[发明专利]基于模型在线更新的玉米种子高光谱图像分类识别方法

权利要求书

1.基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于，包括：

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，采集并获取该玉米种子样本在N个波段下的N个高光谱图像；

b、计算感兴趣区域内的光谱均值特征，将N个波段下获得的共N个光谱均值特征作为待识别玉米种子的特征参数Y；

c、将步骤b所得到的玉米种子特征参数Y，输入预先建立或更新后的支持向量数据描述模型f_svdd，判断待识别玉米种子与检测模型的匹配性；

d、若步骤c匹配成功，将步骤b所得到的玉米种子N个特征参数，输入预先建立或更新后的最小二乘支持向量机检测模型f_lssvm，获取待识别玉米样本的分类识别结果Z；

e、若步骤c匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；

f、重复步骤a-e,完成所有待识别玉米种子的分类识别；

在步骤b中，获得玉米种子的特征参数包括：

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782.59nm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N个波段上，提取N个波段在该轮廓曲线内的光谱均值作为玉米种子的分类特征参数；

在步骤c中预先建立支持向量数据描述模型f_svdd的操作包括：

按照步骤a、b获取s类共l个玉米种子的特征参数，并利用化学分析测试，获得其类别标签Z∈{1,2,…,s},将类别标签相同的玉米种子构建为一个子训练集合，共得到s个子集合，分别构建这s个子集合的支持向量数据描述模型其子模型的表达形式为：

fsvddk(Y)=sgn[K(Y,Y)-2Σi=1num_kαiK(Y,Yik)+Σi=1num_kΣj=1num_kαiαjK(Yik,Yjk)-R2]---(1)]]>

其中：sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，为第k类训练子集中第j个玉米种子样本的特征参数，当括号中取值大于零时，sgn(·)取值为1，表示待识别样本Y不属于第k类，否则属于，第num_k为第k类子训练集样本的数量，K(Y,Y_i^k)为支持向量数据描述的核函数,α_i≥0,i＝1,2,…num_k为拉格朗日乘子，R为超球面半径，其定义如下式:

R=[K(Ymk,Ymk)-2Σi=1num_kαiK(Ymk,Yik)+Σi=1num_kΣj=1num_kαiαjK(Yik,Yjk)]12---(2)]]>

其中，为第k类训练子集玉米种子样本的中任意一个样本的特征参数；

公式(1)、(2)中的拉格朗日乘子α可以由下列最优化问题求得:

maxα{L(α)=Σinum_kαiK(Y,Yik)-Σi=1num_kΣj=1num_kαiαjK(Yik,Yjk)}s.t.Σiαi=1,0≤αi≤C,∀i=1,...,num_k---(3)]]>

其中，C为惩罚系数，对于多数样本α_i将为0,值不为0的α_i对应的样本构成了子模型的支持向量集合

核函数选取：

K(Yik,Yjk)=exp(-||Yik-Yjk||22σ2)---(4)]]>

其中σ²为高斯核函数宽度，核宽度σ²与惩罚系数C由交叉验证的网格搜索法确定；

在步骤d中，预先建立玉米种子的最小二乘支持向量机检测模型f_lssvm，具体包括：

利用步骤c中获得的s类共l个玉米种子的特征参数和类别标签，通过一对多方法，构建s个子LSSVM分类模型，其第k(k＝1,…,s)个子模型的输出表达式z^k(Y)为：

zk(Y)=sgn[Σj=1lβjK(Y,Yj)+b]---(5)]]>

其中,sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，Y_j为训练集玉米种子样本的特征参数，β_j和b均为待定系数，当大于等于零时，sgn(·)取值为1，表示待识别样本Y属于第k类，否则不属于；

公式(5)中β_j和b的取值由下列形式给出，

0-DDTΩ+γ-1Ebθ=0I---(6)]]>

其中，θ＝[β₁ … β_j … β_l]和b为待求解参数；D＝[d₁ … d_j … d_l]，当训练样本Y_j属于第k类时，d_j＝1，否则d_j＝-1；Ω是l×l的方阵，其第i行第j列的元素Ω_ij＝d_id_jK(Y_i,Y_j)，K(Y_i,Y_j)为高斯核函数，其表达式同公式(4)；γ为为惩罚系数，E为l×l的单位方阵，I为l×1的全1列向量；

高斯核函数K(Y,Y_i)的核宽度参数和惩罚系数γ通过网格搜索方法获得。