基于高光谱数据的红木鉴别方法及系统技术方案

本发明专利技术提出一种基于高光谱数据的红木鉴别方法，包括以下步骤：获取训练样本和测试样本，其中，的类别已知；根据训练样本对n维的光谱数据中的每一维的光谱数据进行分类，并抽取分类正确率最高的m维光谱数据，其中，m小于n；得到维度为n的特征点集合S，集合S中的特征点将作为以后分类的特征选择波段，代替全局谱段进行以后的分类算法，根据K最近邻分类算法对m维的光谱数据进行分类，以确定红木的类别。本发明专利技术的方法能够在提高数据分类的准确率的同时，减少数据分类算法的处理时间，本发明专利技术还提供了一种基于高光谱数据的红木鉴别系统。

【技术实现步骤摘要】

本专利技术涉及高光谱数据处理
，特别涉及一种基于高光谱数据的红木鉴别 方法及系统。
技术介绍
高光谱成像技术可以获得比传统成像技术更多的信息，利用这些信息可以完成传 统成像数据无法处理的问题。当前大多数成像摄影技术都是基于红、绿、蓝三色信息对于场 景影像进行记录的，虽然三色传感成像技术符合人类视觉系统的成像需求，但是从物理原 理的角度出发，现实场景并非只有三色信息这么简单。从光源发出或经物体反射的光线具 有丰富的波长，其中可见光覆盖从390nm直至780nm的广泛区域，包含了大量的信息。场景 光线光谱正是指在这段波长范围内光线光强的分布，这种光谱信息能够反应出光源、物体 以及场景的自然属性，因此光谱采集技术已成为了进行科学研究与工程应用的有效工具。 而红木分类是一个比较新的领域，市场上对其分类也是凭借经验知识或者有损的 检验方式，可以说这是一个亟待标准化和提供无损检验技术的市场领域。近几年高光谱数 据的发展给实现红木的无损检验提供了可行性。通过建立一个已知类别的训练样本，利用 高光谱数据对未知红木进行类别判断，利用不同红木之间高光谱数据的不同实现红木类别 的鉴定。 但是高光谱数据存在大量的数据冗余性，直接对原始光谱数据进行数据处理和分 类会造成处理速度不够快的现象，所以在对数据进行分类和分析之前，对数据进行一些预 处理是非常必要的。然而传统的数据挖掘和数据降维（如PCA，LDP)方法，大多是利用特征 矩阵对原数据进行特征变换，从根本上讲也是对原数据进行操作，还是会用到全谱信息，并 且特征变换以后的矩阵与原数据没有明显的一一对照关系。因此，目前的分类方法的分类 准确率较低。
技术实现思路
本专利技术旨在至少在一定程度上解决上述相关技术中的技术问题之一。 为此，本专利技术的一个目的在于提出一种基于高光谱数据的红木鉴别方法，该方法 能够提高数据分类的准确率。 本专利技术的第二个目的在于提供一种基于高光谱数据的红木鉴别系统。 为了实现上述目的，本专利技术第一方面的实施例提出了一种基于高光谱数据的红木 鉴别方法，包括以下步骤：获取训练样本和测试样本，其中，所述训练样本和测试样本都为 η维的光谱数据，且所述训练样本的类别已知；根据所述训练样本对所述η维的光谱数据中 的每一维的光谱数据进行分类，并抽取分类正确率最高的m维光谱数据，其中，所述m小于 所述η ;得到维度为η的特征点集合S，集合S中的特征点作为以后分类的特征选择波段，根 据K最近邻分类算法对所述m维的光谱数据进行分类，以确定红木的类别。 根据本专利技术实施例的基于高光谱数据的红木鉴别方法，首先获取训练样本和测试 样本，并根据训练样本对η维的光谱数据中的每一维的光谱数据进行分类，并抽取分类正 确率最高的m维光谱数据，然后根据K最近邻分类算法对m维的光谱数据进行分类，以确定 红木的类别。因此，该方法在数据降维的同时提取出对分类的贡献最大维度，并据此选取算 法中对分类贡献最大的维度进行分类，提高数据分类的准确率。 另外，根据本专利技术上述实施例的基于高光谱数据的红木鉴别方法还可以具有如下 附加的技术特征： 在一些示例中，根据所述训练样本对所述η维的光谱数据中的每一维的光谱数据 进行分类，并抽取分类正确率最高的m维光谱数据，进一步包括：对所述η维的光谱数据中 的任意一维数据进行分类，并查看分类的准确率；将分类准确率最高的那一维的光谱数据 加入到数据集S中；对剩下的η-1维的光谱数据进行同样的分类处理直至所述数据集S中 的谱段达到m。 在一些示例中，在所述K最近邻分类算法中，所述K为1、2或3。 本专利技术第二方面的实施例还提供了一种基于高光谱数据的红木鉴别系统，包括： 获取模块，所述获取模块用于获取训练样本和测试样本，其中，所述训练样本和测试样本都 为η维的光谱数据，且所述训练样本的类别已知；测试模块，所述测试模块用于据所述训练 样本对所述η维的光谱数据中的每一维的光谱数据进行分类，并抽取分类正确率最高的m 维光谱数据，其中，所述m小于所述η ;分类模块，所述分类模块用于根据K最近邻分类算法 对所述m维的光谱数据进行分类，以确定红木的类别。 根据本专利技术实施例的基于高光谱数据的红木鉴别系统，首先获取训练样本和测试 样本，并根据训练样本对η维的光谱数据中的每一维的光谱数据进行分类，并抽取分类正 确率最高的m维光谱数据，然后根据K最近邻分类算法对m维的光谱数据进行分类，以确定 红木的类别。因此，该系统在数据降维的同时提取出对分类的贡献最大维度，并据此选取算 法中对分类贡献最大的维度进行分类，提高数据分类的准确率。 另外，根据本专利技术上述实施例的基于高光谱数据的红木鉴别系统还可以具有如下 附加的技术特征： 在一些示例中，所述测试模块用于对所述η维的光谱数据中的任意一维数据进行 分类，并查看分类的准确率，并将分类准确率最高的那一维的光谱数据加入到数据集S中， 并对剩下的η-1维的光谱数据进行同样的分类处理直至所述数据集S中的谱段达到m。 在一些示例中，在所述K最近邻分类算法中，所述K为1、2或3。 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】 本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中： 图1是根据本专利技术一个实施例的基于高光谱数据的红木鉴别方法的流程图； 图2是根据本专利技术一个实施例的采集的部分红木图片示意图； 图3是根据本专利技术一个实施例的部分采样点的全谱数据曲线图； 图4是根据本专利技术一个实施例的对η维数据进行分类的结构示意图；以及 图5是根据本专利技术一个实施例的基于高光谱数据的红木鉴别系统的结构框图。【具体实施方式】 下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。 以下结合附图描述根据本专利技术实施例的基于高光谱数据的红木鉴别方法及系统。 图1是根据本专利技术一个实施例的基于高光谱数据的红木鉴别方法的流程图。如图 1所示，该方法包括以下步骤： 步骤S101，获取训练样本和测试样本，其中，训练样本和测试样本都为η维的光谱 数据，且训练样本的类别已知。测试样本即采集到的待鉴别类型红木的η维的光谱数据。换 言之，即将数据分为两类，一类是已知类别的数据组（即训练样本）。一类是未知类别的数 据组（即测试样本）。 步骤S102,根据训练样本对η维的光谱数据中的每一维的光谱数据进行分类，并 抽取分类正确率最高的m维光谱数据，其中，m小于η。 在本专利技术的一个实施例中，步骤S102进一步包括： 步骤1 :对η维的光谱数据中的任意一维数据进行分类，并查看分类的准确率； 步骤2 :将分类准确率最高的那一维的光谱数据加入到数据集S中； 步骤3 :对剩下的η-1维的光谱数据进行同样的分类处理（即步骤1至步骤2)直 至数据集S中的谱段达到m。 步骤S103,根据K最近邻分类算法对m维的光谱数据进行分类，以确定红木的类 另|J。其中，在一些示例中，K最近邻分类算法中的K的取值为1、2或3。 作为具体地示例，以下结本文档来自技高网...

【技术保护点】
一种基于高光谱数据的红木鉴别方法，其特征在于，包括以下步骤：获取训练样本和测试样本，其中，所述训练样本和测试样本都为n维的光谱数据，且所述训练样本的类别已知；根据所述训练样本对所述n维的光谱数据中的每一维的光谱数据进行分类，并抽取分类正确率最高的m维光谱数据，其中，所述m小于所述n；根据K最近邻分类算法对所述m维的光谱数据进行分类，以确定红木的类别。

【技术特征摘要】

【专利技术属性】
技术研发人员：戴琼海，李菲菲，廖智宏，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11