基于聯(lián)合偏度的玉米種子高光譜圖像波段選擇方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種玉米種子高光譜圖像波段選擇的方法，具體的，涉及一種基于聯(lián) 合偏度的玉米種子高光譜圖像最優(yōu)波段選擇方法。
【背景技術(shù)】
[0002] 種子是最重要的生產(chǎn)資料，種子品種的鑒別對于減少種子混雜，保證農(nóng)業(yè)生產(chǎn)的 順利進行具有重要價值。為了克服傳統(tǒng)種子品種鑒別技術(shù)存在的鑒定時間長，具有破壞性 等缺點，以近紅外光譜分析技術(shù)、機器視覺技術(shù)、高光譜圖像技術(shù)為代表的種子品種無損識 別方法得到了廣泛的研究。
[0003] 在這些方法中，由于高光譜圖像技術(shù)具有圖譜合一，可同時獲得種子的幾何形態(tài) 學特征和光譜特征等優(yōu)點，在種子品種識別中得到了越來越多的重視，已被應(yīng)用于大豆、玉 米、水稻等種子的品種識別中，取得了很高的識別精度。種子的品種識別從本質(zhì)上來說是一 個模式識別問題，分類特征的充分挖掘獲取是識別模型精度和魯棒性的保證。盡管高光譜 圖像技術(shù)可獲得種子的幾何形態(tài)學特征和光譜特征等，但是現(xiàn)有的利用高光譜圖像技術(shù)進 行種子品種識別的研究中，多是利用種子高光譜圖像的單一特征，存在著分類特征信息丟 失的可能性，導(dǎo)致高光譜圖像技術(shù)的優(yōu)勢沒有充分利用。另一方面，高光譜圖像波段數(shù)目眾 多，給其在種子品種識別的在線實時應(yīng)用帶來了困難。
[0004] 盡管一些波段選擇方法，如無信息變量消除法（Uninformative Variable Eliminate，UVE)、連續(xù)投影算法（Successive Pro jections Algorithm, SPA)、競爭性自適 應(yīng)重加權(quán)算法（Competitive Adaptive Reweighed Sampling Algorithm,CARS)，已被應(yīng)用 到種子高光譜圖像的波段選擇中，但是這些方法本質(zhì)上是一種特征選擇方法，當每個波段 下提取多個特征時，通常需要將上述方法選擇的特征集合轉(zhuǎn)換為波段集合，并進行必要的 波段交集和并集處理，存在著模型識別精度難以保證問題。因此，尋找一種在多特征條件 下，以較少的波段數(shù)目達到種子的高精度識別就顯得尤為重要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是克服以上技術(shù)的缺點，提供一種基于聯(lián)合偏度的玉米種子高光譜 圖像波段選擇方法，其能夠?qū)崿F(xiàn)玉米種子高光譜圖像多特征條件下波段選擇，操作簡單，快 速有效，并具有較高的魯棒性等優(yōu)點。
[0006] 本發(fā)明提供的技術(shù)方案，所述的基于聯(lián)合偏度的玉米種子高光譜圖像波段選擇方 法，具體的步驟包括：
[0007] a、將待識別的Μ粒玉米種子樣本放置在高光譜圖像采集系統(tǒng)中，采集并獲取該Μ粒 玉米種子樣本在L個波段下的L個高光譜圖像；
[0008] b、利用閾值分割獲取玉米種子的輪廓曲線，求取輪廓下玉米種子的光譜均值特征 和熵特征，將L個波段下獲得的共L個光譜均值特征和L個熵特征進行特征聯(lián)合，將聯(lián)合特征 作為待識別玉米種子的特征參數(shù)X;
[0009] C、利用步驟b所得到的玉米種子特征參數(shù)X，求取全波段組合下的聯(lián)合偏度JS(X)， 利用序列后向選擇方法從特征(波段)全集開始，每次從特征(波段)集中剔除一個特征，使 得剔除特征(波段)后評價函數(shù)值達到最優(yōu)，輸出最終選擇的最優(yōu)波組合Φ，并建立分類模 型，對所選擇的最優(yōu)波段組合Φ進行評價；
[0010]在步驟b中，獲得玉米種子的特征參數(shù)的具體步驟包括：
[0011] 首先選擇待識別玉米種子輪廓最清晰的圖像對應(yīng)的波段(在700. lnm處），利用閾 值分割法，獲得該波段下的待識別玉米種子的輪廓曲線。將該輪廓曲線投射到L個波段上， 提取L個波段在該輪廓曲線內(nèi)的光譜均值和熵特征作為玉米種子的分類特征參數(shù)X = [1'1，~，1^，~^]，第：[，（1 = 1，一，]\〇粒玉米種子樣本在]^個波段下的特征向量為 /; 其中.別為第謙 譜特征和圖像熵特征。為了消除平均光譜特征和圖像熵特征在數(shù)量級上的差異，對 進 行特征歸一化處理；
[0012] 在步驟c中，所描述的序列后項選擇方法對步驟b得到的特征參數(shù)進行最優(yōu)波段選 擇的操作具體包括：
[0013] 利用步驟b得到的特征參數(shù)求取斜偏度張量：
[0014](1) 撒二
[00?5]其中符號[0]表示向量的外積(Outer Product)運算(張量積）。斜偏度張量反映了 不同波段下的特征間的相互關(guān)系。引入聯(lián)合偏度JS統(tǒng)計斜偏度張量的三階統(tǒng)計特征；
[0016]
⑵
[0017] 在式⑵中，Det( ·)為行列式的計算符號，I = 為協(xié)方差矩陣；
[0018] 由于g是三階張量，其行列式計算困難。因而對張量g進行展開重整，得到二維的矩 陣R。此時，（3)式可轉(zhuǎn)化為：
[0019]
⑶
[0020]公式(3)反映了Μ粒種子樣本在L個波段下的聯(lián)合偏度。波段選擇的目的就是選擇K 個波段子集，使得其聯(lián)合偏度保持最大化。設(shè)置候選波段的指數(shù)集φ = {1，…，j，…，L}和選 擇的波段數(shù)量K;
[0021] 從指數(shù)集Φ中移除第j個波段，獲得去除第j個波段后第i粒種子的特征向量^及 特征矩陣Χ=[η，…，Γι，…r M]，按照公式（1)(3)計算剩余波段組合的聯(lián)合偏度JS(XJ。比較 JS(XJ的大小。聯(lián)合偏度JS(XJ大，意味著被刪除的第j個波段與已有波段相關(guān)性大，對分類 的貢獻率低。因而刪除最大js%)值所對應(yīng)的波段
[0022] 繼續(xù)刪除最大值JS(Xj)對應(yīng)的波段Φ = {1，2, . . .，indeX-l，indeX+l，. . .，L}，若 指數(shù)集Φ中波段數(shù)目大于選擇的波段數(shù)量K，重復(fù)此步驟，直到指數(shù)集Φ中波段數(shù)目等于選 擇的波段數(shù)量Κ，輸出最終選擇的最優(yōu)波組合Φ，建立分類模型評價所選擇的最優(yōu)波段的指 標。
[0023]進一步的，步驟b中將獲得的玉米種子高光譜圖像的均值光譜特征和熵特征進行 特征聯(lián)合，具體包括：
[0024]對玉米種子圖像在700. lnm下的圖像進行圖像分割，獲取玉米種子輪廓，利用輪廓 投影的方法，將圖像分割后獲取到的玉米種子的輪廓投影到其它波段下，獲得不同波段下 的種子輪廓圖像。
[0025] 提取L個波段下玉米種子輪廓圖像的均值光譜特征和熵特征，為了消除平均光譜 特征和圖像熵特征在數(shù)量級上的差異，分別對均值特征和熵特征進行特征歸一化處理。
[0026] 將歸一化的均值特征和熵特征進行特征聯(lián)合，Μ粒種子構(gòu)成的聯(lián)合特征向量矩陣 為X= [ri,…，ri,…γμ]，其中第i，（i = l，···，Μ)粒玉米種子樣本在L個波段下的特征向量為 ^ I。分別為第i粒種子在第j個波段下的平均光譜特征 和圖像熵特征。
[0027] 進一步的，所述的基于聯(lián)合偏度的玉米種子高光譜圖像最優(yōu)波段選擇方法，其特 征在于，利用聯(lián)合偏度的大小作為波段選擇的依據(jù)，采用序列后項選擇方法逐次刪除冗余 波段得到最優(yōu)波段組合，具體包括：
[0028] S1、設(shè)置候選波段的指數(shù)集Φ = {1，…，j，…，L}和選擇的波段數(shù)量K;
[0029] S2、利用聯(lián)合特征向量X求取全波段下的聯(lián)合偏度JS(Xj)，比較JS(Xj)的大小，刪除 最大;值所對應(yīng)的波段/?τ =max(JS(Z )).
[0030] 進一步地，基于模型在線更新的玉米種子高光譜圖像分類識別方法，其特征在于 步驟c中判斷待識別玉米種子與檢測模型的匹配性，具體包括：
[0031] S3、判斷指數(shù)集Φ中波段數(shù)目是否大于選擇的波段數(shù)量K，是則重復(fù)S2,直到指數(shù) 集Φ中波段數(shù)目等于選擇的波段數(shù)量K;
[0032] S4、輸出最終選擇的最優(yōu)波組合Φ。
[0033]下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。
【附圖說明】
[0034]附圖用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實 施例一起用來解釋本發(fā)明，并不構(gòu)成本發(fā)明的限制。在附圖中：
[0035]圖1為玉米種子在700. lnm波段下的高光譜反射圖像，利用基于區(qū)域主動輪廓模型 的圖像分割方法提取的輪廓曲線；
[0036]圖2為張量的展開原理圖；
[0037]圖3為根據(jù)本發(fā)明基于張量分析的玉米種子高光譜圖像波段選擇方法的流程示意 圖。
【具體實施方式】
[0038]以下結(jié)合具體附圖和實施例對本發(fā)明做進一步說明。
[0039]如圖1所示:首先選擇待識別玉米種子輪廓最清晰的圖像對應(yīng)的波段(在700. lnm 處），利用自適應(yīng)閾值分割法，獲得該波段下的待識別玉米種子的輪廓曲線