CN110196233A - 一种基于高光谱成像的血迹时间预测方法及装置 - Google Patents
一种基于高光谱成像的血迹时间预测方法及装置 Download PDFInfo
- Publication number
- CN110196233A CN110196233A CN201910133732.0A CN201910133732A CN110196233A CN 110196233 A CN110196233 A CN 110196233A CN 201910133732 A CN201910133732 A CN 201910133732A CN 110196233 A CN110196233 A CN 110196233A
- Authority
- CN
- China
- Prior art keywords
- bloodstain
- time
- spectrum
- curve
- forming
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 157
- 238000013277 forecasting method Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 37
- 238000005516 engineering process Methods 0.000 description 13
- 239000008280 blood Substances 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000011840 criminal investigation Methods 0.000 description 7
- 102000001554 Hemoglobins Human genes 0.000 description 5
- 108010054147 Hemoglobins Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001590 oxidative effect Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004435 EPR spectroscopy Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的血迹时间预测方法及装置，该方法包括：接收不同时间段血迹样本的高光谱图像数据；提取图像数据中的光谱曲线，建立以光谱曲线与其对应血迹形成时间为变量的时间‑光谱域模型；接收待预测血迹形成时间的高光谱图像数据，根据时间‑光谱域模型预测血迹形成时间。
Description
技术领域
本公开属于高光谱成像和刑侦检测的技术领域，涉及一种基于高 光谱成像的血迹时间预测方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必 然构成在先技术。
血迹形成时间的确定，在法医刑侦检测领域具有极为重大的意义， 它不仅能帮助刑侦人员确定案发时间，重构案发现场，还可以帮助刑 侦人员确定嫌疑人范围，排除与案件无关的人证物证。
利用肉眼观察血迹颜色与形态的变化是对血迹时间最简单的一种 预测鉴别方法，在肉眼观察受限的基础上，随着显微观察、显微成像 技术的出现和不断发展，各式各样的显微观察设备，都有被用于观察 与记录血迹随时间变化的报告或其他形式的记载。除此之外，电泳技 术、高效液相色谱技术、电子顺磁共振技术、氧电极技术、基因分析 技术等也相继被应用于血迹随时间的变化检测和预测血迹形成时间 中。
然而，这些方法虽然可以大概预测出血迹的形成时间，但是这些 方法技术预测过程复杂，耗时较长且精确度仍有待提高。
发明内容
针对现有技术中存在的预测复杂耗时较长的不足，本公开的一个 或多个实施例提供了一种基于高光谱成像的血迹时间预测方法及装 置,利用基于高光谱成像技术的时间-光谱模型进行血迹形成时间的 预测，简化了时间预测过程，可以便捷、快速、无损的实现精确度较 高的血迹形成时间预测。
根据本公开的一个或多个实施例的一个方面，提供一种基于高光 谱成像的血迹时间预测方法。
一种基于高光谱成像的血迹时间预测方法，该方法包括：
接收不同时间段血迹样本的高光谱图像数据；
提取图像数据中的光谱曲线，建立以光谱曲线与其对应血迹形成 时间为变量的时间-光谱域模型；
接收待预测血迹形成时间的高光谱图像数据，根据时间-光谱域 模型预测血迹形成时间。
进一步地，在该方法中，将光谱曲线与其对应血迹形成时间进行 偏最小二乘非线性拟合分析，并采用非线性迭代建立以光谱曲线与其 对应血迹形成时间为变量的时间-光谱域模型。
进一步地，在该方法中，所述时间-光谱域模型表示光谱曲线各 个波段辐射强度值与血迹形成时间的相关性强弱。
进一步地，在该方法中，选择光谱曲线中与血迹形成时间的相关 性最高的特征光谱波段，与其对应血迹形成时间建立光谱曲线与其对 应血迹形成时间为变量的时间-光谱域模型，用于血迹形成时间预测。
进一步地，在该方法中，所述建立以光谱曲线与其对应血迹形成 时间为变量的时间-光谱域模型的具体步骤包括：
提取图像数据中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波 段相关的时间-光谱域的解释函数；
返回利用下一个高光谱图像数据进行模型训练，得到最终的时间 -光谱域模型。
进一步地，在该方法中，将时间-光谱域模型存储入数据库保存。
进一步地，在该方法还包括，对时间-光谱域模型进行测试，接 收的不同时间段血迹样本的高光谱图像数据包括训练样本和测试样 本，利用训练样本训练建立以光谱曲线与其对应血迹形成时间为变量 的时间-光谱域模型，利用测试样本对时间-光谱域模型进行测试。
进一步地，在该方法中，测试样本对时间-光谱域模型进行测试 的具体步骤包括：
提取测试样本中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波 段相关的时间-光谱域的解释函数；
将根据测试样本得到的时间-光谱域的解释函数与根据训练样本 得到的时间-光谱域的解释函数进行数据匹配运算，得到匹配方差， 所述匹配方差与时间-光谱域模型预测精确度成反比。
根据本公开的一个或多个实施例的一个方面，提供一种计算机可 读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于 由终端设备的处理器加载并执行所述的一种基于高光谱成像的血迹 时间预测方法。
根据本公开的一个或多个实施例的一个方面，提供一种终端设备。
一种终端设备，其包括处理器和计算机可读存储介质，处理器用 于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适 于由处理器加载并执行所述的一种基于高光谱成像的血迹时间预测 方法。
根据本公开的一个或多个实施例的一个方面，提供一种基于高光 谱成像的血迹时间预测装置。
一种基于高光谱成像的血迹时间预测装置，基于所述的一种基于 高光谱成像的血迹时间预测方法，包括：
数据采集模块，用于接收不同时间段血迹样本的高光谱图像数据， 并发送至模型建立模块；接收待预测血迹形成时间的高光谱图像数据， 并发送至时间预测模块；
模型建立模块，用于提取图像数据中的光谱曲线，建立以光谱曲 线与其对应血迹形成时间为变量的时间-光谱域模型，并发送至时间 预测模块；
时间预测模块，用于将待预测血迹形成时间的高光谱图像数据根 据时间-光谱域模型预测血迹时间。
本公开的有益效果：
本公开提供的一种基于高光谱成像的血迹时间预测方法及装置， 创造性的将物质光谱域和时间域的相关性联系建立了时间-光谱域模 型进行血迹时间的预测，该模型现阶段主要应用于刑侦检测领域血迹 时间的预测中，一方面它更系统清晰的解释了通过光谱变化预测血迹 时间的理论原理；另一方面，该模型在预测精度预测时间以及预测复 杂度上都极具优势，该血迹预测方法可以获得精确度较高的预测值， 预测性能较强。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理 解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本 申请的不当限定。
图1是根据一个或多个实施例的一种基于高光谱成像的血迹时 间预测方法流程图；
图2是根据一个或多个实施例的利用时间-光谱域模型进行血迹 时间预测的流程示意图；
图3是根据一个或多个实施例的血迹时间预测值与实际值之间 的相关关系示意图。
具体实施方式：
下面将结合本公开的一个或多个实施例中的附图，对本公开的一 个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述 的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本 公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一 步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有 与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除 非上下文另外明确指出，否则单数形式也意图包括复数形式，此外， 还应当理解的是，当在本说明书中使用术语“包含”和/或“包括” 时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种 实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意， 流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一 部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于 实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在 有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图 中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本 并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所 涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或 操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算 机指令的组合来实现。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相 互组合，下面结合附图与实施例对本公开作进一步说明。
如图1所示，根据本公开的一个或多个实施例的一个方面，提供 一种基于高光谱成像的血迹时间预测方法。
一种基于高光谱成像的血迹时间预测方法，该方法包括：
S101:接收不同时间段血迹样本的高光谱图像数据；
S102:提取图像数据中的光谱曲线，建立以光谱曲线与其对应血 迹形成时间为变量的时间-光谱域模型；
S103:接收待预测血迹形成时间的高光谱图像数据，根据时间- 光谱域模型预测血迹形成时间。
本公开在高光谱成像技术应用的基础上建立了一种时间-光谱域 模型，研究了血迹在体外环境中随时间的变化与其光谱随时间变化的 相关性，该模型主要表达了样本光谱各波段与时间的相关性关系。该 模型以血迹样本为例提出，以血液中血红蛋白在离体环境中的氧化变 性作用为理论基础，以高光谱成像光谱仪获取的三维血迹数据立方体 为技术支撑，提取血迹光谱以及相应的时间数据进行统计分析，辅助 以非线性迭代算法、非线性回归算法和典型相关分析算法等具体计算 过程，最终建立一个可以充分表达血迹光谱与其时间相关关系的模型 公式。通过高光谱分析机制来表征血迹高光谱特征与血液氧化衰减之 间的相关性，从而通过对血迹光谱特征的分析来判断血迹形成时间。
该时间-光谱域模型以血液在体外的氧化变性过程为理论支持， 以高光谱血迹三维图像立方体为数据支撑，通过分析处理高光谱血迹 图像立方体，观察血迹空间图像信息随时间的变化并提取该血迹样本 在此变化过程中的每一个阶段的光谱曲线。以这组变化的光谱曲线和 其对应的血迹时间为变量，运用非线性迭代结合非线性拟合的方法， 构建了上述血迹时间预测相关的时间-光谱域模型。
利用高光谱成像技术获取不同时刻的血迹样本的高光谱图像数 据，从中提取当前时刻血迹的反射光谱曲线，分析该光谱曲线与时间 的联系，提出建立相关的时间-光谱域模型函数。该模型分别以不同 时刻的光谱曲线和与其对应的血迹时间为变量，运用偏最小二乘非线 性拟合和非线性迭代的方法计算构成；该模型主要呈现的是血迹光谱 各个波段辐射强度值与血迹形成时间的相关性强弱。
该模型主要呈现的是血迹形成时间与其光谱各波段变化的对应 关系，优选地，可以进一步选择出血迹光谱中与血迹时间相关性更高 的特征光谱波段，通过这些关联性更强的特征光谱波段以及相应的时 间-光谱域函数拟合程度可以对血迹时间进行更精确的预测推断。
在本实施例中所需的光谱数据都是提取于样本的高光谱图像，整 个获取过程不直接接触样本，不会对血迹样本本身造成不必要的破坏， 也不会造成一些隐含的重要信息的丢失。
在本实施例中，利用高光谱成像技术获取不同时刻的血迹样本的 高光谱图像数据，高光谱成像光谱仪成像时每次对目标上的一条线进 行成像，并使用分光仪器对该线阵上的每一个像素点进行分光获取该 像元对应的光谱成分。因此，每一幅来自光谱相机的图像结构包括一 个维度(空间轴)上的线阵像素和在另一个维度(光谱轴)上的光谱 分布(光在光谱元素的强度)。然后成像光谱仪通过线扫描的方式对 整个目标进行成像，最终可以获得一个三维的高光谱数据立方体。不 同于常规图像数据的二维结构，高光谱图像数据是一个三维的数据立 方体，不仅含有常规图像数据的二维空间维信息，还同时拥有数十、 成百、上千连续波段的光谱维信息。一方面，通过这种特殊的数据表 达方式，人们可以从每一个构成图像的像元中提取出对应目标物的光 谱曲线，这也使得高光谱数据所含有的信息量远远大于常规光学图像 数据，这种海量信息内涵的高光谱数据记录了目标物的更多样更细致 的物理特性，对目标物的识别提供了更巨大的潜力。另一方面，以海 量信息和特殊的数据结构为基础的高光谱数据立方体，在图像处理、 信息分析、分类和提取等方面向人们提出了严峻的挑战，也就要求人 们从光谱维去理解和揭示地物在空间维度上表现出来的物理特性及 其变化。
该模型的获得先是通过实验室采集的血迹样本进行试验检测分 析计算，然后将实验后的模型用于医院血库采集的独立血迹样本进行 测试检验，测试样本的采集时间和日期都是未知，测试样本均是盲选 获得的数据，从对测试血迹样本时间预测的准确性和可靠性两个方面 对其性能进行了评价。结果证明，该模型所表现的血迹样本时间与光 谱各波段间变化的相关性很好，选出的时间相关特征波段代表性较强， 对后期血迹时间预测的贡献较大，可以快捷，方便，有效的实现法医 刑侦检测中对血迹时间的确认工作。
以实验室获得的血迹样本为例，从志愿者左手食指直接获取血样 涂片，并用高光谱成像光谱仪对该血样涂片分不同时间阶段进行血迹 样本图像采集，从获取的不同时间阶段的高光谱血迹样本图像中提取 其采集时刻的光谱曲线，且规定λi表示该连续光谱曲线的第i个波 段,Ωm-n表示该连续光谱中从m到n纳米的一段范围。tk时刻Ωm-n范围内血迹光谱组分可以矩阵化表示：
表示tk时刻是血迹样本光谱Ωm-n范围内λi波 段处的反射强度值。
从血迹时间预测的角度考虑，第一项任务就是应该确定好血迹光 谱中与相关性较强的波段范围Ωm-n，该波段范围Ωm-n中各光谱波段 的反射强度值会随时间变化产生显著差异，血迹光谱 的这些差异特征在数值上呈现出一定的规律性，这种光谱反射强度 值随时间的差异性变化与血迹中血红蛋白成分的氧化变性密切相关。
定义如下的时间-光谱域函数：
表示血迹光谱Ωm-n范围内各波段在tk时刻的时间-光 谱相关程度的解释函数，则tk时刻血迹光谱组分可以定义为
其中ε(λi)＝{ε(λm),...,ε(λn)}是随即情况下产生的零 均值高斯加性噪声，该噪声与血迹时间无关。 u(λi)＝{u(λm),...,u(λn)}作为一个选择函数，选出光谱波段中与时间存在某种规律性变化的特征波段，它满足如下条件
是一个关于各个特征波段的时间-光谱函数的系数矩阵，下面 的分析都是基于这样一个假设进行分析的，即理想的情况表征了不同时刻被成像的血迹的光谱特性，在某时间范围内，该值平 稳地随时间的变化而变化。
由于λi∈Ωm-n,且u(λi)＝1，ε(λi)是与血迹时间不相关的 随机高斯白噪声，所以ε(λi)应满足下列条件,
E(ε(λi))＝0,； (5)
且有
综上可以忽略ε(λi)对的影响，将近似表 达为
它可以看作是一个完整高光谱时间函数表达式，其中是 与光谱波段相关的时间-光谱域的解释函数，系数向量被认为是 tk时刻的血迹光谱中分配给波段λi的权重系数表示，即(7)式可以 变形为(8)式，
从血迹时间预测的角度来看，关键因素是获得每个特征波段的时 间-光谱域的解释函数因为它解释了血迹中血红蛋白随时 间氧化变性的过程。因此，下一步的任务是应用非线性迭代的算法估 计各波段权重系数矩阵
回顾等式(1),未归一化前的数字化光谱强度矩阵表示为
现在将这些直接测量提取得到的血迹光谱强度值进行标准归一 化处理
等式(10)中表示光谱Ωm-n范围内所有 波段的平均反射强度值， 表示光谱Ωm-n范围 内每个波段的差异在全部波段中的差异方差，
归一化后tk的血迹光谱反射强度矩阵可以表示为
等式(8)可以变形为等式(12)，
简化等式(12),我们可以获得等式(13)，
其中各个波段的时间-光谱域函数的权重系数可以通过典 型相关分析的原理和非线性回归算法计算得出，有
等式(14)中有
则可以得出：
最终可以通过等式(16)的变换得出个特征波段的时间-光谱域 的解释函数
该血迹时间预测的时间-光谱域模型主要计算结果便是各个与 时间相关程度较高的特征波段的同时与血迹光谱和其时间相关的时 间-光谱域上的解释函数，该函数在血迹中血红蛋白氧化变性的伦理 支持下说明了血迹光谱变化与血迹时间的相关关系，当其中任意一方 已知的情况下，都可以用已知的条件来预测计算另一方。在我们的研 究中，利用高光谱成像技术采集了不同时间下血迹的图像样本，又从 该高光谱血迹样本中直接提取了不同血迹的连续的光谱反射强度曲 线，则通过我们提出的这一模型便可以预测出所采集血迹样本的形成 时间。
计算tk时刻的血迹光谱Ωm-n范围内波段λi出的权重系数和 的算法说明：
1:在高光谱图像中提取血迹光谱曲线，并将曲线矩阵化表示 为表示tk时刻各个波段的光谱辐射强度值。
2:将上述光谱表达矩阵归一化处理，归一化后结果表示为
3:设置时间-光谱域函数：
表示各个波段的光谱辐射值与血迹形成时间之间的权重系数。并建立时间- 光谱相关方程：u(λi) 为选择函数，ε(λi)是随机高斯白噪声。
4:表示各个波段时间-光谱域函数的系 数矩阵，其值是通过偏最小二乘拟合和非线性迭代计算获得。
5:通过光谱辐射强度矩阵和计算得到的时间-光谱域函数系数 矩阵以及选择函数矩阵，计算各个波段的时间权重系数并获得该时刻时间光谱域函数
在本实施例步骤S102中，所述建立以光谱曲线与其对应血迹形 成时间为变量的时间-光谱域模型的具体步骤包括：
提取图像数据中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波 段相关的时间-光谱域的解释函数；
返回利用下一个高光谱图像数据进行模型训练，得到最终的时间 -光谱域模型。
进一步地，在该方法中，将时间-光谱域模型存储入数据库保存。
进一步地，在该方法还包括，对时间-光谱域模型进行测试，接 收的不同时间段血迹样本的高光谱图像数据包括训练样本和测试样 本，利用训练样本训练建立以光谱曲线与其对应血迹形成时间为变量 的时间-光谱域模型，利用测试样本对时间-光谱域模型进行测试。
进一步地，在该方法中，测试样本对时间-光谱域模型进行测试 的具体步骤包括：
提取测试样本中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波 段相关的时间-光谱域的解释函数；
将根据测试样本得到的时间-光谱域的解释函数与根据训练样本 得到的时间-光谱域的解释函数进行数据匹配运算，得到匹配方差， 所述匹配方差与时间-光谱域模型预测精确度成反比。
如图2所示是利用当前提出的时间-光谱域模型进行血迹时间预 测的流程图，
首先是通过高光谱成像技术获取大量数据经过上述模型原理计 算获得各个与时间相关程度较高的特征波段在血迹光谱和其时间相 关的时间-光谱域上的解释函数，并对获取的数据进行反复训练，最 终取得一个训练数据库，并以次数据库作为预测血迹时间的标准；
然后以从医院获取的血迹涂片为测试样本，对其进行高光谱成像， 获取其光谱特征矩阵并通过提出的时间-光谱域模型计算，得到该血 迹特征波段处的时间-光谱域解释函数，将该解释函数矩阵与训练过 的标准解释函数矩阵进行匹配，计算其匹配方差，该匹配方差越小， 则本模型用于血迹时间预测的预精确度越高。
如图3所示，展示了30天内通过时间-光谱域函数获得的血迹时 间预测值与实际值之间的相关关系图，通过相关的时间-光谱域函数 计算选择出525nm-584nm和611nm-690nm两组与时间相关性较高的特 征波段，又对这两组特征波段的时间-光谱域函数进行数据库匹配获 得血迹形成时间预测值，该预测值与实际值之间存在偏差，但总体相 关程度较高，预测值的可信度较强。时间-光谱域模型在验证试验的 应用中预测性能较好，可以进一步扩展到实际法医检测的应用中。
该模型主要是以血液中血红蛋白在离体环境中的氧化变性过程 为理论依据，以可以同时获取常规图像数据的二维空间维信息和数十、 成百、上千连续波段的光谱维信息三维数据立方体的高光谱成像技术 以技术支撑，以非线性迭代算法、非线性回归算法和典型相关分析理 论为具体构建过程，最终得到各个与时间相关程度较高的特征波段在 血迹光谱和其时间相关的时间-光谱域上的解释函数。该模型可以被 应用于刑侦检测中的血迹时间预测中，且通过实验验证，通过该模型 预测血迹时间精确度较高，且耗时较短。此外在模型是在高光谱成像 技术的基础上提出的，作为高光谱成像技术应用的一部分，它更是一种无接触式无损的新方法，应用于刑侦检测工作中可以更好的保护现 场，更多的保存物证，更有利于案件侦破。
以上描述介绍了该时间-光谱域模型提出的理论依据、基本原理 以及其重要的应用意义，本模型不受上述实验领域的限制，是在光谱 域和时间域构建起一种联系，在高光谱成像技术的支撑下可以解决很 多物质本身变化引发的物质光谱会随时间产生相关改变的现实问题， 上述实施案例和说明书只是介绍了本模型的提出背景和基本原理，再 不改变本模型原理的前提下还会有各种改进与相应变化，各种改进与 相应变化均在保护范围内，可以拓宽使该模型的应用范围。
根据本公开的一个或多个实施例的一个方面，提供一种计算机可 读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于 由终端设备的处理器加载并执行所述的一种基于高光谱成像的血迹 时间预测方法。
根据本公开的一个或多个实施例的一个方面，提供一种终端设备。
一种终端设备，其包括处理器和计算机可读存储介质，处理器用 于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适 于由处理器加载并执行所述的一种基于高光谱成像的血迹时间预测 方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本 公开中的各个实施例所描述的方法或过程。
在本实施例中，计算机程序产品可以包括计算机可读存储介质， 其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机 可读存储介质可以是可以保持和存储由指令执行设备使用的指令的 有形设备。计算机可读存储介质例如可以是――但不限于――电存储 设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或 者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非 穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态 随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多 功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令 的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使 用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或 者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质 下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、 广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包 括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网 关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者 网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序 指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指 令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、 状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码 或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等， 以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计 算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计 算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分 在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉 及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括 局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接 到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一 些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制 电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程 逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实 现本公开内容的各个方面。
根据本公开的一个或多个实施例的一个方面，提供一种基于高光 谱成像的血迹时间预测装置。
一种基于高光谱成像的血迹时间预测装置，基于所述的一种基于 高光谱成像的血迹时间预测方法，包括：
数据采集模块，用于接收不同时间段血迹样本的高光谱图像数据， 并发送至模型建立模块；接收待预测血迹形成时间的高光谱图像数据， 并发送至时间预测模块；
模型建立模块，用于提取图像数据中的光谱曲线，建立以光谱曲 线与其对应血迹形成时间为变量的时间-光谱域模型，并发送至时间 预测模块；
时间预测模块，用于将待预测血迹形成时间的高光谱图像数据根 据时间-光谱域模型预测血迹时间。
应当注意，尽管在上文的详细描述中提及了设备的若干模块或子 模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公 开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模 块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划 分为由多个模块来具体化。
本公开的有益效果：
本公开提供的一种基于高光谱成像的血迹时间预测方法及装置， 创造性的将物质光谱域和时间域的相关性联系建立了时间-光谱域模 型进行血迹时间的预测，该模型现阶段主要应用于刑侦检测领域血迹 时间的预测中，一方面它更系统清晰的解释了通过光谱变化预测血迹 时间的理论原理；另一方面，该模型在预测精度预测时间以及预测复 杂度上都极具优势，该血迹预测方法可以获得精确度较高的预测值， 预测性能较强。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请， 对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本 申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应 包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所 示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致 的最宽的范围。
Claims (10)
1.一种基于高光谱成像的血迹时间预测方法，其特征在于，该方法包括：
接收不同时间段血迹样本的高光谱图像数据；
提取图像数据中的光谱曲线，建立以光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型；
接收待预测血迹形成时间的高光谱图像数据，根据时间-光谱域模型预测血迹形成时间。
2.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法中，将光谱曲线与其对应血迹形成时间进行偏最小二乘非线性拟合分析，并采用非线性迭代建立以光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型。
3.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法中，所述时间-光谱域模型表示光谱曲线各个波段辐射强度值与血迹形成时间的相关性强弱。
4.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法中，选择光谱曲线中与血迹形成时间的相关性最高的特征光谱波段，与其对应血迹形成时间建立光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型，用于血迹形成时间预测。
5.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法中，所述建立以光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型的具体步骤包括：
提取图像数据中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波段相关的时间-光谱域的解释函数；
返回利用下一个高光谱图像数据进行模型训练，得到最终的时间-光谱域模型。
6.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法还包括，对时间-光谱域模型进行测试，接收的不同时间段血迹样本的高光谱图像数据包括训练样本和测试样本，利用训练样本训练建立以光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型，利用测试样本对时间-光谱域模型进行测试。
7.如权利要求1所述的一种基于高光谱成像的血迹时间预测方法，其特征在于，在该方法中，测试样本对时间-光谱域模型进行测试的具体步骤包括：
提取测试样本中的光谱曲线，并进行光谱预处理；
将预处理后的光谱矩阵化，得到光谱曲线各个波段辐射强度值；
采用非线性迭代的算法估计各波段权重系数矩阵；
根据各个波段辐射强度值与各波段权重系数矩阵计算与光谱波段相关的时间-光谱域的解释函数；
将根据测试样本得到的时间-光谱域的解释函数与根据训练样本得到的时间-光谱域的解释函数进行数据匹配运算，得到匹配方差，所述匹配方差与时间-光谱域模型预测精确度成反比。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种基于高光谱成像的血迹时间预测方法。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种基于高光谱成像的血迹时间预测方法。
10.一种基于高光谱成像的血迹时间预测装置，基于如权利要求1-7任一项所述的一种基于高光谱成像的血迹时间预测方法，包括：
数据采集模块，用于接收不同时间段血迹样本的高光谱图像数据，并发送至模型建立模块；接收待预测血迹形成时间的高光谱图像数据，并发送至时间预测模块；
模型建立模块，用于提取图像数据中的光谱曲线，建立以光谱曲线与其对应血迹形成时间为变量的时间-光谱域模型，并发送至时间预测模块；
时间预测模块，用于将待预测血迹形成时间的高光谱图像数据根据时间-光谱域模型预测血迹时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133732.0A CN110196233B (zh) | 2019-02-22 | 2019-02-22 | 一种基于高光谱成像的血迹时间预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133732.0A CN110196233B (zh) | 2019-02-22 | 2019-02-22 | 一种基于高光谱成像的血迹时间预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110196233A true CN110196233A (zh) | 2019-09-03 |
| CN110196233B CN110196233B (zh) | 2021-10-19 |
Family
ID=67751446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910133732.0A Expired - Fee Related CN110196233B (zh) | 2019-02-22 | 2019-02-22 | 一种基于高光谱成像的血迹时间预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110196233B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723228A (zh) * | 2021-08-16 | 2021-11-30 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005088264A1 (en) * | 2004-03-06 | 2005-09-22 | Plain Sight Systems, Inc. | Hyper-spectral imaging methods and devices |
| CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
| CN104897583A (zh) * | 2015-06-18 | 2015-09-09 | 重庆理工大学 | 一种微量血迹无损检测装置及方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| CN107411709A (zh) * | 2017-06-02 | 2017-12-01 | 皑高森德医疗技术（北京）有限责任公司 | 一种基于高光谱图像的皮肤生物学成分量化分析方法 |
-
2019
- 2019-02-22 CN CN201910133732.0A patent/CN110196233B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005088264A1 (en) * | 2004-03-06 | 2005-09-22 | Plain Sight Systems, Inc. | Hyper-spectral imaging methods and devices |
| CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
| CN104897583A (zh) * | 2015-06-18 | 2015-09-09 | 重庆理工大学 | 一种微量血迹无损检测装置及方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| CN107411709A (zh) * | 2017-06-02 | 2017-12-01 | 皑高森德医疗技术（北京）有限责任公司 | 一种基于高光谱图像的皮肤生物学成分量化分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯小平: ""基于高光谱成像技术的血迹形态特征检测研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 赵曰峰等: ""The application of near-infrared reflectance hyperspectral imaging for the detection and extraction of bloodstains"", 《CLUSTER COMPUTING》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723228A (zh) * | 2021-08-16 | 2021-11-30 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
| CN113723228B (zh) * | 2021-08-16 | 2024-04-26 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110196233B (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deep cytometry: deep learning with real-time inference in cell sorting and flow cytometry | |
| CN110443882B (zh) | 基于深度学习算法的光场显微三维重建方法及装置 | |
| CN101151623B (zh) | 对样本图像的特征进行分类的方法和设备 | |
| CN111879710B (zh) | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 | |
| CN110991236A (zh) | 一种图像分类的方法及相关装置 | |
| Binder et al. | Multi-organ gland segmentation using deep learning | |
| US12002185B2 (en) | Analyzing complex single molecule emission patterns with deep learning | |
| Chen et al. | Deep-learning-assisted microscopy with ultraviolet surface excitation for rapid slide-free histological imaging | |
| Pérez et al. | StarcNet: Machine learning for star cluster identification | |
| Álvares et al. | Exploring gravitational-wave detection and parameter inference using deep learning methods | |
| Nightingale et al. | Abell 1201: detection of an ultramassive black hole in a strong gravitational lens | |
| Nguyen et al. | Machine learning to extract physiological parameters from multispectral diffuse reflectance spectroscopy | |
| Brunner et al. | Deep learning in attosecond metrology | |
| CN110196233A (zh) | 一种基于高光谱成像的血迹时间预测方法及装置 | |
| WO2022004500A1 (ja) | 情報処理装置、情報処理方法、プログラム、顕微鏡システム及び解析システム | |
| Wemmert et al. | Stain unmixing in brightfield multiplexed immunohistochemistry | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| US10739267B2 (en) | Optical apparatus and optical measurement method | |
| Bijl et al. | Progress in sensor performance testing, modeling and range prediction using the TOD method: an overview | |
| Keßler et al. | The European computer model for optronic system performance prediction (ECOMOS) | |
| Cheng et al. | Near-infrared extragalactic background light fluctuations on nonlinear scales | |
| US10304671B2 (en) | Method for computer-assisted analysis of one or more tissue sections of the human or animal body | |
| CN115564997A (zh) | 一种基于强化学习的病理切片扫描分析一体化方法及系统 | |
| CN114926562A (zh) | 一种基于深度学习的高光谱图像虚拟染色方法 | |
| Pardo et al. | Affinity-based color enhancement methods for contrast enhancement in hyperspectral and multimodal imaging |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |