支持向量机复合核函数的高光谱显微成像木材树种分类

论文摘要

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53～1 038.57 nm)波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱,分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵(GLCM)的木材纹理特征。在0°, 45°, 90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明, CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。

论文目录

• 引 言
• 1 实验部分
•   1.1 木材树种样本
•   1.2 高光谱图像采集
•   1.3 高光谱图像处理
•     1.3.1 ROI的选择
•     1.3.2 光谱预处理
•     1.3.3 光谱特征选择
•     1.3.4 纹理特征提取
•   1.4 SVM复合核分类器
•     1.4.1 支持向量机
•     1.4.2 复合核函数
•       （1） Stacked Features Approach。
•       （2） Direct Summation Kernel。
•       （3） Weighted Summation Kernel。 这种情况可以表示为B的加权形式, 其中0≤μ≤1, μ为权因子
•       （4） Cross-Information Kernel。
•   1.5 模型构建与评价
• 2 结果与讨论
•   2.1 光谱维分类
•     2.1.1 原始光谱
•     2.1.2 采集波段建模分类
•     2.1.3 采集波段预处理建模分类
•     2.1.4 特征波长选取及建模分类
•   2.2 空间维分类
•   2.3 光谱维空间维特征融合及SVM复合核函数建模分类
• 3 结 论

文章来源

类型: 期刊论文

作者: 赵鹏,唐艳慧,李振宇

关键词: 木材树种识别,高光谱成像,复合核函数,特征融合

来源: 光谱学与光谱分析 2019年12期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,工程科技Ⅱ辑,农业科技,信息科技

专业: 轻工业手工业,工业通用技术及设备,林业,自动化技术

单位: 东北林业大学信息与计算机工程学院

基金: 国家自然科学基金面上项目(31670717),中央高校基本科研业务费专项基金项目(2572017EB09),黑龙江省自然科学基金面上项目(C2016011)资助

分类号: S781;TP181;TP751

页码: 3776-3782

总页数: 7

文件大小: 394K

下载量: 320