基于光譜分析與圖像處理的模式識別研究.pdf

1、模式識別是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程。自20世紀40年代隨著電子計算機發(fā)明，模式識別已被用于食品工業(yè)、生物技術(shù)、能源加工、醫(yī)藥診斷、環(huán)境檢測、污染治理等多個領(lǐng)域。目前，數(shù)字圖像處理、光譜分析與高光譜成像等技術(shù)被廣泛用于被檢物品質(zhì)信息的快速無損獲取。隨著儀器制造工藝的不斷進步，數(shù)字圖像、光譜和高光譜圖像等各類數(shù)據(jù)的采集技術(shù)逐漸成熟，并廣泛應(yīng)

2、用于各個領(lǐng)域，數(shù)據(jù)的數(shù)量和復(fù)雜程度日益增加，分析理解這些海量高維數(shù)據(jù)面臨著巨大的挑戰(zhàn)。因此需要從數(shù)據(jù)中挖掘特征信息用于決策模型的建立。本研究采用圖像處理與光譜分析技術(shù)開展了一維光譜信息、二維圖像信息以及三維高光譜圖像信息的數(shù)據(jù)挖掘以及模型建立方法研究。具體主要內(nèi)容有：
　　 (1)開展了采用半監(jiān)督學(xué)習(xí)算法的一維光譜信息特征提取方法研究，并以石油為實驗對象，提出了石油中的十六烷值和總芳烴值的快速無損檢測方法。拉普拉斯正則化最小二乘

3、法(Laplacian regularized least squares，LapRLS)則是一種半監(jiān)督學(xué)習(xí)方法，它不僅利用了標(biāo)記的樣本信息，還利用了未標(biāo)記的樣本信息。本文利用LapRLS建立近紅外光譜與石油成分中的十六烷值和總芳烴值的數(shù)量關(guān)系。按不同比例，將381個不同品質(zhì)的石油樣本被分成訓(xùn)練集(標(biāo)記樣本)和預(yù)測集(未標(biāo)記樣本)。結(jié)合光譜分析技術(shù)，利用LapRLS、LS-SVM和PLS算法分別建立了石油的十六烷值和總芳烴值預(yù)測模型，發(fā)

4、現(xiàn)LaRLS獲得最好的預(yù)測效果(十六烷值模型的R_MSEP值為2.330；總芳烴值模型的RMSEP值為1.308)。上述研究結(jié)果表明LapRLS能有效的利用未標(biāo)記的光譜信息對石油的化學(xué)成分進行準(zhǔn)確預(yù)測。
　　 (2)開展了基于圖像處理技術(shù)的二維圖像中顏色特征提取方法研究，并以提子為實驗對象，提出了其pH值和干物質(zhì)含量(soluble solids content，SSC)的快速無損檢測方法。分別從提子圖像RGB、HIS、YIQ、

5、YCbCr、和HSV顏色空間的三個顏色通道圖像中提取像素灰度值的均值和方差作為顏色特征，則共獲取120個顏色特征?；陬伾卣?，利用最小二乘支持向量機(least squares support vectormachine，LS-SVM)建立提子pH值和干物質(zhì)含量(SSC)檢測模型。結(jié)果顯示基于不同特征集，pH模型的預(yù)測相關(guān)系數(shù)為0.870-0.886，SSC模型的預(yù)測相關(guān)系數(shù)為0.695-0.727。其中基于顏色特征(YCbCr空間的

6、Y通道圖像的方差，Y/Cb通道圖像的均值)的pH模型獲得最好預(yù)測效果；基于顏色特征(HSV顏色空間的V/S通道圖像的均值，YCbCr顏色空間的Cb通道圖像的均值)的SSC模型獲得最好預(yù)測效果。pH和SSC模型的最低RMSEP值分別為0.0611和0.737。研究結(jié)果表明通過提取圖像顏色特征能夠應(yīng)用于提子pH值和SSC值快速無損檢測。
　　 (3)開展了采用圖像處理技術(shù)提取高維圖像特征的葡萄干種類的快速無損檢測方法研究。從葡萄干圖

7、像中提取了74個圖像特征(包括8個形態(tài)特征、30個顏色特征、36個紋理特征)。分別基于單獨的圖像特征(形態(tài)、顏色、紋理)、兩兩特征結(jié)合的特征集(形態(tài)與顏色、形態(tài)與紋理、顏色與紋理)、以及三個特征結(jié)合的特征集(形態(tài)、顏色和紋理)建立檢測模型。利用四種分類器：偏最小二乘法(partial least squares，PLS)，線性判別分析(linear discriminant analysis，LDA)，相似分析方法(Soft Indep

8、endent Modeling of Class Analogy，SIMCA)，最小二乘支持向量機(least squares support vector machine，LS-SVM)對不同的特征模型進行評估。發(fā)現(xiàn)基于三個特征結(jié)合的圖像特征集的LDA模型獲得最高的準(zhǔn)確率(99％)，優(yōu)于基于單獨的圖像特征或兩兩結(jié)合的圖像特征集的檢測結(jié)果。結(jié)果表明通過挖掘RGB圖像中檢測對象的形態(tài)、顏色和紋理的圖像特征信息，可以實現(xiàn)葡萄干品質(zhì)的準(zhǔn)確分類

9、，相關(guān)特征信息的綜合應(yīng)用能夠提高葡萄干品質(zhì)分類的準(zhǔn)確度。
　　 (4)開展了基于結(jié)合圖像處理與光譜分析技術(shù)的三維高光譜圖像特征挖掘方法研究，并以牛肉為實驗對象，提出了牛肉含水率快速無損預(yù)測算法。首先分別采用ENVI手動提取方法，Matlab目標(biāo)分割程序從牛肉高光譜圖像中獲取牛肉可見光譜和近紅外光譜數(shù)據(jù)，并比較發(fā)現(xiàn)基于Matlab的圖像處理技術(shù)的光譜提取方法具有高效、批量、快速優(yōu)點。再基于通過圖像處理技術(shù)獲取的紅外光譜，利用最小二

10、乘支持向量機(LS-SVM)、偏最小二乘法(PLS)分別建立牛肉含水率預(yù)測模型，比較預(yù)測結(jié)果發(fā)現(xiàn)最小二乘支持向量機(LS-SVM)能更有效的挖掘光譜數(shù)據(jù)中的信息，具有相對好的預(yù)測效果。由于光譜數(shù)據(jù)包含了許多無效的信息，因此利用連續(xù)投影算法(SPA)，無信息刪除法(UVE)和基于無信息刪除法的連續(xù)投影法(UVE-SPA)三種算法分別對牛肉的可見光譜和近紅外光譜數(shù)據(jù)進行特性選取，再利用LS-SVM建立預(yù)測模型。結(jié)果顯示對于可見-近紅外(VI