CN103926204A - 基于多光谱图像特征的土壤酸碱度快速检测方法 - Google Patents

Abstract

本发明公开了一种基于多光谱图像特征的土壤酸碱度快速检测方法，其特征在于，所述方法包括以下步骤：（1）利用2CCD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像；（2）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间；（3）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间；（4）计算每个样本的6个特征值R_avgi、G_avgi、B_avgi、H_avgi、S_avgi、IR_avgi；（5）将所述的6个特征值作为自变量，土壤酸碱度作为因变量Y，建立一个多元线性回归方程Y=6.492+0.688R_avgi-1.440G_avgi+0.858B_avgi+645.547H_avgi-0.623S_avgi-0.115IR_avgi，即可预测土壤酸碱度。本发明方法能够快速预测土壤酸碱度，适合便携式检测仪器开发使用。

Description

基于多光谱图像特征的土壤酸碱度快速检测方法

技术领域

本发明属于农业信息化领域，具体涉及一种基于多光谱图像特征的土壤酸碱度快速检测方法。

背景技术

土壤酸碱度是土壤属性的重要特征，不仅影响土壤生物活性，而且与土壤养分的形成、转化、有效性及作物生长发育密切相关。传统的土壤酸碱度测定主要以比色法和电位法为主，这两种方法测定步骤较为复杂、测定时间较长、需要使用化学试剂，不适合大规模快速测定要求。近年来，多光谱图像技术正被越来越多地应用于土壤养分测试。由于土壤酸碱度对多光谱图像具有选择性吸收特性，因此利用多光谱图像可以快速测定土壤酸碱度。

发明内容

本发明针对传统土壤酸碱度测试方法步骤复杂、测试周期长、需用使用化学试剂等缺点，提供了一种基于多光谱图像特征的土壤酸碱度快速检测方法。

基于多光谱图像特征的土壤酸碱度快速检测方法，包括以下步骤。

（1）利用2CCD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像。

（2）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_i、G_i、B_i、H_i、S_i、I_i，其中i是每个样本的编号，R_i、G_i、B_i、H_i、S_i、I_i均为m×n像素矩阵；近红外图像记为IR_i，其中i为每个样本的编号，IR_i是m×n像素矩阵。

（3）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_ref、G_ref、B_ref、H_ref、S_ref、I_ref，其中R_ref、G_ref、B_ref、H_ref、S_ref、I_ref均为m×n像素矩阵；近红外图像记为IR_ref，其中IR_ref是m×n像素矩阵。

（4）计算每个样本的6个特征值。所述6个特征值R_avgi、G_avgi、B_avgi、H_avgi、 S_avgi、IR_avgi的计算公式分别为：R_avgi=(ΣR_i-ΣR_ref)/m×n，G_avgi=(ΣG_i-ΣG_ref)/m×n，B_avgi=(ΣB_i-ΣB_ref)/m×n，H_avgi=(ΣH_i-ΣH_ref)/m×n，S_avgi=(ΣS_i-ΣS_ref)/m×n， IR_avgi=(ΣIR_i-ΣIR_ref)/m×n，其中i是每个样本的编号。式中，ΣR_i是第i个土壤样本R通道R_i矩阵中m行n列数据的总和；ΣG_i是第i个土壤样本G通道G_i矩阵中m行n列数据的总和；ΣB_i是第i个土壤样本B通道B_i矩阵中m行n列数据的总和；ΣH_i是第i个土壤样本H通道H_i矩阵中m行n列数据的总和；ΣS_i是第i个土壤样本S通道S_i矩阵中m行n列数据的总和；ΣIR_i是第i个土壤样本IR通道IR_i矩阵中m行n列数据的总和；ΣR_ref是参考白板R通道R_ref矩阵中m行n列数据的总和；ΣG_ref是参考白板G通道G_ref矩阵中m行n列数据的总和；ΣB_ref是参考白板B通道B_ref矩阵中m行n列数据的总和；ΣH_ref是参考白板H通道H_ref矩阵中m行n列数据的总和；ΣS_ref是参考白板S通道S_ref矩阵中m行n列数据的总和；ΣIR_ref是参考白板IR通道IR_ref矩阵中m行n列数据的总和。

（5）将所述的6个多光谱图像特征值作为自变量，土壤酸碱度（pH）作为因变量，建立多元线性回归方程Y=6.492+0.688 R_avgi-1.440 G_avgi+0.858 B_avgi+645.547 H_avgi-0.623 S_avgi-0.115IR_avgi ，即可预测土壤酸碱度。

与现有技术相比，本发明有益的效果在于：（1）相比于传统比色法和电位计法，采用多光谱图像特征测定土壤酸碱度，检测速度更快、操作更加简单；（2）采用基于多光谱图像特征的多元线性回归方程，适合便携式检测仪器的设计，可使成本更加低廉。

附图说明

图1为实施例中建模集样本的土壤酸碱度的实测值和计算值的散点分布图。

图2为实施例中预测集样本的土壤酸碱度的实测值和计算值的散点分布图。

具体实施方式

下面结合实施例和附图对本发明作进一步说明。

基于多光谱图像特征的土壤酸碱度快速检测方法，包括以下步骤。

（1）收集具有代表性的土壤样品共103个，将样品磨碎风干后，以1 mol/L的KCL溶液为浸提剂，采用电位法获取土壤酸碱度（pH）的实际值。将103个样本按pH值的高低进行排序，然后按照2:1的比例，依次取出样本分别作为建模集和预测集（如表1）。

 表1  土壤典型样本酸碱度

。

（2）在室温下，采用丹麦JAI公司生产的AD-080GE型2CCD工业数字摄像机获取土壤样本及参考白板的可见光通道和近红外通道图像，图像大小为300×300像素。

（3）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_i、G_i、B_i、H_i、S_i、I_i，其中i是每个样本的编号，R_i、G_i、B_i、H_i、S_i、I_i均为m×n像素矩阵；近红外图像记为IR_i，其中i为每个样本的编号，IR_i是m×n像素矩阵。

（4）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_ref、G_ref、B_ref、H_ref、S_ref、I_ref，其中R_ref、G_ref、B_ref、H_ref、S_ref、I_ref均为m×n像素矩阵；近红外图像记为IR_ref，其中IR_ref是m×n像素矩阵。

（5）计算每个样本的6个特征值。所述6个特征值R_avgi、G_avgi、B_avgi、H_avgi、 S_avgi、IR_avgi的计算公式分别为：R_avgi=(ΣR_i-ΣR_ref)/m×n，G_avgi=(ΣG_i-ΣG_ref)/m×n，B_avgi=(ΣB_i-ΣB_ref)/m×n，H_avgi=(ΣH_i-ΣH_ref)/m×n，S_avgi=(ΣS_i-ΣS_ref)/m×n， IR_avgi=(ΣIR_i-ΣIR_ref)/m×n，其中i是每个样本的编号。式中，ΣR_i是第i个土壤样本R通道R_i矩阵中300×300像素的总和；ΣG_i是第i个土壤样本G通道G_i矩阵中300×300像素的总和；ΣB_i是第i个土壤样本B通道B_i矩阵中300×300像素的总和；ΣH_i是第i个土壤样本H通道H_i矩阵中300×300像素的总和；ΣS_i是第i个土壤样本S通道S_i矩阵中300×300像素的总和；ΣIR_i是第i个土壤样本IR通道IR_i矩阵中300×300像素的总和；ΣR_ref是参考白板R通道R_ref矩阵中300×300像素的总和；ΣG_ref是参考白板G通道G_ref矩阵中300×300像素的总和；ΣB_ref是参考白板B通道B_ref矩阵中300×300像素的总和；ΣH_ref是参考白板H通道H_ref矩阵中300×300像素的总和；ΣS_ref是参考白板S通道S_ref矩阵中300×300像素的总和；ΣIR_ref是参考白板IR通道IR_ref矩阵中300×300像素的总和。

（6）将上述的6个多光谱图像特征值作为自变量，土壤酸碱度（pH）作为因变量，建立多元线性回归方程Y=6.492+0.688 R_avgi-1.440 G_avgi+0.858 B_avgi+645.547 H_avgi-0.623 S_avgi-0.115IR_avgi，即可预测土壤酸碱度。

为了验证上述测定方法的有效性，分别对建模集合预测集样本的ph值进行检测，得到模型计算值。将实测值和计算值表示于图1和图2中。

图1中，每个点代表建模集的一个样本，横坐标代表建模集样本的ph实测值，纵坐标代表采用上述方法得到的模型计算值。从图1可见，采用上述方法获得的模型计算值与实测值之间呈显著线性关系，相关系数为0.86。图2中，每个点代表预测集中的一个样本，横坐标代表预测集样本ph实测值，纵坐标代表采用上述方法得到的模型计算值。从图2可见，采用上述方法获得的模型计算值与实测值之间呈显著线性关系，相关系数为0.81。这说明，上述方法可以较好地预测土壤酸碱度。

 本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.基于多光谱图像特征的土壤酸碱值快速检测方法，其特征在于：所述方法包括以下步骤：

（1）利用2CCD摄像机采集可见光通道和近红外通道的土壤样本图像和参考白板图像；

（2）将土壤可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_i、G_i、B_i、H_i、S_i、I_i，其中i是每个样本的编号，R_i、G_i、B_i、H_i、S_i、I_i均为m×n像素矩阵；近红外图像记为IR_i，其中i为每个样本的编号，IR_i是m×n像素矩阵；

（3）将参考白板的可见光图像分别转换至RGB颜色空间和HIS颜色空间，记为R_ref、G_ref、B_ref、H_ref、S_ref、I_ref，其中R_ref、G_ref、B_ref、H_ref、S_ref、I_ref均为m×n像素矩阵；近红外图像记为IR_ref，其中IR_ref是m×n像素矩阵；

（4）计算每个样本的6个特征值；所述6个特征值R_avgi、G_avgi、B_avgi、H_avgi、 S_avgi、IR_avgi的计算公式分别为：R_avgi=(ΣR_i-ΣR_ref)/m×n，G_avgi=(ΣG_i-ΣG_ref)/m×n，B_avgi=(ΣB_i-ΣB_ref)/m×n，H_avgi=(ΣH_i-ΣH_ref)/m×n，S_avgi=(ΣS_i-ΣS_ref)/m×n， IR_avgi=(ΣIR_i-ΣIR_ref)/m×n，其中i是每个样本的编号；式中，ΣR_i是第i个土壤样本R通道R_i矩阵中m行n列数据的总和；ΣG_i是第i个土壤样本G通道G_i矩阵中m行n列数据的总和；ΣB_i是第i个土壤样本B通道B_i矩阵中m行n列数据的总和；ΣH_i是第i个土壤样本H通道H_i矩阵中m行n列数据的总和；ΣS_i是第i个土壤样本S通道S_i矩阵中m行n列数据的总和；ΣIR_i是第i个土壤样本IR通道IR_i矩阵中m行n列数据的总和；ΣR_ref是参考白板R通道R_ref矩阵中m行n列数据的总和；ΣG_ref是参考白板G通道G_ref矩阵中m行n列数据的总和；ΣB_ref是参考白板B通道B_ref矩阵中m行n列数据的总和；ΣH_ref是参考白板H通道H_ref矩阵中m行n列数据的总和；ΣS_ref是参考白板S通道S_ref矩阵中m行n列数据的总和；ΣIR_ref是参考白板IR通道IR_ref矩阵中m行n列数据的总和；

（5）将所述的6个多光谱图像特征值作为自变量，土壤酸碱度（pH）作为因变量，建立多元线性回归方程Y=6.492+0.688 R_avgi-1.440 G_avgi+0.858 B_avgi+645.547 H_avgi-0.623 S_avgi-0.115IR_avgi ，即可预测土壤酸碱度。