1 湖南农业大学食品科学技术学院, 湖南 长沙 410128
2 湖南师范大学医学院, 湖南 长沙 410013
菊花为菊科植物菊的头状花序, 滁菊、 贡菊、 杭菊和亳菊是常见的几类药用品种菊花。 不同品种菊花在外观上具有极大的相似性, 非专业人员仅凭肉眼难以对其进行准确鉴别分析。 常规仪器分析法检测成本较高, 分析时间较长, 且需要对样品进行破坏性处理, 影响了产品的二次销售。 近红外光谱技术作为近年来快速发展起来的一种绿色、 简单、 快速的新型检测技术, 在中药鉴别领域取得了很大的进展。 基于便携式近红外光谱仪结合化学计量学方法建立了一种菊花品种无损鉴别方法。 利用便携式近红外光谱仪采集了滁菊、 贡菊、 杭菊和亳菊完整以及粉末状两种物理形态样品的光谱, 采用单一以及组合光谱预处理方法消除光谱中存在的干扰, 结合不同模式识别方法(主成分分析法、 软独立模式分类法和Fisher线性判别分析法)分别构建了不同品种菊花的鉴别模型。 结果表明: 由于仪器的限制及样品物理性状的原因, 光谱中存在较为明显的背景、 基线漂移以及噪声的干扰, 完整样品由于物理性状的原因, 基线漂移干扰尤为严重; 采用主成分分析法结合光谱预处理方法无法实现不同品种菊花的准确鉴别, 完整样品最佳鉴别正确率仅为8.33%, 粉末样品最佳鉴别正确率为52.38%; 通过软独立模式分类法结合预处理方法可以得到较为准确的鉴别结果, 完整样品光谱数据经一阶导数+多元散射校正优化后鉴别正确率为95%, 粉末状样品数据采用原始数据的鉴别正确率为92.5%; Fisher线性判别分析方法结果最佳, 完整样品数据经连续小波变换优化后可以得到97.5%的鉴别正确率, 粉末状样品采用原始光谱便可得到100%鉴别正确率。 以上结果表明, 当采用合适的预处理和建模方法, 完整样品和粉末状样品鉴别结果较为一致, 基于便携式近红外光谱仪结合化学计量学可实现对不同品种菊花的准确无损鉴别分析, 为食药同源产品的无损鉴别分析提供了新途径。
便携式近红外光谱仪 菊花 无损鉴别 Fisher线性判别分析 Portable near infrared spectrometer Chrysanthemum Nondestructive identification Fisher linear discri-minant analysis 光谱学与光谱分析
2022, 42(4): 1129
浙江大学生物系统工程与食品科学学院，浙江 杭州 310058
为了建立多光谱参数用于草莓成熟度的自动识别, 采用高光谱图像技术, 通过提取草莓样本ROI的平均光谱, 计算已有的八个成熟度参数Ind1, Ind2, Ind3, IAD, I1, I2, I3, I4的参数值, 并结合Fisher线性判别法判断八个参数对于三种成熟度（成熟、 接近成熟、 未成熟）草莓样本的分类识别效果, 发现基于I4参数的线性判别分析模型的识别效果最佳, 建模集和预测集识别准确率分别为90%和91.67%； 基于草莓样本的光谱特征, 提取与草莓成熟度相关的三个波长535, 675和980 nm, 并基于这三个波长和已有的参数形式, 构建了四个用于草莓成熟度检测的新参数： i1, i2, i3, i4, 通过Fisher线性判别法判断四个参数的分类识别效果, 发现基于参数i1, i2和i4的线性判别分析模型的识别效果均比参数I4好, 建模集和预测集识别准确率为95.83%, 95.83%, 95.83%和95%, 95%, 96.67%。 结果表明新建立的多光谱参数i1, i2和i4可以用于草莓成熟度的自动分类识别, 为草莓成熟度的在线检测提供了理论依据。
草莓 成熟度识别 多光谱参数 高光谱成像 Fisher线性判别 Strawberry Identification of strawberry ripeness Multispectral index Hyperspectral image Fisher linear discriminant 光谱学与光谱分析
2016, 36(5): 1423
1 湖南农业大学/南方粮油作物协同创新中心, 湖南 长沙 410128
2 湖南农业大学理学院, 湖南 长沙 410128
3 湖南科技大学管理学院, 湖南 湘潭 411201
4 湖南农业大学农学院, 湖南 长沙 410128
作物信息科学的重要内容是如何利用作物的信息对其进行无损营养诊断, 光谱分析是一种有效可行的途径。 对于油菜而言, 冠层光谱的特征是描述其营养状况的重要指标。 但由于原始光谱总是受到一些如环境、 气候等外在因素的影响, 其巨大的波动导致难以直接用于油菜生物量的诊断。 然而, 光谱的多重分形特征将保持相对稳定。 为研究油菜冠层光谱与叶绿素含量的关系, 基于多重分形理论, 提出了基于油菜冠层光谱特征的叶绿素定量预测模型和定性识别模型。 以24个移栽种植小区和24个直播种植小区的高油酸油菜苗期样本为试验对象。 首先, 利用流行的多重分形去趋势波动分析提取了6个不同波段范围内光谱的广义Hurst指数和质量指数及其他相关的特征参数, 发现它们都呈现典型的多重分形特性。 但两种不同种植方式下的光谱特征也存在差异。 接着, 通过多重分形特征参数与SPAD值的相关分析发现不同波段的光谱所含的有效信息不同。 以多重分形特征参数建立单变量油菜叶片SPAD值预测模型, 移栽方式、 直播方式及混合样本的预测模型相对均方根误差均小于5%。 最后, 以多重分形特征组合建立识别模型, 以Fisher线性判别法识别移栽和直播两种种植方式的最大约登指数为0.902 5, 对应最敏感波段为350~1 350 nm。 这项有意义的工作为预测油菜叶绿素提供了理论基础和实践方法, 也为寻找敏感波段进行识别诊断提供了有效的途径。
高油酸油菜 光谱 多重分形去趋势波动分析 SPAD值 Fisher线性判别法 High oleic acid rapeseed Spectrum Multifractal detrended fluctuation analysis SPAD values Fisher’s linear discriminant 光谱学与光谱分析
2016, 36(11): 3657
1 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京 100094
2 中国矿业大学(北京)地测学院, 北京 100083
3 北京农业信息技术研究中心, 北京 100097
小麦白粉病和条锈病是小麦常发病害中为害较重的两种病害, 在我国小麦产区均有发生, 但它们由不同病原引起, 需要采取不同的防治措施。 因此, 快速、 准确的获取小麦病害类型信息对于病害的防治具有重要的指导意义。 遥感数据具有快速、 准确的获取空间上连续信息的特点, 提出一种基于实测冠层高光谱数据信息的小麦病害定量识别方法。 通过对标准化光谱进行连续小波变换, 分析350～1 300 nm范围内各波段及其连续小波特征与小麦白粉病和条锈病之间的相关性, 以及在不同病害间的差异性, 筛选出对不同病害敏感的光谱波段(SBs)和小波特征(WFs), 然后采用Fisher判别分析法分别基于SBs, WFs以及结合SBs和WFs建立小麦白粉病、 条锈病及正常小麦识别模型, 分别采用未参与建模的55个地面调查数据和留一法进行验证。 结果显示: (1)基于WFs模型的总体识别精度(分别为92.7%和90.4%)明显高于基于SBs模型的总体识别精度(分别为65.5%和61.5%); (2)SBs和WFs结合模型的总体识别精度(分别为94.6%和91.1%)略高于基于WFs模型的总体识别精度, 在Fisher80-55模型中白粉病和正常样本的生产者精度提高了10%以上。 (3)条锈病样本能在基于WFs和SBs & WFs的模型中准确判别出来, 用户精度和生产者精度均达到100%。 结果表明采用作物光谱信息能够准确的识别健康作物和不同类型的作物病害, 为采用遥感影像进行大范围作物病害识别提供了理论基础, 对于指导作物病害防治具有实际应用价值。
白粉病 条锈病 光谱波段 小波特征 Fisher线性判别分析 Powdery mildew Stripe rust Spectral Bands Wavelet Features Fisher linear discrimination analysis 光谱学与光谱分析
2016, 36(6): 1854
1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2 Department of Agricultural and Biological Engineering, University of Florida, Gainesville, Florida, USA
黄龙病作为柑橘类水果最具毁灭性的疾病之一, 目前尚无有效的治愈手段, 因此疾病预防成为已知的唯一有效方法。 基于四种柑橘叶片(健康叶片、 黄龙病叶片、 铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。 在两类判别分析的特征值提取方法中, 判别值(discriminability)运算的引入, 为特征值提取提供了一个可靠依据, 判别值越大表明光谱差异性越大。 以被选特征值建立的Fisher线性判别分析模型, 黄龙病与健康、 铁缺乏、 氮缺乏叶片的分类判别预测准确率分别都超过了90%, 分类效果符合预期。 最后, 又讨论了分类树(classificationTree)在多类判别中的应用。 通过对柑橘叶片原始反射谱, 一阶导数谱及被选特征值分别建立分类模型, 四种柑橘叶片平均预测准确度都超过88%, 尤其是基于特征值的分类结果更是超过94%, 验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。 结合传统分类方法(k-NN, Bayesian)的结果分析, 特征值作为输入变量的分类结果明显要优于原始光谱, 证实了特征值选取的正确性, 并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。
黄龙病 判别值 Fisher线性判别 分类树 近红外光谱 Citrus greening Discriminability Fisher linear discriminant analysis Classification tree Vis-NIR spectroscopy 光谱学与光谱分析
2014, 34(10): 2713
西北农林科技大学食品科学与工程学院, 陕西 杨凌712100
为探索近红外光谱技术在生鲜牛奶掺假检测中的应用, 寻找一种快速的检测方法, 以分别掺有植物奶油、 植物蛋白、 淀粉的牛奶为材料,利用傅里叶变换近红外光谱仪对样品进行扫描并得到光谱数据, 应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。 分析结果表明, 利用Fisher判别分析建立的掺假牛奶判别模型的正确判别率达到97.78％, 对未知样进行检验, 正确判别率达到94.44%; 利用偏最小二乘法建立的各掺假物质掺入量的定量检测模型, 各掺假牛奶的校正集决定系数(R2)均在99.0%以上,各掺假牛奶的验证集决定系数均在98.5%以上, 模型的预测效果良好。 上述2种方法说明了近红外光谱技术可以实现对掺有植物性填充物牛奶的快速定性、 定量鉴别。
近红外光谱 牛奶 植物性填充物 掺假奶 Fisher线性判别 偏最小二乘法 Near infrared spectroscopy Raw milk Botanical filling material Adulterated milk Fisher line discriminant analysis Partial least square 光谱学与光谱分析
2010, 30(5): 1238
上海理工大学 光电信息与计算机工程学院，上海 200093
本文提出了一种提取人脸图像的局部Gabor 相位特征，结合Fisher 线性判别式，通过特征融合进行人脸识别的方法。该方法首先利用Gabor 滤波良好的空间位置与方向选择特性，采用四个频率六个方向的Gabor 滤波器对图像进行滤波，然后根据Daugman 方法采用局部XOR 算子提取滤波图像的局部Gabor 相位特征，组成特征图像，最后通过Fisher 判别式对每个频率和方向下的特征图像进行降维，融合降维后的特征，采用最近邻分类器进行识别。该方法通过在两个数据库中的实验，证明了较主成分分析法，Fisher 线性判别式方法以及Gabor 幅值特征融合识别方法更好的识别性能。
Gabor 小波分解 局部异或算子 特征融合 fisher 线性判别式 人脸识别 Gabor wavelet decomposition local XOR operator characteristic fusion fisher linear discriminant face recognition
根据NMI特征和Jan Flusser提出的仿射不变矩各自的特点和适用条件,提出了一种组合不变矩。利用组合不变矩提取图像的不变特征向量,并结合Fisher线性判别准则,实现了对空中目标的Fisher线性判别器(FLDA)的分类识别。同时,考虑到识别的快速性方面,对FLDA进行了改进,提出了主分量分析(PCA)与FLDA相结合的识别算法。仿真实验结果表明,该方法具有较高的识别精度和速度。
图像识别 目标识别 仿射不变矩 组合不变矩 Fisher线性判别器 主分量分析 image recognition target recognition affine invariant moment combined invariant moment Fisher linear discriminant analysis principal component analysis
上海交通大学,图像处理与模式识别研究所,上海,200030
分析了传统的基于整体特征的人脸识别方法(如PCA和FLD等)的原理及其局限性,提出将增强型Fisher判别(EFM)应用于人脸识别中.基于EFM的人脸识别的实验取得了良好的实验结果,与PCA和FLD等方法相比优势明显,并适合于大型人脸数据库的识别任务.
人脸识别 主元分析 Fisher线性判别 增强型Fisher模型 Face recognition Principle component analysis Fisher linear discrimination Enhanced Fisher model
