融合学习模型的岩石光谱特征自动分类

岩石光谱综合反映了岩石的物理化学性质、成分及其结构构造。岩石光谱数据已被应用于岩石分类的研究,但是不同于矿物光谱,岩石光谱并无标准数据库,且受较多干扰因素影响,例如矿物组分、结构构造、化学成分、风化力度,测量仪器的误差等。传统岩石光谱分类模型先是对岩石光谱进行预处理排除干扰,然后采用不同方法对部分光谱特征分析,以达到分类目的。但对光谱数据特征遗失较多,使得分类准确率低下且操作过程繁琐、效率不高。因此,建立一个简单、快速、准确的岩石光谱自动分类模型具有重要意义。机器学习能够对获得的所有数据进行学习,不存在遗漏,大大提高了分类精度,且是对原始数据直接操作,不需预处理,简化流程。为此,选取辽宁兴城地区作为研究区,采集了若干种典型岩石样本,利用美国ASD便携式光谱仪实测光谱,最终获得608条数据,依据岩石光谱特征分为三类进行研究。首先利用决策树(DT)及决策树的升级模型--随机森林（RF）对数据进行分类,但当数据噪音较大时随机森林容易陷入过拟合;因而利用对异常值不敏感的K-最近邻（KNN）建模,但KNN需要对每个样本都考虑,数据量大时计算量会很大,效率不高;所以通过支持向量机（SVM）来提升分类准确率。从实验结果可以看出,4种分类模型的准确率排序为：SVM>KNN>RF>DT。为进一步提高岩石光谱特征的自动分类精度,采取了融合多个不同模型的办法,即对不同模型的分类结果进行投票,选择投票最多的作为最后分类结果。由于硬投票可在一定程度上减少过拟合现象的发生,更加适合分类模型,所以利用硬投票法融合了RF、KNN与SVM三个机器学习模型,最终的分类准确率可达到99.17%。综上所述,基于融合学习模型进行岩石光谱特征自动分类是切实可行且准确高效的。     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

基于变换域PCNN的近红外与彩色可见光融合

针对近红外与彩色可见光图像融合后对比度低、细节丢失和颜色失真等问题,提出一种基于多尺度变换和自适应脉冲耦合神经网络(PCNN-pulse coupled neural network,PCNN)的红外与彩色可见光图像融合的新算法。首先将彩色可见光图像转换到HSI（hue saturation intensity)空间,HSI色彩空间包含亮度、色度和饱和度三个分量,并且这三个分量互不相关,因此利用这个特点可对三个分量分别进行处理。将其亮度分量与近红外图像分别进行多尺度变换,变换方法选择Tetrolet变换。变换后分别得到低频和高频分量,针对图像低频分量,提出一种期望最大的低频分量融合规则;针对图像高频分量,采用高斯差分算子调节PCNN模型的阈值,提出一种自适应的PCNN模型作为融合规则。处理后的高低频分量经过Tetrolet逆变换得到的融合图像作为新的亮度图像。然后将新的亮度图像和原始的色度和饱和度分量反向映射到RGB空间,得到融合后的彩色图像。为了解决融合带来的图像平滑化和原始图像光照不均的问题,引入颜色与锐度校正机制(colour and sharpness correction, CSC)来提高融合图像的质量。为了验证方法的有效性,选取了5组分辨率为1 024×680近红外与彩色可见光图像进行试验,并与当前高效的四种融合方法以及未进行颜色校正的本方法进行了对比。实验结果表明,同其他图像融合算法进行对比分析,该方法在有无CSC颜色的情况下均能保留最多的细节和纹理,可见度均大大提高,同时本方法的结果在光照条件较弱的情况下具有更多的细节和纹理,均具有更好的对比度和良好的色彩再现性。在信息保留度、颜色恢复、图像对比度和结构相似性等客观指标上均具有较大优势。     

基于光谱和图像特征的阔叶木材与针叶木材同时分类算法研究

木材是人们生活中必不可少的可再生资源,同时在建筑、工艺、家具、结构材料等方面有着举足轻重的地位。市场中常见的木材品种繁多,其品质和价格千差万别,使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”,也可以大幅度降低木材分类人员的工作难度。通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果,这类方法识别工艺相对复杂,对非专业人员并不友好。借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类,然而由于不同种木材之间存在的近似性,这类方法往往分类精度不高或只适用于某些阔叶木材。提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法,首先分别采集木材横切面的光谱信息以及图像信息;再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组,并对含管孔样本组中的木材进行管孔分割;然后对含管孔样本组中的木材提取管孔特征、光谱特征以及纹理特征,对无管孔样本组木材提取光谱特征和纹理特征;最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果,对分类结果不一致的样本使用相似性判据判断最佳分类结果。为了验证该方法的有效性,以20种常见的阔叶木材和针叶木材的混合样本集为研究对象,对其进行了分类。实验结果显示三种特征均可以对木材进行分类,单独使用光谱特征、纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%,89.33% 和69.23%,通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率,最高正确率可达98.00%。综上所述,该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类,木材横切面的光谱特征、纹理特征以及管孔特征可以相互补充,从而使分类正确率进一步的提高。与目前的主流木材分类方法进行对比,发现该算法的分类正确率高于其他算法。     

基于高/多光谱图像空天一体融合仿真方法

提出了一种基于高/多光谱图像的空天一体融合仿真方法. 以航空高光谱数据为基础, 根据航天多光谱遥感相关参数, 通过空天一体光谱维变换、尺度空间变换、辐射强度变换、混合像素变换和噪声变换将 航空高光谱图像中的地物目标进行空天一体映射到航天多光谱图像中, 得到特定地物目标的航天多光谱融合模拟仿真图像. 仿真实验表明该方法简便易行, 有效地减少了地物目标的三维建模和探测器响应建模的巨大工作量, 较好地实现了对特定地物目标航天多光谱图像的模拟, 开拓了遥感图像仿真模拟方法的新领域, 具有重要的研究和应用价值. 关键词： 遥感图像 空天一体 融合仿真 光谱维变换     

Bayes分析中多源验前信息融合的ML-II方法

在Bayes小子样理论中,验前分布的获取和表示是一个关键问题.针对工程实践中遇到的验前信息的多源性,给出了一种基于第二类极大似然估计原理(M L-II)的多源异总体验前分布的融合方法,并通过仿真实例证明了该方法的有效性.     

基于卡尔曼滤波的信息融合算法优化研究

通过比较采用联邦卡尔曼滤波的状态向量融合和量测信息融合,得出量测信息融合优于状态向量融合,因为只有当卡尔曼滤波一致时状态向量融合才有效.采用基于最小均方差估计的观测值加权融合法融合了多传感器数据,保持了观测向量的维数.这种方法具有高效性.为了提高该算法的速度和精度,对系统的量测空间进行了等价变换,而等价系统的状态空间却没有改变.给出了等价变换前后的系统误差方差阵和状态估计均一致性的证明.把矩阵分析中的L-D分解算法运用到该算法中以避免计算矩阵的逆,从而改善了算法的稳定性和精度.举例验证了所设计算法的这些优点,给出了采用联邦卡尔曼滤波和所优化滤波算法的状态估计和误差的仿真结果,并依次进行了分析.经过这种优化,算法的精度和速度得到很大提高,已经应用到实际工程中.     

Tritium Burn-up Depth and Tritium Break-Even Time

Similarly to but quite different from the xenon poisoning effects resulting from fission-produced iodine during the restart-up process of a fission reactor, we introduce a completely new concept of the tritium burn-up depth and tritium break-even time in the fusion energy research area. To show what the least required amount of tritium storage is used to start up a fusion reactor and how long a time the fusion reactor needs to be operated for achieving the tritium break-even during the initial start-up phase due to the finite tritium breeding time that is dependent on the tritium breeder, specific structure of breeding zone, layout of coolant flow pipe, tritium recovery scheme, extraction process, the tritium retention of reactor components, unrecoverable tritium fraction in breeder, leakage to the inertial gas container, and the natural decay etc., we describe this new phenomenon and answer this problem by setting up and by solving a set of equations, which express a dynamic subsystem model of the tritium inventory evolution in a fusion experimental breeder （FEB）. It is found that the tritium burn-up depth is 317g and the tritium break-even time is approximately 240 full power days for FEB designed detail configuration and it is also found that after one-year operation, the tritium storage reaches 1.18kg that is more than the least required amount of tritium storage to start up three of FEB-like fusion reactors.     

基于区域特性量测的图像融合方法

在图像融合过程中，融合规则及融合算子的选择对于融合的质量至关重要，也是图像融合中至今尚未很好解决的难点问题。本文给出了一种新的融合规则——基于区域特性量测的融合规则，即在对某一分解层图像进行融合处理时，为了确定融合后的像素不仅要考虑参加融合图像中对应的各像素，而且要考虑参加融合像素的局部领域。     

彩色空间变换法在图像融合中的应用

本文讨论了ＲＧＢ空间与ＨＩＳ空间的特点及彩色空间变换的基本原理，并以卫星遥感获得的多光谱图像为例，成功的将彩色空间变换应用于空间信息与光谱信息的融合中，使融合后的图像同时具有较为丰富的空间信息和光谱信息，并对ＨＩＳ空间中Ｈ，Ｓ分量的灵活应用作了进一步的研究试验