基于視覺詞袋模型的稻曲病發(fā)病程度感知

梁睿杰 陳豐農(nóng)

摘要：為了快速、精準(zhǔn)地感知水稻稻曲病發(fā)病程度，以實現(xiàn)高度自動化的稻曲病大面積監(jiān)測，結(jié)合高光譜成像和視覺詞袋模型（BoVW）自動感知稻曲病發(fā)病程度。首先利用UHD185畫幅式高光譜儀獲取發(fā)病水稻光譜成像數(shù)據(jù)，利用主成分分析（PCA）篩選特征波段，再用正方格劃分區(qū)域并獲取區(qū)域特征，然后利用K-means算法聚類生成視覺詞典，聚類中心作為視覺單詞，最后利用矢量化和直方圖統(tǒng)計得到視覺詞袋模型表達(dá)。將198幅水稻高光譜圖像的“視覺詞袋模型表達(dá)-發(fā)病等級標(biāo)簽”作為數(shù)據(jù)集，隨機(jī)選擇3/5作為訓(xùn)練集，剩下的為測試集，采用支持向量機(jī)（SVM）建立稻曲病發(fā)病程度感知模型，感知精度為84.81%。結(jié)果表明，結(jié)合高光譜成像技術(shù)和視覺詞袋模型可以有效感知稻曲病發(fā)病程度，為稻曲病大面積自動化監(jiān)測提供參考。

關(guān)鍵詞：稻曲病;高光譜成像技術(shù);病害程度分析;視覺詞袋模型;支持向量機(jī);自動化監(jiān)測

中圖分類號： S127;TP391.4? 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2021）22-0198-06

收稿日期：2021-03-18

基金項目：浙江省重點研發(fā)計劃（編號：2021C02011）;浙江省基礎(chǔ)公益研究計劃（編號：LGN18F030002）。

作者簡介：梁睿杰（1995—），男，浙江臺州人，碩士研究生，主要從事農(nóng)業(yè)遙感圖像處理研究。E-mail：1327571567@qq.com。

通信作者：陳豐農(nóng)，博士，副教授，主要從事圖像處理與模式識別等方面的研究。E-mail：fnchen@hdu.edu.cn。

水稻是我國主要糧食作物，其總產(chǎn)量占全國糧食總產(chǎn)量的50%，有65%的人口以水稻為主食[1]。近幾年，稻曲病的發(fā)生范圍和危害有逐年上升趨勢，已逐漸成為水稻主要病害，對水稻產(chǎn)量、品質(zhì)甚至人畜生命健康造成嚴(yán)重危害[2-3]。目前，稻曲病監(jiān)測主要依靠農(nóng)戶、植保專家實地考察，進(jìn)行人工評估。這種方法適用性低[4]，不僅耗費大量人力物力，而且缺乏代表性，難以適用于大面積稻曲病的實時監(jiān)測[5]。因此，開展稻曲病發(fā)病程度感知研究有現(xiàn)實意義。

不同植物對同一波段電磁波的反射和吸收能力不同，導(dǎo)致光譜特異性，當(dāng)植物受到病蟲害脅迫后，由于應(yīng)激性，體內(nèi)水分、色素含量以及內(nèi)部結(jié)構(gòu)會產(chǎn)生變化，從而光譜特性發(fā)生改變[6]。因此，光譜能夠作為研究植物病害的重要依據(jù)。近年來，隨著高光譜成像技術(shù)的發(fā)展并因其無接觸、無損害、效率高等優(yōu)點，高光譜分析成為稻曲病檢測的重要手段。高光譜成像技術(shù)綜合了光譜信息和圖像信息，可以快速、準(zhǔn)確地提供大量肉眼無法感知的信息特征[7]，其中光譜信息能夠反映物體內(nèi)部物理結(jié)構(gòu)和組成，圖像信息能夠反映物體外部特征，在稻曲病監(jiān)測中具有獨特優(yōu)勢。

目前，已有學(xué)者將高光譜成像技術(shù)應(yīng)用于作物病蟲害檢測，并取得了成功。謝亞平篩選特征波段并構(gòu)建支持向量機(jī)（SVM）模型，識別稻曲病發(fā)病區(qū)域，識別精度達(dá)到97.2%[8]。有學(xué)者基于可見光和近紅外波段，構(gòu)建識別模型，進(jìn)行稻瘟病害分級，分級準(zhǔn)確率均達(dá)到了95%以上[9-10]。黃雙萍等提取稻瘟病的光譜詞袋模型（BoSW）表達(dá)，并結(jié)合SVM識別病害程度，識別精度達(dá)94.72%[11]。有研究通過敏感波段構(gòu)建特征集，實現(xiàn)小麥白粉病的監(jiān)測[12-13]。由于不同病害的表現(xiàn)癥狀不同，不存在普適的病害判別標(biāo)準(zhǔn)[14]，上述研究均利用特征波段構(gòu)建模型識別病害，并取得較高的識別精度，證明了高光譜成像技術(shù)應(yīng)用于作物病蟲害檢測的可行性，為基于高光譜的稻曲病發(fā)病等級感知提供了依據(jù)。

本研究根據(jù)稻曲病發(fā)病特點，提出基于視覺詞袋模型的方法感知稻曲病發(fā)病程度。選擇不同發(fā)病程度的水稻并獲取高光譜圖像，進(jìn)行特征波段篩選和區(qū)域劃分，并構(gòu)建視覺詞典，利用直方圖得到每株水稻的視覺詞袋模型表達(dá)，最后用SVM構(gòu)建稻曲病發(fā)病程度感知模型。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于浙江省杭州市富陽區(qū)中國水稻研究所試驗田（119°55′E，30°4′N），屬亞熱帶季風(fēng)氣候，降水充沛，平均相對濕度70.3%，臨近富春江，這種四季溫暖、濕度較大的氣候環(huán)境有利于稻曲病菌滋生和侵染。作為長期的病害試驗基地，田塊中菌源充足，稻曲病自然發(fā)生，無需人工接種。為獲取發(fā)病程度不同的水稻，前后共進(jìn)行7期播種，2019年6月15號為第1期，之后每期間隔5 d，試驗組噴灑激素，對照組噴灑清水，每期有12個小區(qū)，6個小區(qū)作為試驗組，其余6個作為對照組，每個小區(qū)長 35.0 m，寬1.8 m。

1.2 數(shù)據(jù)采集

2019年10月10日，天氣晴朗，水稻處于灌漿成熟期，于當(dāng)天上午10點至下午2點采集高光譜數(shù)據(jù)。使用UHD185畫幅式高光譜儀獲取高光譜數(shù)據(jù)，該儀器覆蓋可見光波段到近紅外波段的光譜（450～950 nm），圖像空間分辨率為1 000 pixel×1 000 pixel，光譜分辨率為4 nm，共126個波段。由于暗電流和噪聲，需黑白標(biāo)定，掃描白板獲取反射率為1的全白標(biāo)定圖像Iw，蓋上鏡頭獲取反射率為0的全黑標(biāo)定圖像Id，實際獲取的第i個波段的圖像為Is，則高光譜成像在第i個波段的矯正公式為

R（i）=Is（i）-Id（i）Iw（i）-Id（i）。（1）

數(shù)據(jù)采集時，根據(jù)稻曲病分級標(biāo)準(zhǔn)采摘發(fā)病程度不同的稻穗置于黑色幕布，以減少背景干擾，鏡頭距稻穗20～30 cm采集圖像，獲取的圖像見圖1，共采集198幅圖像。

1.3 稻曲病分級標(biāo)準(zhǔn)

國際水稻研究所根據(jù)受侵染的小穗面積將稻曲病分成6個等級[15]：0級（未受到侵染），1級（侵染面積小于1%），3級（侵染面積為2%～5%），5級（侵染面積為6%～25%），7級（侵染面積為 26%～50%）和9級（侵染面積為51%～100%）。這是理想化的分級標(biāo)準(zhǔn)，在實際試驗中，9級稻穗幾乎不存在，1級和3級稻穗難以區(qū)分，因此本研究將稻曲病發(fā)病程度分為4個等級：健康（未受到侵染），輕度（侵染面積小于5%），中度（侵染面積為6%～25%）和重度（侵染面積為26%～100%）。

本研究采集的198個樣本病害等級統(tǒng)計見表1。

1.4 視覺詞袋模型構(gòu)建

1.4.1 視覺詞袋模型

視覺詞袋模型是一種中層特征編碼方法，其算法雜度低、表征能力強(qiáng)，在圖像分類中得到廣泛應(yīng)用[16]，主要包括4個步驟：圖像底層特征提取、視覺詞典生成、視覺單詞特征構(gòu)建和分類器構(gòu)造[17]。具體流程如圖2所示，首先，采用主成分分析（PCA）篩選特征波段，用正方格對特征波段的組合圖像劃分區(qū)域;然后，利用K-means聚類方法對劃分的區(qū)域聚類以生成視覺詞典，聚類中心作為視覺單詞;基于視覺單詞對各區(qū)域矢量化，用視覺單詞表征各區(qū)域;最后，用直方圖統(tǒng)計每幅圖像中視覺單詞的頻數(shù)，得到視覺詞袋模型表達(dá)。

1.4.2 特征波段篩選

高光譜圖像存在數(shù)據(jù)維度高、波段間相關(guān)性高、數(shù)據(jù)冗余等問題[18]，因此需降維處理。PCA是常用的降維方法，通過計算原始數(shù)據(jù)的協(xié)方差矩陣以及特征值，選擇對主成分貢獻(xiàn)最大的前k個特征值和特征向量，通過線性變換將原始空間Rn映射到特征空間Rk，極大程度上保留了原始數(shù)據(jù)信息，同時消除噪聲，實現(xiàn)數(shù)據(jù)降維[19]。對比前幾個主成分圖像，篩選發(fā)病區(qū)域與健康區(qū)域?qū)Ρ葟?qiáng)烈的主成分圖像，每個主成分圖像可以看成由不同波段通過加權(quán)系數(shù)線性組合而成，選擇加權(quán)系數(shù)大于0.1的波段作為特征波段。

1.4.3 正方格區(qū)域劃分和光譜平均

高光譜成像同時包含空間幾何信息和光譜信息，可以看作由圖像XY 平面以及光譜Z軸組成的三維數(shù)據(jù)[20]。本研究在XY平面內(nèi)利用正方格劃分區(qū)域，并計算平均光譜作為該區(qū)域的特征。相比以像素為最小單位的方法，該方法存在以下優(yōu)點：（1）大幅度減少像素點數(shù)量，計算復(fù)雜度低;（2）同一植株不同發(fā)病部位的光譜存在差異，通過區(qū)域劃分增大光譜差異性;（3）充分考慮了XY平面內(nèi)相鄰像素點間的相關(guān)性，在一定程度上消除圖像的冗余信息。

1.4.4 K-means聚類生成視覺詞典

將正方格劃分的區(qū)域作為樣本利用K-means聚類。K-means算法是一種無監(jiān)督的聚類算法[21]，其核心思想是找到k個質(zhì)心，使得每個樣本到其所屬質(zhì)心的距離平方和最小，具體步驟如下：（1）初始化迭代次數(shù)I=1，隨機(jī)選擇k個區(qū)域作為聚類中心，并計算聚類中心的平均光譜C1;（2）計算每個區(qū)域到聚類中心的距離，并將該區(qū)域劃分到距離最近的聚類族簇;（3）重新計算聚類中心以及聚類中心的光譜均值CI;（4）比較CI與CI-1的距離，若小于設(shè)定的閾值則結(jié)束迭代，否則迭代次數(shù)加1，重復(fù)步驟（2）和（3）。

K-means聚類保證了同一族簇內(nèi)區(qū)域相似度最大，忽略光譜之間的細(xì)微差異，能在一定程度上增強(qiáng)BoVW模型的抗噪性能。

1.4.5 高光譜圖像矢量化和直方圖統(tǒng)計

矢量化通過計算特征之間的歐式距離將每個區(qū)域映射到對應(yīng)的視覺單詞，完成高層特征的提取[22]。對整幅圖像所有局部區(qū)域矢量化，一幅圖像可以看成是由視覺單詞組成的文本，比較文本中不同單詞所占比例可以區(qū)分不同文本。利用直方圖統(tǒng)計矢量化后一幅圖像中每個單詞的頻率并線性歸一化處理，得到視覺詞袋模型的表達(dá)。這種方法能夠?qū)㈦y分類的文本特征轉(zhuǎn)化成易分類的統(tǒng)計特征[23]，精準(zhǔn)地描述了發(fā)病部位和發(fā)病稻粒比例等原始特征，在一定程度上很好地表達(dá)了稻曲病發(fā)病情況。

1.4.6 SVM稻曲病發(fā)病等級感知模型構(gòu)建

SVM基于統(tǒng)計學(xué)習(xí)理論，目的是構(gòu)建一個最優(yōu)分類超平面，保證支持向量到該分類面的距離最大，核心原則是結(jié)構(gòu)風(fēng)險最小化，即根據(jù)現(xiàn)有樣本信息在模型復(fù)雜度和學(xué)習(xí)能力之間尋求折衷，以獲得最佳泛化性[24]。本研究將“視覺詞袋模型表達(dá)-發(fā)病等級標(biāo)簽”數(shù)據(jù)作為數(shù)據(jù)集，從不同發(fā)病程度水稻中隨機(jī)選擇3/5作為訓(xùn)練集，剩下的為測試集，則訓(xùn)練集總計119幅圖像，測試集79幅圖像。利用SVM分類器訓(xùn)練模型，并結(jié)合交叉驗證法和網(wǎng)格搜索法篩選最優(yōu)參數(shù)，同時采用一對一分類法[25]完成四分類識別，以測試集準(zhǔn)確率和混淆矩陣作為模型性能評估指標(biāo)。

2 結(jié)果與分析

2.1 基于PCA的特征波段提取

利用PCA分析高光譜全波段（450～950 nm）圖像，獲取前6個主成分圖像，結(jié)果見圖3，方差貢獻(xiàn)率見圖4-a，前6幅圖像的方差總貢獻(xiàn)率達(dá)到99.78%。PC1中正常區(qū)域和患病區(qū)域區(qū)分明顯，稻粒輪廓清晰可見，噪聲較少，方差貢獻(xiàn)率為88.01%，因此選擇PC1的權(quán)重系數(shù)做進(jìn)一步分析。主成分圖像由不同波段通過加權(quán)系數(shù)組合而成：

PCm=∑ni=1αiXi。（2）

式中：PCm為第m個主成分;αi為原始數(shù)據(jù)第i個波段的加權(quán)系數(shù);Xi為對應(yīng)波段的高光譜圖像反射率。

第一主成分中各波段加權(quán)系數(shù)如圖4-b所示，系數(shù)越大，其對應(yīng)的原始波段對該主成分貢獻(xiàn)越大。篩選權(quán)重系數(shù)大于0.1的波段為敏感波段，其對應(yīng)波段范圍為702～898 nm，共50個波段（圖中黃色部分）。稻穗中色素含量較少，稻曲病菌對色素的破壞程度低，可見光波段受影響小，對稻穗內(nèi)部結(jié)構(gòu)的破壞大，近紅外波段受影響大，702～898 nm 波段能有效反映受侵染區(qū)域內(nèi)部結(jié)構(gòu)的變化。

2.2 詞典容量對模型感知準(zhǔn)確率的影響

視覺詞典對原始數(shù)據(jù)集的表征能力由K值決定，K值會影響稻曲病發(fā)病等級感知準(zhǔn)確率[26]，因此本研究對詞典容量為50～600的稻曲病發(fā)病程度感知結(jié)果進(jìn)行比較，結(jié)果見圖5。

從圖5可以得到，詞典容量為300～350時，測試集和訓(xùn)練集的感知效果最好，精度分別達(dá)84.81%和94.12%。當(dāng)詞典容量小于300時，測試集和訓(xùn)練集的感知準(zhǔn)確率均隨著詞典容量增大而增加。當(dāng)K值過小時，部分差異較大的區(qū)域劃分到相同的視覺單詞簇中，導(dǎo)致不同單詞間的關(guān)聯(lián)度增加，詞典無法有效表達(dá)原始特征。當(dāng)詞典容量大于350時，訓(xùn)練集準(zhǔn)確率整體保持穩(wěn)定，而測試集準(zhǔn)確率隨著詞典容量增大緩慢下降。當(dāng)K值過大時，聚類和矢量化過程過于精細(xì)，視覺詞典結(jié)構(gòu)龐大復(fù)雜，光譜特征類似的區(qū)域被劃分到不同視覺單詞類簇中[27]，導(dǎo)致視覺單詞間相似度增加，內(nèi)聚度降低，模型抗噪性降低。

2.3 正方格大小對模型感知準(zhǔn)確率的影響

正方格大小會對區(qū)域的平均光譜產(chǎn)生影響，從而影響模型感知準(zhǔn)確率。本研究分別選擇尺寸為 2 pixel×2 pixel，4 pixel×4 pixel，6 pixel×6 pixel，8 pixel×8 pixel，10 pixel×10 pixel的正方格劃分區(qū)域，在視覺詞典容量為300時，探究正方格尺寸對感知精度的影響，其結(jié)果見表2。

從表2中得到，當(dāng)正方格尺寸逐漸增大時，訓(xùn)練集和測試集識別率均出現(xiàn)下降。當(dāng)正方格大小為 4 pixel×4 pixel時，訓(xùn)練集和測試集均取得最高的識別精度，分別為94.12%和84.81%。正方格尺寸過小會導(dǎo)致劃分的區(qū)域尺寸接近像素尺度，詞典結(jié)構(gòu)變得復(fù)雜，冗余度增加，位于交界處的區(qū)域難以區(qū)分。正方格尺寸過大，會導(dǎo)致區(qū)域內(nèi)光譜平滑尺度過大，屬于不同發(fā)病區(qū)域的像素光譜進(jìn)行了平滑、組合，導(dǎo)致鄰近的劃分區(qū)域光譜相似度增大，劃分的區(qū)域無法有效表達(dá)原始空間信息。

2.4 核函數(shù)對模型感知準(zhǔn)確率的影響

SVM核函數(shù)決定模型的性能，相同的數(shù)據(jù)集，采用不同核函數(shù)能得到不同分類結(jié)果[28]。本研究分別選擇核函數(shù)為線性核、徑向基核、多項式核以及S型核的SVM進(jìn)行感知，在視覺詞典容量為300，正方格尺寸為4 pixel×4 pixel時，探究核函數(shù)對感知精度的影響。從表3中可以得到，RBF-SVM在訓(xùn)練集和測試集上效果均好于其他核函數(shù)，準(zhǔn)確率分別達(dá)到94.12%和84.81%。

在視覺詞典容量為300，正方格大小為4 pixel×4 pixel，核函數(shù)為RBF時，測試集和訓(xùn)練集感知結(jié)果的混淆矩陣見表4和表5。此時，該模型在測試集的感知準(zhǔn)確率達(dá)84.81%，Kappa系數(shù)為0.79，訓(xùn)練集的感知準(zhǔn)確率達(dá)94.12%，Kappa系數(shù)為0.92。數(shù)據(jù)采集時需人工標(biāo)定稻曲病發(fā)病等級，由于缺乏經(jīng)驗，存在一定的標(biāo)定錯誤，數(shù)據(jù)集中存在發(fā)病程度近似但發(fā)病等級標(biāo)定不同的樣本，導(dǎo)致該模型感知準(zhǔn)確率不高。相鄰的2個等級易發(fā)生錯分，這是由于某些植株的發(fā)病程度恰好位于判別標(biāo)準(zhǔn)附近，且相鄰等級的判別標(biāo)準(zhǔn)比較相近。模型總體感知準(zhǔn)確率達(dá)到84%以上，分類結(jié)果具有高度一致性，能夠有效、精準(zhǔn)地感知稻曲病發(fā)病等級。

3 討論與結(jié)論

本研究根據(jù)稻曲病的發(fā)病特征以及光譜圖像數(shù)據(jù)，利用基于視覺詞袋模型的方法感知稻曲病發(fā)病程度，該模型提取高層特征能夠準(zhǔn)確描述發(fā)病情況，具有較好的抗噪性和魯棒性。

本研究將702～898 nm作為PCA特征波段，由于稻穗細(xì)胞色素含量少，受到稻曲病菌侵染后近紅外波段發(fā)生的變化大，提取的特征波段能有效反映這種變化，并且在一定程度上消除了噪聲、減少數(shù)據(jù)冗余度;同時考慮到高光譜圖像在XY平面相鄰像素之間的相關(guān)性，采用正方格劃分區(qū)域，增加樣本間的差異性，發(fā)揮了圖譜結(jié)合的優(yōu)勢;利用K-means聚類算法生成視覺詞典，忽略了區(qū)域光譜間的細(xì)小差異，增強(qiáng)了抗噪性;利用直方圖統(tǒng)計視覺單詞頻率得到視覺詞袋模型表達(dá)，將難分類的文本特征轉(zhuǎn)化成易分類的統(tǒng)計特征，并能精確地描述發(fā)病情況。

試驗結(jié)果表明，當(dāng)視覺詞典容量為300，核函數(shù)為RBF，正方格大小為4 pixel×4 pixel時，對稻曲病發(fā)病程度的感知效果最好，測試集準(zhǔn)確率為84.81%，Kappa系數(shù)為0.79。本研究方法可為稻曲病大面積自動化監(jiān)測奠定基礎(chǔ)。

參考文獻(xiàn)：

[1]李思平，曾路生，吳立鵬，等. 氮肥水平與栽植密度對植稻土壤養(yǎng)分含量變化與氮肥利用效率的影響[J]. 中國水稻科學(xué)，2020，34（1）：69-79.

[2]陳月娣，王 超，徐鐵平，等. 秈粳交超級晚粳稻稻曲病藥劑控制時機(jī)的探討[J]. 浙江農(nóng)業(yè)科學(xué)，2013，55（11）：1451-1453.

[3]楊健源，曾列先，陳 深，等. 我國稻曲病研究進(jìn)展[J]. 廣東農(nóng)業(yè)科學(xué)，2011，38（2）：77-79.

[4]張 初. 基于光譜與光譜成像技術(shù)的油菜病害檢測機(jī)理與方法研究[D]. 杭州：浙江大學(xué)，2016：4-5.

[5]陳 兵，王克如，李少昆，等. 蚜蟲脅迫下棉葉光譜特征及其遙感估測[J]. 光譜學(xué)與光譜分析，2010，30（11）：3093-3097.

[6]張競成，袁 琳，王紀(jì)華，等. 作物病蟲害遙感監(jiān)測研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（20）：1-11.

[7]王紅霞，李 霞. 遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)科技與信息，2019，36（23）：67-69.

[8]謝亞平. 基于高光譜技術(shù)的水稻稻曲病監(jiān)測研究[D]. 杭州：杭州電子科技大學(xué)，2018：1-57.

[9]馮 雷，柴榮耀，孫光明，等. 基于多光譜成像技術(shù)的水稻葉瘟檢測分級方法研究[J]. 光譜學(xué)與光譜分析，2009，29（10）：2730-2733.

[10]鄭志雄，齊 龍，馬 旭，等. 基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（19）：138-144.

[11]黃雙萍，齊 龍，馬 旭，等. 基于高光譜成像的水稻穗瘟病害程度分級方法[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（1）：212-219.

[12]沈文穎，馮 偉，李 曉，等. 基于葉片高光譜特征的小麥白粉病嚴(yán)重度估算模式[J]. 麥類作物學(xué)報，2015，35（1）：129-137.

[13]Cao X R，Luo Y，Zhou Y L，et al. Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance[J]. Crop Protection，2013，45（3）：124-131.

[14]楊 燕. 基于高光譜成像技術(shù)的水稻稻瘟病診斷關(guān)鍵技術(shù)研究[D]. 杭州：浙江大學(xué)，2012：8-17.

[15]張正煒，陳 秀，沈慧梅，等. 我國稻曲病分級標(biāo)準(zhǔn)的研究與應(yīng)用現(xiàn)狀[J]. 中國稻米，2020，26（4）：18-21.

[16]Wu L，Hoi S C，Yu N. Semantics-preserving bag-of-words models and applications[J]. IEEE Transactions on Image Processing，2010，19（7）：1908-1920.

[17]朱道廣.基于視覺詞袋模型的圖像分類研究[D]. 鄭州：解放軍信息工程大學(xué)，2013：2-10.

[18]倪茜茜. 基于高光譜成像技術(shù)的紅酸枝品種識別[D]. 杭州：浙江農(nóng)林大學(xué)，2015：11-13.

[19]陳 佩. 主成分分析法研究及其在特征提取中的應(yīng)用[D]. 西安：陜西師范大學(xué)，2014：7-15.

[20]杜培軍，陳云浩，方 濤，等. 高光譜遙感數(shù)據(jù)光譜特征的提取與應(yīng)用[J]. 中國礦業(yè)大學(xué)學(xué)報，2003，32（5）：500-504.

[21]Jain A K，Dubes R C. Algorithms for clustering data[J]. Technometrics，1988，32（2）：227-229.

[22]胡屹群，周紹光，岳 順，等. 利用視覺詞袋模型和顏色直方圖進(jìn)行遙感影像檢索[J]. 測繪通報，2017，63（1）：53-57.

[23]張夢姣. 基于顯著性檢測和詞袋模型的農(nóng)作物害蟲圖像分類研究[D]. 雅安：四川農(nóng)業(yè)大學(xué)，2019：21-33.

[24]Smola A J，Scholkopf B. A tutorial on support vector regression[J]. Statistics and Computing，2004，14（3）：199-222.

[25]秦 溱. 基于SVM核函數(shù)和參數(shù)選擇的高光譜圖像分類研究[D]. 武漢：華中科技大學(xué)，2015：21-23.

[26]劉 東，邱博宇，方 芳，等. 基于空間共生詞袋模型與卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)影像分類方法[J]. 湘南學(xué)院學(xué)報，2020，41（2）：26-31.

[27]王 嬌，羅四維，鄒 琪. 圖像分類中基于分類矢量量化的視覺詞袋模型[J]. 計算機(jī)工程與應(yīng)用，2019，55（10）：141-145.

[28]王 剛. 基于SVM的高光譜遙感圖像海面溢油分類方法研究[D]. 長沙：國防科學(xué)技術(shù)大學(xué)，2016：16-25.