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.     

利用高光谱图像技术评判茶叶的质量等级

针对茶叶品质无损检测时内外品质难以同时兼顾的问题,利用高光谱图像技术检测茶叶质量.设计一套基于光谱仪的高光谱图像系统采集数据;通过主成分分析,从海量数据中优选出三个波长段的特征图像;从每个特征图像中分别提取平均灰度级、标准方差、平滑度、三阶矩、一致性和熵等6个基于统计矩的纹理特征参量,每个样本共有18个特征变量;再通过主成分分析对这18个特征变量进行压缩,提取8个主成分因子建立基于反向传播神经网络的茶叶等级判别模型.模型训练时的总体回判识别率为97%;预测时总体识别率为94%.结果表明,高光谱图像技术可以用于茶叶质量等级水平的评判.     

基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6~911.4 nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6～911.4nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

高光谱图像特征及分类技术研究

介绍了高光谱图像的数据特点,描述了非监督分类和监督分类算法,以及评价分类效果的方法。利用森林场景高光谱图像,对K值聚类算法、最小距离分类算法和光谱角度填图算法进行了实验验证,并对不同算法进行了评价。试验结果表明,监督分类,尤其是光谱角度填图方法的效果要明显好于非监督分类方法。     

基于高光谱图像多光谱参数的草莓成熟度识别

为了建立多光谱参数用于草莓成熟度的自动识别,采用高光谱图像技术,通过提取草莓样本ROI的平均光谱,计算已有的八个成熟度参数Ind1,Ind2,Ind3,IAD,I1,I2,I3,I4的参数值,并结合Fisher线性判别法判断八个参数对于三种成熟度(成熟、接近成熟、未成熟)草莓样本的分类识别效果,发现基于I4参数的线性判别分析模型的识别效果最佳,建模集和预测集识别准确率分别为90%和91.67%;基于草莓样本的光谱特征,提取与草莓成熟度相关的三个波长535,675和980 nm,并基于这三个波长和已有的参数形式,构建了四个用于草莓成熟度检测的新参数：i1,i2,i3,i4,通过Fisher线性判别法判断四个参数的分类识别效果,发现基于参数i1,i2和i4的线性判别分析模型的识别效果均比参数I4好,建模集和预测集识别准确率为95.83%,95.83%,95.83%和95%,95%,96.67%。结果表明新建立的多光谱参数i1,i2和i4可以用于草莓成熟度的自动分类识别,为草莓成熟度的在线检测提供了理论依据。     

利用高光谱数据进行地物识别分类研究

分析了传统统计分类方法在高光谱影像地物分类中的弊端,提出并详细讨论了基于端元的监督分类技术.利用端元监督分类技术对LASIS高光谱影像进行分类,同时应用IsoData非监督分类技术即自动迭代聚类对高光谱影像进行分类.分析比较了两种分类结果,表明基于端元的监督分类技术更能满足对地物识别分类的需要.     

基于多光谱图像颜色特征的茶叶分类研究

提出了一种利用多光谱图像颜色特征进行茶叶分类的新方法,对两种颜色几乎一样用肉眼几乎不能分辨的茶叶进行了分类。图像由MS3100-3CCD光谱成像仪和普通数码相机同时获得,光谱成像仪提供3个波段的图像,由近红外(NIR)、红色(R)和绿色(G)组成,因此它比普通数码照相机包含更丰富的信息,特别NIR波段的图像对有机物的颜色比可见光敏感。提取3CCD光谱成像仪和普通数码照相机各个波段图像颜色的特征即像素偏方差值和平均值进行统计分析,用多光谱图像的NIR图像所提供颜色信息能够辨别这两种颜色几乎一样的茶叶,而普通数码相机无法提供信息进行识别。然后应用人工神经网络技术,对NIR图像像素偏方差值和平均值这两个参数进行建模,建模样本40个,每个样本为20个,预测样本20个,每个样本为10个。结果表明,在阈值为0.3,对两种茶叶进行分类得到了100%识别率,此研究为茶叶的分类提供一种快速和无损的新方法。     

水体高光谱反演混合光谱空间信息分解模型研究

水体高光谱中的混合效应问题是水体定量遥感中的难点。已有研究表明,仅依赖标量光谱信息难以解决复杂的水体混合光谱问题。广域水体污染物除光谱信息之外,还具有明显的空间分布特性。充分利用其空间维信息,可以作为遥感光谱维信息的有益补充,有利于水体复杂光谱的解混。以巢湖为例,HJ-1A HSI高光谱数据为数据源,辅以水面光谱测量数据,在空间地统计学和遗传算法理论基础上,利用地统计学中的变异函数模拟相邻空间两像元的分布差异,将邻域像元空间变异函数作为遗传算法目标函数的约束条件,建立基于协同克里格遗传算法的湖泊水体高光谱反演混合光谱空间信息分解模型,并对悬浮物浓度反演结果进行检验。结果显示,与常规混合光谱分解模型相比,混合光谱空间信息分解模型对悬浮物浓度的预测值与实测值相关系数为0.82,均方根误差9.25 mg·L-1,相关系数提高了8.9%,均方根误差下降了2.78 mg·L-1,表明该模型对悬浮物浓度具有较强的预测能力。该方法将水体的空间信息与光谱信息有效结合,可以避免水色参数光谱信号弱导致反演结果失真,同时由于高光谱波段多、信息量大,带来信息提取计算量大而复杂等问题,也为复杂水体混合光谱模型的求解和模型反演精度的提高提供了有效途径。     

中红外光谱结合CA-SDP-DenseNet的木材种类识别研究

光谱分析在木材种类识别领域具有一定的潜力,而其中的中红外光谱也广泛应用于定性及定量分析。该研究中红外光谱法识别木材种类的报道中,基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。提出了一种聚类分析(CA)、对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法,利用DenseNet的优势提高中红外光谱法识别木材的准确率。首先,采集了愈疮木、巴里黄檀、刺猬紫檀、大果紫檀、螺穗木5种木材样本的250组中红外光谱数据,应用欧式距离进行了异常值剔除,剩余240组作为待分析数据并对其进行分类的可行性分析。对光谱数据进行SDP转化分析,确定SDP转化的最优参数;之后,运用CA筛选原始光谱数据的特征,根据CA不同阙值确定了三组维数的特征并进行讨论,通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性,初步确定了最优维数特征;再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中,获得模型识别的准确率;最后通过对比分析验证了模型的有效性,一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中,对比识别的准确率;另一方面以最...     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

基于高光谱图像技术的玉米杂交种纯度鉴定方法探索

对玉米种子高光谱图像的光谱维信息进行分析,探索利用高光谱图像技术鉴定玉米杂交种纯度的可行性。实验中利用高光谱成像系统采集玉米品种农华101的母本和杂交种的高光谱图像, 波长范围871～1699 nm;在每个玉米样本上提取感兴趣区域的平均光谱信息,利用处理后的数据建立农华101母本和杂交种的鉴定模型。讨论了样品的摆放方式(种子胚正对光源和背对光源,种子在样品台上的位置)和实验环境对鉴定模型性能的影响。鉴定模型对不同摆放方式和实验环境下获得的同种样品的光谱的正确识别率和正确拒识率均达到90%以上,模型稳健性良好。利用Qs方法选择特征波段[1],发现在1 230 nm附近(1 195～1 246 nm)农华101的母本和杂交种差异最大。实验中利用特征波段内的数据进行建模和测试,正确识别率和正确拒识率达到90%以上,与利用全波段(925～1597 nm)获得的识别效果相当。分析结果表明,利用高光谱图像技术鉴定玉米杂交种纯度是可行的。     

基于高光谱成像技术的稻谷品种鉴别研究

许多不同的稻谷品种看起来很相似,但它们的化学成分和最终产品质量却有很大差别,每年因品种混淆而造成巨大的经济损失,对稻谷品种的鉴别是发展优质粮食工程的现实需要,为此提出了一种采用高光谱成像技术实现稻谷品种无损快速鉴别的方法。主要研究内容和结果如下：（1）在全波段388～1 000 nm范围内采集5个品种共150粒的稻谷高光谱反射率数据,筛选出差异明显的波段（600～800 nm）,将此波段内每个品种的反射率进行Stacked计算和curve-smoothing平滑处理以增加其区分度。（2）对5种稻谷经平滑处理后的反射率数据做主成分分析,找到权值系数最大的波长位于680 nm,将其作为特征波长。加载特征波长下的纹理图像,计算每粒稻谷样品的纹理特征参数：均值（Mean）、方差（Variance）、信息熵（Entropy）和偏差(Skewness)。利用阈值分割的方法将目标与背景区分开,计算每粒稻谷形态特征参数：面积像素数/pixels2、边界的周长/pixels、长轴长度/pixels、短轴长度/pixels。结合稻谷的纹理特征参数和形态特征参数,比较Fisher判别分析模型、偏最小二乘回归模型（PLSR）和人工神经网络模型（ANN）对稻谷品种鉴别的效果。（3）结果显示,Fisher判别分析中函数1和函数2的累计方差贡献率达到93%,能够较好地解释稻谷的品种信息。将样本的函数值与组质心的平方马氏距离（Mahalanobis）做比较,值相近的作为同一分组类别,对稻谷品种的整体识别正确率能达到95.3%;偏最小二成回归模型：Y_品种=0.03X_均值-0.36X_方差-0.24X_信息熵+0.37X_偏差+0.31X_面积-0.32X_周长-0.39X_长轴长度+0.45X_短轴长度,该回归模型相关系数r=0.98,校正均方根RMESS=0.29,交叉验证均方根PMESSCV=0.32,对稻谷的品种鉴别正确率能达到95%;构建的ANN模型为具有sigmoid隐含和softmax输出神经元的双层前馈网络,对150个样品按70%∶15%∶15%的比例随机划分训练集、测试集、验证集,选择共轭梯度法（scaled conjugate gradient）作为训练算法,以交叉熵（cross-entropy）作为模型的评价指标,对稻谷品种鉴别的正确率可达到98%。稻谷品种鉴别的ANN模型在分类精度上优于Fisher判别和PLSR,选择特征波长下的图像信息建立稻谷品种识别的ANN模型,对稻谷品种的无损快速鉴别具有重要指导意义。     

基于高光谱技术的农作物常见病害监测研究

农作物病害是制约产量的重要因素之一,目前农作物病害的早期监测主要依靠植保人员田间取样判断危害等级的传统方式,存在主观性强、效率低、滞后性等弊端,也有些病害采用提前施药来进行预防,但此方法有农药过量的风险,从而影响到水稻生长的生态环境。近年来随着信息技术的快速发展,高光谱技术以数据量丰富、灵敏、可靠的特点迅速应用于农业生产中,成为主要检测农作物病害的有效技术手段之一。文章阐述了植物在病害胁迫下光谱响应机制,从粮食作物、经济作物、蔬菜作物、果类和其他农作物五个方面梳理和总结了近七年国内外高光谱技术在农作物病害的研究进展,在此基础上提出目前该技术在农作物监测应用领域的不足以及对未来的展望。为农作物的病害监测提供参考。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域.目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况...     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

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。     

基于高光谱影像的小麦条锈病光谱信息探测与提取

为了理解与定量分析农作物光谱特征和相关参数,基于PHI高光谱影像建立了农作物病害光谱响应与探测模型,即光谱点位与参数模型（FPPM）.为了识别和提取小麦条锈病信息,根据多时相高光谱影像光谱特征,提出了一种可调节的多时相归一化植被指数（MT-NDVI）.结果表明,FPPM能很好地响应与感知该病害在小麦生长期的光谱特征;结合光谱角制图法（SAM）,MT-NDVI能清楚地呈现不同区域该病害的轻重程度,准确地区分和提取小麦条锈病与健康小麦及土壤的信息.