[发明专利]粒子群优化多核支持向量回归的光谱反射率重建方法

说明书

本发明涉及粒子群优化多核支持向量回归的光谱反射率重建方法，首先，采集多光谱图像获取通道响应G数据，利用分光光度计获取光谱反射率数据，建立数据集；然后，通过样本选取方法确定训练样本个数；接着，通过多项式函数和柯西核函数非线性结合，构造出具有泛化能力和学习能力的多核核函数，建立支持向量机模型；同时，利用粒子群优化方法对多项阶数d、柯西核函数宽度σ和惩罚因子c进行优化，利用最终的回归决策函数对反射率进行重建。两个核函数相乘作为新的核函数，避免了高维分布可能存在不平坦的数据的情况，改善模型预测能力；通过PSO算法对参数寻优，动态获取每一个回归方程的最优参数，有效地提高算法的重建精度和模型预测能力。

技术领域

本发明属于数字图像处理技术领域，特别涉及粒子群优化多核支持向量回归的光谱反射率重建方法。

背景技术

人能够感受物体的颜色信息，主要来源于光源在物体表面的光谱反射。物体的反射率反映了物体对入射光的光谱选择性吸收、光散射以及物体表面镜面反射的综合特性，利用光谱的“唯一性”能够准确地描述物体的颜色。目前，获取光谱反射率可通过分光光度计获取，但该方法为单点测量，对于测量物体的面积、平整度有一定的限制，另外一种方法则通过高光谱成像获得对应点的反射率，其工作量较大、耗时较长且价格昂贵，因此，多光谱成像技术的光谱反射率重建方法应运而生。通过多光谱相机获取多个通道下物体表面的光谱颜色信息，再利用算法快速地重建物体连续的光谱。

目前常用的光谱反射率重建算法主要包括伪逆法、多项式法和单核支持向量回归法等，利用这些算法能够获得连续的光谱反射率信息，但是由于光谱数据维数较多、数据较大，导致重建模型精度较差、泛化和学习能力较弱。如何增强重建精度、提高模型学习能力和泛化能力是相关学者研究的重点。

发明内容

本发明将多项式核函数与柯西核函数的乘积作为新的核函数，引入到支持向量回归模型当中，利用粒子群算法对核参数、惩罚因子等进行优化选取，最后重建光谱反射率。利用分光光度计获取真实反射率数据，分别采用伪逆法、单核支持向量回归法、多核支持向量回归法和粒子群优化多核支持向量回归法进行反射率重建对比，通过光谱误差、适应度、决策系数等对重建结果进行评价，实验结果表明本文提出的粒子群优化多核支持向量回归方法对重建精度与色度精度有一定的改善提高。

为达到上述目的，本发明所述的粒子群优化多核支持向量回归的光谱反射率重建方法，包括以下步骤：

步骤1，采集多光谱图像获取通道响应G数据，利用分光光度计获取光谱反射率数据，建立数据集；

步骤2，通过样本选取方法确定训练样本个数；

步骤3，构造多核核函数；

所述多核核函数的构造过程是：

3.1)，根据光谱数据本身具有高维度、小样本、数据不规则的特点，分别利用全局核函数和局部核函数对RAL色卡的反射率进行重建；

3.2)，根据所述步骤3.1)的重建结果，分析每个核函数的重建精度；

3.3)，根据所述步骤3.2)每个核函数的重建精度分析结果，结合全局核函数和局部核函数的特点，选择出：

多项式核函数：

K(x,y)＝(x^ty+1)^d (1)

式中，x,y为n维输入值，x^t为输入向量x的转置，d用来设置多项式函数的最高次项次数，即函数的阶数；

柯西核函数：

式中，x,y为n维输入值，σ为带宽；

将式(1)和式(2)的函数进行非线性组合，构造出具有泛化能力和学习能力的多核核函数：