CN110211147A - 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 - Google Patents
一种基于成像高光谱分析的水稻纹枯病病斑提取方法 Download PDFInfo
- Publication number
- CN110211147A CN110211147A CN201910445932.XA CN201910445932A CN110211147A CN 110211147 A CN110211147 A CN 110211147A CN 201910445932 A CN201910445932 A CN 201910445932A CN 110211147 A CN110211147 A CN 110211147A
- Authority
- CN
- China
- Prior art keywords
- scab
- threshold curve
- lateral
- region
- abnormal area
- 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
- 206010039509 Scab Diseases 0.000 title claims abstract description 210
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 57
- 235000009566 rice Nutrition 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 title claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 35
- 238000003384 imaging method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 240000007594 Oryza sativa Species 0.000 title 1
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 241000209094 Oryza Species 0.000 claims abstract description 57
- 241000196324 Embryophyta Species 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 241001530056 Athelia rolfsii Species 0.000 abstract description 6
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 241001237160 Kallima inachus Species 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007811 spectroscopic assay Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于成像高光谱分析的水稻纹枯病病斑提取方法。传统的病害表型测量与调查主要依靠人工,劳动量大,效率低。本发明的步骤如下:1、用成像光谱仪拍摄目标作物,得到成像高光谱数据。2、去除步骤1所得成像高光谱数据中的非植物背景。3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。4、基于病斑扫描的非病斑异常区域去除。本发明独创的图像识别方法,能够识别对茎杆上的纹枯病病斑,克服了现有技术中仅能高效提取叶部病斑的缺陷。本发明能够对图像中的病斑和枯叶进行区别,以达到较高的识别精度。
Description
技术领域
本发明属于农业光谱技术领域,具体涉及一种基于成像高光谱分析的水稻纹枯病病斑提取方法。
背景技术
我国作为世界上最大的稻米生产和消费国,水稻的播种面积和产量分别约占全国粮食作物的29%和40%。水稻的生产问题对中国的意义尤为重大。伴随着我国人口不断增长、耕地质量退化、环境恶化及农村劳动力不足等压力,粮食产量增速明显放缓,严重威胁着我国的粮食安全,培育优良水稻品种、提高水稻单产一直是我国重要战略目标。而水稻病害是影响水稻产量的重要因素,而水稻纹枯病是我国水稻生产中发生范围最广的一种主要的病害,发病时水稻植物组织破坏呈半透明状,边缘暗褐,多发生在水稻茎秆以及叶鞘部位,严重时叶片也会染病。
在基因组学研究中,往往需要大批量的表型检测,从而筛选突变植株并识别相应的遗传基因,水稻病害表型数据是水稻表型的重要组成部位,水稻病害表型数据的质量很大程度上影像在基因组学中对水稻抗病性的研究。传统的病害表型测量与调查主要依靠人工,劳动量大,效率低,对大批量样本的生长发育测量几乎不可行,表型数据的质量受人工主观因素影响也较大。这对于非专业人员往往会引起人为误判,而且效率低下容易造成调查数据的不准确性。且劳动力成本的上升,将大大增加病害表型调查的成本。目前国内外基于叶面型病害表型信息的提取方法较多,例如发生在茶叶叶面的炭疽病,小麦叶面的白粉病,黄瓜叶面的白粉病,角斑病等。但针对水稻纹枯病这种分布于茎杆,叶鞘等部位的病害表型信息提取方法缺乏。因此,急需发展无损、客观准确的水稻纹枯病表型调查和测量技术来精确且迅速的完成对病害表型数据的调查分析。
发明内容
本发明的目的在于提供一种基于成像高光谱分析的水稻纹枯病病斑提取方法。
本发明的具体步骤如下:
步骤1、用成像光谱仪拍摄目标作物,得到成像高光谱数据。
步骤2、去除步骤1所得成像高光谱数据中的非植物背景。
步骤3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。
步骤4、基于病斑扫描的非病斑异常区域去除
4-1.对步骤3所得的各个异常区域进行15×15矩形结构元素的图像膨胀操作。
4-2.对步骤4-1所得各异常区域进行6×6模板的均值滤波。
4-3.对步骤4-1所得的各个异常区域在854波段反射率下进行横向扫描,得到扫描后横向阈值曲线组。
4-4.计算各横向阈值曲线组的病斑特征比n为步骤三所得异常区域的个数;其中,ai为第i个横向阈值曲线组中病斑特征曲线的条数;mi为第i个横向阈值曲线组中横向阈值曲线的总条数;若一条横向阈值曲线中病斑特征曲线段的数量大于或等于2,则该条横向阈值曲线是病斑特征曲线。病斑特征曲线段为所有位置的导数绝对值均小于0.01且覆盖像素数量大于或等于3的曲线段。
若一个横向阈值曲线组的病斑特征比si≥0.2,则该横向阈值曲线组对应的异常区域为疑似区域;否则,该横向阈值曲线组对应的异常区域为非病斑异常区。
进一步地,步骤4后执行步骤5;步骤5具体如下:
5-1.若目标作物上存在多病斑相交的情况,则以各疑似区域膨胀操作前的状态作为粗糙的病斑区域,进入步骤5-6。否则,执行步骤5-2至5-5。
5-2.对步骤四所得各疑似区域在854波段下分别进行纵向扫描,得到纵向阈值曲线组。
5-3.将各横向阈值曲线组内病斑特征曲线段数量等于0的横向阈值曲线删除。将各纵向阈值曲线组内病斑特征曲线段数量等于0的纵向阈值曲线删除。
5-4.在每条横向阈值曲线上均选取两个横向病斑边界点;将横向阈值曲线组内所有横向病斑边界点依次相连,得到横向病斑区域。在每条纵向阈值曲线上均选取两个纵向病斑边界点;将纵向阈值曲线组内所有纵向病斑边界点依次相连,得到纵向病斑区域。
在横向阈值曲线上选取两个横向病斑边界点及在纵向阈值曲线上选取两个纵向病斑边界点的方法如下:
a.若阈值曲线中病斑特征曲线段的数量大于或等于2,则执行步骤b;若阈值曲线中病斑特征曲线段的数量等于1,则执行步骤c。
b.以该阈值曲线中最大的峰值点作为中心点。
若中心点的两侧均存在病斑特征曲线段,则以中心点两侧最靠近中心点的病斑特征曲线段各自远离中心点的那端端点分别作为两个病斑边界点。
若中心点的一侧存在病斑特征曲线段,另一侧不存在病斑特征曲线段,则以最靠近中心点的病斑特征曲线段远离中心点的那端端点病斑边界点;以该阈值曲线的一个端点作为另一个病斑边界点,使得中心点位于两个病斑边界点之间。
c.以该阈值曲线的两端端点分别作为两个病斑边界点。
5-5.将各疑似区域内的横向病斑区域、纵向病斑区域的交集分别作为粗糙的病斑区域。
5-6、先对各粗糙的病斑区域进行10×10矩形结构元素的膨胀和腐蚀。再对各粗糙的病斑区域进行10×10矩形结构元素的腐蚀和膨胀,得到最终的病斑区域。
进一步地,步骤1中,拍摄时成像光谱仪与目标作物侧面的距离为20~30厘米。
进一步地,步骤2中,取出非植物背景采用迭代阈值分割算法。
进一步地,步骤3中,水稻叶片茎杆与异常区域的分类采用Fisher线性判别方法。
本发明具有的有益效果是:
1、本发明独创的图像识别方法,能够识别对茎杆上的纹枯病病斑,克服了现有技术中仅能高效提取叶部病斑的缺陷。
2、本发明能够对图像中的病斑和枯叶进行区别,以达到较高的识别精度。
3、主流的病斑提取算法往往或基于光谱信息来做,或基于图像信息来做,缺乏有效融合,本发明基于光谱信息特征完成对非植物背景和叶片茎杆的去除,又基于水稻纹枯病病斑周围黑色晕圈的特有特征完成异常区域剔除和最终的病斑提取,将两者相结合,达到较高的分割精度。
附图说明
图1为本发明的流程图;
图2为本发明论证所用的水稻纹枯病高光谱影像原图;
图3为本发明论证所用的水稻纹枯病高光谱影像原图取出非植物背景后所得图像。
图4为本发明论证中所得的水稻各部位光谱曲线图;
图5为本发明论证中所得的叶片茎杆与病斑异常区域各波段JM距离图;
图6为本发明论证中所得的叶片茎杆与病斑异常区域各波段光谱比值图;
图7为本发明论证中去除非植物背景后所得的666nm波段图像;
图8为本发明论证中去除非植物背景后所得的494nm波段图像;
图9为本发明论证中所得异常区域提取图;
图10为本发明论证中所得黑色晕圈、病斑异常区域、叶片茎杆的光谱曲线图;
图11为本发明论证中所得黑色晕圈、病斑异常区域、叶片茎杆的光谱曲线距离图;
图12为本发明论证中所得异常区域图像;
图13为本发明论证中所得异常区域膨胀后图像;
图14为本发明论证中所得疑似区域图像;
图15为本发明论证中所得纵向病斑区域图像;
图16为本发明论证中所得横向病斑区域图像;
图17为本发明论证中所得粗糙病斑区域图像;
图18为本发明论证中所得最终病斑区域图像。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种基于成像高光谱分析的水稻纹枯病病斑提取方法,具体步骤如下:
步骤1、数据获取及处理
采用成像光谱仪经过黑白标定后在距离目标作物侧面病斑20-30cm处进行拍摄,得到成像高光谱数据。所得成像高光谱数据的图像分辨率为1000×1000像素,光谱分辨率约为4nm,光谱测定范围为450-950nm。
目标作物为水稻;病斑为水稻纹枯病病斑。对于成像高光谱图像拍摄有两个基本要求:一是在光线变化较小和较强的时间进行拍摄,防止成像高光谱仪校准时由于光线的问题对拍摄图像产生较大的影响。二是拍摄水稻图像选择侧面,在光线较稳定时进行拍摄。
步骤2、通过迭代阈值分割算法去除步骤1所得成像高光谱数据中的非植物背景。
从田间数据获取得到的水稻高光谱图像往往受到水稻侧面靠下的光线较弱的水稻叶片,水稻茎杆等的影响,考虑到对成像高光谱仪拍摄的高光谱图像中纹枯病病斑的提取过程需要去除非目标物的影响,去除的非植物背景和受光线影响较为严重的下部叶片与所要获得的纹枯病病斑之间阈值差距较大。经过文献参考,本发明基于750波段采用自适应迭代阈值分割的算法进行背景去除。如有其他方法亦可使用。
步骤3、在666nm和494nm波段反射率下通过Fisher线性判别方法对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。
植物茎杆和叶片,病斑异常区域和非病斑异常区域四部分,上述步骤2基于自适应迭代阈值分割算法完成了对非植物背景的去除。病斑异常区域和非病斑异常区域光谱曲线相近,而与植物叶片和茎杆部位光谱差距较大,所以接下来先去除植物叶片和茎杆。
在步骤2去除背景后,图像中剩下病斑异常区域,非病斑异常区域,水稻叶片茎杆三部分,这一步进行特征选择,选择三者差距较为明显的特征进行分离。水稻病斑与非病斑异常区域光谱差异较小,二者与水稻叶片和茎杆光谱差距较大,因此可在现有植被指数以及波段特征,连续统特征以及导数特征中进行选择,经过JM距离以及将病斑与健康部位光谱曲线比值后筛选出两个波段,即666nm和494nm。这两波段反射率下异常区域与水稻叶片和茎杆差距较为明显。Fisher是一种将高维空间映射到低维空间降维后进行分类的方法,把所有的样本都投影到一维空间,使得在投影线上最易于分类。投影后两类相隔尽可能远,而对同一类的样本又尽可能聚集。基于这个出发点,我们需要算出最佳的投影方向。针对图像中病斑异常区域,叶片茎杆以及非病斑异常区域,基于Fisher线性判别得到水稻茎杆以及病斑区域的判别函数,基于判别函数完成对水稻叶片茎杆与异常区域的分类。
步骤4、基于病斑扫描的非病斑异常区域去除
基于上述三个步骤分类后的分类结果,水稻纹枯病发病时中部组织破坏呈半透明状,边缘暗褐。而非病斑异常区域往往不具备边缘发黑的特点。病斑周围是黑色晕圈,黑色晕圈周围是正常组织。而黑色晕圈是纹枯病的特有特征,是基于病斑扫描的关键。
4-1.因为病斑周围具有黑色晕圈的特点,在选定特征波段后,对图像中剩下的部位进行编号,由于步骤三中所得的成像高光谱数据中病斑周围的黑色晕圈往往会被去掉,故先对步骤3所得的各个异常区域进行15×15矩形结构元素的图像膨胀操作。
4-2.对步骤4-1所得各异常区域进行6×6模板的均值滤波,实现对异常区域地平滑处理。
4-3.对步骤4-1所得的各个异常区域在854波段反射率下进行横向扫描(横向为该异常区域的正置外接矩形的长度方向;该正置外接矩形的边与成像高光谱数据图像的边缘平行或垂直),得到扫描后横向阈值曲线组(一个异常区域的一列像素生成一条横向阈值曲线;异常区域的像素列数即为对应的横向阈值曲线组内的横向阈值曲线条数,即正置外接矩形长度方向的像素个数)。由于以病斑区域中存在黑色晕圈,所以病斑区域对应的横向阈值曲线中导数趋近0的曲线段(该部分曲线段为曲线中峰谷部位)较多,理想情况下其导数趋近0的曲线段数量为3个及以上。而非病斑则较少往往为1个。
4-4.计算各横向阈值曲线组的病斑特征比n为步骤三所得异常区域的个数;其中,ai为第i个横向阈值曲线组中病斑特征曲线的条数;mi为第i个横向阈值曲线组中横向阈值曲线的总条数;若一条横向阈值曲线中病斑特征曲线段的数量大于或等于2,则该条横向阈值曲线是病斑特征曲线。病斑特征曲线段为所有位置的导数绝对值均小于0.01且覆盖像素数量大于或等于3的曲线段。
若一个横向阈值曲线组的病斑特征比si≥0.2,则该横向阈值曲线组对应的异常区域为疑似区域;否则,该横向阈值曲线组对应的异常区域为非病斑异常区。
步骤5、病斑区域提取
基于步骤4的操作,基本可提取出病斑区域,而现实情况中,往往病斑周围也有异常区域,针对此种情况,需要进一步的病斑扫描并进行阈值区域选择才可将病斑区域较为完好的进行提取,具体操作如下:
5-1.若目标作物上存在多病斑相交的情况,则以各疑似区域膨胀操作前的状态作为粗糙的病斑区域,进入步骤5-6。否则,执行步骤5-2至5-5。
5-2.对步骤四所得各疑似区域在854波段下分别进行纵向扫描,得到纵向阈值曲线组(一个疑似区域的一行像素生成一条纵向阈值曲线;异常区域的像素行数即为对应的纵向阈值曲线组内的纵向阈值曲线条数,即正置外接矩形宽度方向的像素个数)。
5-3.将各横向阈值曲线组内病斑特征曲线段数量等于0的横向阈值曲线删除。将各纵向阈值曲线组内病斑特征曲线段数量等于0的纵向阈值曲线删除。
5-4.在每条横向阈值曲线上均选取两个横向病斑边界点;将横向阈值曲线组内所有横向病斑边界点依次不相交的相连,得到横向病斑区域。在每条纵向阈值曲线上均选取两个纵向病斑边界点;将纵向阈值曲线组内所有纵向病斑边界点依次不相交的相连,得到纵向病斑区域。
在横向阈值曲线上选取两个横向病斑边界点及在纵向阈值曲线上选取两个纵向病斑边界点的方法如下(下述中将被处理的横向阈值曲线或纵向阈值曲线统称为阈值曲线,将选出的横向病斑边界点或纵向病斑边界点统称为病斑边界点):
a.若阈值曲线中病斑特征曲线段的数量大于或等于2,则执行步骤b;若阈值曲线中病斑特征曲线段的数量等于1,则执行步骤c。
b.以该阈值曲线中最大的峰值点(即各病斑特征曲线段中的最大值)作为中心点。
若中心点的两侧均存在病斑特征曲线段,则以中心点两侧最靠近中心点的病斑特征曲线段各自远离中心点的那端端点分别作为两个病斑边界点。
若中心点的一侧存在病斑特征曲线段,另一侧不存在病斑特征曲线段,则以最靠近中心点的病斑特征曲线段远离中心点的那端端点作为其中一个病斑边界点(此处的最靠近不包括中心点自身所在的病斑特征曲线段);以该阈值曲线的一个端点作为另一个病斑边界点,使得中心点位于两个病斑边界点之间。
c.以该阈值曲线的两端端点分别作为两个病斑边界点。
5-5.将各疑似区域内的横向病斑区域、纵向病斑区域的交集(与操作得到)分别作为粗糙的病斑区域,以弥补单次扫描可能出现病斑外区域扫描进去的情况。
5-6.由于步骤五扫描后的结果往往会出现参差不齐的状况,因此先对各粗糙的病斑区域进行10×10矩形结构元素的膨胀和腐蚀,弥补凹进去的情况。再对各粗糙的病斑区域进行10×10矩形结构元素的腐蚀和膨胀,去掉突进去的情况,使图像变得平滑,得到最终的病斑区域。
以下对本发明的效果进行论证:
S1.应用对象和监测区域的设定
本实施例为浙江杭州水稻研究所于2018年8月24日通过UHD185成像高光谱仪在光线较好的情况下在早上10点到下午2点拍摄水稻侧面的成像高光谱图像。并基于matlab和Envi软件进行编程分析。
S2.基于迭代阈值分割算法对水稻背景的简单去除,执行该步骤前的高光谱图像如图2所示,执行该步骤后的高光谱图像如图3所示。
S3.基于Fisher线性判别的水稻叶片和茎杆去除
步骤2基于迭代阈值分割算法,并不能很好的去除例如水稻叶片和茎杆的部分。因此针对图像中病斑异常区域,叶片茎杆以及非病斑异常区域,在5幅病斑区域已经被圈出的样本图像中针对病斑异常区域、叶片茎杆、非病斑异常区域各提取16个样本区域,计算各个样本区域的均值光谱数据并绘制光谱曲线如图4所示。先基于病斑异常区域与叶片茎杆的比值以及JM距离方法,选择敏感波段特征。叶片茎杆与病斑异常区域在各个波段的JM距离曲线图如图5所示,病斑异常区域与叶片茎杆在各个波段的反射率比值曲线图如图6所示。根据图5和6,最终确定敏感波段特征为666nm和494nm。并且对现有植被指数以及光谱连续统特征和导数特征进行综合分析发现,基于敏感波段的特征对于水稻叶片和茎杆去除效果最好。因此基于选定的敏感波段通过Fisher线性判别算法完成对水稻叶片和茎杆的去除。得到的666nm波段结果图如图7所示,得到的494nm波段结果图如图8所示.
得到的Fisher线性判别函数为(x1为666nm波段的反射率,x2为494nm波段的反射率):异常:Y1=384.091·x1--140.108·x2-24.724;健康:Y2=-35.156·x1+182.316·x2-3.993。
经过Fisher线性判别方法后得到的高光谱图像如图9所示。
S4.基于病斑扫描的非病斑异常区域去除
对各异常区域进行6×6模板的均值滤波,以用来对阈值曲线进行平滑。之后,黑色晕圈、病斑异常区域、叶片茎杆的光谱曲线如图10所示。图10中各个曲线的距离绝对值之和对应的曲线如图11所示。取图11中的最大值对应的波段(854nm波段)作为扫描波段。在854nm波段下病斑周围黑色晕圈最明显。
在854nm波段下的扫描结果如图12所示,对图12中异常区域进行15×15的图像膨胀操作后所得结果图如图13所示。
图13中各个异常区域的病斑特征比分别为0.0187 0.172 0.331 0.352 0.0770.056 0.408 0.243 0.184。经多次实验,以0.2为阈值,大于或等于0.2为病斑,小于0.2为不是病斑。此时,所得病斑异常区域如图14所示。
S5.病斑区域提取
对剩下的病斑异常区域进行横向和纵向的阈值扫描,扫描规则参见上述步骤5。所得各纵向病斑区域如图15所示。所得各横向病斑区域如图16所示。取交集后所得粗糙的病斑区域如图17所示。经过平滑处理后,所得最终的病斑区域如图18所示。
经过对多个图像进行精度验证,6幅单病斑图像扫描精度为98.47%,5幅多病斑图像扫描精度为97.94%,11幅无病斑有异常区域的图像扫描精度为98.21%,2幅无病版无异常区域扫描精度为100%。注:单病斑为图中病斑与病斑分隔较为明显的情况。多病斑为图中多个病斑相距较近,此种情况无需执行步骤5扫描过程,步骤5针对的是病斑与病斑区分明显的情况。无病版异常区域为图像没有病斑但存在异常区域的情况。
Claims (5)
1.一种基于成像高光谱分析的水稻纹枯病病斑提取方法,其特征在于:步骤1、用成像光谱仪拍摄目标作物,得到成像高光谱数据;
步骤2、去除步骤1所得成像高光谱数据中的非植物背景;
步骤3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类;
步骤4、基于病斑扫描的非病斑异常区域去除
4-1.对步骤3所得的各个异常区域进行15×15矩形结构元素的图像膨胀操作;
4-2.对步骤4-1所得各异常区域进行6×6模板的均值滤波;
4-3.对步骤4-1所得的各个异常区域在854波段反射率下进行横向扫描,得到扫描后横向阈值曲线组;
4-4.计算各横向阈值曲线组的病斑特征比n为步骤三所得异常区域的个数;其中,ai为第i个横向阈值曲线组中病斑特征曲线的条数;mi为第i个横向阈值曲线组中横向阈值曲线的总条数;若一条横向阈值曲线中病斑特征曲线段的数量大于或等于2,则该条横向阈值曲线是病斑特征曲线;病斑特征曲线段为所有位置的导数绝对值均小于0.01且覆盖像素数量大于或等于3的曲线段;
若一个横向阈值曲线组的病斑特征比si≥0.2,则该横向阈值曲线组对应的异常区域为疑似区域;否则,该横向阈值曲线组对应的异常区域为非病斑异常区。
2.根据权利要求1所述的一种基于成像高光谱分析的水稻纹枯病病斑提取方法,其特征在于:步骤4后执行步骤5;步骤5具体如下:
5-1.若目标作物上存在多病斑相交的情况,则以各疑似区域膨胀操作前的状态作为粗糙的病斑区域,进入步骤5-6;否则,执行步骤5-2至5-5;
5-2.对步骤四所得各疑似区域在854波段下分别进行纵向扫描,得到纵向阈值曲线组;
5-3.将各横向阈值曲线组内病斑特征曲线段数量等于0的横向阈值曲线删除;将各纵向阈值曲线组内病斑特征曲线段数量等于0的纵向阈值曲线删除;
5-4.在每条横向阈值曲线上均选取两个横向病斑边界点;将横向阈值曲线组内所有横向病斑边界点依次相连,得到横向病斑区域;在每条纵向阈值曲线上均选取两个纵向病斑边界点;将纵向阈值曲线组内所有纵向病斑边界点依次相连,得到纵向病斑区域;
在横向阈值曲线上选取两个横向病斑边界点及在纵向阈值曲线上选取两个纵向病斑边界点的方法如下:
a.若阈值曲线中病斑特征曲线段的数量大于或等于2,则执行步骤b;若阈值曲线中病斑特征曲线段的数量等于1,则执行步骤c;
b.以该阈值曲线中最大的峰值点作为中心点;
若中心点的两侧均存在病斑特征曲线段,则以中心点两侧最靠近中心点的病斑特征曲线段各自远离中心点的那端端点分别作为两个病斑边界点;
若中心点的一侧存在病斑特征曲线段,另一侧不存在病斑特征曲线段,则以最靠近中心点的病斑特征曲线段远离中心点的那端端点病斑边界点;以该阈值曲线的一个端点作为另一个病斑边界点,使得中心点位于两个病斑边界点之间;
c.以该阈值曲线的两端端点分别作为两个病斑边界点;
5-5.将各疑似区域内的横向病斑区域、纵向病斑区域的交集分别作为粗糙的病斑区域;
5-6、先对各粗糙的病斑区域进行10×10矩形结构元素的膨胀和腐蚀;再对各粗糙的病斑区域进行10×10矩形结构元素的腐蚀和膨胀,得到最终的病斑区域。
3.根据权利要求1所述的一种基于成像高光谱分析的水稻纹枯病病斑提取方法,其特征在于:步骤1中,拍摄时成像光谱仪与目标作物侧面的距离为20~30厘米。
4.根据权利要求1所述的一种基于成像高光谱分析的水稻纹枯病病斑提取方法,其特征在于:步骤2中,取出非植物背景采用迭代阈值分割算法。
5.根据权利要求1所述的一种基于成像高光谱分析的水稻纹枯病病斑提取方法,其特征在于:步骤3中,水稻叶片茎杆与异常区域的分类采用Fisher线性判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910445932.XA CN110211147B (zh) | 2019-05-27 | 2019-05-27 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910445932.XA CN110211147B (zh) | 2019-05-27 | 2019-05-27 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211147A true CN110211147A (zh) | 2019-09-06 |
CN110211147B CN110211147B (zh) | 2021-01-05 |
Family
ID=67788717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910445932.XA Active CN110211147B (zh) | 2019-05-27 | 2019-05-27 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211147B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738066A (zh) * | 2020-05-11 | 2020-10-02 | 杭州电子科技大学 | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
CN106846391A (zh) * | 2016-12-13 | 2017-06-13 | 连云港市植物保护植物检疫站 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
-
2019
- 2019-05-27 CN CN201910445932.XA patent/CN110211147B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
CN106846391A (zh) * | 2016-12-13 | 2017-06-13 | 连云港市植物保护植物检疫站 | —种基于图像技术的水稻纹枯病危害鉴别方法 |
Non-Patent Citations (8)
Title |
---|
DONGYAN ZHANG等: "Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging", 《PLOS ONE | HTTPS://DOI.ORG/10.1371/JOURNAL.PONE.0187470》 * |
JINGCHENG ZHANG等: "Assessing crop damage from dicamba on non-dicamba-tolerant soybean by hyperspectral imaging through machine learning", 《PEST MANAG SCI 2019》 * |
XUEXUE ZHANG等: "Influence of landscape pattern on epidemic of rice sheath blight disease at regional scale", 《2018 7TH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS (AGRO-GEOINFORMATICS)》 * |
刘涛 等: "基于计算机视觉的水稻叶部病害识别研究", 《中国农业科学》 * |
李志伟 等: "基于高光谱成像技术识别水稻纹枯病", 《华南农业大学学报》 * |
管泽鑫 等: "基于图像的水稻病害识别方法研究", 《中国水稻科学》 * |
袁媛 等: "水稻纹枯病图像识别处理方法研究", 《农机化研究》 * |
谢亚平 等: "基于高光谱技术的农作物常见病害监测研究", 《光谱学与光谱分析》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738066A (zh) * | 2020-05-11 | 2020-10-02 | 杭州电子科技大学 | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 |
CN111738066B (zh) * | 2020-05-11 | 2024-04-02 | 杭州电子科技大学 | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110211147B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Mapping croplands, cropping patterns, and crop types using MODIS time-series data | |
Amin et al. | Prototyping Sentinel-2 green LAI and brown LAI products for cropland monitoring | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
Noland et al. | Estimating alfalfa yield and nutritive value using remote sensing and air temperature | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
Apan et al. | Formulation and assessment of narrow-band vegetation indices from EO-1 Hyperion imagery for discriminating sugarcane disease | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN112766036A (zh) | 一种倒伏玉米遥感提取方法与装置 | |
Shi et al. | Towards spatially continuous mapping of soil organic carbon in croplands using multitemporal Sentinel-2 remote sensing | |
Basnet et al. | Relating satellite imagery with grain protein content | |
Li et al. | Investigating coupled impacts of climate change and socioeconomic transformation on desertification by using multitemporal Landsat images: a case study in central Xilingol, China | |
CN110211147A (zh) | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 | |
Eckert et al. | Application of HYPERION data to agricultural land classification and vegetation properties estimation in Switzerland | |
Warner et al. | Remote sensing of land cover change | |
Jia et al. | The influence of BRDF effects and representativeness of training data on tree species classification using multi-flightline airborne hyperspectral imagery | |
Luo et al. | Evergreen broadleaf greenness and its relationship with leaf flushing, aging, and water fluxes | |
Doraiswamy et al. | Improved techniques for crop classification using MODIS imagery | |
Hong et al. | Comparison of remote sensing and crop growth models for estimating within-field LAI variability | |
Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series | |
Tiwari et al. | In-season crop-area mapping for wheat and rice in Afghanistan and Bangladesh | |
Rohith et al. | Effectiveness of Super-Resolution Technique on Vegetation Indices |
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 |