改善小电流LED屏的显示效果,基于新型LED灯珠光学性能测试数据,采用变量控制法,首先,分析了单色RGB色坐标及亮度分别对白平衡色温的影响,接着,从单变量分析中找到影响色温偏差较大的参数进行双偏分析,最后,进行变量分析结论的数据验证。研究结果表明,红光芯片亮度(Lr)、蓝光芯片亮度(Lb)及蓝光芯片坐标(Yb)是影响LED屏白平衡色温的主因,要使白平衡色温偏差控制在±500 K范围内,单偏条件下,要求Lr偏差不超过11%,Lb偏差不超过14%,Yb偏差不超过0.006;同时,也给出了双偏条件下相应的控制指标。该研究有望在LED分光机芯片分选,白光照明及小电流、小间距LED显示屏色偏差调节等方面获得相关的应用。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。