详情

原文传递一种基于高光谱计算成像系统的土壤分类方法

专利名称：	一种基于高光谱计算成像系统的土壤分类方法
摘要：	本发明公开了一种基于高光谱计算成像系统的土壤分类方法。使用本发明能够实现不同类型土壤的快速精确分类。本发明基于LCTF的高光谱计算成像系统进行土壤分类，通过测量土壤图像的压缩测量值并利用压缩感知理论进行原始光谱图像的重构，提升土壤光谱图像的光谱分辨率；然后，利用光谱差异理论，以每个土壤样本与所有土壤类型之间的光谱差异作为输入特征，增强不同土壤类型之间的差异性；最后采用3D‑CNN进行分类，同时利用土壤光谱图像空间和光谱信息，发挥光谱图像的优势；并利用特征降维算法在最大程度保留原始光谱信息的同时降低光谱维度，提升训练效率，突出土壤的类型特征，提升分类精度。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京理工大学
发明人：	许廷发;余越;申子宜;张宇寒;王茜;徐畅;樊阿馨
专利状态：	有效
申请日期：	2019-03-12T00:00:00+0800
发布日期：	2019-06-28T00:00:00+0800
申请号：	CN201910184983.1
公开号：	CN109946241A
代理机构：	北京理工大学专利中心
代理人：	代丽;仇蕾安
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	100081 北京市海淀区中关村南大街5号
主权项：	1.一种基于高光谱计算成像系统的土壤分类方法，其特征在于，包括如下步骤：步骤1，利用基于LCTF的高光谱计算系统采集不同类型土壤样本的光谱图像；其中，基于LCTF的高光谱计算系统包括一个光源、一个LCTF、一个成像透镜和一个CMOS面阵探测器；针对各类型土壤样本，从土壤样本发射的光通过LCTF和成像透镜会聚在CMOS面阵探测器上，采集土壤样本在不同波长下的光谱图像；步骤2，利用压缩感知理论重构对应土壤样本的高光谱图像；步骤3，将重构后的所有类型土壤样本的高光谱图像的数据表示为一个两维矩阵A，其中一维为土壤样本，另一维为波段；步骤4，将矩阵A中的每一个像素的光谱向量与每种类型土壤所有训练集像素的平均光谱向量进行差运算，得到光谱差异矩阵D；步骤5，利用线性降维方法对光谱差异矩阵D进行降维；其中，线性降维在降维前不进行去均值操作，直接对D的数据进行降维；步骤6，构建3D-CNN网络，利用步骤5获得的降维后的数据对3D-CNN网络进行训练，得到训练好的3D-CNN网络；步骤7，采用步骤1～5同样的方法，获得待分类土壤的光谱差异矩阵并进行降维，将降维后的数据输入步骤6训练好的3D-CNN网络，实现土壤分类。 2.如权利要求1所述的基于高光谱计算成像系统的土壤分类方法，其特征在于，所述基于LCTF的高光谱计算系统还包括一个DMD和一个成像透镜；从土壤发射的光通过LCTF和成像透镜，成像到DMD上；经过DMD空间编码后的光谱图像通过另一个成像透镜会聚在CMOS面阵探测器上；高光谱计算系统的传递矩阵为DMD编码孔径的空间传递矩阵和LCTF透过率矩阵的克罗内克积。 3.如权利要求1所述的基于高光谱计算成像系统的土壤分类方法，其特征在于，所述步骤5中，所述线性降维方法选用改进PCA法，在降维前不进行去均值操作，具体降维过程如下： a)计算矩阵D的Σ矩阵，其中hi＝(hi1,hi2,...,hin)代表第i个样本的n个特征，一共有m个样本，提取Σ矩阵的特征值和特征向量； b)将特征值按照从大到小排序，选择前S个最大特征值对应的特征向量构成投影矩阵； c)将矩阵D投影到b)的投影矩阵上，实现降维。 4.如权利要求1所述的基于高光谱计算成像系统的土壤分类方法，其特征在于，所述3D-CNN包含三个卷积层、三个激活层、两个池化层、一个全连接层和一个Softmax分类层。 5.如权利要求1或4所述的基于高光谱计算成像系统的土壤分类方法，其特征在于，所述步骤6中，使用反向传播算法训练所有层，利用随机梯度下降算法来最小化损失函数。
所属类别：	发明专利