上海出版印刷高等专科学校印刷包装工程系, 上海 200093
光谱反射率维度高, 与光照和观察条件无关, 能够真实、 客观地描述物体的颜色信息, 由物体本身特性决定, 因此被称为物体的“指纹”。 但是, 光谱反射率数据量超过传统三色系统十倍以上, 这些巨大的光谱数据在存储、 数据处理及传递等方面造成巨大的负担, 花费太多的计算时间。 如果高维光谱可以通过数学变换方法映射到低维空间, 并确保低维空间能够更好地表示原始光谱所覆盖的信息, 可以有效地压缩多光谱数据, 提高基于光谱的颜色复制的处理效率。 针对主成分分析法平等地对待可见光范围的所有波长, 重建光谱仅仅是对原始光谱的数学逼近, 由于波长对颜色的重要性不同, 经常会导致光谱重建误差较小而色度误差较大的问题, 提出了一种基于光谱色差权重函数的多光谱降维算法。 使用主成分分析法将孟塞尔颜色系统Munsell维度降低到1维, 再恢复重建到31维, Munsell的原始光谱和重建光谱的平均光谱色差作为权重函数。 以NCS为训练样本, 分别以NCS、 Munsell和3张多光谱图像为测试样本, 分析和比较本文推荐的权重主成分分析法与主成分分析法以及另外4种权重主成分的性能。 以D65/2°和A/2°照明观察条件下的CIELAB色差和均方根误差(RMSE)分别评价测试样本的原始光谱和重建光谱之间的色度重建精度和光谱重建精度。 实验统计结果表明: 相对于主成分分析法, 无论测试样本是多光谱数据还是多光谱图像, 推荐的方法在牺牲一定光谱重建精度的情况下, 在D65/2°和在A/2°两种照明观察条件下的色度重建精度得到显著的提高, 而色度重建精度提高对于目前广受关注的基于光谱的颜色复制研究具有非常重要意义。 实验统计结果也表明本文推荐的方法的色度重建精度优于目前已经存在的另外4种权重主成分分析法。
多光谱降维 多光谱压缩 主成分分析法 权重函数 光谱色差 Multispectral dimensionality reduction Multispectral compression Principal component analysis Weight function Spectral color difference 光谱学与光谱分析
2023, 43(9): 2679
上海出版印刷高等专科学校 印刷包装工程系， 上海 200093
基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换，但低维空间数据含有大量负值，不能和色度空间如CIELAB等连接起来，给光谱颜色复制的后续研究带来困扰；建立XYZ三刺激到多光谱数据的转换，在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息；通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系，实现XYZ三刺激值到多光谱数据转换；在不同的训练样本，不同的测试样本时，相对于主成分和权重主成分，推荐的方法在多种照明条件下色度重建精度得到提高，可以较好地应用到多光谱图像的高保真降维和压缩。
多光谱降维算法 二阶多项式回归 主成分分析法 权重主成分分析 光谱颜色复制 multispectral dimension reduction algorithm second order polynomial regression principal component analysis weighted principal component analysis spectral color reproduction
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
沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
纹枯病是水稻的主要病害之一, 其防治对于保证水稻产量、 质量具有重要意义, 以高光谱检测水稻病害得到了广泛应用, 并且高光谱降维是光谱分析的重要环节。 该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱, 并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、 一阶微分光谱和倒数之对数光谱), 分窗口对这3种光谱分别进行Gram-Schmidt变换, 找到投影空间并映射出主基底, 实现高光谱数据降维, 绘制具有显著性概率的主基底, 其极大极小值为特征波段。 此外3种光谱还采用了主成分分析和连续投影法降维。 以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模, 其中支持向量机回归进行粒子群优化, 并以径向基为核函数, 对比分析了3种降维方式的降维效果。 结果表明: 水稻地面冠层尺度建模效果高于低空遥感尺度建模; 在光谱处理方面, 低空冠层高光谱进行倒数之对数变换效果较好, 地面冠层所得高光谱数据进行一阶微分变换效果较好; 分窗Gram-Schmidt变换算法优于主成分分析和连续投影法; 粒子群算法可以优化支持向量机中的惩罚系数和核函数参数, 提高其反演精度; 无人机低空遥感尺度中, 高光谱进行倒数之对数处理, 以分窗Gram-Schmidt变换降维, 敏感波段为427.3, 539.6, 749.5和825.4 nm, PSO-SVR建模决定系数R2为0.731, 均方根误差RMSE为0.151; 地面冠层尺度中, 高光谱进行一阶微分处理, 以分窗Gram-Schmidt变换降维, 敏感波段为552, 607, 702和730 nm, PSO-SVR模型决定系数R2为0.778, 均方根误差RMSE为0.147。 因此, 高光谱技术可以有效地检测水稻纹枯病, 并且其病情指数可用冠层高光谱进行反演, 分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果, PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高, 结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。
水稻纹枯病 病害检测 高光谱降维 Gram-Schmidt变换 粒子群优化 支持向量机回归 Rice sheath blight Disease detection Hyperspectral dimensionality reduction Gram-Schmidt transform Particle swarm optimization Support vector machine regression 光谱学与光谱分析
2021, 41(7): 2181
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
1 上海理工大学光电信息与计算机工程学院, 上海 200093
2 河南牧业经济学院包装与印刷工程学院, 河南 郑州 450011
3 上海理工大学出版印刷与艺术设计学院, 上海 200093
4 河南工程学院材料与化学工程学院, 河南 郑州 450007
传统主成分(PCA)光谱降维方法利用数学的方法, 保证降维后的重构光谱与原光谱在形状上尽可能相似, 但是传统PCA降维过程中无差别的对待每一个波段的光谱数据, 而人眼视觉对不同波段的光谱敏感程度不同, 会造成有时候虽然光谱误差较小, 但是人眼看上去色差较大的情况。 在保证光谱误差的同时, 为了能够有效的减少源光谱与重构光谱的色度误差, 提出了两种基于人眼视觉的加权函数对传统PCA降维方法进行优化, 并利用残差光谱对模型进行补偿。 实验过程以Munsell色卡作为训练样本, Munsell色卡和多光谱图像“young girl”作为测试样本, 然后利用本文提出的加权函数进行PCA降维并重构, 并与相关文献提出的方法进行了对比。 实验结果表明, 提出的两种加权算法, 与其他算法相比, 无论是色度精度还是在变光源的稳定性方面, 都有显著地提高。
主成分分析 人眼视觉加权 光谱降维 残差补偿 PCA Human-vision-weighted function Residual error compensation Dimension-reduction 光谱学与光谱分析
2017, 37(5): 1601
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
