面向大米分类的高光谱特征波长提取方法

Extraction method of hyperspectral characteristic wavelength for rice classification

为了利用高光谱对不同类型大米进行快速有效分类,首先采用高光谱成像系统在400~1 000 nm光谱区域获取大米图谱信息,分别利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projection algorithm,SPA)、无变量信息消除法(uninformative variable elimination,UVE)、随机蛙跳(shuffled frog leaping algorithm,SFLA)对大米波谱信息进行特征波长提取,并利用提取的特征波长结合支持向量机(support vector machine,SVM)分类算法对6种大米进行品种鉴别。研究结果表明,利用SPA选取的特征波长建立的分类模型识别率为75.00%;利用UVE选取的特征波长建立的分类模型识别率为77.78%;利用SFLA选取的特征波长建立的分类模型识别率为52.78%;利用CARS选取的特征波长建立的分类模型识别率为83.33%;利用全波段下的光谱信息建立的分类模型识别率达到77.78%。表明利用CARS选取特征波长可以有效替代全波段信息进行大米品种分类。