CN105678342B - 基于联合偏度的玉米种子高光谱图像波段选择方法 - Google Patents

基于联合偏度的玉米种子高光谱图像波段选择方法 Download PDF

Info

Publication number
CN105678342B
CN105678342B CN201610102811.1A CN201610102811A CN105678342B CN 105678342 B CN105678342 B CN 105678342B CN 201610102811 A CN201610102811 A CN 201610102811A CN 105678342 B CN105678342 B CN 105678342B
Authority
CN
China
Prior art keywords
wave band
corn seed
feature
bias
band
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610102811.1A
Other languages
English (en)
Other versions
CN105678342A (zh
Inventor
黄敏
杨赛
朱启兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201610102811.1A priority Critical patent/CN105678342B/zh
Publication of CN105678342A publication Critical patent/CN105678342A/zh
Application granted granted Critical
Publication of CN105678342B publication Critical patent/CN105678342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本文发明涉及一种基于联合偏度的玉米种子高光谱图像波段选择方法。本发明技术方案为：a、将待识别的玉米种子样本放置在高光谱图像采集系统中，采集并获取这些玉米种子的高光谱图像；b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，并进行特征联合，将其作为待识别玉米种子的特征参数X；c、利用特征参数求取全波段下的联合偏度JS(X)，结合序列后向选择方法的原理进行波段选择，输出最优波组合Φ；d、建立预测模型，获得该波段选择方法的评价结果。本发明通过对玉米种子高光谱图像进行波段选择，其能够实现多特征条件下波段选择，操作简单，快速有效，并具有较高鲁棒性等优点。

Description

基于联合偏度的玉米种子高光谱图像波段选择方法
技术领域
本发明涉及一种玉米种子高光谱图像波段选择的方法，具体的，涉及一种基于联合偏度的玉米种子高光谱图像最优波段选择方法。
背景技术
种子是最重要的生产资料，种子品种的鉴别对于减少种子混杂，保证农业生产的顺利进行具有重要价值。为了克服传统种子品种鉴别技术存在的鉴定时间长，具有破坏性等缺点，以近红外光谱分析技术、机器视觉技术、高光谱图像技术为代表的种子品种无损识别方法得到了广泛的研究。
在这些方法中，由于高光谱图像技术具有图谱合一，可同时获得种子的几何形态学特征和光谱特征等优点，在种子品种识别中得到了越来越多的重视，已被应用于大豆、玉米、水稻等种子的品种识别中，取得了很高的识别精度。种子的品种识别从本质上来说是一个模式识别问题，分类特征的充分挖掘获取是识别模型精度和鲁棒性的保证。尽管高光谱图像技术可获得种子的几何形态学特征和光谱特征等，但是现有的利用高光谱图像技术进行种子品种识别的研究中，多是利用种子高光谱图像的单一特征，存在着分类特征信息丢失的可能性，导致高光谱图像技术的优势没有充分利用。另一方面，高光谱图像波段数目众多，给其在种子品种识别的在线实时应用带来了困难。
尽管一些波段选择方法，如无信息变量消除法(Uninformative VariableEliminate,UVE)、连续投影算法(Successive Projections Algorithm,SPA)、竞争性自适应重加权算法(Competitive Adaptive Reweighed Sampling Algorithm,CARS)，已被应用到种子高光谱图像的波段选择中，但是这些方法本质上是一种特征选择方法，当每个波段下提取多个特征时，通常需要将上述方法选择的特征集合转换为波段集合，并进行必要的波段交集和并集处理，存在着模型识别精度难以保证问题。因此，寻找一种在多特征条件下，以较少的波段数目达到种子的高精度识别就显得尤为重要。
发明内容
本发明的目的是克服以上技术的缺点，提供一种基于联合偏度的玉米种子高光谱图像波段选择方法，其能够实现玉米种子高光谱图像多特征条件下波段选择，操作简单，快速有效，并具有较高的鲁棒性等优点。
本发明提供的技术方案，所述的基于联合偏度的玉米种子高光谱图像波段选择方法，具体的步骤包括：
a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像；
b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特征联合，将联合特征作为待识别玉米种子的特征参数X；
c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏度JS(X)，利用序列后向选择方法从特征(波段)全集开始，每次从特征(波段)集中剔除一个特征，使得剔除特征(波段)后评价函数值达到最优，输出最终选择的最优波组合Φ，并建立分类模型，对所选择的最优波段组合Φ进行评价；
在步骤b中，获得玉米种子的特征参数的具体步骤包括：
首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，利用阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为其中分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。为了消除平均光谱特征和图像熵特征在数量级上的差异，对进行特征归一化处理；
在步骤c中，所描述的序列后项选择方法对步骤b得到的特征参数进行最优波段选择的操作具体包括：
利用步骤b得到的特征参数求取斜偏度张量：
其中符号[ο]表示向量的外积(Outer Product)运算(张量积)。斜偏度张量反映了不同波段下的特征间的相互关系。引入联合偏度JS统计斜偏度张量的三阶统计特征；
在式(2)中，Det(·)为行列式的计算符号，为协方差矩阵；
由于S是三阶张量，其行列式计算困难。因而对张量S进行展开重整，得到二维的矩阵R。此时，(3)式可转化为：
公式(3)反映了M粒种子样本在L个波段下的联合偏度。波段选择的目的就是选择K个波段子集，使得其联合偏度保持最大化。设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；
从指数集Φ中移除第j个波段，获得去除第j个波段后第i粒种子的特征向量ri及特征矩阵X＝[r1,…,ri,…rM]，按照公式(1)(3)计算剩余波段组合的联合偏度JS(Xj)。比较JS(Xj)的大小。联合偏度JS(Xj)大，意味着被删除的第j个波段与已有波段相关性大，对分类的贡献率低。因而删除最大JS(Xj)值所对应的波段
继续删除最大值JS(Xj)对应的波段Φ＝{1,2,...,index-1,index+1,...,L}，若指数集Φ中波段数目大于选择的波段数量K，重复此步骤，直到指数集Φ中波段数目等于选择的波段数量K，输出最终选择的最优波组合Φ，建立分类模型评价所选择的最优波段的指标。
进一步的，步骤b中将获得的玉米种子高光谱图像的均值光谱特征和熵特征进行特征联合，具体包括：
对玉米种子图像在700.1nm下的图像进行图像分割，获取玉米种子轮廓，利用轮廓投影的方法，将图像分割后获取到的玉米种子的轮廓投影到其它波段下，获得不同波段下的种子轮廓图像。
提取L个波段下玉米种子轮廓图像的均值光谱特征和熵特征，为了消除平均光谱特征和图像熵特征在数量级上的差异，分别对均值特征和熵特征进行特征归一化处理。
将归一化的均值特征和熵特征进行特征联合，M粒种子构成的联合特征向量矩阵为X＝[r1,…,ri,…rM]，其中第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为 分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。
进一步的，所述的基于联合偏度的玉米种子高光谱图像最优波段选择方法，其特征在于，利用联合偏度的大小作为波段选择的依据，采用序列后项选择方法逐次删除冗余波段得到最优波段组合，具体包括：
S1、设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；
S2、利用联合特征向量X求取全波段下的联合偏度JS(Xj)，比较JS(Xj)的大小，删除 最大值所对应的波段
进一步地，基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于步骤c中判断待识别玉米种子与检测模型的匹配性，具体包括：
S3、判断指数集Φ中波段数目是否大于选择的波段数量K，是则重复S2，直到指数集Φ中波段数目等于选择的波段数量K；
S4、输出最终选择的最优波组合Φ。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用来解释本发明，并不构成本发明的限制。在附图中：
图1为玉米种子在700.1nm波段下的高光谱反射图像，利用基于区域主动轮廓模型的图像分割方法提取的轮廓曲线；
图2为张量的展开原理图；
图3为根据本发明基于张量分析的玉米种子高光谱图像波段选择方法的流程示意图。
具体实施方式
以下结合具体附图和实施例对本发明做进一步说明。
如图1所示：首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值特征和熵特征作为玉米种子的分类特征参数。
为了消除平均光谱特征和图像熵特征在数量级上的差异，对均值特征和熵特征进行特征归一化处。
将归一化的光谱均值特征和熵特征进行特征联合，得到玉米种子联合特征参数X ＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为其中分别为第i粒种子在第j个波段下的归一化 的平均光谱特征和图像熵特征。
利用步骤b得到的特征参数求取斜偏度张量：
其中符号[ο]表示向量的张量积。斜偏度张量反映了不同波段下的特征间的相互关系。通过引入联合偏度JS来统计斜偏度张量的三阶统计特征；
在式(2)中，Det(·)为行列式的计算符号，为协方差矩阵；
如图2所示：张量的展开是张量运算的重要过程，由于S是三阶张量，其行列式计算困难。因而对张量S进行展开重整，得到二维的矩阵R。此时，(3)式可转化为：
公式(3)反映了M粒种子样本在L个波段下的联合偏度。波段选择的目的就是选择K个波段子集，使得其联合偏度保持最大化。
利用联合偏度的大小作为波段选择的依据，采用序列后项选择方法逐次删除冗余波段得到最优波段组合，具体包括：
S1、设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；
S2、利用联合特征向量X求取全波段下的联合偏度JS(Xj)，比较JS(Xj)的大小，从指数集Φ中移除第j个波段，获得去除第j个波段后第i粒种子的特征向量ri及特征矩阵X＝[r1,…,ri,…rM]，按照公式(1)(3)计算剩余波段组合的联合偏度JS(Xj)。比较JS(Xj)的大小。联合偏度JS(Xj)大，意味着被删除的第j个波段与已有波段相关性大，对分类的贡献率低。因而删除最大JS(Xj)值所对应的波段
S3、得到波段集合为Φ＝{1,2,...,index-1,index+1,...,L}，若指数集Φ中波段数目大于选择的波段数量K，重复s2步骤；
S4、输出最终选择的最优波组合Φ；
S5、建立最优波段组合的评价模型。
本发明的目的是克服以上技术的缺点，提供一种基于联合偏度的玉米种子高光谱图像波段选择方法，其能够实现玉米种子高光谱图像多特征条件下波段选择，操作简单，快速有效，并具有较高的鲁棒性等优点。

Claims (1)

1.基于联合偏度的玉米种子高光谱图像波段选择方法，其特征在于，包括：
a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像；
b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特征联合，将联合特征作为待识别玉米种子的特征参数X；
c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏度JS(X)，利用序列后向选择方法从波段全集开始，每次从波段全集中剔除一个波段，使得剔除波段后评价函数值达到最优，输出最终选择的最优波段组合Φ；
d、建立预测模型，对选择的最优波段进行评价；
在步骤b中，获得玉米种子的特征参数的具体步骤包括：
首先选择待识别玉米种子轮廓最清晰的图像对应的波段，在700.1nm处，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线，将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为其中分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征，对进行特征归一化处理；
在步骤c中，所描述的序列后项选择方法对步骤b得到的特征参数进行最优波段选择的操作具体包括：
利用步骤b得到的特征参数求取斜偏度张量：
其中符号表示向量的外积(Outer Product)运算,即张量积，斜偏度张量反映了不同波段下的特征间的相互关系，引入联合偏度JS统计斜偏度张量的三阶统计特征；
在式(2)中，Det(·)为行列式的计算符号，为协方差矩阵；
对张量S进行展开重整，得到二维的矩阵R，此时，(2)式可转化为：
公式(3)反映了M粒种子样本在L个波段下的联合偏度，设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；
从指数集Φ中移除第j个波段，获得去除第j个波段后第i粒种子的特征向量ri及特征矩阵X＝[r1,…,ri,…rM]，按照公式(1)(3)计算剩余波段组合的联合偏度JS(Xj)；比较JS(Xj)的大小，删除最大JS(Xj)值所对应的波段index＝mjax(JS(Xj))，得到删除后的波段集合Φ＝{1,2,...,index-1,index+1,...,L}；
判断波段集合Φ中的波段数目，若指数集Φ中波段数目大于选择的波段数量K，继续重复删除波段的操作，直到指数集Φ中波段数目等于选择的波段数量K，输出最终选择的最优波段组合Φ；
对所选择的最优波段组合建立预测模型，对分类的精度进行评价。
CN201610102811.1A 2016-02-24 2016-02-24 基于联合偏度的玉米种子高光谱图像波段选择方法 Active CN105678342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610102811.1A CN105678342B (zh) 2016-02-24 2016-02-24 基于联合偏度的玉米种子高光谱图像波段选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610102811.1A CN105678342B (zh) 2016-02-24 2016-02-24 基于联合偏度的玉米种子高光谱图像波段选择方法

Publications (2)

Publication Number Publication Date
CN105678342A CN105678342A (zh) 2016-06-15
CN105678342B true CN105678342B (zh) 2018-11-30

Family

ID=56305465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610102811.1A Active CN105678342B (zh) 2016-02-24 2016-02-24 基于联合偏度的玉米种子高光谱图像波段选择方法

Country Status (1)

Country Link
CN (1) CN105678342B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444928B (zh) 2018-03-12 2020-10-09 浙江大学 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法
CN108596077A (zh) * 2018-04-20 2018-09-28 南阳理工学院 高光谱图像自适应光谱聚焦波段选择方法
CN111597951A (zh) * 2020-05-12 2020-08-28 中国电子科技集团公司第五十四研究所 一种面向目标检测的高光谱图像特征选择方法
CN113011589B (zh) * 2021-03-29 2024-03-08 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN114417247B (zh) * 2022-01-19 2023-05-09 中国电子科技集团公司第五十四研究所 一种基于子空间的高光谱图像波段选择方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104136908A (zh) * 2011-12-19 2014-11-05 奥普蒂库尔诊断有限公司 用于鉴定培养物中微生物的光谱手段和方法
CN104765846A (zh) * 2015-04-17 2015-07-08 西安电子科技大学 一种基于特征提取算法的数据特征分类方法
CN105139023A (zh) * 2015-07-24 2015-12-09 福州大学 一种基于多尺度特征融合和极限学习机的种子识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110143332A1 (en) * 2007-11-26 2011-06-16 National Yang-Ming University Method for identifying microorganism or detecting its morphology alteration using surface enhanced raman scattering (sers)

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104136908A (zh) * 2011-12-19 2014-11-05 奥普蒂库尔诊断有限公司 用于鉴定培养物中微生物的光谱手段和方法
CN104765846A (zh) * 2015-04-17 2015-07-08 西安电子科技大学 一种基于特征提取算法的数据特征分类方法
CN105139023A (zh) * 2015-07-24 2015-12-09 福州大学 一种基于多尺度特征融合和极限学习机的种子识别方法

Also Published As

Publication number Publication date
CN105678342A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678342B (zh) 基于联合偏度的玉米种子高光谱图像波段选择方法
CN108596154B (zh) 基于高维特征选择与多级融合的遥感图像分类方法
Al Bashish et al. Detection and classification of leaf diseases using K-means-based segmentation and
CN111126240B (zh) 一种三通道特征融合人脸识别方法
CN110516648B (zh) 基于无人机遥感和模式识别的苎麻株数识别方法
CN103679192A (zh) 基于协方差特征的图像场景类型判别方法
CN105989592B (zh) 基于双聚类及邻域分析的高光谱图像波段选择方法
CN110555395A (zh) 一种油菜冠层氮素含量等级分类评估方法
CN103226699A (zh) 一种基于分离度差有监督局部保持投影的人脸识别方法
Kurale et al. Classification of leaf disease using texture feature and neural network classifier
Ariyapadath Plant Leaf Classification and Comparative Analysis of Combined Feature Set Using Machine Learning Techniques.
Bhagwat et al. A review on advances in automated plant disease detection
Li et al. Mixing self-attention and convolution: A unified framework for multi-source remote sensing data classification
Yang et al. Fully automated classification method for crops based on spatiotemporal deep-learning fusion technology
CN110619370A (zh) 一种高光谱图像超像素局部线性嵌入降维方法
CN102622611A (zh) 基于特征扩展和模糊支持向量机的多分组图像分类方法
CN109145950B (zh) 一种基于图信号采样的高光谱图像主动学习方法
Azimi et al. Performance evalution of 3D keypoint detectors and descriptors for plants health classification
Mai et al. Automatic lesion segmentation from rice leaf blast field images based on random forest
Swetha et al. Hybrid approach for anthracnose detection using intensity and size features
Cheng et al. CACFTNet: A Hybrid Cov-Attention and Cross-Layer Fusion Transformer Network for Hyperspectral Image Classification
Chen et al. Spectral Query Spatial: Revisiting the Role of Center Pixel in Transformer for Hyperspectral Image Classification
Huang et al. Hyperspectral Image Classification via Cross-Domain Few-Shot Learning With Kernel Triplet Loss
Jasani et al. Review of shape and texture feature extraction techniques for fruits
Liang et al. Forest species classification of UAV hyperspectral image using deep learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Huang Min

Inventor after: Yang Sai

Inventor after: Zhu Qibing

Inventor before: Zhu Qibing

Inventor before: Yang Sai

Inventor before: Huang Min

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant