[1]苗荣慧,黄锋华,杨华,等.基于空谱一体化的农田高光谱图像分类[J].江苏农业学报,2018,(04):818-824.[doi:doi:10.3969/j.issn.1000-4440.2018.04.015]
　MIAO Rong-hui,HUANG Feng-hua,YANG hua,et al.Farmland classification of hyperspectral image based on spatial-spectral integration method[J].,2018,(04):818-824.[doi:doi:10.3969/j.issn.1000-4440.2018.04.015]
点击复制

基于空谱一体化的农田高光谱图像分类()
分享到：

江苏农业学报[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2018年04期
页码:
818-824
栏目:
耕作栽培·资源环境
出版日期:
2018-08-25

文章信息/Info

Title:
Farmland classification of hyperspectral image based on spatial-spectral integration method
作者:
苗荣慧1; 黄锋华1; 杨华1; 邓雪峰1; 陈晓倩2
（1.山西农业大学信息科学与工程学院，山西太谷030801；2.西北农林科技大学信息工程学院，陕西杨凌712100）
Author(s):
MIAO Rong-hui11; HUANG Feng-hua1; YANG hua1; DENG Xue-feng1; CHEN Xiao-qian2
(1. College of Information Science and Engineering, Shanxi Agricultural University, Taigu 030801, China;2.College of Information Engineering, Northwest A&F University, Yangling 712100, China)
关键词:
高光谱图像; 空谱一体化; 农田图像分类; 主成分分析; 支持向量机
Keywords:
hyperspectral image; spatial-spectral integration; farmland image classification; principal component analysis (PCA); support vector machine (SVM)
分类号:
TP751;TP391
DOI:
doi:10.3969/j.issn.1000-4440.2018.04.015
文献标志码:
A
摘要:
为强化高光谱成像技术在近地农业方面的应用，以农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，对农田图像进行分类。针对高光谱图像数据量大、非线性等特点，采用主成分分析（PCA）和支持向量机（SVM）法建立农田图像分类器。在利用光谱信息分类的基础上，采用空谱一体化方法对光谱分类结果进行修正，去除孤立点和噪声的影响。基于支持向量机的总体分类精度为88.4%，采用空谱一体化方法的总体分类精度最高达89.7%，说明利用空间信息修正光谱信息可以提高近地农田对象的分类精度，为基于高光谱图像的近地农田识别提供理论依据。
Abstract:
In order to intensify the application of hyperspectral imaging technology in near field agriculture, near-infrared hyperspectral images were selected as research objects, and the hyperspectral imaging technology combining with spectral analysis method and supervised classification method was used to classify the farmland images. Since the hyperspectral data had the characteristic of huge and nonlinear, principal component analysis (PCA) and support vector machine (SVM) were adopted for classifier establishing. On the basis of spectral classification, spatial-spectral integration method was used to amend the spectral classification results, the isolated points and noise were removed. The results showed that the overall classification accuracy by SVM could reach 88.4%, and the highest overall classification accuracy by spatial-spectral integration method was up to 89.7%, indicating that using spatial information to modify spectral information could improve the classification accuracy of farmland objects, which would provide theoretical basis for hyperspectral image identification of near field farmland.

参考文献/References:

[1]马本学,应义斌,饶秀勤,等. 高光谱成像在水果内部品质无损检测中的研究进展[J]. 光谱学与光谱分析,2009, 29(6)：1611-1615.
[2]张文杰,张钧萍,张晔. 基于区域活动轮廓模型的高光谱图像分割方法[J]. 遥感技术与应用,2008,23(3):351-355.
[3]冯静,舒宁. 一种新的高光谱遥感图像纹理特征提取方法研究[J]. 武汉理工大学学报,2009,31(3)：10-14.
[4]刘亮,姜小光,李显彬,等. 利用高光谱烟感数据进行农作物分类方法研究[J]. 中国科学院研究生院学报,2006, 23(4)：484-488.
[5]WILLIAMS P J, KUCHERYAVSKIY S. Classification of maize kernels using NIR hyperspectral imaging[J]. Food Chemistry, 2016, 209: 131-138.
[6]MO C, KIM M S, KIM G, et al. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J]. Biosystems Engineering, 2017, 159: 10-21.
[7]PAN L, SUN Y, XIAO H, et al. Hyperspectral imaging with different illumination patterns for the hollowness classification of white radish[J]. Postharvest Biology and Technology, 2017, 126: 40-49.
[8]孙俊,金夏明,毛罕平,等. 高光谱图像技术在掺假大米检测中的应用[J]. 农业工程学报, 2014, 30(21):301-307.
[9]黄双萍,洪添胜,岳学军,等. 基于高光谱的柑橘叶片氮素含量多元回归分析[J]. 农业工程学报, 2013, 29(5):132-138.
[10]邹卓阳,杨武年,陈颖. 高光谱遥感技术在植被信息提取中的应用[J]. 测绘,2010,33(2):55-57.
[11]郑纪伟,潘泉,赵永强,等. 航拍高光谱图像中基于投影的自动目标检测算法[J]. 计测技术,2005,25(3):4-7.
[12]张保华,李江波,樊书祥,等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析,2014,34(10):2743-2751.
[13]ZHANG C, GUO C, LIU F, et al. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine[J]. Journal of Food Engineering, 2016, 179:11-18.
[14]陈华舟,潘涛,陈洁梅. 多元散射校正与Savitzky-Golay平滑模式的组合优选应用于土壤有机质的近红外光谱分析[J]. 计算机与应用化学,2011,28(5):518-522.
[15]程术希. 基于光谱和成像技术的作物病害不同侵染期快速检测方法研究[D].杭州:浙江大学,2014.
[16]郭斗斗.土壤有机质含量高光谱预测模型的构建[D].扬州:扬州大学,2014.
[17]郭腾霄,丁学全,董晓强,等. 支持向量机在危险化学品被动红外遥测光谱鉴别中的应用[J]. 计算机与应用化学,2013,30(1):18-20.
[18]王超. 基于SPOT5遥感图像的自动分类及处理方法研究[D].昆明:云南大学,2011.
[19]张倩. 基于决策树方法的航空高光谱遥感土地覆盖分类研究[D].青岛：山东科技大学,2005.
[20]赵春晖,张燚,王玉磊. 基于小波核主成分分析的相关向量机高光谱图像分类[J]. 电子与信息学报,2012,34(8):1905-1910.

相似文献/References:

[1]王新忠,卢青,张晓东,等.基于高光谱图像的黄瓜种子活力无损检测[J].江苏农业学报,2019,(05):1197.[doi:doi:10.3969/j.issn.1000-4440.2019.05.028]
　WANG Xin-zhong,LU Qing,ZHANG Xiao-dong,et al.Non-destructive detection of cucumber seeds vigor based on hyperspectral imaging[J].,2019,(04):1197.[doi:doi:10.3969/j.issn.1000-4440.2019.05.028]

备注/Memo

备注/Memo:
收稿日期：2017-10-31 基金项目：国家自然科学基金项目（31671571）；山西农业大学青年科技创新基金项目（2017013） 作者简介：苗荣慧（1990-），女，山西晋城人，硕士，助教，主要从事图像分析与机器视觉、农产品无损检测研究。(Tel)18306828214;(E-mail)ronghui092@163.com
更新日期/Last Update: 2018-09-04