高光谱成像仪获取的光谱数据怎么提取特征波长?
发布时间:2024-03-15
浏览次数:255
高光谱成像仪在数据采集的过程中,获取的光谱波段数据非常的庞大,包含的冗余和共线性信息会影响模型的预测精度。因此,需要对提取的光谱数据进行优化,提取特征波长。本文对高光谱成像仪光谱数据特征波长的提取方法做了介绍。
高光谱成像仪在数据采集的过程中,获取的光谱波段数据非常的庞大,包含的冗余和共线性信息会影响模型的预测精度。因此,需要对提取的光谱数据进行优化,提取特征波长。本文对高光谱成像仪光谱数据特征波长的提取方法做了介绍。
高光谱成像仪器和光谱仪一般能够获得数百个光谱波段,同时光谱分析需要收集大量样本,光谱矩阵往往非常庞大,光谱分析效率不高。同时光谱数据中包含的冗余和共线性信息会影响模型的预测精度。因此,需要对提取的光谱数据进行优化,去除冗余变量,寻找对模型建立起到关键作用的波长变量,减少波长个数,简化和优化模型。提取得到的特征波长还有助于分析光谱检测机理,开发简易、低成本的多光谱成像检测设备。
常用的特征波长选择方法有连续投影算法、无信息变量消除、遗传算法、逐步回归法、回归系数法、载荷系数法、竞争性自适应重加权算法、Random Frog等,其中竞争性自适应重加权算法和Random Frog是两种新型的波长选择方法,得到越来越广泛的应用,下文对这两种特征波长提取方法做了介绍。
1.竞争性自适应重加权算法
作为一种新的变量选择算法,竞争性自适应重加权算法(CARS)是由研究人员在2009年提出。该方法与偏最小二乘回归算法相结合,通过模仿达尔文进化论中“适者生存”的原则,每次采样过程中利用指数衰减函数(EDP)和自适应重加权采样技术(ARS)去除偏最小二乘回归模型中回归系数绝对值权重较小的变量,优选出回归系数绝对值权重较大的变量,N次采样后得到N个变量子集,依据交互验证选出交互验证均方根误差(RMSECV)最小的变量子集,该子集所包含的变量即为最优特征波长变量组合。
2.Random Frog算法
Random Frog是一种新的变量提取方法,是一种类似于可逆跳转马尔可夫链蒙特卡洛(RJMCMC)的算法,通过在模型空间中模拟一条服从稳态分布的马尔可夫链,来计算每个变量的被选概率,从而进行变量的选择。Random Frog与偏最小二乘回归算法相结合,建模方法采用偏最小二乘回归,模型中每个变量回归系数的绝对值大小作为每次迭代过程中该变量是否被剔除的依据。
相关产品
-
高光谱和多光谱有什么区别?
高光谱和多光谱作为作为无损检测技术,因其精度高、分辨率高等优点,被广泛的应用于农业、地质灾害、医学等不同的领域。高光谱和多光谱同作为光谱技术,但它们之间存在一定..
-
高光谱图像的优势和劣势对比
高光谱图像作为一种结合了成像技术和光谱技术的多维信息获取技术,具有显著的优势,但同时也存在一些劣势。以下是对高光谱图像优势和劣势的详细对比。..
-
高光谱在水果品质检测中的应用
高光谱成像技术,以其高光谱分辨率、图像信息丰富及非接触、无损检测等独特优势,正逐步成为水果品质检测领域的新宠。本文从以下几个方面介绍了高光谱在水果品质检测中的应..
-
多光谱和高光谱哪个好?全面对比多光谱和高光谱
光谱成像已成为从农业到环境管理等许多领域的宝库。高光谱和多光谱成像处于该技术的前沿。本文我们将讨论高光谱和多光谱成像的优点和局限性,以及哪种技术适合哪种现实场..