联合光谱角与组合特征参数的高光谱影像分类

光谱角匹配分类以光谱整体相似度作为分类准则,却无法充分考虑光谱的局部细节特征,导致高光谱遥感影像的分类结果存在着较大的误差。针对此问题,提出一种联合光谱角与组合特征参数(spectral angle mapping-combination characteristic parameter,SAM-CCP)的新型高光谱影像分类方法。该方法在光谱角距离的基础上,引入光谱特征参数,有效突出光谱信息的局部特征,从而提高分类精度。首先,将地物反射光谱的整体特征和典型的吸收谷特征相结合,计算参数向量的欧式距离,并调节其开方系数;然后,自动选择最佳光谱特征参数组合,构建稳健的匹配模型,对影像进行逐像元分类。分别对Indian Pines地区和Cuprite矿区的高光谱遥感影像进行了分类实验。结果表明,相比传统的匹配方法,SAM-CCP方法能够有效地改善分类精度,具有较好的适用性。

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92.5%、97.5%和92.5%,高于误差反向传播神经网络法的识别率(分别为90.0%、90.0%和92.5%)。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。

基于小波变换语音组合特征参数的提取

本文首先利用小波变换,借鉴MFCC参数提取了新的参数DWTC,然后又把DWTC参数和LPCC参数结合起来,形成一种组合特征参数DWTLPC,该参数既反映了声道响应特性,又克服了短时傅立叶变换在分辨率上的局限性。最后,在Matlab平台上,分别采用LPCC+△LPCC、MFCC+△MFCC、DWTC、DWTLPC作为特征参数,采用DTW识别算法进行实验仿真,结果表明DWTLPC参数的识别率最高。

人脸语音动画中语音特征参数提取算法研究

人脸语音动画是虚拟现实领域的热点,语音特征参数提取是实现语音同步动画的前提和关键所在。为了能够提取鲁棒性更好的语音特征参数,在小波变换的理论基础上,借鉴MFCC特征参数的提取方法,运用表征语音动态特征的特征差分算法,提出了一种基于离散小波变换的语音特征参数(DWTMFCC)提取方法,并与反映语音情感特征的韵律参数相结合。通过基于LGB算法的VQ模型进行说话人语音识别,可以得到组合特征参数的识别率较高。

基于日球物理学事件知识库的太阳活动识别

太阳图像中包含明显的太阳活动区域,以及无现象的太阳宁静区。从太阳图像中识别有效的太阳活动区域,是图像处理技术在天文研究中的典型应用。得益于美国太阳动力学天文台的日球物理学事件知识库提供的实时太阳观测数据,提出了一种基于日球物理学事件知识库的太阳活动识别方法。此方法获取6种太阳活动的信息(发生时间、位置、区域面积),建立对应时间的全日面图像的尺度变换模型。结合位置与区域面积信息,对不同太阳活动进行梯度阈值分割,边界识别方法被用来定位和识别太阳活动的区域。然后,对太阳图像特征参数相关性的研究,得到每种太阳活动的最佳特征参数组合。方法实现了对太阳活动的精确定位和有效识别,为后续工作的开展提供了便利。此外,对不同太阳活动区域提取特定组合的特征,可以为基于内容的图像检索系统建立精简的图像特征集提供一种可行办法。

基于GMM-UBM模型的说话人辨识研究

为了进一步提高基于传统的GMM模型的说话人辨识的识别率,引入了GMM-UBM模型,并且在特征提取方面采用多种特征参数组合来代替单一特征参数,以提高有效特征维数来弥补特征样本的不足,同时在说话人辨识的端点检测部分,用基于MFCC相似度和谱熵的端点检测方法来代替传统的基于短时能量和过零点的方法,以解决其对含噪语音检测不准确而影响说话人辨识的问题。实验表明,与传统的GMM模型相比,GMM-UBM模型能够有效地提高说话人辨识的性能,并且使用组合特征参数和利用基于MFCC相似度和谱熵的端点检测方法都可以进一步提高说话人辨识的性能。

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明:使用测树因子树木识别方法,识别平均准确率为0. 765,平均召回率为0. 778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0. 891,平均召回率为0. 896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。

基于树木激光点云的有效特征抽取与识别方法

采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。