1 中国农业大学烟台研究院, 山东 烟台 264670
2 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
基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。 鉴于特征提取及非线性表达能力方面的优势, 深度学习模型具有较强的泛化能力。 提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型, 探索模型结构和参数对模型性能的影响。 根据以往研究成果和相关性分析, 获得180个与氮含量强相关的波长, 将其作为Encoder-CNN模型输入, 而将土壤氮含量作为模型输出。 Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维, 然后输入到卷积神经网络进行土壤氮含量预测。 设计2种网络结构, 每种网络结构包含2种不同参数设置, 共4个模型, 用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。 利用公开数据集LUCAS对模型进行训练。 按3σ原则对公开数据集LUCAS进行异常值检测与处理, 获得20 791个数据, 其中18 711个样本作为训练集, 2 080个样本作为测试集, 对Encoder-CNN模型进行训练。 结果表明: 对于自动编码器, 在相同隐含层数下, 最后的隐含层神经元个数为30时, 复现效果最优。 增加隐含层数, 会提升复现效果。 增加卷积核数量, 特别是尺寸为1×1卷积核, 能够提高模型的预测性能与可靠性。 增加池化层的网络结构, 模型预测精度提升至0.90以上。 增加全连接层神经元数量也会提升模型性能。 利用自采集的黑龙江黑土实时光谱数据集进行模型迁移, 观察模型泛化能力。 当模型迭代100次后, 在黑龙江数据集上的预测精度即可达到0.90以上; 当迭代次数为900时, 模型在训练集和测试集上的预测精度可以达到0.98。 结果表明, 所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。
土壤 氮含量 光谱预测 卷积神经网络 自动编码器 Soil Nitrogen content Spectral prediction Convolutional neural network Auto-encoder 光谱学与光谱分析
2022, 42(5): 1372
1 曲阜师范大学工学院, 山东 日照 276826
2 深圳职业技术学院传播工程学院, 广东 深圳 518000
实现半色调印刷品原稿的光谱复制技术其前提要确定原稿所用油墨数目及油墨成份, 但目前应用于印刷品原稿原色油墨光谱预测的算法还有待研究, 且已有的基色色料光谱预测方法存在诸多弊端。 针对这一问题在非负矩阵分解算法基础上结合印刷品原稿光学特性, 创新的提出了一种基于约束条件非负矩阵分解的油墨光谱预测算法ISPNMF, 和对黑色油墨光谱预测结果优化的算法。 ISPNMF算法克服了基本非负矩阵分解有多重最优解和局部极小值的缺陷, 实现了预测算法唯一的全局最优解。 黑色油墨预测光谱优化的算法克服了彩色油墨对光线混合吸收给黑色油墨预测带来的干扰, 能优化得到逼近于实际黑色油墨光谱的预测值。 使用Konica Minolta C1085和HP indigo5600两台四色数码印刷机及其自身配备的墨粉和墨膏来摸拟不同品牌的油墨, 在230 g白卡纸上打印 IT8.7/3色标, 并使用X-rite i1 Pro2获取两样张的光谱反射率作为实验数据样本, 来探究并验证算法的准确性和实用性。 实验结果表明, 在印刷品原稿线性经验空间中能准确预测原稿所用原色油墨数目和油墨光谱, 且彩色油墨预测光谱与实际使用的油墨光谱相比其拟合度均高达99.9%, 光谱角距离均小于0.045, 黑色油墨的预测光谱经优化后与实际油墨光谱拟合度也高达99.9%。 这说明该算法不仅能实现对印刷品原稿原色油墨的准确预测, 而且可以精确匹配实际使用的原色油墨, 对实现印刷品原稿的光谱复制技术有重要意义。
印刷品原稿 原色油墨光谱预测 非负矩阵分解 主成分分析 光谱颜色复制 Prints manuscript Primary ink spectral prediction Non-negative matrix factorization Principal component analysis Spectral color 光谱学与光谱分析
2018, 38(12): 3864
1 深圳职业技术学院传播工程学院， 广东 深圳 518000
2 曲阜师范大学工学院， 山东 日照 276826
在半色调印刷品原色油墨光谱预测技术中， 在原光谱反射率空间进行主成分分析得到的代表性基向量数目会大于实际所使用的原色油墨数目， 即光谱反射率空间并不适用光谱预测， 且主成分分析得到的基向量会出现负值， 没有物理意义。 针对上述问题， 建立了一个减色线性经验空间模型及其空间转换模型， 并探究了影响经验空间线性程度n值的因素， 通过实验及优化算法创新性找到确定最佳n值的方法， 并在该减色线性经验空间进行半色调原稿原色油墨的预测实验。 实验结果表明， 在不同n值下， 选取原始光谱反射率Rm和重构光谱反射率Rrecon的f范数平方值的最小值对应的n值做为建立线性经验空间确定最佳n值的方法是有效的； 为了将纸张和油墨类型对空间转换因数n的影响程度减到最小， 最终确定n值为3.5； 在减色线性经验空间进行印刷品原色油墨数目预测， 得到的代表性基向量数目恰好等于实际印刷使用的原色油墨数目4， 进行原色油墨光谱预测， 预测的4色油墨除K色外， 其他CMY色与实际原色油墨光谱相比拟合度GFC均大于99.9%。 即所提出的优化n值的新方法建立的减色线性经验空间是一个可作为半色调印刷品原色油墨数目预测和光谱预测的有效线性空间。
光谱颜色复制 减色线性经验空间模型 空间转换模型 原色油墨数目预测 光谱预测 Spectral color reproduction The subtractive linear experience space model Space conversion model Primary ink number prediction Spectral prediction 光谱学与光谱分析
2018, 38(8): 2542
1 大连工业大学信息科学与工程学院, 辽宁 大连 116000
2 浙江大学国家现代光学仪器研究中心, 浙江 杭州 310007
3 北京理工大学颜色科学与工程国家专业实验室, 北京 100081
4 北京印刷学院印刷与包装工程学院, 北京 102600
随着光谱技术的发展, 打印系统的光谱特征化模型成为研究热点。 基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据, 可以有效的减少同色异谱现象的发生, 为实现高保真印刷提供条件。 主要基于Yule-Nielsen修正的Neugebauer光谱模型, 开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。 首先通过对颜色测量仪器及测量条件、 喷墨打印机打印系统进行稳定性及精确度验证, 为后续样本设计和测量提供可行性依据。 然后, 建立该研究设备适用的正向YNSN模型。 依据CIELAB颜色空间中明度值L*均匀分布的原则, 设计并输出了1 331个测试样本, 抽取部分样本做训练样本, 对所建立的光谱的特征化正向模型进行验证。 结果表明, 基于光谱的特征化模型预测精度较高, 具有明显的优势。 经验证, 通过引入Yule-Nielsen修正参数n值, 可进一步改善光谱预测精度。
光谱特征化 光谱预测 喷墨打印系统 颜色复现 YNSN模型 Spectral characterization Spectral Prediction Inkjet printing system Color reproduction YNSN model 光谱学与光谱分析
2018, 38(4): 1213
1 深圳职业技术学院传播工程学院, 广东 深圳 518055
2 西南财经大学经济信息工程学院, 四川 成都 610075
针对光谱反射率空间并不是一个有效的基色色料线性混合空间的缺点，提出了建立基色色料线性混合空间的三项原则。根据不同原稿色料光学特性的不同，将原稿分为透明色料连续调原稿、不透明色料连续调原稿、半色调原稿(半透明色料)，并针对这三类原稿分别构建能真实反应原稿色料真实物理维度的光谱线性空间，以不透明色料原稿为例进行实验验证。实验结果表明，根据原稿色料光学特性建立的色料线性混合空间是一个有效的线性混合空间，在其上的光谱预测能真实反映原稿基色色料的数量和近似得到基色色料的光谱形状。
色彩 光谱色彩学 光谱颜色复制 线性混合空间 基色色料 光谱预测
1 中国科学院长春光学精密机械与物理研究所, 吉林 长春130033
2 中国科学院研究生院, 北京100049
3 空军航空大学, 吉林 长春130000
4 吉林大学电子科学与工程学院, 吉林 长春130000
超光谱图像因其纹理丰富复杂、 波段多、 光谱分辨率高等特点, 在**、 海洋、 农业等多方面都应用广泛, 但也因其数据量大在数据传输时受到很多限制, 研究一种高效超光谱图像压缩方法有着重要的意义。 目前光谱图像的压缩方法主要分为基于变换、 基于预测和基于矢量量化三大方面, 其中基于预测的方法具有易于实现、 压缩比高等优势应用广泛。 文章首先对超光谱图像特性进行了详细分析, 对谱间预测算法进行了改进, 并结合超光谱图像谱间相关性高、 各谱谱间相关性不完全相同的特点, 提出自适应划分子空间多种谱间预测方法相结合的新方法, 通过实验证明了该方法的有效性。
超光谱 图像压缩 谱间预测 误差补偿 子空间划分 Hyperspectral image Compression Multi-inter-spectral prediction Error compensation Subspace partition 光谱学与光谱分析
2011, 31(8): 2287
1 中国科学院遥感应用研究所 遥感科学国家重点实验室,北京 100101
2 青岛市环境监测中心站,山东 青岛 266003
传统的土壤分析是昂贵的、费时的并且可能带来环境污染问题。应用近红外光谱分析技术测定土壤参数具有快速、花费少和非破坏性的特点。利用GPS野外定位,在江西省的红壤站、鄱阳湖站和千烟州站周边共取得41个耕层(0-20cm)土壤样品。通过对土壤样品高光谱反射率的室内分析测定,研究了土壤在紫外/可见光/近红外波段光谱的反射特性。研究的目的是应用波谱反射建立一个新的研究方法来估算土壤属性含量值。随后应用多元线性逐步回归方法对反射光谱数据进行分析,“B22+H13”光谱数据作为自变量,土壤属性含量作为因变量,建立了土壤属性含量的高光谱预测模型,并对模型的稳定性和预测能力进行了检验。结果是土壤的pH、有机碳、全氮、全磷、阳离子代换量和碱解氮的相关系数都达到了0.80,而TK、速效磷、速效钾的相关系数在0.68左右。结果表明, 应用此方法估算一些土壤属性含量是可行的。
土壤属性 反射光谱 特征波段 光谱预测模型 Soil attributes Reflectance spectra Special band Spectral prediction model
