基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

基于光谱结构特性的马铃薯干腐和疮痂病识别方法研究

马铃薯干腐病和疮痂病的检测通过人工目测,结果存在主观性,该工作研究正常、干腐和疮痂病马铃薯的光谱分类识别方法。试验获取116个样本,光谱采集范围860～1 745 nm。经过一阶导数(first derivative, FD)处理后的光谱数据,主成分(PCA)分类识别效果较好,FD作为光谱预处理方法。光谱曲线上的极值点、极值点间的中点和极值点间连线的斜率决定光谱曲线的形状和变化,是曲线上的关键点,光谱曲线形状变化代表着内部物质的变化,具有指纹特性,利用极值点和中点对应的光谱或极值点间连线的斜率组成模式特征向量。分别用3种样本关键点的平均光谱形成标准模式特征向量,通过计算待测样本关键点组成的特征向量和标准模式特征向量之间的马氏距离,以最小马氏距离判定样本的归属,通过错误识别率检验模型识别性能。正常、干腐、疮痂样本分别有13, 12, 15个关键点,由各自关键点对应的反射率组成的模式特征向量,3类样本的错误识别率为0。去掉冗余关键点整合成一个标准模式特征向量,正常和疮痂样本的错误识别率为0,干腐样本的错误识别率为14.3%,全部错误识别为疮痂样本,特征向量数据点的增多,增加了病害样本之间的...     

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

由于某些矿物,特别是与成矿作用有关的热液蚀变矿物的光谱特征差异较小,更受到矿物混合光谱等因素的影响,导致大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象。因此,针对矿物光谱的“同物异谱”、“同谱异物”现象,提出了一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法。通过对白云母、高岭石,这两种光谱特征相近的典型蚀变矿物的实验测试、分析,并与光谱角匹配、二进制编码、光谱特征拟合等同类方法进行对比,结果表明该方法能够充分地利用吸收特征波谷位置、吸收特征深度、包络线斜率等多种矿物光谱识别属性特征,进而将不同种类的矿物更明显地予以区分,具有较高的分类识别准确率。     

基于三维荧光光谱特征的中药药性模式识别研究

由于三维荧光光谱技术选择性好、灵敏度高、测试快速等优点目前已在众多领域中被广泛应用。中药药性理论是中药的核心基础理论,是中药学的特色理论之一,中药药性的客观化判别是中医药现代化研究的关键问题。中药中大部分分子具备产生荧光的能力,因而,针对中药三维荧光光谱特征,从中药药性的角度对中药进行分类识别研究。利用FS920型稳态荧光光谱仪测得5组不同浓度的23味寒温类中药溶液制剂的三维荧光光谱数据,获取样本的等高线图和三维荧光光谱图;分析不同样本不同激发波长和发射波长范围存在噪声的基础上,应用集合经验模态分解算法(EEMD)对光谱图进行降噪预处理;基于局部线性嵌入算法(LLE)对光谱数据进行特征提取,分析近邻点数k=12,本征维数d=7时得到的特征向量,结果表明不同浓度的寒性药在PC4和PC6的特征值变化明显,不同浓度的温性药在PC1, PC2, PC4和PC7的特征值变化明显,且浓度越高特征值都有下降趋势。将提取的特征向量输入到随机森林(RF)中,构建LLE-RF分类模型,分析不同参数时LLE-RF分类模型对寒温类中药荧光光谱数据的分类效果,设置RF分类器中训练集和测试集的样本比例分别为3∶1和2∶1,即训练集的比重r分别为3/4和2/3,分析LLE中近邻点数k取值为7～18,本征维数d分别取值为6, 7, 8, 9和10时分类正确率。当近邻点数k=12,本征维数d=7时LLE-RF模型对中药药性的分类正确率最高,达到96.6%。最后比较同一比例r情况下,采用不同核函数构造SVM分类器对寒温类中药荧光光谱数据分类效果,当多层感知机作为核函数时,分类效果最差。当r=3/4,径向基作为核函数时,寒温类中药荧光光谱数据的分类效果最好,正确率达到82.1%。分析结果表明,通过荧光光谱技术与LLE-RF相结合的方法,能有效的将寒温类中药进行模式识别,并且分类效果比LLE-SVM更理想。     

利用曲波变换的SVM非线性激光荧光光谱油种实时识别方法

提出一种非线性激光荧光光谱实时识别方法,首先利用离散曲波变换对预处理的荧光谱进行分解,得到不同角度和尺度的变换系数,并利用三层分解中的低频系数形成特征向量;然后构建重油、柴油、原油等船舶常见油种的支持向量机进行训练;最后利用训练好的支持向量机进行油膜光谱分类。结果表明,采用基离散曲波变换和支持向量机的分类方法,不依赖大样本训练,输入向量为曲波分解后的低频系数部分,训练样本少,支持向量数量大幅降低,从而缩短运算时间,具有实时性,与传统方法比较,更为有效,识别率更高。     

广义对角切片谱及用于水下目标特征提取的性能分析

人眼分类双谱图时具有沿副对角线方向进行观察的特点,为了分类不同的水下目标辐射噪声以实现目标识别,在已有对角切片的基础上提出广义对角切片及其谱定义,并通过对各切片幅值进行简单求和或取最大值得到两种特征向量,引入Fisher可分性测度对特征向量进行降维处理,利用支持向量机的一对一方法对实测水下目标辐射噪声进行分类实验。实验结果表明:对广义对角切片谱各切片幅值进行求和得到的特征向量具有极高的分类正确率,且分类稳定性优良。     

基于多光谱图像的烟雾检测

烟雾检测对于火灾早期防范非常重要,传统的智能视频和图像处理技术易受背景运动信息影响,抗干扰性差,且不容易区分森林水雾和燃烧产生的烟雾,森林防火误报率高。为此提出一种新的多光谱图像检测方法检测烟雾。采用多光谱成像系统,获取400至720 nm波段范围的烟雾、水雾光谱图像序列,对图像进行分层像素整合处理;利用欧氏距离度量不同分块光谱特征差异,获取动态区域光谱特征向量,根据目标与背景间光谱特征向量差异,提取烟雾、水雾区域。室内外试验结果表明：多光谱图像检测方法可用于烟雾检测,能够有效地检测并区分烟雾和水雾,与视频图像方法结合,可有效地用于森林火灾监测,降低森林火灾检测误报率。     

一种基于Map/Reduce分布式计算的恒星光谱分类方法

天体光谱中蕴含着非常丰富的天体物理信息,通过对光谱的分析,可以得到天体的物理信息、化学成分以及天体的大气参数等。随着LAMOST和SDSS等大规模巡天望远镜的实施,将会产生海量的光谱数据,尤其是LAMOST正式运行后,每个观测夜产生大约2~4万条光谱数据。如此海量的光谱数据对光谱的快速有效的处理提出了更高的要求。恒星光谱的自动分类是光谱处理的一项基本内容,该研究主要工作就是研究海量恒星光谱的自动分类技术。Lick线指数是在天体光谱上定义的一组用以描述光谱中谱线强度的标准指数,代表光谱的物理特性,以每个线指数最突出的吸收线命名,是一个相对较宽的光谱特征。研究了基于Lick线指数的贝叶斯光谱分类方法,对F,G,K三类恒星进行分类。首先,计算各类光谱的Lick线指数作为特征向量,然后利用贝叶斯分类算法对三类恒星进行分类。针对海量光谱的情况,基于Hadoop平台实现了Lick线指数的计算,以及利用贝叶斯决策进行光谱分类的方法。利用Hadoop HDFS高吞吐率和高容错性的特点,结合Hadoop MapReduce编程模型的并行优势,提高了对大规模光谱数据的分析和处理效率。该研究的创新点为：(1) 以Lick线指数作为特征,基于贝叶斯算法实现恒星光谱分类;(2) 基于Hadoop MapReduce分布式计算框架实现Lick线指数的并行计算以及贝叶斯分类过程的并行化。     

高光谱图像特征及分类技术研究

介绍了高光谱图像的数据特点,描述了非监督分类和监督分类算法,以及评价分类效果的方法。利用森林场景高光谱图像,对K值聚类算法、最小距离分类算法和光谱角度填图算法进行了实验验证,并对不同算法进行了评价。试验结果表明,监督分类,尤其是光谱角度填图方法的效果要明显好于非监督分类方法。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。     

ACTA PHOTONICA SINICA

本文采用有效折射率方法对Ti扩散Er     

天体光谱信号去噪的小波域复合阈值新算法

利用谱线和噪声在小波域内的不同相关特性,提出了一种小波域复合阈值去噪算法。首先将小波系数作NeighShrink阈值处理,然后对得到的小波系数进行二值化,在此基础上定义了每一小波系数所对应的横向相关性指数和纵向相关性指数,最后确定出决定小波系数取舍的决策系数。由于该决策系数是通过多重判据得到的,因此该方法克服了简单阈值方法过保留或过扼杀的缺点,同时可以去除大脉冲噪声,实验结果表明了该方法的有效性。     

早M型矮恒星光谱聚类方法与分析

大规模光谱巡天项目如LAMOST等产生了海量极具研究价值的观测数据,如何对此数量级的数据进行有效的分析是当前的一个研究热点。聚类算法是一类无监督的机器学习算法,可以在不依赖于领域知识的情况下对数据进行处理,发现其中的规律与结构。恒星光谱聚类是天文数据处理中一项非常重要的工作,主要对海量光谱巡天数据按照其物理及化学性质分类。针对LAMOST巡天中的早M型矮恒星的光谱数据,使用多种聚类算法如K-Means,Bisecting K-Means和OPTICS算法做了聚类分析,研究不同聚类算法在早M型恒星数据的表现。聚类算法在一定程度依赖于其使用的距离度量算法,同时研究了欧氏距离、曼哈顿距离、残差分布距离和上述三种聚类算法搭配下的表现。实验结果表明：(1)聚类算法可以很好地辅助分析早M型矮恒星的光谱数据,聚类产生的簇心数据和MK分类吻合得非常好。(2)三种不同聚类算法表现不尽相同,Bisecting K-Means在恒星光谱细分类方面更有优势。(3) 在聚类的同时也会产生一些数量较少的簇,从这些簇中可以发现一些稀有天体候选体,相对而言OPTICS适合用来寻找稀有天体候选体。     

基于Top-Hat变换的高光谱吸收特征增强方法

对地物高光谱进行特征分析是高光谱影像用于目标识别和地物分类的基础.基于数学形态学的Top-Hat变换提出了一种光谱吸收峰增强算法.该方法在增强吸收峰的同时还保持了吸收谱带的波形特征.从美国地质调查局USGS光谱数据库选取的11条不同矿物的反射光谱曲线,对其吸收峰增强曲线和原始光谱曲线进行了K-means聚类分析.结果表明:吸收峰增强曲线的聚类结果在波形上和地质背景上都优于原始光谱曲线;且将吸收峰增强曲线的聚类的结果用矿物光谱的ASTER影像采样光谱曲线显示时,能总结出各组矿物的ASTER光谱典型特征.说明吸收峰增强曲线很好地增强了矿物光谱的吸收特征,提高了高光谱的可分性,同时还能为基于多光谱数据的遥感信息提取提供参考,是十分有用的高光谱分析方法.     

可见光光谱和支持向量机的温室黄瓜霜霉病图像分割

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题,提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。首先,提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法,该颜色特征将超红特征(excess red,ExR)、H分量和b*分量三种颜色特征结合,通过设置ExR参数,降低光照条件对ExR的影响,克服了光照不均匀对病斑分割的影响。在CVCF的基础上,结合基于径向基核函数的支持向量机分类器,通过优化分类器参数构建病斑分割模型,获得了温室黄瓜霜霉病图像初始分割结果。在初始分割结果基础上,采用SURF(speeded up robust features)特征及形态学操作,对分割结果进一步优化,消除背景噪声对分割结果的影响,从而获得最终病斑分割结果。为进一步验证方法的有效性,选择了OTSU算法、K均值聚类算法和决策树算法,作对比研究。结果表明,OTSU+H*0.2,K-means+H+b*,DT+H+b*和该研究算法的错分率分别为：19.44%,40.19%,16.27%和7.37%,该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑,为病害识别提供了良好的数据来源。     

窄带语音带宽扩展算法研究

为了降低谱失真,提出了一种基于隐马尔科夫模型的窄带语音带宽扩展算法。首先,算法选取与宽带谱包络互信息大的参数构成特征矢量,并利用隐马尔可夫状态和过去观察特征矢量的联合先验概率估计条件后验概率。其次,以条件后验概率为基础,算法结合贝叶斯条件参数估计法和最小均方差准则估计宽带谱包络。针对宽带激励信号估计,基于信号高频和低频的谐波相关性,提出了一种中频激励扩展算法。实验结果表明,与传统的基于隐马尔可夫模型的带宽扩展算法相比,本文算法可降低0.187 dB的平均谱失真,将谱失真大于10 dB的语音帧减少了34.3%。      

基于小波包分析的光谱识别方法研究

光谱信号的自动识别技术是光谱分析技术中的重要组成部分, 是指运用模式识别方法,借助计算机技术,对相同测定条件下的光谱信号进行比较,根据信号之间的相似程度,从而得出两者之间化学组成关系的技术,主要应用于光谱的定性分析,也可用于光谱的验证。文章以符合朗伯-比尔定律的光谱信号为研究对象,简单介绍了光谱识别技术的基本原理和方法,随后为简化识别难度,进行了光谱信号的归一化处理,再在概述小波分析基本原理的基础上,提出了采用小波包分析的技术对光谱信号进行相关特征提取的方法,并根据统计学知识,得出了计算标准特征向量和允许误差向量的公式,然后运用二叉树分级判别的方法,实现了光谱信号的快速识别,最后举例对该方法进行了说明。     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

喘鸣音的声谱图熵特征分析及检测

提出了一种改进的基于肺音信号的声谱图熵特征分析的客观喘鸣音检测方法。喘鸣音的功率明显高于正常肺音,因此喘鸣音声谱图的功率分布沿频率轴方向具有明显的聚集特性,该特性可以通过熵值反映。本算法首先对肺音信号进行时频变换得到时频幅度谱信号,然后去除基本呼吸音,进而计算其熵特性曲线并提取熵特性曲线的相应特征.最后,通过支持向量机(support vector machine,SVM)训练分类器,实现了喘鸣音的有效检测。该方法通过预处理使熵特性曲线的特征差异更加明显,且通过SVM分类器进行检测,解决了原方法检测存在检测模糊区域的问题。实验结果表明,该算法在两组测试集的检测准确率分别为97.1%和95.7%,检测率较高,具有良好的应用前景。