用改进的基向量法重建光谱反射比

如何从已知物体表面颜色的三刺激值及其照明条件和观察条件准确地重建其光谱反射比,是彩色图像研究领域尚待解决的一个重要课题.本文首先介绍了两种前人提出的方法,即“伪逆矩阵法”和“Wiener方法”,然后,分析了这两种方法的优缺点,指出了共同存在的问题,即所重建的光谱反射系数有可能超出实际可能的范围(0,1),进而提出了一种新的改进的基向量法.最后,文中还给出此改进的算法和上述两种算法的特性模拟仿真.从仿真的结果中可以看出,改进的算法不仅在精度上较上述两种算法更精确,而且能够保证所重建的光谱反射比能够满足其实际可能的范围(0,1).因而,用本文中所给出的改进的基向量法重建物体表面的光谱反射比,较上述两种前人提出的算法更能满足工业实际需要.

基于Kubelka-Munk理论光谱反射比重建算法的研究

由于常规的K/S空间的光谱反射比重建算法不能满足高精度重建光谱反射比的需求,因此基于Kubelka-Munk理论的光谱反射比重建算法被提出来.本文的重点是提出应用Kubelka-Munk理论对物体表面的光谱反射比进行重建,并针对该算法进行数学上的推导.

原位光谱反射比测量系统设计

介绍了用光纤和双通道光谱仪测量光谱反射比的技术优势,并着重讨论了原位光谱及光谱反射比测量系统的主要技术。利用这套测量装置对真空室中试验样品氧化前后进行测量,得到了与计量院标定值一致的结果。

光谱反射比的实际删节方法研究(英文)

为了将测量间隔较小的光谱反射比数据删节或者压缩成间隔较大的数据,给出了三种方法,即:直接选取法、线性删节法和三阶删节法,并对其特性进行了仿真验证·从仿真的结果可以看出:若将测量间隔为5 nm的数据压缩成间隔为10 nm、20 nm或30 nm的数据,则采用三阶删节方法误差最小;若将测量间隔为10 nm的数据压缩成间隔为20 nm或30 nm的数据,则直接选取法似乎结果更好一些·另外,还给出了三阶删节方法与“向量子空间法”在光谱图像压缩方面的特性比较,比较的结果发现,三阶删节方法要比“向量子空间法”更好一些·可以看出,删节方法无论是对光谱反射比的删节还是对光谱图像的压缩,其结果都能很好的满足工业需求·

基于混合算法的色彩光谱反射比降维重建研究

利用BP神经网络和主成分分析相结合的算法,实现色彩光谱反射比的降维与重建。首先利用神经网络实现色彩多光谱数据的降维,并根据色差标记达到精度的数据。然后将未达到精度的光谱数据利用PCA主成分分析算法进行降维。最后利用神经网络逆运算与矩阵运算法重建多光谱空间。研究表明,利用混合算法对多光谱空间进行降维与重建,能够高精度的表示原始色彩光谱空间。

一种基于不同光谱反射比的光纤温度传感器

介绍一种基于多层介质膜干涉滤光片的不同光谱反射比随温度变化的光纤温度传感器 ,系统采用两个不同波长的反射光功率的比值作为传感器的输出信号 ,以消除光源功率波动对测量结果的影响。实验结果表明 ,该测量方法是完全可行的。

土家织锦典型颜色光谱反射比的采集与色度分析

利用分光光度测色计,分别采集了现代织法和传统织法土家织锦的16种典型颜色色块的光谱反色比数据,以及相对应的纯棉线的光谱反射比数据,采用CIE色度计算方法,把光谱反射比值转换为色度值;通过光谱反射比空间和CIE L*a*b*颜色空间的数据分析比较,探讨纺织技法的不同所带来的颜色色差,建立土家织锦典型颜色光谱反射比特征数据库。分析结果显示,纺织技法的不同使得土家织锦的同种颜色棉线样品呈现出颜色差异性,彩色棉线纺织得越密集,其织锦样品的颜色与原彩色棉线的色差越小,两者之间的L*值a*值和b*值越接近。文中分析的纺织技法对织锦颜色的影响规律结论为文化遗产土家织锦纺织过程中的颜色准确配色提供了选择织法的理论依据,也为土家织锦数值化再现和颜色虚拟渲染提供了重要的颜色数据参考。

光谱反射比传感器和控制器

本发明提供一种光谱反射比传感器．它包括两个光源、两个接收器、一个信号调节器和一个微处理器．一个光源用于发射红光的调制光束，另一个光源用于发射近红外光的调制光束；一个接收器用于接收红光或近红外光的反射光，另一个接收器用于接收来自红光源或红外光源的入射光；信号调节器对调制产生响应，从而将接收器响应来自光源的反射光和入射光后产生的信号同由环境光产生的信号区分开来．

基于反射光谱的薄膜光学常数和厚度测试

薄膜的光学常数(折射率、消光系数)和厚度决定了镀膜零件的光学性能,因此根据实际条件掌握薄膜的光学常数和厚度是膜系结构设计和性能优化的重要环节。本文采用傅里叶红外光谱仪测试薄膜样品的反射光谱曲线,通过单纯形优化算法拟合反射光谱曲线,借助不同色散模型,构建目标优化函数,获得薄膜光学常数和厚度,拟合结果与采用椭偏仪测试的结果具有较好的一致性。将拟合得到的薄膜光学参数及厚度代入反射率理论计算模型,通过理论计算模型得到的反射率曲线和实验测试曲线吻合良好,折射率测试结果与计算结果的最大相对误差小于1.8%,厚度测试结果的相对误差不大于0.4%,考虑消光系数的反射光谱拟合曲线与测试曲线相对误差的最大值小于2%。该方法只需测量薄膜的反射光谱曲线,通过计算就能得到薄膜的光学常数及厚度。该方法测试计算简单、精度高、适用范围广,对光学薄膜结构设计、优化和加工具有一定的实际应用价值。

基于反射率、吸光度和Kubelka-Munk光谱的贡梨不同损伤程度检测

贡梨在收获、运输和销售过程中容易发生机械损伤,加速果实腐烂,降低贡梨品质。快速判别贡梨的不同损伤程度,进而采取不同的处理措施,以降低经济损失。以往运用高光谱技术研究水果的损伤程度,通常仅用反射率光谱。该研究运用高光谱技术获取贡梨的反射率(R)、吸光度(A)、和Kubelka-Munk(K-M)变换光谱结合3种深度学习算法对健康和不同损伤程度的贡梨进行判别。首先,选取60个新鲜无损伤贡梨作为健康样品,再利用自由落体碰撞装置制备出Ⅰ级损伤、Ⅱ级损伤、Ⅲ级损伤贡梨样品各60个。通过高光谱成像系统采集这240个贡梨样品的光谱数据,对采集的光谱进行黑白校正,以获得贡梨的反射率(R)、吸光度(A)、和Kubelka-Munk(K-M)变换光谱,然后用基准线校准(Baseline)、去趋势(De-Trending)、移动平均(MA-S)、乘法散射校正(MSC)、卷积平滑(SG-S)、标准正态变量变换(SNV)共6种预处理方法对3种原始光谱数据进行预处理,并建立BP神经网络(BP)、极限梯度提升(XGBoost)和随机森林(RF)判别分析模型对贡梨不同损伤程度进行判别。根据模型对贡梨损伤程度的判别结果显示,基于反射率、吸光度、K-M变换光谱的BP模型判别准确率较好,整体准确率达到了85%及以上,且发现经过Baseline预处理后的反射率光谱建立的BP模型比未经预处理的反射率光谱谱建立的BP模型有较大的提升,判别准确率达到了93.33%。为了提升BP模型的精准度和运行效率,对3种原始光谱和Baseline预处理后的光谱利用竞争性自适应重加权(CARS)和无信息变量消除(UVE)方法筛选出特征波段光谱信息,用筛选后的特征光谱数据来建立BP模型,其判别结果显示A-RAW-CARS-BP模型具有最佳的判别准确率,整体准确率达到了96.66%。结果表明,采用3种原始光谱对贡梨的损伤程度进行判别具有可行性,为高光谱技术检测贡梨的不同损伤程度提供了理论依据。

盘锦地区不同品种水稻品质及其冠层高光谱反射率特征分析

对2022年盘锦地区8种水稻进行品质特征分析,并探讨不同品种水稻籽粒加工品质、外观品质、蒸煮品质、营养品质与水稻成熟期冠层原始光谱、一阶导数光谱及连续统去除光谱的相关关系。结果表明:盐粳939的加工品质较好,锦稻106(9系)的外观品质较好,锦稻香103的蒸煮品质较好,盘粳968(3系)的营养品质较好。原始光谱反射率与糙米率指标的相关关系较好,在731~1131 nm和1150~1360 nm两个波段内,相关系数高达0.767;糙米率与一阶导数光谱的相关关系最好,在1459 nm处达到极显著相关,相关系数为0.867;垩白度和垩白粒率均在1804 nm处与连续统去除光谱的相关关系较好,并达到极显著负相关,相关系数分别为-0.979和-0.983;长宽比与原始光谱的相关关系较好,相关系数在659 nm处达到最大值,为0.849;蒸煮品质所包含的食味值、直链淀粉含量和营养品质所包含的蛋白质含量均与连续统去除光谱有较好的相关关系。

全反射X射线荧光光谱法快速测定全血中多种无机元素的含量

为实现全血样品中无机元素的快速、准确测定,提出了题示方法。取经乙二胺四乙酸(EDTA)抗凝处理过的全血样品100 mg和100 mg·L^(−1)镓内标溶液10 mg,分别用100 mg、500 mg、1000 mg 1%(质量分数)Triton X-100溶液(稀释剂)(对应稀释剂和样品质量比1∶1,5∶1,10∶1,记作“稀释比”)进行分散,混匀后振荡2 min,采用全反射X射线荧光光谱仪检测,结合内标法和相对灵敏度因子公式计算全血样品中无机元素的含量。结果显示:加大稀释比有利于磷、硫、钾、钙元素的分散,有助于提高其测定结果的准确度;采用相对灵敏度因子校正可将磷、硫元素的回收率提高至80.0%以上;方法应用于豚鼠全血样品的分析,检出了磷、硫、钾、钙、铁、铜、锌、铷、硒等无机元素。和电感耦合等离子体原子发射光谱法(ICP-AES)相比,这9种元素测定值的相对误差的绝对值均小于10%,测定值的相对标准偏差(n=20)不大于18%;7种元素(铷、硒除外)的检出限(3s)为0.2~19 mg·L^(−1)。该方法无需消解样品和制作标准曲线,可在25 min内完成全血样品分析。

基于光谱反射率的低照度图像增强方法研究

低照度图像增强技术是机器视觉研究热点之一,Retinex理论模型假设图像是反射分量与光照分量乘积,通过去除或校正光照分量并结合物体的反射特性来恢复图像,被广泛应用在传统算法和深度学习增强模型中。光谱反射率是颜色的指纹,多光谱图像比普通图像的信息量更为丰富。色度学理论和Retinex理论都认为图像的颜色特性取决于反射系数,但光谱反射率是基于仪器测量获得真实的数据,而图像反射分量是基于图像分解假设的数据,目前文献没有从光谱角度对低照度图像增强进行研究。受Retinex理论启发结合深度学习非线性拟合能力,用颜色的光谱反射率代替RetinexNet网络中的图像反射分量,用CIE标准光源的光谱功率分布代替网络中的图像照明分量,提出了一种基于光谱反射率的低照度图像增强方法。首先对图像数据库中正常光照图像进行光谱重建,构建低照度图像与正常光照的多光谱图像数据集。然后训练将低照度图像转换成多光谱图像的深度学习网络模型。任意低照度图像通过网络模型得到多光谱图像,多光谱图像根据色度学理论得到CIEXYZ三刺激值,再通过标准颜色空间转换到RGB颜色空间中显示。该方法在公开LOL数据集上进行训练与测试,结果表明在图像噪声抑制和颜色恢复方面都优于常用方法,证明该方法对低照度图像增强的优越性和有效性。

茴香渣营养特征分析及其常规养分和矿物元素含量近红外反射光谱预测模型构建

本试验旨在分析茴香渣营养特征及构建其常规养分和矿物元素含量近红外反射光谱(NIRS)预测模型。利用NIRS技术结合改良偏最小二乘法(MPLS)分析了103份茴香渣样品中常规养分干物质(DM)、粗蛋白质(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗灰分(Ash)、有机物(OM)、粗脂肪(EE)以及矿物元素钙(Ca)、铁(Fe)、钾(K)、磷(P)和镁(Mg)含量的预测模型。结果表明:茴香渣CP和EE含量较高,NDF和ADF含量较低,且矿物元素含量丰富,可作为饲料原料添加到动物饲粮中。构建的预测模型中,常规养分DM、CP、NDF、ADF、Ash、OM和EE含量的预测决定系数(RSQ)分别为0.940、0.922、0.918、0.873、0.847、0.878和0.908,验证相对分析误差(RPD)均大于2.5,预测的准确性较高,取得最佳定标效果。矿物元素Ca、Fe和K含量的RSQ分别为0.912、0.911和0.856,RPD均大于2.5,预测效果较好,可以用于实际生产;Mg含量的RSQ和RPD分别为0.794和2.203,预测效果较弱,仅能粗略预测来进行样品筛选;P含量的RSQ和RPD分别为0.654和1.667,预测效果差,预测值和实测值的误差较大,不能用于实际生产。综上所述,利用NIRS技术建立的预测模型可快速、准确地预测茴香渣中DM、CP、NDF、ADF、Ash、OM、Ca、Fe和K含量。

基于反射光谱的油茶籽油掺伪量快速测定及特征波长特性研究

为了探索紫外-可见-近红外反射光谱测定油茶籽油掺伪量的方法,按照不同掺伪比例制备了244个油茶籽油掺伪大豆油、菜籽油、花生油、玉米油的样本,以自主搭建的实验平台采集所制备样本在200~1100 nm范围内的反射光谱。将原始光谱进行Savitzky-Golay(SG)-连续小波变换(CWT)预处理后,利用Kennard-Stone(K-S)算法以2∶1的比例将样本划分成校正集和预测集。采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、自主软收缩算法(BOSS)、迭代变量子集优化算法(IVSO)进行特征波长选择,分别建立基于支持向量机(SVM)、极限学习机(ELM)、随机森林(RF)的油茶籽油掺伪量快速预测模型,同时对特征波长的特性进行了研究。结果表明:原始光谱经过SG-CWT(L5)预处理和BOSS特征波长筛选后,建立的基于SVM的油茶籽油掺伪量快速预测模型能够鉴别掺伪量为1%及以上的油茶籽油,该模型在十折交叉验证和网格搜索法下得到最佳惩罚因子(c)和核函数(γ)分别为5.2780和0.1088,其预测决定系数(R_(P)^(2))、预测均方根误差(RMSE_P)、预测平均绝对误差(MAE_(P))分别为0.9985、0.0134、0.0102。特征波长聚集程度和陡度对模型预测结果存在一定影响。综上,建立的基于反射光谱的油茶籽油掺伪量快速预测模型预测误差小,预测效果较好。

基于智能移动设备的低成本微型作物光谱反射率测量仪设计与实现

为实现作物生长信息的低成本、实时、无损监测,本研究基于光谱分析技术,选择395 nm和800 nm 2个波段,根据光学系统原理和小型化需求,进行基于智能移动设备的低功耗微型作物光谱反射率测量仪研发,包括封装壳体、光学系统和硬件电路设计及控制系统App开发;并使用积分球和ASD Fieldspec 4 Hi-Res地物光谱仪对测量仪4个通道(395 nm和800 nm太阳光接收通道和作物反射光接收通道)的测量值进行标定,并以反射率为20%、40%、60%、100%的4块标准灰度板为测量对象检验测量仪的准确性。结果表明:4个通道标定方程的决定系数均在0.9980以上,395 nm和800 nm反射率的均方根误差分别为1.46%和1.07%,平均绝对误差分别为1.17%和0.82%;4块标准反射率灰度板在395 nm和800 nm 2个波段测得反射率的相对误差分别小于2.0%和3.6%,变异系数分别在1.36%~4.17%和0.78%~2.36%。该测量仪体积32 cm^(3),质量仅20 g,且具有低成本、高精度、易操作、可升级等特性,可实现基于智能移动设备的作物生长实时监测。

近红外漫反射光谱联合IL-17A在2型糖尿病患者牙周炎中的早期预测价值

目的 探究近红外漫反射光谱联合白介素17A(IL-17A)对2型糖尿病(T2DM)患者并发牙周炎的预测价值。方法 将2020年1月-2021年1月在我院就诊的T2DM患者分为牙周炎组与非牙周炎组。采用近红外漫反射光谱检测患者的牙龈血流动力学相关指标,分析患者血流动力学指标与IL-17A的相关性。结果 相比于非牙周炎组,牙周炎组患者的牙龈组织相对血流量(rGBF)降低,IL-17A、牙菌斑指数(PLI)、牙龈指数(GI)及龈沟出血指数(SBI)升高;rGBF与IL-17A呈负相关(r=-0.200),PLI与IL-17A呈正相关(r=0.201),均P <0.05。IL-17A联合红外漫反射光谱各项指标对T2DM患者牙周炎发生的预测效能明显优于各项指标单独预测的效能(P <0.05)。结论 红外漫反射光谱能够无创检测牙龈组织的相对血流量,其与IL-17A联合预测有望成为T2DM患者牙周炎早期预测和疗效、预后评价的方法之一。

基于相机RGB值的光谱反射率重建方法研究

光谱反射率重建技术可实现背景颜色数据准确校正和复制还原,以此为基础可设计实施高融合迷彩,为机动装备在不同背景环境下提供有效防护屏障,具有重要价值。参照光谱成像技术特点,根据颜色形成原理和三刺激值定量计算公式,通过控制单一变量法设计实验方案,提出加权平均光谱反射率重建方法(TWA),利用相机和光谱仪分别获取训练样本的成像系统响应值(RGB)和光谱反射率数据,对所提取的样本RGB值和光谱反射率数据分别采用传统最小二乘法(OLS)、正则化最小二乘法(RLS)、偏最小二乘法(PLS)、主成分分析法(PCA)和本文中提出的加权平均法(TWA)进行光谱反射率重建训练,获得光谱重建矩阵,最后利用光谱重建矩阵对测试样本响应值进行光谱反射率重建,并对实验结果进行分析,对比不同方法的光谱反射率重建效果。研究结果表明,加权平均法在光谱均方根误差SRMSE、平均拟合优度系数GFC、平均色差等指标上效果更优,重建所得光谱反射率精度更高,颜色校正效果更佳。

基于NSGA-Ⅱ算法选择光谱反射率重建样本的研究

为解决光谱反射率重建过程中训练样本数目庞大导致工作量大,重建精度不高等问题,提出一种基于NSGA-Ⅱ算法的光谱反射率重建样本选择方法。近日Liang等提出了一种从大量样本数据中选取具有代表性样本的新方法,定义光谱重建误差为均方根误差与拟合优度系数的乘积,以这一标准选择光谱重建误差最小的样本作为代表性样本进行光谱反射率重建。受Liang等人工作的启发结合NSGA-Ⅱ算法选择代表性样本,先对全体训练样本使用多项式回归算法和伪逆法进行光谱反射率重建,再使用NSGA-Ⅱ算法,设定两个目标函数,一个是所需代表性样本个数的光谱均方根误差的和,另一个是拟合优度系数倒数的和,令两个目标函数值最小。将经过NSGA-Ⅱ算法挑选出的Pareto等级为1的全部样本按照样本出现次数由高至低排序,以此顺序从高到低依次选为代表性样本,直至达到所需代表性样本个数。若从Pareto等级为1的样本集合中挑选的代表性样本数不足所需要的个数则选择下一等级出现次数最多且没有被选择过的样本直至代表性样本数达到需求。将1269块无光泽Munsell标准色卡按照样本下标划分为偶数色卡、奇数色卡,第一组实验用Munsell奇数色卡为全体训练样本,从Munsell偶数色卡中随机选择20个色块为测试样本。第二组实验选用Munsell偶数色卡为全体训练样本,从Munsell奇数色卡中随机选取20个色块为测试样本。第三组实验训练样本与第一组相同,RC24色卡为测试样本。将该方法与Mohammadi、Cao、Liang等提出的三种样本选择方法进行对比。通过实验得到使用NSGA-Ⅱ算法结合多项式回归与伪逆法选择的代表性样本重建的光谱反射率在均方根误差和色差两个指标上均优于现有的样本选择方法,并且该方法不限于特定系统,具有通用性。

基于非接触式漫反射光谱的人体肤色检测研究

当前有许多肤色检测技术出现,但在环境光变化的情况下很难检测出肤色。为了准确的检测肤色,本文提出了一种基于非接触式漫反射光谱的肤色检测方法,利用非接触式测量装置采集人体皮肤的漫反射光谱数据并将其作为测试样本,以采集的标准色卡的皮肤色号作为参考样本,随后建立支持向量机分类模型训练测试样本和参考样本,为测试样本定标色号,最后模型定标准确率达到了93.5%。结果表明,基于非接触式漫反射光谱的人体肤色检测,能够极大地提高肤色检测的准确性。