棉花杂质在轧棉过程中对棉纤维造成损伤, 导致成品纺织品出现瑕疵。 因此, 杂质的检测和分类在棉花生产过程及质量检验中至关重要。 地膜是我国机采棉中特有的杂质。 该研究将包括地膜碎片等12种常见棉花杂质放置于两层皮棉层之间, 采用推扫式高光谱成像系统在透射模式下对杂质与皮棉混合样本进行图像采集, 在400~1 000 nm范围内利用光谱信息识别嵌在皮棉层中的12种杂质。 首先对高光谱图像进行平场校正, 对边缘噪声进行裁剪； 选择500 nm处灰度图像进行人工感兴趣区域（ROIs）提取, 从ROIs提取皮棉和杂质平均透射光谱并进行标准化； 使用典型判别分析（CDA）对皮棉和杂质光谱进行处理并利用前三个典型变量绘制散点图, 观察散点分组情况, 采用多变量方差分析（MANOVA）对前三个典型变量评估每两种杂质之间的差异。 然后使用区间随机蛙跳（iRF）方法提取特征波段, 采用支持向量机（SVM）分类器, 分别对全波段及特征波段的透射光谱进行杂质和皮棉13个类别的分类研究, 对比分析两次分类的准确率。 结果表明, 全波段的各类杂质和皮棉的平均分类准确率为84.4%, 该方法对棉花内层杂质的检测与分类是可行的, 包括与皮棉外观相近的地膜、 塑料包装和纸的分类效果较好。 在提取12个特征波段后, 4种具有相似外观和相似化学成分的杂质（裂茎、 茎皮、 棉铃壳、 棕叶）分类准确率较低但都超过73%； 棉籽、 绿叶、 纸片、 塑料包装、 地膜、 皮棉的分类准确率均超过90%； 各类杂质和皮棉的平均分类准确率为86.2%； 与全波段光谱的分类结果相比, 特征波段光谱的平均分类准确率提高1.8%。 该研究结果可为棉花内层杂质检测研究提供理论依据, 并对高光谱透射成像技术的应用有较好的指导作用。

利用高光谱成像技术(HSI)采集了300个不同贮藏时间的番茄高光谱图像, 在所界定的有效波段中提取特征波长的基础上, 构建了番茄贮藏过程中品质变化的马氏距离监测模型, 实现了番茄贮藏过程中的品质变化监测。 首先, 采用多元散射校正(MSC)结合Savizky-Golay卷积平滑(SG)方法对高光谱原始数据进行了预处理, 以消除基线漂移及噪声信号等影响。 其次, 基于光谱曲线在不同波段范围的变化趋势, 并结合全波段下Wilks Λ最小值对应主成分在各个波长下的权重系数定义了可凸显番茄贮藏过程中品质变化的有效波段。 随后, 分别在全波段和有效波段采用连续投影算法(SPA)、 竞争性自适应加权算法(CARS)和Wilks Λ统计量融合主成分分析3种筛选特征波长的方法进行特征波长的提取, 通过对比分析3种方法提取的特征波长数量, 指出了基于 Wilks Λ统计量融合主成分分析可以有效降低数据维度, 简化运算过程。 接着对基于 Wilks Λ统计量融合主成分分析在全波段和有效波段筛选出的主成分进行分析, 指出了在有效波段基于Wilks Λ统计量融合主成分分析进行特征波长的提取可以很好地避免冗余信息对有效信息的掩盖作用, 还可以进一步降低数据维度。 最后, 对分别以贮藏第1日和番茄腐败临界日为监测基准日构建番茄贮藏过程中品质变化的马氏距离监测模型的优缺点进行了分析, 指出以贮藏第1日为监测基准日构建的模型更具有有效性和可靠性。 研究结果表明: 基于Wilks Λ统计量融合主成分分析提取的特征波长个数为最少(5个), 且筛选出的主成分能够有效地表征番茄贮藏过程中品质变化的差异性。 为利用高光谱成像技术监测番茄贮藏过程中的品质变化提供了一种有效的特征波长提取方法。

光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法, 对消除环境等干扰具有重要的作用。 以往文献主要对比研究不同的光谱数据变换方法, 光谱特征波长提取方法的对比研究以及二者的组合研究较少。 为了获取适宜的光谱预处理方法, 提高潮间带沉积物氮的最小二乘支持向量机（LSSVM）模型精度, 研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响, 以期实现潮间带沉积物氮的精确预测。 研究结果表明, 多元散射校正（MSC）或标准正态变换（SVN）光谱变换方法提高了光谱与氮含量的相关性, 最高相关系数分别达到0.69和0.71; 并且提高了LSSVM模型的预测精度, 模型的预测R2和RPD分别为0.88, 0.87和2.78, 2.69。 无信息变量消除（UVE）特征波长提取方法也提高了LSSVM模型的预测精度, 模型预测R2和RPD分别0.89和2.70。 但是, UVE提取的特征波长并不都与氮含量具有高相关性。 此外, 组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法, 也提高了模型预测精度, 但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。 研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。

光谱已经应用于土壤养分速测的分析, 但是如何寻找土壤光谱特征波段, 尽最大可能避免无用信息干扰、 保留有用信息, 建立准确度高、 预测效果好的模型仍是一个亟需解决的问题。 以青岛三个不同地区土壤样品为例, 测定土壤样品的紫外-可见-近红外光谱及其总碳（TC）、 总氮（TN）、 总磷（TP）含量; 分别采用连续投影算法（SPA）、 无信息变量消除法（UVE）、 遗传算法（GA）、 相关系数法（CC）四种算法（四种单分类器）对土壤光谱提取特征波长; 再引入投票法和加权投票法的多分类器融合方法将四种算法融合得到特征波长; 以偏最小二乘回归（PLSR）建立各土壤养分含量的模型, 通过对模型效果的评价标准（建模集绝对系数R2c、 校正均方根误差RMSEC、 检验集绝对系数R2p、 预测均方根误差RMSEP和相对分析误差RPD值）来判别各单分类器算法和多分类器融合算法对土壤养分含量特征波长的提取效果。 分别对四种算法、 筛选其中三种算法、 最优二种算法进行融合, 分析融合后模型效果和特征波长个数, 结果表明: 将四种单分类器经投票法融合后, 其模型效果大部分不如单分类器, 且相对好的模型特征波长个数较多; 相较于投票法多分类器融合, 四种单分类器经加权投票法融合模型效果有了一定的提高, TC和TN都能够在较少的波长中获得较好的预测效果, 但仅TN经融合后, 模型效果优于每个单分类器; TC, TN, TP分别在取SPA+UVE+GA, SPA+UVE+GA（或SPA+GA+CC）、 SPA+UVE+GA三种单分类器进行加权投票法融合后, 均能获得最优模型效果, 且明显优于每个单分类器, 模型效果有了显著提高; 各土壤养分含量经两个最优单分类器加权投票法融合后, 仍能得到好于最优单分类器的建模效果, TC和TP建模效果略差于三个单分类器融合结果, TN建模效果与三个单分类器融合结果相同。 因此, 在筛选三种算法融合, 且其中包含最优两种算法的情况下, 能够以较少的特征波长个数获得明显高于单分类器的建模效果。 该方法为寻找土壤养分以及其他复杂物质成分的光谱特征波段提供了新方法, 也为多种算法的综合运用提供了新思路。

水分含量影响干贝的口感、 质地等品质特征, 而且与其贮存期密切相关。 应用高光谱成像与检测技术结合化学计量学方法, 实现干贝水分含量的快速检测。 实验采用高光谱成像系统采集380～1　030 nm波段范围内的高光谱图像, 采集得到6个不同干燥时期共90个干贝样本高光谱图像。 提取所有样本感兴趣区域的平均光谱数据, 采用连续投影算法(SPA)和权重回归系数法(Bw)分别提取了7个和4个特征波长。 基于所提取的特征波长和全波长分别建立光谱数据与水分含量的偏最小二乘回归(PLSR)模型, 三种模型分别是SPA-PLSR, Bw-PLSR和PLSR。 建模集和预测集相关系数都高于0.95, 预测均方根误差都低于10%, 三种模型均获得了较好的预测效果, 都能很好地预测干贝的水分含量。 在所有模型中, SPA-PLSR模型具有较少的波长变量和较高的预测能力(97.28%), 因此本文基于SPA-PLSR模型, 采用伪彩色图像编程技术实现了干贝图像上每个像素点的水分含量的可视化预测。 结果表明, 高光谱成像技术结合特征波长提取算法可用于干贝水分含量分布的可视化检测。