XiaoMi-AI文件搜索系统
World File Search System高光
使用基于实验室的高光谱图像和机器学习来区分开花蓝细菌：在环境范围内对有毒物种的验证
蓝细菌是内陆水域藻类开花的主要因素，威胁生态系统功能和用水的用途，尤其是在产生毒素的菌株占主导地位时。在这里，我们检查了140个高光谱（HS）图像，这些代表的五个代表，可能是毒素产生和盛开的属属微囊藻，浮游生物，浮游生物，阿法尼兹瘤，菊花菌，菊花菌和dolichospermum，以确定可见和近距离散布的潜在的（以/nirir的范围）的潜在。培养物在各种光和营养条件下生长，以诱导各种色素和光谱变异性，模仿自然环境中可能发现的变化。重要的是，我们假设了一个简化的方案，其中所有光谱变异性均来自蓝细菌。在整个蓝细菌生命周期中，获得了多个HS图像以及叶绿素A和植物蛋白酶的提取。图像，并使用K-均值算法提取来自感兴趣区域的平均光谱。使用七种方法对光谱数据进行了处理，以随后整合到随机森林模型中，其性能通过训练，验证和测试集的不同指标进行了评估。使用第一或第二个衍生物以及光谱平滑的成功分类率接近90％，并确定VIS和NIR中的重要波长。微囊孢子和Chrysosporum是达到最高精度（> 95％）的属，其次是浮游生物（79％），最后是Dolichospermum和Aphanizomenon（> 50％）。HS图像对
使用高光谱IMA
高光谱摄像机，即能够在各种波长中捕获图像的传感器，最近已添加到可用于植物遗传学和繁殖应用的表型工具领域中。据报道，植物檐篷的高光谱特征与植物营养状况有关（Cilia等，2014; Mahajan等，2016），与植物生长相关的特征（Kaur等，2015; Yang＆Chen，2004; Yang＆Chen，2004），植物生物量（Jia et al。 Thomas等，2017），Geno-type Intication（Chivasa等，2019），叶水含量（Ge等，2016）和土壤微生物群落组成（Carvalho等，2016）。特别是，高通知数据驱动的数据驱动的复杂性状预测，也称为现象预测，是一个积极的和连续表型的积极研究主题（Cuevas等，2019; Edlich-Muth et al。，2016; Krause等，2016; Krause等，2019; Krause et al。，2019; Rincent et and and and and and and an an an an an an an an an an an an an an an an。现象性预测有望捕获植物的分子组成，例如生物化学或生理信号（内型），影响基因组预测可能无法直接解释的表型（Rincent等人，2018年）。高度反射率数据可用于评估植物生长或应力相关的表型，以响应PGPB接种。
基于高光谱图像和叶绿素含量的苹果镶嵌性疾病严重程度的定量评估
摘要：苹果镶嵌病毒（APMV）的感染会严重损害苹果叶的细胞结构，从而导致叶叶绿素含量（LCC）降低和果实产量降低。在这项研究中，我们提出了一种新的方法，该方法利用高光谱成像（HSI）技术来无损地监测APMV感染的苹果叶子，并预测LCC作为疾病严重程度的定量指标。LCC数据是从360个APMV感染的叶片中收集的，并使用竞争性自适应重新加权采样算法选择最佳波长。基于增强和堆叠策略构建了高精度LCC倒置模型，其验证集R 2 V为0.9644，表现优于传统的集合学习模型。该模型用于反转LCC分布图像，并计算每个叶子的LCC变异（CV）的平均和系数。我们的发现表明LCC的平均和简历与疾病的严重程度高度相关，并且与敏感波长的结合使疾病严重程度的准确鉴定（验证集合集合= 98.89％）。我们的方法考虑了植物化学成分的作用，并在叶片尺度上对疾病严重程度进行了全面评估。总体而言，我们的研究提出了一种有效的方法来监测和评估苹果叶的健康状况，提供了可以帮助疾病严重程度的量化指数，可以帮助预防和控制疾病。
使用高光谱数据的机器学习分析
小行星（99942）apophis在2029年的地球飞行中可能会经历局部表面运动。因此，由于较新鲜的基础材料的暴露，重新铺面会表现为表面光学成熟的突然局部变化。因此，高空风化的光谱S型表面将在光学上与光谱Q型相似。机器学习代码（Korda等人2023）已开发出基于Q – S空间量表上的频谱匹配评分来检测空间沃特水平。该代码已在小行星的遗留空间分辨光谱上进行了测试（25143）Itokawa揭示了局部空间沃思趋势（图1）。该代码可以通过ESA Satis，Ramses或Nasa Osiris-Apex航天器来应用于小行星apophis的高光谱观察，以产生apophis的空间威型图，并检测与Apophis遭遇的局部变化。
基于 JPEG2000 标准的实时高光谱图像压缩 FPGA 加速器
Refka Ghodhbani 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 | 突尼斯莫纳斯提尔大学科学学院电子与微电子实验室 refka.ghodhbani@nbu.edu.sa（通讯作者） Taoufik Saidani 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 taoufik.saidan@nbu.edu.sa Layla Horrigue 突尼斯莫纳斯提尔大学科学学院电子与微电子实验室 layla.k-12@hotmail.com Asaad M. Algarni 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 asaad.algarni@nbu.edu.sa Muteb Alshammari 沙特阿拉伯北部边境大学计算机与信息技术学院信息技术系 muteb.alshammari@nbu.edu.sa
视频评价高光谱摄像头，用于监测植物健康和生物多样性
高光谱摄像机是精确农业，生物多样性监测和生态研究的关键促进技术。因此，这些应用程序助长了对在这种环境中广泛部署的设备的日益增长的需求。当前的高光谱摄像机需要在后期处理上进行大量投资，并且很少允许进行直播评估。在这里，我们介绍了一个新型的高光谱摄像机，该相机结合了活光谱数据和高分辨率图像。此相机适合与机器人技术和自动监控系统集成。我们探索了该相机用于应用程序的实用性，包括叶绿素检测和与植物健康有关的光谱指数显示。我们讨论了这种新型技术和相关的高光谱分析方法的性能，以支持英国Wytham Woods的草地栖息地的生态研究。
高光谱太空传播的光学系统设计
由ZeynepnílüferIztürk提交，部分履行了中东技术大学哲学博士学位的要求，由HalilKalıpçılar博士教授，自然科学和应用科学研究生院SeçkinKürkçüroudeciel博士的自然科学和应用程序研究生院。物理学，Başkent大学检查委员会成员SerhatCiskır教授，技术与知识管理，技术和知识管理：UğurMuratLeloğlu博士教授，THK大学教授Rafatov博士Rafatov物理学博士，Metu教授，Alpan Bek Bek Bek Bek Bek Beck Physics，Metu Assoc。Burak Yedierler物理学教授，元助理。MakbuleTerlemezoğluBilmiş物理学，加西大学MakbuleTerlemezoğluBilmiş物理学，加西大学
题为“基于星载和低空空中/无人机平台的高光谱遥感——方法、数据处理方法和应用方面的差异”的特刊社论
如今，已有多种基于星载和低空空中/无人机平台的高光谱遥感传感器可用于地球科学应用，具有多种光谱和空间分辨率[1-4]。高光谱遥感图像的发展促进了新型图像处理技术的发展，并在土壤地球化学、水质评估、森林物种制图、农业压力、矿物蚀变制图等广泛领域取得了令人欣喜的成果。在过去的二十年里，不同的空间机构发射了多个星载高光谱传感器（例如，美国国家航空航天局 (NASA) 于 2000 年 11 月发射的 Hyperion；日本宇宙航空研究开发机构 (JAXA) 于 2019 年 12 月发射的高光谱成像仪套件 (HISUI)；意大利航天局 (ASI) 于 2019 年 3 月发射的高光谱应用任务前体探测器 (PRISMA)）[1,5,6]。这些传感器充分利用了高光谱数据，并带来了从噪声消除到光谱制图等数据处理方法的创新。先前的研究强调了高光谱星载传感器在识别纯目标和识别具有弱光谱特征的光谱目标方面的局限性，因为这些高光谱传感器具有粗空间分辨率（通常为 20 m 至 30 m）和较差的信噪比（例如，Hyperion 在短波电磁域中的信噪比 (SNR) 较差）[7-10]。然而，这些星载传感器在环境监测方面取得了令人鼓舞的结果（例如，森林覆盖分类、检测森林的物候变化、土地利用/土地覆盖制图、农业土地覆盖表征、作物压力估计、岩性和矿物制图 [11-13]）。高光谱图像处理解决了与分类方法相关的主要困难，例如相关数据的高维性和标准处理技术的有限可用性[14]。为了克服这些局限性，最近建立了几种机器学习算法，补充了高光谱数据处理的巨大潜力[14]。由于星载高光谱传感器缺乏全球覆盖，不同国家使用不同的先进高光谱传感器进行常规的基于飞机和无人机的高光谱调查，例如先进的可见红外光谱仪（AVIRIS）及其最新版本AVIRIS-下一代（AVIRIS-NG）；HyMap；数字机载成像光谱仪（DAIS）等。这些传感器能够收集
基于术中脑肿瘤检测的机器学习的高光谱成像基准
RAQUEL LEON 1,+, HIMAR FABELO 2,1*,+, SAMUEL ORTEGA 3,1, INES A. CRUZ-GUERRERO 4, DANIEL ULISES CAMPOS- 3 DELGADO 4, ADAM SZOLNA 5, JUAN F. PIÑEIRO 5, CARLOS ESPINO 5, ARUMA J. O'SHANAHAN 5, MARIA 4 HERNANDEZ 5. J. Balea-fernandez 6.1，耶稣5 Morera 5，Bernardino Clavo 7.2和Gustavo M. Callic 1 6 1研究所应用微电子学研究所，拉斯帕尔马斯大学De Gran Canaria，Las Palmas de Gran Gran Gran Gran Gran Canaria，西班牙西班牙。 div>7 2加那利群岛（FICISC）的卫生研究所（FICISC），西班牙拉斯帕尔马斯·德·格兰卡纳里亚。 div>8 3 Nofima，挪威食品渔业与水产养殖研究所，挪威特罗姆斯。 div>9 4科学院，墨西哥圣路易斯·波托西自治大学。 div>10 5神经外科部，西班牙拉斯帕尔马斯·德·格兰加纳里亚的格兰加纳里亚医院的内格林大学医生。 div>11 6位于西班牙的拉斯帕尔马斯·德·格兰卡纳里亚（Las Palmas de Gran Canaria）的拉斯帕尔马斯大学（Las Palmas de Gran Canaria）心理学，社会学和社会工作系。 div>12 7研究部门，西班牙拉斯帕尔马斯·德·格兰卡纳里亚（Las Palmas de Gran Canaria）的格兰加纳里亚医院（Gran Canaria Hospital）大学医生。 div>13 *电子邮件：hfabelo@ium.ulpgc.es; +这些作者为这项工作做出了同样的贡献。 div>14 15 16摘要17脑外科手术是脑肿瘤最常见和有效的治疗方法之一。 div>然而，，神经外科医生面临着确定肿瘤边界以实现最大折磨的挑战18，同时避免了5月19日神经系统导致后遗症的正常组织损害。 div>35个脑肿瘤分为原发性和继发性转移性肿瘤。 div>高光谱（HS）成像（HSI）在不同的医学应用中显示了20个肿瘤检测的诊断工具。在这项工作中，我们通过强大的K折交叉验证方法证明了HSI与所提出的加工框架相结合，是一种有前途的术中识别术中识别和22个脑肿瘤的描述，包括原发性（高级和低级和低级）和次要肿瘤。对体内23脑数据库的分析，由来自34名不同患者的62个HS图像组成，在测试集中使用光谱和空间信息获得了24 70.2±7.9％的最高中值宏F1评分结果。在这里，我们基于机器学习25提供基准测试，以在体内脑肿瘤检测和使用高光谱成像的领域进行进一步发展，以用作26神经外科工作流程中的26实时决策支持工具。27 28在2020年，大脑和中枢神经系统（CNS）癌症是死亡率的第十二个最常见的癌症，估计有29例308,102例事件病例，全世界的性别和所有年龄1的死亡人数为251,329例。对于2040年，这些数字预计将分别增加38.5％和43.7％，分别为2040年2。在35岁以下的年轻人口中，在死亡率（31,181人死亡）的第二个最常见的癌症之后是白血病1的第二个癌症，而在14岁以下的32岁儿童中，它是发病率和死亡率的第二个最常见的癌症（在全球范围为24,388事件案例/11,889 33死亡）。49当前的术中成像引导技术有几个局限性9。，脑肿瘤占中枢神经系统癌症中发生的90％以上，与高34个死亡率和发病率有关，尤其是在儿科病例3,4中。原发性肿瘤出现在大脑中，36次次生肿瘤出现在体内其他地方，然后转移到大脑5。原发性肿瘤也根据其恶性肿瘤分为37个低级（LG）和高级（Hg）。lg肿瘤包括1年级和2年级（G1和G2），而Hg 38肿瘤对应于3年级和4年级（G3和G4），是胶质母细胞瘤（G4）最常见的（〜50％）和致命（5年生存率39率39率为5.5％，为5.5％）。最近在2021年WHO（World 40卫生组织）分类中枢神经系统肿瘤7中引入了新的阿拉伯编号。此外，脑肿瘤可以是轴内的，它们位于41个脑实质内，并由脑细胞或轴外产生，或轴外部，它们位于脑薄壁组织外，并由42个结构衬里或周围的结构（例如脑膜）8。43手术切除是原发性脑肿瘤的最常见治疗方法，尤其是对于弥漫性神经胶质瘤，因为44早期和肿瘤的总切除会提高总体生存率（例如，差异跨性星形胶质细胞瘤的5年5年生存率为50％，而寡糖瘤6）。在这个意义上，切除程度增加了所有类型的神经胶质瘤患者的存活率。46然而，为了实现最大切除术，神经外科医生需要使用47个成像引导技术9。术中MRI（IMRI）需要53此外，神经外科医生必须避免损害正常组织，这可能导致患者神经48缺陷，从而影响其生活质量（QOL）10。图像引导的立体定位（IGS）50神经措施基于术前成像，例如标准磁共振成像（MRI），T1加权51加权51 gadolinium增强（T1G），T2（T2W），T2W（T2W）或流体衰减倒入（Flair）。然而，由于颅骨切开术引起的肿瘤体积变化，IGS受到52个脑移位现象的影响。
高光谱微波光子仪器（HyMPI）
Antonia Gambacorta 1 , Jeffrey Piepmeier 1 , Mark Stephen 1 , Rachael Kroodsma 1 , Isaac Moradi 3 , Alexander Kotsakis 3 , Fabrizio Gambini 2 , Matt Fritts 1 , James Mackinnon 1 , Joseph Santanello 1 , John Blaisdell 4 , Robert Rosenberg 4 , Narges Shahroudi 3 , Yaping Zhou 2 , Priscilla Mohammed 7 , Victor Torres 1 , Dan Sullivan 1 , Ed Leong 1 , David Robles 1 , Jie Gong 1 , Ian Adams 1 , Paul Racette 1