紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中，快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性，并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题，提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern，LBP）纹理特征相结合的背景建模方法。首先，使用各像素直方图的众数作为参考背景，无需先验知识，节省了大量存储空间，再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模，消除了大部分动态背景和光照变化影响，实现目标的精确提取。实验表明，所提的算法在红外和可见光的多种复杂场景下，能快速提取前景目标的同时，提高了准确率和召回率。

可溶性蛋白和谷胱甘肽(GSH)是羊肉重要的生理生化指标, 是衡量机体抗氧化能力大小的重要因素, 传统检测方法程序复杂, 检测费时。 为此应用可见-近红外(400~1 000 nm)高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽(GSH)含量无损、 快速检测。 首先, 对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理, 再运用竞争自适应加权算法(CARS)、 区间变量迭代空间收缩算法-迭代和保留信息变量法(iVISSA-IRIV)进行特征波段的提取。 同时使用灰度共生矩阵法(GLCM)提取贡献率最高的主成分图像的纹理信息。 最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归(MLR)、 最小二乘支持向量机(LS-SVM)模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。 结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳, 其R_c和R_p分别为0.875 7和0.854 7; 采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳, 其R_c和R_p分别为0.804 8和0.826 5。 利用iVISSA-IRIV共筛选出31个特征波长, 建立的羊肉可溶性蛋白LS-SVM模型的R_c和R_p最优, 分别为0.914 6和0.881 8; 同时利用iVISSA-IRIV筛选出29个特征波长, 建立的羊肉GSH-MLR模型的R_c和R_p最优, 分别为0.844 6和0.870 5。 最终经光谱特征信息和图谱信息融合模型对比发现, 建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳, 其R_c和R_p分别为0.914 6和0.881 8; 利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型, 其R_c和R_p分别为0.849 5和0.890 4。 利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法, 结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。 研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。

如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息，提出了一种联合局部二值模式LBP（Local Binary Patterns）与K-最近邻KNN（K-Nearest Neighbors）算法的高光谱图像分类方法。首先，通过主成分分析PCA（Principle Component Analysis）对高光谱数据进行降维；然后，使用LBP提取降维后的高光谱图像空间纹理信息，将光谱与空间特征变量堆叠成空—谱特征向量；最后，输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源，选取KNN、基于径向基核函数的支持向量机（RBF-SVM）、核联合正交匹配追踪（Kernel Simultaneous Orthogonal Matching Pursuit，KSOMP）三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本，总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%；在Salinas数据集中随机选取2%作为训练样本，总体精度与Kappa系数为98.46%和98.29%。实验结果表明，在训练样本仅为数据集10%甚至2%的条件下，本文提出的方法仍可达到98%以上的分类精度，可满足训练样本难以获取的应用场景对高分类精度要求。