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
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 Download PDFInfo
- Publication number
- CN110929944A CN110929944A CN201911188021.XA CN201911188021A CN110929944A CN 110929944 A CN110929944 A CN 110929944A CN 201911188021 A CN201911188021 A CN 201911188021A CN 110929944 A CN110929944 A CN 110929944A
- Authority
- CN
- China
- Prior art keywords
- color
- hyperspectral image
- spectral
- image
- features
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 60
- 241000209140 Triticum Species 0.000 title claims abstract description 48
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 206010039509 Scab Diseases 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 5
- 201000010099 disease Diseases 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 5
- 241000495841 Oenanthe oenanthe Species 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 9
- 235000013339 cereals Nutrition 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 239000013043 chemical agent Substances 0.000 description 2
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 2
- 229930002954 deoxynivalenol Natural products 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Astronomy & Astrophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
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
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XI×J中任选一列向量xj,记做x(k0),xk(0)为初始波长迭代向量,I为样本数,J为波长数;
223)计算xj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,Pxj=xj-(xj Txk(n-1))xk(n-1)(xk(n-1) Txk(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(||Pxj||),j∈S);
225)将最大投影作为下次迭代的初始值,xj=Pxj,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ui、二阶矩σi和三阶矩si,其表达式如下:
式中,pi,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:Fcolor=[uR,σR,sR,uG,σG,sG,uB,σB,sB]。
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,Rxy表示样本相关系数,Sxy表示样本协方差,Sx表示X的样本标准差,Sy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;Rs为原始光谱图像;Rw为白板图像;Rb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XI×J中任选一列向量xj,记做x(k0),xk(0)为初始波长迭代向量,I为样本数,J为波长数;
A3)计算xj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,Pxj=xj-(xj Txk(n-1))xk(n-1)(xk(n-1) Txk(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(||Pxj||),j∈S);
A5)将最大投影作为下次迭代的初始值,xj=Pxj,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ui、二阶矩σi和三阶矩si,其表达式如下:
式中,pi,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:Fcolor=[uR,σR,sR,uG,σG,sG,uB,σB,sB]。
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,Rxy表示样本相关系数,Sxy表示样本协方差,Sx表示X的样本标准差,Sy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XI×J中任选一列向量xj,记做x(k0),xk(0)为初始波长迭代向量,I为样本数,J为波长数;
223)计算xj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,Pxj=xj-(xj Txk(n-1))xk(n-1)(xk(n-1) Txk(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(||Pxj||),j∈S);
225)将最大投影作为下次迭代的初始值,xj=Pxj,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188021.XA CN110929944A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911188021.XA CN110929944A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929944A true CN110929944A (zh) | 2020-03-27 |
Family
ID=69847371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911188021.XA Pending CN110929944A (zh) | 2019-11-28 | 2019-11-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929944A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
CN112949412A (zh) * | 2021-02-03 | 2021-06-11 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
CN113326841A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的作物虫害监测方法及设备 |
CN113409292A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病的检测方法、装置及电子设备 |
CN117523013A (zh) * | 2024-01-04 | 2024-02-06 | 江南大学 | 一种高导湿面料的色变特征分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187082A1 (en) * | 2013-12-27 | 2015-07-02 | Xerox Corporation | System and method for adaptive depth map reconstruction |
CN107843593A (zh) * | 2017-10-13 | 2018-03-27 | 上海工程技术大学 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110197178A (zh) * | 2019-06-27 | 2019-09-03 | 安徽大学 | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
-
2019
- 2019-11-28 CN CN201911188021.XA patent/CN110929944A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187082A1 (en) * | 2013-12-27 | 2015-07-02 | Xerox Corporation | System and method for adaptive depth map reconstruction |
CN107843593A (zh) * | 2017-10-13 | 2018-03-27 | 上海工程技术大学 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
CN109657653A (zh) * | 2019-01-21 | 2019-04-19 | 安徽大学 | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 |
CN110197178A (zh) * | 2019-06-27 | 2019-09-03 | 安徽大学 | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
Non-Patent Citations (2)
Title |
---|
宋镇等: "基于光谱与图像信息的杏鲍菇多糖含量检测", 《华南农业大学学报》 * |
金瑞: "基于高光谱图像和光谱信息融合的马铃薯品质检测方法", 《中国优秀硕士学位论文全文数据库(农业科技辑)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832507A (zh) * | 2020-07-20 | 2020-10-27 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN111832507B (zh) * | 2020-07-20 | 2024-04-09 | 安徽大学 | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 |
CN112903602A (zh) * | 2021-01-22 | 2021-06-04 | 北京工商大学 | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 |
CN112949412A (zh) * | 2021-02-03 | 2021-06-11 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
CN112949412B (zh) * | 2021-02-03 | 2022-07-12 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
CN113176214A (zh) * | 2021-04-20 | 2021-07-27 | 安徽大学 | 一种非成像光谱应用连续小波分析的麦穗赤霉病监测方法 |
CN113326841A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的作物虫害监测方法及设备 |
CN113409292A (zh) * | 2021-06-29 | 2021-09-17 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病的检测方法、装置及电子设备 |
CN113409292B (zh) * | 2021-06-29 | 2022-12-30 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病的检测方法、装置及电子设备 |
CN117523013A (zh) * | 2024-01-04 | 2024-02-06 | 江南大学 | 一种高导湿面料的色变特征分析方法及系统 |
CN117523013B (zh) * | 2024-01-04 | 2024-03-08 | 江南大学 | 一种高导湿面料的色变特征分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929944A (zh) | 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 | |
EP3832524A1 (en) | System and method for determining damage on crops | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN112016392B (zh) | 一种基于高光谱图像的大豆虫害程度的小样本检测方法 | |
Diago et al. | On‐the‐go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis | |
CN110647932B (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
Mahajan et al. | Machine vision based alternative testing approach for physical purity, viability and vigour testing of soybean seeds (Glycine max) | |
CN111797760A (zh) | 基于Retinanet改进的农作物病虫害识别方法 | |
CN107274441A (zh) | 一种高光谱图像的波段校准方法和系统 | |
CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
Mahalakshmi et al. | RETRACTED ARTICLE: Agro Suraksha: pest and disease detection for corn field using image analysis | |
CN114965501A (zh) | 基于冠层参数处理的花生病害检测与产量预测方法 | |
Abisha et al. | Brinjal leaf diseases detection based on discrete Shearlet transform and Deep Convolutional Neural Network | |
Rößle et al. | Efficient noninvasive FHB estimation using RGB images from a novel multiyear, multirater dataset | |
CN116977880A (zh) | 一种基于无人机图像的草地鼠洞检测方法 | |
Patel et al. | A review on rice plant phenotyping traits estimation for disease and growth management using modern ML techniques | |
Kim et al. | Tackling Structural Hallucination in Image Translation with Local Diffusion | |
CN114972264A (zh) | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 | |
CN114359748A (zh) | 目标分类提取方法及装置 | |
Kumar et al. | A symbiosis with panicle-SEG based CNN for count the number of wheat ears | |
Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion | |
CN118172676B (zh) | 一种基于量子深度学习的农田害虫检测方法 | |
Ramachandran et al. | Border Sensitive Knowledge Distillation for Rice Panicle Detection in UAV Images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |