本发明公开了基于聚类算法的玉米种子高光谱图像分类识别模型更新方法,包括:基于采集所有待识别玉米种子在N个波段下的N个高光谱图像,计算感兴趣区域内的光谱均值特征,作为特征参数,依次输入数据,计算待识别玉米种子与检测模型的匹配性;判断匹配性,若匹配不成功,则通过化学分析测试,获得待识别玉米种子的类别,利用获得的待识别种子特征参数及其真实类别,更新训练集;在完成所有待识别玉米种子的匹配性判断后,利用新的训练集来建立新的最小二乘支持向量机检测模型fLS‑SVM,用fLS‑SVM来识别更新后的待识别样本集。本发明提供了一种基于聚类算法的玉米种子高光谱图像分类识别模型更新方法,能够实现高光谱图像分类模型的更新,效果好,且可靠性高。
1.基于聚类算法的玉米种子高光谱图像分类识别模型更新方法,其特征在于,包括:a、将待识别的玉米种子样本放置在高光谱图像采集系统中,采集并获取所有玉米种子样本在N个波段下的N个高光谱图像;b、计算感兴趣区域内的光谱均值特征,将所有玉米种子的N个波段下获得的共N个光谱均值特征作为待识别玉米种子的特征参数矩阵Y;c、将步骤b所得到的玉米种子特征参数矩阵Y,依次输入数据,计算待识别玉米种子与训练样本的匹配性;d、判断待识别玉米种子与训练样本的匹配性,若匹配不成功,则通过化学分析测试,获得待识别玉米种子的类别,利用获得的待识别种子特征参数及其真实类别,更新训练集和测试集;e、重复步骤c‑d,完成所有待识别玉米种子的匹配性判断,利用新的训练集来建立新的最小二乘支持向量机检测模型fLS‑SVM,用该模型来识别更新后的待识别样本集;在步骤b中,获得玉米种子的特征参数包括:首先选择待识别玉米种子轮廓最清晰的图像对应的波段,在782.59nm处,利用自适应阈值分割法,获得该波段下的待识别玉米种子的轮廓曲线,将该轮廓曲线投射到N个波段上,提取N个波段在该轮廓曲线内的光谱均值作为玉米种子的分类特征参数;在步骤c中计算待识别玉米种子与训练样本的匹配性的操作包括:按照步骤a、b获取h类共l个玉米种子的特征参数,并利用化学分析测试,获得其类别标签,将类别标签相同的玉米种子构建为一个子训练集合,共得到h个子集合:令D=[D1,...,Di,...,Dh]为h类样本的训练集,为有ni个样本的第i类样本的子集合,T=D‑Di为剔除第i类样本的子集合,对于给定的训练样本和有类内距离和类间距离Pik,s:其中:1≤i≤h,|| ||表示2范数;在计算第i类的K最小类内距离平均DWik和K最小类间距离平均后,计算一个判别指标Thrik:定义一个反映不同类样本间差异性的阈值Thi:其中β为松弛系数,对h类训练样本,得到h个阈值(Th1,...,Thi,...,Thh);在步骤e中,建立玉米种子的最小二乘支持向量机检测模型fLS‑SVM,具体包括:利用步骤d中获得的h类共l个玉米种子的特征参数和类别标签,通过一对多方法,构建h个子LS‑SVM分类模型,其第k(1≤k≤h)个子模型的输出表达式zk(Y)为:其中,sgn(·)为符号函数,Y为待识别玉米种子样本的特征参数,Yj为训练集玉米种子样本的特征参数,βj和b均为待定系数,当大于等于零时,sgn(·)取值为1,表示待识别样本Y属于第k类,否则不属于;公式(5)中βj和b的取值由下列形式给出,其中,θ=[β1 … βj … βl]和b为待求解参数;D=[d1 … dj … dl
本文链接:http://www.vipzhuanli.com/tech/sell/s_717545.html,转载请声明来源钻瓜专利网。