支持向量机复合核函数的高光谱显微成像木材树种分类

摘要：

采用体视显微高光谱成像方法,构建木材树种分类识别模型.利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53～1038.57nm)波段内的木材高光谱图像.首先,采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱,分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维.再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型.然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵(GLCM)的木材纹理特征.在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理.最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别.20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7％.采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0％,具有较低的分类精度.在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果.采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7％,运行时间为0.2547 s.另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3％和92.6100％,运行时间分别为0.1800和0.2602 s.可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度.因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考.

关键词：木材树种识别、高光谱成像、复合核函数、SVM、特征融合

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目;中央高校基本科研业务费专项基金项目;黑龙江省自然科学基金面上项目

在线出版日期：2020-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3776-3782