CN107392892A - 基于图像的玉米生育前期干旱胁迫自动识别方法 - Google Patents
基于图像的玉米生育前期干旱胁迫自动识别方法 Download PDFInfo
- Publication number
- CN107392892A CN107392892A CN201710520810.3A CN201710520810A CN107392892A CN 107392892 A CN107392892 A CN 107392892A CN 201710520810 A CN201710520810 A CN 201710520810A CN 107392892 A CN107392892 A CN 107392892A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- early stage
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像的玉米生育前期干旱胁迫自动识别方法,包括以下步骤:1)制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集,具体过程为:利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株图像样本,对样本图像进行分割处理,对分割后的目标图像进行特征提取,获得图像样本的特征向量,并记录图像样本所属的干旱类别;2)利用获取的生育前期玉米植株图像样本集训练两级干旱胁迫自动识别模型;3)玉米生育前期图像样本干旱胁迫自动识别步骤。本方法有效地实现了生育前期玉米植株的干旱胁迫状态的自动识别,能够对农业干旱灾害进行及时的预警,减少玉米作物及其经济损失;并通过实验验证了本方法的有效性。
Description
技术领域
本发明属于数字图像处理和农业自动化领域,具体涉及一种基于图像的生育前期玉米植株干旱胁迫自动识别的方法。
背景技术
玉米植株对于水分胁迫较为敏感,不同阶段发生的干旱对玉米的正常生长和发育均会产生影响[1],造成叶片数目减少、叶面积降低、株高下降等[2,3],致使玉米产量不同程度的损失。对生育前期的玉米作物所受干旱胁迫做出准确可靠的识别对于玉米生长发育和农业生产活动具有重要意义。
土壤干旱和大气干旱是作物生理干旱的主要原因。可以通过远端降水传感器预测地区干旱情况,进而预测玉米是否受旱。或者利用气象卫星数据,得到归一化植被指数(NDVI),对土壤含水量和旱情进行预测[4]。这类方法从大的气象环境间接预测农作物可能遭遇干旱和可能的旱情。相比之下,从玉米生长发育的程度来鉴别玉米受旱情况更为客观直接。鉴别方法有通过获取叶片细胞液浓度、叶绿素含量等传统的生物测量来判断植物旱情,这类方法通过近距离采集到的单个叶片正面图像进行植物干旱识别[5,6]。这类方法对采集叶片图像的条件要求严格,工作效率较低,不支持实时监控。
随着模式识别技术的发展,基于图像处理的机器学习方法普遍应用到植物的诊断,具有快速、准确、客观的优点。如果能够利用数字图像识别技术自动识别玉米植株干旱胁迫的状态,将提高处于生育前期的玉米植株所受干旱情况的自动识别程度与精度,实现田间早期玉米作物生长状况的实时监测。
[参考文献]
[1]Cakir R.Effect of water stress at different development stages onvegetative and reproductive growth of corn[J].Field Crops Research,2004,89(1):1-16。
[2]李永华,卢琦,吴波等;干旱区叶片形态特征与植物响应和适应的关系[J];植物生态学报,2012,36(1):88-98。
[3]杨国虎,李建生,罗湘宁等;干旱条件下玉米叶面积变化及地上干物质积累与分配的研究[J];西北农林科技大学学报:自然科学版,2005,33(5):27-32。
[4]熊世为,李卫国,贾天山等;基于HJ卫星数据的土壤含水量反演及其旱情预测[J];江苏农业学报,2014(5):1044-1050。
[5]徐腾飞,韩文霆,孙瑜;基于图像处理的玉米叶片含水率诊断方法研究[J];干旱地区农业研究,2013,31(1):95-100。
[6]贾庆节;基于视觉图像的植物受旱等级鉴定研究与仿真[J];计算机仿真,2012,29(7):321-324。
发明内容
针对现有技术,本发明提供一种基于图像的玉米生育前期干旱胁迫等级自动识别方法,通过图像分割和特征提取得到一组描述图像样本的特征向量,训练一个两级分类器,对生育前期玉米植株所受的干旱胁迫等级进行有效的识别,实现早期玉米生长状况的实时自动化监测。
为了解决上述技术问题,本发明提出的一种基于图像处理的玉米植株生育前期的干旱胁迫自动识别方法,包括以下步骤:
步骤一、制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集,记录其中各样本图像I(x,y)所属的类别,并求得各样本图像I(x,y)的特征向量;步骤如下:
1-1)样本图像I(x,y)获取步骤:利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株样本图像,并记录样本图像I(x,y)所属的类别,包括:正常灌溉、轻度干旱和重度干旱;
1-2)对上述获取的样本图像I(x,y)进行分割处理,得到只含有玉米植株前景点的目标图像S(x,y),包括:
获取的样本图像I(x,y)中具有玉米植株前景,还有土壤、秸秆和杂草残渣背景,从样本图像I(x,y)中分别随机选取大量的前景像素点和背景像素点,分别计算每个像素点的(G-R)值,和(G-B)值,并进行前景像素点和背景像素点的标记,其中,R,G,B分别表示获取的样本图像I(x,y)的红色通道、绿色通道和蓝色通道值;
将所选取的前景像素点和背景像素点的(G-R)和(G-B)作为一个两维特征向量,将前景像素点和背景像素点的标记结果作为属性,训练线性分类器,得到样本图像I(x,y)前景像素点和背景像素点的分割函数,定义为:
f(R,G,B)=ω1(G-R)+ω2(G-B)+b (1)
式(1)中,ω1、ω2和b均为线性分类器参数,ω1、ω2和b均由所选取的像素点的属性及其两维特征向量训练得到;如果f(R,G,B)>0,则像素点属于前景点,否则属于背景点;根据式(1)判断样本图像I(x,y)的每个像素点属于前景点还是背景点,得到图像S1(x,y);
利用数学形态学方法填补图像S1(x,y)的前景中存在的空洞、并去除面积小于20个像素点的区域,得到目标图像S(x,y);
1-3)对目标图像S(x,y)进行特征提取,包括:
1-3-1)获取目标图像S(x,y)的4个纯绿色优势度特征,均由计算该目标图像S(x,y)前景点(G-R)和(G-B)的均值和方差得到,定义为:
式(2)中,Ri、Gi和Bi分别为目标图像S(x,y)在像素点i处的红色通道、绿色通道和蓝色通道值,SNum为目标图像S(x,y)中前景点数目,PDer和PDeb分别表示前景点(G-R)和(G-B)的均值,PDvr和PDvb分别表示前景点(G-R)和(G-B)的方差;
1-3-2)获取目标图像S(x,y)的3个RGB颜色空间均值特征,定义为:
式(3)中,和分别表示目标图像S(x,y)中前景点红色通道、绿色通道和蓝色通道像素值的均值;
1-3-3)获取目标图像S(x,y)的7个基于小波变换的能量特征,离散小波变换将目标图像S(x,y)分解为一个近似图像A1和三个不同方向上的细节图像H1,V1,D1,近似图像A1集中了目标图像S(x,y)的低频信息,三个细节图像H1,V1,D1分别集中了目标图像S(x,y)水平、垂直及对角线方向上的高频边缘信息;再次对近似图像A1进行离散小波变换,将该近似图像A1进一步分解成为一个近似图像A2和三个不同方向的细节图像H2,V2,D2;
对目标图像S(x,y)进行上述离散小波变换后,得到7张图像,构造如下能量特征:
E1=EA1+EH1+EV1+ED1
E2=EA2+EH2+EV2+ED2
w(i,j)表示小波分解后每张图像X或Y上位置(i,j)的小波系数;根据式(4)得到7个能量特征FEH1,FEV1,FED1,FEV2,FEH2,FEV2,FED2;
1-3-4)将步骤1-3-1)获得的4个纯绿色优势度特征PDer、PDeb、PDvr和PDvb;步骤1-3-2)获得的3个RGB颜色空间均值特征和及步骤1-3-3)获得的7个基于小波变换的能量特征FEH1,FEV1,FED1,FEA2,FEH2,FEV2,FED2组合成一个向量,即为样本图像I(x,y)的特征向量;
1-4)构造生育前期玉米植株图像样本集:按照步骤1-2)、1-2)和1-3)处理完毕所有样本图像,记录处于不同干旱胁迫条件下的生育前期玉米植株图像样本的数目、每个图像样本所属类别和每个图像样本特征向量,从而形成图像样本集;
步骤二、利用步骤一获取的生育前期玉米植株图像样本集训练得到两级干旱胁迫自动识别模型;步骤如下:
2-1)从生育前期玉米植株图像样本集中提取所属类别为正常灌溉和轻度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:PDer、PDeb、FEH1、FEV1、FEA2、FEH2、FEV2,训练第一个梯度提升决策树GBDT分类模型;
2-2)从生育前期玉米植株图像样本集中提取所属类别为轻度干旱和重度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:FEV1、FEA2、FEV2,训练第二个梯度提升决策树GBDT分类模型;
由步骤2-1)获得的第一个梯度提升决策树GBDT分类模型和步骤2-2)获得的第二个梯度提升决策树GBDT分类模型构成了两级干旱胁迫自动识别模型;
步骤三、玉米生育前期图像样本干旱胁迫自动识别:从成像设备获取待识别的玉米植株生育前期图像样本,根据步骤一获得待识别图像样本的特征向量,将该特征向量作为步骤二得到的两级干旱胁迫自动识别模型的输入,首先由第一个梯度提升决策树GBDT分类模型判断,如果识别结果为正常灌溉,则为该待识别图像样本的识别结果;如果识别结果为轻度干旱,则进入第二个梯度提升决策树GBDT分类模型,进一步判断该待识别图像样本的所属类别是轻度干旱还是重度干旱。
与现有技术相比,本发明的有益效果是:
本发明识别方法,首先进行图像分割,得到目标图像样本;然后从纯绿色优势度、颜色空间均值和基于小波变换的纹理三个角度提取出12维具有尺度不变性和旋转不变性的特征。针对不同的干旱胁迫样本集,训练形成两级识别模型,对生育前期玉米植株的干旱胁迫等级实现自动识别。
附图说明
图1是一种基于图像的玉米生育前期干旱胁迫自动识别算法流程图;
图2(a)、图2(b)、图2(c)是分别处于正常灌溉、轻度干旱和重度干旱三种不同干旱胁迫条件下的生育前期玉米植株图像;
图3(a)和图3(d)是处于正常灌溉和重度干旱条件下的玉米图像,图3(b)和图3(e)是初步分割结果,图3(c)和图3(f)是最终得到的目标图像;
图4(a)是图像的二层离散小波变换示意图,图4(b)是实际图像样本的二层离散小波变换处理结果示意图。
具体实施方式
下面结合附图和具体实施方案对本发明技术作进一步详细描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
本发明一种基于图像处理的玉米植株生育前期的干旱胁迫自动识别方法的设计思路是,通过提取出12维颜色特征和纹理特征构成图像的特征向量,结合不同的干旱胁迫样本集,训练形成两级识别模型,能够有效地对生育前期玉米植株的干旱胁迫等级实现自动识别。
如图1所示,本发明提出的一种基于图像处理的玉米植株生育前期的干旱胁迫自动识别方法,包括以下步骤:
步骤一、制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集,记录其中各样本图像I(x,y)所属的类别,并求得各样本图像I(x,y)的特征向量;步骤如下:
1-1)样本图像I(x,y)获取步骤:利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株样本图像,并记录样本图像I(x,y)所属的类别,包括:正常灌溉、轻度干旱和重度干旱;图2(a)、图2(b)、图2(c)是分别处于正常灌溉、轻度干旱和重度干旱三种不同干旱胁迫条件下的生育前期玉米植株样本图像。
1-2)对上述获取的样本图像I(x,y)进行分割处理,得到只含有玉米植株前景点的目标图像S(x,y),包括:
获取的样本图像I(x,y)中具有玉米植株前景,还有土壤、秸秆和杂草残渣背景,从样本图像I(x,y)中分别随机选取大量的前景像素点和背景像素点,分别计算每个像素点的(G-R)值,和(G-B)值,并进行前景像素点和背景像素点的标记,其中,R,G,B分别表示获取的样本图像I(x,y)的红色通道、绿色通道和蓝色通道值;
将所选取的前景像素点和背景像素点的(G-R)和(G-B)作为一个两维特征向量,将前景像素点和背景像素点的标记结果作为属性,训练线性分类器,得到样本图像I(x,y)前景像素点和背景像素点的分割函数,定义为:
f(R,G,B)=ω1(G-R)+ω2(G-B)+b (1)
式(1)中,ω1、ω2和b均为线性分类器参数,ω1、ω2和b均由所选取的像素点的属性及其两维特征向量训练得到;如果f(R,G,B)>0,则像素点属于前景点,否则属于背景点;根据式(1)判断样本图像I(x,y)的每个像素点属于前景点还是背景点,得到图像S1(x,y);实施案例从获取的图像样本中随机选取了2250个前景点和2250个背景点,经过训练线性SVM得到如下参数:ω1=0.0526,ω2=0.0439,b=-1.3158。
利用数学形态学方法填补图像S1(x,y)的前景中存在的空洞、并去除面积小于20个像素点的区域,得到目标图像S(x,y);图3(a)和图3(d)是处于正常灌溉和重度干旱条件下的玉米图像,图3(b)和图3(e)是初步分割结果,图3(c)和图3(f)是最终得到的目标图像。
1-3)对目标图像S(x,y)进行特征提取,包括:
1-3-1)获取目标图像S(x,y)的4个纯绿色优势度特征,均由计算该目标图像S(x,y)前景点(G-R)和(G-B)的均值和方差得到,定义为:
式(2)中,Ri、Gi和Bi分别为目标图像S(x,y)在像素点i处的红色通道、绿色通道和蓝色通道值,SNum为目标图像S(x,y)中前景点数目,PDer和PDeb分别表示前景点(G-R)和(G-B)的均值,PDvr和PDvb分别表示前景点(G-R)和(G-B)的方差;
1-3-2)获取目标图像S(x,y)的3个RGB颜色空间均值特征,定义为:
式(3)中,和分别表示目标图像S(x,y)中前景点红色通道、绿色通道和蓝色通道像素值的均值;
1-3-3)获取目标图像S(x,y)的7个基于小波变换的能量特征,离散小波变换将目标图像S(x,y)分解为一个近似图像A1和三个不同方向上的细节图像H1,V1,D1,近似图像A1集中了目标图像S(x,y)的低频信息,三个细节图像H1,V1,D1分别集中了目标图像S(x,y)水平、垂直及对角线方向上的高频边缘信息;再次对近似图像A1进行离散小波变换,将该近似图像A1进一步分解成为一个近似图像A2和三个不同方向的细节图像H2,V2,D2;
对目标图像S(x,y)进行上述离散小波变换后,得到7张图像,构造如下能量特征:
E1=EA1+EH1+EV1+ED1
E2=EA2+EH2+EV2+ED2
w(i,j)表示小波分解后每张图像X或Y上位置(i,j)的小波系数;根据式(4)得到7个能量特征FEH1,FEV1,FED1,FEA2,FEH2,FEV2,FED2;图4(a)是图像的二层离散小波变换示意图,图4(b)是实际图像样本的二层离散小波变换处理结果示意图。
1-3-4)将步骤1-3-1)获得的4个纯绿色优势度特征PDer、PDeb、PDvr和PDvb;步骤1-3-2)获得的3个RGB颜色空间均值特征和及步骤1-3-3)获得的7个基于小波变换的能量特征FEH1,FEV1,FED1,FEA2,FEH2,FEV2,FED2组合成一个向量,即为样本图像I(x,y)的特征向量;
1-4)构造生育前期玉米植株图像样本集:按照步骤1-2)、1-2)和1-3)处理完毕所有样本图像,记录处于不同干旱胁迫条件下的生育前期玉米植株图像样本的数目、每个图像样本所属类别和每个图像样本特征向量,从而形成图像样本集;
步骤二、利用步骤一获取的生育前期玉米植株图像样本集训练得到两级干旱胁迫自动识别模型;步骤如下:
2-1)从生育前期玉米植株图像样本集中提取所属类别为正常灌溉和轻度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:PDer、PDeb、FEH1、FEV1、FEA2、FEH2、FEV2,训练第一个梯度提升决策树GBDT分类模型;
2-2)从生育前期玉米植株图像样本集中提取所属类别为轻度干旱和重度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:FEV1、FEA2、FEV2,训练第二个梯度提升决策树GBDT分类模型;
由步骤2-1)获得的第一个梯度提升决策树GBDT分类模型和步骤2-2)获得的第二个梯度提升决策树GBDT分类模型构成了两级干旱胁迫自动识别模型;
步骤三、玉米生育前期图像样本干旱胁迫自动识别:从成像设备获取待识别的玉米植株生育前期图像样本,根据步骤一获得待识别图像样本的特征向量,将该特征向量作为步骤二得到的两级干旱胁迫自动识别模型的输入,首先由第一个梯度提升决策树GBDT分类模型判断,如果识别结果为正常灌溉,则为该待识别图像样本的识别结果;如果识别结果为轻度干旱,则进入第二个梯度提升决策树GBDT分类模型,进一步判断该待识别图像样本的所属类别是轻度干旱还是重度干旱。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种基于图像处理的玉米植株生育前期的干旱胁迫自动识别方法,其特征在于,包括以下步骤:
步骤一、制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集,记录其中各样本图像I(x,y)所属的类别,并求得各样本图像I(x,y)的特征向量;步骤如下:
1-1)样本图像I(x,y)获取步骤:利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株样本图像,并记录样本图像I(x,y)所属的类别,包括:正常灌溉、轻度干旱和重度干旱;
1-2)对上述获取的样本图像I(x,y)进行分割处理,得到只含有玉米植株前景点的目标图像S(x,y),包括:
获取的样本图像I(x,y)中具有玉米植株前景,还有土壤、秸秆和杂草残渣背景,从样本图像I(x,y)中分别随机选取大量的前景像素点和背景像素点,分别计算每个像素点的(G-R)值,和(G-B)值,并进行前景像素点和背景像素点的标记,其中,R,G,B分别表示获取的样本图像I(x,y)的红色通道、绿色通道和蓝色通道值;
将所选取的前景像素点和背景像素点的(G-R)和(G-B)作为一个两维特征向量,将前景像素点和背景像素点的标记结果作为属性,训练线性分类器,得到样本图像I(x,y)前景像素点和背景像素点的分割函数,定义为:
f(R,G,B)=ω1(G-R)+ω2(G-B)+b (1)
式(1)中,ω1、ω2和b均为线性分类器参数,ω1、ω2和b均由所选取的像素点的属性及其两维特征向量训练得到;如果f(R,G,B)>0,则像素点属于前景点,否则属于背景点;根据式(1)判断样本图像I(x,y)的每个像素点属于前景点还是背景点,得到图像S1(x,y);
利用数学形态学方法填补图像S1(x,y)的前景中存在的空洞、并去除面积小于20个像素点的区域,得到目标图像S(x,y);
1-3)对目标图像S(x,y)进行特征提取,包括:
1-3-1)获取目标图像S(x,y)的4个纯绿色优势度特征,均由计算该目标图像S(x,y)前景点(G-R)和(G-B)的均值和方差得到,定义为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PD</mi>
<mrow>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PD</mi>
<mrow>
<mi>e</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PD</mi>
<mrow>
<mi>v</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>PD</mi>
<mrow>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PD</mi>
<mrow>
<mi>v</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>PD</mi>
<mrow>
<mi>e</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,Ri、Gi和Bi分别为目标图像S(x,y)在像素点i处的红色通道、绿色通道和蓝色通道值,SNum为目标图像S(x,y)中前景点数目,PDer和PDeb分别表示前景点(G-R)和(G-B)的均值,PDvr和PDvb分别表示前景点(G-R)和(G-B)的方差;
1-3-2)获取目标图像S(x,y)的3个RGB颜色空间均值特征,定义为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msubsup>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
1
式(3)中,和分别表示目标图像S(x,y)中前景点红色通道、绿色通道和蓝色通道像素值的均值;
1-3-3)获取目标图像S(x,y)的7个基于小波变换的能量特征,离散小波变换将目标图像S(x,y)分解为一个近似图像A1和三个不同方向上的细节图像H1,V1,D1,近似图像A1集中了目标图像S(x,y)的低频信息,三个细节图像H1,V1,D1分别集中了目标图像S(x,y)水平、垂直及对角线方向上的高频边缘信息;再次对近似图像A1进行离散小波变换,将该近似图像A1进一步分解成为一个近似图像A2和三个不同方向的细节图像H2,V2,D2;
对目标图像S(x,y)进行上述离散小波变换后,得到7张图像,构造如下能量特征:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>E</mi>
<mi>X</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>X</mi>
</msub>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mi>X</mi>
<mo>=</mo>
<mi>H</mi>
<mn>1</mn>
<mo>,</mo>
<mi>V</mi>
<mn>1</mn>
<mo>,</mo>
<mi>D</mi>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>E</mi>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mi>Y</mi>
</msub>
<msub>
<mi>E</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>A</mi>
<mn>2</mn>
<mo>,</mo>
<mi>H</mi>
<mn>2</mn>
<mo>,</mo>
<mi>V</mi>
<mn>2</mn>
<mo>,</mo>
<mi>D</mi>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
E1=EA1+EH1+EV1+ED1
E2=EA2+EH2+EV2+ED2
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
w(i,j)表示小波分解后每张图像X或Y上位置(i,j)的小波系数;根据式(4)得到7个能量特征FEH1,FEV1,FED1,FEA2,FEH2,FEV2,FED2;
1-3-4)将步骤1-3-1)获得的4个纯绿色优势度特征PDer、PDeb、PDvr和PDvb;步骤1-3-2)获得的3个RGB颜色空间均值特征和及步骤1-3-3)获得的7个基于小波变换的能量特征FEH1,FEV1,FED1,FEA2,FEH2,FEV2,FED2组合成一个向量,即为样本图像I(x,y)的特征向量;
1-4)构造生育前期玉米植株图像样本集:按照步骤1-2)、1-2)和1-3)处理完毕所有样本图像,记录处于不同干旱胁迫条件下的生育前期玉米植株图像样本的数目、每个图像样本所属类别和每个图像样本特征向量,从而形成图像样本集;
步骤二、利用步骤一获取的生育前期玉米植株图像样本集训练得到两级干旱胁迫自动识别模型;步骤如下:
2-1)从生育前期玉米植株图像样本集中提取所属类别为正常灌溉和轻度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:PDer、PDeb、FEH1、FEV1、FEA2、FEH2、FEV2,训练第一个梯度提升决策树GBDT分类模型;
2-2)从生育前期玉米植株图像样本集中提取所属类别为轻度干旱和重度干旱条件下的图像样本的特征向量,在步骤1-3)所提取的各个图像样本特征中,对这些图像样本特征进行优化选择,使用递归特征消除法选择出识别最有效的若干特征:FEV1、FEA2、FEV2,训练第二个梯度提升决策树GBDT分类模型;
由步骤2-1)获得的第一个梯度提升决策树GBDT分类模型和步骤2-2)获得的第二个梯度提升决策树GBDT分类模型构成了两级干旱胁迫自动识别模型;
步骤三、玉米生育前期图像样本干旱胁迫自动识别:从成像设备获取待识别的玉米植株生育前期图像样本,根据步骤一获得待识别图像样本的特征向量,将该特征向量作为步骤二得到的两级干旱胁迫自动识别模型的输入,首先由第一个梯度提升决策树GBDT分类模型判断,如果识别结果为正常灌溉,则为该待识别图像样本的识别结果;如果识别结果为轻度干旱,则进入第二个梯度提升决策树GBDT分类模型,进一步判断该待识别图像样本的所属类别是轻度干旱还是重度干旱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710520810.3A CN107392892B (zh) | 2017-06-30 | 2017-06-30 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710520810.3A CN107392892B (zh) | 2017-06-30 | 2017-06-30 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392892A true CN107392892A (zh) | 2017-11-24 |
CN107392892B CN107392892B (zh) | 2019-11-19 |
Family
ID=60334840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710520810.3A Active CN107392892B (zh) | 2017-06-30 | 2017-06-30 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392892B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
CN110136078A (zh) * | 2019-04-29 | 2019-08-16 | 天津大学 | 单株玉米图像叶片断裂半自动修复补全方法 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN113128514A (zh) * | 2021-04-26 | 2021-07-16 | 山东大学 | 一种棉花害虫定位与分类识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150324975A1 (en) * | 2012-12-20 | 2015-11-12 | Pioneer Hi-Bred International Inc. | Non-destructive imaging of crop plants |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
-
2017
- 2017-06-30 CN CN201710520810.3A patent/CN107392892B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150324975A1 (en) * | 2012-12-20 | 2015-11-12 | Pioneer Hi-Bred International Inc. | Non-destructive imaging of crop plants |
CN105608473A (zh) * | 2015-12-31 | 2016-05-25 | 中国资源卫星应用中心 | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 |
CN105678280A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于纹理特征的地膜覆盖农田遥感监测方法 |
CN106845497A (zh) * | 2017-01-12 | 2017-06-13 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
CN109086826B (zh) * | 2018-08-06 | 2021-05-07 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
CN109101946A (zh) * | 2018-08-27 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN109101946B (zh) * | 2018-08-27 | 2021-02-12 | Oppo广东移动通信有限公司 | 一种图像特征的提取方法、终端设备及存储介质 |
CN110136078A (zh) * | 2019-04-29 | 2019-08-16 | 天津大学 | 单株玉米图像叶片断裂半自动修复补全方法 |
CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
CN110084318B (zh) * | 2019-05-07 | 2020-10-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
CN110188657A (zh) * | 2019-05-27 | 2019-08-30 | 中国农业科学院农业资源与农业区划研究所 | 基于卷曲叶片检测的玉米干旱识别方法 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN113128514A (zh) * | 2021-04-26 | 2021-07-16 | 山东大学 | 一种棉花害虫定位与分类识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107392892B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392892B (zh) | 基于图像的玉米生育前期干旱胁迫自动识别方法 | |
Hamylton et al. | Evaluating techniques for mapping island vegetation from unmanned aerial vehicle (UAV) images: Pixel classification, visual interpretation and machine learning approaches | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN113009485A (zh) | 一种基于改进植被指数的遥感烟田识别方法 | |
Vong et al. | Early corn stand count of different cropping systems using UAV-imagery and deep learning | |
CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
AU2021105575A4 (en) | Automatic Tea Garden Identification Method Based on Cloud Platform Fusion of Multi-Source Satellite Images and Tea Phenological Period | |
CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
CN106682639A (zh) | 一种基于视频监测的作物叶部异常图像提取方法 | |
CN109033937A (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
CN108564021A (zh) | 一种基于数码相片提取荒漠植被盖度的方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
Zhang et al. | Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image | |
JP2022082636A (ja) | 情報処理装置 | |
CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN110781865A (zh) | 一种农作物生长控制系统 | |
CN115165773A (zh) | 一种基于Google Earth Engine的水稻面积提取方法 | |
Feng et al. | Research of image recognition of plant diseases and pests based on deep learning | |
CN115035423A (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
Ding et al. | Rice lodging area extraction based on YCbCr spatial and texture features | |
Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |