發(fā)布時(shí)間：2017-04-30 06:08

  本文關(guān)鍵詞：基于近紅外高光譜圖像的農(nóng)田對象分類研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：利用近紅外光譜分析技術(shù)實(shí)現(xiàn)高光譜圖像的農(nóng)田對象分類是智能農(nóng)業(yè)機(jī)器人田間作業(yè)的一部分。為了拓寬其應(yīng)用范圍,本研究選取西北農(nóng)林科技大學(xué)試驗(yàn)田近紅外高光譜圖像為研究對象,利用高光譜成像技術(shù),結(jié)合光譜分析方法和監(jiān)督分類方法,對農(nóng)田對象進(jìn)行分類,并進(jìn)行了分類精度評價(jià),實(shí)驗(yàn)驗(yàn)證了算法的有效性,可以利用不同物不同譜,同物一定同譜的原理來分辨不同物質(zhì)的信息,從而實(shí)現(xiàn)農(nóng)田對象的分類。本研究的主要內(nèi)容有以下幾個(gè)方面:(1)農(nóng)田光譜數(shù)據(jù)獲取及預(yù)處理。通過獲取感興趣區(qū)域得到不同農(nóng)田對象的光譜數(shù)據(jù)。為了判斷所得到的光譜特征是否對分類最有利,提出了利用Jeffries-Matusita(JM)距離對光譜特征的可離性進(jìn)行判定的方法。針對原始光譜數(shù)據(jù)存在噪聲、散射等問題,分別采用多元散射校正(MSC)、Savitzky-Golay(SG)平滑、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)及導(dǎo)數(shù)等方法對原始光譜進(jìn)行預(yù)處理,選擇預(yù)處理結(jié)果最好的數(shù)據(jù)作為分類器的輸入實(shí)現(xiàn)農(nóng)田對象的分類。實(shí)驗(yàn)結(jié)果表明,經(jīng)過MSC處理后的結(jié)果優(yōu)于其他三種方法,其JM距離可以達(dá)到1.934,說明光譜預(yù)處理方法可以增強(qiáng)多類別的可分離性。(2)基于光譜特征的農(nóng)田對象分類。針對高光譜數(shù)據(jù)非線性、近似多維正態(tài)分布曲線,在分類器的建立中采用適合高光譜數(shù)據(jù)的支持向量機(jī)(SVM)和最大似然法(ML)對農(nóng)田對象進(jìn)行分類并對分類結(jié)果進(jìn)行分析,并采用K最近鄰樣本刪減算法對支持向量機(jī)的訓(xùn)練集進(jìn)行刪減。實(shí)驗(yàn)結(jié)果表明,SVM的分類精度高于ML,其中基于參考像元的總體分類精度可以達(dá)到97.16%,基于真實(shí)像元的總體分類精度可以達(dá)到88.42%,說明采用SVM分類器可以有效實(shí)現(xiàn)農(nóng)田對象的分類。(3)基于空譜一體化的高光譜圖像后處理。經(jīng)過光譜分類后的圖像存在孤立點(diǎn)和椒鹽噪聲,本研究采用主要和次要分析、類別集群和類別篩選對分類后的圖像進(jìn)行后處理并對分類結(jié)果進(jìn)行評價(jià),以期利用空間域有效信息對光譜分類結(jié)果進(jìn)行修正。實(shí)驗(yàn)結(jié)果表明SVM分類圖像經(jīng)過主要和次要分析后的總體分類精度最高,可以達(dá)到89.68%。在不影響分類器精度的前提下,提出了一種基于均值置信區(qū)間帶優(yōu)化特征波段的算法并將平均總體分類精度提高到90.04%,說明采用均值置信區(qū)間方法可以較好的提取特征波段,達(dá)到簡化模型的目的。
【關(guān)鍵詞】：感興趣區(qū)域 農(nóng)田對象分類 近紅外高光譜 支持向量機(jī) 最大似然法
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-15
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 國外研究現(xiàn)狀11-12
• 1.2.2 國內(nèi)研究現(xiàn)狀12-13
• 1.3 研究內(nèi)容與技術(shù)路線13-14
• 1.3.1 研究內(nèi)容13
• 1.3.2 技術(shù)路線13-14
• 1.4 本文的組織結(jié)構(gòu)14-15
• 第二章 農(nóng)田光譜數(shù)據(jù)獲取及預(yù)處理15-29
• 2.1 農(nóng)田樣本圖像采集15-19
• 2.1.1 高光譜圖像采集儀16-17
• 2.1.2 高光譜圖像獲取17
• 2.1.3 光譜分析技術(shù)原理17-18
• 2.1.4 反射光譜數(shù)據(jù)獲取18-19
• 2.2 光譜特征獲取19-23
• 2.2.1 基于感興趣區(qū)域的光譜特征獲取19-21
• 2.2.2 基于JM距離的光譜特征可分離性判定21-22
• 2.2.3 實(shí)驗(yàn)結(jié)果分析22-23
• 2.3 光譜數(shù)據(jù)預(yù)處理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 標(biāo)準(zhǔn)正態(tài)變量變換25
• 2.3.4 導(dǎo)數(shù)處理25-26
• 2.3.5 實(shí)驗(yàn)結(jié)果分析26-28
• 2.4 本章小結(jié)28-29
• 第三章 基于光譜特征的農(nóng)田對象分類29-42
• 3.1 基于光譜特征的分類原理29-30
• 3.2 基于K最近鄰刪減SVM樣本的農(nóng)田對象分類30-31
• 3.2.1 K最近鄰樣本刪減的支持向量機(jī)30-31
• 3.2.2 農(nóng)田對象的SVM多類分類器31
• 3.2.3 基于網(wǎng)格搜索算法的參數(shù)優(yōu)化31
• 3.3 基于最大似然法的農(nóng)田對象分類31-33
• 3.3.1 最大似然法31-32
• 3.3.2 算法實(shí)現(xiàn)原理32-33
• 3.4 分類評價(jià)指標(biāo)33-35
• 3.4.1 混淆矩陣33-34
• 3.4.2 總體分類精度34
• 3.4.3 用戶精度34
• 3.4.4 生產(chǎn)者精度34
• 3.4.5 Kappa系數(shù)34-35
• 3.5 實(shí)驗(yàn)結(jié)果分析35-41
• 3.5.1 支持向量機(jī)分類結(jié)果35-40
• 3.5.2 SVM與ML分類結(jié)果對比40-41
• 3.6 本章小結(jié)41-42
• 第四章 基于空譜一體化的高光譜圖像后處理42-53
• 4.1 近紅外高光譜分類圖噪聲特點(diǎn)42
• 4.2 空譜一體化分類后處理42-48
• 4.2.1 主要次要分析43
• 4.2.2 類別集群43-44
• 4.2.3 類別篩選44
• 4.2.4 實(shí)驗(yàn)結(jié)果分析44-48
• 4.3 分類模型優(yōu)化48-52
• 4.3.1 均值置信區(qū)間48-49
• 4.3.2 實(shí)驗(yàn)結(jié)果分析49-52
• 4.4 本章小結(jié)52-53
• 第五章 總結(jié)與展望53-54
• 5.1 總結(jié)53
• 5.2 展望53-54
• 參考文獻(xiàn)54-57
• 致謝57-58
• 作者簡介58

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 郭志明;黃文倩;彭彥昆;王秀;李江波;;高光譜圖像感興趣區(qū)域?qū)μO果糖度模型的影響[J];現(xiàn)代食品科技;2014年08期

2 陳威;郭書普;;中國農(nóng)業(yè)信息化技術(shù)發(fā)展現(xiàn)狀及存在的問題[J];農(nóng)業(yè)工程學(xué)報(bào);2013年22期

3 張汝波;尹莉莉;顧恒文;;不確定海洋環(huán)境下AUV環(huán)境感知方法研究[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

4 趙春暉;李曉慧;朱海峰;;空間4-鄰域稀疏表示的高光譜圖像目標(biāo)檢測[J];哈爾濱工程大學(xué)學(xué)報(bào);2013年09期

5 郭騰霄;丁學(xué)全;董曉強(qiáng);穆寧;溫紅宇;;支持向量機(jī)在危險(xiǎn)化學(xué)品被動紅外遙測光譜鑒別中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年01期

6 李忠斌;文曉國;李軍明;;傳統(tǒng)農(nóng)業(yè)生產(chǎn)方式的困境及其轉(zhuǎn)變[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

7 孔英會;景美麗;;基于混淆矩陣和集成學(xué)習(xí)的分類方法研究[J];計(jì)算機(jī)工程與科學(xué);2012年06期

8 程國首;郭俊先;肉孜·阿木提;饒秀勤;亢銀霞;石砦;;基于高光譜圖像技術(shù)預(yù)測蘋果大小[J];農(nóng)機(jī)化研究;2012年06期

9 劉雪華;孫巖;吳燕;;光譜信息降維及判別模型建立用于識別濕地植物物種[J];光譜學(xué)與光譜分析;2012年02期

10 張國梁;蔡小娜;劉志軍;崔曉東;;精細(xì)農(nóng)業(yè)變量作業(yè)研究現(xiàn)狀[J];中國農(nóng)機(jī)化;2012年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 程術(shù)希;基于光譜和成像技術(shù)的作物病害不同侵染期快速檢測方法研究[D];浙江大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前8條

1 郭斗斗;土壤有機(jī)質(zhì)含量高光譜預(yù)測模型的構(gòu)建[D];揚(yáng)州大學(xué);2014年

2 王成;高光譜圖像壓縮的方法研究[D];南京理工大學(xué);2014年

3 張征;基于形狀區(qū)域分割的仿射不變特征提取算法研究[D];山東大學(xué);2013年

4 任建斌;基于小波變換和BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[D];內(nèi)蒙古師范大學(xué);2012年

5 王超;基于SPOT5遙感圖像的自動分類及處理方法研究[D];云南大學(xué);2011年

6 徐衛(wèi)霄;高光譜影像集成學(xué)習(xí)分類及后處理技術(shù)研究[D];解放軍信息工程大學(xué);2011年

7 吳學(xué)軍;城市TM遙感圖像分類方法研究[D];廣西師范大學(xué);2007年

8 張森;基于支持向量機(jī)的遙感分類對比研究[D];昆明理工大學(xué);2007年

  本文關(guān)鍵詞：基于近紅外高光譜圖像的農(nóng)田對象分類研究，由筆耕文化傳播整理發(fā)布。

本文編號：336398