一种基于高光谱成像的分类识别方法、装置及系统制造方法及图纸

本发明专利技术提供了一种基于高光谱成像的分类识别方法、装置及系统，方法包括：对样品进行分类；采集各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；对各类样品的特征图像进行分析，提取公共因子；将公共因子进行归零处理，获得特征子区间，并根据权重进行排列；将排序后的特征子区间数据导入机器学习模型进行训练；将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果；该方法较简单，有效减小计算量，通过多次采集高光谱图像并进行降噪，避免因为环境，测试方法、测试人员的改变而产生变化，使之能够得到一个更有效、更稳定的识别算法；对有效的特征子空间，进行提取和分割，能够快速的定位到标识不同属性的特征。

【技术实现步骤摘要】
一种基于高光谱成像的分类识别方法、装置及系统
本专利技术属于数据处理领域，尤其涉及一种基于高光谱成像的分类识别方法、装置及系统。
技术介绍
高光谱成像技术集成光谱技术和图像技术到一个系统，通过在电磁波范围内，扫描并获取样品在每一波长的大量光学图像，在测得许多连续光谱的同时获得被测样品空间位置的图像，是一种具有高的光谱和空间分辨率现代光学成像技术。光谱与成像结合使得该系统能获取所测样品的物理信息的同时提供物质化学的光谱分析，由于不同化学、物理特征所影响的吸收率、反射率等的差异，在特定波长处有对应的吸收值，所以根据特定波长处的吸收峰值可推算出一个物体独一无二的属性，提升物质分类、检测工作的精度。所得数据中蕴藏了大量信息，结合机器学习的相关技术，训练出精度高、反应快的模型，从而有效的降低企业成本、提高生产效率。高光谱成像技术提供了更高的分辨率，所获取的波段数众多、实验数据庞大，所以整体的数据矩阵非常庞大，相邻波段信息间强相关性或噪音数据都将对模型精度、分析速度造成一定程度的干扰。传统的数据处理方法，如移动平均平滑法可能由于所选取宽度的误差造成信息损失或没有取得预期的降噪目标，即使使用SaVitzky-Golay卷积平滑法，用最小二乘拟合滤波函数，也无法有效的取出无关信息。将这样的样本输入机器学习的模型不仅将大大增加数据的计算量还会干扰训练，影响模型准确度。
技术实现思路
本专利技术为解决现有的基于高光谱成像的识别技术数据量大、计算量大的技术问题，提供一种基于高光谱成像的分类识别方法、装置及系统。本专利技术第一个目的是，提供一种基于高光谱成像的分类识别方法，包括：对样品进行分类；接收各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；对各类样品的特征图像进行分析，提取公共因子；将所述公共因子进行归零处理，获得特征子区间，并根据权重进行排列；将排序后的特征子区间数据导入机器学习模型进行训练；将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果。根据本专利技术的一个实施例，对各类样品的特征图像进行分析，提取公共因子，包括：建立因子分析模型；求标准化数据的相关矩阵、特征值以及特征向量；获取特征值大于预设阈值的特征值个数；根据极大似然法求解因子载荷矩阵；根据方差极大法进行因子旋转；根据旋转后的因子载荷矩阵计算因子得分；降低数据维度，获得公共因子。根据本专利技术的一个实施例，所述因子分析模型如下所示：其中，x为样本数据，μ为样本均值，f为公共因子，ε为特殊因子，a为系数。根据本专利技术的一个实施例，所述预设阈值为1。根据本专利技术的一个实施例，所述权重根据所述特征子区间的长度比确定。根据本专利技术的一个实施例，所述权重根据特征子区间内的方差大小比值确定。本专利技术的第二个目的是，提供一种基于高光谱成像的分类识别装置，包括处理器和存储器，所述存储器用于存储多条指令，所述处理器用于读取所述指令并执行：接收各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；对各类样品的特征图像进行分析，提取公共因子；将所述公共因子进行归零处理，获得特征子区间，并根据权重进行排列；将排序后的特征子区间数据导入机器学习模型进行训练；将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果。根据本专利技术的一个实施例，所述处理器还用于执行：建立因子分析模型；求标准化数据的相关矩阵、特征值以及特征向量；获取特征值大于预设阈值的特征值个数；根据极大似然法求解因子载荷矩阵；根据方差极大法进行因子旋转；根据旋转后的因子载荷矩阵计算因子得分；降低数据维度，获得公共因子。根据本专利技术的一个实施例，所述处理器还用于执行：根据特征子区间内的方差大小比值或者特征子区间的长度比确定权重。本专利技术的第三个目的是，提供一种基于高光谱成像的分类识别系统，包括上述的分类识别装置，还包括高光谱图像采集装置，所述高光谱图像采集装置与所述处理器连接，所述高光谱图像采集装置用于接收各类样品的多帧高光谱图像。本实施例提供的基于高光谱成像的分类识别方法、装置及系统，至少包括如下有益效果：(1)方法较简单，有效节约计算流程，减小计算量，通过多次采集高光谱图像并进行降噪，有效避免因为环境，测试方法、测试人员的改变而产生变化，使之能够得到一个更有效、更稳定的识别算法；对有效的特征子空间，进行提取和分割，能够快速的定位到标识不同属性的特征；(2)采用了特征量降维，主要的特征作为不同的权重，神经网络进行分类的时候，它能够把非重要特征或相同特征的噪声带来的问题有效避免掉；(3)经过特征降维和特征提取后得到本征特征，将特征空间的显著子空间提取出来，并得出一个权重分布的排列，然后采用半监督学习进行有效的识别与分类，从而得到一个更准确的识别效果；(4)相对传统的物理化学方法而言，提高了检测速度；同时，在对待测物品各组分含量的测量中，利用传统的化学、光谱技术测量食物中某一化学成分的含量，所得的数值为样品中待测量的平均数值，而高光谱成像技术可以获得空间上每个点的信息，可以获得更精细的成分分布信息，从而提高一定的准确率。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明图1是本专利技术实施例提供的基于高光谱成像的分类识别方法的流程图。图2是本专利技术实施例提供的基于高光谱成像的分类识别方法中对于二维的高光谱图像降噪的示意图。图3是本专利技术实施例提供的基于高光谱成像的分类识别方法中对于三维的高光谱图像降噪的示意图。图4是本专利技术实施例提供的基于高光谱成像的分类识别方法中对各类样品的特征图像进行分析的流程图。图5是本专利技术实施例提供的基于高光谱成像的分类识别方法中对p类样本进行探索性因子分析获得公共因子和特殊因子的示意图。图6为本专利技术实施例提供的基于高光谱成像的分类识别装置的结构示意图。图7为本专利技术实施例提供的基于高光谱成像的分类识别系统的结构示意图。具体实施方式为了使本专利技术所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例一参考图1，本实施例提供一种基于高光谱成像的分类识别方法，包括：步骤S101，对样品进行分类；步骤S102，接收各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；步骤S103，对各类样品的特征图像进行分析，提取公共因子；步骤S104，将所述公共因子进行归零处理，获得特征子区间，并根据权重进行排列；步骤S105，将排序后的特征子区间数据导入机器学习模型进行训练；步骤S106，将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果。具体地，首先执行步骤S101，将样品进行分类，样品共有p类，分别记为a1，a2，......，ap。执行步骤S102，接收各类样品的多帧高光谱图像，优选地，对同一类样品进行多次采集，并进行降噪处理，对于二维的高光谱图像降噪参考图2，对于三维的高光谱图像降噪图3，经过降噪之后，获得特征图像a1*，a2*，......ap*。如果直接基于特征光谱做分类识别，可能会受到环境，测试方法、测试人员的改变而产生巨大的变化，所以有必要对于特征光谱进行有效的降噪，使之能够得到一个本文档来自技高网...

【技术保护点】
1.一种基于高光谱成像的分类识别方法，其特征在于，包括：对样品进行分类；接收各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；对各类样品的特征图像进行分析，提取公共因子；将所述公共因子进行归零处理，获得特征子区间，并根据权重进行排列；将排序后的特征子区间数据导入机器学习模型进行训练；将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果。

【技术特征摘要】
1.一种基于高光谱成像的分类识别方法，其特征在于，包括：对样品进行分类；接收各类样品的多帧高光谱图像并进行降噪处理，获得特征图像；对各类样品的特征图像进行分析，提取公共因子；将所述公共因子进行归零处理，获得特征子区间，并根据权重进行排列；将排序后的特征子区间数据导入机器学习模型进行训练；将待识别样品的高光谱图像输入至训练后的机器学习模型进行识别，并输出识别结果。2.根据权利要求1所述的基于高光谱成像的分类识别方法，其特征在于：对各类样品的特征图像进行分析，提取公共因子，包括：建立因子分析模型；求标准化数据的相关矩阵、特征值以及特征向量；获取特征值大于预设阈值的特征值个数；根据极大似然法求解因子载荷矩阵；根据方差极大法进行因子旋转；根据旋转后的因子载荷矩阵计算因子得分；降低数据维度，获得公共因子。3.根据权利要求2所述的基于高光谱成像的分类识别方法，其特征在于：所述因子分析模型如下所示：其中，x为样本数据，μ为样本均值，f为公共因子，ε为特殊因子，a为系数。4.根据权利要求3所述的基于高光谱成像的分类识别方法，其特征在于：所述预设阈值为1。5.根据权利要求4所述的基于高光谱成像的分类识别方法，其特征在于：所述权重根据所述特征子区间的长度比确定。6.根据权利要求4所述的基于高光谱成像的分类识别方法，其特征在于：所述权重根据...

【专利技术属性】
技术研发人员：陈维宇，王星泽，舒远，
申请(专利权)人：合刃科技深圳有限公司，
类型：发明
国别省市：广东,44