基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练难度和训练时间。综合分析,PCA-LMPSO-SVM模型的训练效果最好,可以认为是最佳病害分级模型,其5种级别病害准确率分别为94.29%、96.43%、93.44%、98.30%和100%。因此,本文提出的方法可进一步提高水稻稻瘟病分级检测精度和可靠性,结果可为确定稻瘟病发生情况提供一定的理论基础和技术支撑。

基于小波变换的超声图像纹理特征提取及前列腺癌诊断

目的根据小波变换原理,研究了前列腺直肠超声图像中纹理特征的提取方法,并应用于前列腺癌的早期诊断。方法本文提取出前列腺直肠超声图像中目标区域的小波变换纹理特征和边界频率特征,通过主分量分析方法(principal components analysis,PCA)对提取出的纹理特征进行选择,得到一个最优的特征子集。然后分别应用K均值聚类、支持向量机(support vector machine,SVM)算法和AdaBoost(a-daptive boosting)算法来对所提取出的病变区域纹理特征进行分类。结果对比实验结果表明,本文所提取的特征比单纯的使用灰度级差矢量(gray level difference vector,GLDV)具有更好的区分良恶性图像的能力,AdaBoost算法和SVM算法都能够有效地识别病变区域,识别正确率达到94.12%和93.46%。结论使用本文算法可以为医生诊断提供有用的辅助信息,并提高诊断效率。