CN104200230A - 一种基于小波变换和svm分类的土壤土质识别方法 - Google Patents

Abstract

本发明公开了一种基于小波变换和SVM分类的土壤土质识别方法。本发明通过对土壤可见光图像进行小波变换得到分层子图像，然后，计算分层子图像的能量值作为特性向量，最后通过支持向量机(SVM)分类器进行土壤可见光图像土质识别。该方法有效的降低了设备复杂度和设备成本，提高了土壤土质识别的实时性。

Description

一种基于小波变换和SVM分类的土壤土质识别方法

技术领域：

本发明涉及图像处理和模式识别领域，具体涉及一种基于小波变换和SVM分类的土壤土质识别方法。

背景技术：

土壤土质是土壤重要的物理特性之一，与土壤通气性，肥力、保水和耕作的难易程度有着密不可分的关系。土壤土质一般分为砂土、壤土和粘土三类。砂土保肥性弱，缺少粘粒和有机质。粘土养分丰富，有较高的有机质含量。壤土介于砂土和粘土之间，是较理想的土壤，适合耕作。因此，通过对土壤土质进行识别，能够对耕作和施肥提供有效的依据，为精准农业提供有力的技术支撑。土壤土质的确定，如果采取测定土壤粒级百分数或物理粘粒含量的方法，则成本高昂，设备复杂，实时性差。到目前为止，常采用观察与简易的测定方法，包括手指测定法，松紧度测定法，观察法。这些方法只能定性地分析土壤土质，误差较大，而且需要对三种土质的物理特性有较深的辨识经验，需要人工对土壤进行操作。为此，提供一种成本低，实时性强，识别精度高的土壤土质识别方法尤为重要。

发明内容：

本发明的目的在于克服现有土壤土质识别方法成本高昂，设备复杂，实时性差的的不足，提供一种基于小波变换和SVM分类的土壤土质识别方法。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

一种基于小波变换和SVM分类的土壤土质识别方法，它包括以下步骤：

步骤一：对每幅包含512*512个像素的土壤可见光图像，取40个256*256个像素的子图像，其中20个子图像作为训练样本，剩下的20个图像作为测试样本；

步骤二：对每幅子图像做2层正交小波变换，就可以得到2*3+1＝7个分层子图像；

步骤三：对每个分层子图像做能量计算，取每个分层子图像的能量值作为该分层子图像的特征值，从而每幅子图像可以得到一个7维的特征向量；

步骤四：基于砂土、壤土、粘土三类土壤土质，对支持向量机SVM进行训练，输入训练样本，构造3个2类SVM分类器，每个类对应其中的一个，使得第i个2类分类器所构造的分类超平面能够把第i类与其它的i-1类分割开；

步骤五：输入测试样本，对测试数据计算对应于各个分类器的决策函数值并选择最大值所对应的类别作为测试样本所属的类别。

进一步的，在步骤三中，对每个经过小波变换得到的分层子图像作能量计算，用来作为特征值，取信息熵e作为能量：

$e=-\underset{i,j}{\mathrm{\Σ}}\left|P(i,j)\right|\log \left|P(i,j)\right|$

P(i,j)由下式可得

$P(i,j)=\frac{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]/2}{\underset{i,j}{\mathrm{\Σ}}{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]}^2/4}$

其中C(i,j)表示图像在(i,j)处的灰度值。

进一步的，在步骤四中，将步骤一得到的20个训练样本子图像输入支持向量机SVM，根据如下公式求解最优分类超平面：

$Q\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j\left({x_i}^T{x}_j\right)$

式中，x为训练样本，i，j＝1:2,…,n，n为训练样本个数，T表示矩阵求转置，y为类别编号，a_i是函数优化时的拉格朗日系数，即为支持向量，由此得到的判别函数为：

$D\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}{y}_i\left(x{x}_i\right)+b^{*})$

其中sgn(c)表示返回c的正负号，a_i*为非零的支持向量，b*为分类阈值。

进一步的，在步骤五中，将步骤一得到的20个测试样本子图像输入支持向量机SVM，根据步骤四中的判别函数计算出测试样本在各个类别中对应的判别函数值，选择其中的最大值所对应的类别作为该测试样本所属的类别，直到所有的20个测试样本都分类完成。

本发明对比现有技术，有如下的有益效果：本发明提供了一种基于小波变换特征提取和SVM分类算法的土壤土质识别技术，本技术结合图像处理和模式识别，通过对土壤可见光图像进行小波变换提取能量特征，组成特征向量，采用支持向量机训练分类器进行土质识别。该方法有效的降低了设备复杂度和设备成本，提高了土壤土质识别的实时性。

附图说明：

图1是本发明的方法流程图。

图2是2层小波分解过程示意图。

图3是基于SVM的土壤土质识别过程图。

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步描述：

图1是本发明的方法流程图。一种基于小波变换特征提取和SVM分类算法的土壤土质识别方法，它包括以下步骤：

步骤一：对每幅包含512*512个像素的土壤可见光图像，取40个256*256个像素的子图像，其中20个子图像作为训练样本，剩下的20个图像作为测试样本；

步骤二：对每幅子图像做2层正交小波变换，就可以得到2*3+1＝7个分层子图像；

步骤三：对每个分层子图像做能量计算，取每个分层子图像的能量值作为该分层子图像的特征值，从而每幅子图像可以得到一个7维的特征向量；

步骤四：基于砂土、壤土、粘土三类土壤土质，对支持向量机SVM进行训练，输入训练样本，构造3个2类SVM分类器，每个类对应其中的一个，使得第i个2类分类器所构造的分类超平面能够把第i类与其它的i-1类分割开；

步骤五：输入测试样本，对测试数据计算对应于各个分类器的决策函数值并选择最大值所对应的类别作为测试样本所属的类别。

进一步的，在步骤三中，对每个经过小波变换得到的分层子图像作能量计算，用来作为特征值，取信息熵作为能量：

$e=-\underset{i,j}{\mathrm{\Σ}}\left|P(i,j)\right|\log \left|P(i,j)\right|$

P(i,j)由下式可得

$P(i,j)=\frac{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]/2}{\underset{i,j}{\mathrm{\Σ}}{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]}^2/4}$

其中C(i,j)表示图像在(i,j)处的灰度值。

进一步的，在步骤四中，将步骤一得到的20个训练样本子图像输入支持向量机SVM进行训练，SVM的原理是利用构造分类超平面来分离训练样本，解决非线性分类问题，SVM根据如下公式求解最优分类超平面：

$Q\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j\left({x_i}^T{x}_j\right)$

式中，x为样本，i，j＝1:2,…,n，n为训练样本个数，T表示矩阵求转置，y为类别编号，a_i是函数优化是的拉格朗日系数，即为支持向量，由此得到的判别函数为：

$D\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}{y}_i\left(x{x}_i\right)+b^{*})$

其中sgn(c)表示求变量c的正负号，a_i*为非零的支持向量，b*为分类阈值。

进一步的，在步骤五中，将步骤一得到的20个测试样本子图像输入支持向量机SVM，根据步骤四中的判别函数计算出测试样本在各个类别中的判别函数值，选择其中的最大值所对应的类别做为该测试样本所属的类别，直到所有的20个测试样本都分类完成。

图2是2层小波分解过程示意图。说明了一幅原图像进行2层正交小波变换的过程，将图像看成二维的离散函数，在小波基中分别做投影，得到各个方向的小波系数，也就是分尺度、分方向的分层子图像。每幅原图像通过2层正交小波变换就可以分解为7个分层子图像,其中分层子图像1为原始图像的低分辨率图像，分层子图像3和5为水平方向的高频成分，分层子图像2和6为垂直方向的高频成分，分层子图像4和7为对角方向的高频成分。

图3是基于SVM的土壤土质识别过程，包括训练阶段和测试阶段，训练阶段通过输入训练样本对SVM进行训练。测试阶段即为在训练阶段结束后输入测试样本到SVM，对测试样本进行分类。图3中特征提取对应于本发明方法步骤二和步骤三，训练阶段对应于步骤四，测试阶段对应于步骤五。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于小波变换和SVM分类的土壤土质识别方法，其特征在于，它包括以下步骤：

步骤一：对每幅包含512*512个像素的土壤可见光图像，取40个256*256个像素的子图像，其中20个子图像作为训练样本，剩下的20个图像作为测试样本；

步骤二：对每幅子图像做2层正交小波变换，就可以得到2*3+1＝7个分层子图像；

步骤三：对每个分层子图像做能量计算，取每个分层子图像的能量值作为该分层子图像的特征值，从而每幅子图像可以得到一个7维的特征向量；

步骤四：基于砂土、壤土、粘土三类土壤土质，对支持向量机SVM进行训练，输入训练样本，构造3个2类SVM分类器，每个类对应其中的一个，使得第i个2类分类器所构造的分类超平面能够把第i类与其它的i-1类分割开；

步骤五：输入测试样本，对测试数据计算对应于各个分类器的决策函数值并选择最大值所对应的类别作为测试样本所属的类别。

2.根据权利要求1所述的一种基于小波变换和SVM分类的土壤土质识别方法，其特征在于，在步骤三中，对每个经过小波变换得到的分层子图像作能量计算，用来作为特征值，取信息熵作为能量：

$e=-\underset{i,j}{\mathrm{\Σ}}\left|P(i,j)\right|\log \left|P(i,j)\right|$

P(i,j)由下式可得

$P(i,j)=\frac{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]/2}{\underset{i,j}{\mathrm{\Σ}}{[C(i-1,j-1)C(i,j)+C(i,j)C(i+1,j+1)]}^2/4}$

其中C(i,j)表示图像在(i,j)处的灰度值。

3.根据权利要求1所述的一种基于小波变换和SVM分类的土壤土质识别方法，其特征在于，在步骤四中，将步骤一得到的20个训练样本子图像输入支持向量机SVM，根据如下公式求解最优分类超平面：

$Q\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j\left({x_i}^T{x}_j\right)$

式中，x为训练样本，i，j＝1:2,…,n，n为训练样本个数，T表示矩阵求转置，a_i是函数优化是的拉格朗日系数，即为支持向量，由此得到的判别函数为：

$D\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}{y}_i(x\·x_i)+b^{*})$

其中sgn(c)表示返回c的正负号，a_i*为非零的支持向量，b*为分类阈值。

4.根据权利要求1所述的一种基于小波变换和SVM分类的土壤土质识别方法，其特征在于，在步骤五中，将步骤一得到的20个测试样本子图像输入支持向量机SVM，根据步骤四中的判别函数计算出测试样本在各个类别中对应的判别函数值，选择其中的最大值所对应的类别作为该测试样本所属的类别，直到所有的20个测试样本都分类完成。