基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于分窗Gram-Schmidt高光谱降维的水稻纹枯病检测

纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和2018两年水稻盆栽纹枯病接种试验与大田纹枯病调查试验样本高光谱数据,探讨了分窗Gram-Schmidt变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。结果表明:基于分窗GramSchmidt变换可有效实现高光谱数据的降维,盆栽样本高光谱降到4维,纹枯病检测模型决定系数R2为0.8373,均方误差MSE为0.0406;大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9701,均方误差MSE为0.0065。主成分分析法降维,盆栽样本高光谱降到6维,纹枯病检测模型决定系数R2为0.7931,均方误差MSE为0.049,大田样本高光谱降到6维,纹枯病检测模型决定系数R2为0.9658,均方误差MSE为0.0078;连续投影法降维,盆栽样本高光谱降到8维,纹枯病检测模型决定系数R2为0.8132,均方误差MSE为0.0466,大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9685,均方误差MSE为0.0072。对比主成分分析法和连续投影法,基于分窗Gram-Schmidt变换的高光谱降维效果与纹枯病检测精度均效果较好,可为高光谱降维与水稻纹枯病防治提供一定的理论基础和技术支撑。     

Hyperion高光谱数据森林郁闭度定量估测研究

该文探讨和评价了利用星载EO-1 Hyperion高光谱遥感数据定量估测森林郁闭度的能力.高光谱数据光谱特征空间降维采用两种方式, 一种是光谱特征选择的波段选择法(BS),另一种是光谱特征提取的主成分变换法(PCA).从森林资源变化图上获取200个样点的实测郁闭度值,130个用于建模,70个用于验证.对应图像的取值采用单像元值(NP)和3×3窗口的平均值(W33) 两种方法.两种光谱特征降维方式和两种图像取值方法构成4种估测模型(BS-NP、BS-W33、PCA-NP和PCA-W33).分析过程为:①对图像进行预处理,选出质量好的波段;②采用逐步回归技术提取与郁闭度相关性高的波段或变量;③建立多元回归模型估测郁闭度;④估测精度验证.经检验,估测精度分别为: BS-NP 83.17%、BS-W33 84.21%、 PCA-NP 85.62% 和 PCA-W33 86.34%.初步结果表明,光谱特征提取的主成分变换分析法比光谱特征选择的波段选择法的郁闭度估测更有效;3×3窗口的图像取值方法比单像元取值方法的估测精度高.      

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑（SG）和多元散射校正（MSC）去除高光谱噪声,分别采用主成分分析（PCA）、连续投影算法（SPA）进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式（LBP）提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树（DT）和支持向量机（SVM）模型和融合特征建立随机森林（RF）、SVM和极端梯度提升树（XGBoost）模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测...     

基于SVR 和PLSR 的土壤有机质高光谱估测模型研究

【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。     

基于Hyperion数据的香格里拉森林郁闭度遥感估测研究

基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明:基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R~2为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R~2为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。     

基于高光谱图像的黄瓜种子活力无损检测

为实现对黄瓜种子的快速、无损检测,以人工老化0 h、36 h、72 h的3个不同活力梯度的黄瓜种子为研究对象,利用波长400～1 000 nm的可见光光谱对黄瓜种子活力进行检测。对比了多元散射校正(MSC)、标准正态变换(SNV)、卷积平滑(S-G)3种预处理方法,结果显示SNV预处理的效果最优。从特征提取和特性选择2个角度进行降维分析。分别使用主成分分析法和连续投影算法,对比各个主成分数的正确分类率,选取最佳的主成分数。通过连续投影算法(SPA)选择9、12、13个特征波长,通过对比分类正确率,选出最佳波长数为12个。最后将提取出的最佳主成分和选择的最佳特征波长作为支持向量机的输入,分别选择线性核函数和径向基核函数,结合网格搜索方法,确定模型的惩罚因子c和径向基核函数中的参数gamma,建立判别分析模型。所有模型分类正确率均达到97.3%以上,其中SPA-SVM(基于RBF核函数)效果最佳,分类正确率达到98.6%。可见,利用高光谱图像技术结合SPA-SVM能有效地鉴别黄瓜种子的活力。     

K均值算法结合连续投影算法应用于土壤速效钾含量的高光谱分析

为解决在土壤速效钾含量的高光谱定量预测分析过程中,光谱数据维数高、冗余度较大等问题,提出了一种结合K均值算法(K-means)和连续投影算法(SPA)的高光谱特征波段选择方法。该算法首先将全波段数据分别根据不同的距离度量进行K-means聚类分析,之后对聚类后的每个波段簇分别使用SPA法提取其中的特征波段。对全波段组合、传统SPA法提取的特征波段组合以及结合K-means聚类与SPA法提取的特征波段组合分别建立土壤速效钾含量的BP神经网络预测模型,通过对比模型预测效果来比较特征波段选择方法的性能。以盐城市348份土壤样品进行试验,结果表明,结合K均值算法与连续投影算法的特征波段选择方法可以有效地解决光谱预测分析过程中的数据冗余问题,实现对土壤速效钾含量快速精确预测分析。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

水稻叶片高光谱数据降维与叶绿素含量反演方法研究

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。     

基于主基底分析降维方法的水稻冠层叶片叶绿素含量估算

针对无人机高光谱遥感数据的高维特性,本文提出了一种基于主基底分析的降维方法。选取对叶绿素敏感的400～1 000 nm波段进行Gram_Schmidt变换找到投影空间,构造集中波段信息的主基底,建立最小二乘回归模型来进行叶绿素含量估算。结果表明:基于主基底分析降维方法的建模决定系数(R~2)为0.689,均方根误差(root mean square error,RMSE)为2.20,验证模型的RMSE为1.20;与3种植被指数PRI、RD_2和MCARI降维后建立的相同模型预测精度相比,该方法的建模R~2有了很大的提升,而验证模型的RMSE有所降低。研究结果验证了所提算法的有效性,对植物叶片的叶绿素含量估算具有重要意义。     

基于光谱与图像信息的杏鲍菇多糖含量检测

【目的】利用高光谱成像技术实现杏鲍菇Pleurotus eryngii多糖含量的快速无损检测。【方法】利用高光谱图像采集系统获取350～1 021 nm波长范围内的杏鲍菇高光谱图像,同时利用苯酚–硫酸法测定对应样本的多糖含量。通过波段运算和阈值分割构建掩膜图像,使样本与背景相分离。采用主成分分析(PCA)处理原始高光谱图像,获得代表原始图像99%信息的2个主成分图像(PC1、PC2),然后利用连续投影算法(SPA)选出554.4、772.8、811.4、819.1、855.6、986.3和1 019.5 nm 7个特征波长及对应的光谱特征,分别提取7个特征波长图像和2个主成分图像的纹理与颜色特征,最后利用偏最小二乘回归(PLSR)建立杏鲍菇样本基于不同图像特征与多糖含量之间的关系模型。【结果】从校正集决定系数(Rc2)来看,基于特征光谱+特征波长图像特征+主成分图像特征的模型效果最好,Rc2=0.954,RMSEc=0.341;从预测集决定系数Rp2来看,基于特征光谱+特征波长图像特征的模型效果最好,Rp2=0.868,RMSEP=0.539。【结论】该研究结果可为杏鲍菇多糖含量的快速、无损检测提供一定的参考。     

基于光谱变换与SPA-SVR的玉米SPAD值高光谱估测

叶绿素含量快速、无损监测是评估玉米生长状态有效方式之一.以抽雄期玉米为研究对象,研究原始光谱、普通一阶导数光谱、间隙一阶导数光谱、开平方根光谱以及连续统去除光谱的特征波段以及5个传统植被指数与玉米叶绿素含量之间关系.对比分析不同模型(单因素回归模型、结合连续投影与多元线性回归、支持向量回归模型)对抽雄期玉米叶绿素含量预测能力.结果表明,光谱变换可增强特征波段与SPAD值相关性,同时还增加敏感波段数量、提升建模精度;连续投影算法对特征降维效果明显,各类多元模型最优光谱参数为5～9个;各类型光谱下均为多因素模型精度优于单因素模型.其中,基于普通一阶导数光谱的支持向量回归模型为最优模型,其建模R2与验证R2分别达到0.92与0.90.光谱变换在反演玉米叶绿素方面有较大潜力,连续投影与支持向量回归结合可产生较好建模效果.     

冬小麦高光谱信息提取方法的研究

针对高光谱数据波段多、数据量大和冗余度大等特点,本文以ASD便携式高光谱仪为光谱数据获取手段,以不同生育时期冬小麦冠层高光谱为研究对象,采用主成分分析和波段自相关分析两种方法来进行数据降维,通过采用基于高光谱与叶面积指数估算(LAI)相关系数法进行验证,以确定冬小麦高光谱遥感信息提取的最佳波段。结果表明,主成分分析法(PCA)和波段自相关分析法选择的波段主要在可见光区域(350~450nm和600~700nm)、近红外区域(1 100~1 200nm)和短波红外区域(1 500~1 750nm),包含了验证方法基于高光谱与LAI相关系数法所选择的主要波段范围:可见光区域和近红外区域。综合考虑,用主成分分析法和波段自相关分析法两种方法对冬小麦高光谱提取的信息是全面、可靠的,包含了针对某一生理指标如LAI的有关信息。     

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区，利用实测棕漠土有机碳含量与高光谱(350～2 500 nm)数据，应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段，分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明：博斯腾湖湖滨绿洲棕漠土0～50.0 cm土层有机碳含量为1.40～40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好，验证集检验的决定系数(R²)、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。     

基于偏最小二乘回归的玉米蛋白质含量鉴定

以10 000～4 000 cm-1波段的近红外光谱响应数据和常规生化方法检测的玉米蛋白质含量为样本数据,先对光谱响应数据进行小波去噪处理,并利用平滑技术对其降维,构建基于以光谱响应数据为输入、蛋白质含量为输出的偏最小二乘回归模型.仿真计算结果表明,利用偏最小二乘回归模型,可以较准确地预测玉米蛋白质含量,结合预测表达式回归系数和变量投影重要性指标VIP得到与蛋白质含量相关性较大的若干波段对应的光谱响应数据,模型在一定程度上揭示了蛋白质含量和光谱响应数据之间的数量关系.     

基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析

【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。     

基于高光谱成像技术的富士苹果轻微机械损伤检测研究

为降低苹果损伤造成的商业损失,延长苹果的储存期,利用高光谱成像技术实现了基于特征波段的苹果表面轻微机械损伤的快速、无损检测。以120个富士苹果为研究对象,首先利用波段范围在400～1 000nm的高光谱成像光谱仪获取完好和轻微损伤0、2、4 h的富士苹果的高光谱图像,并提取感兴趣区域的平均光谱数据,然后通过两次连续投影法进行分析,去除光谱波段间的冗余信息,找到共线性最小的波段组合(821 nm和940 nm);其次,对特征波段图像进行主成分分析,选择完好与损伤区域差异明显的第二主成分(PC2)作为检测损伤的有效图像;最后,对有效图像进行固定阈值分割和形态学处理,得到苹果表面机械损伤的检测结果。利用该方法对验证组40个正常和轻微损伤不同时间段的苹果进行测试,总体正确率达到94. 4%。     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。