《IEEE Access》：Writer Identification by Processing Hyperspectral Images Using Singular Value Decomposition and Linear Discriminant Analysis
编辑推荐：
面对传统笔迹鉴定方法存在破坏性、耗时且主观性强的问题，本研究利用高光谱成像(HSI)技术捕捉笔迹的精细光谱特征。研究人员提出一种结合奇异值分解(SVD)去噪与重构、并运用线性判别分析(LDA)进行分类的框架，在UWA WIHSI和iVision HHID数据集上进行笔盲测试。结果表明，该框架在多种墨迹混合和训练样本受限条件下，仍能实现高达99.99%的识别准确率，为法医笔迹鉴定提供了一种高效、非破坏性的客观分析新途径。
在法医文件检验领域，准确识别一份手写文件的作者，是验证文件真伪、揭露潜在伪造行为的关键。然而，传统的鉴定方法常常面临挑战。专家依靠肉眼观察笔迹的间距、笔画数量和风格等特征，但这种“看”的过程往往充满主观性，不同专家、不同场景下的结论可能大相径庭。更精细的物理化学分析虽然客观，却常常需要破坏样本，耗时且成本高昂。随着数字成像和机器学习技术的进步，自动化的笔迹识别方法逐渐兴起，但它们大多依赖于普通的RGB（红绿蓝三通道）图像，这种图像只能捕捉可见光的有限信息，难以分辨由不同墨水成分、纸张材质或书写压力造成的细微差异。尤其是在样本量稀少、计算资源有限的真实法医场景中，依赖大规模数据训练的复杂深度学习模型往往“水土不服”。于是，研究人员将目光投向了高光谱成像(Hyperspectral Imaging, HSI)技术。高光谱成像相机就像一个“超级眼睛”，它不仅能拍摄出图片，还能在成百上千个连续的、狭窄的光谱波段上记录每个像素点的反射率，生成一个包含丰富空间和光谱信息的数据立方体。这为捕捉墨水特有的、肉眼不可见的“光谱指纹”提供了可能。但高光谱数据本身也带来了新的难题：数据维度高、冗余信息多、容易受到噪声干扰，如何在样本有限的情况下，从中可靠地提取出能够区分不同书写者的关键特征，成为亟待解决的技术瓶颈。为了突破这一瓶颈，一项发表在《IEEE Access》上的研究提出了一种创新的框架，将经典的矩阵分解方法与机器学习分类器相结合，旨在实现高效、稳健且可解释的离线笔迹鉴定。
该研究主要运用了以下几个关键技术方法：首先，采用奇异值分解(Singular Value Decomposition, SVD)对高光谱数据立方体进行去噪和重构，通过仅保留前k个（研究中通过方差分析ANOVA确定k=2最优）主导的奇异分量，在抑制噪声的同时增强判别性光谱特征。其次，利用Sauvola自适应阈值法在选定光谱波段上分割出墨迹像素区域，提取一维光谱签名作为后续分析的输入。最后，构建了双分类器工作流，将SVD重构后的全波段光谱特征分别输入经典的线性判别分析(Linear Discriminant Analysis, LDA)分类器和轻量级的一维卷积神经网络(Convolutional Neural Network, CNN)模型，在UWA书写墨水高光谱图像(WIHSI)数据集和iVision手写高光谱图像(HHID)数据集上，进行了严格的基于笔的盲测试，评估了模型在不同训练-测试笔混合比例（4:1, 3:2, 2:3, 1:4）下的泛化能力。
研究结果显示，所提出的方法在两个数据集上均取得了优异的性能：
- •
SVD重构有效增强特征判别性：通过对比原始高光谱立方体与SVD重构后立方体的首个通道图像，以及平均反射光谱曲线，可以直观看到重构后的图像中墨迹像素更清晰，光谱曲线更平滑，高频噪声被有效抑制。方差分析(ANOVA)进一步定量证实，使用前两个奇异分量(k=2)重构的特征，在区分不同书写者类别上具有最高的F值，即最强的判别能力。
- •
SVD-LDA框架在多种测试配置下表现稳健：在UWA WIHSI数据集上，SVD-LDA在4:1、3:2、2:3混合配置下均取得了接近完美的准确率（最高达99.9%）。即使在最具挑战性的1:4配置（训练数据极少，且测试集包含训练时未出现的黑色墨水）下，SVD-LDA仍保持了97%的高准确率，显著优于在相同条件下准确率降至86.12%的SVD-CNN模型。这表明LDA的线性决策边界在训练数据有限或未能覆盖全部墨水类型时，具有更好的泛化鲁棒性。
- •
SVD-CNN在数据充足时表现优异：在训练数据相对充足的配置下（如4:1, 3:2），SVD-CNN在UWA数据集上略优于SVD-LDA，达到了99.99%的准确率。这表明当有足够数据可供学习时，CNN模型能够捕捉更复杂的特征模式。
- •
方法在更大规模数据集上验证有效：在包含更多书写者（54人）的iVision HHID数据集上，SVD-LDA同样展现了强大的性能，在4:1, 3:2, 2:3配置下达到了99.99%的准确率，在1:4配置下为97%。这证明了该框架能够扩展到更大的数据集，并非针对特定数据集过拟合。
- •
SVD预处理至关重要：实验设置了“无SVD”基线进行对比。结果显示，无论是LDA还是CNN，在未经SVD处理的原始高光谱数据上，分类性能都出现显著下降，尤其是在噪声较多的iVision数据集上，准确率暴跌至约69%。这凸显了SVD重构在去噪和增强光谱判别性方面的关键作用。
- •
计算与资源效率对比：分析表明，SVD-LDA方案在计算量（GFLOPs）和内存占用上远低于SVD-CNN方案。例如，处理iVision数据集，SVD-LDA仅需约15 GFLOPs和400 MB内存，而SVD-CNN则需要高达1091 GFLOPs。这使得SVD-LDA更适用于计算资源受限的现场或便携式法医分析设备。
研究结论与讨论部分对上述发现进行了总结和阐释。该研究成功开发并验证了一个用于高光谱笔迹鉴定的SVD-LDA框架。其核心贡献在于：1) 提出了基于ANOVA指导的SVD高光谱重构方法，优化了判别性光谱特征的提取与噪声抑制；2) 建立了融合SVD重构特征与LDA/CNN的双分类器工作流，实现了经典统计方法与深度学习模型在相同输入下的公平比较；3) 通过在两个结构不同的高光谱数据集上进行跨数据集、基于笔的盲测试，证明了该方法的普适性和鲁棒性。
该研究的意义在于，它为法医笔迹鉴定提供了一种非破坏性、客观、高效且可解释的新方案。尤其值得注意的是，在训练样本有限的实际法医场景中，简单的线性判别分析(LDA)结合精心重构的光谱特征，能够表现出不亚于甚至优于复杂卷积神经网络(CNN)的稳定性和准确性，同时保持了更低的计算复杂度。这挑战了“深度学习一定优于传统方法”的刻板印象，强调了特征工程与问题背景适配的重要性。当然，研究也指出了当前框架的局限性，例如对严重退化文档（如墨水褪色、涂抹）的适用性未经验证，以及墨迹像素提取步骤尚未完全自动化等。未来工作可以着眼于开发全自动流程，并探索该框架在历史文件修复、文书伪造检测等更广泛领域中的应用潜力。总之，这项研究证实了高光谱成像结合智能光谱处理在法庭科学领域的巨大实用价值，为构建下一代智能化、精准化的文件检验工具奠定了坚实的技术基础。
