1 中国科学院西安光学精密机械研究所, 陕西 西安 710119
2 中国科学院大学, 北京 100049
3 中国科学院光谱成像技术重点实验室, 陕西 西安 710119
针对传统光学手段难以实现复杂背景下光谱伪装目标的准确识别, 同时, 常规的数据融合方法易导致图像信息丢失的缺点, 提出了一种基于非下采样轮廓波变换的偏振光谱多维信息融合方法。 该方法结合自研的新型偏振光谱多维信息探测仪器, 根据其获取的目标空间、 光谱、 偏振等多维信息, 设计了多维信息重构算法流程, 提取了偏振态基础数据斯托克斯参量以及偏振度和偏振角, 利用NSCT对基础偏振参量进行图像融合, 提升图像的信息含量以提高伪装物的识别准确率。 先对具有相同边缘信息的图像Q和U采用NSCT分解, 低通子带取均值, 高通子带取最大值进行初步融合, 获得偏振特征S, 最后对偏振特征S、 强度图像I以及偏振度DoLP进行NSCT分解, 对分解所得低通子带进行区域能量加权融合； 对高通子带, 根据偏振特征图像具有灰度值小, 受光照影响大等特点, 采用LBP特征进行加权融合。 同时, 本方法与四类融合方法进行对比, 据信息熵、 标准差、 平均梯度、 对比度以及峰值信噪比五项指标对融合结果进行客观评价, 并结合普通图像, 偏振融合图像, 偏振高光谱图像对目标识别精度进行对比。 融合后的图像信息熵为6.998 6, 标准差为45.599 8, 平均梯度为19.808 6, 与原始强度相比, 提升分别为5.1%, 14.04%, 7.3%, 在四类融合方法中排在首位。 表明本文所提出的方法有效实现了偏振基础特征融合, 提升了人造目标和自然背景的差异。 同时融合后的偏振高光谱图像对于目标的识别准确率达到0.986 2, 较单一强度图像目标识别准确率提升了21%。 实验结果表明, 提出的方法能有效融合目标强度信息以及偏振信息, 提升图像对比度和可读性, 同时融合后的图像在目标识别准确度上有了较大的提升, 有效降低了传统光谱手段对伪装目标识别的虚警率, 为新概念光谱伪装揭露提供了一种新型有效的手段, 具有非常大的应用潜力和应用价值。
偏振光谱图像 特征融合 伪装识别 Polarization spectral images NSCT NSCT Feature fusio Camouflage identification 光谱学与光谱分析
2023, 43(4): 1254
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
3 深圳市盐田港集团有限公司, 广东 深圳 518081
水是一种有限的资源, 对农业、 工业乃至人类的生存都是必不可少的, 良好的水环境是可持续发展的重要保障。 对水质信息的科学监测, 是实现水资源优化配置与高效利用的基础。 联合国环境署(UNEP)与世界卫生组织(WHO)指出, 应当加强发展中国家的水质监测网络, 包括数据质量的保证和分析能力的提高。 光谱法作为一种新兴的水质分析方法, 相比传统的化学水质监测方法, 具有“响应速度快、 多参数同步、 绿色无污染”的特点。 传统单波长、 多波长的线性模型依赖于水体对特定波长的吸收特征, 不适用于多组分混合溶液且普适性较差。 因此, 提出了一种基于IERT的非线性全光谱定量分析算法, 建立适用于多组分混合溶液浓度预测模型, 达到利用全光谱信息来预测浓度信息的目的。 利用实验室配置的COD, BOD5和TOC多组分混合溶液与NO3-N、 浊度、 色度多组分混合溶液作为实验样本, 使用光谱仪采集样本的光谱曲线, 通过全光谱数据进行浓度预测实验, 结果显示, 对于COD, BOD5和TOC多组分混合溶液, 本算法对于三种组分的决定系数(R2)分别为0.999 3, 0.991 4和0.999 3, 均方根误差(RMSE)分别为0.024 4, 0.057 7和0.000 4; 对于NO3-N、 浊度、 色度多组分混合溶液, 决定系数(R2)分别为0.983 4, 0.868 4和0.981 0, 均方根误差(RMSE)分别为0.100 5, 0.326 4和0.120 2。 通过对比本算法与偏最小二乘(PLS)、 支持向量机回归(SVR)、 决策树(DT)、 极端随机树(ERT)对于同一组数据的实验结果, 表明: 在两组多组分混合溶液的实验中, 本算法对于其中各组分的决定系数(R2)均为最优, 相比于其他对比算法均方根误差(RMSE)均有大幅减少。 本算法可利用光谱信息对多组分混合溶液进行定量分析, 在计算时间相当的情况下, 可有效的提高浓度预测精度, 减少定量分析的均方根误差, 可为光谱法水质监测提供一种新的有效途径。
光谱法水质监测 紫外可见光谱技术 光谱定量分析 多组分混合溶液 极端随机树 Spectroscopic water quality monitoring Ultraviolet visible spectroscopy technology Spectral quantitative analysis Multi-component mixed solution Extreme random trees 光谱学与光谱分析
2021, 41(12): 3922
硝酸盐是水质健康状态评价的一个关键要素。 水体中高浓度的硝酸盐会导致生物多样性剧减以及生态系统的退化, 同时对人类的健康产生不可逆转的伤害。 基于光学测量的水质在线监测是当前及未来水环境动态监测的发展趋势。 相较于传统硝酸盐现场采样加实验室分析的测定方法, 具有操作便捷, 无需前处理, 检测效率高, 可靠性好且无污染等显著优点。 由于实际水体组分的复杂性与多样性, 水体参数和吸光度二者并非呈现线性相关, 传统的单波长法, 双波长法, 偏最小二乘法等线性回归预测模型已不适用。 基于此, 提出一种精细全光谱结合可变步长网格搜索, 优化支持向量回归(GS-SVR)的水体硝酸盐分析方法。 同时与陕西科技大学化学与化工学院合作, 采用标准的硝酸盐溶液, 铂-钴标准溶液, 福尔马肼标准混悬液根据实验要求配制了不同浓度梯度94组溶液样本。 首先将采集到的透射率光谱数据完成吸光度转换, 并使用Kennard-Stone方法将94个溶液样本划分为80个训练集和14个测试集。 其次使用改进的GS算法结合交叉验证, 通过多次迭代, 减小搜索范围、 改变搜索步长对SVR进行参数寻优, 并将最优惩罚参数C和核函数宽度σ用于训练集中进行模型建立, 最后用所建立的模型对测试集进行浓度预测。 并将预测效果与反向传播神经网络(BPNN), SVR, GS-SVR, 粒子群算法优化SVR(PSO-SVR), 遗传算法优化SVR(GA-SVR)的模型预测结果比较, 结果显示, 提出的算法模型相关系数R2=0.993 5, 预测均方根误差RMSEP=0.043 5, 最优参数C和σ组合为(512, 0.044 2), 平均训练时间为13 s。 相较于上述五种预测模型, R2分别提高了1.22%, 11.66%, 0.78%, 0.74%和0.77%, 训练效率分别提升4.15倍(BPNN), 8.30倍(GS-SVR), 21.38倍(PSO-SVR), 10.23倍(GA-SVR)。 模型的预测精度以及训练效率方面都取得了很大的提升, 为复杂水体硝酸盐浓度的快速实时在线监测提供了一种新的方法。 同时, 该方法具备一定的普适性, 也适用于其他水质参数预测模型的建立。
精细全光谱 硝酸盐 网格搜索 支持向量回归 Fine full spectrum Nitrate Improved grid search Support vector regression 
