本文選題：高光譜圖像　切入點：數(shù)據(jù)降維　出處：《內(nèi)蒙古農(nóng)業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：利用高光譜儀采集草地牧草的高光譜圖像可同時獲取圖像信息和光譜信息,目前已成為草地動態(tài)監(jiān)測的一種新手段。本研究利用高光譜儀獲取草地牧草在光譜范圍為400nm～1000nm的可見-近紅外光譜下的高光譜圖片,首先用ENVI提取圖片感興趣區(qū)域(Region of Interest,ROI)的光譜數(shù)據(jù);其次對提取的數(shù)據(jù)進(jìn)行降維,再次對其進(jìn)行分類,最后又做了牧草葉綠素含量的分析。論文的主要研究內(nèi)容如下:(1)采用多元散射校正(Multiplicative Scatter Correction,MSC)、歸一化(Normalize)、標(biāo)準(zhǔn)化處理(Standard Normal Variate,SNV)對提取的牧草平均光譜數(shù)據(jù)進(jìn)行預(yù)處理,從而消除散射影響,增加與成份含量相關(guān)的光譜吸收信息。(2)采取連續(xù)投影(Successive Projections Algorithm,SPA)、局部線性嵌入(Locally Linear Embedding,LLE)、主成分分析(Principal Component Analysis,PCA)算法,選取30特征波段,消除數(shù)據(jù)冗余。(3)采取支持向量機(jī)(Support Vector Machine,SVM)、最近鄰法(1-Nearst Neighbors,1NN)、BP神經(jīng)網(wǎng)絡(luò)算法對所選取的特征波段進(jìn)行分類。實驗采用了 10類500個樣本的高光譜圖像數(shù)據(jù),其中35個樣本作為訓(xùn)練集,15個樣本作為預(yù)測集進(jìn)行分類。(4)采用BP神經(jīng)網(wǎng)絡(luò)、偏最小二乘法、SPA模型實現(xiàn)牧草的葉綠素的含量預(yù)測。實驗采用3類150個樣本的高光譜圖像數(shù)據(jù),其中每類樣本35個作為該樣本的訓(xùn)練、集,15個作為該樣本的預(yù)測集,實現(xiàn)對牧草的葉綠素含量的預(yù)測。實驗結(jié)果表明:采取高光譜成像技術(shù)對草地牧草種類的識別是可行的,且在對全波段數(shù)據(jù)進(jìn)行降維的時候,SPA用于提取光譜特征波段在30個特征波段的情況下對草地牧草分類可以達(dá)到100%,因此SPA算法降維效果較好,可以靈活簡便的選擇特征波段。對比分類綜合時間和效果,SVM在判別草地牧草種類方面取得較好的效果;葉綠素含量預(yù)測中,運用偏最小二乘法回歸模型可以取得較精確的預(yù)測結(jié)果。
[Abstract]:The hyperspectral image of grassland forage can be obtained by using the hyperspectral instrument, and the image information and the spectral information can be obtained at the same time. At present, it has become a new method for dynamic monitoring of grassland. In this study, the hyperspectral images of grassland forage in the spectral range of 400nm ~ 1000nm were obtained by using a high spectrometer. First, we use ENVI to extract the spectral data of region of interest (region of interest); secondly, we reduce the dimension of the extracted data and classify them again. Finally, the chlorophyll content of forage was analyzed. The main contents of this paper were as follows: 1) the average spectral data of forage were preprocessed by multivariate scattering correction, Normalizeg and Standard Normal Variate SNV. In order to eliminate the scattering effect and increase the spectral absorption information related to the content of components, we adopt continuous projection Projections algorithm, locally linearly embedded Linear embedded LLEA, Principal component Analysis Component Analysis (PCAA) algorithm, and select 30 characteristic bands. In order to eliminate data redundancy, support Vector Machine (SVM) and nearest neighbor method (1-Nearst neighbor) BP neural network algorithm are used to classify the selected feature bands. The experiment uses 10 kinds of 500 samples of hyperspectral image data. Among them, 35 samples were used as training set and 15 samples were classified as prediction sets. BP neural network was used to predict chlorophyll content of forage grass by partial least square method and SPA model. Among them, 35 samples of each type were used as training and set of samples, and 15 samples were used as prediction sets to predict the chlorophyll content of forage grass. The experimental results showed that it was feasible to recognize the species of pasture grass by using hyperspectral imaging technique. And when reducing the dimension of the whole band data, the SPA algorithm can be used to extract spectral characteristic bands in the case of 30 feature bands, and the classification of grassland forage can reach 100%, so the SPA algorithm has better dimensionality reduction effect. It can be used to select characteristic bands flexibly and easily. Compared with classification synthesis time and effect, SVM has achieved better results in judging grassland forage species. More accurate prediction results can be obtained by using partial least square regression model.
【學(xué)位授予單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：S812

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王麗艷;薛河儒;姜新華;王春蘭;;基于高光譜圖像技術(shù)的馬鈴薯種類的鑒別[J];內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版);2016年02期

2 黎小清;劉忠妹;丁華平;許木果;李春麗;;基于高光譜數(shù)據(jù)的橡膠樹葉片氮素含量估算模型研究[J];西南農(nóng)業(yè)學(xué)報;2015年02期

3 牛智有;李曉金;高海龍;;高光譜成像技術(shù)快速檢測生物質(zhì)秸稈元素含量[J];農(nóng)業(yè)工程學(xué)報;2014年22期

4 李丹;何建國;劉貴珊;賀曉光;王松磊;吳龍國;;基于高光譜成像技術(shù)的小黃瓜水分無損檢測[J];紅外與激光工程;2014年07期

5 高陽;王雪松;程玉虎;;基于非負(fù)稀疏圖的高光譜數(shù)據(jù)降維[J];電子與信息學(xué)報;2013年05期

6 孫俊;武小紅;張曉東;高洪燕;;基于高光譜圖像的生菜葉片水分預(yù)測研究[J];光譜學(xué)與光譜分析;2013年02期

7 周竹;李小昱;陶海龍;高海龍;;基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測[J];農(nóng)業(yè)工程學(xué)報;2012年21期

8 劉燕德;張光偉;;高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用[J];食品與機(jī)械;2012年05期

9 趙靜;李哲;李剛;林凌;Jean X.Gao;韓廣琳;;反射率歸一化用于提高光譜法舌診信噪比[J];光譜學(xué)與光譜分析;2012年06期

10 石吉勇;鄒小波;趙杰文;殷曉平;;高光譜圖像技術(shù)檢測黃瓜葉片的葉綠素葉面分布[J];分析化學(xué);2011年02期

相關(guān)博士學(xué)位論文 前2條

1 劉善梅;基于高光譜成像技術(shù)的冷鮮豬肉品質(zhì)無損檢測方法研究[D];華中農(nóng)業(yè)大學(xué);2015年

2 高陽;高光譜數(shù)據(jù)降維算法研究[D];中國礦業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前8條

1 李丹;基于高光譜成像技術(shù)的靈武長棗品質(zhì)無損檢測研究[D];寧夏大學(xué);2015年

2 褚武道;基于PLS方法的鐵觀音茶樹葉片營養(yǎng)成分含量高光譜估算[D];福建師范大學(xué);2014年

3 高曉健;基于支持向量機(jī)的高光譜遙感圖像分類方法研究[D];杭州電子科技大學(xué);2013年

4 高錦;基于SVM的圖像分類[D];西北大學(xué);2010年

5 殷曉平;基于高光譜圖像的黃瓜葉片葉綠素含量及其分布預(yù)測研究[D];江蘇大學(xué);2010年

6 張鵬;基于主成分分析的綜合評價研究[D];南京理工大學(xué);2004年

7 王云霞;內(nèi)蒙古草地退化成因與草原畜牧業(yè)可持續(xù)發(fā)展研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2004年

8 劉卓;高維數(shù)據(jù)分析中的降維方法研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2002年

，

本文編號：1569928