CN102495005B - 高光谱图像技术诊断作物水分亏缺的方法 - Google Patents

Abstract

本发明涉及诊断作物水分亏缺的方法，特指基于高光谱图像诊断番茄叶面水分的方法。首先采用自行构建的高光谱成像系统采集番茄叶片高光谱图像数据；选用自适应波段选择法优选出特征波长，实现多维数据降维；然后对每个样本特征波长下的图像进行分割，反转以及形态运算得到目标图像，并从目标图像中提取叶片的灰度、纹理特征；最后融合灰度、纹理特征，针对10个特征变量，采用GA-PLS法选出最优特征子集，并建立基于最优特征的偏最小二乘回归模型，模型的预测值与实测值的相关系数R为0.902。与常规检测方法相比，检测速度快、操作简便方便；与单一的近红外光谱或计算机视觉技术手段相比，得到的信息更全面，检测结果的精确性和稳定性都有所提高。

Description

高光谱图像技术诊断作物水分亏缺的方法

技术领域

本发明涉及一种诊断作物水分亏缺的方法；特指一种基于高光谱图像诊断番茄叶面水分的方法。

背景技术

番茄(Lycopersicon esculentumMill.)是我国温室栽培的主要蔬菜作物之一。蕃茄对水分需求量较大,水分的亏缺会使其生理发生变化,进而直接影响到产量的高低。而番茄在水分胁迫条件下，叶片的物理特征和内部组织生理生化特性会发生一系列变化，这些变化会引起其反射光谱，视觉图像的变化，因此，可以通过观测上述特征的变化，对番茄的水分胁迫状态进行诊断。

光谱诊断技术和计算机视觉技术已被广泛应用于作物水分亏缺快速诊断研究中，但利用单一的检测手段往往不能全面地描述水分胁迫条件下叶片的物理特征与内部组织生理生化特性的变化，因此，检测精度不高且缺乏普适性。高光谱图像技术兼有光谱技术和图像技术的优势，既能对植株水分亏缺引起的颜色、纹理、形态变化等特征进行可视化分析，又能对植株叶片光谱特性的各向异性分布进行评价，进而可以提高作物含水率无损检测的全面性、可靠性和灵敏度。近几年来国内外一些学者主要是将该技术应用于农产品质量以及作物病害的检测中。但未见利用高光谱图像技术来诊断作物水分亏缺状况。 

发明内容

本发明为了克服上述现有技术中的不足，利用高光谱成像系统采集番茄叶片的高光谱图像，并提取特征波长以及特征波长下番茄叶片的灰度、纹理特征，进而建立番茄在定植—开花期含水率预测模型，为利用高光谱图像技术实时检测作物含水率提供了依据。 

本发明高光谱图像技术诊断作物水分亏缺的方法，按照下述步骤进行：

（1）    高光谱图像采集，

（2）    特征波长的提取，

（3）    图像预处理，

（4）    特征提取，

（5）    模型建立，

（6）    利用上述模型检测作物含水率，诊断作物是否发生水分亏缺。

其中所述的高光谱图像采集是指利用高光谱图像采集系统采集温室番茄叶片的高光谱图像。

其中所述的特征波长的提取是指采用自适应波段选择法(adaptive band selection，ABS)进行高光谱图像的特征波长提取。

其中所述的图像预处理，指首先，采用最大类间方差法进行分图像割，然后将二值化图像进行灰度反转，并利用数学形态学运算进一步处理图像,填补残留的孤立噪声点；最后，将原始图像与处理后的二值化图像进行像点相乘得到目标图像。

其中所述的特征提取是指选用灰度共生矩阵法提取纹理特征。

其中所述的模型建立是指采用偏最小二乘回归建立番茄定植—开花期含水率预测模型。

按照下述步骤进行：（1）对样本进行预处理，确定输入因子的数量，针对所提取的灰度、纹理特征变量，对样本进行标准化处理，

(2)将提取的2个灰度特征变量进行偏最小二乘相关分析（PLS），分别提取到2个PLS成分，利用所得到的2个PLS成分与干基含水率做相关分析，得到基于原灰度变量的PLS回归模型；

   （3）对提取的8个纹理特征变量进行同样的分析，得到基于原纹理变量的PLS回归模型；

（4）利用样本采集时同时获取的24个样本的数据，对所建立的两模型进行检验；

（5）采用融合灰度、纹理特征来建立番茄定植—开花期含水率预测模型，即将遗传算法（GA）和偏小二乘回归（PLSR）相结合，选择出预测精度最高的特征子集，并利用最优特征子集建立番茄定植—开花期含水率预测模型。

本发明的有益效果：利用高光谱图像技术诊断作物水分亏缺的方法，能兼顾到叶片的内部信息与外部特征，以提高检测的全面性和可靠性。采用无土栽培培育样本，利用自行构建的高光谱图像采集系统采集数据；通过自适应波段选择法，从海量数据中优选出特征波长1420nm；然后利用Matlab软件对每个样本特征波长下的图像进行分割，反转以及形态运算等操作得到目标图像；再从每个目标图像中提取灰度均值、灰度标准差作为灰度特征，能量、熵、惯性矩、相关性的均值和标准差作为纹理特征，以减少单个特征变量对含水率检测的缺陷；最后采用GA-PLS法选出最优特征子集，并建立基于最优特征的偏最小二乘回归模型，模型的预测值与实测值的相关系数R为0.902，精度明显高于基于灰度特征和纹理特征的预测模型。

本发明与常规检测方法相比，检测速度快、操作简便方便；与单一的近红外光谱或计算机视觉技术手段相比，得到的信息更全面，检测结果的精确性和稳定性都有所提高。本发明提供的基于高光谱图像技术的作物水分亏缺的快速探测方法，可以实现作物生长过程中营养信息快速探测。该发明为科学精确灌溉提供参考，对提高智能化管理水平、作物增产和提高作物品质都有着直接意义。

附图说明

图1.高光谱成像系统，

其中：1.光箱；2.光源； 3.控制器； 4.计算机； 5.近红外相机； 6.成像光谱仪； 7.镜头； 8.玻璃光纤性灯； 9.位移台 ；10 番茄叶片。

图2 不同水分胁迫下番茄叶片特征图像，

其中：（a）W1组灌溉水分为100%，即充分灌溉；(b) W2组灌溉含水率分别为标准配方的75%的浓缩液；(c) W3组灌溉含水率分别为标准配方的50%的浓缩液；(d) W4组灌溉含水率分别为标准配方的25%的浓缩液。 

图3 图像预处理过程中对图像背景的分割，其中：图a二值化图；图b反转和膨胀图像；图c目标图像。

图4 番茄叶片含水率PLS模型的预测值与实测值对比分析。

具体实施方式

下面以番茄为例，结合附图对本发明进行进一步详细描述。

本发明具体实施方式中所采用的高光谱图像采集系统参阅图1。利用图1所示的高光谱图像采集系统采集温室番茄叶片高光谱图像，其包括近红外相机5（XEVA-FPA-1.7-320，XenICs,Leuven,Belgium）,光谱范围900-1700nm, 成像光谱仪6(ImspectorN17E, Spectral ImagingLtd., Finland），分辨率为5nm, 150W卤钨灯的直流可调光源2（2900-ER+9596-E，Illumination Technologies, Inc.,East Syracuse,NY, USA），位移单元由位移台9（MTS120，北京光学仪器厂，北京，中国）和控制器3（SC100，北京光学仪器厂，北京，中国）组成，成像光谱仪6的下方装有镜头7，可以采集到番茄叶片10的图像，传输到计算机4（DELL Inspiron 530s,USA）中，玻璃光纤性灯8为图像的采集提供必要的照明。近红外相机5、成像光谱仪6、镜头7和玻璃光纤性灯8位于光箱1。

本发明2009年4月至2009年9月在江苏大学现代农业装备与技术省部共建重点Venlo型温室中进行实验。番茄品种选用合作906。为保证前期的基础性研究能够对番茄分的有效特征进行准确提取，本发明采用无土栽培技术进行样本培育。在保证其他营养元素均衡的情况下，对水分进行精确控制，以获取纯正的不同水分胁迫水平的样本。考虑到不同层级的叶片，其水分含量差别较大且对光谱反射率贡献不同，采集叶片是要采集同一层级上的。

研究设四个不同水分处理，每个水平12株，四个水平依次为：第1组（W1）在整个生长期都保证充足的水分供应；第2（W2）、3（W3）、4（W4）组灌溉含水率分别为标准配方的75%、50%、25%的浓缩液。  

采用化学方法测定的含水率，即首先测量番茄叶片样本的鲜重，并在恒温80℃烘箱中进行12h的烘干处理之后测量其干重。然后计算样本干基含水率。用于下面的模型建立及校正。

（1）    高光谱图像采集；

高光谱图像数据的采集是基于SpectralCube (Spectral Imaging Ltd., Finland) 软件平台；实际采集的光谱范围为871.6～1766.3 nm,空间分辨率为62.5um，采样间隔为3.5 nm, 一次采集可获取采样光谱范围内以3.5nm为间隔的256幅独立的高光谱图像。

确定近红外相机的曝光时间以保证图像的清晰，同时确定位移台的速度以避免图像尺寸和空间分辨率的失真。经过分析比较确定曝光时间为为20 ms ,位移台的移动速度为1.25 mm/ s。数据采集时，首先进行黑场和白场标定，设定反射率范围，进而利用二阶巴特沃茨滤波器进行数字滤波，去除噪声干扰。

（2）    特征波长的提取：

高光谱图像数据立方体是由波长871.6～1766.3 nm范围的256幅图像（分辨率为3.5nm）构成,包含的数据量比二维图像和一维光谱的数据量都要大得多。由于波段相邻的两幅图像之间具有较强的相关性,造成高光谱图像数据中存在大量的冗余信息。因此,有必要对高光谱数据进行降维处理以寻找最能表征番茄叶片水分含量的特征图像,这样即可以提高数据处理的速度,又可以去除数据中的冗余信息。

自适应波段选择(adaptive band selection，ABS)是针对最佳指数因子法方法在实际应用中存在的局限性，提出的一种高光谱图像特征波段选择方法。该方法充分考虑了各波段的空间相关性和谱间相关性。其数学模型下：

                      （1）

             （2）

    （3）

式中：σ _i 为第i个波段的标准差；E{}为数学期望；R _i-1,i 和R _i,i+1 是第i个波段与其前后两波段的相关系数；I _i 是第i幅图像的指数因子的大小，M、N分别是图像的行、列像素数，f  _i (x,y)是第i幅图像；f  _i 是第i幅图像的像素平均值。ABS方法获得的指数充分考虑了每幅图像的信息富集程度与相邻波段的相似性,I _i 越大,相应图像的信息量就越大,越具有代表性。

  由于所采集的图像包含着大面积无用的背景信息，这会导致后期数据处理效率的降低，因此首先利用ENVI软件以叶片的外接矩形对图像进行裁剪，然后根据公式（1），计算每幅图像的指数大小，表1为一样本利用自适应波段选择方法得出的指数，其中，指数I _i 由大到小排列，后面是对应的波段号，每个波段号对应一波长。由表1可以看出，第157波段的指数最大，图像的有效信息量最大，最具代表性，因此，将第157波段的图像选为特征图像，即特征波长为1420nm. 对于其余样本采用同样的方法选择特征波长，可以得到每个样本图像的指数最大值所对应的波长均为1420nm。其中图2为不同水分胁迫下番茄叶片特征图像。

表1  指数及其对应的波段号（前10个）

序号	指数	波段号	序号	指数	波段号
						1	854.6309	157	6	845.9549	159
2	852.5001	155	7	845.8666	160
						3	852.5001	156	8	841.1411	153
4	850.1708	154	9	840.3001	161
						5	848.4298	158	10	838.6845	162

（3）    图像预处理：

图像中背景的存在对后续处理会产生干扰，因此，需将番茄叶片从背景中分离出来。针对特征波长下的图像，首先，采用最大类间方差法进行分图像割。最大类间方差法是在判决分析最小二乘法原理的基础上，推导得出的自动选取阈值的二值化方法，其基本思想是将图像灰度直方图用某一灰度值分割成两组，当被分割成的两组方差最大时，此灰度值就作为图像二值化处理的阈值。Ostu阈值法使用比较广泛，不论图像的直方图有无明显的双峰，都能得到比较满意的分割效果,如图3所示其中a为采用Ostu阈值法进行图像分割得到的二值化图；之后将二值化图像进行灰度反转，并利用数学形态学运算进一步处理图像,填补残留的孤立噪声点，生成图3b；最后，将原始图像与处理后的二值化图像进行像点相乘得到目标图像，如图3c所示。

（4）    特征提取：

如图2所示，不同水分胁迫下番茄叶片特征图像的灰度差异较明显，因此，可以提取图像的灰度、纹理特征来表征番茄样本的含水量。

特定波长下,图像的平均灰度级可以用来表示番茄样本区域的反射强度分布特性,因而,特征图像上的平均灰度级能在一定程度上表征番茄叶片内部信息。而灰度标准差反映了各象素灰度值与图像平均灰度值的总离散程度。灰度标准差越大，番茄叶片图像中所含信息越多。

                （4）

     （5）

式中：AG、SG分别表示叶片图像的平均灰度值和灰度标准差；N为图像中叶片区域的像素点个数（i=1,2,…,N）；f(x,y)为像素点(x,y)的灰度值。

不同含水量鲜番茄叶片的组织纹理结构有较大区别,而图像的不同区域的直方图特征可以提供许多图像特征信息。本研究选用灰度共生矩阵法提取纹理特征，它是目前公认的一种重要的纹理分析方法，反应了图像中任意两点灰度的相关性，常用的统计量包括能量、熵、惯性矩和相关性。其中，能量表示灰度共生矩阵元素值的平方和,反映了图像灰度分布均匀程度和纹理粗细度；熵表示了图像中纹理的非均匀程度或复杂程度；惯性矩反映了图像的清晰度和纹理沟纹深浅的程度；而相关性是用来衡量灰度共生矩阵的元素在行或列方向上的相似程度。

  

                （6）

  

              （7）

              （8）

              （9）

式中：ASM、H、CON、COR分别表示能量、熵、惯性矩和相关性；P(i, j)为归一化共生矩阵中灰度级对为(i, j)的联合概率；L是灰度级数目；u _x  , u _y  ,σx和σy分别是

和

的均值和方差。

本发明先计算0^。，45^。，90^。，135^。四个方向上的灰度共生矩阵，取像素间的距离为1；再由灰度共生矩阵计算常用统计量，将四个方向的常用统计量的均值和标准差作为纹理特征。能量、熵、惯性矩和相关性的均值分别用AM、AH、AN、AR表示，其标准差分别用SM、SH、SN、SR表示

（5）    模型建立：

利用多元回归来预测番茄含水率时，在提高拟合优度的同时，希望保持回归方程的显著性，这需要各特征变量之间应相互独立。若特征变量之间存在多重共线性，会导致回归模型与实际相差较大。偏最小二乘方法是多元线性回归、典型相关分析和主成分分析的集成和发展，提取的成分既能很好地概括特征变量系统中的信息,又能最好地解释番茄含水率,同时又消除了系统中的噪声干扰。因而,PLS不仅能够完成降维工作,而且可以有效地解决特征变量间多重相关性情况下的回归建模问题。因此，本发明采用偏最小二乘回归建立番茄定植—开花期含水率预测模型。

为了避免不同特征值数量级差异过大对拟合模型产生的影响，首先按式（10）对每个样本的灰度、纹理特征值进行标准化处理；

           

               （10）

            

                  （11）

           

           （12）

式中： X _i 表示标准化后的数据；x _i 为原始数据；

为均值；σ为方差；n为样本数；i为序号(i=1,2,3)。标准化处理后每组数据均值为0，方差为1。

将提取的2个灰度特征变量进行偏最小二乘相关分析（PLS），分别提取到2个PLS成分，利用所得到的2个PLS成分与干基含水率做相关分析，得到基于原灰度变量的PLS回归模型：

                  

                    （13）

对提取的8个纹理特征变量进行同样的分析，得到基于原纹理变量的PLS回归模型：

  （14）

利用样本采集时同时获取的24个样本的数据，对所建立的两组模型分别进行检验，其中预测值与实测值相关系数分别为0.337和0.616，模型的预测精度均较低。表明单一图像特征预测效果较差，考虑融合灰度、纹理特征来建立番茄定植—开花期含水率预测模型。

由于图像的纹理和灰度特征变量较多，会导致冗余特征的存在，使模型的精度降低。前文PLS回归模型采用的灰度特征变量和纹理特征变量共有10 个特征变量，为了提高精度，应从这10个特征变量中选出数量为d(d <10)的一组最优特征进行建模。遗传算法模拟自然进化中优胜劣汰、适者生存的原理进行自学习和寻优，在解决大空间、非线性等复杂的寻优问题具有优势。因此，本发明将遗传算法（GA）和偏小二乘回归（PLSR）相结合，选择出预测精度最高的特征子集，并利用最优特征子集建立番茄定植至开花期含水率预测模型。

采用二进制编码方案，串长为特征个数10，如果第i位为1,那么第i个特征就被选中,否则这个特征就被屏蔽。因此,每一个个体代表了一个不同的特征子集,也就是一个候选解.种群规模取为50，交叉概率Pc为0.9，变异概率Pm为0.1，终止条件为遗传代数达到50。

特征子集选择的目标是使用少量的特征达到相同或更好的建模效果,因此适应度的评价包含两部分内容:(a)预测精度。先将入选特征子集进行偏最小二乘回归，再利用测试样本进行预测，获得预测值与实测值之间的相关系数R作为预测精度；(b)使用的特征数量。每个特征子集包含一定数量的特征,如果两个特征子集建模的预测精度相同,包含特征比较少的子集就被选中。在预测精度和特征数量这两个因素中,需要重点考虑的是准确率,因此适应度函数确定为如下形式:

          fitness=R×100+k×d           (15)

式中R为模型预测精度,d为所选特征子集的特征个数。这里把预测精度的权值定为100,以提高预测精度的重要性。预测精度高就意味着适应度值大,该特征子集就有可能在竞争中获胜。k是预测精度和特征数量的折中参数,本文中取值为0.5。

利用Matlab软件进行编程，运算得到最优的特征组合为1101101111，fitness=94.18，则被选中的特征为灰度均值、标准差，能量的标准差，熵的均值，惯性矩的均值、标准差以及相关性的均值、标准差。对入选特征变量进行偏最小二乘回归，得到PLS回归模型：

    

    （16）

对模型进行验证，预测结果如图4所示。结果表明：预测值与实测值的平均相对误差为3.03%，相关系数为0.902。融合了灰度、纹理特征的模型的预测精度得到明显的提高。

（7）    利用上述模型检测作物含水率，诊断作物是否发生水分亏缺：

模型建立后，采用高光谱采集待测番茄叶片的光谱信息，经处理后代入上述模型，即可计算番茄叶片的含水率，诊断作物是否发生水分亏缺。

由上述实施例可以看出本发明以番茄为研究对象，采用高光谱图像无损检测技术，检测番茄定植—开花期时的含水率。首先采用自行构建的高光谱成像系统采集番茄叶片高光谱图像数据；选用自适应波段选择法优选出特征波长1420nm，实现多维数据降维；然后对每个样本特征波长下的图像进行分割，反转以及形态运算得到目标图像，并从目标图像中提取叶片的灰度、纹理特征；最后利用偏最小二乘回归分别建立基于灰度特征和纹理特的预测模型，但模型精度都较低，因此,融合灰度、纹理特征，针对10个特征变量，采用GA-PLS法选出最优特征子集，并建立基于最优特征的偏最小二乘回归模型，模型的预测值与实测值的相关系数R为0.902，模型精度明显提高。

以上只是结合一个具体实施例（以番茄水分为例），示例性说明及帮助进一步理解本发明，但实施例具体细节仅是为了说明本发明，并不代表本发明构思下全部技术实施例，因此不应理解为对本发明总的技术实施例限定，一些在技术人员看来，不偏离发明构思的非实质性改动，例如以具有相同或相似技术效果的技术特征简单改变或替换，均属本发明保护范围。

Claims (1)

1.高光谱图像技术诊断作物水分亏缺的方法，其特征在于按照下述步骤进行：

（1）高光谱图像采集，所述的高光谱图像采集是指利用高光谱图像采集系统采集温室番茄叶片的高光谱图像；

（2）特征波长的提取，所述的特征波长的提取是指采用自适应波段选择法进行高光谱图像的特征波长提取；

（3）图像预处理，所述的图像预处理，指首先采用最大类间方差法进行图像分割，然后将二值化图像进行灰度反转，并利用数学形态学运算进一步处理图像,填补残留的孤立噪声点；最后将原始图像与处理后的二值化图像进行像点相乘得到目标图像；

（4）特征提取，所述的特征提取是指选用灰度共生矩阵法提取纹理特征；

（5）模型建立，所述的模型建立是指采用偏最小二乘回归建立番茄定植—开花期含水率预测模型，具体按照下述步骤进行：（1）对样本进行预处理，确定输入因子的数量，针对所提取的灰度、纹理特征变量，对样本进行标准化处理，(2)将提取的2个灰度特征变量进行偏最小二乘相关分析，分别提取到2个PLS成分，利用所得到的2个PLS成分与干基含水率做相关分析，得到基于原灰度变量的PLS回归模型； （3）对提取的8个纹理特征变量进行同样的分析，得到基于原纹理变量的PLS回归模型；（4）利用样本采集时同时获取的24个样本的数据，对所建立的两模型进行检验；（5）采用融合灰度、纹理特征来建立番茄定植—开花期含水率预测模型，即将遗传算法和偏小二乘回归相结合，选择出预测精度最高的特征子集，并利用最优特征子集建立番茄定植—开花期含水率预测模型；

（6）利用上述模型检测作物含水率，诊断作物是否发生水分亏缺。

Images