CN110008989A - 一种光谱特征相似条件下不同目标的红外光谱识别方法 - Google Patents
一种光谱特征相似条件下不同目标的红外光谱识别方法 Download PDFInfo
- Publication number
- CN110008989A CN110008989A CN201910133582.3A CN201910133582A CN110008989A CN 110008989 A CN110008989 A CN 110008989A CN 201910133582 A CN201910133582 A CN 201910133582A CN 110008989 A CN110008989 A CN 110008989A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- different target
- dimensionality reduction
- spectral
- infrared spectroscopy
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004566 IR spectroscopy Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 99
- 230000009467 reduction Effects 0.000 claims abstract description 41
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004611 spectroscopical analysis Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000003331 infrared imaging Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 3
- 238000000701 chemical imaging Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光谱特征相似条件下不同目标的红外光谱识别方法，对采集到的不具备显著光谱特征的不同目标红外光谱图像进行处理，通过辐射定标、去噪、样本采集、主成分分析法降维、聚类等运算，获得不同目标样本光谱降维后的聚类中心，在进行目标识别时，对待测光谱使用同样的处理方法计算出降维光谱并与已知的聚类中心进行对比，进而实现具有相似光谱的不同目标的识别；本方法能够在轮廓相近并且没有显著特征吸收的不同目标的光谱中，提取出具有显著差异特征信息的降维光谱，根据降维光谱间的差异性，实现不同目标的区分，利用待测光谱得到的降维数据，计算出与不同目标之间的距离，可找出与待测光谱最相近的类别，从而达到目标识别的目的。
Description
技术领域
本发明属于红外探测技术领域和光谱图像处理技术领域，具体涉及一种光谱特征相似条件下不同目标的红外光谱识别方法。
背景技术
随着红外探测技术的快速发展，红外光谱成像技术因为具有光谱信息和空间信息多模式检测的特点，在目标的探测和识别中已得到了广泛的应用。例如在地质勘探、大气遥感和真假目标及干扰物的识别等领域，已成为了行之有效并重点发展前沿技术。
近年来，采用红外光谱成像技术，对不同的目标进行检测和识别，已成了红外成像识别应用的关键技术手段。这种技术相对于传统的基于红外空间成像识别相比具有很大的优势：
a)采集的数据同时包含有空间图像和光谱图像，获得了更为丰富的探测目标信息，提升了对目标的识别能力；
b)光谱数据反映的是目标的物质成分，能够有效的识别出伪装和虚假目标；
c)结合光谱图像的分析技术，可实现探测目标定性到定量的分析。
在红外光谱成像技术中，光谱图像的分析和处理技术至关重要。红外光谱图像的数据量非常大，对这些海量的数据进行分析，需要经过光谱的去噪，增强和校正等处理，提取出关于探测目标的特征光谱信息是解决目标识别问题关键。提取的待测目标特征光谱与存储于数据库的已知目标光谱进行比对和匹配，以实现目标的检测和识别。
然而，在现实的应用中，不同的目标在较强的背景下，信噪比较低，光谱的轮廓相近，也没有吸收峰等显著光谱特征信息，传统的基于光谱显著特征的识别方法不能有效的将不同目标给检测和识别出来。因此，在具有相似光谱的条件下，实现不同目标的检测和识别成为了一个亟待解决的问题。
发明内容
为了实现对相似光谱条件下不同目标的识别，本发明提出一种基于主成分分析的光谱降维识别方法，以实现目标的检测和识别。
本发明解决其技术问题所采用的技术方案是：步骤1，对红外成像系统采集的目标红外光谱数据进行辐射定标，消除成像系统和传感器响应产生的误差，获得目标红外光谱的准确辐射值；步骤2，采用多元散射校正方法对辐射定标后的红外光谱进行滤波，以降低光谱数据噪声；步骤3，针对不同的目标采集多个红外光谱数据作为样本，对样本数据集进行主成分分析降维处理，获得不同目标的降维光谱；步骤4，对降维光谱进行聚类，获得不同目标降维光谱的聚类中心；步骤5，对待测光谱进行1～3步的计算得到待测目标的降维光谱，通过计算其与步骤4中得到的各聚类中心的距离，最终实现具有相似光谱不同目标的识别。
进一步，所述步骤1中的辐射定标计算光谱辐射亮度通过下列公式实现：
上式中，L(δ,T)为黑体光谱辐射亮度以波数表示的普朗克公式，δ为波数，T为温度，c1＝2hc2＝1.191062×10-12[W·cm2]为重新定义的第一辐射常数，c2＝hc/k＝1.438786[cm·K]为重新定义的第二辐射常数，SH和SL分别为两点定标时高温黑体和低温黑体的原始光谱强度，LH和LL分别为高低温黑体对应的普朗克曲线，计算得到的K、B值为两点线性定标的参数，S为采集到得原始光谱强度，最终通过式(4)计算得到光谱S对应的光谱辐射亮度SRadiance。
进一步，所述步骤2中利用多元散射校正方法对光谱滤波主要通过以下公式来实现：
以上公式中，A为采样点的辐射亮度光谱，为平均光谱，式(5)为光谱校正的一元线性回归模型，线性回归运算得到的模型参数m和b值用于式(7)计算得到MSC校正后的光谱，达到对光谱降噪的目的。
进一步，所述步骤3中对具有相似光谱特征的t个不同目标分别采集光谱作为样本数据X1,X2,…,Xp，样本数据总数为p，光谱用X＝(x1,x2,…,xn)表示，n为光谱的维度，由所有的样本数据得到对应的协方差矩阵Cn×n，表示为：
计算矩阵的特征值和特征向量，将特征值由大到小排列为{λ1,λ2,…,λn}，对应的特征向量为{υ1,υ2,…,υn}，当前m个特征值满足下式：
表示数据的前m个主成分能够表征样本数据的差异性，得到转换矩阵(υ1 υ2 …υm)，所有样本数据降维的结果由下式计算：
式中Y为降维后的1×m维向量。
进一步，所述步骤4中步骤3得到的样本降维数据进行聚类，计算得到t个不同目标的聚类中心为Y(1),Y(2),…,Y(t),Y(i)＝(y1,y2,…,ym)。
进一步，所述步骤5对待测光谱进行处理，进行步骤2的计算得到待测目标的辐射亮度光谱，通过转换矩阵(υ1 υ2 … υm)得到降维光谱，降维光谱分别计算与t个不同目标的聚类中心Y(1),Y(2),…,Y(t)的距离，同时计算同一类别内所有样本数据的方差；当距离取最小值并且距离值小于两倍方差时，对应目标类别即为待测光谱的类别。
本发明的特点以及有益效果在于：
1，对采集的光谱进行辐射定标，将成像设备采集的原始光谱转换成目标辐射的光谱，降低了成像系统对光谱产生的影响，提高了采集光谱的准确性；
2，多元散射校正(MSC)方法对辐射定标后的光谱进行滤波，有效的降低了光谱噪声，提高光谱分析识别的精度；
3，对不同目标的光谱进行采样和降维，将具有相近结构的光谱转换为具有显著差异的光谱，有效的提高了利用光谱信息对目标进行识别的能力。
附图说明
图1为本发明红外光谱识别方法的原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式做出进一步详细地说明。
由图1所示，一种光谱特征相似条件下不同目标的红外光谱识别方法原理框图，实现目标的检测和识别包括以下步骤：
步骤1，对红外成像系统采集的目标红外光谱数据进行辐射定标，消除成像系统和传感器响应等产生误差，获得目标红外光谱的准确辐射值。
所述的辐射定标计算光谱辐射亮度通过下列公式实现：
上式中，L(δ,T)为黑体光谱辐射亮度以波数表示的普朗克公式，δ为波数，T为温度，c1＝2hc2＝1.191062×10-12[W·cm2]为重新定义的第一辐射常数，c2＝hc/k＝1.438786[cm·K]为重新定义的第二辐射常数。SH和SL分别为两点定标时高温黑体和低温黑体的原始光谱强度，LH和LL分别为高低温黑体对应的普朗克曲线，计算得到的K、B值为两点线性定标的参数，S为采集到得原始光谱强度，最终通过式(4)计算得到光谱S对应的光谱辐射亮度SRadiance。
步骤2，采用多元散射校正(MSC)方法对辐射定标后的红外光谱进行滤波，以降低光谱数据噪声。
所述的利用多元散射校正(MSC)方法对光谱滤波主要通过以下公式来实现：
以上公式中，A为采样点的辐射亮度光谱，为平均光谱，式(5)为光谱校正的一元线性回归模型，线性回归运算得到的模型参数m和b值用于式(7)计算得到MSC校正后的光谱，达到对光谱降噪的目的。
步骤3，针对不同的目标采集多个红外光谱数据作为样本，对样本数据集进行主成分分析降维处理，获得不同目标的降维光谱。
其中对具有相似光谱特征的t个不同目标分别采集光谱作为样本数据X1,X2,…,Xp，样本数据总数为p，光谱用X＝(x1,x2,…,xn)表示，n为光谱的维度，由所有的样本数据得到对应的协方差矩阵Cn×n，表示为：
计算矩阵的特征值和特征向量，将特征值由大到小排列为{λ1,λ2,…,λn}，对应的特征向量为{υ1,υ2,…,υn}，当前m个特征值满足下式：
表示数据的前m个主成分能够表征样本数据的差异性，得到转换矩阵(υ1 υ2 …υm)，所有样本数据降维的结果由下式计算：
Y为降维后的1×m维向量。
步骤4，对降维光谱进行聚类，获得不同目标降维光谱的聚类中心：对步骤3得到的样本降维数据进行聚类，计算得到t个不同目标的聚类中心为Y(1),Y(2),…,Y(t),Y(i)＝(y1,y2,…,ym)。
步骤5，对待测光谱进行1～3步的计算得到待测目标的降维光谱，通过计算其与步骤4中得到的各聚类中心的距离，最终实现具有相似光谱不同目标的识别。
对待测光谱进行处理，进行步骤2的计算得到待测目标的辐射亮度光谱，通过转换矩阵(υ1 υ2 … υm)得到降维光谱，降维光谱分别计算与t个不同目标的聚类中心Y(1),Y(2),…,Y(t)的距离，同时计算同一类别内所有样本数据的方差；当距离取最小值并且距离值小于两倍方差时，对应目标类别即为待测光谱的类别。
本发明方法能够在轮廓相近并且没有显著特征吸收的不同目标的光谱中，提取出具有显著差异特征信息的降维光谱，根据降维光谱间的差异性，实现不同目标的区分。利用待测光谱得到的降维数据，计算出与不同目标之间的距离，可找出与待测光谱最相近的类别，从而达到目标识别的目的。
本发明不局限于上述最佳实施方式，任何本领域技术人员在本发明的启示下都可以得出其它变形及改进的产品，但不论在其形状或结构上做任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。
Claims (6)
1.一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于：包括以下步骤
步骤1，对红外成像系统采集的目标红外光谱数据进行辐射定标，消除成像系统和传感器响应产生的误差，获得目标红外光谱的准确辐射值；
步骤2，采用多元散射校正方法对辐射定标后的红外光谱进行滤波，以降低光谱数据噪声；
步骤3，针对不同的目标采集多个红外光谱数据作为样本，对样本数据集进行主成分分析降维处理，获得不同目标的降维光谱；
步骤4，对降维光谱进行聚类，获得不同目标降维光谱的聚类中心；
步骤5，对待测光谱进行1～3步的计算得到待测目标的降维光谱，通过计算其与步骤4中得到的各聚类中心的距离，最终实现具有相似光谱不同目标的识别。
2.根据权利要求1所述的一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于，所述步骤1中的辐射定标计算光谱辐射亮度通过下列公式实现：
上式中，L(δ,T)为黑体光谱辐射亮度以波数表示的普朗克公式，δ为波数，T为温度，c1＝2hc2＝1.191062×10-12[W·cm2]为重新定义的第一辐射常数，c2＝hc/k＝1.438786[cm·K]为重新定义的第二辐射常数，SH和SL分别为两点定标时高温黑体和低温黑体的原始光谱强度，LH和LL分别为高低温黑体对应的普朗克曲线，计算得到的K、B值为两点线性定标的参数，S为采集到得原始光谱强度，最终通过式(4)计算得到光谱S对应的光谱辐射亮度SRadiance。
3.根据权利要求2所述的一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于，所述步骤2中利用多元散射校正方法对光谱滤波主要通过以下公式来实现：
以上公式中，A为采样点的辐射亮度光谱，为平均光谱，式(5)为光谱校正的一元线性回归模型，线性回归运算得到的模型参数m和b值用于式(7)计算得到MSC校正后的光谱，达到对光谱降噪的目的。
4.根据权利要求1或2或3所述的一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于，所述步骤3中对具有相似光谱特征的t个不同目标分别采集光谱作为样本数据X1,X2,…,Xp，样本数据总数为p，光谱用X＝(x1,x2,…,xn)表示，n为光谱的维度，由所有的样本数据得到对应的协方差矩阵Cn×n，表示为：
计算矩阵的特征值和特征向量，将特征值由大到小排列为{λ1,λ2,…,λn}，对应的特征向量为{υ1,υ2,…,υn}，当前m个特征值满足下式：
表示数据的前m个主成分能够表征样本数据的差异性，得到转换矩阵(υ1 υ2 … υm)，所有样本数据降维的结果由下式计算：
式中Y为降维后的1×m维向量。
5.根据权利要求4所述的一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于，所述步骤4中步骤3得到的样本降维数据进行聚类，计算得到t个不同目标的聚类中心为Y(1),Y(2),…,Y(t),Y(i)＝(y1,y2,…,ym)。
6.根据权利要求5所述的一种光谱特征相似条件下不同目标的红外光谱识别方法，其特征在于，所述步骤5对待测光谱进行处理，进行步骤2的计算得到待测目标的辐射亮度光谱，通过转换矩阵(υ1 υ2 … υm)得到降维光谱，降维光谱分别计算与t个不同目标的聚类中心Y(1),Y(2),…,Y(t)的距离，同时计算同一类别内所有样本数据的方差；当距离取最小值并且距离值小于两倍方差时，对应目标类别即为待测光谱的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133582.3A CN110008989A (zh) | 2019-02-22 | 2019-02-22 | 一种光谱特征相似条件下不同目标的红外光谱识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133582.3A CN110008989A (zh) | 2019-02-22 | 2019-02-22 | 一种光谱特征相似条件下不同目标的红外光谱识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008989A true CN110008989A (zh) | 2019-07-12 |
Family
ID=67165880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910133582.3A Pending CN110008989A (zh) | 2019-02-22 | 2019-02-22 | 一种光谱特征相似条件下不同目标的红外光谱识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008989A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381136A (zh) * | 2020-11-12 | 2021-02-19 | 深兰人工智能芯片研究院（江苏）有限公司 | 目标检测方法和装置 |
| CN112464017A (zh) * | 2021-01-27 | 2021-03-09 | 中国工程物理研究院流体物理研究所 | 一种红外物证提取仪、光谱特征库建立方法和利用方法 |
| CN114993470A (zh) * | 2022-08-05 | 2022-09-02 | 华中科技大学 | 一种短中长波红外光谱字典的构建方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607711A (zh) * | 2012-03-24 | 2012-07-25 | 中国科学院安徽光学精密机械研究所 | 便携式双波段热红外辐亮度计 |
| CN107271394A (zh) * | 2017-05-16 | 2017-10-20 | 江苏大学 | 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法 |
-
2019
- 2019-02-22 CN CN201910133582.3A patent/CN110008989A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607711A (zh) * | 2012-03-24 | 2012-07-25 | 中国科学院安徽光学精密机械研究所 | 便携式双波段热红外辐亮度计 |
| CN107271394A (zh) * | 2017-05-16 | 2017-10-20 | 江苏大学 | 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381136A (zh) * | 2020-11-12 | 2021-02-19 | 深兰人工智能芯片研究院（江苏）有限公司 | 目标检测方法和装置 |
| CN112381136B (zh) * | 2020-11-12 | 2022-08-19 | 深兰智能科技(上海)有限公司 | 目标检测方法和装置 |
| CN112464017A (zh) * | 2021-01-27 | 2021-03-09 | 中国工程物理研究院流体物理研究所 | 一种红外物证提取仪、光谱特征库建立方法和利用方法 |
| CN112464017B (zh) * | 2021-01-27 | 2021-05-14 | 中国工程物理研究院流体物理研究所 | 一种红外物证提取仪、光谱特征库建立方法和利用方法 |
| CN114993470A (zh) * | 2022-08-05 | 2022-09-02 | 华中科技大学 | 一种短中长波红外光谱字典的构建方法及系统 |
| CN114993470B (zh) * | 2022-08-05 | 2022-10-25 | 华中科技大学 | 一种短中长波红外光谱字典的构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574474B (zh) | 一种基于质谱信息的生物特征图像识别方法 | |
| CN110008989A (zh) | 一种光谱特征相似条件下不同目标的红外光谱识别方法 | |
| 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 | |
| CN106469301A (zh) | 自适应可调节的人脸识别方法和装置 | |
| CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
| CN109030407B (zh) | 一种混合模糊c均值聚类的苹果品种分类方法 | |
| CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
| CN110596280A (zh) | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 | |
| CN110378374B (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
| CN106408012A (zh) | 一种模糊鉴别聚类的茶叶红外光谱分类方法 | |
| CN110346312A (zh) | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 | |
| CN104376325A (zh) | 一种近红外定性分析模型的建立方法 | |
| CN111626224B (zh) | 基于近红外光谱和ssa优化的elm的煤矸石快速识别方法 | |
| CN108489929A (zh) | 人参、三七和西洋参三种法定基源人参属多糖的鉴别方法 | |
| CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
| CN110376202A (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
| Chen et al. | Identification of various food residuals on denim based on hyperspectral imaging system and combination optimal strategy | |
| CN106018316B (zh) | 一种基于高光谱红外图像处理的气体检测方法 | |
| CN110717485B (zh) | 一种基于局部保留投影的高光谱图像稀疏表示分类方法 | |
| CN108491894B (zh) | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 | |
| CN110749575A (zh) | 一种中药多糖二维红外光谱鉴别预测模型及其构建方法和应用 | |
| CN102880861A (zh) | 基于线性预测倒谱系数的高光谱图像分类方法 | |
| Schleif et al. | Support vector classification of proteomic profile spectra based on feature extraction with the bi-orthogonal discrete wavelet transform |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |