当今全球范围内有机食品行业发展迅速, 体现出消费者对食品质量安全的重视。 相比于普通鸡蛋, 有机鸡蛋因严格的生产条件以及更高的营养价值生产成本更高、 售价更贵。 市面上所销售的有机鸡蛋虽取得了严格有机食品认证标识, 但依旧不能阻止不法份子将普通鸡蛋冒充有机鸡蛋销售, 从而谋取利润。 这一行为不仅会损害有机鸡蛋生产商的利益, 也降低了人们对有机食品的信任度, 为此需要一种有效的对有机鸡蛋和普通鸡蛋无损鉴别方法。 使用高光谱技术透射成像的方式, 可以获取物质内部的信息, 以有机鸡蛋和普通鸡蛋为试验对象, 采集鸡蛋样本364~1 025 nm波长范围的高光谱图像数据, 从采集到的数据中提取出鸡蛋蛋清和蛋黄感兴趣区域(ROI)的平均透射光谱数据。 根据透射光谱曲线图筛选出有机鸡蛋与普通鸡蛋光谱响应差异明显的波段区间, 分别通过偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)建立鸡蛋类别的鉴别模型, 结果表明模型分别根据蛋黄区域与蛋清区域数据进行建模的鉴别准确率相近, 进一步对蛋黄区域数据进行分析。 由于高光谱数据量大且存在大量冗余信息, 给数据采集、 存储、 传输和建模处理都带来不便, 因此分别通过连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对蛋黄ROI数据进行降维处理, 剔除了大量冗余信息后再建模。 最终, 使用对蛋黄ROI区域运用SPA降维后得到的23个特征波长建立的SPA-SVM鉴别模型在测试集的准确率最高达到94.2%。 结果表明, 通过高光谱技术对有机鸡蛋和普通鸡蛋进行无损鉴别有一定效果。
鸡蛋 有机食品 高光谱技术 光谱降维 鉴别 Eggs Organic food Hyperspectral technology Spectral dimension reduction Identification 光谱学与光谱分析
2022, 42(4): 1222
1 武汉大学印刷与包装系颜色科学实验室, 湖北 武汉 430079
2 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
针对多光谱激光雷达系统在实景三维立体图像的真实颜色的再现问题,提出了一种基于稀疏信号表示的多光谱颜色数据降维方法,该方法利用字典学习和稀疏编码交替更新,以迭代的方式对光谱误差进行修正。实验结果表明,所提出的方法均方根误差的平均值较主成分分析法降低了35.29%,光谱拟合系数的平均值达到了99.8% 以上,色度精度也较主成分分析法平均提高了70.23%,在不同光源观测条件下仍能保持颜色的稳定性,其重构精度优于主成分分析法。该方法利用稀疏表示可以通过低维观测向量复原高维稀疏信号的特性,从数量相对较少的训练样本中对大量测试样本进行精确复原,提高了数据处理中的成本效率,对真实反映遥感多光谱影像的地物信息有较大的帮助。
光谱学 稀疏表示 字典学习 光谱反射率 光谱降维 激光与光电子学进展
2021, 58(22): 2230003
1 中国科学院西安光学精密机械研究所陕西省海洋光学重点实验室, 陕西 西安 710119
2 青岛海洋科学与技术试点国家实验室海洋观测与探测联合实验室, 山东 青岛 266235
3 国家海洋局北海海洋技术保障中心, 山东 青岛 266033
目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。
高光谱 光谱降维 纹理特征 植被指数 支持向量机 hyperspectral spectral dimension reduction texture feature vegetation index support vector machine 大气与环境光学学报
2020, 15(2): 117
为解决多光谱数据在降维压缩过程中的颜色精度保持问题, 提出一种基于人眼视觉感知特征的多光谱数据高保真降维压缩方法（VPCM）。 研究首先依据人眼视觉响应的非线性解析特征, 成功构建了同时综合人眼光谱特征与色度特征的变换函数, 并通过进一步构造的优化函数对其进行修正, 以针对不同的样本集找到最佳变换方向, 而后利用修正后的视觉特征变换函数对光谱样本集进行空间变换（Γ(S)=C）, 然后利用主成分分析方法对经视觉特征函数变换后样本集光谱数据进行降维压缩处理, 并通过逆变换重构出样本集光谱数据（Γ-1(C)=）, 进行降维评价。 实验选取四类具有典型代表性的数据集作为测试样本, 分别以D50/2°条件下的CIELab色差和75组典型照明光源（钨丝灯、 荧光灯和LED灯）下的平均同色异谱指数（MMI）作为色度主要评价指标, 同时对比了Lab-PQR和2-XYZ两种较为先进的光谱降维算法。 实验结果为VPCM方法的MMI值最小, 其次是LabPQR, 而2-XYZ的表现较差; VPCM方法在75组光源下对四组样本集的平均重构色差ΔEab也为最小, 且最大样本平均色差及方差均要小于其他两种方法; VPCM方法的重构光谱精度介于Lab-PQR和2-XYZ之间, Lab-PQR的重构光谱精度最高。 实验结果显示新方法色度压缩精度整体优于对比的两种方法, 在变换参考条件下具有良好的色差稳定性, 能够较好的应用于多光谱数据色度高保真压缩。
多光谱 视觉特征函数 光谱降维 主成分分析 色度精度 Multi-spectral Visual characteristic function Spectral dimension reduction Principle component analysis Chromatic accuracy
针对独立成分的排序问题，提出一种滑窗负熵统计的独立成分特征提取方法，并将优选成分应用于目标检测。采用小窗口在独立成分的二维空间范围滑动，采用非多项式负熵逼近统计评价每个窗口数据，将窗口统计值的最大值作为该成分的评价值，按照评价值大小排序；采用直方图零值分割方法，确定有效独立成分阈值，将独立成分进行二值化，实现特征提取后独立成分的目标检测。实验结果表明，基于滑窗负熵统计的独立成分特征提取方法，既能避免野值对评价优选结果的影响，又能优选出含有较小目标的独立成分，便于感兴趣目标的快速检测。
光谱学 特征提取 光谱降维 滑窗统计 独立成分分析 目标检测
1 深圳职业技术学院媒体与传播学院, 广东 深圳518055
2 西南财经大学经济信息工程学院, 成都 四川610075
针对传统光谱降维方法其降维重构后的光谱数据仅是对原始光谱的数学逼近, 会出现光谱误差较小但颜色色差较大的缺点, 创新性的提出三种将人眼视觉特性与光谱降维相结合的方法。 其中, VPCA法直接将光谱光视效率函数加权到原始光谱上再进行降维, LMSPCA方法用LMS视稚响应构建加权矩阵对原始光谱加权后再进行降维, 在LMSPCA法中加权矩阵的构建有两种方式, 其主要区别在于视稚响应偏差的求取方式不同。 方式一中, L, M, S视稚响应偏差是各对应波长上的偏差取绝对值, 而方式二中, 其偏差是各对应波长上的偏差平方。 LMSPCAs法在LMSPCA法基础上再采用PCA(主成分分析)方法对损失的光谱进行降维。 实验结果表明VPCA法降维效果较差, LMSPCA法的两种加权矩阵降维效果接近, 皆可显著提高降维模型的色度精度, 但会降低模型的光谱精度, LMSPCAs法由于针对LMSPCA法因光谱加权引起的光谱损失再进行光谱补偿, 其在光谱精度、 色度精度以及变光照条件下的色差稳定性这三个方面都能较好地表征原始高维光谱反射率, 满足光谱颜色复制的要求。
光谱降维 光谱颜色复制 人眼视觉特性 低维线性模型 Spectral dimension reduction Spectral color reproduction Human visual characteristics Low dimension linear model PCA Principal component analysis 光谱学与光谱分析
2015, 35(6): 1459
燕山大学河北省测试计量技术与仪器重点实验室, 河北 秦皇岛 066004
以汽油、煤油和柴油为研究对象，并将其作为整体研究，不考虑其中具体组分，利用荧光光谱分析技术，提出一种通过将光谱数据矩阵首尾相连，求取其包络线，利用其表观统计量（选用标准偏差、峰度系数和偏度系数）将三维光谱降为二维光谱的方法，该方法对于光谱有一定程度重叠但光谱形状相似性较低的体系有较好的适用性。结合聚类方法，对油种进行识别，识别率达98%，依据朗伯比尔定律，测定三种油类的荧光强度与浓度的拟合曲线，并对其进行定量分析，加标回收率可达95%以上。并与目前常用的平行因子法进行分辨效率的比较，在计算时间上提高了43%。
光谱学 光谱降维 表观统计量 包络线 聚类分析 中国激光
2014, 41(12): 1215002
1 深圳职业技术学院媒体与传播学院, 深圳 广东 518055
2 上海理工大学出版印刷与艺术设计学院, 上海 200093
针对传统光谱降维方法的缺点，提出一种基于矩阵理论的线性光谱降维方法。该方法在Cohen定义的矩阵R理论基础上提出修正矩阵，可将物体光谱反射率分解为基本光谱和同色异谱黑光谱，再分别对两者进行线性降维。基本光谱的三个基向量由颜色匹配函数与光源的乘积再进行正交化得到，其三个基向量的累积贡献率可达100%。同色异谱黑光谱的基向量由主成分分析推导，取前三个特征向量作为同色异谱黑光谱的基向量。实验结果表明，使用该方法构建的六维线性模型能在光谱和色度两个方面较好地表征原始高维光谱反射率，满足光谱颜色复制的要求。
光谱色彩学 光谱颜色复制 光谱降维 低维线性模型 同色异谱黑
