Resumen

La tecnología de imagen hiperespectral puede obtener la información espacial e información espectral del fondo operativo simulado y sus materiales de camuflaje al mismo tiempo, e identificarlos y clasificarlos según sus diferencias. En este artículo, recolectamos las imágenes hiperespectrales (4001000 nm) del fondo del desierto, fondo de la selva, red de camuflaje del desierto, red de camuflaje de la selva y ropa de camuflaje de la selva a través del sistema de imagen hiperespectral, y las muestras fueron preprocesadas mediante eliminación de ruido y corrección en blanco y negro. Luego, analizamos la región de interés (ROI) de las muestras de entrenamiento mediante análisis de componentes principales (PCA). Después de que los píxeles en la región de interés y sus áreas circundantes se promediaron, el 60% de los datos se utilizó como muestras de entrenamiento, y el 40% restante se utilizó como muestras de prueba. Según sus similitudes y diferencias entre ellos y el espectro de referencia, se establecieron los modelos de clasificación combinando el algoritmo Naive Bayes (NB), el algoritmo de vecinos más cercanos (KNN), el algoritmo de bosque aleatorio (RF) y el algoritmo de máquina de vectores de soporte (SVM). Los resultados muestran que entre los cuatro modelos, el modelo SVM tiene la mayor precisión de clasificación y la tasa de reconocimiento de la ropa de camuflaje de la selva es la más alta. Este estudio verifica la cientificidad y viabilidad de la tecnología de imagen hiperespectral para la identificación y clasificación de camuflaje en un entorno operativo simulado, lo cual tiene cierta importancia práctica.

• Materias:Fármacos Electroforesis Microespectral Raman Espectro ultravioleta Teledetección
• Subjects:Pharmaceuticals Electrophoresis Microspectral Raman Ultraviolet spectrum Remote sensing
• Palabras claves:Tecnología de imágenes hiperespectrales; Materiales de camuflaje; Análisis de componentes principales; Modelos de clasificación; Máquina de vectores de apoyo; Identificación de camuflaje
• Keywords:Hyperspectral imaging technology; Camouflage materials; Principal component analysis; Classification models; Support vector machine; Camouflage identification