高光谱数据降维对马铃薯分类影响.docVIP

高光谱数据降维对马铃薯分类影响 　　摘要：高光谱仪器采集光谱数据的波长范围大、波段数据多。如果将这些波段作为模型的输入，数据量大、计算太复杂，必然会影响建模的速度，因此有必要采取合适的算法对高光谱图像的光谱数据进行降维处理。采用主成分分析（principal component analysis，简称PCA）、逐步判别分析、连续投影（successive projections algorithm，简称SPA）方法对马铃薯的光谱数据进行降维处理。主成分分析选出8个特征波段，逐步判别分析选出8个特征波段，连续投影法选出6个特征波段。将降维后的特征波段作为输入，分别建立支持向量机（support vector machine，简称SVM）模型，这3种降维方法的识别准确率均为100%，由于连续投影法选择的波段数少，所以连续投影法是一种较好的降维方法。 　　关键词：高光谱数据降维；马铃薯；主成分分析；逐步判别；连续投影 　　中图分类号： TP391.4 文献标志码： A 文章编号：1002-1302（2017）18-0229-04 　　收稿日期：2016-04-06 　　基金项目：国家自然科学基金（编号。 　　作者简介：王丽艳（1987―），女，内蒙古通辽人，硕士，主要从事模式识别与图像处理研究。E-mail：1515128328@。 　　通信作者：薛河儒，博士，教授，主要从事模式识别与图像处理研究。E-mail：xuehr@。 目前，高光谱成像技术广泛应用在无损检测领域，高光谱图像集合了图像信息和光谱信息，图像信息可以反映样本外部品质的一些特征[1]；光谱信息则反映样品内部品质，根据内部不同成分对光谱的吸收不同来检测样本物理结构、化学成分，有一举两得的作用，但是光谱信息数据量大，影响建模速度[2]。本试验采用的光谱仪测量的波长范围为380～1 000 nm，光谱分辨率为4.8 nm，平均间隔0.8 nm，采集的马铃薯高光谱图片为388像素×1 004像素，总共有750个波段，即使将6个波段混在一起，也要125个波段。将125个数据作为模型的输入，数据量大、计算复杂，必然会影响建模的速度和精度。因此，有必要采取合适的算法对高维数据进行降维处理，将高维数据映射到低维数据，提取特征波段，对高光谱图像及数据进行快速处理具有重要意义[3-4]。 　　目前，光谱数据降维已成为高光谱研究领域的热点。丁玲等采用全局等距特征映射（isometric feature mapping，简称ISOMAP）算法[5]，对高光谱遥感数据进行非线性降维，使数据具有较好的压缩性，具有良好的降维效果，提高了分类的精度；臧卓等利用主成分分析法对乔木树种进行高光谱数据降维，并使用不同的分类方法对降维后的数据进行分类发现，主成分的个数对分类结果影响比较明显[6-7]。近邻保持嵌入模型虽然可以实现简单、快速、非线性的降维，但是性能严重依赖于所选取的距离度测量度[8]，陈新忠等提出一种加权近邻保持嵌入的一种降维方法，改进了这一算法[9]。目前，关于数据降维对马铃薯分类影响的研究较少，因此本研究采用主成分分析[7]、逐步判别、连续投影方法对马铃薯的光谱数据进行降维处理，将降维后的数据作为输入，建立支持向量机种类鉴别模型，实现对费乌瑞它、克新、大西洋等3种马铃薯的种类鉴别。 　　1 材料与方法 　　1.1 仪器设备 　　试验采用基于高光谱图像采集系统，由高光谱成像光谱仪[HyperSpec VNIR（380～1 000 nm）]、高精度扫描云台（Hyperspec PanTilt）、光纤卤素灯系统（PHOTO LIGHT-1 000 W）等部件组成。光谱仪测量的光谱范围是380～1 000 nm，光谱分辨率为4.8 nm，平均间隔0.8 nm。光谱数??分析采用ENVI[国际电话电报公司（Internatinal Telephone and Telegraph Corporation，简称ITT，美国）]软件和Matlab 2011b（MathWorks，内蒂克，美国）来完成。 　　1.2 样本来源与图像获取 　　试验选用武川黄马铃薯的3个品种（图1）：大西洋、费乌瑞它、克新，选取大小、形状均匀一致的马铃薯各50个，其中每个品种30个作为校正集，20个作为预测集。 　　高光谱图像在采集过程中，因摄像头传感器中存在暗电流以及各波段下的光源强度分布不均匀，会使高光谱图像数据存在较大噪声，不同波长下的图像亮度值也存在较大差异[10]。因此，在数据分析前，须对高光谱图像进行标定，标定过程为在设定的图像采集参数条件下，采集标准白色校正板的标定图像（W）；随后盖上镜头盖，采集全黑的标定图像（B）；再按公式（1）对高光谱图像数据进行标定校正，将