CN111881965A - 药材产地等级的高光谱图形分类识别方法、装置及设备 - Google Patents
药材产地等级的高光谱图形分类识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111881965A CN111881965A CN202010701262.6A CN202010701262A CN111881965A CN 111881965 A CN111881965 A CN 111881965A CN 202010701262 A CN202010701262 A CN 202010701262A CN 111881965 A CN111881965 A CN 111881965A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- projection
- matrix
- test
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种药材产地等级的高光谱图形分类识别方法、装置及设备。方法包括:获取待识别药材的高光谱图形数据;对高光谱图形数据进行预处理,得到训练样本和测试样本;利用最小二乘回归算法对训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;基于吉洪诺夫正则化的协同表示方法对训练投影样本和测试投影样本进行分类,得到测试样本类标签;根据测试样本类标签结合待识别药材对应的地物真实标签图计算分类精度。上述方法中采用最小二乘回归算法及基于吉洪诺夫正则化的协同表示方法提高了特征提取精度及分类精度,提高了药材产地等级的分类识别效率及精度。
Description
技术领域
本发明涉及影像处理技术领域,具体涉及一种药材产地等级的高光谱图形分类识别方法、装置及设备。
背景技术
当前关于中药材的产地、品质和产量估算等在药用植物学领域方面已经有了大量的研究成果,但是由于药用植物种类多样,并且不同种类间在结构、成分等方面的差异较大,生产实践中效果优良、简便易行的非人工识别技术方法仍然在不断的探索和发展过程中。在传统的产地鉴别中,两种常用的技术是矿物元素分析和同位素指纹图谱技术,这两种技术在鉴别过程中都需要使用化学计量的方法,虽然有较高的准确性和灵敏度,但费用较高且鉴别速度慢;此外,近红外光谱技术是近几年发展起来的一种快速、无损、应用广泛的鉴别技术,但是其鉴别结果易受样本状态和环境条件的影响,而且灵敏度较低。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种药材产地等级的高光谱图形分类识别方法、装置及设备。
为实现以上目的,本发明采用如下技术方案:
一种药材产地等级的高光谱图形分类识别方法,包括:
获取待识别药材的高光谱图形数据;
对所述高光谱图形数据进行预处理,得到训练样本和测试样本;
利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;
基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签;
根据所述测试样本类标签结合所述待识别药材对应的地物真实标签图计算分类精度。
可选的,所述对所述高光谱图形数据进行预处理,得到训练样本和测试样本,包括:
将所述高光谱图形数据进行数据格式调整,得到二维数据阵;
根据预设挑选规则从所述二维数据阵中挑选所述训练样本;
从剩余的二维数据阵中获取所述测试样本。
可选的,所述利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本,包括:
利用最小二乘回归算法结合所述训练样本进行迭代训练,得到投影矩阵;
利用所述投影矩阵对所述训练样本和所述测试样本进行特征提取,得到所述训练投影样本和所述测试投影样本。
可选的,所述利用最小二乘回归算法结合所述训练样本进行迭代训练,得到投影矩阵,包括:
其中,R为预设初始目标矩阵,所述预设初始目标矩阵带有类标签先验信息,Q为预设初始投影矩阵,X为所述训练样本对应矩阵,λ1λ2为正则化参数,L为拉普拉斯矩阵,P为正交重构矩阵,Tr(QTXLXTQ)为带有类内紧度图的流形正则项,为目标矩阵的边缘约束,其中li表示第i个样本xi的真实类的索引,n为所述训练样本的总个数,F代表F范数。
可选的,所述正交重构矩阵的构建步骤包括:
利用奇异值求解算法结合所述训练样本计算得到所述正交重构矩阵。
可选的,所述拉普拉斯矩阵的计算过程包括:
根据所述训练样本计算度矩阵和类内的权重矩阵;
根据所述度矩阵和所述权重矩阵计算拉普拉斯矩阵。
可选的,计算所述权重矩阵的步骤包括:
将所有的所述权值构建所述权重矩阵。
可选的,所述基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签,包括:
根据所述训练投影样本和所述测试投影样本计算所述吉洪诺夫正则化的协同表示方法的目标函数的表示系数;
根据所述表示系数计算所述测试样本与所述训练样本之间的残差;
根据所述残差计算测试样本类标签。
一种药材产地等级的高光谱图形分类识别装置,包括:
数据获取模块,用于获取待识别药材的高光谱图形数据;
样本数据确定模块,用于对所述高光谱图形数据进行预处理,得到训练样本和测试样本;
样本特征训练模块,用于利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;
分类模块,用于基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签;
分类精度计算模块,用于根据所述测试样本类标签结合所述待识别药材对应的地物真实标签图计算分类精度。
一种药材产地等级的高光谱图形分类识别设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行上述所述的药材产地等级的高光谱图形分类识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本申请提供的技术方案可以包括以下有益效果:
本申请中公开一种药材产地等级的高光谱图形分类识别方法,包括:获取待识别药材的高光谱图形数据;对高光谱图形数据进行预处理,得到训练样本和测试样本;利用最小二乘回归算法对训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;基于吉洪诺夫正则化的协同表示方法对训练投影样本和测试投影样本进行分类,得到测试样本类标签;根据测试样本类标签结合待识别药材对应的地物真实标签图计算分类精度。上述方法中利用最小二乘回归算法对样本进行训练,得到了精准的投影矩阵,提高了训练样本及测试样本对应的投影样本的精确度,同时采用的吉洪诺夫正则化的协同表示方法使所有样本在表示单个测试样本时是“协同合作”,每个样本都有平等的机会参与表示,也保证了有较高的分类精度,提高了药材产地等级的鉴别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的光谱图形分类识别方法的流程图;
图2是本发明一实施例提供的光谱图形分类识别装置的结构图;
图3是本发明一实施例提供的光谱图形分类识别设备的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明一实施例提供的光谱图形分类识别方法的流程图。参见图1,一种药材产地等级的高光谱图形分类识别方法,包括:
步骤101:获取待识别药材的高光谱图形数据。本申请中的待识别药材为乳香。此处的高光谱图形数据即为乳香的高光谱图形数据。需要注意的是,本申请中技术方案并不仅仅适应于乳香药材的分类识别,还可以适用于其他种类药材分类。
步骤102:对所述高光谱图形数据进行预处理,得到训练样本和测试样本。其中,具体处理过程如下:将高光谱图形数据进行数据格式调整,将原输入的三维数据阵列调整为二维数据阵,得到二维数据阵,以便后续进行矩阵运算;根据预设挑选规则从二维数据阵中挑选训练样本且这些数据所属类别为wi∈{1,2,...,c},该类别集合为人为标定的类别序号;其中,n为训练样本的总个数,d是高光谱图形数据的光谱维数,c是数据类别总数。然后从剩余的具有标签的二维数据阵中获取测试样本。
步骤103:利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本。
步骤104:基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签;
步骤105:根据所述测试样本类标签结合所述待识别药材对应的地物真实标签图计算分类精度。
其中,更详细地,,步骤103具体包括:利用最小二乘回归算法(DiscriminativeMarginalized Least Squares Regression,DMLSR)结合训练样本进行迭代训练,得到投影矩阵。利用投影矩阵对训练样本和测试样本进行特征提取,得到训练投影样本XTQ和测试投影样本YTQ。
具体的,根据DMLSR公式计算投影矩阵;其中,R∈Rn×c为预设初始目标矩阵,所述预设初始目标矩阵带有类标签先验信息,Q为预设初始投影矩阵,X为所述训练样本对应矩阵,λ1、λ2为正则化参数,其中λ1、λ2可通过十折交叉验证得到;L为拉普拉斯矩阵,Tr(QTXLXTQ)为带有类内紧度图的流形正则项,该正则项用于提高投影样本在子空间类内的紧凑关系。为目标矩阵的边缘约束,其中li表示第i个样本xi的真实类的索引,代表在训练样本中的i行中为最大的元素,但其列索引不等于li。θ表示真类与假类的最小间隔,是人为设定的阈值。该边缘约束限制真类与假类之间以固定距离隔开,能够拉大训练投影样本XTQ的类间边界。X=PQTX为数据重构约束,P为正交重构矩阵,该约束用来保证在低维子空间中,提取的特征含有原始数据的主要判别信息。n为所述训练样本的总个数,F代表F范数。通过DMLSR公式交替迭代计算预设初始投影矩阵Q、正交重构矩阵P和预设初始目标矩阵R,得到最终的投影矩阵Q。在此迭代过程中,技术人员会预先人为进行初始化,设定预设初始投影矩阵和预设初始目标矩阵,然后进行迭代计算得到最终所需的投影矩阵。
其中,X=PQTX通过将边缘约束放入预设初始目标函数中,通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解其中各个变量。同时在此过程中,利用奇异值求解(Singular Value Decomposition,SVD)算法结合训练样本计算得到正交重构矩阵。
更详细地,拉普拉斯矩阵根据公式L=D-W计算得到。其中,D为度矩阵,是一个对角矩阵,W为权重矩阵。其中计算训练样本中的各元素的度,根据所有的度值构建D。然后根据高斯函数计算所述训练样本对应的权值;其中,x为所述训练样本的元素,xi和xj具有相同的类标签,其中,knn为预设领域像素个数;将所有的所述权值构建所述权重矩阵。其中,需要注意的是knn的数值选择由人为预先设定,但具体的数值设定并不固定,可根据实际情况而定。例如本申请中将knn设为4。
基于吉洪诺夫(Tikhonov)正则化的协同表示(Collaborative Representationwith Tikhonov regularization,CRT)在高光谱分类中表现优异。其中,CRT是在原有协同表示算法(Collaborative Representation based Classifier,CRC)的基础上引入Tikhonov正则化因子,通过线性回归的方式判定不同物质的类别属性,其核心思想为确保测试样本与训练样本之间的距离尽可能小,因此使用距离加权Tikhonov正则化来计算所有可用训练样本的线性组合。
更详细地,本实施例中的步骤104,即基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签,具体包括:根据训练投影样本和测试投影样本计算吉洪诺夫正则化的协同表示方法的目标函数的表示系数。具体的,首先将训练投影样本XTQ和测试投影样本YTQ输入CRT的目标函数:其中αl是对应第l类的表示系数,λ是正则化参数,用于平衡残差项和Tikhonov正则化项对表示系数的影响。然后根据表示系数αi的求解公式:计算表示系数,其中,为训练样本对应矩阵的行转置矩阵,Xi为行矩阵,λ1为正则化系数,y为测试样本数据,Γi,y是对应第l类和测试样本Y的Tikhonov矩阵,该矩阵定义如下:其中x1,x2,…,xn是训练样本矩阵X的每一行,欧式距离一般作为相似度衡量的策略,即Γi,y的对角线元素由欧氏距离求得。
本申请中将CRT的目标函数定义如下:其中αl是对应第l类的表示系数,λ是正则化参数,用于平衡残差项和Tikhonov正则化项对表示系数的影响。同时在表示系数αl的求解公式中得到结论:可以通过增强与测试样本相似的训练样本的相应表示系数,减弱与测试样本差异较大的训练样本对应的表示系数,如此以来学习到更有判别力的表示系数。
本申请实施例中基于表示学习的CRT分类器本身计算复杂度较低,在DMLSR提取特征的基础上,训练得到更加鲁棒、更具泛化能力的分类模型,能够进行更加高效的分类任务,提高了分类精度。
对应于本发明实施例提供的一种药材产地等级的高光谱图形分类识别方法,本发明实施例还提供一种药材产地等级的高光谱图形分类识别装置。请参见下文实施例。
现举例介绍通过本申请方法进行分类识别的具体过程,具体如下:
本实验数据来源于中国中医科学院中药资源中心,利用Hyspex系列高光谱成像仪,收集印度(Indian)、埃塞俄比亚(Ethiopia)和索马里(Somalia)三个产地多个等级的410-2500nm乳香光谱数据。该数据为高光谱原始数据(DN值数据),已经过设备自带的RAD校正,数据波段范围为410-990nm,光谱分辨率为6nm。在每一高光谱图像数据中提供白板与黑板数据可进行黑白板校正。数据分别由Indian产乳香、Ethiopia产乳香、Somalia产乳香组成。
其中通过采集的三个国家的乳香光谱数据分别通过SVM、CRT和DMLSR+CRT三种不同的方式进行分类,得到对应的分类精度,具体结果请参见表1。
表1.产地分类精度表
通过三种算法分别计算对应的总体精度(Overall Accuracy,OA)和Kappa系数(Kappa Coefficient,KC)。
根据公式计算三种分类算法的OA值,其中,cmii代表第i类样本被预测为i类的样本数,N为样本的总数目。其中cmij会统计在集合CM中,其中CM的大小为c×c,表示如下:CM中行表示实际各个类别的样本数,列表示模型预测的各个类别的样本数,因此,CM矩阵中cmii表示第i类样本被预测为i类的样本数,cmij表示第i类样本被错误预测为第j类的样本数,CM对角线元素值的加和则为所有正确预测的样本数。
从表1中可知利用SVM或CRT进行分类时的OA值和KC值均小于本申请中采用DMLSR+CRT方法进行分类时的OA值和KC值。明显本申请中通过利用DMLSR+CRT方法进行药材产地等级分类识别得到的分类精度较高,极大地提高了分类精度。
图2是本发明一实施例提供的光谱图形分类识别装置的结构图。参见图2,一种药材产地等级的高光谱图形分类识别装置,包括:
数据获取模块201,用于获取待识别药材的高光谱图形数据;
样本数据确定模块202,用于对高光谱图形数据进行预处理,得到训练样本和测试样本;
样本特征训练模块203,用于利用最小二乘回归算法对训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;
分类模块204,用于基于吉洪诺夫正则化的协同表示方法对训练投影样本和测试投影样本进行分类,得到测试样本类标签;
分类精度计算模块205,用于根据测试样本类标签结合待识别药材对应的地物真实标签图计算分类精度。
在一个可能的实施例中,样本数据确定模块202具体用于:将所述高光谱图形数据进行数据格式调整,得到二维数据阵;根据预设挑选规则从二维数据阵中挑选训练样本;从剩余的二维数据阵中获取测试样本。
在一个可能的实施例中,样本特征训练模块203具体用于:利用最小二乘回归算法结合所述训练样本进行迭代训练,得到投影矩阵;利用所述投影矩阵对所述训练样本和所述测试样本进行特征提取,得到所述训练投影样本和所述测试投影样本。
在一个可能的实施例中,分类模块204具体用于:根据所述训练投影样本和所述测试投影样本计算所述吉洪诺夫正则化的协同表示方法的目标函数的表示系数;根据所述表示系数计算所述测试样本与所述训练样本之间的残差;根据所述残差计算测试样本类标签。
上述分类装置基于表示学习的CRT分类器本身计算复杂度较低,在DMLSR提取特征的基础上,训练得到更加鲁棒、更具泛化能力的分类模型,提高了分类精度及药材产地等级的鉴别精度。
为了更清楚地介绍实现本发明实施例的硬件系统,对应于本发明实施例提供的一种药材产地等级的高光谱图形分类识别方法,本发明实施例还提供一种药材产地等级的高光谱图形分类识别设备。请参见下文实施例。
图3是本发明一实施例提供的光谱图形分类识别设备的结构图。参见图3,一种药材产地等级的高光谱图形分类识别设备,包括:
处理器301,以及与处理器301相连接的存储器302;
存储器302用于存储计算机程序,计算机程序至少用于执行上述的药材产地等级的高光谱图形分类识别方法;处理器301用于调用并执行存储器302中的计算机程序。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种药材产地等级的高光谱图形分类识别方法,其特征在于,包括:
获取待识别药材的高光谱图形数据;
对所述高光谱图形数据进行预处理,得到训练样本和测试样本;
利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;
基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签;
根据所述测试样本类标签结合所述待识别药材对应的地物真实标签图计算分类精度。
2.根据权利要求1所述的方法,其特征在于,所述对所述高光谱图形数据进行预处理,得到训练样本和测试样本,包括:
将所述高光谱图形数据进行数据格式调整,得到二维数据阵;
根据预设挑选规则从所述二维数据阵中挑选所述训练样本;
从剩余的二维数据阵中获取所述测试样本。
3.根据权利要求1所述的方法,其特征在于,所述利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本,包括:
利用最小二乘回归算法结合所述训练样本进行迭代训练,得到投影矩阵;
利用所述投影矩阵对所述训练样本和所述测试样本进行特征提取,得到所述训练投影样本和所述测试投影样本。
5.根据权利要求4所述的方法,其特征在于,所述正交重构矩阵的构建步骤包括:
利用奇异值求解算法结合所述训练样本计算得到所述正交重构矩阵。
6.根据权利要求4所述的方法,其特征在于,所述拉普拉斯矩阵的计算过程包括:
根据所述训练样本计算度矩阵和类内的权重矩阵;
根据所述度矩阵和所述权重矩阵计算拉普拉斯矩阵。
8.根据权利要求1所述的方法,其特征在于,所述基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签,包括:
根据所述训练投影样本和所述测试投影样本计算所述吉洪诺夫正则化的协同表示方法的目标函数的表示系数;
根据所述表示系数计算所述测试样本与所述训练样本之间的残差;
根据所述残差计算测试样本类标签。
9.一种药材产地等级的高光谱图形分类识别装置,其特征在于,包括:
数据获取模块,用于获取待识别药材的高光谱图形数据;
样本数据确定模块,用于对所述高光谱图形数据进行预处理,得到训练样本和测试样本;
样本特征训练模块,用于利用最小二乘回归算法对所述训练样本和测试样本进行处理,得到训练投影样本和测试投影样本;
分类模块,用于基于吉洪诺夫正则化的协同表示方法对所述训练投影样本和所述测试投影样本进行分类,得到测试样本类标签;
分类精度计算模块,用于根据所述测试样本类标签结合所述待识别药材对应的地物真实标签图计算分类精度。
10.一种药材产地等级的高光谱图形分类识别设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-8任一项所述的药材产地等级的高光谱图形分类识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701262.6A CN111881965B (zh) | 2020-07-20 | 2020-07-20 | 药材产地等级的高光谱图形分类识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701262.6A CN111881965B (zh) | 2020-07-20 | 2020-07-20 | 药材产地等级的高光谱图形分类识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881965A true CN111881965A (zh) | 2020-11-03 |
CN111881965B CN111881965B (zh) | 2023-08-25 |
Family
ID=73154896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701262.6A Active CN111881965B (zh) | 2020-07-20 | 2020-07-20 | 药材产地等级的高光谱图形分类识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881965B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699756A (zh) * | 2020-12-24 | 2021-04-23 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
CN113505661A (zh) * | 2021-06-22 | 2021-10-15 | 中国农业大学 | 产地鉴别的方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156300A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Multi-Class Classification Method |
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN107729945A (zh) * | 2017-10-24 | 2018-02-23 | 哈尔滨工业大学深圳研究生院 | 基于类间稀疏表示的鉴别回归、分类方法及系统 |
CN111191700A (zh) * | 2019-12-20 | 2020-05-22 | 长安大学 | 基于自适应协同图判别分析的高光谱图像降维方法及装置 |
-
2020
- 2020-07-20 CN CN202010701262.6A patent/CN111881965B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156300A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Multi-Class Classification Method |
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN107729945A (zh) * | 2017-10-24 | 2018-02-23 | 哈尔滨工业大学深圳研究生院 | 基于类间稀疏表示的鉴别回归、分类方法及系统 |
CN111191700A (zh) * | 2019-12-20 | 2020-05-22 | 长安大学 | 基于自适应协同图判别分析的高光谱图像降维方法及装置 |
Non-Patent Citations (1)
Title |
---|
WEI LI 等: "Kernel Collaborative Representation With Tikhonov Regularization for Hyperspectral Image Classification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699756A (zh) * | 2020-12-24 | 2021-04-23 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
CN112699756B (zh) * | 2020-12-24 | 2023-08-25 | 中国农业科学院农业信息研究所 | 一种基于高光谱图像的茶叶原产地识别方法和系统 |
CN113505661A (zh) * | 2021-06-22 | 2021-10-15 | 中国农业大学 | 产地鉴别的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111881965B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
Chahi et al. | Local directional ternary pattern: A new texture descriptor for texture classification | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
Khan et al. | Painting-91: a large scale database for computational painting categorization | |
Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
CN108154102B (zh) | 一种道路交通标志识别方法 | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
Ali et al. | A hybrid geometric spatial image representation for scene classification | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN103077512A (zh) | 基于主成分析的数字图像的特征提取与匹配方法及装置 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN110287873A (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN111881965B (zh) | 药材产地等级的高光谱图形分类识别方法、装置及设备 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
Jiang et al. | Hyperspectral image classification with CapsNet and Markov random fields | |
Finnveden et al. | Understanding when spatial transformer networks do not support invariance, and what to do about it | |
Tu et al. | Hyperspectral image classification using a superpixel-pixel-subpixel multilevel network | |
Zheng et al. | Feature enhancement for multi-scale object detection | |
CN106886754A (zh) | 一种基于三角面片的三维场景下的物体识别方法及系统 | |
Tombe et al. | Adaptive deep co-occurrence feature learning based on classifier-fusion for remote sensing scene classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |