针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。

We propose a novel retinal layer segmentation method to accurately segment 10 retinal layers in optical coherence tomography (OCT) images with intraretinal fluid. The method used a fan filter to enhance the linear information pertaining to retinal boundaries in an OCT image by reducing the effect of vessel shadows and fluid regions. A random forest classifier was employed to predict the location of the boundaries. Two novel methods of boundary redirection (SR) and similarity correction (SC) were combined to carry out boundary tracking and thereby accurately locate retinal layer boundaries. Experiments were performed on healthy controls and subjects with diabetic macular edema (DME). The proposed method required an average of 415 s for healthy controls and of 482 s for subjects with DME and achieved high accuracy for both groups of subjects. The proposed method requires a shorter running time than previous methods and also provides high accuracy. Thus, the proposed method may be a better choice for small training datasets.

Mg元素能使铝合金获得更好的力学性能并在合金表面形成抗腐蚀的尖晶石膜，使合金具备较好的抗腐蚀性能，因此，探索能快速准确定量分析铝合金中Mg元素含量的方法具有重要意义。首先，基于激光诱导击穿光谱（LIBS）技术对17个铝合金样品中的Mg元素进行检测分析。然后，用Nd∶YAG激光器作为光源，分别建立了偏最小二乘（PLS）和随机森林（RF）模型，并对模型的预测性能进行了分析。实验结果表明，针对相同的测试集，PLS模型的相关系数（Rp2）为0.6809，均方根误差（RMSE）为1.2042；RF模型的Rp2为0.8571，RMSE为1.0918。为了提高RF模型的预测性能，根据变量重要性对输入波长进行筛选。选取变量重要性大于0.11的波长点时，基于变量重要性的RF模型Rp2为0.9461，RMSE为0.9534，相比RF模型的预测结果，Rp2提升了10.38%，RMSE降低了12.68%，且建模时间减少了91.67%。

石斛是一种常用的中药材, 经常使用新鲜的或干燥的茎条入药, 有益胃生津、 滋阴清热的效果。 近年来, 药理学研究探索出石斛具有抗白内障、 抗氧化、 抗肿瘤、 提高免疫力的作用, 其在许多病例中疗效显著, 引起了国内外学者的关注, 然而不同时间采集的石斛中氨基酸、 微量元素等含量各不同, 其对应药用价值, 价格也不同, 因此石斛价格等级分辨的研究具有重要意义。 为快速鉴别不同价格、 不同药效的石斛, 研究了随机森林分类模型结合激光诱导击穿光谱技术(LIBS)对石斛价格等级进行分析建模。 选取5个等级的石斛样品进行建模, 为了对样品进行精确稳定分析, 所有石斛样品均通过粉碎压片减小实验误差。 采用1 064 nm波长的Nd∶YAG脉冲激光器作为激发光源, 设置激光脉冲能量50 mJ, 探测延时1 μs, 采集五个等级石斛样本的光谱数据, 每个等级的样本采集40组光谱, 共200组数据, 并采用归一化处理, 使所有的光谱数据转换到-1～1之间。 采用归一化处理后的光谱数据进行主成分分析, 通过主成分分析获得前7个主成分的得分矩阵, 其累计解释95.24%的光谱信息。 将选取的7个主成分作为输入, 建立波段为220~880 nm的随机森林鉴别模型。 并将石斛样本编号打乱, 任意选取50%的光谱数据作为训练集, 剩下50%的光谱数据作为测试集, 默认决策树个数ntree为500, 分裂属性集中属性个数mtry为5, 建立模型对不同等级的石斛进行分类。 等级一、 二、 三、 四、 五的识别率分别为95.45%, 100%, 78.26%, 94.12%和85%, 平均识别率为90.57%。 为提高识别率, 研究了不同的ntree和mtry对分类模型的影响, 利用袋外数据误差率估计对随机森林的两个参数进行了优化。 选择ntree为300, mtry为1, 等级一、 二、 三、 四、 五的识别率分别为100%, 100%, 92.31%, 100%和90%, 平均识别率为96.46%, 识别率提高了5.89%。 综上所述, 采用LIBS技术结合优化后的随机森林模型鉴别石斛等级具有一定的可行性, 为未来快速鉴定不同价格的石斛等级分类提供了可行性的判别系统。

叶绿素是植被光合作用的重要色素, 传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。 通过构建高精度SPAD光谱估算模型, 可以实现对水稻叶片叶绿素含量的实时无损监测。 以黑龙江省不同施氮水平下水稻为研究对象, 采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。 光谱探测范围350~2 500 nm。 利用自带光源型手持叶片光谱探测器直接测定叶片光谱, 光源为内置卤素灯。 采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。 叶片水分是植物光合作用的基本原料, 也间接影响着叶绿素含量。 叶片含水量降低则会影响植物正常的光合作用, 导致其叶绿素含量随之降低。 因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。 随机森林模型是一个基于多个分类树的算法。 算法在采样的过程中包括两个完全随机的过程, 一是有放回抽样, 可能会得到重复的样本, 二是选取自变量是随机的。 因此本文对叶片光谱反射率进行去包络线(CR)处理, 综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数, 综合分析光谱指标与SPAD相关关系, 采用随机森林算法构建不同输入量的SPAD高光谱估算模型。 结果表明: (1)水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围(600～690 nm)、红边范围(720~760 nm)、水分吸收波段范围(1 400~1 490和1 900~1 980 nm)均为0.75以上; (2)在光谱参数与SPAD 的相关分析中, NDVI, DP2与水稻叶片SPAD值相关性最好, 相关系数为0.811和0.808; (3)以结合水分光谱信息后的CR(V1, V2, V3, V4)为自变量所建立的随机森林模型精度最高, R2为0.715, RMSE为2.646, 可作为水稻叶片叶绿素预测模型。 研究结果揭示了不同品种水稻的光谱响应机制, 提供了水稻叶片SPAD值高精度反演的技术方法, 为监测与调控东北地区水稻正常生育进程提供技术支持。

从土壤速效钾光谱中挖掘关键特征较为困难, 导致高光谱反演模型预测精度较低。 针对此问题, 提出了一种混合式随机森林特征选择算法。 首先采用封装式特征选择方法进行特征预选, 快速去除冗余并保留相关特征, 然后再利用改进的随机森林特征选择算法对预处理后的特征进行精选, 通过增大关键特征与冗余特征的区分度以及采用迭代特征选择的方式, 使精选后的特征具有更好的鲁棒性与区分性, 较好的解决了土壤速效钾高光谱反演模型精度较低的问题。 为了验证所提出算法的有效性, 选取了青岛市大沽河流域具有代表性的124个土壤样品为实验对象, 利用提出的算法从2 051个原始波段选出含有13个敏感波段的最优光谱子集建立土壤速效钾反演模型, 并与现有特征选择算法所建模型进行对比分析。 结果表明: 该算法构建的回归模型具有较低的预测均方根误差RMSEP(9.661 5), 较高的相关系数ｒ(0.936 9)和预测分析相对误差RPD(2.14)。 混合式随机森林特征选择算法以较少的特征波长数实现了较好的预测效果, 可为土壤养分实时光谱传感器的设计提供一定的理论依据。

机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。

提出了一种基于随机森林预测模型的太赫兹时域光谱的木材鉴别方法。对4种木材(2种红木、2种非红木)在0.2～1.2 THz频率范围的吸收光谱的差异进行分析；对得到的光谱吸光度数据进行主成分分析的数据降维处理,并提取方差贡献率最高的五种主成分(总贡献率高达99.65%)；将其代入随机森林预测模型预测鉴别红木的真伪，得出相应训练集和测试集的识别率。实验结果表明，与传统的支持向量机预测模型和单一决策树模型比较，使用时域光谱技术结合随机森林预测模型能够得到更高的识别率,识别率可达91.25%，能够准确对红木和非红木进行检测。