基于联合偏度的玉米种子高光谱图像波段选择方法技术

本文发明专利技术涉及一种基于联合偏度的玉米种子高光谱图像波段选择方法。本发明专利技术技术方案为：a、将待识别的玉米种子样本放置在高光谱图像采集系统中，采集并获取这些玉米种子的高光谱图像；b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，并进行特征联合，将其作为待识别玉米种子的特征参数X；c、利用特征参数求取全波段下的联合偏度JS(X)，结合序列后向选择方法的原理进行波段选择，输出最优波组合Φ；d、建立预测模型，获得该波段选择方法的评价结果。本发明专利技术通过对玉米种子高光谱图像进行波段选择，其能够实现多特征条件下波段选择，操作简单，快速有效，并具有较高鲁棒性等优点。

【技术实现步骤摘要】

本专利技术涉及一种玉米种子高光谱图像波段选择的方法，具体的，涉及一种基于联合偏度的玉米种子高光谱图像最优波段选择方法。
技术介绍
种子是最重要的生产资料，种子品种的鉴别对于减少种子混杂，保证农业生产的顺利进行具有重要价值。为了克服传统种子品种鉴别技术存在的鉴定时间长，具有破坏性等缺点，以近红外光谱分析技术、机器视觉技术、高光谱图像技术为代表的种子品种无损识别方法得到了广泛的研究。在这些方法中，由于高光谱图像技术具有图谱合一，可同时获得种子的几何形态学特征和光谱特征等优点，在种子品种识别中得到了越来越多的重视，已被应用于大豆、玉米、水稻等种子的品种识别中，取得了很高的识别精度。种子的品种识别从本质上来说是一个模式识别问题，分类特征的充分挖掘获取是识别模型精度和鲁棒性的保证。尽管高光谱图像技术可获得种子的几何形态学特征和光谱特征等，但是现有的利用高光谱图像技术进行种子品种识别的研究中，多是利用种子高光谱图像的单一特征，存在着分类特征信息丢失的可能性，导致高光谱图像技术的优势没有充分利用。另一方面，高光谱图像波段数目众多，给其在种子品种识别的在线实时应用带来了困难。尽管一些波段选择方法，如无信息变量消除法(UninformativeVariableEliminate,UVE)、连续投影算法(SuccessiveProjectionsAlgorithm,SPA)、竞争性自适应重加权算法(CompetitiveAdaptiveReweighedSamplingAlgorithm,CARS)，已被应用到种子高光谱图像的波段选择中，但是这些方法本质上是一种特征选择方法，当每个波段下提取多个特征时，通常需要将上述方法选择的特征集合转换为波段集合，并进行必要的波段交集和并集处理，存在着模型识别精度难以保证问题。因此，寻找一种在多特征条件下，以较少的波段数目达到种子的高精度识别就显得尤为重要。
技术实现思路
本专利技术的目的是克服以上技术的缺点，提供一种基于联合偏度的玉米种子高光谱图像波段选择方法，其能够实现玉米种子高光谱图像多特征条件下波段选择，操作简单，快速有效，并具有较高的鲁棒性等优点。本专利技术提供的技术方案，所述的基于联合偏度的玉米种子高光谱图像波段选择方法，具体的步骤包括：a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像；b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特征联合，将联合特征作为待识别玉米种子的特征参数X；c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏度JS(X)，利用序列后向选择方法从特征(波段)全集开始，每次从特征(波段)集中剔除一个特征，使得剔除特征(波段)后评价函数值达到最优，输出最终选择的最优波组合Φ，并建立分类模型，对所选择的最优波段组合Φ进行评价；在步骤b中，获得玉米种子的特征参数的具体步骤包括：首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，利用阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为其中分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。为了消除平均光谱特征和图像熵特征在数量级上的差异，对进行特征归一化处理；在步骤c中，所描述的序列后项选择方法对步骤b得到的特征参数进行最优波段选择的操作具体包括：利用步骤b得到的特征参数求取斜偏度张量：其中符号[ο]表示向量的外积(OuterProduct)运算(张量积)。斜偏度张量反映了不同波段下的特征间的相互关系。引入联合偏度JS统计斜偏度张量的三阶统计特征；JS(X)=|Det(S‾)|Det(K)3/2---(2)]]>在式(2)中，Det(·)为行列式的计算符号，为协方差矩阵；由于S是三阶张量，其行列式计算困难。因而对张量S进行展开重整，得到二维的矩阵R。此时，(3)式可转化为：JS(X)=Det(RRT)Det(K)3/2---(3)]]>公式(3)反映了M粒种子样本在L个波段下的联合偏度。波段选择的目的就是选择K个波段子集，使得其联合偏度保持最大化。设置候选波段的指数集Φ＝{1,…,j,…,L本文档来自技高网...

【技术保护点】
基于联合偏度的玉米种子高光谱图像波段选择方法，其特征在于，包括：a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像；b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特征联合，将联合特征作为待识别玉米种子的特征参数X；c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏度JS(X)，利用序列后向选择方法从特征(波段)全集开始，每次从特征(波段)集中剔除一个特征，使得剔除特征(波段)后评价函数值达到最优，输出最终选择的最优波组合Φ；d、建立预测模型，对选择的最优波段进行评价；在步骤b中，获得玉米种子的特征参数的具体步骤包括：首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L个波段下的特征向量为ri=[xm1i,xe1i,xm2i,xe2i,...,xmji,xeji,...xmLi,xeLi]T.]]>其中分别为第i粒种子在第j个波段下的平均光谱特征和图像熵特征。为了消除平均光谱特征和图像熵特征在数量级上的差异，对进行特征归一化处理；在步骤c中，所描述的序列后项选择方法对步骤b得到的特征参数进行最优波段选择的操作具体包括：利用步骤b得到的特征参数求取斜偏度张量：其中符号[о]表示向量的外积(Outer Product)运算(张量积)。斜偏度张量反映了不同波段下的特征间的相互关系。引入联合偏度JS统计斜偏度张量的三阶统计特征；JS(X)=|Det(S‾)|Det(K)3/2---(2)]]>在式(2)中，Det(·)为行列式的计算符号，为协方差矩阵；由于S是三阶张量，其行列式计算困难。因而对张量S进行展开重整，得到二维的矩阵R。此时，(3)式可转化为：JS(X)=Det(RRT)Det(K)3/2---(3)]]>公式(3)反映了M粒种子样本在L个波段下的联合偏度。波段选择的目的就是选择K个波段子集，使得其联合偏度保持最大化。设置候选波段的指数集Φ＝{1,…,j,…,L}和选择的波段数量K；从指数集Φ中移除第j个波段，获得去除第j个波段后第i粒种子的特征向量ri及特征矩阵X＝[r1,…,ri,…rM]，按照公式(1)(3)计算剩余波段组合的联合偏度JS(Xj)。比较JS(Xj)的大小。联合偏度JS(Xj)大，意味着被删除的第j个波段与已有波段相关性大，对分类的贡献率低。因而删除最大JS(Xj)值所对应的波段得到删除后的波段集合Φ＝{1,2,...,index‑1,index+1,...,L}；判断波段集合Φ中的波段数目，若指数集Φ中波段数目大于选择的波段数量K，继续重复上步的操作删除波段，直到指数集Φ中波段数目等于选择的波段数量K，输出最终选择的最优波组合Φ。对所选择的最优波段集合建立预测模型，对分类的精度进行评价。...

【技术特征摘要】
1.基于联合偏度的玉米种子高光谱图像波段选择方法，其特征在于，包括：
a、将待识别的M粒玉米种子样本放置在高光谱图像采集系统中，采集并获
取该M粒玉米种子样本在L个波段下的L个高光谱图像；
b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均
值特征和熵特征，将L个波段下获得的共L个光谱均值特征和L个熵特征进行特
征联合，将联合特征作为待识别玉米种子的特征参数X；
c、利用步骤b所得到的玉米种子特征参数X，求取全波段组合下的联合偏
度JS(X)，利用序列后向选择方法从特征(波段)全集开始，每次从特征(波段)
集中剔除一个特征，使得剔除特征(波段)后评价函数值达到最优，输出最终选
择的最优波组合Φ；
d、建立预测模型，对选择的最优波段进行评价；
在步骤b中，获得玉米种子的特征参数的具体步骤包括：
首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在700.1nm处)，
利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓
曲线投射到L个波段上，提取L个波段在该轮廓曲线内的光谱均值和熵特征作为
玉米种子的分类特征参数X＝[r1,…,ri,…rM]，第i,(i＝1,…,M)粒玉米种子样本在L
个波段下的特征向...

【专利技术属性】
技术研发人员：朱启兵，杨赛，黄敏，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32