基于SPA-BPNN的成都市天府新区东部土壤As含量高光谱估测建模

为明确成都平原城市边缘带土壤中重金属As含量,以四川省成都市天府新区东部为研究区,对土壤原始高光谱数据进行一阶微分(FD)、二阶微分(SD)、去包络线(CR)和标准正态变换(SNV)处理,利用皮尔逊相关系数(PCC)和连续投影算法(SPA)筛选出最佳变换光谱的特征波段,分别建立偏最小二乘(PLSR)、极限学习机(ELM)、随机森林(RF)和BP神经网络(BPNN)4种回归模型,利用高光谱数据进行土壤重金属As含量估测并进行精度验证。结果表明,经去包络线一阶微分(CR-FD)变换的光谱与土壤重金属As含量相关性显著提升,由0.473提高到0.848;无论是基于PCC还是SPA算法筛选出的特征波段,非线性模型的拟合度以及预测精度均高于线性模型;相对于PCC算法,利用SPA算法筛选的特征波段建立的模型预测精度明显提升,PLSR、 ELM、 RF、 BPNN模型验证集的决定系数(R²)分别为0.786、 0.847、 0.856、 0.942。因此,以SPA算法筛选出的光谱波段作为自变量构建的BPNN模型(SPA-BPNN)是研究区内As含量的最优估测模型。     

基于ICA与光谱参数的玉米叶片Cu~(2+)污染估测研究

玉米受Cu~(2+)污染时其各种生物理化变量会发生一定改变,导致其叶片光谱发生微小变化,为了获取隐含在玉米叶片光谱中微弱的Cu~(2+)污染信息,提出了一种基于独立成分分析(ICA)和光谱特征参数的多维光谱估测模型.对玉米叶片光谱在445~1 340nm范围内的波段进行一阶微分处理后与玉米叶片Cu~(2+)进行相关性分析,选取相关系数(R)较大的波段结合5种植被指数(红边归一化植被指数I_1、改进红边比值植被指数I_2、改进红边归一化植被指数I_3、光化学植被指数I_4和结构不敏感色素指数I_5)分别进行主成分分析(PCA),提取6个主成分进行ICA,得到ICA1,ICA2,ICA3,ICA4和ICA5共5个一维独立成分分量,结合两种光谱特征参数红谷和近红外平台一阶微分包围面积(FAN)构建了玉米叶片Cu~(2+)污染的一维、二维和三维估测光谱模型.5种独立分量中ICA3和ICA5与玉米叶片Cu~(2+)含量的相关性系数(R)都达到了0.9以上,其他3种也达到了0.8以上;二维模型可以将Cu~(2+)胁迫梯度中的轻度、中度和重度胁迫区分开来,三维模型能使胁迫区分效果更直观.结果表明:将ICA运用到玉米叶片Cu~(2+)污染研究中是可行的;独立成分分量、红谷和FAN的多维光谱模型可以作为玉米Cu~(2+)污染程度估测的一种新方法.     

基于Sentinel-2A的太行山区土地覆被分类方法研究

以太行山区为研究对象,基于Sentinel-2A遥感影像数据,采用基于像元和面向对象分类两种策略,定量分析不同特征组合模式下,最大似然法(ML)、贝叶斯(Bayes)、支持向量机(SVM)、决策树(Decision Tree)以及随机森林(RF) 5种分类方法在该区域地表土地覆被信息分类中的表现差异。结果表明:(1)基于像元的RF分类器取得了最高精度,仅使用光谱特征参与分类和使用光谱、红边、指数特征参与分类的总体精度分别为96. 85%和96. 64%。(2)红边和指数特征的加入能够对各分类器分类精度产生不同程度的影响,即使基于像元的RF和面向对象的CART决策树总体精度有所下降,但降幅均在0. 5%左右,其他分类器精度均有所提升。     

组合核支持向量机高光谱图像分类

为了提高高光谱遥感图像分类中空间信息的利用率,提出一种将空间邻域信息和光谱信息结合的组合核支持向量机(SVM)学习算法.用SVM进行预分类,从分类结果图提取各像素的空间邻域特征,与光谱特征结合构造组合核SVM进行分类,并再次提取空间邻域特征进行多次空-谱信息组合核SVM迭代分类,如此迭代10次,从中选择合适的结果作为最终输出.结果表明,该方法对传统支持向量机的分类精度提升幅度可达10%左右.同时,与其他组合核支持向量机相比,该算法用更少的训练样本获得了更高分类精度.     

近红外光谱法主成分分析6种植物油脂的研究

采用近红外光谱技术,结合主成分分析方法,研究区分6种植物油脂的测定方法.用不同品种和不同产地的油料制备植物油,其中32种大豆、34种花生、28种菜籽和12种棉籽,采集不同厂家生产的20种棕榈油和12种米糠油样品.测定6种植物油脂138个样品的近红外透射光谱.以植物油脂的光谱信息作变量,应用NIRCa15.2软件进行光谱预处理及主成分分析,随机取2/3的样品作定标集,1/3作验证集,选取负荷量差别较大的7个主成分进行得分比较.结果显示,138个样品被识别为相互独立的6组,分类精度100%,验证准确率100%.     

基于小波矩和叶形特征的叶片识别

植物的叶片是识别植物种类的一个重要属性,文章提出一种基于植物叶片形状的图像内容识别方法.首先对叶片图像进行归一化处理,然后提取叶片的小波矩特征、叶片的周长、面积及伸长度,最后根据这些特征进行支持向量机（SVM）训练和分类,识别出植物的种类.该方法得到的识别率达到95％.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

基于多线性稀疏主成分的高光谱影像特征提取

高光谱影像特征提取有助于提高高光谱数据的应用效率和精度。针对基于向量的特征提取算法无法充分利用高光谱影像立方体空间结构信息这一缺点,本文提出在所有张量模式中执行稀疏降维的多线性稀疏主成分分析(MSPCA)算法,以中国嘉兴典型村庄和美国内华达州Curprite矿区高光谱影像为原始数据,运用主成分分析(PCA)、空间主成分分析(SPCA)和多线性判别分析(MPCA)3种特征提取方法对比分析所提算法特征提取后的分类精度。结果表明,利用MSPCA进行特征提取得到的分类精度均优于其他方法,在两个试验区的总体分类精度分别达到96.36%和95.00%。     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

接种菌根大豆叶绿素含量差异的光谱特征分析

为利用高光谱遥感监测接种菌根对植物生长的影响,在不同生育期测定接种菌根(+M)和对照(CK)两组大豆的叶片光谱及叶绿素含量.通过分析不同处理下大豆原始光谱和一阶微分各特征参数的差异,获取菌根效应影响植物叶绿素含量的光谱响应信息,选择能良好反映不同处理大豆叶绿素含量差异的特征参数作为输入因子,建立BP神经网络反演大豆叶绿素含量估测模型.结果表明:各生育期+M组的红边位置较同时期CK组的向长波方向偏移,其绿峰幅值、蓝边面积、蓝边斜率和黄边面积均小于同期CK组,而黄边斜率则大于同期CK组,特征参数差异明显.BP神经网络模型预测的大豆叶绿素含量与实测结果拟合度较好(R2=0.966 7)实验表明,接种菌根提高了大豆的光合作用,采用高光谱遥感监测并评价菌根效应对植物生长的作用是可行的.研究成果可为微生物复垦植被监测和矿区微生物复垦效果评价等提供理论依据和指导.     

基于SVM不同核函数的多源遥感影像分类研究

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid最低;对于高光谱影像,Linear核函数分类精度最高,Sigmoid最低;对于同地区相同分辨率的遥感图像,在分类条件相同的情况下,多光谱影像的分类精度和高光谱的分类精度相近.     

多源遥感数据融合在矿区土地覆盖分类中的应用

采用单一遥感数据对土地类型进行识别与分类时,由于受光谱与空间分辨率的限制,难以满足土地覆盖要素精准提取的需求.以CBERS-02B卫星全色波段数据与多光谱CCD数据为信息源,发挥不同信息源各自的优势以及不同信息间的相互补充,采用基于像素级PCA及主成分变换方法进行融合处理,并应用于对煤矿扰动区土地覆盖要素进行提取和分类,取得了良好的效果.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

近红外光谱结合SVM识别4种茶叶

用近红外光谱仪对绿茶毛峰、粗信阳毛尖、铁观音、峨眉雪芽等4种茶叶,120个样品进行扫描,获得近红外光谱数据.先随机选取2/3样品数据为模型集,其余为验证集,用支持向量机(SVM)将模型集构建模型,经验证集验证,最终获得了97.5%的识别率.又用主成分分析(PCA)的方法对数据降维,用前两个主成分画出4种茶叶分类图,并与SVM结果比较,表明SVM的方法更佳.     

基于Gabor变换和极限学习机的贝类图像种类识别

研究了基于Gabor变换和二维图像主成分分析(2DPCA)相结合的贝类图像识别方法。对贝类图像进行Gabor变换,提取其图像特征,确定了图像特征维数;采用2DPCA方法,对变换后的特征进行降维,并利用极限学习机(ELM)进行贝类图像的分类识别。与BP神经网络和支持向量机(SVM)实验对比发现,极限学习机分类器用于贝类识别不仅速度极快而且泛化性良好,算法具有较高的精度。     

基于分层分级的遥感图像植被分类方法

以陕西省榆阳区2014年和2002年8月份的OLI/ETM+图像作为基础数据源,比较分层分级方法与3种直接监督分类方法识别7种主要植被类型的精度.对去除非植被信息后的解译底图依次进行小波滤波、L-V特征空间分析,生成包含目标植被类型和与其光谱特征近似地物的一级图层;在一级图层上,依据地物间光谱特征和形态特征差异执行面向对象分割、支持向量机(SVM)监督分类、数学形态学开闭运算,生成只包含目标植被类型的二级图层;精度评价合格后从解译底图上去除该植被类型的覆盖区域;按上述方法依次处理灌溉耕地、旱耕地、有林地及果园、灌木林地、高盖度草地及低盖度草地5个专题图层,复合各专题图层的提取结果形成一期遥感分类图;与SVM,BP神经网络(BPANN)、最大似然法(MLC)监督分类结果比较分类精度.分层分级方法有效降低椒盐效应,减少混分漏判现象:使运行性陆地摄像仪(OLI)图像总体分类精度分别提高了6.85%,9.13%,18.21%,Kappa系数分别提高了8.03%,10.65%,21.27%;使ETM+图像总体分类精度分别提高了8.10%,10.43%,17.78%,Kappa系数分别提高了9.26%,12.01%,21.15%.     

基于连续小波变换参数选择的小麦近红外光谱模型优化方法研究

为了提高模型预测精度,结合连续小波变换（CWT）的最优参数选择,优化小麦蛋白质光谱模型。对原始光谱进行CWT,利用主成分分析（PCA）选出5种小波db1、sym2、sym5、sym7、coif1;在不同尺度参数下利用偏最小二乘法（PLS）建模,确定尺度参数为15;在此基础上,利用CWT结合多元散射校正（MSC）及支持向量机（SVM）建模确定最优小波db1;在最优参数下用CWT结合无信息变量消除算法（UVE）和连续投影算法（SPA）及SVM建立预测模型,预测均方根误差为0.3930,优于CWT-UVEPLS-SVM的0.4558和CWT-SPA-SVM的0.4415,研究结果表明,CWT参数选择可有效优化近红外光谱模型。     

高光谱技术识别煤岩的特征波段筛选方法研究

煤炭在中国工业和国民经济发展中起到重要作用。传统的人工识别煤岩界面效率低下,安全性无法保障,为实现采煤智能化和无人化,以高光谱作为技术手段,结合机器学习算法对煤岩进行分类识别。文中以淮南市谢桥矿区和潘一矿区的煤岩高光谱数据为研究对象,对煤岩原始光谱进行平滑处理(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)和归一化(Norm)处理,采用竞争性自适应重加权采样(CARS)、连续投影法(SPA)和随机蛙跳(RF)算法获取预处理后煤岩高光谱数据中对煤岩识别敏感的优选波段,分别基于全波段和优选波段建立支持向量机(SVM)模型和偏最小二乘线性判别分析(PLS-LDA)模型,并对比模型识别精度。结果表明,优选波段主要分布在350～450 nm、1 250～1 450 nm、1 700～1 900 nm和2 100～2 300 nm之间,在实验室模拟环境中,由机器学习算法优选后的波段所建模型相较于全波段所建模型的识别精度有所提高,其中,基于Norm-CARS优选后的波段建立的PLS-LDA模型和基于SG-RF优选后的波段建立的SVM模型对建模集和测试集的识别正确率均达100%。利用机器学...