面向大米分类的高光谱特征波长提取方法研究

摘要

为了利用高光谱对大米品种进行快速有效分类,本文首先采用高光谱成像系统在400～1000nm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(CARS)、连续投影算法(SPA)、无变量信息消除法(UVE)、随机蛙跳(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SVM分类算法对6种大米进行品种鉴别,结果显示:利用SPA选取的特征波长建立的分类模型识别率为75％;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80.56％.研究表明,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.