基于太赫兹时域光谱的样本特征识别算法研究

摘要

生物和化学大分子的振动及转动能级主要处于太赫兹波段，太赫兹辐射波具有能穿透大多数非金属非极性材料的性能，利用太赫兹时域光谱(THz-TDS)技术进行光谱测量与目标识别，已广泛应用于生物医学、公共安全、无损检测、品质检验、化学相关以及环境监测等领域。太赫兹光谱具有典型的高光谱数据特征，光谱维数高、数据量大，如何从海量的光谱数据中，观察和挖掘出有用的信息是THz-TDS技术应用与发展所面临的挑战。 本文以太赫兹波谱学为理论基础，采用THz-TDS技术获取检测样本的光谱数据，主要围绕光谱目标识别中的两类关键问题展开研究。一类是针对光谱特征相似物质的识别问题。采用基于数据驱动的全光谱分析手段，提取光谱主要差异特征，开展光谱模式识别新方法研究，以提高光谱目标识别的准确性；另一类是针对光谱图像噪声大、光学分辨率不高，通过图像无法有效识别样本目标特征的问题。深入研究太赫兹成像机理，充分挖掘太赫兹光谱图像的有用信息，通过目标差异光谱聚类、图像去噪以及高分辨率图像相似性匹配等定量研究，为实现图像目标的超分辨率识别奠定基础。主要研究内容和创新点如下： ①提出一种基于自适应策略的动态感知粒子群(APSO)支持向量机(SVM)模型，解决了光谱特征相似物质的识别问题。太赫兹光谱采样过程复杂，受动态环境影响，在对复杂多样物质进行分类训练时，分类器最优参数解是动态变化的，导致粒子群优化(PSO)算法在分类器参数寻优过程中，容易陷入局部最优或死循环。为此，本文对PSO算法进行改进，设计一种新算法(APSO)，引入“感知粒子”，对参数寻优进行监督更新。该机制从粒子群可行域解空间中，随机抽取若干粒子作为“感知粒子”，在PSO迭代寻优过程中，计算所有感知粒子相邻迭代适应度差值之和，以表示环境变化的剧烈程度，并设置“响应阈值”。粒子适应度差值之和大于响应阈值则触发阈值更新响应，强制参数寻优跳出当前的局部最优或死循环。通过对转基因棉花种子样本进行多种SVM模型比对分析，结果表明，本文提出的新算法能有效提高模型的识别精度，降低参数寻优迭代更新次数，算法效率更高。 ②从光谱识别角度出发，提出一种基于t分布随机邻域嵌入(t-SNE)的光谱聚类识别模型，解决了太赫兹光谱图像分辨率不高，无法有效识别样本缺陷特征的问题。通过高维光谱数据集的降维，在低维空间上对差异光谱进行聚簇分析，实现对检测样本缺陷特征“有无”的判断。模型基本原理是：采用基于流形学习的t-SNE算法，将高维空间数据样本点映射到低维空间，并用条件概率分布度量距离不变的相似性，实现样本点特征在低维空间的可视化观察。通过与光谱图像的比对验证，结果表明，本文的模型能够通过光谱聚类实现样本不同缺陷特征的“有无”判断，为进一步的成像分析做预检测。 ③提出一种基于蚁群算法(ACO)边缘提取与压缩感知(CS)算法相结合的图像去噪模型，解决了常用数字图像处理方法在太赫兹图像去噪过程中，会模糊目标重要边缘信息，影响图像目标识别准确性的问题。模型的基本思想是：采用蚁群算法提取出光谱图像的边缘与非边缘两幅图像，仅对非边缘图像进行去噪，保护图像重要边缘特征。基于压缩感知理论，运用相应的正交变换求出非边缘图像的稀疏表示，采用局部快速傅里叶变换的图像重构算法进行快速去噪。通过与多种经典图像去噪模型比对，结果表明，本文提出的图像去噪方法，综合效果最好，更具有实用性。 ④提出一种基于图像SIFT特征点提取与K-means聚类相结合的高分辨率图像匹配模型，从图像库中检索出一组用于超分辨率识别的高质量源图像，解决了在采用图像融合以及超分辨率重建等方法，对降质的光谱图像进行处理时，由于对图像源的选取随机性很大，导致图像质量提高受限的问题。具体而言，首先采用布莱克曼(Blackman)窗频域插值的傅里叶频域变换方法，提高频域光谱分辨率，并通过频域与时域多参数信息成像，建立太赫兹光谱图像库；然后采用样本光谱截止频率与图像客观评价指标融合分析，选取一幅高质量的图像作为待匹配图像；最后基于SIFT-Kmeans模型，运用向量余弦相似度度量计算，检索出多幅高分辨率源图像。通过对多种检测样本的模型验证，结果表明，本文采用的图像定量分析体系，从图像源上保证了图像质量，从而凸显图像超分辨重建的价值与现实意义。

目录

第一个书签之前