鄒小波，李志華，石吉勇，黃曉瑋

（江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013）

肴肉是中國(guó)傳統(tǒng)特色美食之一，具有肉質(zhì)新鮮、營(yíng)養(yǎng)豐富、風(fēng)味獨(dú)特、不油不膩等特點(diǎn)，深受廣大消費(fèi)者喜愛(ài)。由于肴肉中營(yíng)養(yǎng)充沛，水分活度和pH值分別達(dá)到0.985和6.85[1]，非常適于假單胞菌和腸桿菌等腐敗微生物的生長(zhǎng)繁殖，產(chǎn)品必須在2～8 ℃密封條件下運(yùn)輸、貯藏和銷售。當(dāng)前對(duì)于肴肉貯藏特性的研究也都是基于密封良好、溫度控制嚴(yán)格的理想條件。然而由于種種原因，在餐飲、家庭等場(chǎng)所也常出現(xiàn)肴肉開(kāi)封后繼續(xù)冷藏的情況，這必然加快肴肉的腐敗速度，其貯藏特性也將發(fā)生較大變化，為了保證肴肉食用安全和消費(fèi)者切身利益，有必要對(duì)開(kāi)封后、4 ℃冷藏條件下肴肉新鮮度特性及其檢測(cè)技術(shù)進(jìn)行研究。

目前，肉制品檢測(cè)技術(shù)主要有感官評(píng)定、理化和微生物指標(biāo)的測(cè)定，近紅外光譜技術(shù)和高光譜技術(shù)等[2-5]。于見(jiàn)亮等[6]利用評(píng)估檢驗(yàn)法對(duì)羊肉新鮮度進(jìn)行了評(píng)定，沈海亮[7]綜述了感官分析在肉制品加工中的應(yīng)用，此類研究闡明了感官評(píng)定具有操作簡(jiǎn)便、直觀有效的特點(diǎn)，也暴露了其主觀性強(qiáng)、難以實(shí)現(xiàn)在線檢測(cè)等不足；肖香等[1]測(cè)定了真空包裝水晶肴肉貯藏期間的微生物和理化特性，胡萍等[8]對(duì)真空包裝煙熏火腿切片的pH值、揮發(fā)性鹽基氮（total volatile basic nitrogen ，TVB-N）含量、蛋白含量等進(jìn)行了跟蹤測(cè)定，但這些指標(biāo)的測(cè)定均存在費(fèi)時(shí)費(fèi)力、難以自動(dòng)化等不足；蔡健榮等[9]用近紅外光譜法測(cè)定豬肉的TVB-N含量，預(yù)測(cè)集的相關(guān)系數(shù)達(dá)到0.82，Leroy等[10]在1 200～1 300 nm波段利用近紅外光譜建立TVB-N的預(yù)測(cè)模型，實(shí)現(xiàn)了豬肉新鮮度的評(píng)價(jià)，這些研究顯示近紅外具有簡(jiǎn)便、快速、適于在線檢測(cè)等突出優(yōu)點(diǎn)，但其冗余信息量大，受樣品表面水分影響顯著的缺點(diǎn)仍未克服；高光譜成像是一種在測(cè)得的大量連續(xù)光譜帶上同時(shí)獲取空間位置的成像技術(shù)，它既含有光譜信息又含有圖像信息，并能對(duì)目標(biāo)區(qū)域進(jìn)行圖像和光譜信息的分析，在食品檢測(cè)中具有很大優(yōu)勢(shì)[11-13]，趙杰文等[14]將高光譜成像技術(shù)用于雞肉揮發(fā)性鹽基氮的檢測(cè)取得了良好效果，Ivorra等[15]利用高光譜技術(shù)用于真空包裝熏肉的過(guò)期檢測(cè)，準(zhǔn)確率達(dá)82.7%。因此，本研究嘗試將高光譜成像技術(shù)應(yīng)用于肴肉新鮮度檢測(cè)。肴肉開(kāi)封后于4 ℃貯藏，連續(xù)8 d測(cè)定其TVB-N含量，并獲取肴肉反射光譜圖像，提取與新鮮度相關(guān)的特征波段，結(jié)合肴肉TVB-N含量建立偏最小二乘（partial least squares ，PLS）模型，實(shí)現(xiàn)肴肉新鮮度的快速有效檢測(cè)。

1 材料與方法

1.1 材料

肴肉樣本購(gòu)自鎮(zhèn)江市宴春酒樓肴肉廠，生產(chǎn)日期均為購(gòu)買前1 d，用冷藏箱運(yùn)回實(shí)驗(yàn)室后打開(kāi)包裝于4 ℃冰柜中貯藏待測(cè)。樣品共96 個(gè)樣，隨機(jī)分配校正集64 個(gè)，預(yù)測(cè)集32 個(gè)，連續(xù)8 d每天對(duì)12 個(gè)肴肉樣本進(jìn)行高光譜采集和TVB-N含量測(cè)定。

1.2 儀器與設(shè)備

ImSpector V10E高光譜攝像機(jī) 芬蘭Spectra Imaging有限責(zé)任公司；Fiber-Lite DC950 Illumi-nator 150 W光纖鹵素?zé)?美國(guó)Dolan Jenner Industries公司；Zolix SC30021A精密電控平移臺(tái) 北京Zolix公司。

1.3 方法

1.3.1 高光譜圖像的采集

高光譜成像系統(tǒng)可采集的光譜范圍為430～960 nm，光譜分辨率為2.73 nm。

為了防止基線漂移，數(shù)據(jù)采集前將高光譜圖像采集系統(tǒng)打開(kāi)，預(yù)熱30 min。數(shù)據(jù)采集時(shí)，將肴肉樣本用培養(yǎng)皿盛放置于電控位移臺(tái)上，設(shè)定高光譜相機(jī)曝光時(shí)間為50 ms，電控平移臺(tái)移動(dòng)速率為1.25 mm/s。數(shù)據(jù)采集時(shí)，線陣探測(cè)器沿光學(xué)焦面垂直方向進(jìn)行橫向掃描，獲取條狀空間每個(gè)像素在各波長(zhǎng)處的光譜信息；隨著樣本縱向前進(jìn)，線陣探測(cè)器即可完成整個(gè)樣本數(shù)據(jù)的采集。光譜采集間隔為0.858 nm，采集得到618個(gè)波長(zhǎng)下的圖像，最終得到一個(gè)大小為618×1628×618的高光譜圖像數(shù)據(jù)塊，如圖1所示。

高光譜圖像數(shù)據(jù)采集完成后，需要對(duì)獲得的高光譜圖像進(jìn)行黑白標(biāo)定[16]。在與樣品采集相同的條件下，采集標(biāo)準(zhǔn)白色校正板得到全白的標(biāo)定圖像W，關(guān)閉相機(jī)快門采集得到全黑的標(biāo)定圖像B，根據(jù)式（1）完成高光譜圖像的標(biāo)定，使采集得到的絕對(duì)圖像I變成相對(duì)圖像R：

1.3.2 TVB-N含量測(cè)定

樣品在進(jìn)行光譜掃描以后立即按照GB/T 5009.44—2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》[17]測(cè)定TVB-N含量，3 次重復(fù)，取平均值。

1.3.3 肴肉新鮮度評(píng)定

根據(jù)GB 2707—2005《鮮（凍）畜肉衛(wèi)生標(biāo)準(zhǔn)》[18]規(guī)定，新鮮肉TVB-N含量應(yīng)低于15 mg/100 g，但考慮到肴肉原材料加工前及加工過(guò)程中都會(huì)有少量細(xì)菌、酶等引起的蛋白質(zhì)分解，肴肉中TVB-N含量略偏高是正常的。參照已有的研究結(jié)果[1,8,19]，按照TVB-N值將肴肉鮮度劃分為2個(gè)等級(jí)：一級(jí)鮮度（TVB-N含量≤20 mg/100 g），二級(jí)鮮度（TVB-N含量＞20 mg/100 g）。

1.3.4 標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）計(jì)算

SNV是常用的光譜預(yù)處理方法之一，它主要用于消除固體顆粒大小不均勻和密實(shí)度不一、表面散射以及光亮度變化對(duì)光譜帶來(lái)的影響[20]。SNV算法是從原始光譜中減去該條光譜的平均值，再除以標(biāo)準(zhǔn)偏差，對(duì)需SNV變換的光譜Xi,k按式（2）計(jì)算：

圖1 高光譜圖像三維數(shù)據(jù)塊示意圖Fig.1 Schematics of hyperspectral imaging

式（2）中：為第i個(gè)樣品光譜的平均值；k=1，2，…，m；m為波長(zhǎng)點(diǎn)數(shù)；i=1，2，…，n；n為校正集樣品數(shù)。

1.3.5 常規(guī)區(qū)間PLS（interval PLS，iPLS）、向后區(qū)間PLS（backward interval PLS，biPLS）和聯(lián)合區(qū)間PLS（synergy interval PLS，siPLS）優(yōu)選區(qū)間

肴肉高光譜圖像含有海量信息，如何進(jìn)行數(shù)據(jù)優(yōu)化和建立穩(wěn)定的預(yù)測(cè)模型是研究的重點(diǎn)。利用PLS、建立光譜預(yù)測(cè)模型時(shí)，為了確定特定組分的特征波長(zhǎng)譜區(qū)，減小建模和預(yù)測(cè)運(yùn)算時(shí)間，以及剔除噪聲污染過(guò)大的譜區(qū)等，需要選擇合適的光譜譜區(qū)。iPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個(gè)子區(qū)間，對(duì)每個(gè)子區(qū)間分別建立PLS模型，最優(yōu)模型對(duì)應(yīng)的區(qū)間為入選區(qū)間；biPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個(gè)子區(qū)間，每次剔除一個(gè)區(qū)間使得剩余區(qū)間對(duì)應(yīng)的PLS模型最優(yōu)，如此重復(fù)直至剩余1個(gè)子區(qū)間，全局最優(yōu)PLS模型對(duì)應(yīng)的區(qū)間組合為入選區(qū)間[21]；siPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個(gè)子區(qū)間后，聯(lián)合其中m個(gè)區(qū)間進(jìn)行PLS建模，建模時(shí)按排列組合的思想對(duì)種組合方式分別進(jìn)行考察，挑選最優(yōu)模型對(duì)應(yīng)的m個(gè)子區(qū)間組合作為入選區(qū)間，由于此方法的計(jì)算量非常大，一般m＜5[22]。

從iPLS、biPLS、siPLS優(yōu)選區(qū)間的基本原理可以看出，光譜子區(qū)間數(shù)n是一個(gè)重要參數(shù)，決定了每個(gè)子區(qū)間的窗口寬度。子區(qū)間劃分?jǐn)?shù)太少，光譜的特征區(qū)間可能會(huì)包含過(guò)多的干擾噪音；子區(qū)間數(shù)過(guò)多時(shí)，特征光譜區(qū)間建立的模型預(yù)測(cè)精度不再提高[23-24]。因此本研究在光譜子區(qū)間數(shù)n∈[10,30]范圍內(nèi)進(jìn)行優(yōu)化，綜合考慮校正集和預(yù)測(cè)集樣本實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)Rc和Rp、交互驗(yàn)證均方根誤差（root mean square error of cross-validation ，RMSECV）及預(yù)測(cè)均方根誤差（root mean squared error of prediction，RMSEP）以確定最佳子區(qū)間劃分?jǐn)?shù)。

2 結(jié)果與分析

2.1 肴肉TVB-N含量

如圖2所示，TVB-N含量最低為10.161 mg/100 g，最高為29.623 mg/100 g，均值為21.692 mg/100 g，標(biāo)準(zhǔn)偏差為4.803 mg/100 g。樣品中的TVB-N含量呈上升趨勢(shì)，其平均值第2天即超過(guò)15 mg/100 g，第3天超過(guò)20 mg/100 g，這主要是由于打開(kāi)包裝后腸桿菌等微生物的快速生長(zhǎng)致使樣品中蛋白質(zhì)大量分解，引起生物胺含量增加所造成的[1]。

按照2∶1的比例把96 個(gè)樣本隨機(jī)分為校正集和預(yù)測(cè)集，其TVB-N含量分布情況如表1所示。訓(xùn)練集樣本的TVB-N含量變化范圍較大，且包含測(cè)試集的變化范圍。

表1 肴肉TVB-N含量測(cè)定結(jié)果Table1 The measured results of TVB-N content in Yao meat

2.2 光譜信息提取與預(yù)處理

圖2 TVB-N含量測(cè)定結(jié)果Fig.2 The measured results of TVB-N content

圖3 肴肉樣本光譜圖Fig.3 Reflectance spectra of 96 samples

由于肴肉樣本較為明顯的分為瘦肉和膠狀體2部分，且膠狀體組成成分較為復(fù)雜與多變，本研究將僅對(duì)瘦肉部分進(jìn)行分析。使用高光譜圖像處理軟件ENVI4.5選取樣本中較為均勻的瘦肉部分，獲取50×50像素的矩形區(qū)域的平均光譜值。由圖3A可以看到，肴肉樣的原始光譜夾雜了很多高頻隨機(jī)噪聲、光散射、基線漂移等噪聲信息，這些信息會(huì)直接影響模型的準(zhǔn)確性和穩(wěn)定性，因此需要對(duì)原始光譜進(jìn)行預(yù)處理。

從圖3B可以看出，光譜噪聲減少許多，平滑度也有所提高。

2.3 肴肉TVB-N含量預(yù)測(cè)模型的優(yōu)化及新鮮度評(píng)定

2.3.1 PLS模型的優(yōu)化

肴肉TVB-N含量PLS預(yù)測(cè)模型的優(yōu)化主要是特征波段選擇及PLS回歸模型的建立。根據(jù)1.3.5節(jié)所述3種方法原理，用交互驗(yàn)證法確定主成分?jǐn)?shù)和篩選子區(qū)間，以校正集和預(yù)測(cè)集樣本實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)系數(shù)Rc和Rp、RMSECV及RMSEP作為評(píng)價(jià)各種建模方法的有效指標(biāo)[25]。采用三類區(qū)間PLS建立模型時(shí)，為了更準(zhǔn)確的尋找肴肉光譜的特征波段，將整個(gè)光譜區(qū)域劃分為10～30 個(gè)子區(qū)間并分別應(yīng)用iPLS、biPLS和siPLS建立預(yù)測(cè)模型，選取RMSECV值最小時(shí)的劃分區(qū)間數(shù)作為最優(yōu)區(qū)間數(shù)，并選取相對(duì)應(yīng)的最佳子區(qū)間和最佳因子數(shù)。

綜合考慮各模型R、RMSECV、RMSEP，4 種方法所取的最佳參數(shù)（即區(qū)間劃分?jǐn)?shù)、最佳子區(qū)間、主因子數(shù)）和各模型RMSECV、RMSEP、Rc、Rp如表2所示，模型結(jié)果如圖4所示。

表2 PLS、iPLS、biPLS和siPLS模型結(jié)果Table2 Parameters of PLS, iPLS, biPLS and siPLS models

由表2可以看出，iPLS模型優(yōu)選出的特征區(qū)間為619～657 nm，biPLS模型的優(yōu)選區(qū)間為615.5～642、695～774.5、854～880.5、907～933.5 nm，siPLS模型的優(yōu)選區(qū)間為430～461、555～586、929～960 nm。相對(duì)于PLS模型，iPLS法僅選用了1個(gè)優(yōu)選區(qū)間，雖能有效避免噪音的干擾，但有效信息亦丟失較多，建模結(jié)果相對(duì)較差。biPLS和siPLS模型的建模結(jié)果則都得到改善，這主要是由于經(jīng)過(guò)特征區(qū)間篩選較好的降低了噪聲信息對(duì)于模型的干擾，多個(gè)優(yōu)選區(qū)間的聯(lián)合則為模型提供了足夠的有效信息。使用siPLS法建立的預(yù)測(cè)模型對(duì)TVB-N含量有最優(yōu)的預(yù)測(cè)結(jié)果，模型精度也相對(duì)較高，其校正集Rc和RMSECV分別達(dá)到0.881 4、2.07，預(yù)測(cè)集Rp和RMSEP分別達(dá)到0.854 8、2.47。

圖4 PLS、iPLS、biPLS、siPLS模型結(jié)果Fig.4 Calibration and predication results from PLS, iPLS, biPLS, and siPLS models

2.3.2 基于siPLS模型的肴肉新鮮度評(píng)定

按照TVB-N含量對(duì)肴肉進(jìn)行分類，結(jié)果如表3所示。綜合考慮各模型結(jié)果，采用對(duì)TVB-N含量有較優(yōu)預(yù)測(cè)結(jié)果的siPLS模型對(duì)肴肉新鮮度進(jìn)行評(píng)定。首先根據(jù)肴肉TVB-N含量的化學(xué)測(cè)定結(jié)果，將不大于20 mg/100 g的樣本分為一級(jí)，大于20 mg/100 g的樣本分為二級(jí)，并分別統(tǒng)計(jì)數(shù)量；再依據(jù)siPLS模型對(duì)肴肉TVB-N含量的預(yù)測(cè)值判定肴肉新鮮度的預(yù)測(cè)等級(jí)，分別統(tǒng)計(jì)一、二級(jí)樣本中預(yù)測(cè)正確和錯(cuò)誤的樣本數(shù)，并計(jì)算準(zhǔn)確率。siPLS模型對(duì)校正集樣本和預(yù)測(cè)集樣本評(píng)定的總體準(zhǔn)確率分別達(dá)到90.6% 和87.5% （表3）。

表3 siPLS模型對(duì)肴肉新鮮度的評(píng)定結(jié)果Table3 Predicted results for Yao meat freshness with siPLS model

3 結(jié) 論

研究連續(xù)8 d跟蹤測(cè)定了開(kāi)封后于4 ℃貯藏的肴肉中的TVB-N含量，并利用肴肉高光譜信息建立了PLS、iPLS、biPLS、siPLS 4 種TVB-N含量預(yù)測(cè)模型。其中siPLS模型對(duì)肴肉的TVB-N含量預(yù)測(cè)結(jié)果最佳，優(yōu)選出的特征區(qū)間為430～461、555～586、929～960 nm，校正集Rc和RMSECV分別達(dá)到0.881 4和2.07，預(yù)測(cè)集Rp和RMSEP分別達(dá)到0.854 8和2.47，對(duì)肴肉新鮮度等級(jí)進(jìn)行評(píng)定時(shí)校正集和預(yù)測(cè)集準(zhǔn)確率分別達(dá)到90.6%和87.5%。結(jié)果表明利用高光譜技術(shù)可以實(shí)現(xiàn)肴肉新鮮度的快速、無(wú)損檢測(cè)。但考慮到高光譜數(shù)據(jù)量龐大、不適合在線檢測(cè)的不足，今后將根據(jù)優(yōu)選出的特征波段設(shè)計(jì)多光譜設(shè)備，以實(shí)現(xiàn)肴肉新鮮度的在線檢測(cè)。

[1] 肖香, 王莉莉, 王敏, 等.真空包裝水晶肴肉的貯藏特性研究[J].食品與機(jī)械, 2013, 29(1): 187-189.

[2] SYKES A V, OLIVEIRA A R, DOMINGUES P M, et al.Assessment of European cuttlefish (Sepia of fi cinalisL.) nutritional value and freshness under ice storage using a developed Quality Index Met hod(QIM) and biochemical methods[J].LWT-Food Science and Technology, 2009, 42(1): 424-432.

[3] LAWAL A T, ADELOJU S B.Progress and recent advances in fabrication and utilization of hypoxanthine biosensors for meat and fish quality assessment: a review[J].Talanta, 2012, 100(1): 21 7-228.

[4] OCA O-HIGUERA V M, MAEDA-MART NEZ A N, MARQUEZR OS E, et al.Freshness assessment of ray fish stored in ice by biochemical, chemical and physical methods[J].Food Chemistry,2011, 125(1): 49-54.

[5] XIONG Z, SUN D, ZENG X, et al.Recent developments of hyperspectral imaging systems and their applications in detecti ng quality attributes of red meats: a review[J].Journal of Food Engineering, 2014, 132(1): 1-13.

[6] 于見(jiàn)亮, 于秀, 李開(kāi)雄.應(yīng)用評(píng)估檢驗(yàn)法感官評(píng)定羊肉新鮮度[J].肉類工業(yè), 2008(5): 31-33.

[7] 沈海亮.感官分析在肉制品加工中的應(yīng)用[J].肉類研究, 2011,24(1): 59-63.

[8] 胡萍, 周光宏, 徐幸蓮, 等.真空包裝煙熏火腿切片貯藏品質(zhì)動(dòng)態(tài)變化研究[J].肉類工業(yè), 2010(7): 17-21.

[9] 蔡健榮, 萬(wàn)新民, 陳全勝.近紅外光譜法快速檢測(cè)豬肉中揮發(fā)性鹽基氮的含量[J].光學(xué)學(xué)報(bào), 2009, 29(10): 2808-2812.

[10] LEROY B, LAMBOTTE S, DOTREPPE O, et al.Prediction of technological and organoleptic properties of beefLongissimus thoracisfrom near-infrared reflectance and transmission spectra[J].Mea t Science, 2004, 66(1): 45-54.

[11] QIAO J, WANG N, NGADI M O, et al.Prediction of drip-loss, pH,and color for pork using a hyperspectral imaging technique[J].Meat Science, 2007, 76(1): 1-8.

[12] 吳建虎, 彭彥昆, 陳菁菁, 等.基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測(cè)研究[J].光譜學(xué)與光譜分析, 2010, 34(7) : 1815-1819.

[13] ELMASRY G, BARBIN D F, SUN D, et al.Meat quality evaluation by hyperspectral imaging technique: an overview[J].Critical Re views in Food Science and Nutrition, 2012, 52(8): 689-711.

[14] 趙杰文, 惠喆, 黃林, 等.高光譜成像技術(shù)檢測(cè)雞肉中揮發(fā)性鹽基氮含量[J].激光與光電子學(xué)進(jìn)展, 2013, 50(7): 158-164.

[15] IVORRA E, GIRON J, SANCHEZ A J, et al.Detection of expired vacuum-packed smoked salmon based on PLS-DA method using hyperspectral images[J].Journal of Food Engineering, 2013, 117 (3):342-349.

[16] 陳全勝, 趙杰文, 蔡健榮, 等.利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)[J].光學(xué)學(xué)報(bào), 2008, 28(4): 669-674.

[17] 衛(wèi)生部.GB/T 5009.44—2003 肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法[S].北京: 中國(guó)標(biāo)準(zhǔn)出版社, 2003.

[18] 衛(wèi)生部.G B 2 7 0 7 — 2 0 0 5 鮮(凍)畜肉衛(wèi)生標(biāo)準(zhǔn)[S].北京: 中國(guó)標(biāo)準(zhǔn)出版社, 2005.

[19] 肖香, 董英, ?，? 等.真空包裝水晶肴肉加工及貯藏過(guò)程中的菌相研究[J].食品科學(xué), 2013, 34(15): 204-207.

[20] 趙杰文, 林顥.食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法[M].北京: 科學(xué)出版社, 2012: 41-44.

[21] ZOU X, ZHAO H, LI Y.Selection of the efficient wavelength region s in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J].Vibrational Spectroscopy,2007, 44(2): 220-227.

[22] CHEN Q, ZHAO J, LIU M, et al.Determination of total polyphenol s content in green tea using FT-NIR spectroscopy and different PL S algorithms[J].Journal of Pharmaceutical and Biomedical Analysi s,2008, 46(3): 568-573.

[23] 葉鶯, 陳崇幗, 林熙.偏最小二乘回歸的原理及應(yīng)用[J].海峽預(yù)防醫(yī)學(xué)雜志, 2005, 11(3): 3-6.

[24] 秦浩, 林志娟, 陳景武.偏最小二乘回歸原理、分析步驟及程序[J].數(shù)理醫(yī)藥學(xué)雜志, 2007, 20(4): 450-451.

[25] 蘇紅軍, 杜培軍.高光譜數(shù)據(jù)特征選擇與特征提取研究[J].遙感技術(shù)與應(yīng)用, 2006, 21(4): 288-293.