SPECT均匀衰减投影数据的反演公式

依据近年来公开发表的有关单光子发射断层成像(SPECT)成像技术的文献,探索SPECT均匀衰减投影数据的反投影问题.主要采用指数型拉动变换的性质和构造特殊函数—–δ函数的方法,进而应用δ函数的特殊性得到了一个精确的反演公式.结果表明,由这种方法得到的反演公式能够更加有效和精确地实现图像的重建.     

HL-2A 装置超声分子束注入缓解偏滤器靶板上边缘局域模热通量研究

在HL-2A 装置上优化和发展了偏滤器靶板上的红外测温系统,并利用该系统分析了高约束模放电期间边缘局域模的热沉积分布特性。在高约束模式放电期间,超声分子束注入使边缘局域模所引起的偏滤器靶板上瞬间热通量峰值下降了~60%,并伴随着边缘局域模爆发频率增加了2~3 倍,而等离子体储能仅下降了~8%。分析结果表明,大幅度的丝状结构在超声分子束注入之后得到了有效抑制,沉积到偏滤器靶板上的瞬间热通量峰值也随之下降。此外,在超声分子束注入之后偏滤器室内的热辐射损失大幅度增加,从而耗散了热输运所携带的部分能量,进一步分散了沉积到偏滤器靶板上的能量,有效地保护了偏滤器靶板。     

利用回波相干性的医学超声成像相位畸变校正方法

为了提高相位畸变条件下的医学超声成像的横向分辨率和对比度,提出了一种利用回波信号相干性的校正方法。首先给出平均相干系数的概念,并将其作为相位误差校正的度量,然后通过最大化平均相干系数逐步校正各个通道的延时误差,最后再利用经过校正的数据计算出一组新的相干系数并对回波信号进行加权优化,从而得到最终用于成像的数据。对点散射目标及斑散射目标的仿真结果分别显示,利用所提出的方法横向分辨率提高了约0.24 mm,对比度提高了约18 dB,且要优于邻近阵元互相关方法和相干系数直接加权的处理方法。利用回波相干性的相位畸变校正方法结合了相位误差校正和加权处理的优点,可以有效地改善医学超声成像的质量。      

基于高光谱成像技术的油菜叶片SPAD值检测

以油菜叶片为研究对象,利用高光谱成像技术,成功建立了叶绿素相对值SPAD值的预测模型。共采集了160个油菜叶片样本在380～1030 nm范围内的高光谱图像。选择500～900 nm之间的平均光谱作为油菜叶片样本的光谱。利用蒙特卡罗最小二乘法(monte carlo partial least squares, MC-PLS)剔除了13个异常样本,基于剩余的147个样本光谱数据与SPAD测量值进行分析,采用了不同的方法建立了多种预测模型,包括：全光谱的偏最小二乘法(partial least squares, PLS)模型,连续投影算法(successive projections algorithm, SPA)选择特征波长的PLS预测模型,“红边”位置(λ_red)的简单经验估测模型,三种植被指数R₇₁₀/R₇₆₀,(R₇₅₀-R₇₀₅)/(R₇₅₀-R₇₀₅)和R₈₆₀/(R₅₅₀*R₇₀₈)分别建立的简单经验估测模型,以及基于这三种植被指数的PLS预测模型。建模结果显示,全光谱的PLS模型预测效果最为精确,其预测相关系数r_p为0.833 9,预测均方根误差RMSEP为1.52。而使用SPA算法选出的8个特征波长所建立的PLS模型其预测结果可达到与全光谱的PLS模型非常接近的水平,而且在保证一定精度的条件下减少了大量运算,节省了运算时间,大幅提高了建模的速度。而基于红边位置和选择的三种植被指数而建立的简单经验估计模型其预测结果虽与基于全光谱的PLS预测模型有一定差距,但模型简单、运算量小,适合用于对精度要求不高的场合,对后续的便携仪器设备开发有一定的指导作用。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

基于AOTF的成像光谱仪及其在同色异谱目标鉴别中的应用

为了同时获得同色异谱目标的光谱信息和空间分布信息,设计了基于声光可调谐滤波器(acousto-optic tunable filter, AOTF)的成像光谱仪,主要包括前置成像透镜组、AOTF滤光成像模块、AOTF驱动器、CCD图像检测器、图像采集卡和计算机。在计算机的控制下,实现波长的快速扫描,获取每个设定波段下的灰度图像,构建一个光谱图像立方体,因此可以获得图像中任意一点的光谱信息。所设计的成像光谱仪,光谱范围为550 ～1 000 nm,光谱分辨率2.6 nm(@632 nm),光谱扫描速度快,任意两个波长之间的切换时间小于80 μs,整个仪器无机械运动部件,功耗低,抗振能力强。利用该仪器对真假玫瑰花进行了鉴别试验,对涂改物证进行了信息复原实验,并成功地辨别出真假玫瑰花和复原出涂改物证,证实了该成像光谱仪具有优异的同色异谱目标鉴别本领,在同色异谱物质的鉴别上具有广阔的应用前景。     

基于ICA的X射线医学图像目标提取

X射线医学成像能观察到患者体内病变组织,对医学诊断有重要参考价值。针对传统医学X射线图像噪声强、层次感差和器官组织重叠的问题,提出利用多能谱X射线成像结合独立成分分析(independent component analysis, ICA)进行图像去噪和目标提取。首先ICA结合稀疏编码收缩法对图像降噪预处理以保证目标提取精度;然后根据图像中各目标组成特性,分离图像中每个像素对应的目标厚度矩阵;最后ICA以盲分离理论获得收敛矩阵重建出目标对象。在ICA算法中,借助于主观评价标准,发现当收敛次数大于40时目标分离成功;当幅值尺度在[25, 45]区间内,目标图像对比度高且失真较小。同时,通过观测实验得到的三维峰值信噪比图表明：ICA算法中收敛次数和幅值对图像质量有较大影响,当重建图像的对比度和边缘信息均达到较好效果时,收敛次数与幅值为85和35。     

高光谱成像技术的柚类品种鉴别研究

柚类种质和品种资源繁多,现有的柚类品种鉴别方法检测时间长,费用高。旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。试验选用4个具有代表性的柚类品种,利用高光谱成像技术,采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。高光谱图像标定后,提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后,分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长,并将其作为最小二乘支持向量机(LS-SVM)的输入变量,建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。结果显示,基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%,对预测集样本的识别正确率均为95.83%。基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。表明,利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别,叶片下表面光谱信息鉴别效果优于叶片上表面。该研究为柚类的品种快速鉴别提供了一种新方法。     

高光谱成像技术检测高温障碍胁迫下番茄叶片色差的研究

提出了利用可见/近红外高光谱成像技术检测高温障碍胁迫下番茄叶片色差的方法。首先采集380~1 023 nm波段范围内60个高温障碍胁迫和60个健康番茄叶片的高光谱图像,同时获取全部叶片的色差值(L*, a*和b*),然后提取所有样本的高光谱图像中感兴趣区域(region of interest, ROI)的光谱反射率值。基于不同预处理方法建立偏最小二乘(partial least squares, PLS)预测模型,再利用连续投影算法(successive projections algorithm, SPA)提取特征波长并建立SPA-PLS预测模型。最后分别基于全波段和特征波段建立偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)模型。结果显示,全波段中基于原始光谱信息建立的模型效果最好,3个色差值的预测集决定系数(determination coefficient, R2)分别是0.818,0.109和0.896;基于特征波长建立的模型预测集R2分别是0.591,0.244和0.673;所有模型预测集的总体识别率均大于77.50%。结果表明,可见/近红外高光谱成像技术检测番茄叶片色差值(L*和b*)和识别高温障碍样本是可行的。     

基于近红外高光谱成像及信息融合的小麦品种分类研究

高光谱成像技术因具有图谱合一的特点在作物品种鉴别方面具有较大潜力,但目前研究大多只提取利用了光谱信息,对图像信息没有进行有效利用。本文利用近红外高光谱成像仪采集了强筋、中筋、弱筋3个类型共计6个品种的单粒小麦种子高光谱图像,提取了长、宽、矩形度、圆形度、离心率等12个形态特征,并对图像中的胚乳和胚区域进行分割建立掩膜,提取了胚乳和胚区域的平均光谱信息。采用PLSDA和LSSVM方法建立基于图像信息的判别模型,结果表明强筋、弱筋两者二分类的识别率能达到98%以上,强筋、中筋两者二分类的识别率只能达到74.22%,说明近红外高光谱图像的形态信息能够反映品种间差异,但单独利用图像信息进行分类时准确度可能欠佳。采用SIMCA,PLSDA和LSSVM方法建立了胚乳和胚区域光谱信息的多分类模型,胚乳区域的分类效果较胚区域略好,说明籽粒不同部位的形状差异会影响分类效果。进一步融合光谱信息和图像信息,采用SIMCA,PLSDA和LSSVM方法建立融合模型,识别率较单独的图像或光谱信息模型均略有提升,PLSDA方法从原来的96.67%提升到98.89%, 表明充分挖掘高光谱图像所包含的形态特征和光谱特征可有效提高分类效果。