论文部分内容阅读
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。