CN113095305B - 一种医药异物高光谱分类检测方法 - Google Patents
一种医药异物高光谱分类检测方法 Download PDFInfo
- Publication number
- CN113095305B CN113095305B CN202110634697.8A CN202110634697A CN113095305B CN 113095305 B CN113095305 B CN 113095305B CN 202110634697 A CN202110634697 A CN 202110634697A CN 113095305 B CN113095305 B CN 113095305B
- Authority
- CN
- China
- Prior art keywords
- spectral
- image
- hyperspectral
- pca
- foreign matter
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医药异物高光谱分类检测方法,首先输入医药异物高光谱图像;其次提出多项式平滑滤波的异物高光谱去噪方法,抑制光谱噪声干扰;再次提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法,先采用波段聚类分组PCA降维对预处理后图像进行降维处理,并通过半监督LDA提取光谱特征,随后利用二维Gabor滤波器提取空间特征,将上述特征联合作为图像的分类特征;最后采用支持向量机实现医药异物检测并输出异物类别。本发明提出了PCA和LDA二次降维的方法,以便提取出更有利于后续分类操作的光谱特征;同时,引入半监督LDA降低对标签数据的依赖,实现少量标签数据样本下异物的高准确率检测。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种医药异物高光谱分类检测方法。
背景技术
近年来我国医药市场发展迅速,市场规模由2015年的12207亿元增加至2019年的16330亿元,年复合增长率为7.5%,预期2020年至2021年将进一步以6.8%的年复合增长率保持增长,并且2021年达到13057亿元。与此同时,医药安全作为医药工业发展的基石和人民群众健康的重要保障,也越发受到行业内外的关注。在医药生产过程中,常出现玻璃、屑石块、毛发、橡胶屑等种类多样且微弱的异物,为医药安全带来了潜在危险,因此医药异物检测成为制药过程中不可避免的一项工作。传统的人工检测法难以保证检测的可靠性和效率,愈发无法满足日益严格的检测标准。由于高光谱技术可以根据每种物质在同一光学环境下出现的独特的光谱信息快捷地实现对物质地检测和分类问题,其已被应用到真伪鉴定、药材鉴别、产地溯源、含量测定等多种医药检测用途中。目前高光谱检测主要存在以下问题:
(1)高光谱数据包含成百上千个波段,直接使用高维数据不但存储、传输成本很高,数据挖掘效率低,而且随着数据维数的增加,数据计算过程中运算量会呈指数倍增长,在实际应用中产生“维数灾难”问题。数据降维以牺牲一部分信息为代价,通过寻找有效、简单的数据表示方式,在保留高维数据的有效信息、保持数据的分类结果不变的前提下,降低数据表示复杂度,实现对数据由高维空间到低维空间的转换,能够有效解决“维数灾难”问题。PCA(Principal Component Analysis,主成分分析)作为应用最广泛的无监督降维方法之一,主要是选择样本点投影具有最大方差的方向,以保存尽可能多的原始信息为目的,导致所提取的光谱特征可能存在可区分性不强而不利于后续的分类操作的问题;LDA(LatentDirichlet Allocation,隐含狄利克雷分布)作为一种有监督降维方式则通过寻求投影后不同类别之间数据点距离更大化以及同一类别数据点距离最小化来选择分类性能最好的方向,但存在数据可能过渡拟合的问题。
(2)在医药异物检测场景中,某些异物比较微小且形状不规则,标注难度较大,导致带标签的样本相对较少,致使检测性能更好的有监督方法无法达到很好的效果。因此,利用有限的标记样本提取可区分的重要特征以提高分类性能的研究一直是一个热点。目前主要通过两种方式解决该问题,第一种方法是增强训练样本的数量和质量,《HyperspectralImage Classification Using Deep Pixel-Pair Features》(Li W, Wu G, Zhang F, etal. Hyperspectral image classification using deep pixel-pair features[J].IEEE Transactions on Geoscience and Remote Sensing, 2016, 55(2): 844-853)通过在有限的标签样本中构建像素对来增加训练样本的数量,但是没有充分利用无标签数据丰富的内在分布规律;第二种方法通过设计无监督训练框架消除标记样本的依赖性,《Unsupervised Feature Extraction in Hyperspectral Images Based on WassersteinGenerative Adversarial Network》(Zhang M, Gong M, Mao Y, et al. Unsupervisedfeature extraction in hyperspectral images based on wasserstein generativeadversarial network[J]. IEEE Transactions on Geoscience and Remote Sensing,2018, 57(5): 2669-2688)提出一种改进的生成式对抗网络显著降低了对标注训练样本的要求并保持了良好的特征质量,《Symmetric All Convolutional Neural-Network-BasedUnsupervised Feature Extraction for Hyperspectral Images Classification》(Zhang M, Gong M, He H, et al. Symmetric All Convolutional Neural-Network-Based Unsupervised Feature Extraction for Hyperspectral Images Classification[J]. IEEE Transactions on Cybernetics, 2020)基于编解码器结构设计了一种新型的端到端训练框架,此类方法由于没有用到任何标记先验信息,在分类精度上通常难以达到满意的结果。
发明内容
有鉴于此,本发明提出一种医药异物高光谱分类检测方法,该方法基于波段聚类分组PCA降维+半监督LDA光谱特征提取,以解决现有PCA算法无法提取可分性更强特征的问题,同时半监督LDA算法的提出解决了标签样本比较少的问题。
一方面,本发明提供了一种医药异物高光谱分类检测方法,包括以下步骤:
S1、输入医药异物高光谱图像;
S2、预处理:提出多项式平滑滤波的异物光谱去噪方法,并基于其对步骤S1中的医药异物高光谱图像进行预处理,抑制光谱噪声干扰;
S3、提出基于异物光谱波段聚类分组PCA降维与半监督LDA结合的光谱特征提取方法,并与二维Gabor滤波器提取的空间特征相融合,实现异物特征提取;
所述步骤S3具体表现为:
S31、利用波段聚类分组PCA降维算法对步骤S2预处理后图像进行降维处理,并通过半监督LDA算法提取光谱特征;
S32、利用PCA降维算法将步骤S2预处理后图像降至三维,然后利用二维Gabor滤波器提取空间特征;
S33、将光谱特征和空间特征联合并归一化,作为后续操作的分类特征,实现异物特征提取;
S4、采用支持向量机对步骤S3提取的异物特征进行医药异物的检测识别,
并输出异物类别。
进一步地,所述步骤S31中光谱特征提取具体步骤如下:
S312、利用Kmeans算法进行波段聚类,将原有的L个波段分成m个波段子集,目标函数为:
步骤c:训练网络以更新权值,加权损失函数为:
进一步地,所述步骤S32中的空间特征提取具体步骤如下:
S324、用步骤S323中Gabor滤波器依次与灰度图作卷积提取出特征图像f(x,y),得到初始空间特征S(x,y):
故此,首先输入医药异物高光谱图像;其次,提出多项式平滑滤波的异物高光谱去噪方法,抑制光谱噪声干扰;再次,提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法,先采用波段聚类分组PCA降维对预处理后图像进行降维处理,并通过半监督LDA提取光谱特征,随后利用二维Gabor滤波器提取空间特征,将上述特征联合作为图像的分类特征;最后,采用支持向量机实现医药异物检测并输出异物类别。本发明针对PCA传统降维方法下的特征可区分性不高的局限性,提出了PCA和LDA二次降维的方法,以便提取出更有利于后续分类操作的光谱特征;同时,引入半监督LDA降低对标签数据的依赖,克服高光谱数据标注难的问题,实现少量标签数据样本下异物的高准确率检测,具有分类检测识别率高的优点。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种医药异物高光谱分类检测方法的流程图;
图2是本发明实施例的原始高光谱图像;
图3是本发明实施例的单个样本滤波前后的光谱曲线图,其中,(a)为滤波前的光谱曲线,(b)为滤波后的光谱曲线;
图4为本发明实施例的光谱特征提取流程图;
图5为光谱特征散点图,(a)为仅使用PCA降维之后的光谱特征散点图,(b)为使用本发明方法之后的光谱特征散点图;
图6为本发明实施例的空间特征结果图;
图7为本发明实施例的分类结果图,(a)为预测图,(b)为真实图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明实施例提供的一种医药异物高光谱分类检测方法,包括以下步骤:
S1、输入医药异物高光谱图像;
S2、预处理:提出多项式平滑滤波的异物光谱去噪方法,并基于其对步骤S1中的医药异物高光谱图像进行预处理,抑制光谱噪声干扰;
S3、提出基于异物光谱波段聚类分组PCA降维与半监督LDA结合的光谱特征提取方法,并与二维Gabor(加博尔)滤波器提取的空间特征相融合,实现异物特征提取;
所述步骤S3具体表现为:
S31、利用波段聚类分组PCA降维算法对步骤S2预处理后图像进行降维处理,并通过半监督LDA算法提取光谱特征;
S32、利用PCA降维算法将步骤S2预处理后图像降至三维,然后利用二维Gabor滤波器提取空间特征;
S33、将光谱特征和空间特征联合并归一化,作为后续操作的分类特征,实现异物特征提取;
S4、采用支持向量机(Support Vector Machine, SVM)对步骤S3提取的异物特征进行医药异物的检测识别,并输出异物类别。
需要说明的是,步骤S31中波段聚类分组PCA降维算法是先用聚类算法将波段分成了若干组,然后各组再进行PCA降维,而步骤S32中PCA降维算法是不需要先用聚类算法直接进行PCA降维,即步骤S32的PCA降维仅视为步骤S31中波段聚类分组PCA降维算法的其中一个步骤。
本发明,首先输入医药异物高光谱图像;其次,提出多项式平滑滤波的异物高光谱去噪方法,抑制光谱噪声干扰;再次,提出异物光谱波段聚类分组PCA降维与半监督LDA结合的特征提取方法,先采用波段聚类分组PCA降维对预处理后图像进行降维处理,并通过半监督LDA提取光谱特征,随后利用二维Gabor滤波器提取空间特征,将上述特征联合作为图像的分类特征;最后,采用支持向量机实现医药异物检测并输出异物类别。本发明针对PCA传统降维方法下的特征可区分性不高的局限性,提出了PCA和LDA二次降维的方法,以便提取出更有利于后续分类操作的光谱特征;同时,引入半监督LDA降低对标签数据的依赖,克服高光谱数据标注难的问题,实现少量标签数据样本下异物的高准确率检测,具有分类检测识别率高的优点。
下面进一步阐述各个步骤的具体实现方式。
一种医药异物高光谱分类检测方法,具体包括以下步骤:
S1、输入医药异物高光谱图像;图2即为输入的原始高光谱图像。
S2、预处理:提出多项式平滑滤波的异物光谱去噪方法,并基于其对步骤S1中的医药异物高光谱图像进行预处理,抑制光谱噪声干扰;图3是本发明实施例的单个样本滤波前后的光谱曲线图,其中,(a)为滤波前的光谱曲线,(b)为滤波后的光谱曲线,从中可以看出预处理平滑滤波,能够有效抑制光谱噪声的干扰。
S3、提出基于异物光谱波段聚类分组PCA降维与半监督LDA结合的光谱特征提取方法,并与二维Gabor滤波器提取的空间特征相融合,实现异物特征提取;
该步骤的具体实施例包括如下过程:
(1)光谱特征提取,如图4所示:
S312、利用Kmeans算法(K-平均或者K-均值,是一种聚类算法)进行波段聚类,将原有的L个波段分成m个波段子集,目标函数为:
如图5所示,其中,(a)为仅使用传统的PCA降维之后的光谱特征散点图,(b)为使用本发明方法之后的光谱特征散点图,从中可知,相比于传统的PCA光谱特征提取方法,本发明所用方法所得到的光谱特征呈现出更强的同类聚集性。
(2)空间特征提取
S324、用步骤S323中Gabor滤波器依次与灰度图作卷积提取出特征图像f(x,y),得到初始空间特征S(x,y):
在该实施例中设定λ=(10,15,20)和θ=(0,45°,90°,135°),则构建如下12组不同波长和方向的Gabor滤波器:,;,;,;,;,;,;,;,;,;,;,;,,则图6中(a)-(l)依次为上述12组Gabor滤波器最终所提取的空间特征图。
(3)联合光谱特征与空间特征
S33、将光谱特征和空间特征联合并归一化,具体地,将光谱特征和空间特征从第三维度合并,作为后续操作的分类特征,实现异物特征提取;
S4、采用支持向量机对步骤S3提取的异物特征进行医药异物的检测识别,并输出异物类别。
图7为本发明实施例的分类结果图,其中,(a)为预测图,(b)为真实图,从中可知,通过本发明获得的分类结果图与真实的分类结果图基本一致,分类识别率高。
步骤c:训练网络以更新权值,加权损失函数为:
表1 卷积自编码网络模型结构
表1中编码器包括Conv1d卷积层、MaxPool1d池化层、ReLU激活层、BatchNorm1d归一化层,其中,K、S、p分别表示卷积核大小、卷积步长、输入的每一条边补充0的层数。编码过程为:输入的样本光谱向量依次经过9个参数设置相同的“卷积-池化-ReLU激活-归一化”模块进行特征的提取,每个模块的输出特征尺寸减半,最后一个模块输出的中间特征经过“Linear全连接层+softmax分类层”编码器输出层输出样本的预测标签。解码器包括ConvTranspose1d转置卷积层、ReLU激活层、BatchNorm1d归一化层,K、S、p、o分别表示卷积核大小、卷积步长、输入的每一条边补充0的层数、输出的每一条边补充0的层数。解码过程为:由编码器最后一个模块得到的中间特征经过5个参数设置相同的“转置卷积-转置卷积-ReLU激活-归一化”模块和1个参数设置不同的“转置卷积-转置卷积-ReLU激活-归一化”模块进行光谱特征的重建,最后一个模块的输出经过“Linear全连接层”解码器输出层输出样本的重建光谱向量。
与现有技术相比,本发明的优点在于:
(1)避免“维数灾难”问题,光谱特征可区分性更强
光谱特征的提取效果对于后续的分类操作十分重要,而现有的PCA算法以保存尽可能多的原始信息为目的,所提取的光谱特征可分性不强,不利于后续的分类操作。本发明提出的一种医药异物高光谱分类检测方法采用“波段聚类PCA分组降维+半监督LDA”光谱特征提取算法,首先利用波段聚类分组PCA降维算法对图像进行降维处理,然后通过半监督LDA算法来最大化类间距离以及最小化类内距离,因此所提取的光谱特征可区分性更强。
(2)通过半监督方法降低对标注数据的依赖性
本发明提出的一种医药异物高光谱分类检测方法采用半监督LDA算法,首先基于编解码结构构建伪标签生成网络,并通过有标签数据的预测与无标签数据的重建构建加权损失函数进行训练,既利用一定的先验信息又考虑到无标签数据的内在分布规律,因此在标签样本少的情况下也能达到比较好的检测效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种医药异物高光谱分类检测方法,其特征在于,包括以下步骤:
S1、输入医药异物高光谱图像;
S2、预处理:提出多项式平滑滤波的异物光谱去噪方法,并基于其对步骤S1中的医药异物高光谱图像进行预处理,抑制光谱噪声干扰;
S3、提出基于异物光谱波段聚类分组PCA降维与半监督LDA结合的光谱特征提取方法,并与二维Gabor滤波器提取的空间特征相融合,实现异物特征提取;
所述步骤S3具体表现为:
S31、利用波段聚类分组PCA降维算法对步骤S2预处理后图像进行降维处理,并通过半监督LDA算法提取光谱特征,所述波段聚类分组PCA降维算法是先用聚类算法将波段分成了若干组,然后各组再进行PCA降维,该步骤S31具体包括:
S312、利用Kmeans算法进行波段聚类,将原有的L个波段分成m个波段子集,目标函数为:
S32、利用PCA降维算法将步骤S2预处理后图像降至三维,然后利用二维Gabor滤波器提取空间特征;
S33、将光谱特征和空间特征联合并归一化,作为后续操作的分类特征,实现异物特征提取;
S4、采用支持向量机对步骤S3提取的异物特征进行医药异物的检测识别,并输出异物类别。
步骤c:训练网络以更新权值,加权损失函数为:
3.根据权利要求1所述的医药异物高光谱分类检测方法,其特征在于,所述步骤S32中的空间特征提取具体步骤如下:
S324、用步骤S323中Gabor滤波器依次与灰度图作卷积提取出特征图像f(x,y),得到初始空间特征S(x,y):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634697.8A CN113095305B (zh) | 2021-06-08 | 2021-06-08 | 一种医药异物高光谱分类检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110634697.8A CN113095305B (zh) | 2021-06-08 | 2021-06-08 | 一种医药异物高光谱分类检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095305A CN113095305A (zh) | 2021-07-09 |
CN113095305B true CN113095305B (zh) | 2021-09-07 |
Family
ID=76664456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110634697.8A Active CN113095305B (zh) | 2021-06-08 | 2021-06-08 | 一种医药异物高光谱分类检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095305B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269196B (zh) * | 2021-07-19 | 2021-09-28 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
CN114004960B (zh) * | 2021-11-17 | 2024-06-18 | 湖南大学 | 一种医药检测的高光谱双模成像系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930533A (zh) * | 2012-10-09 | 2013-02-13 | 河海大学 | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 |
CN106022358A (zh) * | 2016-05-11 | 2016-10-12 | 湖南大学 | 一种高光谱图像分类方法和装置 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8320637B2 (en) * | 2009-08-04 | 2012-11-27 | Chemimage Corporation | System and method for hyperspectral imaging of treated fingerprints |
-
2021
- 2021-06-08 CN CN202110634697.8A patent/CN113095305B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930533A (zh) * | 2012-10-09 | 2013-02-13 | 河海大学 | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 |
CN106022358A (zh) * | 2016-05-11 | 2016-10-12 | 湖南大学 | 一种高光谱图像分类方法和装置 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Non-Patent Citations (4)
Title |
---|
Categorization of pork quality using Gabor filter-based hyperspectral imaging technology;L. Liu 等;《Journal of Food Engineering》;20100312;第284–293页 * |
一种自动编码机与K-means相结合的高光谱图像聚类方法;刘柏森 等;《黑龙江工程学院学报》;20201231;第34卷(第6期);全文 * |
基于Gabor特征与局部保护降维的高光谱图像分类算法;叶珍 等;《光学学报》;20161031;第36卷(第10期);全文 * |
面向高光谱图像分类的局部Gabor卷积神经网络;王燕 等;《计算机科学》;20200630;第47卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095305A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rida et al. | Palmprint recognition with an efficient data driven ensemble classifier | |
Yadav et al. | Multiresolution local binary pattern variants based texture feature extraction techniques for efficient classification of microscopic images of hardwood species | |
CN113095305B (zh) | 一种医药异物高光谱分类检测方法 | |
Singh et al. | Gender and ethnicity classification of iris images using deep class-encoder | |
CN109241813B (zh) | 基于判别稀疏保持嵌入的非约束人脸图像降维方法 | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
Huang et al. | Hyperspectral image classification via discriminant Gabor ensemble filter | |
CN108664941B (zh) | 基于测地映射分析的核稀疏描述人脸识别方法 | |
Rehman | Light microscopic iris classification using ensemble multi‐class support vector machine | |
Zhang et al. | Deep eigen-filters for face recognition: Feature representation via unsupervised multi-structure filter learning | |
CN110399814B (zh) | 一种基于局部线性表示领域适应度量的人脸识别方法 | |
Dalal et al. | IDA: Improving distribution analysis for reducing data complexity and dimensionality in hyperspectral images | |
CN111325275A (zh) | 基于低秩二维局部鉴别图嵌入的鲁棒图像分类方法及装置 | |
Hariri et al. | Recognition of 3D emotional facial expression based on handcrafted and deep feature combination | |
Wazirali et al. | Hybrid Feature Extractions and CNN for Enhanced Periocular Identification During Covid-19. | |
CN112560949A (zh) | 基于多级统计学特征提取的高光谱分类方法 | |
Mukherjee et al. | FuseKin: Weighted image fusion based kinship verification under unconstrained age group | |
Roy et al. | Unconstrained texture classification using efficient jet texton learning | |
Chen et al. | Spectral-spatial classification based on affinity scoring for hyperspectral imagery | |
Hou et al. | An unsupervised deep-learning method for fingerprint classification: the ccae network and the hybrid clustering strategy | |
Huang et al. | A one-class feature extraction method based on space decomposition | |
Qi et al. | Multiple kernel boosting framework based on information measure for classification | |
Johnson et al. | A study on eye fixation prediction and salient object detection in supervised saliency | |
Zeng et al. | Hyper-graph regularized kernel subspace clustering for band selection of hyperspectral image | |
Wang et al. | Self-supervised deep multi-level representation learning fusion-based maximum entropy subspace clustering for hyperspectral band selection |
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 |