基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

基于光谱特征变量的高寒草甸主要毒草分类方法研究

高寒草甸毒草化是青藏高原草地生态系统面临的主要问题之一。高寒草甸毒草分类技术对草地群落的变化具有及时监测和科学防控的重要意义。近年来,毒草种类及危害面积急剧增加,传统人工实地调查耗时费力、调查结果代表性差。同时毒草在地域分布上具有一定的差异性,依靠人力难以实现大面积调查。高光谱遥感技术凭借分辨率高、波段多、图谱合一等特点,在毒草精细分类中表现出巨大的优势,可满足快速、准确、大尺度获取毒草发生面积的需求。已有学者对草地植物的光谱反射特征开展了研究,证明采用植物光谱反射特征可有效区分其种类。但是,目前尚缺乏针对草地有毒植物光谱特征变量的筛选及构建基于毒草光谱特征的预测分类模型。本研究利用SOC710VP近红外高光谱成像仪,在甘肃省天祝县和玛曲县境内高寒草甸上采集黄花棘豆(Oxytropis ochrocephala)、宽苞棘豆(O latibracteata)、多枝黄芪(Astragalus polycladus)、长毛风毛菊(Saussurea hieracioides)、黄帚橐吾(Ligularia virgaurea)、乳白香青(Anaphalis lactea)、葵花大蓟(Cirsium souliei)、瑞香狼毒(Stellera chamaejasme)、密花香薷(Elsholtzia densa)、露蕊乌头(Aconitum gymnandrum)、碎米蕨叶马先蒿(Pedicularis cheilanrthifolia)11种主要毒草野外光谱数据,采用Savitzky-Golay卷积平滑算法（SG）对原始光谱值进行去噪,使用一阶微分导数（FD）开展光谱特征分析,利用典型判别分析（CDA）对选用的16种光谱特征变量标准化得分系数绝对值进行排序,然后从大到小分别添加到随机森林（RF）、支持向量机-径向核函数（SVM-RBF）、k最邻近分类（KNN）、朴素贝叶斯（NB）、决策树（CART）5种算法中构建分类模型并筛选最佳特征变量,使用混淆矩阵评价分类效果。结果表明：（1）16个光谱特征变量典型判别分析（CDA）总体分类精度为92.34%,R2=0.89;（2）筛选出最佳分类光谱特征变量为绿峰幅值（Mg）、蓝边面积（Ab）、红边幅值（Mre）、红边面积（Are）、红边位置（Lre）、NDVI2、RVI1;（3）将筛选出的7个光谱特征变量用于毒草分类,结果支持向量机-径向核函数（SVM-RBF）分类效果最好,精度达96.45%。     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

反射光谱特征的土壤分类模型

土壤反射光谱综合反映了土壤的理化性质和内部结构,高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建,但主成分数据缺乏物理意义,且缺乏对比性、适用范围也有限。与反射率一阶微分数据相比,基于去包络线提取具有明确物理意义的特征参数,能够提高土壤分类的精度,并寻找到一种高精度土壤分类模型。选取吉林省农安县的四种典型土壤（风砂土、草甸土、黑土、黑钙土）,将采集后的土壤样本进行风干、研磨、过2 mm筛处理,采用ASD FiledSpec®3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试,从而获得土壤样本的光谱数据。对光谱数据进行九点平滑、10 nm重采样处理进行降噪,将处理后的数据分别进行一阶微分主成分以及去包络线处理。利用土壤样本的去包络线提取光谱特征参数。以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型（LR）、人工神经网络聚类模型（ANN）、K-均值聚类模型（K-means）。首先明确了不同土类之间的反射光谱曲线、去包络线的差异大小,以及相同土壤的反射率曲线、去包络线进行土壤分类的优劣,并且在去包络线的基础上提取能够区分不同土类的光谱特征参数;其次,比较一阶微分主成分与光谱特征参数作为输入量时,三种光谱分类模型精度差异并分析不同模型精度差异的原因。结果表明：（1）四种土壤的反射光谱曲线差异较小,去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异,并在去包络线的基础上构建具有明确物理意义的光谱特征参数。（2）将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知,以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度,由于光谱特征参数保留了原数据的物理意义、更准确的体现了不同土壤类型之间的差异性,而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性,在土壤分类中以光谱特征参数作为输入量更具有优势。（3）在三类土壤分类模型中,LR的分类精度最高为76.67%,Kappa系数为0.56;ANN的分类精度中等为72.50%,Kappa系数为0.48;K-means的分类精度最低,只有65.00%,Kappa系数为0.33。研究成果可为土壤精细制图、以及土壤分类仪器的研制提供技术支持。     

草地退化的高光谱遥感监测方法

我国草地分布面积广,退化情况严重,实时、准确地监测草地的生态状况,对于区域气候、碳循环研究以及经济发展具有重要意义。利用地面实测光谱数据进行了高光谱草地退化监测研究。选择内蒙古呼伦贝尔市的温性草甸草原为研究对象,测量了草甸草原的羊草、克氏针茅、冷蒿等多种植物的叶片、冠层以及多种植物混合的群落反射率光谱数据。通过有效的光谱特征参量化方法,提取叶片和冠层光谱的光谱特征,准确区分了草甸草原的几种建群和退化指示草本植物,验证结果表明光谱识别的精度高于95%。以此为基础,利用线性光谱混合模型对群落植被的混合光谱数据进行混合光谱分解,得到各组分的覆盖度,误差在5%以内。该文的研究结果为高光谱遥感草地监测提供了有力依据。     

基于高光谱图像技术的苹果粉质化LLE-SVM分类

苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

Wavelet SVM in Reproducing Kernel Hilbert Space for hyperspectral remote sensing image classification

Combining Support Vector Machine (SVM) with wavelet analysis, we constructed wavelet SVM (WSVM) classifier based on wavelet kernel functions in Reproducing Kernel Hilbert Space (RKHS). In conventional kernel theory, SVM is faced with the bottleneck of kernel parameter selection which further results in time-consuming and low classification accuracy. The wavelet kernel in RKHS is a kind of multidimensional wavelet function that can approximate arbitrary nonlinear functions. Implications on semiparametric estimation are proposed in this paper. Airborne Operational Modular Imaging Spectrometer II (OMIS II) hyperspectral remote sensing image with 64 bands and Reflective Optics System Imaging Spectrometer (ROSIS) data with 115 bands were used to experiment the performance and accuracy of the proposed WSVM classifier. The experimental results indicate that the WSVM classifier can obtain the highest accuracy when using the Coiflet Kernel function in wavelet transform. In contrast with some traditional classifiers, including Spectral Angle Mapping (SAM) and Minimum Distance Classification (MDC), and SVM classifier using Radial Basis Function kernel, the proposed wavelet SVM classifier using the wavelet kernel function in Reproducing Kernel Hilbert Space is capable of improving classification accuracy obviously.     

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0.1弧度时,分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80.0%,非杂草类识别率为97.3%,总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内(行间和行内)改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。     

A novel binary tree support vector machine for hyperspectral remote sensing image classification

According to the principle of support vector machine (SVM) and the inter-class separability rule of hyperspectral data, a novel binary tree SVM classifier based on separability measure among different classes is proposed for hyperspectral image classification. J–M distance is used to measure the separability in order to generate the binary tree automatically. By experiments using airborne operational modular imaging spectrometer II (OMIS II) data, satellite EO-1 Hyperion hyperspectral data and airborne AVIRIS data, the classification accuracy of different multi-class SVMs is obtained and compared. Experimental results indicate that the proposed adaptive binary tree classifier outperforms other existing multi-class SVM strategies. Use of the adaptive binary tree SVM classifier is a novel approach to improve the accuracy of hyperspectral image classification and expand the possibilities for interpretation and application of hyperspectral remote sensing image.     

基于小波分析的马铃薯地上生物量估算

地上生物量（AGB）是作物长势评价及产量预测的重要指标,因此快速准确地估算AGB至关重要。由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象,因此,利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数,探究VIs,VIs+IWD和VIs+CWT对于AGB的估算能力。首先,基于无人机平台分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。其次,利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。然后,将植被指数、高频信息和小波系数分别与AGB进行相关性分析,并挑选出不同尺度下相关系数绝对值较高的前10波段。最后,以VIs,VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型,并对比不同模型估算AGB的效果。结果表明: （1）每个生育期选取的6种植被指数、3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平,整个生育期相关性均呈现先升高后降低的趋势,其中以小波系数得到的相关性最高、高频信息次之,植被指数最低。（2）对比分析每个生育期的3种估算模型,以VIs+CWT为输入变量的估算效果最好,VIs+IWD的估算效果次之,而VIs的估算效果最差,说明基于小波分析构建的模型适用性较广、稳定性较强。（3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs：建模R2=0.70,RMSE=98.88 kg·hm-12,NRMSE=11.63%;VIs+IWD：建模R2=0.78,RMSE=86.45 kg·hm-12,NRMSE=10.17%;VIs+CWT：建模R2=0.85,RMSE=74.25 kg·hm-12,NRMSE=9.27%）。通过VIs分别结合IWD和CWT技术利用PLSR建模方法,可以提高AGB估算精度,为农业指导管理提供可靠参考。     

高光谱成像的三七粉质量等级无损鉴别

三七粉是三七的主要消费和商品形式,市场上存在以次充好、甚至是掺假的现象,由于是粉状物料,难以用肉眼判别,为了实现对不同质量等级的三七粉进行无损鉴别。将30头、40头、60头和80头的三七主根研磨成粉,制备样本。采用可见近红外高光谱成像系统（400.68～1 001.61 nm）采集4种不同头数三七粉,共计384个样品的高光谱图像,提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。将384个三七粉样本按2∶1的比例划分训练集和测试集。采用卷积平滑（SG）、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理方法对三七粉样本光谱信息进行预处理并建立支持向量机(SVM)分类模型,通过比较基于3种预处理方法的SVM模型测试集分类准确率,确定SNV为最优预处理方法。采用迭代保留信息变量（IRIV）、变量组合集群分析（VCPA）和变量组合集群分析混合迭代保留信息变量（VCPA-IRIV）3种特征选择方法提取SNV预处理后光谱的特征波长并建立基于特征光谱和原始光谱的SVM分类模型,通过比较基于3种特征选择方法得到的特征波长建立的SVM模型测试集分类准确率,发现将VCPA与IRIV相结合的VCPA-IRIV为最优特征选择方法。VCPA-IRIV提取了18个特征波长代替全光谱数据参与建模,该算法在降低模型复杂度的同时保持了模型的分类精度。为了提高模型的分类精度,采用引力搜索算法（GSA）对SVM模型中惩罚因子c和核参数g进行寻优,并与网格搜索（GS）的结果进行比较,结果表明,VCPA-IRIV-GSA-SVM模型分类效果最好,测试集分类准确率达到100%。可见,利用可见近红外高光谱成像对三七粉进行质量等级无损鉴别是可行的,为市场上三七粉的质量等级鉴别提供了参考。     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。