超光谱成像光学设计

针对超光谱成像涉及光学、光谱学、机械、微电子、计算机等众多研究领域,成像光谱仪需要小型化设计的要求,设计一个超光谱复消色差的成像系统。从像差理论出发,依据典型的光学玻璃在400 nm~1 000 nm波段的色散特性,导出了消二级光谱的理论公式。针对系统指标全视场7.63,F/#为5,焦距为60 mm,利用ZEMAX软件,对其二级光谱进行了校正设计。结果表明,在可见光和近红外波段,成像系统在60 lp/mm处的MTF均大于0.5,其他像差也达到了要求。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

基于高光谱成像提取苹果糖度与硬度最佳波长

利用高光谱成像技术提取可同时检测苹果糖度与硬度的最佳波长。首先双面采集苹果的高光谱图像,获取亮度相近感兴趣区域(ROIs)的反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方法平滑波形,测试ROIs的糖度与硬度;之后采用连续投影算法(SPA)提取两项指标的特征波长,根据特征波长的分布提出二次连续投影算法,结合波形集特征与两次投影结果确定不同取样面的最佳波长;最后采用遗传算法开发神经网络(GA-BP)建立预测模型,双面取样波长(543 nm和674 nm)效果最优,糖度相关系数(R)为0.847 6,均方误差(MSE)为3.32;硬度R为0.793 8,MSE为9.6。结果表明,相同波长信息可以检测苹果糖度与硬度。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

基于高光谱的颜色辨别方法研究

在颜色测量领域区分相似颜色的样品是非常困难的。测量颜色的准确性和高效性对于工业上的应用非常重要。提出了一种基于超光谱成像技术的色彩测量的方法,并设计制成原理样机系统。该系统能够快速准确的测量彩色样品的光谱,并在分析后可得丰富的颜色数据与颜色坐标。该方法克服了传统测色方法“测谱不成像,成像不测谱”的局限性。为了评估系统的性能,进行分析和实验：比较细分的每个波段的信噪比,并使用光谱匹配技术来比较彩色照相机和所设计的系统在颜色测量方面的优缺点。结果表明,本系统提供了一种更精确的颜色测量方法,可以有效地测试产品颜色的质量。     

超光谱侦察传感器的光电设计与实验分析

超光谱光电侦察是光学探测经历了单波长、多波段之后发展起来的一个新的阶段,是基于方位和光谱三维信息的新型光电探测技术。在分析景物的光谱-空间特征的基础上,设计了UV/VIS/NIR宽波段范围的超光谱侦察传感器,并进行了成像探测实验,获得了典型场景和目标的光谱序列图像。对其进行了分析,验证了一种自动目标探测/识别的新方法。     

一种高光谱图像波段选择的快速混合搜索算法

由于高光谱图像的高数据维和大数据量,现有的波段选择方法大多不能同时具有良好的效果和较短的计算时间。提出了一种用于高光谱图像波段选择的新方法——快速混合搜索算法。该算法将全局搜索和局部寻优有机的结合起来,能够在较短的时间内获得最佳的波段组合,用于高光谱图像的目标分类识别。快速混合搜索算法克服了传统搜索方法在高光谱图像波段选择中的缺陷,能够在提高所选波段性能的同时节省大量的运算时间。分别利用200波段和126波段的AVIRIS对其数据进行了仿真实验。实验结果表明,快速混合搜索算法在所选波段性能和计算耗时方面都获得了令人满意的效果。     

A Hyperspectral Image Classification Approach Based on Feature Fusion and Multi-Layered Gradient Boosting Decision Trees

At present, many Deep Neural Network (DNN) methods have been widely used for hyperspectral image classification. Promising classification results have been obtained by utilizing such models. However, due to the complexity and depth of the model, increasing the number of model parameters may lead to an overfitting of the model, especially when training data are insufficient. As the performance of the model mainly depends on sufficient data and a large network with reasonably optimized hyperparameters, using DNNs for classification requires better hardware conditions and sufficient training time. This paper proposes a feature fusion and multi-layered gradient boosting decision tree model (FF-DT) for hyperspectral image classification. First, we fuse extended morphology profiles (EMPs), linear multi-scale spatial characteristics, and nonlinear multi-scale spatial characteristics as final features to extract both special and spectral features. Furthermore, a multi-layered gradient boosting decision tree model is constructed for classification. We conduct experiments based on three datasets, which in this paper are referred to as the Pavia University, Indiana Pines, and Salinas datasets. It is shown that the proposed FF-DT achieves better performance in classification accuracy, training conditions, and time consumption than other current classical hyperspectral image classification methods.     

大孔径空间外差干涉光谱成像技术多谱段成像仿真

在大孔径空间外差干涉光谱成像技术（LASHIS）的基础上提出了一种多谱段成像方案.其采用LASHIS的外差探测原理,一方面,可通过较少的采样点数实现很高的光谱分辨率,保留了LASHIS的高光谱分辨率、高稳定性和高探测灵敏度的特点;另一方面,利用光栅的多级衍射性质,实现同一系统的多谱段同时探测,拓宽了光谱探测范围.首先,阐述了LASHIS多谱段成像方案的基本原理;然后,分析了多谱段探测与谱段解混方式;最后,对该方案进行了计算机仿真模拟,通过ZEMAX光线追迹的干涉图结果与理论计算结果相符合,验证了方案的正确性.基于LASHIS的多谱段成像方案所具有的高光谱分辨率、高探测灵敏度以及可实现同一系统的多谱段同时探测特点,尤其适合温室气体等高稳定性、高探测灵敏度的多谱段高光谱探测应用.     

基于高光谱成像的光敏印油种类区分实验

印油种类区分是法庭科学文件检验领域的重要一环,为研究无损高效区分光敏印油种类的方法。以33种不同品牌光敏印油的原始光谱数据当作对照组,对原始数据进行t-SNE降维和UMAP降维后,选择XGBoost、SVM和MLP三种分类算法,以1比4的比例确定测试集和训练集,对原始数据和降维后的数据进行分类,同时使用网格搜索和五倍交叉验证来优化模型的性能和泛化能力。结果表明,上述三种分类算法对降维后光谱数据区分的平均准确率高于对原始光谱数据区分的平均准确率,且UMAP-MLP分类模型的区分准确率最高,可达到98%。提出的分类模型可用于光敏印油种类的快速区分。