空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

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。     

基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

基于模糊支持向量机的高光谱图像分类

常规支持向量机应用到高光谱图像分类中有较好的分类效果,但它对训练样本内部的噪声和孤立点特别敏感,在一定程度上影响了支持向量机的分类性能,针对该问题,引入了模糊支持向量机(FSVM),并且利用灰色关联分析代替模糊隶属度的求解,将这种基于灰色关联分析的模糊支持向量机与一对多算法相结合,解决了多类高光谱图像分类问题。HYDICE高光谱图像分类结果表明,噪声和孤立点训练样本对支持向量机的影响得到了有效地抑制,相比于常规支持向量机方法,分类精度得到了明显的提高。     

RVM有监督特征提取与Seyfert光谱分类

特征提取是光谱自动识别中的一个基本问题,它决定着光谱识别系统的性能和复杂度。目前的天体光谱自动分类研究主要使用的是基于以线性主成分分析(PCA)、小波变换(Wavelet transform)、人工神经网络(ANN)等为代表的非监督特征提取方法,而它们在特征提取时没有考虑到训练数据中的类别信息,并非按照分类能力进行特征选择和降维。文章研究了相关向量机(RVM)有监督特征提取方法及其在Seyfert光谱细分类中的应用。RVM是机器学习领域在近几年提出的一种Bayesian学习方法,它能有效地融合已有的先验知识、对问题的信念、训练数据和相应的类别信息,并按照分类能力提取特征,在理论上具有很大的潜在优势。另外,初步的实验结果表明,基于RVM的有监督特征提取方法在Seyfert光谱细分类中具有较好的性能。     

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.     

基于局部高斯混合特征提取的高光谱图像分类

为了进一步提高高光谱图像的分类精度,提出一种基于局部高斯混合特征提取的分类(LGMFEC)方法。LGMFEC方法首先基于高光谱图像的空间结构为每个样本构建局部邻域集合,然后从局部邻域集合中提取高斯混合特征来充分表征空间-光谱信息及相关变化信息,最后将局部高斯混合特征融入包含黎曼核函数的支持向量机(SVM)分类器中,从而完成分类任务。三组通用高光谱数据集的实验结果表明,LGMFEC方法的分类性能在较大程度上优于几种先进的分类方法,尤其在训练样本较少的情况下的优势更为明显。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438～1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明：无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

基于相关向量机的惯性约束聚变实验靶识别技术研究

针对支持向量机(Support Vector Machine,SVM)在惯件约束聚变(Inertial Confinement Fusion,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题,提出利用相关向量机(Relevance Vector Machine,RVM)进行ICF实验靶识别.设计了基于二叉树的RVM多类分类器,在二叉树的构建过程中同时考虑了类距离与类分布范围两种凶素的影响,获得了更为合理的二叉树层次结构.实验证明,RVM与SVM相比识别率不相上下,但由于有更好的稀疏性使RVM的决策时间远比SVM短.该算法与传统的多类分类方法‘一对一'、‘一对多'、‘有向无环图'及‘基于类距离二叉树'相比,混合识别率更高.     

相关向量机在污水硝氮检测中的应用

针对地表水质的复杂性以及紫外光谱数据维数高、谱带重叠严重的特点,提出将相关向量机算法应用于硝氮的连续紫外光谱分析,实现了对实际污水硝氮的快速准确无污染检测。首先介绍了相关向量机算法原理,然后在分析制药污水紫外吸收光谱的基础上选取230～245 nm紫外吸光度数据用于建模,应用多元线性回归、偏最小二乘方法、经典支持向量机方法(SVM)和相关向量机方法分别建立硝氮回归模型并比较分析模型性能。实验结果表明：相关向量机模型预测更准确,模型更稀疏,预测速度快,检测结果的相对满量程误差控制在4.5%以内,适用于对复杂组成成分的实际污水硝氮的有效快速检测。     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值。针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义。而如何结合目标特征选择最优波段成为在提升处理效率的同时保证目标识别或分类精度的必然要求。因此如何从数以百计维度的高光谱图像中选择出具有较好分类识别能力的波段子集是急需解决的问题。提出基于改进粒子群优化算法的高光谱波段选择方法,该方法区别于传统的粒子群优化算法,引入 “概率突跳特性”,并设定新解的淘汰机制,将“停滞”的新解进行淘汰,提高了算法的全局寻优性能。然后基于目标光谱特征采用了最优波段选择的优化目标函数,通过改进的粒子群优化算法求解目标函数,并将选定的波段子集反馈到支持向量机（SVM）中执行分类应用。采用两个标准的高光谱数据集（Indian Pines, Salinas）对选择出的波段子集进行分类测试,结果表明该方法相较于现有方法具有较高的分类精度,在几种方法中,传统的粒子群算法筛选出的波段效果最差;该算法筛选出的波段的分类精度最好,两个数据集的分类精度分别可以达到98.141 4%和99.084 8%。     

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。     

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。     

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳（内外）五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析（PCA）,结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析（LDA）、支持向量机（SVM）和神经网络（ANN）三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。