基于近红外高光谱图像的农田对象分类研究

发布时间：2017-04-30 06:08

  本文关键词：基于近红外高光谱图像的农田对象分类研究，，由笔耕文化传播整理发布。

【摘要】：利用近红外光谱分析技术实现高光谱图像的农田对象分类是智能农业机器人田间作业的一部分。为了拓宽其应用范围,本研究选取西北农林科技大学试验田近红外高光谱图像为研究对象,利用高光谱成像技术,结合光谱分析方法和监督分类方法,对农田对象进行分类,并进行了分类精度评价,实验验证了算法的有效性,可以利用不同物不同谱,同物一定同谱的原理来分辨不同物质的信息,从而实现农田对象的分类。本研究的主要内容有以下几个方面:(1)农田光谱数据获取及预处理。通过获取感兴趣区域得到不同农田对象的光谱数据。为了判断所得到的光谱特征是否对分类最有利,提出了利用Jeffries-Matusita(JM)距离对光谱特征的可离性进行判定的方法。针对原始光谱数据存在噪声、散射等问题,分别采用多元散射校正(MSC)、Savitzky-Golay(SG)平滑、标准正态变量变换(SNV)及导数等方法对原始光谱进行预处理,选择预处理结果最好的数据作为分类器的输入实现农田对象的分类。实验结果表明,经过MSC处理后的结果优于其他三种方法,其JM距离可以达到1.934,说明光谱预处理方法可以增强多类别的可分离性。(2)基于光谱特征的农田对象分类。针对高光谱数据非线性、近似多维正态分布曲线,在分类器的建立中采用适合高光谱数据的支持向量机(SVM)和最大似然法(ML)对农田对象进行分类并对分类结果进行分析,并采用K最近邻样本删减算法对支持向量机的训练集进行删减。实验结果表明,SVM的分类精度高于ML,其中基于参考像元的总体分类精度可以达到97.16%,基于真实像元的总体分类精度可以达到88.42%,说明采用SVM分类器可以有效实现农田对象的分类。(3)基于空谱一体化的高光谱图像后处理。经过光谱分类后的图像存在孤立点和椒盐噪声,本研究采用主要和次要分析、类别集群和类别筛选对分类后的图像进行后处理并对分类结果进行评价,以期利用空间域有效信息对光谱分类结果进行修正。实验结果表明SVM分类图像经过主要和次要分析后的总体分类精度最高,可以达到89.68%。在不影响分类器精度的前提下,提出了一种基于均值置信区间带优化特征波段的算法并将平均总体分类精度提高到90.04%,说明采用均值置信区间方法可以较好的提取特征波段,达到简化模型的目的。
【关键词】：感兴趣区域 农田对象分类 近红外高光谱 支持向量机 最大似然法
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-15
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-13
• 1.3 研究内容与技术路线13-14
• 1.3.1 研究内容13
• 1.3.2 技术路线13-14
• 1.4 本文的组织结构14-15
• 第二章 农田光谱数据获取及预处理15-29
• 2.1 农田样本图像采集15-19
• 2.1.1 高光谱图像采集仪16-17
• 2.1.2 高光谱图像获取17
• 2.1.3 光谱分析技术原理17-18
• 2.1.4 反射光谱数据获取18-19
• 2.2 光谱特征获取19-23
• 2.2.1 基于感兴趣区域的光谱特征获取19-21
• 2.2.2 基于JM距离的光谱特征可分离性判定21-22
• 2.2.3 实验结果分析22-23
• 2.3 光谱数据预处理23-28
• 2.3.1 多元散射校正23-24
• 2.3.2 Savitzky-Golay平滑24-25
• 2.3.3 标准正态变量变换25
• 2.3.4 导数处理25-26
• 2.3.5 实验结果分析26-28
• 2.4 本章小结28-29
• 第三章 基于光谱特征的农田对象分类29-42
• 3.1 基于光谱特征的分类原理29-30
• 3.2 基于K最近邻删减SVM样本的农田对象分类30-31
• 3.2.1 K最近邻样本删减的支持向量机30-31
• 3.2.2 农田对象的SVM多类分类器31
• 3.2.3 基于网格搜索算法的参数优化31
• 3.3 基于最大似然法的农田对象分类31-33
• 3.3.1 最大似然法31-32
• 3.3.2 算法实现原理32-33
• 3.4 分类评价指标33-35
• 3.4.1 混淆矩阵33-34
• 3.4.2 总体分类精度34
• 3.4.3 用户精度34
• 3.4.4 生产者精度34
• 3.4.5 Kappa系数34-35
• 3.5 实验结果分析35-41
• 3.5.1 支持向量机分类结果35-40
• 3.5.2 SVM与ML分类结果对比40-41
• 3.6 本章小结41-42
• 第四章 基于空谱一体化的高光谱图像后处理42-53
• 4.1 近红外高光谱分类图噪声特点42
• 4.2 空谱一体化分类后处理42-48
• 4.2.1 主要次要分析43
• 4.2.2 类别集群43-44
• 4.2.3 类别筛选44
• 4.2.4 实验结果分析44-48
• 4.3 分类模型优化48-52
• 4.3.1 均值置信区间48-49
• 4.3.2 实验结果分析49-52
• 4.4 本章小结52-53
• 第五章 总结与展望53-54
• 5.1 总结53
• 5.2 展望53-54
• 参考文献54-57
• 致谢57-58
• 作者简介58

【参考文献】

中国期刊全文数据库 前10条

1 郭志明;黄文倩;彭彦昆;王秀;李江波;;高光谱图像感兴趣区域对苹果糖度模型的影响[J];现代食品科技;2014年08期

2 陈威;郭书普;;中国农业信息化技术发展现状及存在的问题[J];农业工程学报;2013年22期

3 张汝波;尹莉莉;顾恒文;;不确定海洋环境下AUV环境感知方法研究[J];计算机研究与发展;2013年09期

4 赵春晖;李晓慧;朱海峰;;空间4-邻域稀疏表示的高光谱图像目标检测[J];哈尔滨工程大学学报;2013年09期

5 郭腾霄;丁学全;董晓强;穆宁;温红宇;;支持向量机在危险化学品被动红外遥测光谱鉴别中的应用[J];计算机与应用化学;2013年01期

6 李忠斌;文晓国;李军明;;传统农业生产方式的困境及其转变[J];中南民族大学学报(自然科学版);2012年03期

7 孔英会;景美丽;;基于混淆矩阵和集成学习的分类方法研究[J];计算机工程与科学;2012年06期

8 程国首;郭俊先;肉孜·阿木提;饶秀勤;亢银霞;石砦;;基于高光谱图像技术预测苹果大小[J];农机化研究;2012年06期

9 刘雪华;孙岩;吴燕;;光谱信息降维及判别模型建立用于识别湿地植物物种[J];光谱学与光谱分析;2012年02期

10 张国梁;蔡小娜;刘志军;崔晓东;;精细农业变量作业研究现状[J];中国农机化;2012年01期

中国博士学位论文全文数据库 前1条

1 程术希;基于光谱和成像技术的作物病害不同侵染期快速检测方法研究[D];浙江大学;2014年

中国硕士学位论文全文数据库 前8条

1 郭斗斗;土壤有机质含量高光谱预测模型的构建[D];扬州大学;2014年

2 王成;高光谱图像压缩的方法研究[D];南京理工大学;2014年

3 张征;基于形状区域分割的仿射不变特征提取算法研究[D];山东大学;2013年

4 任建斌;基于小波变换和BP人工神经网络的遥感影像分类研究[D];内蒙古师范大学;2012年

5 王超;基于SPOT5遥感图像的自动分类及处理方法研究[D];云南大学;2011年

6 徐卫霄;高光谱影像集成学习分类及后处理技术研究[D];解放军信息工程大学;2011年

7 吴学军;城市TM遥感图像分类方法研究[D];广西师范大学;2007年

8 张森;基于支持向量机的遥感分类对比研究[D];昆明理工大学;2007年

  本文关键词：基于近红外高光谱图像的农田对象分类研究，由笔耕文化传播整理发布。

本文编号：336398