基于高光谱低秩张量分解的小麦种子分类方法技术

本发明专利技术提供了一种基于低秩张量分解的小麦种子分类方法，包括：输入高光谱图像，将所有像素灰度值归一化为0～1之间，采用阈值分割法将小麦种子区域与背景区域分离，获得背景蒙版矩阵，使用获得的蒙版计算每个种子的高光谱平均反射率。将原始数据表示为张量形式，使用低秩张量分解法对原始张量进行降维，得到降维后的张量。将产生的降维后数据输入组合分类器进行分类，分类结果按照其所属种子分组，对于每一组结果选择其中最多的分类结果为该组也就是该种子的最终分类结果。通过低秩张量分解的方式提取包含空间结构信息与光谱信息的融合特征矩阵，进而提高小麦种子分类识别率。进而提高小麦种子分类识别率。进而提高小麦种子分类识别率。

【技术实现步骤摘要】
基于高光谱低秩张量分解的小麦种子分类方法


[0001]本专利技术涉及高光谱图像识别
，具体的说，涉及了一种基于高光谱低秩张量分解的小麦种子分类方法。

技术介绍

[0002]小麦是世界主要粮食作物之一，在世界各地广泛种植。小麦品种繁多，仅国家种业大数据平台可查到的小麦品种就有超过4500种。保证小麦产量需要确保使用良好的小麦品种，在实际生产种植过程中，由于各种原因最终收获的小麦中难免混入其它品种的小麦种子，这些其它品种的小麦种子的混入将会导致下次播种时小麦品种不纯的问题。尤其对选育优良小麦品种会产生较大影响，所以找到一种可靠的小麦种子分类方法对提高种子纯度，选育优良小麦，提高产量具有积极意义。
[0003]传统种子分类方法任务中，常采用形态学分析法与化学方法，形态学分析法根据种子的外观特征来进行分辨，但种子形态特征较不明显，采用形态学分析法容易产生误判。化学方法进行分类虽然有较高的识别率，但是会对样本本身产生破坏，不适合实际生产情况中使用。
[0004]基于图像进行分类的小麦种子分类方法能够满足不破坏种子的条件，但可见光图像中包含信息较少，进在进行图像分类中错误率较高。高光谱图像相对于普通RGB图像具有更加丰富的光谱信息，能够提高分类的准确率，但高光谱图像相对RGB图像有更多的波段，存在数据冗余现象，直接使用全波段数据进行种子分类会导致结果出现较大误差并且处理效率低下。
[0005]主成分分析法PCA(Principal Component Analysis)是一种常见的数据分析方式，能够将高维数据通过线性变换投射到低维空间中并且保留最能代表原始数据的内容，用于将高维度数据降维。但由于PCA将高光谱图像中的波段与像素进行向量化描述，使原本数据中的空间信息丢失，会对最终分类结果产生影响。而将原始数据转化为三阶张量，采用张量分析降维方法，可以既保留数据中的空间关系，又提取主要信息。
[0006]如申请号为202111287410.5、专利技术名称为：一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法的专利技术专利中提出，在采集到高光谱图像后对图像进行降维后输入轻量型卷积网络对高光谱小麦种子图像进行分类。
[0007]但是使用简单降维方法会导致高光谱图像本身的结构信息丢失，而结构信息是高光谱数据的重要组成部分，会导致分类模型的分类性能受到影响。
[0008]为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现思路

[0009]本专利技术的目的是针对现有技术的不足，从而提供一种采用低秩张量分解法对小麦种子的高光谱图像进行处理，并结合多中分类方法进行分类，进而提高小麦种子识别率的基于低秩张量分解的小麦种子分类方法。
[0010]为了实现上述目的，本专利技术所采用的技术方案是：一种基于低秩张量分解的小麦种子分类方法，包括以下步骤：
[0011]步骤1)输入小麦种子的高光谱图像数据，对所有像素点进行归一化处理，将原始数据灰度矩阵中所有值除以矩阵中最大值，得到所有值均为0～1之间的归一化矩阵。
[0012]采用阈值分割法将小麦种子区域与背景区域分离，在实际应用中采用灰度值150作为阈值分割法的阈值，灰度值大于150则视为种子部分，灰度值小于150为背景部分，根据阈值分割获得背景蒙版矩阵。
[0013]步骤2)使用步骤1)中获得的蒙版计算每个种子的高光谱平均反射率。并将原始数据表示为张量形式，得到张量其中I1为高光谱图像的空间高度，I2为高光谱图像的空间宽度，I3为高光谱图像波段数。
[0014]步骤3)使用低秩张量分解法对张量进行降维，需要求得降维后张量满足下式：
[0015]f(X
f
)＝argmin||X
raw
‑
x
f
||2，
[0016]其中rank1(X
f
)＝R1，rank2(X
f
)＝R2，rank3(X
f
)＝R3，的Tucker分解为：
[0017]X
f
＝C
×1U
(1)
×2U
(2)
×3U
(3)
，
[0018]其中是具有正态列的因子矩阵，是核心张量；
[0019]需确定优化问题的矩阵U
(1)
、U
(2)
和U
(3)
。
[0020]对于给定的矩阵U
(1)
、U
(2)
和U
(3)
，优化方程的张量C由以下公式给出：
[0021][0022]方程的成本函数最小化等同于在矩阵U
(1)
、U
(2)
、U
(3)
上的最大化。
[0023][0024]求解g，假设只有一个矩阵U
(1)
、U
(2)
、U
(3)
是未知的，其余两个是固定的，因此g可表示为未知矩阵U
(n)
的成分的二次表达，由正交列组成。即
[0025][0026]其中，
[0027]在每一步中，其中一个矩阵U
(1)
、U
(2)
、U
(3)
的估计被优化，而其他矩阵的估计则保持不变，重复这个过程可计算出因子矩阵U
(1)
、U
(2)
、U
(3)
。
[0028]通过因子矩阵U
(1)
、U
(2)
、U
(3)
，可以由以下公式实现特征提取：
[0029][0030]其中Λ是对应于原始高光谱数据在光谱维度上的扩展矩阵的p
×
p特征值对角矩阵。得到降维结果最后将降维结果由张量表示形式转化为矩阵形式完成数据的降维。
[0031]步骤4)将步骤3)中产生的降维后数据输入组合分类器进行分类，组合分类器由BP神经网络、SVM支持向量机和RF随机森林构成，分类结果按照其所属种子分组，对于每一组结果选择其中最多的分类结果为该组也就是该种子的最终分类结果。
[0032]本专利技术相对现有技术具有突出的实质性特点和显著的进步，具体的说，本专利技术具有以下优点：
[0033]1.本专利技术采用低秩张量分解进行数据降维，针对高光谱数据结构特点提取空谱联合信息，拿到反映不同种类小麦种子本质空谱结构的特征信息，使得提取到的特征具有表示性与判别性，提高深度学习训练速度与分类速度与分类结果准确率。
[0034]2.由于高光谱图像分辨率较低，因此使用传统分类器进行组合判断，相较于深度学习方法具有速度快的优势。又因为分辨率低的高光谱图像中包含纹理信息较少，因此准确率相较于深度学习相近。
[0035]3.本法明采用三种分类方法的组合，当结果中分对数量占大多数即可正确分类，而传统方法对于一个种子只存在一种结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱低秩张量分解的小麦种子分类方法，其特征在于：包括以下步骤：步骤1)输入小麦种子的高光谱图像，将所有像素灰度值归一化为0～1之间,采用阈值分割法将小麦种子区域与背景区域分离，获得背景蒙版矩阵；步骤2)使用步骤1)中获得的蒙版矩阵计算每个种子的高光谱平均反射率，并将原始数据表示为张量形式，得到张量：其中，I1为高光谱图像的空间高度，I2为高光谱图像的空间宽度，I3为高光谱图像波段数；步骤3)使用低秩张量分解法对步骤2)计算出的张量进行降维，得到降维后的张量：同时，原始高光谱张量与降维后张量满足如下条件：其中rank1(X
f
)＝R1，rank2(X
f
)＝R2，rank3(X
f
)＝R3，的Tucker分解为：X
f
＝C
×1U
(1)
×2U
(2)
×3U
(3)
,其中是具有正态列的因子矩阵，是核心张量；求解过程中，优化方程的张量C为：方程的成本函数最小化等同于在矩阵U
(1)
、U
(2)
、U
(3)
上的最大化；求解g，假设只有一个矩阵U
(1)
、...

【专利技术属性】
技术研发人员：安金梁，郑颖，金松林，张琛，李亚强，张卫东，李国厚，曲培新，王应军，张自阳，
申请(专利权)人：河南科技学院，
类型：发明
国别省市：