一種基于小波變換和svm分類的土壤土質(zhì)識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法。本發(fā)明通過對(duì)土壤可見光圖像進(jìn)行小波變換得到分層子圖像，然后，計(jì)算分層子圖像的能量值作為特性向量，最后通過支持向量機(jī)(SVM)分類器進(jìn)行土壤可見光圖像土質(zhì)識(shí)別。該方法有效的降低了設(shè)備復(fù)雜度和設(shè)備成本，提高了土壤土質(zhì)識(shí)別的實(shí)時(shí)性。
【專利說明】—種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法

【技術(shù)領(lǐng)域】
:
[0001]本發(fā)明涉及圖像處理和模式識(shí)別領(lǐng)域，具體涉及一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法。

【背景技術(shù)】
:
[0002]土壤土質(zhì)是土壤重要的物理特性之一，與土壤通氣性，肥力、保水和耕作的難易程度有著密不可分的關(guān)系。土壤土質(zhì)一般分為砂土、壤土和粘土三類。砂土保肥性弱，缺少粘粒和有機(jī)質(zhì)。粘土養(yǎng)分豐富，有較高的有機(jī)質(zhì)含量。壤土介于砂土和粘土之間，是較理想的土壤，適合耕作。因此，通過對(duì)土壤土質(zhì)進(jìn)行識(shí)別，能夠?qū)Ω骱褪┓侍峁┯行У囊罁?jù)，為精準(zhǔn)農(nóng)業(yè)提供有力的技術(shù)支撐。土壤土質(zhì)的確定，如果采取測(cè)定土壤粒級(jí)百分?jǐn)?shù)或物理粘粒含量的方法，則成本高昂，設(shè)備復(fù)雜，實(shí)時(shí)性差。到目前為止，常采用觀察與簡(jiǎn)易的測(cè)定方法，包括手指測(cè)定法，松緊度測(cè)定法，觀察法。這些方法只能定性地分析土壤土質(zhì)，誤差較大，而且需要對(duì)三種土質(zhì)的物理特性有較深的辨識(shí)經(jīng)驗(yàn)，需要人工對(duì)土壤進(jìn)行操作。為此，提供一種成本低，實(shí)時(shí)性強(qiáng)，識(shí)別精度高的土壤土質(zhì)識(shí)別方法尤為重要。


【發(fā)明內(nèi)容】

:
[0003]本發(fā)明的目的在于克服現(xiàn)有土壤土質(zhì)識(shí)別方法成本高昂，設(shè)備復(fù)雜，實(shí)時(shí)性差的的不足，提供一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法。
[0004]為了解決【背景技術(shù)】所存在的問題，本發(fā)明采用以下技術(shù)方案:
[0005]一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法，它包括以下步驟:
[0006]步驟一:對(duì)每幅包含512*512個(gè)像素的土壤可見光圖像，取40個(gè)256*256個(gè)像素的子圖像，其中20個(gè)子圖像作為訓(xùn)練樣本，剩下的20個(gè)圖像作為測(cè)試樣本；
[0007]步驟二:對(duì)每幅子圖像做2層正交小波變換，就可以得到2*3+1 = 7個(gè)分層子圖像；
[0008]步驟三:對(duì)每個(gè)分層子圖像做能量計(jì)算，取每個(gè)分層子圖像的能量值作為該分層子圖像的特征值，從而每幅子圖像可以得到一個(gè)7維的特征向量；
[0009]步驟四:基于砂土、壤土、粘土三類土壤土質(zhì)，對(duì)支持向量機(jī)SVM進(jìn)行訓(xùn)練，輸入訓(xùn)練樣本，構(gòu)造3個(gè)2類SVM分類器，每個(gè)類對(duì)應(yīng)其中的一個(gè)，使得第i個(gè)2類分類器所構(gòu)造的分類超平面能夠把第i類與其它的i_l類分割開；
[0010]步驟五:輸入測(cè)試樣本，對(duì)測(cè)試數(shù)據(jù)計(jì)算對(duì)應(yīng)于各個(gè)分類器的決策函數(shù)值并選擇最大值所對(duì)應(yīng)的類別作為測(cè)試樣本所屬的類別。
[0011]進(jìn)一步的，在步驟三中，對(duì)每個(gè)經(jīng)過小波變換得到的分層子圖像作能量計(jì)算，用來作為特征值，取信息熵e作為能量:
[0012]

【權(quán)利要求】
1.一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法，其特征在于，它包括以下步驟: 步驟一:對(duì)每幅包含512*512個(gè)像素的土壤可見光圖像，取40個(gè)256*256個(gè)像素的子圖像，其中20個(gè)子圖像作為訓(xùn)練樣本，剩下的20個(gè)圖像作為測(cè)試樣本； 步驟二:對(duì)每幅子圖像做2層正交小波變換，就可以得到2*3+1 = 7個(gè)分層子圖像； 步驟三:對(duì)每個(gè)分層子圖像做能量計(jì)算，取每個(gè)分層子圖像的能量值作為該分層子圖像的特征值，從而每幅子圖像可以得到一個(gè)7維的特征向量； 步驟四:基于砂土、壤土、粘土三類土壤土質(zhì)，對(duì)支持向量機(jī)SVM進(jìn)行訓(xùn)練，輸入訓(xùn)練樣本，構(gòu)造3個(gè)2類SVM分類器，每個(gè)類對(duì)應(yīng)其中的一個(gè)，使得第i個(gè)2類分類器所構(gòu)造的分類超平面能夠把第i類與其它的i_l類分割開； 步驟五:輸入測(cè)試樣本，對(duì)測(cè)試數(shù)據(jù)計(jì)算對(duì)應(yīng)于各個(gè)分類器的決策函數(shù)值并選擇最大值所對(duì)應(yīng)的類別作為測(cè)試樣本所屬的類別。
2.根據(jù)權(quán)利要求1所述的一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法，其特征在于，在步驟三中，對(duì)每個(gè)經(jīng)過小波變換得到的分層子圖像作能量計(jì)算，用來作為特征值，取信息熵作為能量:
P(i，j)由下式可得
其中c(i，j)表示圖像在(i，j)處的灰度值。
3.根據(jù)權(quán)利要求1所述的一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法，其特征在于，在步驟四中，將步驟一得到的20個(gè)訓(xùn)練樣本子圖像輸入支持向量機(jī)SVM，根據(jù)如下公式求解最優(yōu)分類超平面:
式中，X為訓(xùn)練樣本，i，j = 1:2, *..,η, n為訓(xùn)練樣本個(gè)數(shù)，T表示矩陣求轉(zhuǎn)置，Ei1是函數(shù)優(yōu)化是的拉格朗日系數(shù)，即為支持向量，由此得到的判別函數(shù)為:
其中Sgn(C)表示返回C的正負(fù)號(hào)，Bi*為非零的支持向量，b*為分類閾值。
4.根據(jù)權(quán)利要求1所述的一種基于小波變換和SVM分類的土壤土質(zhì)識(shí)別方法，其特征在于，在步驟五中，將步驟一得到的20個(gè)測(cè)試樣本子圖像輸入支持向量機(jī)SVM，根據(jù)步驟四中的判別函數(shù)計(jì)算出測(cè)試樣本在各個(gè)類別中對(duì)應(yīng)的判別函數(shù)值，選擇其中的最大值所對(duì)應(yīng)的類別作為該測(cè)試樣本所屬的類別，直到所有的20個(gè)測(cè)試樣本都分類完成。
【文檔編號(hào)】G06K9/62GK104200230SQ201410460934
【公開日】2014年12月10日 申請(qǐng)日期:2014年9月11日 優(yōu)先權(quán)日:2014年9月11日
【發(fā)明者】莊樹峰, 尹振東, 吳芝路, 尹亮, 蔣旭 申請(qǐng)人:哈爾濱工業(yè)大學(xué)