基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥 感光谱图像,但其整体分辨率略 低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较 低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种 基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光 谱成像系统采集可见-近红外光谱(400000 nm)的草地高光谱图像,通过基于方差选择的 降维方法优化特征中的有效信息；然后,采用高斯朴素贝叶斯(gaussian naive bayes,Gau ssianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别 模型；最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元 散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波 (SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模 型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw )法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度 和Kappa系数平均值分别提高2.995%和0.050。同等情况下比较GaussianNB模型和SVM模型, 在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少 ,OA值达到99.33%,Kappa系数为0.99,测试 时间为0.002022 s。研究结果表明,基于方差 选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高 效快速的牧草种类识别。

Research on grassland forage hyperspectral image recognition based on variance s election a nd Gaussian Naive Bayes