小波變換在光譜和多光譜圖像的應(yīng)用與研究.pdf

1、本論文分為兩部分：小波變換在光譜定量分析與多光譜圖像的應(yīng)用。 小波分析技術(shù)是新近出現(xiàn)的數(shù)學(xué)方法，近年來(lái)，在光譜分析得到廣泛的應(yīng)用。本論文介紹小波變換和多分辨分析的原理和方法，并將其應(yīng)用于光譜信號(hào)的噪聲去除、有用信息的提取等方面，取得良好效果。 將小波變換技術(shù)應(yīng)用于MS-3100多光譜圖像的近紅外通道(Ir)圖像的邊緣特征提取。同時(shí)，將盲解卷積恢復(fù)技術(shù)結(jié)合小波變換的邊界提取技術(shù)，在一定程度抑制了模糊圖像恢復(fù)時(shí)產(chǎn)生的振鈴效應(yīng)

2、。 本論文具體的主要研究?jī)?nèi)容和結(jié)果如下： (1)在小波變換閾值去噪技術(shù)中，一般分為硬閾值與軟閾值技術(shù)兩種方法，硬閾值技術(shù)會(huì)造成重構(gòu)信號(hào)的振蕩，軟閾值技術(shù)會(huì)造成重構(gòu)信號(hào)與真實(shí)信號(hào)的偏差。針對(duì)這一缺陷，本論文提出了提升閾值法，在此方法中，利用-可變參數(shù)對(duì)不同信號(hào)的特點(diǎn)自適應(yīng)地進(jìn)行()值調(diào)節(jié)。同時(shí)，在小波變換去噪技術(shù)中，其它參數(shù)(如小波函數(shù)、分解層數(shù)、閾值估計(jì)函數(shù))對(duì)去噪質(zhì)量都有一定的影響。針對(duì)這種情況，本論文提出用模擬退火算

3、法( Simulated Annealing Algorithm，SAA)來(lái)優(yōu)化這些參數(shù)，并將提出的算法應(yīng)用于奶粉的可見(jiàn)-近紅外光譜中。結(jié)果表明，與其它參數(shù)的去噪結(jié)果相比，模擬退火算法尋找到的這些參數(shù)即是最優(yōu)的參數(shù)。 (2)針對(duì)在小波包變換(WPT)產(chǎn)生的頻帶混亂問(wèn)題，在不改變WPT原算法的基礎(chǔ)上，本論文提出了解決頻帶混亂問(wèn)題的新算法。并將新算法應(yīng)用于近紅外光譜的小波包分解中，使其在小波包分解域的物理意義清晰化。 (3)

4、在小波包分解域中，不同的子頻帶對(duì)模型的貢獻(xiàn)是不同的。因此，本論文提出利用SAA對(duì)其尋優(yōu)，尋找出對(duì)模型貢獻(xiàn)最大的子帶頻。提出的方法應(yīng)用于月掛酸成分預(yù)測(cè)的紅外光譜和機(jī)油分類的可見(jiàn)-近紅外光譜中，用偏最小二乘回歸(PLS)建立模型，相比于用全光譜建立的模型，月掛酸的成分預(yù)測(cè)均方根誤差分別從7.9557提高到6.6787，機(jī)油分類的成分預(yù)測(cè)均方根誤差從0.2383提高到0.1031。 (4)針對(duì)無(wú)信息去除算法(UVE)閾值選擇的隨機(jī)性和

5、主觀性，提出了改進(jìn)無(wú)信息去除算法(IUNE)，即用SAA來(lái)尋找最優(yōu)閾值。同樣地將IUVE應(yīng)用于月掛酸成分預(yù)測(cè)的紅外光譜和機(jī)油分類的可見(jiàn).近紅外光譜中，也用偏最小二乘回歸(PLS)建立模型，相比于傳統(tǒng)的UVE，月掛酸的成分預(yù)測(cè)均方根誤差分別從7.3171提高到7.0171，機(jī)油分類從0.1044提高到0.0991。同時(shí)，根據(jù)在小波包分解域中用少數(shù)的幾個(gè)系數(shù)就能夠表達(dá)大部分原始光譜信息的特點(diǎn)，提出了WPT結(jié)合IUVE的方法，從而能夠得到緊湊

6、而高效的模型。并將此方法應(yīng)用于月掛酸成分預(yù)測(cè)的紅外光譜和機(jī)油分類的可見(jiàn).近紅外光譜中，相比用原始光譜數(shù)據(jù)的IUVE中，在沒(méi)有降低預(yù)測(cè)均方根誤差的前提下，相應(yīng)的模型所用的變量數(shù)目分別從319減少到164和472減少到13。 (5)在MS3100多光譜成像儀的三個(gè)圖像通道中，Ir通道圖像特別適合用于作物雜草與背景物(如土壤等)的區(qū)分，這非常有利于雜草識(shí)別。而形狀是識(shí)別作物與雜草重要的判別之一，為了把雜草與作物區(qū)別，往往需要對(duì)采集的圖