基于多线性判别分析的玉米种子高光谱图像多特征转换方法技术

本发明专利技术涉及一种基于多线性判别分析的玉米种子高光谱图像多特征转换方法，其特征是，包括：a、利用高光谱图像采集系统采集并获取玉米种子的高光谱图像；b、利用阈值分割获取玉米种子的轮廓曲线，求取轮廓下玉米种子的光谱均值特征和纹理特征，并进行特征联合得到玉米种子的特征参数X；c、基于MLDA算法对特征参数X进行特征转换(特征提取和波段选择)；d、建立预测模型，获得该特征转换方法的评价结果。本发明专利技术通过对玉米种子高光谱图像进行特征转换，其能够实现多特征条件下的特征转换，操作简单，快速有效，并具有较高鲁棒性等优点。

【技术实现步骤摘要】

本专利技术涉及一种玉米种子高光谱图像多特征转换方法，尤其是一种基于多线性判别分析的玉米种子高光谱图像多特征转换方法。
技术介绍
玉米是世界总产量最高的粮食作物和主要的畜牧业饲料来源，同时也是工业生产中的重要原料，因而对于减少种子的混杂，保证农业生产的顺利进行具有重要的价值。目前，对玉米种子的外部品质检测主要采用可见光图像检测和红外图像检测等较成熟的技术，但是这些检测技术无法获取玉米种子内部品质有效信息。近红外光谱技术可在线实时无损检测种子的内部品质，而近红外光谱技术只提供对检验个体一个小区域的检测。由于种子的品质在空间上存在差异，所以该方法还存在一定的局限。高光谱图像技术是一种广泛应用的农产品品质无损检测方法，可以获得种子的几何形态学特征和光谱特征等优点，在种子品种识别中得到了广泛的应用。种子的品种识别从本质上来说是一个模式识别问题，分类特征的充分挖掘获取是识别模型精度和鲁棒性的保证。尽管高光谱图像技术可获得种子的外部形态学特征和内部的化学成分特征，但是现有的高光谱图像识别中，多是利用单一特征(如光谱特征等)，存在着分类特征信息丢失的可能性。较充分的特征信息有利于分类模型的学习，从而提高模型的识别能力。然而，过多的特征学习也会存在着过拟合的风险，高光谱图像波段数目众多，同时波段之间含有大量的冗余信息，不仅影响识别的精度，而且不利于高光谱图像技术在种子品质检测在线应用的实时性，因而有必要对数据进行降维处理。特征提取和波段选择是高光谱数据降维的两种主要途径。特征提取是将原始特征转换为一组具有明显物理意义、统计意义或核的特征降维方法，如主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear discriminant analysis，LDA)等。波段选择是寻找最能代表原始光谱信息波段的过程，以此减少和优化特征空间且不改变原始的光谱信息，如无信息变量消除法(Uninformative Variable Eliminate，UVE)、连续投影算法(Successive Projections Algorithm，SPA)等。特征提取和波段选择的降维方法已经被广泛应用到农产品品质的无损检测中。一方面，这些方法利用的是对于分类有利的特征，在包含更多对于分类的无用特征时，这些特征提取方法效果难以保证。另一方面，由于这些多特征波段选择方法多是先利用均值光谱特征进行波段选择，然后将选择的波段应用到其他特征，导致对其他特征信息考虑不足，不能确保选择的最优波段对于其他特征的适用性。在如何充分提取高光谱图像的有用信息，并同时满足高光谱图像无损检测技术在线应用的实时性和高分类精度上仍存在改进的空间。
技术实现思路
本专利技术的目的是克服现有技术中存在的不足，提供一种基于多线性判别分析的玉米种子高光谱图像多特征转换方法，其能够实现玉米种子高光谱图像多特征条件下特征选择，操作简单，快速有效，并具有较高的鲁棒性等优点。按照本专利技术提供的技术方案，所述基于多线性判别分析的玉米种子高光谱图像多特征转换方法，其特征是，包括：a、将待识别的Num粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像，L为自然数；b、利用阈值分割获取玉米种子的轮廓曲线，提取轮廓下玉米种子的均值光谱特征和纹理特征，将L个波段下获得的共L个均值光谱特征和L个纹理特征进行特征融合，将融合特征作为待识别玉米种子的特征参数X；c、利用步骤b所得到的玉米种子特征参数X，基于多线性判别分析(MLDA)算法对玉米种子特征参数X进行特征提取，并得到特征提取后的融合特征矩阵计算每个波段下的原始特征对第一主成分的贡献率W，设定阈值，选择较大W值所对应的波段作为最优波段，输出最优波段集合Θ，将最优波段集合Θ应用到特征提取后的融合特征矩阵得到特征转换后的特征S；d、建立预测模型，对转换后的特征进行评价。进一步的，在所述步骤b中，获得玉米种子的特征参数X的具体步骤包括：玉米种子高光谱图像的均值光谱特征和纹理特征分别为(其中，X1表示均值光谱特征；X2～X14表示纹理特征，且X2～X6分别表示为纹理特征中一阶数据统计的：能量(energy)、熵(entropy)、偏度(skew)、标准差(standard deviation)、力矩(moment)特征；X7～X14分别为纹理特征中二阶数据统计在0°、45°、90°和135°四个方向上的对比度均值(contrast mean)、对比度标准差(contrast standard deviation)、相关性均值(correlation mean)、相关性标准差(correlation standard deviation)、能量均值(energy mean)、能量标准差(energy standard deviation)、同质度均值(homogenous mean)和同质度标准差(homogenous standard deviation)特征)，rij为第i粒玉米种子的第j个特征，Num个样本在L个波段下构成一个L×Num的矩阵；首先对特征进行归一化处理，使融合特征达到数量级上的一致性；再对每一个样本在第p个波段下分别进行特征组合(为第j个特征)，得到14个特征在L个波段下Num个样本的融合特征矩阵X∈{K14×14×L×Num本文档来自技高网...

【技术保护点】
一种基于多线性判别分析的玉米种子高光谱图像多特征转换方法，其特征是，包括：a、将待识别的Num粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像，L为自然数；b、利用阈值分割获取玉米种子的轮廓曲线，提取轮廓下玉米种子的均值光谱特征和纹理特征，将L个波段下获得的共L个均值光谱特征和L个纹理特征进行特征融合，将融合特征作为待识别玉米种子的特征参数X；c、利用步骤b所得到的玉米种子特征参数X，基于多线性判别分析(MLDA)算法对玉米种子特征参数X进行特征提取，并得到特征提取后的融合特征矩阵计算每个波段下的原始特征对第一主成分的贡献率W，设定阈值，选择较大W值所对应的波段作为最优波段，输出最优波段集合Θ，将最优波段集合Θ应用到特征提取后的融合特征矩阵得到转换后的特征S；d、建立预测模型，对转换后的特征进行评价。

【技术特征摘要】
1.一种基于多线性判别分析的玉米种子高光谱图像多特征转换方法，其特征是，包括：a、将待识别的Num粒玉米种子样本放置在高光谱图像采集系统中，采集并获取该M粒玉米种子样本在L个波段下的L个高光谱图像，L为自然数；b、利用阈值分割获取玉米种子的轮廓曲线，提取轮廓下玉米种子的均值光谱特征和纹理特征，将L个波段下获得的共L个均值光谱特征和L个纹理特征进行特征融合，将融合特征作为待识别玉米种子的特征参数X；c、利用步骤b所得到的玉米种子特征参数X，基于多线性判别分析(MLDA)算法对玉米种子特征参数X进行特征提取，并得到特征提取后的融合特征矩阵计算每个波段下的原始特征对第一主成分的贡献率W，设定阈值，选择较大W值所对应的波段作为最优波段，输出最优...

【专利技术属性】
技术研发人员：朱启兵，杨赛，黄敏，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32