期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
应用多维特征融合的高光谱图像木材树种分类
1
作者
辛志强
褚昱凯
林文树
《东北林业大学学报》
北大核心
2025年第11期74-85,156,共13页
为实现不同木材树种的高效准确识别,根据木材高光谱图像提出一种利用多维特征融合的支持向量机木材树种分类模型。首先通过采集东北地区常见的4类树种,共600张木材高光谱图像,每张图像截取3个感兴趣区域(ROI)扩充数据集,以8∶2的比例划...
为实现不同木材树种的高效准确识别,根据木材高光谱图像提出一种利用多维特征融合的支持向量机木材树种分类模型。首先通过采集东北地区常见的4类树种,共600张木材高光谱图像,每张图像截取3个感兴趣区域(ROI)扩充数据集,以8∶2的比例划分为训练集和测试集。然后选择均值滤波(MF)和标准正态变换(SNV)处理系统噪声和光照变化的影响,通过在空间域利用灰度共生矩阵(GLCM)提取对比度和同质性在4个方向上的纹理特征,在光谱域使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)提取光谱特征,以及通过三维卷积神经网络(3D-CNN)自动提取空间域与光谱域的通道特征,将纹理特征、光谱特征、通道特征融合成特征向量,对比分析不同特征向量组合在支持向量机(SVM)、灰狼优化算法-支持向量机(GWO-SVM)、粒子群优化算法-支持向量机(PSO-SVM)上木材树种分类的准确率。经过均值滤波-标准正态变换预处理的光谱特征值在全波段上达到了96.66%的分类准确率。在光谱特征方面,竞争性自适应重加权算法提取特征波段的分类准确率均优于连续投影算法,竞争性自适应重加权算法在灰狼优化算法-支持向量机上得到了94.16%的分类准确率。在竞争性自适应重加权算法中融合灰度共生矩阵的纹理特征使模型的平均准确率提高了1.53%,而在纹理与光谱特征中,融入通道特征的灰度共生矩阵-竞争性自适应重加权算法-卷积神经网络特征向量组合,在灰狼优化算法-支持向量机上的准确率达到了98.33%,最后利用五折交叉验证法测试最优模型的泛化能力,结果表明五折平均准确率为97.50%。多维特征融合形成的特征向量能有效表征木材的光谱与空间特性,进一步提高了木材树种分类的准确率。
展开更多
关键词
木材树种分类
高光谱图像
特征融合
机器学习
三维卷积神经网络(3D-CNN)
在线阅读
下载PDF
职称材料
基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类
被引量：
7
2
作者
赵鹏
韩金城
王承琨
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021年第2期599-605,共7页
为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1038.57 nm)范围内的高光谱图像。首先,利用基于OIF的特...
为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1038.57 nm)范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。此外,还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个:一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。
展开更多
关键词
高光谱图像
I-BGLAM
纹理特征
光谱特征
特征融合
木材树种分类
在线阅读
下载PDF
职称材料
题名
应用多维特征融合的高光谱图像木材树种分类
1
作者
辛志强
褚昱凯
林文树
机构
东北林业大学
出处
《东北林业大学学报》
北大核心
2025年第11期74-85,156,共13页
基金
中央高校基本科研业务费专项资金项目(2572023CT14-02)。
文摘
为实现不同木材树种的高效准确识别,根据木材高光谱图像提出一种利用多维特征融合的支持向量机木材树种分类模型。首先通过采集东北地区常见的4类树种,共600张木材高光谱图像,每张图像截取3个感兴趣区域(ROI)扩充数据集,以8∶2的比例划分为训练集和测试集。然后选择均值滤波(MF)和标准正态变换(SNV)处理系统噪声和光照变化的影响,通过在空间域利用灰度共生矩阵(GLCM)提取对比度和同质性在4个方向上的纹理特征,在光谱域使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)提取光谱特征,以及通过三维卷积神经网络(3D-CNN)自动提取空间域与光谱域的通道特征,将纹理特征、光谱特征、通道特征融合成特征向量,对比分析不同特征向量组合在支持向量机(SVM)、灰狼优化算法-支持向量机(GWO-SVM)、粒子群优化算法-支持向量机(PSO-SVM)上木材树种分类的准确率。经过均值滤波-标准正态变换预处理的光谱特征值在全波段上达到了96.66%的分类准确率。在光谱特征方面,竞争性自适应重加权算法提取特征波段的分类准确率均优于连续投影算法,竞争性自适应重加权算法在灰狼优化算法-支持向量机上得到了94.16%的分类准确率。在竞争性自适应重加权算法中融合灰度共生矩阵的纹理特征使模型的平均准确率提高了1.53%,而在纹理与光谱特征中,融入通道特征的灰度共生矩阵-竞争性自适应重加权算法-卷积神经网络特征向量组合,在灰狼优化算法-支持向量机上的准确率达到了98.33%,最后利用五折交叉验证法测试最优模型的泛化能力,结果表明五折平均准确率为97.50%。多维特征融合形成的特征向量能有效表征木材的光谱与空间特性,进一步提高了木材树种分类的准确率。
关键词
木材树种分类
高光谱图像
特征融合
机器学习
三维卷积神经网络(3D-CNN)
Keywords
Wood tree species classification
Hyperspectral images
Feature fusion
Machine learning
Three-dimensional convolutional neural network(3D-CNN)
分类号
S781.1 [农业科学—木材科学与技术]
在线阅读
下载PDF
职称材料
题名
基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类
被引量：
7
2
作者
赵鹏
韩金城
王承琨
机构
东北林业大学信息与计算机工程学院
广西科技大学计算机科学与通信工程学院
出处
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021年第2期599-605,共7页
基金
国家自然科学基金面上项目(31670717)
中央高校基本科研业务费专项基金项目(2572017EB09)
国家林业局林业公益性行业专项(批准号201504307-04)资助。
文摘
为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1038.57 nm)范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。此外,还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个:一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。
关键词
高光谱图像
I-BGLAM
纹理特征
光谱特征
特征融合
木材树种分类
Keywords
Hyper-spectral imaging
I-BGLAM
Texture feature
Spectral feature
Feature fusion
Classification of wood species
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
应用多维特征融合的高光谱图像木材树种分类
辛志强
褚昱凯
林文树
《东北林业大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类
赵鹏
韩金城
王承琨
《光谱学与光谱分析》
SCIE
EI
CAS
CSCD
北大核心
2021
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
