CN106568724A - 光谱曲线预处理及特征挖掘方法及装置 - Google Patents

光谱曲线预处理及特征挖掘方法及装置 Download PDF

Info

Publication number
CN106568724A
CN106568724A CN201610951609.6A CN201610951609A CN106568724A CN 106568724 A CN106568724 A CN 106568724A CN 201610951609 A CN201610951609 A CN 201610951609A CN 106568724 A CN106568724 A CN 106568724A
Authority
CN
China
Prior art keywords
curve
spectrum
distance
spectral
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610951609.6A
Other languages
English (en)
Other versions
CN106568724B (zh
Inventor
戴琼海
庄超玮
张晶
邵航
范静涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201610951609.6A priority Critical patent/CN106568724B/zh
Publication of CN106568724A publication Critical patent/CN106568724A/zh
Application granted granted Critical
Publication of CN106568724B publication Critical patent/CN106568724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3148—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using three or more wavelengths

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种光谱曲线预处理及特征挖掘方法及装置，其中，方法包括：采集多条光谱曲线；通过跟踪微分器对多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线；对光谱一阶导曲线进行等距离采样，以得到L维光谱数据；获取两两光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据类内距离和类间距离建立目标函数；采用直接逐点搜索法对L维光谱数据进行最优计算，以得到最符合目标函数的K维普段，并且在通过两分法对K维谱段解算之后，获取光谱特征谱段。该方法可以同时实现原始数据的一阶导数据计算和滤噪功能，并且提高了特征挖掘的有效性和准确性，简单便捷。

Description

光谱曲线预处理及特征挖掘方法及装置
技术领域
本发明涉及光谱数据处理技术领域，特别涉及一种光谱曲线预处理及特征挖掘方法及装置。
背景技术
高光谱成像技术相比于传统成像技术，可以从场景中获得更多的光谱信息，利用这些信息可以解决更多问题。传统基于红、绿、蓝三色信息的传感成像技术，基本满足并符合人类视觉系统的要求和对视觉场景的分辨，但是物体反射的光线中包括大量的波长，仅在可见光波390nm-780nm的波段就包含了大量的信息。可见光光谱就是指物体反射光线的各谱段强度分布，这种光谱可以充分反映物体的自然属性，因此光谱技术被广泛的应用于遥感、材料、医疗、环境、视觉等诸多领域。
相似品种分类和鉴别一直是人们关注的热点，如果蔬菜表面农药残留、不同产地的红木鉴定、煤炭的品质检测等，这些物品之间的差别极小，通过人眼无法识别，通常对其分类和鉴别都是采用经验和有损检测的方式。近年来，高光谱无损检测对上述物品的分类提供了可能性，但是这种检测方法是建立在数据库的基础上。目前，尚无通用数据库可以提供，因此面向用户的数据库建立方法是亟需解决的问题。
此外，在数据库建立过程中，对已知光谱数据的预处理和特征挖掘也是一个必须处理的问题。相似物品之间的原始光谱数据差别较小，夹杂随机噪声，通常预处理方法采用先求其一阶导数，在通过滤波等方法进行滤噪，这种方法对数据进行多次处理，增加了计算量，降低了数据预处理速度。在特征发掘方法上，传统方法利用特征矩阵对原数据进行特征变换，变换以后的矩阵与原数据没有明显的一一对照关系，且由于上述方法采用全谱信息，因此无法同时满足采样精度和运算速度之间的矛盾。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种谱曲线预处理及特征挖掘方法，该方法可以提高特征挖掘的有效性和准确性。
本发明的另一个目的在于提出一种谱曲线预处理及特征挖掘装置。
为达到上述目的，本发明一方面实施例提出了一种光谱曲线预处理及特征挖掘方法，包括以下步骤：采集多条光谱曲线；通过跟踪微分器对所述多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线；根据预设采样距离对所述光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数；获取两两所述光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据所述类内距离和类间距离建立目标函数；采用直接逐点搜索法对所述L维光谱数据进行最优计算，以得到最符合所述目标函数的K维普段，并且在通过两分法对所述K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L
本发明实施例的光谱曲线预处理及特征挖掘方法，采用跟踪微分器对光谱曲线数据进行微分和滤噪，获取一阶导曲线数据，并且对一阶导曲线数据进行采样，从而得到L维光谱数据，且为减少运算量，采样密度相对较低，并计算两两曲线数据的欧式距离，建立目标函数，以及通过直接逐点搜索法，选出最优K维光谱数据，进而采用二分法获得更为准确的K’维特征谱段，解决了运算量和采样精度之间的矛盾，不但可以同时实现原始数据的一阶导数据计算和滤噪功能，而且提高了特征挖掘的有效性和准确性，简单便捷。
另外，根据本发明上述实施例的光谱曲线预处理及特征挖掘方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述目标函数为：
F＝min f(xi，yi)，
其中，xi为所述类内距离，yi为类间距离，i＝1，2，3，…，L。
进一步地，在本发明的一个实施例中，上述方法还包括：通过可视化界面保存所述多条光谱曲线、所述光谱一阶导曲线和所述光谱特征谱段，以建立光谱数据库。
进一步地，在本发明的一个实施例中，所述多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
可选地，在本发明的一个实施例中，所述预设采样距离可以为8nm。
为达到上述目的，本发明另一方面实施例提出了一种光谱曲线预处理及特征挖掘装置，包括：采集模块，用于采集多条光谱曲线；处理模块，用于通过跟踪微分器对所述多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线；采样模块，用于根据预设采样距离对所述光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数；第一建立模块，用于获取两两所述光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据所述类内距离和类间距离建立目标函数；获取模块，用于采用直接逐点搜索法对所述L维光谱数据进行最优计算，以得到最符合所述目标函数的K维普段，并且在通过两分法对所述K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L。
本发明实施例的光谱曲线预处理及特征挖掘装置，采用跟踪微分器对光谱曲线数据进行微分和滤噪，获取一阶导曲线数据，并且对一阶导曲线数据进行采样，从而得到L维光谱数据，且为减少运算量，采样密度相对较低，并计算两两曲线数据的欧式距离，建立目标函数，以及通过直接逐点搜索法，选出最优K维光谱数据，进而采用二分法获得更为准确的K’维特征谱段，解决了运算量和采样精度之间的矛盾，不但可以同时实现原始数据的一阶导数据计算和滤噪功能，而且提高了特征挖掘的有效性和准确性，简单易实现。
另外，根据本发明上述实施例的光谱曲线预处理及特征挖掘装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述目标函数为：
F＝min f(xi，yi)，
其中，xi为所述类内距离，yi为类间距离，i＝1，2，3，…，L。
进一步地，在本发明的一个实施例中，上述装置还包括：第二建立模块，用于通过可视化界面保存所述多条光谱曲线、所述光谱一阶导曲线和所述光谱特征谱段，以建立光谱数据库。
进一步地，在本发明的一个实施例中，所述多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
可选地，在本发明的一个实施例中，所述预设采样距离可以为8nm。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的光谱曲线预处理及特征挖掘方法的流程图；
图2为根据本发明一个实施例的光谱曲线预处理及特征挖掘方法的流程图；
图3为根据本发明一个实施例的原始光谱曲线和跟踪微分器处理后的一阶导曲线示意图；
图4为根据本发明实施例的光谱曲线预处理及特征挖掘装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的光谱曲线预处理及特征挖掘方法及装置，首先将参照附图描述根据本发明实施例提出的。
图1是本发明实施例的光谱曲线预处理及特征挖掘方法的流程图。
如图1所示，该光谱曲线预处理及特征挖掘方法包括以下步骤：
在步骤S101中，采集多条光谱曲线。
其中，在本发明的一个实施例中，多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
如图2所示，首先通过光谱采集装置对特定波长内测量物品的光谱数据进行采集，并将原始光谱数据以文本文件形式存入内存，如采集n*m条光谱曲线并保存为文本文件，其中有n个不同种类，每种包括m条光谱曲线。
在步骤S102中，通过跟踪微分器对多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线。
也就是说，由于采集装置、环境等因素造成光谱曲线数据中夹杂大量随机噪声，传统差分法生成的光谱一阶导曲线会放大这些噪声，本发明实施例的方法采用跟踪微分器方法，在生成光谱曲线的一阶导数据的同时，滤除原数据中夹杂的噪声，以得到无噪声的光谱一阶导曲线，同时实现光谱曲线的一阶导曲线获取和滤除随机噪声。
如图2所示，本发明实施例的方法采用跟踪微分器对原始光谱数据进行一阶导数据获取并同时滤除，由于采集装置、环境等因素造成随机噪声，该方法替代传统“先滤噪，再求一阶导”的方法，加快原始数据预处理的速度，得到所需的光谱一阶导数据，并将其文本文件形式存入内存，如通过跟踪微分器对采集曲线同时进行微分和滤噪，获取无噪声的一阶导数据曲线，并保存为文本文件。
在步骤S103中，根据预设采样距离对光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数。
可选地，在本发明的一个实施例中，预设采样距离可以为8nm。
可以理解的是，如图2所示，对采集波长范围内的全谱进行等距离采样，采样距离可以为8nm，每条曲线共有L维光谱数据。
在步骤S104中，获取两两光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据类内距离和类间距离建立目标函数。
进一步地，在本发明的一个实施例中，目标函数为：
F＝min f(xi，yi)，
其中，xi为类内距离，yi为类间距离，i＝1，2，3，…，L。
可以理解的是，对一阶导曲线进行等距离采样得到L维光谱数据曲线。并求出两两光谱一阶导曲线欧式距离曲线：包括类内距离xi＝h(λ)和类间距离yi＝g(λ)(i＝1，2，3，…L)，根据曲线距离建立目标函数F＝min f(xi，yi)，即建立基于类内距离xi和类间距离yi的目标函数F＝min f(xi，yi)。
如图2所示，对一阶导曲线数据进行等距离采样(8nm)得到L维光谱数据，并求出两两光谱一阶导曲线欧式距离数据：包括类内距离xi＝h(λi)和类间距离yi＝g(λi)，根据数据距离建立目标函数F＝min f(xi，yi)，如求出两两一阶导曲线的欧式距离曲线，得到各类内距离xi＝h(λi)和类间距离yi＝g(λi)，并建立目标函数F＝min f(xi，yi)。
在步骤S105中，采用直接逐点搜索法对L维光谱数据进行最优计算，以得到最符合目标函数的K维普段，并且在通过两分法对K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L。
也就是说，采用结合直接逐点搜索法和二分法的挖掘方法选取L维数据中的K维特征谱段。具体地，根据目标函数，采用直接逐点搜索法对L维光谱数据进行最优化计算，并从中选取最符合目标函数的K(K<L)维谱段，对K维谱段进行一至两次二分法的精度更高的K’维谱段的作为光谱特征谱段作为光谱特征谱段。
如图2所示，根据已建立的目标函数，采用直接逐点搜索法对L维光谱数据进行最优化计算，并从中选取最符合目标函数的K(K<L)维谱段，对K维谱段进行一至两次二分法的精度更高的K’维谱段的作为光谱特征谱段，如采用直接逐点搜索法，选取最优K维的谱段，在经过两分法对K维谱段解算，选出更为准确的K’维特征谱段。
进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：通过可视化界面保存多条光谱曲线、光谱一阶导曲线和光谱特征谱段，以建立光谱数据库。
需要说明的是，处理后的数据保存为文本文件存入系统内存中，通过可视化界面对数据库中的光谱数据进行增加、修改、删除，建立个人光谱数据库，从而为光谱数据库建立提供一种可靠的方法。
下面以一个具体实施例对本发明实施例的方法进行详细描述。
在本发明的一个具体实施例中，本发明实施例的方法包括：
步骤S1，光谱数据采集：使用ASD的光谱仪作为光谱采集装置采集样品400nm-1700nm波长范围内的全谱数据，分辨率为1nm。其中，对n种不同种类样品各采集m组光谱数据，并将各光谱数据以文本文件形式保存，文件名为“文件夹名称_i.txt”，i从1开始依次递增，文件夹名称由用户自行设定。
步骤S2，光谱数据预处理：采用跟踪微分器对原始光谱数据进行一阶导计算，同时滤除数据中的随机噪声，将各一阶导数据以文本文件形式保存，文件名为“文件夹名称_i_d.txt”，与原始光谱数据文件保存在同一地址下。
跟踪微分器效果如图3所示，其中一种跟踪微分器具体数学形式如下：
其中，x2为光谱一阶导数据，v(t)为原始光谱数据，sign(x)为符号函数，r为增益系数。
步骤S3，一阶导数据采样：对光谱一阶导数据进行等距离采样，为减小计算量，采样距离为8nm，采样后得到L维光谱数据。
步骤S4，目标函数建立：计算任意两组一阶导数据的欧式距离数据：包括类内距离xi＝h(λi)和类间距离yi＝g(λi)(i＝1，2，3，…，L)，根据数据距离建立目标函数F＝min f(xi，yi)。
步骤S5，特征谱段挖掘：根据已建立的目标函数，采用直接逐点搜索法对L维光谱数据进行最优化计算，并从中选取最符合目标函数的K(K<L)维谱段后，再对K维谱段各进行一到两次二分法计算(可由用户选择)，得到新的K’维特征谱段。最后将特征谱段保存，建立n*m组样品的光谱数据库。
其中，在本发明的一个实施例中，步骤S5包括：
步骤S501，对L组数据依次带入目标函数F，计算目标值Fi，并从中选出K组最优数据。
步骤S502，对K组数据各进行一次二分法计算，对8nm特征谱段范围[λi,λi+8]进行第一次二分法计算取λa＝λi+2,λb＝λi+6，比较结果后特征谱段缩小为6nm。
步骤S503，由用户选择是否对6nm特征谱段进行第二次二分法，若选择，对[λi,λi+6]范围内选取λa＝λi+2,λb＝λi+4进行计算，获得最终的K’维特征谱段，每个谱段长度为4nm。
根据本发明实施例的光谱曲线预处理及特征挖掘方法，采用跟踪微分器对光谱曲线数据进行微分和滤噪，获取一阶导曲线数据，并且对一阶导曲线数据进行采样，从而得到L维光谱数据，且为减少运算量，采样密度相对较低，并计算两两曲线数据的欧式距离，建立目标函数，以及通过直接逐点搜索法，选出最优K维光谱数据，进而采用二分法获得更为准确的K’维特征谱段，解决了运算量和采样精度之间的矛盾，最后光谱原始数据、一阶导数据和特征波段通过可视化界面存入系统内存中，便于增加、修改和删除，不但可以同时实现原始数据的一阶导数据计算和滤噪功能，而且提高了特征挖掘的有效性和准确性，简单便捷。
其次参照附图描述根据本发明实施例提出的光谱曲线预处理及特征挖掘装置。
图4是本发明实施例的光谱曲线预处理及特征挖掘装置的结构示意图。
如图4所示，该光谱曲线预处理及特征挖掘装置10包括：采集模块100、处理模块200、采样模块300、第一建立模块400和获取模块500。
其中，采集模块100用于采集多条光谱曲线。处理模块200用于通过跟踪微分器对多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线。采样模块300用于根据预设采样距离对光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数。第一建立模块400用于获取两两光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据类内距离和类间距离建立目标函数。获取模块500用于采用直接逐点搜索法对L维光谱数据进行最优计算，以得到最符合目标函数的K维普段，并且在通过两分法对K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L。本发明实施例的装置10可以同时实现原始数据的一阶导数据计算和滤噪功能，并且提高了特征挖掘的有效性和准确性，简单便捷。
进一步地，在本发明的一个实施例中，目标函数为：
F＝min f(xi，yi)，
其中，xi为类内距离，yi为类间距离，i＝1，2，3，…，L。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：第二建立模块。其中，第二建立模块用于通过可视化界面保存多条光谱曲线、光谱一阶导曲线和光谱特征谱段，以建立光谱数据库。
进一步地，在本发明的一个实施例中，多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
可选地，在本发明的一个实施例中，预设采样距离可以为8nm。
需要说明的是，前述对光谱曲线预处理及特征挖掘方法实施例的解释说明也适用于该实施例的光谱曲线预处理及特征挖掘装置，此处不再赘述。
根据本发明实施例的光谱曲线预处理及特征挖掘方法，采用跟踪微分器对光谱曲线数据进行微分和滤噪，获取一阶导曲线数据，并且对一阶导曲线数据进行采样，从而得到L维光谱数据，且为减少运算量，采样密度相对较低，并计算两两曲线数据的欧式距离，建立目标函数，以及通过直接逐点搜索法，选出最优K维光谱数据，进而采用二分法获得更为准确的K’维特征谱段，解决了运算量和采样精度之间的矛盾，最后光谱原始数据、一阶导数据和特征波段通过可视化界面存入系统内存中，便于增加、修改和删除，不但可以同时实现原始数据的一阶导数据计算和滤噪功能，而且提高了特征挖掘的有效性和准确性，简单易实现。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种光谱曲线预处理及特征挖掘方法，其特征在于，包括以下步骤：
采集多条光谱曲线；
通过跟踪微分器对所述多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线；
根据预设采样距离对所述光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数；
获取两两所述光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据所述类内距离和类间距离建立目标函数；以及
采用直接逐点搜索法对所述L维光谱数据进行最优计算，以得到最符合所述目标函数的K维普段，并且在通过两分法对所述K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L。
2.根据权利要求1所述的光谱曲线预处理及特征挖掘方法，其特征在于，所述目标函数为：
F＝min f(xi，yi)，
其中，xi为所述类内距离，yi为类间距离，i＝1，2，3，…，L。
3.根据权利要求1所述的光谱曲线预处理及特征挖掘方法，其特征在于，还包括：
通过可视化界面保存所述多条光谱曲线、所述光谱一阶导曲线和所述光谱特征谱段，以建立光谱数据库。
4.根据权利要求1所述的光谱曲线预处理及特征挖掘方法，其特征在于，所述多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
5.根据权利要求1所述的光谱曲线预处理及特征挖掘方法，其特征在于，所述预设采样距离为8nm。
6.一种光谱曲线预处理及特征挖掘装置，其特征在于，包括：
采集模块，用于采集多条光谱曲线；
处理模块，用于通过跟踪微分器对所述多条光谱曲线同时进行微分和滤噪，以获取无噪声的光谱一阶导曲线；
采样模块，用于根据预设采样距离对所述光谱一阶导曲线进行等距离采样，以得到L维光谱数据，其中，L为正整数；
第一建立模块，用于获取两两所述光谱一阶导曲线的欧式距离曲线，以得到类内距离和类间距离，并且根据所述类内距离和类间距离建立目标函数；以及
获取模块，用于采用直接逐点搜索法对所述L维光谱数据进行最优计算，以得到最符合所述目标函数的K维普段，并且在通过两分法对所述K维谱段解算之后，获取K’维特征谱段作为光谱特征谱段，其中，K为正整数且小于L。
7.根据权利要求6所述的光谱曲线预处理及特征挖掘装置，其特征在于，所述目标函数为：
F＝min f(xi，yi)，
其中，xi为所述类内距离，yi为类间距离，i＝1，2，3，…，L。
8.根据权利要求6所述的光谱曲线预处理及特征挖掘装置，其特征在于，还包括：
第二建立模块，用于通过可视化界面保存所述多条光谱曲线、所述光谱一阶导曲线和所述光谱特征谱段，以建立光谱数据库。
9.根据权利要求6所述的光谱曲线预处理及特征挖掘装置，其特征在于，所述多条光谱曲线包括多个种类的光谱曲线，其中，每个种类的光谱曲线具有至少一条光谱曲线。
10.根据权利要求6所述的光谱曲线预处理及特征挖掘装置，其特征在于，所述预设采样距离为8nm。
CN201610951609.6A 2016-11-01 2016-11-01 光谱曲线预处理及特征挖掘方法及装置 Active CN106568724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610951609.6A CN106568724B (zh) 2016-11-01 2016-11-01 光谱曲线预处理及特征挖掘方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610951609.6A CN106568724B (zh) 2016-11-01 2016-11-01 光谱曲线预处理及特征挖掘方法及装置

Publications (2)

Publication Number Publication Date
CN106568724A true CN106568724A (zh) 2017-04-19
CN106568724B CN106568724B (zh) 2019-03-01

Family

ID=58535118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610951609.6A Active CN106568724B (zh) 2016-11-01 2016-11-01 光谱曲线预处理及特征挖掘方法及装置

Country Status (1)

Country Link
CN (1) CN106568724B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020248961A1 (zh) * 2019-06-11 2020-12-17 浙江中烟工业有限责任公司 一种无参考值的光谱波数选择方法
CN113280919A (zh) * 2021-05-08 2021-08-20 中国科学院长春光学精密机械与物理研究所 目标物体的光谱探测方法、光谱探测装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060251324A1 (en) * 2004-09-20 2006-11-09 Bachmann Charles M Method for image data processing
CN103678500A (zh) * 2013-11-18 2014-03-26 南京邮电大学 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法
CN103868865A (zh) * 2014-02-24 2014-06-18 北京空间机电研究所 一种基于高光谱数据信息极大化的物质最优分类识别方法
CN103996047A (zh) * 2014-03-04 2014-08-20 西安电子科技大学 基于压缩谱聚类集成的高光谱图像分类方法
CN104268896A (zh) * 2014-10-27 2015-01-07 武汉大学 基于光谱抽样直方图的超光谱降维匹配方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060251324A1 (en) * 2004-09-20 2006-11-09 Bachmann Charles M Method for image data processing
CN103678500A (zh) * 2013-11-18 2014-03-26 南京邮电大学 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法
CN103868865A (zh) * 2014-02-24 2014-06-18 北京空间机电研究所 一种基于高光谱数据信息极大化的物质最优分类识别方法
CN103996047A (zh) * 2014-03-04 2014-08-20 西安电子科技大学 基于压缩谱聚类集成的高光谱图像分类方法
CN104268896A (zh) * 2014-10-27 2015-01-07 武汉大学 基于光谱抽样直方图的超光谱降维匹配方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
庄超玮 等: "基于跟踪微分器的四旋翼飞行器控制器", 《计算机仿真》 *
武利强 等: "跟踪微分器滤波性能研究", 《系统仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020248961A1 (zh) * 2019-06-11 2020-12-17 浙江中烟工业有限责任公司 一种无参考值的光谱波数选择方法
CN113280919A (zh) * 2021-05-08 2021-08-20 中国科学院长春光学精密机械与物理研究所 目标物体的光谱探测方法、光谱探测装置及存储介质

Also Published As

Publication number Publication date
CN106568724B (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
Wang et al. Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama
Rastogi et al. Leaf disease detection and grading using computer vision technology & fuzzy logic
CN109374537B (zh) 城市黑臭水体识别方法及装置
Cavallaro et al. Automatic attribute profiles
CN109858477A (zh) 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法
US6771798B1 (en) Hyperspectral visualization extensible workbench
CN104990892B (zh) 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
CN109993155A (zh) 针对低信噪比紫外拉曼光谱的特征峰提取方法
EP2731052A2 (en) Spectral scene simplification through background substraction
CN112883987A (zh) 基于遥感光谱特征的目标提取方法及系统及装置及介质
CN106568724A (zh) 光谱曲线预处理及特征挖掘方法及装置
CN111523587A (zh) 一种基于机器学习的木本植物物种光谱识别方法
CN105139369A (zh) 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法
Novotný et al. Individual tree crowns delineation using local maxima approach and seeded region growing technique
Ghiyamat et al. Airborne hyperspectral discrimination of tree species with different ages using discrete wavelet transform
Hossain et al. Detection of levee slides using commercially available remotely sensed data
JP2018169390A (ja) 染色体異常判定装置
CN113570538A (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
Tochon et al. Binary partition tree as a hyperspectral segmentation tool for tropical rainforests
Andrade et al. Potential of texture analysis for charcoal classification
US8891870B2 (en) Substance subtraction in a scene based on hyperspectral characteristics
Rocchini et al. From spectral to ecological information
Zhu et al. A FEATURE EXTRACTION METHOD BASED ON DEEP LEARNING USING HYPERSPECTRAL IMAING FOR THE EVALUATION OF OILSEED REPE CANOPY NITROGEN CONTENT GRADES

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant