CN110929944A - 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 - Google Patents

Abstract

本发明涉及基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，与现有技术相比解决了高光谱图像特征难以与光谱特征有效结合实现赤霉病分析的缺陷。本发明包括以下步骤：高光谱图像数据的获取和预处理；光谱特征的提取；高光谱图像颜色特征的提取；对颜色特征做相关性分析；构建并训练预测分析模型；待预测高光谱图像数据的输入；小麦赤霉病病情严重度的预测。本发明提取了光谱特征和高光谱图像的颜色特征，结合PSO‑SVM算法建立基于光谱和颜色特征的小麦赤霉病病情严重度诊断模型，实现了有效对小麦赤霉病病情严重度的诊断。

Description

基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严 重度预测方法

技术领域

本发明涉及小麦病虫害预测技术领域，具体来说是基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法。

背景技术

赤霉病是危害小麦的主要病害之一，赤霉病的发生不仅会造成小麦产量的大幅度衰减，而且还会引起麦粒腐败变质，由此生成的代谢产物脱氧学府镰刀菌烯醇(Deoxynivalenool,简称DON)更是会导致人畜中毒，严重时危害人和动物的生命。如果能在小麦感染赤霉病早期及时有效确定病害的发生及受害程度，按需按量的喷洒化学药剂，这样既减少化学药剂使用过多造成生态环境问题，又能达到及时防治的目的，减少小麦赤霉病的发病率，防治该病害发生大面积的蔓延，切实有效的提高小麦产量。

高光谱成像技术被广泛应用于农产品的无损检测、品质分析等方向，其在作物病虫害监测，识别上的应用也得到了很好的发展。高光谱图像有效地结合了代表地物辐射属性的光谱信息和反映了空间几何关系的图像信息，具有图谱合一的优点。

现有技术中，邓小琴等利用高光谱图像融合了光谱、纹理以及形态特征所建立的水稻种子鉴定模型获得令人满意的识别精度，其训练集和测试集精度分别为99.22％和96％。芦兵等利用高光谱和图像特征融合建立了生菜病害对别模型，分别提取了样本图像的颜色特征和纹理特征，结果表明，基于高光谱和图像特征融合的模型性能良好，病害判断准确率为92.23％。梁琨等利用高光谱成像技术通过光谱分析和图像处理分别对小麦籽粒赤霉病进行识别，结果表明，通过光谱分析和图像处理对小麦籽粒赤霉病的识别均能达到90％以上，具有较好的识别效果。以上结果说明，利用高光谱图像图谱合一的优点能够较准确的判断作物的病害信息。

在涉及小麦的光谱成像技术中，其涉及高光谱图像的光谱、颜色、纹理等多种特征的表现，但是如何选择合适的高光谱图像特征与光谱特征进行有效结合，以实现小麦赤霉病的高效预测已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中高光谱图像特征难以与光谱特征有效结合实现赤霉病分析的缺陷，提供一种基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，包括以下步骤：

11)高光谱图像数据的获取和预处理：获取小麦病害作物的高光谱图像，对高光谱图像进行光谱校正处理，并利用基于阈值的图像分割方法分割出麦穗区域；

12)光谱特征的提取：利用连续投影方法对预处理后高光谱图像进行处理，提取出最优波段，将其作为敏感波段；

13)高光谱图像颜色特征的提取：选取680nm、560nm、481nm 3个波长图像合成RGB图像，对其提取出颜色特征；

14)对颜色特征做相关性分析：针对提取的颜色特征进行相关性分析，选取相关系数最高的特征作为最终的颜色特征；

15)构建并训练预测分析模型：构建基于光谱特征和颜色特征的预测分析模型，将光谱特征和颜色特征作为输入，并采用粒子群优化算法优化支持向量机模型的参数c和g；

16)待预测高光谱图像数据的输入：输入待预测的高光谱图像数据，并对其进行预处理，提取出其光谱特征和高光谱图像颜色特征；

17)小麦赤霉病病情严重度的预测：将提取出的光谱特征和高光谱图像颜色特征输入训练后的预测分析模型，得到小麦赤霉病病情严重度预测结果。

所述光谱特征的提取包括以下步骤：

21)采用正交信号校正对原始光谱进行预处理；

22)采用连续投影算法提取光谱特征，记k(0)为初始波长，N为提取的波长变量个数，从一个波长开始，计算它在余下其他波长上的投影，将投影向量最大的波长变量添加到波长组合，循环N次结束；其详细步骤如下：

221)在第一次迭代n＝1开始前，在光谱矩阵X_I×J中任选一列向量x_j，记做x_(k0)，x_k(0)为初始波长迭代向量，I为样本数，J为波长数；

222)把未被选中的波长的集合记为S,

223)计算x_j对集合S中向量的投影，即计算初始波长变量光谱数据分别正交于其他波长变量光谱数据的投影，Px_j＝x_j-(x_j ^Tx_k(n-1))x_k(n-1)(x_k(n-1) ^Tx_k(n-1))^-1，j∈S，其中P为投影算子；

224)记录N-1次投影中最大的投影值为k(n),k(n)＝arg(max(||Px_j||),j∈S)；

225)将最大投影作为下次迭代的初始值，x_j＝Px_j，j∈S；

226)n＝n+1,如果n<N返回222)步骤；

227)得出的变量组合为{k(n)；n＝0,…,N-1}，分别对每一个k(0)和N所决定的组合进行多元线性分析，根据均方根误差RMSE值的大小，选出最优的波长变量组合。

所述高光谱图像颜色特征的提取方法如下：

针对高光谱RGB图像，分别计算出目标图像R、G和B三个分量图像的颜色特征，采用图像的颜色矩表示颜色特征：一阶矩u_i、二阶矩σ_i和三阶矩s_i，其表达式如下：

式中，p_i,j表示彩色图像中第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像中的像素个数；对于RGB图像的三个颜色分量R、G和B，每个颜色分量提取三个特征变量，组成一个9维直方图向量，即图像的颜色特征表示为：F_color＝[u_R,σ_R,s_R,u_G,σ_G,s_G,u_B,σ_B,s_B]。

所述对颜色特征做相关性分析的方法为：

设定相关系数的取值区间在1到-1之间，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱；相关系数的计算公式如下：

式中

其中，R_xy表示样本相关系数，S_xy表示样本协方差，S_x表示X的样本标准差，S_y表示y的样本标准差。

有益效果

本发明的基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，与现有技术相比提取了光谱特征和高光谱图像的颜色特征，结合PSO-SVM算法建立基于光谱和颜色特征的小麦赤霉病病情严重度诊断模型，实现了有效对小麦赤霉病病情严重度的诊断。

附图说明

图1为本发明的方法顺序图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，包括以下步骤：

第一步，高光谱图像数据的获取和预处理。获取小麦病害作物的高光谱图像，对高光谱图像进行光谱校正处理，并利用基于阈值的图像分割方法分割出麦穗区域。

进一步对采集的图像进行校正，在图像采集时，采集一次标准白板和全黑标定图像以便对原始图像进行校正。校正公式为:

其中，R为校正后的高光谱图像；R_s为原始光谱图像；R_w为白板图像；R_b为黑板图像。

为实现准确的监测小麦赤霉病早期病情严重度，需要对样正后的高光谱图像进行背景去除。基于阈值的图像分割算法是一种经典的图像分割方法，通过寻找合适的阈值，将目标对象(麦穗)与背景分割出来。

第二步，光谱特征的提取：利用连续投影方法对预处理后高光谱图像进行处理，提取出最优波段，将其作为敏感波段。其具体步骤如下：

(1)采用正交信号校正对原始光谱进行预处理；

(2)采用连续投影算法提取光谱特征，记k(0)为初始波长，N为提取的波长变量个数，从一个波长开始，计算它在余下其他波长上的投影，将投影向量最大的波长变量添加到波长组合，循环N次结束；其详细步骤如下：

A1)在第一次迭代n＝1开始前，在光谱矩阵X_I×J中任选一列向量x_j，记做x_(k0)，x_k(0)为初始波长迭代向量，I为样本数，J为波长数；

A2)把未被选中的波长的集合记为S,

A3)计算x_j对集合S中向量的投影，即计算初始波长变量光谱数据分别正交于其他波长变量光谱数据的投影，Px_j＝x_j-(x_j ^Tx_k(n-1))x_k(n-1)(x_k(n-1) ^Tx_k(n-1))^-1，j∈S，其中P为投影算子；

A4)记录N-1次投影中最大的投影值为k(n),k(n)＝arg(max(||Px_j||),j∈S)；

A5)将最大投影作为下次迭代的初始值，x_j＝Px_j，j∈S；

A6)n＝n+1,如果n<N返回222)步骤；

A7)得出的变量组合为{k(n)；n＝0,…,N-1}，分别对每一个k(0)和N所决定的组合进行多元线性分析，根据均方根误差RMSE值的大小，选出最优的波长变量组合。

第三步，高光谱图像颜色特征的提取：选取680nm、560nm、481nm 3个波长图像合成RGB图像，对其提取出颜色特征。其具体方法如下：

针对高光谱RGB图像，分别计算出目标图像R、G和B三个分量图像的颜色特征，采用图像的颜色矩表示颜色特征：一阶矩u_i、二阶矩σ_i和三阶矩s_i，其表达式如下：

式中，p_i,j表示彩色图像中第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像中的像素个数；对于RGB图像的三个颜色分量R、G和B，每个颜色分量提取三个特征变量，组成一个9维直方图向量，即图像的颜色特征表示为：F_color＝[u_R,σ_R,s_R,u_G,σ_G,s_G,u_B,σ_B,s_B]。

第四步，对颜色特征做相关性分析：针对提取的颜色特征进行相关性分析，选取相关系数最高的特征作为最终的颜色特征。具体分析方法如下：

设定相关系数的取值区间在1到-1之间，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱；相关系数的计算公式如下：

式中

其中，R_xy表示样本相关系数，S_xy表示样本协方差，S_x表示X的样本标准差，S_y表示y的样本标准差。

第五步，构建并训练预测分析模型：构建基于光谱特征和颜色特征的预测分析模型，将光谱特征和颜色特征作为输入，并采用粒子群优化算法优化支持向量机模型的参数c和g。

采用颜色特征配合光谱特征进行预测分析，是基于大量数据分析研究而得。

在此利用100个数据样本用作建模集，50个数据样本用作验证集。采用PSO-SVM算法分别建立了基于光谱特征、纹理特征以及颜色特征的小麦不同病情严重度的诊断模型；此外将不同的特征值进行了标准化融合，进一步建立了基于光谱特征+颜色特征、光谱特征+纹理特征以及光谱特征+颜色特征+纹理特征融合的诊断模型。模型预测结果如表1所示。

表1不同特征信息的PSO_SVM模型预测结果

特征信息	建模集准确率	验证集准确率
			光谱特征	85％	84％
颜色特征	86％	82％
			纹理特征	75％	68％
光谱+颜色特征	95％	92％
			光谱+纹理特征	82％	78％
光谱+颜色+纹理特征	85％	82％

由表1可知，基于单一特征变量构建PSO-SVM模型的预测结果呈现出明显差异性，其中光谱特征模型结果最优，建模准确率和验证集准确率分别为85％和84％，略优于颜色特征模型，建模集和验证集准确率分别为86％和82％，两种模型均能够较好的实现小麦病情严重度的诊断。

这表明随着小麦病情的增加其内部的光谱信息和外部颜色信息对小麦病情严重度的诊断具有较大贡献性。相反，纹理特征模型的预测结果较差，建模集和验证集集分别为75％和68％。表明随着小麦病情的增加其外部的纹理特征没有表现出明显的梯度差异。

分析不同特征值进行融合后的PSO-SVM模型预测结果可知，光谱和颜色特征融合的模型结果最优，表现出较强的预测能力，建模集和验证集的准确率分别为95％和92％，优于光谱+颜色+纹理特征模型，建模集和验证集准确率分别为85％和82％。然而，光谱+纹理特征模型的预测结果相对较差，建模集和验证集准确率分别为82％和78％。与基于单一特征构建的模型预测结果相符，表明本文所提取的纹理特征相对于颜色特征和光谱特征对小麦病情严重度的诊断的贡献性较小。

由此分析可知，将光谱和颜色特征进行融合并结合PSO-SVM算法构建的小麦病情严重度预测模型表现出最优结果，该模型的预测能力明显优于利用单一光谱特征或颜色特征所建立的模型。

第六步，待预测高光谱图像数据的输入：输入待预测的高光谱图像数据，并对其进行预处理，提取出其光谱特征和高光谱图像颜色特征。

第七步，小麦赤霉病病情严重度的预测：将提取出的光谱特征和高光谱图像颜色特征输入训练后的预测分析模型，得到小麦赤霉病病情严重度预测结果。

本发明采用光谱和图像信息相结合诊断小麦赤霉病病情严重度，基于光谱和颜色特征融合的PSO-SVM模型的建模集验证集的准确率分别为95％和92％。研究表明，利用高光谱图像，融合光谱和颜色特征，结合PSO-SVM算法可以有效的实现小麦赤霉病病情严重度的诊断。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，其特征在于，包括以下步骤：

11)高光谱图像数据的获取和预处理：获取小麦病害作物的高光谱图像，对高光谱图像进行光谱校正处理，并利用基于阈值的图像分割方法分割出麦穗区域；

12)光谱特征的提取：利用连续投影方法对预处理后高光谱图像进行处理，提取出最优波段，将其作为敏感波段；

13)高光谱图像颜色特征的提取：选取680nm、560nm、481nm 3个波长图像合成RGB图像，对其提取出颜色特征；

14)对颜色特征做相关性分析：针对提取的颜色特征进行相关性分析，选取相关系数最高的特征作为最终的颜色特征；

15)构建并训练预测分析模型：构建基于光谱特征和颜色特征的预测分析模型，将光谱特征和颜色特征作为输入，并采用粒子群优化算法优化支持向量机模型的参数c和g；

16)待预测高光谱图像数据的输入：输入待预测的高光谱图像数据，并对其进行预处理，提取出其光谱特征和高光谱图像颜色特征；

17)小麦赤霉病病情严重度的预测：将提取出的光谱特征和高光谱图像颜色特征输入训练后的预测分析模型，得到小麦赤霉病病情严重度预测结果。

2.根据权利要求1所述的基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，其特征在于，所述光谱特征的提取包括以下步骤：

21)采用正交信号校正对原始光谱进行预处理；

22)采用连续投影算法提取光谱特征，记k(0)为初始波长，N为提取的波长变量个数，从一个波长开始，计算它在余下其他波长上的投影，将投影向量最大的波长变量添加到波长组合，循环N次结束；其详细步骤如下：

221)在第一次迭代n＝1开始前，在光谱矩阵X_I×J中任选一列向量x_j，记做x_(k0)，x_k(0)为初始波长迭代向量，I为样本数，J为波长数；

222)把未被选中的波长的集合记为S,

223)计算x_j对集合S中向量的投影，即计算初始波长变量光谱数据分别正交于其他波长变量光谱数据的投影，Px_j＝x_j-(x_j ^Tx_k(n-1))x_k(n-1)(x_k(n-1) ^Tx_k(n-1))^-1，j∈S，其中P为投影算子；

224)记录N-1次投影中最大的投影值为k(n),k(n)＝arg(max(||Px_j||),j∈S)；

225)将最大投影作为下次迭代的初始值，x_j＝Px_j，j∈S；

226)n＝n+1,如果n<N返回222)步骤；

227)得出的变量组合为{k(n)；n＝0,…,N-1}，分别对每一个k(0)和N所决定的组合进行多元线性分析，根据均方根误差RMSE值的大小，选出最优的波长变量组合。

3.根据权利要求1所述的基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，其特征在于，所述高光谱图像颜色特征的提取方法如下：

针对高光谱RGB图像，分别计算出目标图像R、G和B三个分量图像的颜色特征，采用图像的颜色矩表示颜色特征：一阶矩u_i、二阶矩σ_i和三阶矩s_i，其表达式如下：

式中，p_i,j表示彩色图像中第i个颜色通道分量中灰度为j的像素出现的概率，N表示图像中的像素个数；对于RGB图像的三个颜色分量R、G和B，每个颜色分量提取三个特征变量，组成一个9维直方图向量，即图像的颜色特征表示为：F_color＝[u_R,σ_R,s_R,u_G,σ_G,s_G,u_B,σ_B,s_B]。

4.根据权利要求1所述的基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法，其特征在于，所述对颜色特征做相关性分析的方法为：

设定相关系数的取值区间在1到-1之间，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱；相关系数的计算公式如下：

式中

其中，R_xy表示样本相关系数，S_xy表示样本协方差，S_x表示X的样本标准差，S_y表示y的样本标准差。

Images