[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

摘要

本发明公开了基于模型在线更新的玉米种子高光谱图像分类识别方法，包括基于采集待识别玉米种子样本在N个波段下的N个高光谱图像，计算感兴趣区域内的光谱均值特征，作为特征参数，输入预先建立的支持向量数据描述模型，判断待识别玉米种子与检测模型的匹配性；若匹配成功，将特征参数，输入预先建立的最小二乘支持向量机检测模型，获取待识别玉米样本的分类识别结果；若匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别，在线更新已建立的支持向量数据描述模型和最小二乘支持向量机检测模型。本发明提供了一种基于模型在线更新的玉米种子高光谱图像分类识别方法，能够实现高光谱图像分类模型的在线更新，实时性好，且可靠性高。

主权项

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fsvdd，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flssvm，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fsvdd和最小二乘支持向量机检测模型flssvm；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fsvdd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,Yik)为支持向量数据描述的核函数,αi≥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αi将为0,值不为0的αi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flssvm，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zk(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，Yj为训练集玉米种子样本的特征参数，βj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βj和b的取值由下列形式给出，0-DDTΩ+γ-1Ebθ=0I---(6)]]>其中，θ＝[β1 … βj … βl]和b为待求解参数；D＝[d1 … dj … dl]，当训练样本Yj属于第k类时，dj＝1，否则dj＝‑1；Ω是l×l的方阵，其第i行第j列的元素Ωij＝didjK(Yi,Yj)，K(Yi,Yj)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,Yi)的核宽度参数和惩罚系数γ通过网格搜索方法获得。