CN102521830A - 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 - Google Patents

Abstract

本发明公开了一种受病害胁迫农作物冠层高光谱图像的波段优选方法，包括：(1)采集农作物冠层高光谱图像数据；(2)执行不稳定指数计算、平衡因子设置等一系列的波段优选程序；(3)用候选的优选波段组合建立最小二乘-支持向量机分类模型，并估算分类精度；(4)根据优选波段组合内的波段数量和分类模型的分类精度进一步决定最佳的优选波段。本发明方法用于对受病害胁迫的农作物冠层高光谱图像像素进行分类分析，可以大大降低高光谱图像的数据量，操作方便，且可以根据优选波段数量和分类精度的不同要求来选择不同的优选波段组合，大大提高了农作物冠层病害胁迫程度分析的效率和灵活性。

Description

一种受病害胁迫农作物冠层高光谱图像的波段优选方法

技术领域

本发明涉及高光谱图像数据分析领域，尤其涉及一种受病害胁迫农作物冠层高光谱图像的波段优选方法。

背景技术

农作物受病虫害胁迫会直接影响其农产品的产量和质量。监测大田作物的冠层是获取作物病情指数信息的最佳方法之一。高光谱成像技术用于农作物冠层图像采集有两个优点：(1)像素数据量大，能够分析小尺度空间的病害信息；(2)单一像素的波段数据量大，波段覆盖范围广，能够反映肉眼无法看到的光谱信息。这两个优点使得高光谱成像技术具有将受害像素与健康像素精确分类，从而估计作物病害程度的特性。但是高光谱图像的海量数据往往使得分析耗时较长，对处理器的性能要求也较高。因此寻找一种农作物冠层高光谱图像的波段优选方法来进行数据压缩非常必要。

现有的的高光谱波段优选方法主要有主成分分析法(PCA)、独立成分分析(ICA)和遗传算法(Ga)波段优选方法。PCA和ICA需要很大的存储空间和计算复杂度；Ga波段优选方法通过模拟自然进化过程搜索最优解，算法对新空间的探索能力有限，容易收敛到局部最优解，属于随机类算法，不能得到稳定的解，可靠性差，处理高光谱数据这样的高维数据需要较大的计算时间。

发明内容

本发明提供了一种受病害胁迫农作物冠层高光谱图像的波段选择方法，解决了因农作物冠层高光谱图像像素点多、波段数大而需要耗费大量时间进行受病害胁迫和未受病害胁迫的像素点的分类分析，提高了农作物受病害感染的监测效率。

一种受病害胁迫农作物冠层高光谱图像的波段选择方法，包括：

(1)采集受病害胁迫农作物冠层的高光谱图像，所述的高光谱图像包含431-990nm范围内的953个光谱波段；

(2)计算得到所述高光谱图像每个波段的不稳定指数：随机选取若干健康像素和病害像素，分为两组，健康像素和病害像素各为一组，不稳定指数ISI_i的计算公式如下，

${\mathrm{ISI}}_i=\frac{{\mathrm{\Δ}}_{\mathrm{within},i}}{{\mathrm{\Δ}}_{\mathrm{between},i}}=\frac{s_{1,i}+s_{2,i}}{|m_{1,i}-m_{2,i}|}$

式中ISI_i表示第i个波段下的不稳定指数；Δ_within，i是第i个波段下病害像素和健康像素的类内偏差，Δ_between，i是第i个波段下病害像素和健康像素的类间偏差；s_1，i是第i个波段下病害象素的标准偏差，s_2，i是第i个波段下健康像素的标准偏差；m_1，i是病害象素在第i个波段下的平均光谱反射值，m_2，i是健康像素在第i个波段下的平均光谱反射值；

(3)将所有不稳定指数ISI_i升序排列，计算相邻不稳定指数的相对距离，RD_i＝|ISI_i-ISI_i+1|，RD_i表示第i个不稳定指数和第i+1个不稳定指数的相对距离；

(4)设定一系列平衡因子，平衡因子在所述相对距离RD_i的最小值和最大值之间取值；

(5)抽取其中一个平衡因子，计算每一所述相对距离RD_i和抽取的平衡因子之间差值的绝对值，D_i表示第i个相对距离与所抽取的平衡因子之间的差值的绝对值；

将D_i按顺序累加，用AD_i表示第1到第i-1个D_i值的总和，AD_i＝D₁+D₂+...+D_i-1，求所有AD_i局部极大值AD_j，AD_j对应的第j个波段为候选优选波段，其中j＝1，...，n，记录该平衡因子对应的候选优选波段组合及其波段数量n；

(6)提取步骤(5)中的候选优选波段组合，建立最小二乘-支持向量机分类模型，测算分类模型的分类精度；

(7)将其它所有平衡因子重复步骤(5)-(6)，根据每一个平衡因子对应的候选优选波段组合的波段数量n及分类模型的分类精度选取最优波段组合。

步骤(4)中所述平衡因子在所述相对距离RD_i的最小值和最大值之间按平均间隔取值，所述的平均间隔取值的间隔优选为0.5。

步骤(6)中所述的建立最小二乘-支持向量机分类模型以步骤(2)中所选像素的候选优选波段对应的光谱反射值作为输入变量，像素的类标识码作为输出变量。

每一个平衡因子的候选优选波段组合的波段数量n和最小二乘-支持向量机分类模型的分类精度是衡量优选波段质量的两个重要指标，波段数量越低，同时分类模型的分类精度越高，则选出来的优选波段组合质量越高。

本发明的有益效果：

(1)实施方便快捷，基本采用简单的算术运算完成，运算速度较快；

(2)可以根据优选波段数量和分类精度的不同要求来选择不同的优选波段组合。

附图说明

图1是AD局部极大值示意图；

图2是水稻冠层高光谱图像的候选优选波段图。

具体实施方式

以受稻瘟病危害的水稻冠层为例，采集冠层高光谱图像，光谱范围覆盖431-990nm，共953个光谱波段。

实施例1

(1)对冠层高光谱图像进行标准化矫正、背景分离等，剔除图像中非作物的对象像素。

标准化矫正公式：

R＝(I-I_dark)/(I_white-I_dark)

其中R是校准后的样本反射值，I是样本的原始反射值，Idark是黑标准象素反射值，Iwhite是白标准象素反射值。

背景分离方法公式：

R＝R_784.55-R_682.27

其中R是差分运算后的象素值，R_784.55是784.55nm波段的反射值，R_682.27是682.27nm波段的反射值。

按上述公式进行高光谱图像784.55nm和682.27nm的波段差分运算，经过差分运算后的单波段图像的植被象素和背景象素的象素值差别较大；取两类象素值的中间值作为阈值，大约为350，此时植被象素大于350，背景象素小于350；然后将大于350的象素设为1，小于350的象素设为0，使图像二值化；然后将二值化后的图像做为掩模来将背景象素屏蔽。

(2)抽取图像中的健康像素和病害像素各50个，分成两组，健康像素和病害像素各为一组，对所选象素的每一个波段计算一个不稳定指数，公式如下：

${\mathrm{ISI}}_i=\frac{{\mathrm{\Δ}}_{\mathrm{within},i}}{{\mathrm{\Δ}}_{\mathrm{between},i}}=\frac{s_{1,i}+s_{2,i}}{|m_{1,i}-m_{2,i}|}$

式中ISI_i表示第i个波段下的不稳定指数；Δ_within，i是第i个波段下健康像素和病害像素的类内偏差，Δ_between，i是第i个波段下健康像素和病害像素的类间偏差；s_1，i是第i个波段下病害的50个象素的标准偏差，s_2，i是第i个波段下健康的50个象素的标准偏差；m_1，i是病害的50个象素在第i个波段下的平均光谱反射值，m_2，i是健康的50个象素在第i个波段下的平均光谱反射值。

(3)将每个波段的光谱数据按ISI_i的值由小到大升序排列，并按排序后的波段顺序计算相邻两个ISI_i值的相对距离，公式如下：

RD_i＝|ISI_i-ISI_i+1|

式中RD_i表示重排序后的第i个波段与第i+1个波段的相对距离。

(4)设定一系列平衡因子T_i，T_i在所有波段的RD_i的最小值和最大值之间按平均间隔0.5取值，例如，本实施方式中经上述计算得到RD_i的最小值为2.5，最大值为25，因此T_i的取值范围从2.5到25之间，按0.5的平均间隔总共取45个值，即选取了45个平衡因子T_{i(i＝1，...，45)}。

(5)随机选取一个平衡因子T_i，计算每一个波段下的RD_i和该平衡因子T_i之间的差值的绝对值，用D_i表示，计算公式如下：

D_i＝|RD_i-T_i|

D_i即表示第i个波段下的RD_i和选取的平衡因子T_i之间的差值的绝对值，将D_i值按顺序累加后用AD_i表示，AD_i即表示第1个到第i-1个波段的D_i值的累加值，对AD_i求局部极大值AD_j，局部极大值AD_j对应的第j个波段为候选优选波段，所有AD_i的局部极大值AD_j(j＝1，...，n)对应的n波段即为候选优选波段组合，如图1所示，并记录下候选优选波段组合的波段数量n。

(6)将步骤(5)中的候选优选波段提取出来，建立最小二乘-支持向量机分类模型，其中像素的光谱反射值作为分类模型的输入变量，像素的类标识码作为输出变量，测算模型的分类精度。

最小二乘-支持向量机分类模型：

能较快的解决线性与非线性多变量建模问题，用线性方程代替二次方程计算获得支持向量，最小二乘-支持向量机分类建模算法可用以下公式来描述：

$y\left(x\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{k}F(x,x_k)+b$

其中，F表示核函数，x_k表示输入向量，α_k表示支持向量，b表示偏差。

(7)将其他平衡因子T_i重复步骤(5)-(6)，直到所有的平衡因子T_i都参与过计算。

(8)根据每一个平衡因子T_i对应的候选优选波段的波段数量n和最小二乘-支持向量机分类模型的分类精度选取优选波段组合，波段数量n越少，同时分类精度越高的候选优选波段组合即为优选波段组合。

在本实施方式中，提取了两个优选波段组合，优选波段组合的波段数量分别为31和3，相应的平衡因子T_i和分类模型的分类精度如表1所示，其中分类精度指标即总分类精度指被正确分类的像素占所有像素的百分比；正判率指被正确分类的病害像素数量占所有病害像素数量的百分比；误判率指健康像素被误判为病害素数量占所有病害像素数量的百分比，由表1的结果可知，当平衡因子取值为3时，得到的优选波段数量为31，总分类精度、正判率和误判率等指标都非常理想，表明该优选波段组合训练出的分类模型具有较好的分类性能；当平衡因子取值为20时，得到的优选波段数量为3，虽然总分类精度和正判率指标略低于第一组优选波段组合，误判率略高于第一组优选波段组合，但仍然在可接受的范围内，且优选波段数量较第一组优选波段少，能够降低运算量，所以在一定的精度要求下可以考虑使用第二组优选波段组合。

表1波段组合和分类模型的分类精度

图2是水稻冠层高光谱图像的候选优选波段，图1中曲线A是受害像素样本的光谱反射曲线，曲线B是健康像素样本的光谱反射曲线，波长覆盖范围从430nm至1000nm；图下方的黑色方块表示采用本发明的方法，T_i取值3，获得的31个优选波段；空心方块表示T_i取值为20，获得的3个优选波段。

实施例2

为验证实施例1中的方法提取的优选波段组合的质量，分别取冠层图像中的2000个病害像素和2000个健康像素，先提取每个像素的31个优选波段组合，建立最小二乘支持向量机分类模型并计算模型的分类精度；再提取每个像素的3个优选波段组合，建立最小二乘支持向量机分类模型并计算模型的分类精度。

结果如表2所示，由表2可知，采用31个优选波段组合建立分类模型，其总分类精度、正判率和误判率等指标都非常理想，表明该优选波段组合训练出的分类模型具有较好的分类性能；采用3个优选波段组合建立分类模型，虽然总分类精度和正判率指标略低于第一组优选波段组合，误判率略高于第一组优选波段组合，但仍然在可接受的范围内，且优选波段数量远低于第一组优选波段，能够降低运算量，所以在精度要求略低的情况下可以考虑使用第二组优选波段组合。

表2波段组合和分类模型的分类精度

Claims (4)

1.一种受病害胁迫农作物冠层高光谱图像的波段优选方法，包括：

(1)采集受病害胁迫农作物冠层的高光谱图像；

(2)计算得到所述高光谱图像每个波段的不稳定指数；

(3)将所有不稳定指数升序排列，计算相邻不稳定指数的相对距离；

(4)设定一系列平衡因子，平衡因子在所述相对距离的最小值和最大值之间取值；

(5)抽取一个平衡因子，计算每一所述相对距离和抽取的平衡因子之间的差值的绝对值，D_i表示第i个相对距离与所抽取的平衡因子之间的差值的绝对值；

将D_i按顺序累加，用AD_i表示第1到第i-1个D_i值的总和，AD_i＝D₁+D₂+...+D_i-1，求所有AD_i的局部极大值AD_j，AD_j对应的第j个波段为候选优选波段，其中j＝1，...，n，记录该平衡因子对应的候选优选波段组合及其波段数量n；

(6)提取步骤(5)中的候选优选波段组合，建立最小二乘-支持向量机分类模型，测算分类模型的分类精度；

(7)将其它所有平衡因子重复步骤(5)-(6)，根据每一个平衡因子对应的候选优选波段组合的波段数量n及分类模型的分类精度选取最优波段组合。

2.根据权利要求1所述的波段优选方法，其特征在于，步骤(1)中所述的高光谱图像包含431-990nm范围内的953个光谱波段。

3.根据权利要求1所述的波段优选方法，其特征在于，步骤(4)中所述平衡因子在所述相对距离的最小值和最大值之间按平均间隔取值。

4.根据权利要求3所述的波段优选方法，其特征在于，所述的平均间隔取值的间隔为0.5。

Images