全 文 ：doi: 10． 3969 / j． issn． 1671 － 7775． 2011． 02． 003
基于 GA － ICA和高光谱图像技术的
黄瓜叶叶绿素检测
石吉勇，邹小波，赵杰文，殷晓平
( 江苏大学 食品与生物工程学院，江苏 镇江 212013)
摘要: 用遗传算法( GA)和独立分量法( ICA)提取黄瓜叶高光谱图像的特征信息，对高光谱图像技术
检测叶绿素含量及其叶面分布的可行性进行了研究．高光谱图像标定校正后，提取其中的光谱信息，
采用 GA对光谱信息进行特征波长选择，将 GA优选出来的光谱进行 ICA信号分析并结合叶绿素含量
值建立多元线性回归模型( MLR) ．结果表明 GA共优选出 280 个特征波长，在此基础上提取光谱的 8
个 ICA信号建立叶绿素含量 MLR模型，模型对应的预测集相关系数为 0. 931 2，对应的预测均方根误
差为 0. 191 4．提取所有像素点光谱在特征波长下对应的 8 个 ICA信号，代入建立的叶绿素含量模型
中，快速计算出所有像素点对应的叶绿素含量，得到黄瓜叶叶绿素含量叶面分布图．研究结果表明:利
用高光谱图像技术结合 GA与 ICA快速、无损检测叶片叶绿素含量及其叶面分布是可行的．
关键词: 高光谱图像; 遗传算法; 独立分量法; 叶绿素; 黄瓜叶
中图分类号: TP391. 11 文献标志码: A 文章编号: 1671 － 7775( 2011) 02 － 0134 － 06
收稿日期: 2009 － 09 － 17
基金项目: 国家“863”计划项目( 2008AA10Z208 ) ; 国家自然科学基金资助项目( 60901079 ) ; 全国优秀博士论文基金资助项目
( 2009068) ; 江苏省研究生科研创新计划项目( CX10B_2772)
作者简介: 石吉勇( 1984—) ，男，湖南株洲人，博士研究生( stoneboy_2007@ sohu． com) ，主要从事农产品品质无损检测研究．
邹小波( 1974—) ，男，湖南汨罗人，副教授( 通讯作者，zou_xiaobo@ ujs． edu) ，主要从事农产品品质无损检测研究．
Measurement of chlorophyll content in cucumber leaves based on
GA － ICA and hyper-spectral imaging technique
Shi Jiyong，Zou Xiaobo，Zhao Jiewen，Yin Xiaoping
( School of Food and Biological Engineering，Jiangsu University，Zhenjiang，Jiangsu 212013，China)
Abstract: Chlorophyll distribution in cucumber leaves was non-destructively and rapidly measured based
on genetic algorithms ( GA) combined with independent component analysis ( ICA) by Hyper-spectral ima-
ges technique． Spectrum was extracted from hyper-spectral images of cucumber leaves after pre-processing．
Firstly GA was used to search for an optimum informative wavelength of chlorophyll，then ICA signals were
computed to build multiple regression model ( MLR) ． The results show that 280 wavelengths were selected
by GA and MLR model which was obtained based on 8 ICA signals． MLR model performs well with predic-
tion coefficients of 0. 931 2 and root mean standard error of prediction ( RMSEP) of 0. 191 4． 8 ICA signals
of every pixel in hyper-spectral images were computed and chlorophyll content of every pixel was obtained
according to the MLR model． Finally，the chlorophyll distribution map was estimated． Overall results suffi-
ciently demonstrate that the hyper-spectral imaging technique can be used to measure the chlorophyll con-
centration and to estimate the distribution of chlorophyll in cucumber leaf．
Key words: hyper-spectral image; genetic algorithms; independent component analysis; chlorophyll;
cucumber leaf
第 2 期 石吉勇等: 基于 GA － ICA和高光谱图像技术的黄瓜叶叶绿素检测
叶绿素是植物叶片的基本组成物质，与光合进
程、太阳辐射的光能利用、大气 CO2 的吸收等密切
相关，是植物光合作用过程中最重要的色素［1］． 植
物因营养素缺乏或者受到其他外界环境干扰时，都
可以从叶片叶绿素的含量和分布上表现出来．因此，
叶绿素可以作为植物生长和受环境胁迫等情况的敏
感指示器．快速、准确和无损地检测植物叶片叶绿素
含量及其分布，在农作物长势检测与估产、营养诊断
与施肥等应用中有非常重要的意义［2 － 3］．
根据检测过程是否对植物造成损伤，叶绿素的
检测可以分为破坏性和非破坏性检测方法． 常见的
破坏性检测方法为分光光度计检测法． 由于破坏性
方法会对植物活体造成损伤，而且检测时间长，因此
国内外学者主要对叶绿素的非破坏性方法展开研
究．非破坏性检测方法中研究最广泛的为光谱检测
法［4］，如刘飞等［5］研究了基于可见光 －近红外光谱
的植物叶绿素含量检测方法，赵祥、宋开山等［6 － 7］分
别开展了小麦和大豆叶绿素含量的高光谱测量方
法．这些方法可以对植物叶绿素含量进行无损检测，
但光谱法仅能检测叶片某个点或者某个小区域的叶
绿素含量，对检测叶面( 即叶子所有区域) 的叶绿素
含量显得无能为力．
为了实现叶绿素含量叶面分布的快速、无损检
测，文中提出基于高光谱图像技术的检测方法．高光
谱图像数据集光谱信息和图像信息于一身，既能对
研究对象的外部特征进行可视化分析，也能对内部
有效成分进行定量预测［7 － 8］．高光谱图像信息丰富，
但数据量极大，采用常规的图像分析方法或光谱分
析方法难以对其提取特征．遗传算法( GA) 基于对生
物界自然选择和自然遗传机制的模拟来解决实际问
题，是一种具有高度并行、随机和自适应性的搜索算
法，特别适合处理高度复杂的高维搜索问题．独立分
量分析( ICA) 是近期发展起来的一种非常有效的盲
源信号分离技术［8］． 文中尝试 GA［8 － 9］和 ICA［10］对
黄瓜叶高光谱图像进行特征提取，结合叶绿素含量
值建立定量模型并预测叶绿素叶面分布．
1 试验材料与方法
1. 1 试验材料
试验用黄瓜叶片采集于镇江市京口区瑞京农业
科技示范园，品种为碧玉三号，共采集 92 片，60 片
作为校正集样本，剩余 32 片为预测集样本． 黄瓜叶
采摘后立即进行高光谱数据采集和叶绿素含量
测定．
1. 2 高光谱图像采集与标定
高光谱图像数据用基于光谱仪的高光谱图像系
统采集．高光谱图像采集系统如图 1 所示，由基于图
像光谱仪的高光谱摄像机 ( ImSpector，V10E，芬
兰) ，150 W 光纤卤素灯 ( Fiber － Lite DC950 Illumi-
nator，DolanJenner Industries Inc，MA，美国) ，精密
电控平移台( Zolix，SC30021A，北京) 和计算机等部
件组成．
图 1 基于光谱仪的高光谱图像系统
Fig． 1 Hyper-spectral image system based on spectrometer
为了防止基线漂移，数据采集前将高光谱图像
采集系统打开，预热 30 min． 数据采集时，将黄瓜叶
平铺在白色底板的电控位移台载物台上，设定高光
谱摄相机曝光时间为 45 ms，电控平移台移动速度
为 1. 25 mm /s，图像扫描行数为 600 行 /幅，每行扫
描的像素点个数为 1 280 个，得到的高光谱图像分
辨率为 600 × 1 280;光谱范围为 408 ～ 1 117 nm，光
谱分辨率为 2. 8 nm，光谱采样间隔为 0. 67 nm，采集
得到 1 024 个波长下的图像，最终得到一个大小为
600 × 1 280 × 1 024 的高光谱图像数据块．该高光谱
图像数据如图 2 所示，其中图 2a为高光谱图像数据
块的立体示意图，x，y 轴代表图像的空间位置，λ 轴
代表光谱的波长． 当 λ 取某个固定值( 取值范围为
408 ～ 1 117 nm) ，x∈［1，1 280］，y∈［1，600］时，可
以得到 λ 波长下的图像数据，如图 2b 所示; 当 x，y
取固定值 ( 即图 2a 中某个像素点) ，λ∈［408 nm，
1 117 nm］时，可以得到单个像素点的数据块如图
2c所示;将图中 λ轴上所有点的图像信号值和对应
的 λ值表示成散点图，得到像素点对应的光谱图
( 图 2d) ．从图 2 中可以看出，高光谱图像数据的特
点为既有各个波长下的图像信息，也有各个像素点
对应的光谱信息．高光谱图像数据的这一特性，为研
究叶绿素含量及其叶面分布奠定了基础．
531
江苏大学学报( 自然科学版) 第 32 卷
图 2 高光谱图像数据块
Fig． 2 Hyper-spectral imaging data cube
高光谱图像数据采集完成后，需要对所获得的
高光谱图像进行黑白标定［6］． 在与样品采集相同的
条件下，采集标准白色校正板得到全白的标定图像
W，关闭相机快门采集得到全黑的标定图像 B，根据
式( 1) 完成高光谱图像的标定，使采集得到的绝对
图像 I变成相对图像 R:
R = I － BW － B ． ( 1)
1. 3 叶绿素含量测定
叶绿素含量的测定与高光谱图像采集同步，叶
绿素含量检测时，在每个样本上精确剪取 0. 2 g 左
右叶子，用作化学测定． 测定方法为: 将样品置于研
钵中加少许 CaCO3 研磨成匀浆，用 80%丙酮浸提，
将上清液过滤，定容到 15 mL，以 UV2550 岛津分光
光度计测 652 nm波长处的消光值，然后用换算系数
公式计算叶绿素含量． 表 1 列出了叶绿素含量实测
值的变化范围、平均值、标准差和变异系数．
表 1 黄瓜叶片叶绿素含量统计表
Tab． 1 Statistic of chlorophyll concentration
in cucumber leaves
样本数 /
个
最大值 /
( mg /g)
最小值 /
( mg /g)
平均值 /
( mg /g)
标准差 /
( mg /g)
变异系数 /
%
92 2. 32 0. 33 1. 31 0. 43 32. 83
1. 4 GA结合 ICA波长选择
由图 2 可知，高光谱图像包含了每个像素点在
各个波长下的光谱信息，在这些光谱信息的基础上
可以对叶子叶绿素含量进行定量分析． 根据有机物
对光能的吸收具有选择性，可知并不是所有波长下
的光谱都同叶绿素是高度相关的，所以本研究采用
GA对光谱信息进行波长选择; 同时，黄瓜叶是多组
分物体，不仅包含了叶绿素，还包含叶黄素、可溶性
蛋白、氨基酸等其他组分，因此高光谱图像采集的是
叶子中多组分的混合光谱信息，用混合光谱信息同
叶绿素含量去建模，必难得到最优模型，所以本研究
采用 ICA 提取光谱中同叶绿素组分相关的特征信
号［11 － 12］．基于 GA － ICA 的光谱特征信息提取示意
图如图 3 所示．
图 3 GA － ICA流程示意图
Fig． 3 Flowchart of GA － ICA
算法主要过程如下:
( 1) 光谱信息提取． 校正集包含 m( 文中 m 为
60) 幅黄瓜叶高光谱图像，在高光谱图像中定位出
叶绿素含量检测区域，取该区域的平均光谱作为样
本光谱，组成校正集光谱矩阵 X( m × k) ，对应叶绿
素含量向量 y．
( 2) 基因编码． 由于遗传算法不便直接处理空
间数据，需通过编码将待优化的问题表示成遗传空
间的基因型串结构数据． 根据光谱包含 k 个波长下
的信息，用含有 k 个 0 /1 字符串( 基因) 来表示波长
组合．字符串 0 和 1 分别表示对应波长未选中和被
选中．如 k = 10 时，染色体“0011000101”表示第 3，
4，8，10 个波长被选中．
( 3) 群体初始化．初始群体根据染色体数( pop-
size)随机产生，每个个体由 k(波长个数)个基因组成．
( 4) 适应度函数设计． 适应度函数被用来评价
染色体个体的优劣，并作为后续遗传操作的重要依
631
第 2 期 石吉勇等: 基于 GA － ICA和高光谱图像技术的黄瓜叶叶绿素检测
据，是整个遗传算法中同实际问题联系最紧密的环
节．本研究采用光谱 ICA 信号和叶绿素含量向量 y
建立逐步多元线性回归模型，根据模型对应的校正
均方根误差( RMSEC) 计算每条染色体对应的目标
函数值( f_value) ，该步骤的流程图如图 3 虚线区域
所示，具体计算过程:① 对染色体解码，基因位为 1
表示对应波长被选中，基因位为 0 表示对应波长没
有被选中;② 从校正集光谱矩阵 X中挑选出选中波
长对应的光谱，组成光谱矩阵 X;③ 计算 X对应的
ICA信号;④ 将③得到的 ICA信号和叶绿素含量向
量 y关联，用逐步多元回归( MLR) 建立叶绿素含量
模型;⑤ 按公式( 2 ) 计算模型对应的 RMESC，其中
yi 和yi
Λ
分别表示校正集样本中第 i 个样本的叶绿素
含量实测值和预测值，n为校正集样本总数．按公式
( 3) 计算染色体对应的目标函数值( f_value) ．
RMSEC( i) =
∑
n
i = 1
( y
Λ
i － yi )
2
槡 n ， ( 2)
f_value( i) = 11 + RMSEC( i) ． ( 3)
( 5) 遗传操作设计． 文中涉及的遗传操作算子
有 3 种，分别为选择算子、交换算子和变异算子． 选
用单点交换的操作方式，即开始字符到交换点之间
的基因参与交换过程，基因交换个体数由交换概率
Pc 控制;变异算子是对生物种群进化过程中基因变
异现象的模拟．文中采用基本变异算子，即在个体上
随机挑选某个基因进行异或操作，变异个体数由变
异概率 Pm 控制．
( 6) 终止条件．当 GA － ICA执行完所有遗传代
数时，算法终止并返回最优解．
1. 5 软 件
使用 SpectralCube ( ImSpector，芬兰) 软件采集
黄瓜叶高光谱图像;采用 ENVI4. 5 提取高光谱图像
中的光谱信息;特征波长选择所用 GA － ICA程序在
Matlab7. 4 平台下编程实现．
2 结果与讨论
2. 1 GA与 IAC特征信息提取
文中 1. 3 测定的叶绿素含量是叶片取样区域的
叶绿素含量平均值，因此在提取各个样本叶绿素含
量对应的光谱时，应取高光谱图像中该区域内的平
均光谱进行分析． 根据上述光谱提取方法，得到了
92 个样本对应的光谱，如图 4 所示．
图 4 黄瓜叶片高光谱图像的光谱曲线
Fig． 4 Spectral profile from hyper-spectral image
of cucumber leaves
从图 4 可以看出，在 850 nm以上黄瓜叶的光谱
曲线存在明显噪音，应舍弃; 500 nm 以下区域与一
般绿色植物典型光谱曲线有差别，这主要与高光谱
摄像机的感应曲线有关，但光谱整体比较规则，若舍
弃，会降低预测模型精度;因为叶绿素的主要吸收均
在 400 ～ 700 nm，因此本研究选择 408 ～ 850 nm 光
谱范围，共 651 个波长的高光谱数据进行研究，对应
的校正集光谱数据和预测集光谱数据分别为 60 ×
651 和 32 × 651 的矩阵．
采用 GA － ICA 对校正集光谱进行特征波长选
择，并设置 GA － ICA 算法参数如下: 遗传代数为
200;染色体个数为 50; 基因交换概率 0. 95; 基因变
异概率 0. 01．为了得到最优的建模结果，本研究对
ICA个数进行了优化，结果如图 5 所示．
图 5 GA － ICA波长优化结果
Fig． 5 Optimal wavelength by GA － ICA
图 5a为 ICA个数同最优校正集相关系数关系
731
江苏大学学报( 自然科学版) 第 32 卷
图，图中横坐标为 ICA 的个数，纵坐标为校正集相
关系数( rc ) ，校正集相关系数值越大，表示优化结果
越好;图 5b为 ICA个数同入选波数点个数之间的关
系，图中横坐标为 ICA 的个数，纵坐标为入选的波
数点个数．从图 5 可以看出，当 ICA 个数为 8 时，对
应的校正集相关系数达到最大值 0. 946 9，此时入选
的波长数为 280 个．
2. 2 叶绿素含量模型建立
根据 GA － ICA 优选出的 280 个特征波长和 8
个最佳 ICA信号，对校正集和预测集光谱及相应的
叶绿素含量值进行线性回归建模． 为了比较建模效
果，分别提取全光谱的主成分信号和独立分量信号
建立叶绿素含量的多元线性回归模型，建模结果如
表 2 所示．从表 2 中可以看出，由于采用了 GA 对特
征波长进行选择和 ICA 提取独立分量信号，GA －
ICA － MLR 需要的波长数为 280，建立 MLR 模型所
需的变量数为 8 个 ICA 信号，分别小于 PCA － MLR
和 ICA － MLR模型; 同时 GA － ICA － MLR的模型效
果也要好于其他两个模型．
表 2 不同建模方法效果比较
Tab． 2 Summary of model results after spectra
being built by different methods
建模方法
波长
个数
PCA /ICA
个数
rc RMSEC rp RMSEP
PCA － MLR 651 12 0. 885 4 0. 238 9 0. 860 2 0. 242 7
ICA － MLR 651 10 0. 916 9 0. 209 9 0. 903 6 0. 214 2
GA － ICA －MLR 280 8 0. 946 9 0. 189 6 0. 931 2 0. 191 4
2. 3 叶绿素含量分布图
根据图 2 所示，高光谱图像数据包含每个像素
点在各个波长下的光谱信息．而在 2. 1 和 2. 2 中，通
过 GA － ICA和 MLR建立了高光谱图像信号和叶绿
素含量的线性回归模型( MLR) ，即找到了图像信号
和叶绿素含量之间的线性映射关系．因此，可以按如
下过程检测叶绿素含量在整个叶面的分布:
( 1) 采集叶片的高光谱图像，标定后提取每个
像素点在 280 个波长下的光谱信息;
( 2) 计算每条光谱中对应的前 8 个 ICA信号;
( 3) 将每条光谱 8 个 ICA信号代入 2. 2 中的叶
绿素含量 MLR模型，计算出每个像素点对应的叶绿
素含量值;
( 4) 将每个像素点处的叶绿素含量值归一化并
拉伸到［0，255］范围，得到叶面叶绿素含量的灰度
分布图;
( 5) 将叶绿素含量灰度分布图进行伪彩色处
理，得到颜色鲜明、直观的伪彩色分布图像．
根据上面的过程，计算了一片黄瓜叶叶绿素含
量的伪彩色分布图，结果如图 6 所示．
图 6 基于 GA － ICA分析的叶绿素分布图
Fig． 6 Distribution of chlorophyll on leaf based
on GA － ICA
图 6 中黑色区域为背景，彩色区域为叶子所在
区域．叶子区域中不同的颜色及颜色深浅代表了
对应位置的叶绿素含量，图 6 右上角的颜色标尺
指明了颜色和叶绿素含量的对应关系． 从图 6 中
可以看出，叶绿素主要集中在叶脉附近，该区域对
应的颜色主要为黄色和橙红色，对应的叶绿素含
量约为 2. 0 mg /g 左右; 叶肉部分对应的颜色主要
为绿色，对应的叶绿素含量为 1. 5 mg /g左右;叶片
边缘部分对应的颜色主要为紫色，对应的叶绿素
含量接近 0，这是因为该区域主要是叶子的老化或
者枯死部分．可以看出，根据独立分量分析所计算
出来的叶绿素含量分布图，能较准确地反映叶面
叶绿素分布情况．
3 结 论
采用遗传算法选择了 280 个黄瓜叶高光谱图像
的特征波长，利用独立分量法提取特征波长对应光
谱的特征变量，在提取的 8 个独立分量和叶绿素含
量值的基础上建立了叶绿素含量回归模型，模型对
应的校正集相关系数和校正均方根误差为 0. 946 9
和 0. 189 6，对应的预测集相关系数和预测均方根误
差为 0. 931 2 和 0. 191 4．通过提取高光谱图像所有
像素点光谱的 8 个独立分量信号代入建立的回归模
型，计算了高光谱图像中各个像素点对应的叶绿素
含量，将叶绿素含量值表示为对应像素点的灰度即
得到了叶绿素含量叶面分布图． 该叶绿素分布图将
叶面各处的叶绿素含量进行了可视化显示，既形象
又直观，为叶绿素的快速、无损检测及可视化显示提
供了新的实现手段．
831
第 2 期 石吉勇等: 基于 GA － ICA和高光谱图像技术的黄瓜叶叶绿素检测
参考文献( References)
［1］ 张金恒，王 珂，王人潮． 高光谱评价植被叶绿素含
量的研究进展［J］． 上海交通大学学报: 农业科学版，
2003，21( 1) : 74 － 80．
Zhang Jinheng，Wang Ke，Wang Renchao． Study on hy-
perspectral remote sensing in estimate vegetation leaf
chlorophyll content［J］． Journal of Shanghai Jiaotong
University: Agricultural Science，2003，21 ( 1 ) : 74 － 80．
( in Chinese)
［2］ 易秋香，黄敬疯，王秀珍，等． 玉米叶绿素高光谱遥感
估算模型研究［J］． 科技通报，2007，21( 1) : 83 － 87．
Yi Qiuxiang，Huang Jingfeng，Wang Xiuzhen，et al．
Hyper spectral remote sensing estimation models for
chlorophyll concentr ation in corn［J］． Bulletin Science
and Technology，2007，21( 1) : 83 － 87． ( in Chinese)
［3］ 李军辉，王昌贵，康定明，等． 栽培稻叶片近红外光纤
漫反射光谱的抗旱性鉴定分析［J］． 光谱学与光谱分
析，2009，29( 10) : 2646 － 2650．
Li Junhui，Wang Changgui，Kang Dingming，et al． I-
dentification and analysis of rice drought tolerance using
near infrared diffuse reflection spectra of leaves［J］．
Spectroscopy and Spectral Analysis，2009，29( 10) : 2646
－ 2650． ( in Chinese)
［4］ 吴 迪，黄凌霞，何 勇，等． 作物和杂草叶片的可见
近红外反射光谱特性［J］． 光学学报，2008，28 ( 8) :
1618 － 1622．
Wu Di，Huang Lingxia，He Yong，et al． Visible-near
infrared reflection spectroscopy for crop-weed discrimina-
tio［J］． Acta Optica Sinica，2008，28 ( 8 ) : 1618 －
1622． ( in Chinese)
［5］ 刘 飞，王 莉，何 勇，等． 基于可见光 /近红外光
谱技术的黄瓜叶片 SPAD值检测［J］． 红外与毫米波
学报，2009，28( 4) : 272 － 276．
Liu Fei，Wang Li，He Yong，et al． Detection of SPAD
value of cucumber of leaves on visible /near infrared
spectroscopy technique［J］． J Infrared Millin Waves，
2009，28( 4) : 272 － 276． ( in Chinese)
［6］ 赵 祥，刘素红，王培娟，等． 基于高光谱数据的小麦
叶绿素含量反演［J］． 地理与地理信息科学，2004，20
( 3) : 36 － 39．
Zhao Xiang，Liu Suhong，Wang Peijuan，et al． A meth-
od for inverting chlorophyll content of wheat using hyper-
spectral［J］． Geography and Geo-Information Science，
2004，20( 3) : 36 － 39． ( in Chinese)
［7］ 宋开山，张 柏，王宗明，等．大豆叶绿素含量高光谱
反演模型研究［J］． 农业工程学报，2006，22( 8) : 16 －
21．
Song Kaishan，Zhang Bai，Wang Zongming，et al． Inve-
rsemodel for estimating soybean chlorophyll concentra-
tion using in-situ collected canopy hyperspectral data
［J］． Transactions of the CSAE，2006，22 ( 8 ) : 16 －
21． ( in Chinese)
［8］ 邹小波，赵杰文．用遗传算法快速提取近红外光谱特
征区域和特征波长［J］． 光学学报，2007，27( 7) : 1316
－ 1321．
Zou Xiaobo，Zhao Jiewen． Methods of characteristic
wavelength region and wavelength selection based on ge-
netic algorithm［J］． Acta Optica Sinica，2007，27 ( 7) :
1316 － 1321． ( in Chinese)
［9］ 梅 林，吴立德，王裕文．一种基于遗传算法的红外无
损检测缺陷的新方法［J］． 光学学报，2002，22 ( 12 ) :
1452 － 1456．
Mei Lin，Wu Lide，Wang Yuwen． A novel defeet evalu-
ation method in infrared NDT based on gnetie algorithm
［J］． Acta Optica Sinica，2002，22( 12) : 1452 － 1456．
( in Chinese)
［10］ Jing Sui，Tülay Adali，Godfrey D，et al． An ICA －
based method for the identification of optimal FMRI fea-
tures and components using combined group-discrimina-
tive techniques［J］． NeuroImage，2009，46 ( 1 ) : 73 －
86．
［11］ Calhoun V D，Adali T，Stevens M C，et al． Semi-blind
ICA of fMRI: A method for utilizing hypothesis-derived
time courses in a spatial ICA analysis［J］． NeuroI-
mage，2005，25( 2) : 527 － 538．
［12］ Almeida Luís B． Linear and nonlinear ICA based on mu-
tual information—the MISEP method［J］． Signal Pro-
cessing，2004，84( 2) : 231 － 245．
( 责任编辑 祝贞学)
931