北京普天同创生物科技有限公司

  • CNAS实验室认可证书
  • 标准物质定级证书
  • 豫南检测资质认定证书
  • 质量管理体系认证证书
  • 农产品资质证书
  • 伟业计量高企认证证书
  • 中国计量测试学会合作单位
新闻
  • 产品
  • 仪器
  • 新闻
  • 帖子
  • 课堂

在线客服

HSI检测系统中的图像处理方法

发布时间:2018-10-17 00:00 作者:中国标准物质网 阅读量:1113

图像处理与识别技术是一门多学科交又的前沿高科技。随着计算机软硬件技术的迅猛发展和计算机应用的日益普及,计算机图像处理与识别技术20世纪中期得到了飞速的发展,并取得了显著的社会效益和经济效益,计算机图像处理与识别技术是人们认识世界、改造世界的重要技术手段,是信息时代的一门极其重要的高科技。

13.2.1 HSI检测系统中的图像处理基本流程

对图像处理环节来讲,其输入的是待处理的原始图像,而输出的是经过各种图像处理算法处理过的图像。其输出的图像为后面对图像识别提供便利条件。图像处理的基本流程如下:

1)图像变换;

2)图像分割;

3)图像重建;

4)图像数据压缩与编码。

13.2.2高光谱图像的特征提取方法

特征提取也是一个光谱特征空间的降维过程,它是建立在各光谱波段间的重新组合和优化基础上的。在经过特征提取后的光谱特征空间中,其新的光谱向量应该是反映特定地物某一性状的一个光谱参量,后者是有别于其他地物的光谱参量。特征提取过程如图13-2所示,其中F(x1,…,x5)是一个线性或者非线性的转换方程,它将原始的特征空间投影到了一个低维并优化后的新特征空间。

图13-2 光谱特征提取

目前高光谱图像常用的特征提取技术主要包括:主成分分析(Principal Component Analysis,PCA )、小波变换(Wavelet Transform, WT)、独立成分分析(Independent Component Analysis,ICA)等。

PCA也称K-L变换,是均方误差最小意义下的最佳线性正交变换。PCA将原始特征化为少数几个不相关的综合特征,去掉那些变换系数相对较小的特征,不会损失太大的信息量,以达到有效地降低维数的目的。基干全空间主成分变换,Jia和Richards提出了分段主成分变换(Seg-mented Pincipal Components Transform, SPCT)用于特征提取。该方法将全部波段分割成高度相关的子组(Subgroup),然后在每个子组中分别进行PCA。

WT是信号处理的有力工具,以其多分辨率分析特性在高光谱图像处理中也得到了重视。高光谱图像中对应于每个像素存在一条一维的光谱响应曲线,将其看作一个一维离散信号进行WT可以得到不同分辨率下的特征。在这方面,L. M. Bruce等人提出了一种基于离散小波变换的特征提取方法,并应用到了分类系统中。此外,Li等人还研究了基于WT的特征提取方法在混合光谱分解中的应用。Hsu等人研究了基于最佳小波包基的高光谱图像特征提取和降维方法。使用WT进行特征提取的优点在于它能够保持光谱响应曲线的形状,为进一步的光谱匹配、地物识别提供了条件。

ICA源自信号盲源分离领域。近年来,许多研究者把ICA引入了高光谱图像处理中,形成了较多形式的处理算法。应用ICA对高光谱数据进行特征提取需要首先确定高光谱数据的本征维数,因为高光谱图像相邻波段间具有很强的相关性,因此高光谱数据的本征维数一般要远小于其原始波段数目。在确定了本征维数之后,利用ICA进行独立分量的分离,最终得到远小于原始波段数目的相互独立的特征,实现高光谱图像的特征提取。

13.2.3 HSI检测系统中的分类与预测方法

经过研究人员多年的努力,目一前高光谱图像分类和预测领域已形成了一系列技术与算法。其中基于高光谱数据本身统计特性的方法可以分为两大类,即有监督分类与无监督分类(有时候又成为聚类)。

无监督分类方法是通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征,建立决策规则来进行分类。而无需事先知道类别特征,自发地发现数据中蕴含的层次,即可实现对数据的分类。虽然相较于有监督分类,通常无监督分类的效果往往欠佳;但由于其不需要人工于预,易于实现与应用,已成为一种常用的分类方法。常见的这类算法有回归分析与K均值聚类法。

监督分类方法是以建立统计识别函数为理论基础,依据典型样本训练方法进行分类的技术。

即根据已知训练区提供的样本,通过选择特征参数,求出特征参数作为决策规则,建立判别函数以对各待分类影像进行的图像分类。这类方法的关键在于利用有限的训练样本信息,形成最优的分类决策面。事实上对于所有监督分类方法其效果都最终体现在分类决策面的划分上。常见的分类器有最大似然分类法、贝叶斯分类法、决策树、神经网络、SVM等。

1.多元线性回归

多元线性回归法,是研究一个因变量与两个或两个以自变量的回归。事实上,一种现象常常是与多个因素相联系的,由多个自变量的最优组合共同来预测或估计因变量,比只用一个自变量进行预测或估计更有效,更符合实际。因此利用多元线性回归建立多个变量之间线性或非线性数学模型数量关系式能反映一种现象或事物的数量依多种现象或事物的数量的变动而相应地变动的规律。可采用最小二乘法求出多元线性回归模型中的参数,即在其数学模型所属的函数类中找一个近似的函数,使得这个近似函数在已知的对应数据上尽可能和真实函数接近。

2.主成分回归

主成分回归是一种常用的多元统计分析,它能对数据集进行简化。主成分回归是由主成分分析法构造回归模型,即把各主成分作为新自变量代替原来自变量做回归分析。主成分分析主要是对相互相关的一组数据,通过正交变换使其变为一组相互无关的变量的方法。在几何上这个变换相当于在多维向量空间进行坐标旋转以及平移,在代数上这个变换等价于求解一组变量的协方差矩阵的特征值后,变换后得到新的变量坐标轴,然后根据变量中所包含数据的方差特征值大小顺序把这些变量称为第一主成分、第二主成分等。主成分分析的中心思想是将数据降维,将原变量进行转换,使几个新变量小于原变量个数是原来变量的线性组合,以去除相关数据中的冗余信息。

3. PLS回归

PLS回归是近年来发展起来的一种多元统计方法。方法的数学基础是将自变量数据光谱矩阵一次性分解完成,获得互不相干的新的数据向量即主成分,以消除无用的噪声信息,然后再对新的数据向量建立回归模型。而同时考虑到浓度矩阵中同样也含有噪声信息,在分解光谱矩阵时同时考虑对浓度矩阵的影响。因此,PLS回归分析的基本思想是一种逐步回归逐步提取光谱数据中的成分,逐步添加变量信息不全时,逐步检验模型的显著性情况,一旦模型达到规定的显著性要求就停止计算。判别分析是,根据若干因素对预测对象进行分类的一种方法,通过分析能建立用于定性鉴别分析的数学模型。

4.判别分析

判别分析是一种有监督的模式识别方法,需要将一定数量已知类别样本提交给计算机进行训练,计算机经过训练后则可识别未知样本类别。在多元统计分析中,常用的判别分析有马氏距离判别法、贝叶斯判别法、费歇尔判别法、模糊判别法、最近邻法、人工神经网络法等。马氏距离不受量纲的影响,由标准化数据和中心化数据(即原始数据与均值之差)计算出的两点之间的马氏距离相同。此外马氏距离还具有排除变量之间的相关性的干扰等优点。

5. SVM

统计学习理论,是一种专门研究小样本情况下机器学习规律的基本理论和数学构架,与传统统计学相比,该理论针对小样本统计问题构建了一套新的理论体系,该理论体系不仅考虑了渐近性能的要求,而且力求在现有有限信息的条件下获得最优结果,是小样本统计估计和预测学习的最佳理论。SVM,是由统计学习理论发展起来的机器学习算法,它以结构风险最小化角度保证了模型的最大泛化能力。因此基于SVM的回归分析和函数拟合与神经网络、最小二乘、多元线性回归、灰色理论预测模型等相比,通常具有更高的预测精度和预测结果。回归分析和函数拟合与最小二乘法、神经网络、灰色模型等模型相比,往往具有更高的预测精度和预测效果。SVM是统计学习理论中最年轻的部分,目前该理论仍然在不断发展之中。SVM的基本思想来自于线性判别最优分类面,而所谓的最优分类面不仅要求分类面能将两类样本零错误分开,而且要使两类样本的分类间隔最大,如图13-3所示。最优分类面的一个最直接的优点就是能提高预测能力,降低分类错误率。

图13-3 普通分类面和最优分类面

支持向量回归的基本思想就是通过一个非线性映射模型将数据映射到高维空间中去,并在这个空间上进行线性回归。

6.人工神经网络

人工神经网络,是近年来发展起来的非常热门的交叉学科,它是建立在现代神经科学研究成果基础之上的一种数学模型,在一定程度上能够模拟人脑神经系统的活动过程。与其他传统数据分析方法相比,人工神经网络具有自学习、适用于处理非线性问题、白适应学习能力、集体运算能力、较强的容错性。人工神经网络按学习策略可分为有监督的人工神经网络和无监督的人工神经网络。由于有监督的人工神经网络与无监督的人工神经网络相比具有运算速度快、精度高等特点,解决了多层网络的训练问题,使得许多复杂的信息处理问题都可以通过多层人工神经网络去解决。BP神经网络是在神经网络诸多算法中研究和应用最多的方法,主要采用误差反向传播算法,可以逼近任意连续函数,具有很强的非线性映射逼近能力和预测能理。此外,该方法极易实现。

7.深度学习

近几年来深度学习是机器学习领域的科学家们在神经网络方面取得的重大突破。

早在1989年,Kolmogorov就曾用波包及傅里叶分析的思想证明了神经网络方法的巨大潜能。依据他的证明,3层的神经网络即可拟合有限维空间下任意映射函数,只要隐层神经元数目足够多,每个神经元的激活函数适当并且神经元之间的连接权值被妥当地设置。然而由于当时的网络训练算法并不成熟,被认为很有前途的反向传播算法在3层以上的深度网络中表现得非常糟糕。再加上20世纪80年代后期SVM这支劲旅的出现,神经网络的相关算法研究一度被搁置。直至2006年Hinton与Bengio等人在受限玻尔兹曼机、自动编码机上的重大突破,人们的视野才重新回到相关领域上来。

该理论给神经网络方法带来了一次革命,并使得神经网络重新回到人们的视野之中。其创新之处主要在于将神经网络模型扩展到前所未及的层数,往往会达到7, 8乃至10层以上。而传统的,基于后向传播算法的多层神经网络往往不会多于4层。并且深度学习在高光谱检测领域得到了很好的发展。

相关链接:HSI技术在食品品质检测分析中的应用概述

文章来源:《多光谱食品品质检测技术与信息处理研究》

版权与免责声明:转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用,必须保留本网注明的"稿件来源",并自负版权等法律责任。

如涉及作品内容、版权等问题,请在作品发表之日起两周内与本网联系,否则视为放弃相关权利。

评论

登录后才可以评论

立即登录
分享到微信
关闭
普天同创
请告知您的电话号码,我们将立即回电

通话对您免费,请放心接听

温馨提示:

1.手机直接输入,座机前请加区号 如18601949136,010-58103629

2.我们将根据您提供的电话号码,立即回电,请注意接听

3.因为您是被叫方,通话对您免费,请放心接听