基于改进谱聚类的重叠绿苹果识别方法（英文）

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

改进的K均值聚类红外目标检测方法

利用图像方差能很好地反映目标边缘信息的特点,提出一种基于方差的K均值聚类红外目标检测算法。利用形态学方法对红外图像进行预处理,运用相应的模板计算得到红外图像的方差图像,利用K均值聚类算法对方差图像进行聚类,从而分离出目标类别和背景类别。实验表明,该算法提取的红外图像中目标信息的兰德指数最高,说明该算法能有效地提取红外图像中目标信息,从而达到目标检测的目的。     

基于改进K均值聚类的机械故障智能检测

针对传统的K均值聚类算法在机械故障检测的过程中,由于对于K值的选择具有较强的主观性,最后极易得到局部最优解,而非全局最优解,降低了机械故障检测的准确性。提出一种改进K均值聚类的机械故障智能检测方法。将K均值聚类算法与粒子群算法相结合,在迭代处理的过程中,结合K均值进行优化,即将粒子群算法中的子代个体利用K均值聚类进行运算获取局部最优解,并使用这些个体继续参与迭代处理,这样能够提高算法的收敛速度,避免陷入局部最优解,获得准确的机械故障信号特征。实验结果表明,利用K均值倾斜特征提取的机械故障智能检测算法进行机械故障检测,能够有效提高故障检测的准确性,取得了令人满意的效果。     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

基于谱聚类和稀疏表示的高光谱图像分类算法EI北大核心CSCD

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。     

基于深度聚类的目标细粒度分类方法北大核心CSCD

为提高光电系统对弱小目标的识别和分类能力,降低算法对硬件平台和数据的依赖,提出一种无监督分类方法−基于目标深度特征聚类的细粒度分类方法。该方法通过轮廓、颜色、对比度等浅层特征提取提示目标,经超分辨处理后,利用卷积神经网络对目标的深层特征进行编码,进一步采用基于注意机制的主成分分析方法进行降维生成表征矩阵,最后利用聚类的方式实现目标细粒度分类。实验验证了基于不同神经网络的深度聚类方法在不同数据集上的分类性能,其中采用ResNet-34聚类方法在CIFAR-10测试集上细粒度分类性能达92.71%,结果表明,基于深度聚类的目标细粒度方法能够取得与强监督学习方法相当的目标分类效果。此外,还可以根据不同簇数和聚类等级的选择实现不同细粒度的分类效果。     

用于等离子体相干模式自动识别的谱聚类算法实现

高约束模式对改善等离子体约束有着重要意义,但目前主要依赖人工进行模式识别,其效率低、成本高,导致核聚变装置中大量的诊断数据没有得到充分分析.为了解决这个问题,本文将机器学习中的谱聚类算法应用到EAST托卡马克装置上的电子回旋辐射成像、一维诊断系统电子回旋辐射计、磁探针、软X射线和快辐射等不同诊断系统的数据上,在时域及频域上识别出了锯齿模,验证了谱聚类方法的迁移性及准确性,解决了监督学习在数据处理上迁移性差以及需要依赖大量标签数据的问题.此外,本文实现了特定模式的筛选;最后利用电子回旋辐射成像及磁探针数据发现了一种可能的新模式,为新模式探索提供了一种新思路.     

基于聚类的自适应图像稀疏表示算法及其应用

提出了一种针对一类图像进行稀疏表示的字典训练方法,并证明了该算法的收敛性.该算法的几何解释是,以最少的超平面来逼近样本所在的一小块球冠.算法流程为聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,令字典能够更适应于样本的稀疏表示.该算法与传统的字典训练方法相比具有适应性强,对训练样本规模和字典规模要求低,收敛速度...     

聚二乙炔链振动谱的研究

将聚二乙炔主链简化为有限的一维复式碳原子链,利用经典的晶格动力学方法研究了其色散关系.聚二乙炔链色散关系曲线由一支声学模和三支光学模组成,它们在波矢为零处及Brillouin zone(BZ)边界处拉开了间隙,弹性力常数的变化将显著地改变带宽和能隙.     

基于灰度聚类算法的红外图像增强研究

根据红外灰度图像的特点，提出了一种基于K-均值聚类的图像增强的新算法。该算法首先根据具体图像确定K值，其次对红外图像的辐射温度数据进行统计学习，把不同温度值按升序排列，然后按等差原则选取温度值作为初始聚类中心，再依据初始聚类中心采用K-均值聚类算法对温度进行聚类，最后由聚类结果对图像进行自适应增强。通过对红外灰度图像进行实验，得到了满意的结果: 对比直方图均衡，具有更丰富的图像细节信息和层次感，视觉效果更好。     

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。     

基于光谱吸收靶标的成像光谱仪光谱定标方法研究

中心波长和带宽是影响成像光谱仪数据定量化应用水平的两个重要光谱性能参数。针对覆盖光谱范围较窄的可见光与近红外波段成像光谱仪,提出了一种利用人工光谱吸收靶标进行光谱定标的方法,论证和建立光谱吸收靶标光谱定标方法的数学模型。在同一环境下利用成像光谱仪和ASD光谱仪对地面光谱吸收靶标进行准同步光谱测量,并进行反射率计算,然后通过光谱匹配计算中心波长偏移量和带宽变化量。利用该方法对设计带宽为6 nm的可见光与近红外波段的成像光谱仪进行了地面定标实验。实验结果表明,该方法能够作为外场光谱定标的辅助手段,提高成像光谱仪的定量化应用水平。     

谱聚类结合LIF在矿井突水水源类型识别中的应用

突水事故威胁井下人员的生命安全和造成财产损失,因此准确检测出突水水源类型具有重大意义.使用水化学分析法检测水源类型耗时长、过程复杂.激光诱导荧光(L I F)技术具有快速、灵敏、干扰小等优点,将L IF技术结合智能算法建立突水水源识别模型可以准确检测出突水水源的类型.目前这类模型一般需要对荧光光谱进行去噪、降维、波段选...     

基于DMD的光谱分辨率自适应Hadamard变换成像光谱仪

数字微镜器件(DMD)可以灵活高效地实现各阶Hadamard编码模板,设计了一种基于DMD的光谱分辨率自适应的Hadamard变换成像光谱仪,分析了仪器的结构和工作原理及实现光谱分辨率自适应的方法。它可以根据目标景物和观测要求的不同而自适应地调整光谱成像的光谱分辨率,从而在光谱准确度和数据计算量之间做出合理的折衷,既满足了对目标分类识别的要求,又提高了数据传输和处理的速度。     

基于光谱信息的空间目标模式识别算法研究

在观测空间目标时,往往会受到地基观测仪器等因素的制约,导致无法利用目标图像信息从外形上进行识别。根据不同空间目标表面组成材料不同,其产生的反射光谱会存在差异这一特性,可利用空间目标特有的光谱信息进行识别分类。基于此,从光谱学角度对空间目标识别算法进行研究,在K最近邻算法(KNN)的基础上,采用了一种自适应权重局部超平面方法(AWKH),算法主要在计算预测样本与超平面距离时加入对特征权重的考虑,构建了以样本特征组间差与组内差的比值作为特征权重值的超平面模型,从而提高了分类效果和分类效率。为验证算法的分类效果,本文进行了四组验证实验,第一组实验将美国地质勘探局数据库中提取出的九种常用材料光谱随机选出三种混合成多类进行识别;第二、三组实验将四种常用空间目标材料的光谱作为纯物质光谱,分别从可见光和近红外波段对其混合物质进行分类;第四组实验通过实测四个方形模型样本六个面的光谱对其进行识别分类。实验过程中将实验结果与目前常用的支持向量机(SVM)进行对比,对比结果表明改进后的AWKH算法在识别精度和样本适用范围上具有更高的优越性。     

基于分形编码的M型恒星光谱次型自动识别

根据天体光谱自身的局部分形特征,对光谱中400~510,600~700和780~900 nm三个波段的数据分形编码,并以编码中匹配数据块位置与最小匹配误差为特征,将分形方法应用于天体光谱次型识别。实验表明,分形方法不受LAMOST流量定标误差、仪器效率曲线的影响,具有一定的抗噪性,可以有效地自动识别LAMOST与SDSS的M型恒星光谱次型。     

基于能谱CT的材料组分彩色表征研究

基于光子计数探测器的X射线能谱CT,通过增加能谱分辨率实现了CT图像由灰度向彩色的转变,提高了材料识别能力。然而随着能谱通道数量的增加,通道中的噪声也显著增加,降低了材料识别的准确性。为充分利用能谱CT图像的稀疏性以及能谱通道之间图像的相关性,提出一种多约束窄谱CT迭代重建算法,可在降低噪声的同时有效保留图像的边缘及细节部分。进一步利用主成分分析对窄谱CT图像中的能谱信息进行估计,并建立主成分图像与R,G和B颜色分量之间的映射关系,最后获取彩色CT图像。该方法通过材料组分的彩色表征可以有效识别材料,同时降低图像中的背景噪声。仿真实验和实际实验结果验证了多约束窄谱CT迭代重建算法的有效性以及利用主成分分析进行材料组分彩色表征的可行性。     

基于轨迹聚类的天光光谱特征分析

天光背景扣除是LAMOST 1D光谱数据处理中重要的环节,其扣除好坏直接影响光谱产品质量,因此构造理想的超级天光光谱模型具有重要的意义。通常超级天光是由与目标天体同时观测的天光光纤光谱构造而成,同一区域的天光背景可能随着不同的观测时刻有着规律性的变化特征（如月相变化）,如果能充分分析并利用这些特征,可有效校正超级天光模型,从而提高减天光效果。轨迹聚类方法是一种分析目标随时、空变化特征的有效工具,针对LAMOST天光光谱中可能存在的变化规律,给出一种基于轨迹聚类的天光光谱特征分析方法。主要分以下三部分：首先是天光光谱的时序化描述。LAMOST pipeline采用且提供了每个观测天体的即时超级天光光谱,为了获取特定天区背景天光的光变特征,需选择天光光纤光谱以及扣除目标天体光谱的背景光谱,以5°视场（LAMOST望远镜视场）为单位,按观测日期MJD均匀分组,从而对特定区域的天光光谱进行了时序化表征;其次给出基于密度的天光光谱数据聚类算法STK-means。为解决随机参数导致收敛及聚类效果不理想的问题,在分析天光光谱时序数据特征的基础上,给出基于密度的相似性度量公式,并作为传统k-means聚类的初始参数选择依据,从而给出基于密度的天光光谱数据聚类算法STK-means;最后进行实验分析。实验验证了该方法的正确性和有效性以及不同初始参数K值的选择对聚类结果的影响。在此基础上,利用STK-means聚类方法,对LAMOST第一期巡天中一个完备小天区的天光光谱时序数据进行了轨迹特征分析,结果表明,除个别光谱质量较差或常说异常外,该特定区域的天光背景以农历每月十五、十六为中心向两边呈对称分布,反映了该区域观测过程中受月相的影响变化情况,该特征经量化后可为校正超级天光模型提供一种有效途径。同时,由于时序化描述过程中均匀采样的要求,该方法可适用于反银心、盘、晕等高天体数密度区域,而对于高银纬低数密度区域则需要更长时间的巡天观测。此外,该方法还可有效发现特定区域的离群(异常)天光光谱,为天文学家进一步分析提供珍稀样本。     

基于FFT奇异值分解的光谱信号去噪算法

微型光谱仪在采集光谱信号过程中,光谱数据经常受到来自仪器光学系统和电子电路中的干扰出现噪声和光源特征峰,严重干扰了真实光谱信号的图谱特征,因此需要使用合理的预处理方法保留光谱信号中有用信号并尽可能过滤噪声信号同时将光源特征峰滤除,从而提高光谱信息定量分析的稳健性和准确性。并且在线检测系统要求尽可能减少人为参数选择对去噪效果的影响,奇异值分解经常应用于由系统电路引起的噪声去噪,奇异值降噪阶次的选取对提高信号信噪比十分关键,但是往往参数选取主要依赖经验调试和实验验证。因此,提出了一种基于奇异值重构信号分量频率的光谱信号去噪算法。该算法首先重构原始光谱信号单个奇异值分量信号,然后对每个奇异值分量信号作快速傅里叶变换,得到每个奇异值分量信号快速傅里叶变换结果中振幅最大所对应的频率值,最后按照奇异值递减方式对相应分量信号频率值进行一阶滞后差分,得到频率差分谱,研究表明,差分谱第一个谱峰值在大于设定阈值处所对应的奇异值即为奇异值分解降噪的有效阶次。结果表明：对包含多种重金属离子的溶液在线测量的紫外可见光谱信号,添加不同强度的随机噪声,并进行去噪处理,使用信噪比和均方根误差两个性能指标进行对比。所提算法相较于SG滤波算法和小波变换去噪算法信噪比分别提高了22.05%,10.88%,均方根误差分别降低了74.28%,41.29%。所提算法完全基于数据驱动,在处理真实紫外可见光谱信号中不仅抑制了噪声影响,而且将微型光谱仪的光源特征峰有效滤除,在紫外可见光谱信号的定量分析中具有较好的应用前景。