排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
2.
利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%|无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明,无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量,同时保证了分类准确度,为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法. 相似文献
3.
基于高光谱图像的玉米种子特征提取与识别 总被引:8,自引:2,他引:6
玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6~911.4nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法. 相似文献
4.
基于高光谱图像技术和SVDD的玉米种子识别 总被引:1,自引:0,他引:1
特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明:新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。 相似文献
5.
高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438~1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明:无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。 相似文献
6.
针对漫射模型在近光源区具有较大模型误差,导致光学特性参量反演准确度较低的问题,提出了一种利用矩变换,改变原始数据形态,提高反演准确度的方法.比较了不同阶次条件下的光学特性参量反演准确度和拟合残差的统计分布状况,分析了不同信噪比下重构系数的相对误差.对25组数据的研究结果表明:3阶矩变换可显著提高两个光学参量(μa、μ′s)的估计准确度.在无噪音条件下,吸收系数μa重构的平均相对误差为7.04%;有效散射系数μ′s重构的平均相对误差为5.55%,相比于自然对数变换,μa降低了8.57%;μ′s降低了32.73%.在信号噪音满足一定条件情况下(大于50dB),3阶矩变换仍然能获得较高的光学参量反演准确度.矩变换方法能有效地提高光学特性参量反演估计准确度. 相似文献
7.
提出一种基于迭代反演的输运平均自由程估计及光源-检测器最小距离确定方法.该方法利用迭代估计思想,自适应地改变光源-检测器最小距离,提高光学特性参量的反演准确度.对29组仿真数据的研究结果表明:迭代反演对输运平均自由程初始值不敏感,具有较高的鲁棒性,可在一定程度上提高吸收系数和有效散射系数的反演准确度.在无噪声的条件下,吸收系数反演的平均相对误差为7.17%,有效散射系数反演的平均相对误差为5.73%,与传统方法给定的光源-检测器最小距离下反演的最佳结果相比,分别降低了1.73%和1.14%.在加入信噪比为40~80dB噪声的情况下,该方法仍然能获得较高的光学特性参量反演准确度,吸收系数误差的变动范围为8.46%~10.05%;有效散射系数误差的变动范围为6.79%~8.76%. 相似文献
8.
9.
10.
拉曼光谱数据含有与被测物质组分相对应的指纹谱信息,是混合物组分识别的有效方法。传统的拉曼光谱法用于混合物组分检测时,存在光谱特征提取困难、搜索比对算法性能容易受数据库大小影响、识别精度难以保证等问题。针对此问题,本研究提出了一种基于稀疏非负最小二乘算法的混合物组分拉曼光谱识别方法。本方法将待识别的混合物光谱数据看作是各种纯净物光谱数据的线性表示;考虑到混合物组分数量相对于数据库中纯净物数量具有稀疏特性,利用稀疏最小二乘算法获得混合物光谱在纯净物光谱数据中的线性表示系数;并根据统计学中的2δ准则确定疑似组分;在此基础上,利用迭代最小二乘算法并结合T检验方法,实现混合物组分的最终识别。本研究基于自建的500种纯净物拉曼光谱数据库,对组分等体积比混合的19个混合物样本和不同体积比的81个样本进行了组分识别。结果表明,在等体积比情况下,本算法的查准率为90.24%,查全率为88.10%;对于不同体积比的混合物样本,整体查准率为93.22%,查全率为83.65%,表明此算法具有良好的稳定性和准确度。 相似文献