分形信号算法的CASI高光谱数据岩性特征提取

高光谱数据具有图谱合一和数据量大的特点,数据降维是主要的研究方向。波段选择和特征提取是目前高光谱降维的主要方法,就高光谱数据图像岩性特征提取的方法进行了试验和探讨。基于高光谱影像的自相似特征, 探索了分形信号算法在CASI高光谱数据岩性特征提取上的应用研究。以CASI高光谱影像数据为研究对象, 将基于地毯的方法进行修正后用于计算高光谱影像中每一像元的分形信号值。试验结果表明, 与其他分类算法相比分形信号算法增强高光谱图像的影像特征从另一个侧面更细致的描述了不同光谱的可区分性。分形信号影像在一定程度上可以更好地突出基岩裸露地区岩性特征, 从而可以实现影像地表岩性特征提取的目的。原始光谱曲线自身形态特征、初始尺度的选择以及迭代步长等对分形信号和分形特征尺度均有影响。目前,光谱曲线的分形信号特征研究还不多,对其物理意义和定量分析尚需要深入研究。     

基于多个无标度区的多重分形分析方法

用计算机模拟生成了多重分形结构,通过对比分析结构的解析多重分形谱和配分函数法计算得到的多重分形谱,总结出多重分形谱可以描述结构在某一无标度区内生长规律的特性,发现结构的各个无标度区都具有研究价值,针对传统方法不能充分利用数据的缺陷,提出了基于多个无标度区的多重分形谱计算方法.     

多重分形谱及其在材料研究中的应用

详细讨论了多重分形谱中各参量的物理意义,拽出随机多重分形谱中出现异常区的原因。提出了一种舒去少量异常小的分布概率的方法,局部消除了异常区,最后介绍了一些多重分形谱在材料研究中的应用。     

酞菁铜成膜特性的多重分形谱

运用多重分形理论,研究了酞菁铜颗粒的团聚生长成膜特性.研究表明薄膜生长是远离平衡态过程,在团聚生长中,颗粒分布有很大随机性,存在大范围的非均匀区域,这些区域具有多重分形特征.测试了酞菁铜对二氧化氮的气敏特性,结果表明通气前后,涂膜通道的频率有明显移动.     

ZnO薄膜原子力显微镜图像的多重分形谱

用原子力显微镜测定了Si衬底,未退火和退火ZnO薄膜的表面形貌,为了获得AFM图像的多重分形谱,比较了5种计算局域高度分布概率的方法(相对平均高度的方差、相对平均高度的绝对偏离、以粗糙表面最低点为基准面、以一定深度为基准面和以薄膜平均底面为基准面).发现前三种方法在小概率的子集起主要作用时不能很好地满足标度不变性,后两种方法则能很好地满足标度不变性,其范围可达三个数量级,并且可以对不同样品进行定量的比较. 关键词：     

薄膜生长的多重分形谱的计算

规则分形具有理想的标度不变性,而随机分形(如薄膜生长)概率分布曲线及标度不变性的范围与计算方法有关:以偏离平均高度的方差值求概率,标度不变性不好,多重分形谱也不光滑;而以薄膜平均底面为基准面求概率得到的标度不变性可延伸到3个数量级,多重分形谱光滑.采用外延的方法修正灰度设置的偏移可以对多重分形谱有所改善.另外,讨论了权重因子q取值范围的影响,确定了q的取值范围.     

规则表面形貌的分形和多重分形描述

以6种具有典型特征的生成元构造了6个具有相同rms粗糙度的规则表面,用变分法计算了这些表面的分形维数,结果表明,分形维数可以将具有相同rms粗糙度的表面区分开来,它定量表征了表面的总体形貌。进一步将多重分形的方法应用到对这些表面的分析中,发现多重分形谱可以全面反映表面概率的分布特征。多重分形谱的宽度可以定量表征表面的起伏程度,多重分形谱最大、最小概率子集维数的差别可以统计表面最大、最小概率处的数目比例。 关键词： 粗糙度 分形维数 多重分形谱     

油菜光谱的多重分形分析及叶绿素诊断建模

作物信息科学的重要内容是如何利用作物的信息对其进行无损营养诊断,光谱分析是一种有效可行的途径。对于油菜而言,冠层光谱的特征是描述其营养状况的重要指标。但由于原始光谱总是受到一些如环境、气候等外在因素的影响,其巨大的波动导致难以直接用于油菜生物量的诊断。然而,光谱的多重分形特征将保持相对稳定。为研究油菜冠层光谱与叶绿素含量的关系,基于多重分形理论,提出了基于油菜冠层光谱特征的叶绿素定量预测模型和定性识别模型。以24个移栽种植小区和24个直播种植小区的高油酸油菜苗期样本为试验对象。首先,利用流行的多重分形去趋势波动分析提取了6个不同波段范围内光谱的广义Hurst指数和质量指数及其他相关的特征参数,发现它们都呈现典型的多重分形特性。但两种不同种植方式下的光谱特征也存在差异。接着,通过多重分形特征参数与SPAD值的相关分析发现不同波段的光谱所含的有效信息不同。以多重分形特征参数建立单变量油菜叶片SPAD值预测模型,移栽方式、直播方式及混合样本的预测模型相对均方根误差均小于5%。最后,以多重分形特征组合建立识别模型,以Fisher线性判别法识别移栽和直播两种种植方式的最大约登指数为0.902 5,对应最敏感波段为350~1 350 nm。这项有意义的工作为预测油菜叶绿素提供了理论基础和实践方法,也为寻找敏感波段进行识别诊断提供了有效的途径。     

基于多重分形谱的光纤周界振动信号识别

为了有效识别光纤周界系统的振动信号,提出一种多重分形谱参数和改进概率神经网络相结合的光纤振动信号识别方法.该方法能够避免特征提取过程中需要选择经验阈值和模式识别过程中需要确定平滑因子的不足.首先,检验分析光纤振动信号多重分形的存在性和有效性.然后,计算和提取光纤振动信号的多重分形谱参数,构成能够准确描述信号非线性和复杂性特性的特征向量.最后,采用改进的概率神经网络算法进行自适应地学习和分类,实现对不同光纤振动信号的识别.采用现场实验采集的四种振动信号对该方法进行验证,结果表明,平均识别率达到96.25%,识别时间为1.63s.该方法在正确识别率方面优于传统的概率神经网络算法.     

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

高光谱数据基于流形的半监督特征选择

传统的高光谱数据特征选择方法分为监督和无监督模式,然而在高光谱数据实际处理中,大量无标记和少量有标记数据并存.此外,传统方法忽视了真实数据嵌入在高维空间中的流形结构.本文提出一种基于流形的半监督特征选择算法,定义一个合理的特征评判准则,考虑标记样本的先验信息以及高维数据局部和非局部结构的不变特性.通过对标记数据类间方差和类内方差的极大化和极小化,优化数据的判别结构;同时通过构建局部graph和非局部graph,挖掘高维数据的流形结构.然后,选择一组有效的特征子集,实现高维数据的特征选择.最后,通过对特征选择后的真实高光谱数据进行分类实验,结果显示本文方法可以很好地对高光谱数据实现降维并且保留数据的主要结构.     

基于近红外光谱特征提取的花椰菜灰霉病早期检测

花椰菜在生长过程中容易感染灰霉病而导致产量减少,现有的分选方法难以在早期检测到感染灰霉病的花椰菜。应用近红外光谱技术实现花椰菜灰霉病的早期判别检测,对花椰菜病害防治意义重大。以接种灰霉菌孢的花椰菜为研究对象,首先,采集对照组和处理组花椰菜的近红外光谱曲线并进行去噪处理,获取4个批次共608个样本(接菌0.5,1,2和3 d每日的健康和染病花椰菜各76朵)在500～2 400 nm波段范围内的光谱曲线。同时测量花椰菜样本的多酚氧化酶(polyphenol oxidase,PPO)、过氧化物酶(peroxidase,POD)与丙二醛(malondialdehyde,MDA)的活性值,采用单因素方差分析(analysis of variance, ANOVA)对单一批次的健康和染病花椰菜品质指标进行统计分析。然后,采用K-S算法(Kennard-Stone)将单天的样本划分为校正集(114个样本)与预测集(38个样本),使用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)进行4个批次的花椰菜样本的光谱数据特征波段提取,并基于偏最小二乘回归(partial least square regression,PLSR)算法建立单一批次判别模型和组合批次判别模型。结果表明：在接菌早期,用肉眼无法实现染病花椰菜样本的识别,仅在染病第3 d后部分染病样本病害特征明显时可实现判别。测定对照组和处理组花椰菜品质指标后发现：染病2 d后,对照组和染病组样本的所有品质指标均存在显著性差异(p＜0.05),但在第0.5 d时各项指标均无显著性差异,仅在第1 d时MDA值出现显著性差异,说明从品质指标上无法判别早期染病花椰菜。建立单一批次下的PLSR判别模型后表明：第一批次样本(0.5 d)所建模型的判别准确率达到了94.74%,预测集均方根误差为0.835,第二至第四批次(接菌1～3 d)所建判别模型准确率达到100%,表明PLSR模型可以实现单一批次下早期染病花椰菜样本的检测;PLSR组合判别模型在第0.5 d和第1 d判别准确率分别达到了92.11%与97.37%,可以判别出大部分的患病花椰菜,但是PLSR组合批次建模效果低于PLSR单一批次建模。结果表明,基于近红外光谱技术,通过CARS算法提取特征波段结合PLSR模型的建立,可以在早期检测出感染灰霉病的花椰菜,为花椰菜灰霉病的早期检测提供参考,具有一定的实际应用价值。     

基于特征区域下凸点提取的藻类荧光光谱波长选择方法

藻华现象的频繁发生严重影响了海洋环境和人类的生产活动,因此对水体浮游植物的监测十分重要。三维荧光光谱被广泛应用于水体浮游植物中藻类的群落组成分析和浓度定量分析,然而三维荧光光谱数据中的信息冗余给藻类定性定量分析带来了一定的影响。针对光谱信息冗余问题,提出了特征区域积分与凸点提取相结合的三维荧光光谱波长选择方法。以抑食金球藻、细长聚球藻、小球藻为研究对象,采用Savitzky-Golay卷积平滑法对三维荧光光谱进行预处理,解决了因外界因素造成的光谱噪声问题,采用马氏距离法剔除三维荧光光谱数据集中的异常光谱样本,运用浓度残差法剔除三维荧光光谱数据集中的异常浓度值样本,然后通过偏最小二乘回归模型的内部交叉验证均方根误差衡量不同特征区域下凸点的可靠性进行波长变量的选择。为验证波长筛选方法的有效性,对三种藻类建立偏最小二乘回归模型,以内部交叉验证决定系数(R²)、内部交叉验证均方根误差(RMSECV)作为模型评价指标。与全光谱数据建立的回归模型进行了比较,抑食金球藻、小球藻、细长聚球藻的波长变量由全谱的1071个分别减少到77个、 75个、 67个,R²     

基于纹理特征和形态学特征融合的高光谱影像分类法

针对传统融合空间和光谱特征方法仅使用单一空间特征,并未充分利用其双高分辨率的特点,提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数,消除空间相关性,然后对每一主成分采用灰度共生矩阵提取纹理特征,获得扩展纹理特征,最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明,本文提出的方法能更好地克服传统光谱特征分类的局限性,提高高光谱影像的分类准确度.     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

结合空间和光谱信息的高光谱影像端元光谱自动提取

端元光谱提取是高光谱影像混合像元分解的关键。现有的端元提取方法多是仅利用了影像的光谱信息,忽略了像元间的空间相关性。现有研究基础上,提出了一种结合影像空间和光谱信息的高光谱影像端元光谱自动提取方法(integration of spatial-spectral information based endmember extraction,ISEE)。该方法首先进行影像子空间划分以增强影像局部的光谱信息特征,然后通过特征空间投影分析获得影像候选端元,最后依次在影像空间信息约束下和端元光谱信息约束下进行优化,得到最终的影像端元光谱集。仿真高光谱影像和真实高光谱影像的实验结果表明,结合影像空间和光谱信息的ISEE方法是有效的,且比一些常用方法提取的端元光谱更为准确。     

基于植被特征库的高光谱植被精细分类

目前,高光谱数据精细分类面临两方面问题：一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。