CN112418318B - 一种基于傅里叶描述符的水稻健康状态智能判别方法 - Google Patents

Abstract

一种基于傅里叶描述符的水稻健康状态智能判别方法，首先对杂草筛选，保留的样本进入健康状态判别流程；根据两类属性结合形成三级标记矩阵：根据第一类属性集合形成初始标记矩阵，由第一类属性集合筛选保留的数据进入第二类属性集合，根据属性集合中基于边缘重建差的傅里叶描述符形成二级标记矩阵，根据属性集合中脏点峰度形成三级标记矩阵；然后进入半监督学习模型，根据半监督学习伪标记规则构建最小损失函数，更新三级标记矩阵标签直至学习完成，获得最小损失函数的最优解；最后输出标记矩阵，矩阵内标记对应性质即水稻样本健康状态。本方法可以结合现代智慧农业技术平台，实时监控大规模水稻产地作物生长状态，减少人力支出，提高农业现代化。

Description

一种基于傅里叶描述符的水稻健康状态智能判别方法

技术领域

本发明属于农业以及计算机图像识别与数据处理领域，具体涉及一种基于傅里叶描述符的水稻健康状态智能判别方法。

背景技术

稻米是世界一半以上人口的主要食物来源之一，特别是在亚洲和拉丁美洲。为了满足不断增长的人口需求，未来全球水稻产量需要会持续大幅增加，而受水稻生长环境所限，水稻种植面积是有限的，与此同时虫害、病害通常会侵袭稻田，降低稻米的产量和品质。随着农业现代化的深入应用，计算机视觉被广泛应用于农业。计算机视觉试图以一幅或多幅图像描述我们周围的世界，并重建其形状，照明和颜色分布等属性，以模仿人类和动物执行视觉的方式。计算机视觉由四个阶段组成。首先，通过一些传感器获取数字图像。然后，应用过滤器和几何变换，以消除不想要的信息并突出显示最相关的信息。之后，将图像分割以获得感兴趣的对象。最后，通过对某些特征的分析来区分分割的元素，从而识别出图像。

然而，大量植物物种的存在使得通过人工检查目视识别和识别所有植物物种成为一项颇具挑战性的任务。前期大量研究发现，选择合适的叶片特征被认为是自动化植物识别系统的最重要方面。可以通过其独特的叶片纹理，形状，脉络结构和颜色来识别不同类型的植物。在某些情况下，叶子的颜色会随着天气的变化而改变，但是它们的基本形状，纹理和通风结构几乎保持不变。植物叶片纹理等特征的独特表达为研究人员开发基于机器自动化植物物种识别系统带来了生机。现有研究描述了可以潜在地用于植物叶片的各种类型的特征，包括叶片圆度，矩形度，偏心度，圆度和从叶中提取的基于长宽比的特征等等。

尽管基于机器自动化方法用于叶识别的技术很多，但是这项工作的主要实质是探索叶的形状特征及其在识别过程中的重要性。机器自动化需要大量的手动注释数据进行对比训练，这使得机器自动化学习在数据集有限的场景下的学习效率低下。

发明内容

本发明针对上述背景技术中的问题，提出一种基于傅里叶描述符的水稻健康状态智能判别方法，以高度优化的特征匹配和特征选择方法，实现水稻生长状态智能检测。

一种基于傅里叶描述符的水稻健康状态智能判别方法，包括以下基本步骤：

步骤1，给出适用于判断水稻生长状态的属性集合，给出第一类主要包括水稻叶片的基础属性，称为基于形态特征的水稻叶片判别集；

步骤2，在适用于判断水稻生长状态的属性集合基础上，继续给出第二类主要包括水稻叶片健康状态判别的关键指标，称为水稻叶片脏点属性集；

步骤3，在样本集合内选取满足第一类基于形态特征的水稻叶片判别样本集，并将同时满足第一类判别集与原始样本集的数据在原始样本集矩阵中标记为1，原始样本矩阵中剩余样本则标记为0；

步骤4，利用步骤3中被标记为1的样本集合，根据基于边缘重建差的傅里叶描述符判别条件，得到二级样本矩阵；根据脏点峰度取值和判别条件，得到三级样本矩阵；

步骤5，将前述步骤获得的三级标签矩阵导入半监督学习模型，并给出半监督学习过程中标签更新规则；

步骤6，基于步骤5所述伪标记规则，构建半监督模型最小损失函数，实现函数并得到输入样本水稻健康状态判别结果。

进一步地，步骤1中，将水稻叶片判别集记为Identify，以识别叶片样本属于水稻叶片或非水稻叶片，由Identify＝{叶长,叶宽,叶面积,叶周长,长宽比,周长比,平滑因子,形状差异因数}表示。

进一步地，步骤2中，水稻叶片脏点属性集记为Dirty，并用集合Dirty＝{基于边缘重建差的傅里叶描述符,脏点峰度}表示，其中属性定义与计算方法如下：

基于边缘重建差的傅里叶描述符：引入熵改进傅里叶边缘描述过程，将样本叶片分为规则区域和不规则区域，在叶子不规则区域上发生的变形不影响从其他规则区域获得的属性，对不规则区域独立分析，融合从叶片的两个区域获得参数；该傅里叶描述符通过边缘重建差参数e描述：

其中，H_：,Y∈S表示性状表现为凹的顶点集在有效样本区域S内；

脏点峰度：指灰度图像中像素值第四中心矩的度量，如果灰度图像的分布呈正态分布，则其峰度为0；如果均匀分布，则其峰度为负；当峰度的峰值大于正态分布的直方图时，获得峰度的正值，即有效样本区域存在不规则高灰度值像素点；峰度的获取方法为：

其中，

表示有效样本区域图像灰度平均值，

表示有效样本区域图像灰度的对比度均值。

进一步地，步骤3中，具体的，在样本集合F内满足第一类基于形态特征的水稻叶片判别样本集记为R＝{r₁,r₂,…,r_s}，s<p，并将该集合内的样本在矩阵F中标记为1，矩阵F中剩余样本则标记为0；根据分类索引，定义由伪标记描述的初始样本矩阵。

进一步地，步骤4中，具体的，根据基于边缘重建差的傅里叶描述符，如果整个水稻叶片轮廓描述集合S＝{FD_i,i＝0,…,N}中每个取值都为2，则将该水稻叶片样本标记为1，其余标记为0，得到二级样本矩阵：

根据脏点峰度取值，得到三级样本矩阵。

进一步地，步骤5中，具体标签更新规则为，根据步骤1和步骤2共同提出的适用于判断水稻生长状态的属性集合，将样本数据与当前水稻品种预定义属性取值进行比较，给出伪标记集并记为In＝{in₁,in₂,in₃,in₄,in₆}。

进一步地，步骤6中，最小损失函数为：

其中，q(S,ω)是自适应学习进度的函数，而ω是速度参数；S表示学习速率矩阵,D_ii是拉普拉斯矩阵，L＝D-S；计算得到最终标记矩阵根据样本矩阵：

其中标记为0的表示非水稻叶片，根据矩阵内每个样本上的伪标记判定水稻样本健康状况。

本发明达到的有益效果为：所提出的水稻健康状态判别方法针对水稻叶片的特性给出的属性集合，有利于提高水稻健康状态判别精确度，降低误差和人工投入，为水稻种植提供更加智能化的生产流程。本方法可以结合现代智慧农业技术平台，实时监控大规模水稻产地作物生长状态，提高农业现代化。

附图说明

图1为本发明实施例中所述的一种基于傅里叶描述符的水稻健康状态智能判别方法的总体流程示意图。

图2为本发明实施例中所述的一种基于傅里叶描述符的水稻健康状态智能判别方法中涉及的伪标记规则示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

结合图1，本实施例提供的基于傅里叶描述符的水稻健康状态智能判别方法，包括以下具体步骤：

步骤1：给出适用于判断水稻生长状态的属性集合，第一类主要包括水稻叶片基础属性，称为基于形态特征的水稻叶片判别集。

集合内属性相关定义与计算方法如下：基于形态特征的水稻叶片判别集记为Identify，主要用来识别叶片样本属于水稻叶片或非水稻叶片，由于不同水稻品种叶片差异，本实施例不予给定每个属性具体数值，在识别前，需要对当前样本水稻品种建立对比库，对比库中针对每个属性均给出对比数据范围，不在对比参数范围之内的属性值，则归类为非水稻叶片。具体的，判别集由集合Identify＝{叶长，叶宽，叶面积，叶周长，长宽比，周长比，平滑因子，形状差异因数}表示，其中：

(1)叶长：提取叶片样本任意两点之间的最长距离，记为L。

(2)叶宽：这是垂直于长度线的最长线。由于叶子的像素分布，即使垂直线为90°±0.5°，也将假定直线的正交性，并用W。

(3)叶面积：指的是有效平滑样本上的叶片像素数。每片叶子都有自己的面积特征，因此叶面积根据叶长和叶宽来获取，记为S＝L*W。

(4)叶周长：通过计算位于已处理叶的边界上的像素数来计算，记为P。

(5)长宽比：定义为L/W，即叶片长度L与宽度W的比率。

(6)周长比：定义为P/L，周长P与长度L之比。

(7)平滑因子：对于光照条件不理想情况下图像采集所带来的噪声问题，本发明利用平滑因子来描述噪声对图像区域的影响，平滑因子是通过叶子图像的面积之比来计算的。

(8)形状差异因数：该属性描述的是植物叶片形状与正圆形之间的差异，用作区分水稻和杂草，形状差异因数定义为4πA/P²，其中A是叶子面积，P是叶子边缘的周长，该参数越接近正圆则表示当前样本越不属于水稻类。

步骤2：给出适用于判断水稻生长状态的属性集合基础上，继续给出第二类主要包括水稻叶片健康状态判别的关键指标，称为水稻叶片脏点属性集，集合内属性相关定义与计算方法如下：水稻叶片脏点属性集记为Dirty，并用集合Dirty＝{基于边缘重建差的傅里叶描述符，脏点峰度}表示，其中：

基于边缘重建差的傅里叶描述符获取方法如下：

Step1：首先叶片轮廓顶点由集合S＝{S₁,S₂,…,S_N}描述，顶点由坐标描述S_i＝(x_i,y_i)，定位原点，将最长叶长的中间值与最长叶宽的左边起点视为原点，并定义其坐标为(0，0)，以此为中心逆时针方向跟踪横纵坐标，根据以下坐标矩形面积公式判断顶点的凹凸性：

当形状轮廓沿逆时针方向移动，正负零值分别表示点的凹凸和直线平行。根据Squ所定义的点的凹凸性，将所有Squ取值为正的顶点，即相对于前一个坐标当前坐标表现为凹性状时，归类为凹顶点集合H_：,Y＝{H_1：,Y,H_2：,Y,…,H_m：,Y}，集合内顶点个数用Num表示。

Step2：根据有效样本区域的样本凹顶点集合H_：,Y的存在描述边缘重建差，所描述的是给定叶片轮廓顶点由集合S＝{S₁,S₂,…,S_N}，凹顶点集合H_：,Y，其效果是通过两个顶点集合所构建的区域形成一个差集，凸图像区域与凹图像区域形成对比的簇，可以将凸边界与凹边界区域精确地区分开，如果存在这样一个边缘重建差，则认为当前样本边界不规则，并通过边缘重建差参数e描述：

其中，H_：,Y∈S表示性状表现为凹的顶点集在有效样本区域S内。如果边缘重建差取值为1，则表示集合H_：,Y。那么基于边缘重建差的傅里叶描述符可以表示为：

其中

表示在整个样本集合中x_i的概率，

表示在整个样本集合中y_i的概率，

表示所有凸顶点集合的概率，则P_ij又可以被表示为整个概率减去凹顶点集合概率，即

当叶片边缘无不规则区域时，e＝0，则(x_i,y_i)＝2；

当e≠0时：

这种边缘重建差傅立叶描述符用于水稻叶片轮廓描述，则整个水稻叶片轮廓由以下表达式给出：S＝{FD_i,i＝0,…,N}。

峰度的获取方法为：

其中，

表示有效样本区域图像灰度平均值，

表示有效样本区域图像灰度的对比度均值，则峰度取值为：

步骤3：在样本集合内选取满足第一类基于形态特征的水稻叶片判别样本集，并将同时满足第一类判别集与原始样本集的数据在原始样本集矩阵中标记为1，原始样本矩阵中剩余样本则标记为0，具体计算方法如下：

在样本集合F内满足第一类基于形态特征的水稻叶片判别样本集记为R＝{r₁,r₂,…,r_s}，s<p，并将该集合内的样本在矩阵F中标记为1，矩阵F中剩余样本则标记为0；根据分类索引，定义由伪标记描述的初始样本矩阵。

步骤4：利用步骤3中被标记为1的样本集合，根据基于边缘重建差的傅里叶描述符判别条件，得到二级样本矩阵；根据脏点峰度取值和判别条件，得到三级样本矩阵，具体计算方法如下：

根据基于边缘重建差的傅里叶描述符，如果整个水稻叶片轮廓描述集合S＝{FD_i,i＝0,…,N}中每个取值都为2，则将该水稻叶片样本标记为1，其余标记为0，得到二级样本矩阵：

根据脏点峰度取值，将脏点峰度为负的样本标记为0，其余样本标记为1，得到三级样本矩阵。

步骤5：将前述步骤获得的三级标签矩阵导入半监督学习模型，并给出半监督学习过程中标签更新规则，具体标签更新规则如下：

规定伪标记集为In＝{in₁,in₂,in₃,in₄,in₆}，根据步骤1和步骤2共同提出的适用于判断水稻生长状态的属性集合，将样本数据与当前水稻品种预定义属性取值进行比较，并给出伪标记规则定义如下：

伪标记1：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值为2，脏点峰度取值为负，这类样本表示样本图像无不规则区域且无脏点，则样本水稻叶片健康，在聚类过程中标记为a，表示样本水稻无异常。

伪标记2：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值等于2，脏点峰度取值为0，这类样本表示样本图像无不规则区域但有独立脏点，则样本水稻叶片健康，在聚类过程中标记为b₁，表示样本水稻存在轻度异常。

伪标记3：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值不等于2，脏点峰度取值为负，这类样本表示样本图像有不规则区域但无脏点，则样本水稻叶片健康，在聚类过程中标记为b₂，表示样本水稻存在轻度异常。

伪标记4：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值等于2，脏点峰度取值为正，这类样本表示样本图像无不规则区域但有较多脏点，则样本水稻叶片健康，在聚类过程中标记为c₁，表示样本水稻存在中度异常。

伪标记5：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值不等于2，脏点峰度取值为0，这类样本表示样本图像有不规则区域且有独立脏点，则样本水稻叶片健康，在聚类过程中标记为c₂，表示样本水稻存在中度异常。

伪标记6：样本数据属于第一类的水稻属，且基于边缘重建差的边缘傅里叶描述符取值不等于2，脏点峰度取值为正，这类样本表示样本图像有不规则区域且有较多脏点，则样本水稻叶片健康，在聚类过程中标记为d，表示样本水稻存在重度异常。

步骤6：基于步骤5所述伪标记规则，构建半监督模型最小损失函数，实现函数并得到输入样本水稻健康状态判别结果，具体计算方法如下：

其中，当对角阵U_ii＝1时，表示当前样本未标记，当U_ii＝0时，表示在本次学习过程中保持当前样本标记与初始样本标记一致，q(S,ω)是自适应学习进度的函数，而ω是速度参数；学习速率矩阵

是拉普拉斯矩阵，L＝D-S，由于半监督学习矩阵2，1/2矩阵范数能使矩阵获得最佳稀疏性，因此本发明将2，1/2矩阵范数应用于层级索引的半监督模型，目的是通过学习获得最满足层级索引规则的特征子集。因此将In表示为层级索引投影矩阵，并且In的2，1/2矩阵范数可以定义如下：

综上，可以将具有最小均方误差的层级索引的半监督学习模型化为最小损失函数。并且首先对最小损失函数求导并令其结果取0，得到2LF+2U(F-F₃)-2μ(P^TIn-F)＝0，根据运算可以得到F＝(L+U+2μ)^-1·(UF₃+μP^TIn)＝C*D，将F＝C*D带入到最小均方误差目标函数中：

本次学习的水稻叶片轮廓傅里叶描述集S＝{FD_i,i＝0,…,N}，上一次学习的水稻叶片轮廓傅里叶描述集S′＝{FD′_i,i＝0,…,N}，当目标函数满足两次学习之间的傅里叶描述符差异性度量不变，并且目标函数取得最优解时样本矩阵标记完成，得到最终标记矩阵根据样本矩阵：

其中标记为0的表示非水稻叶片，根据矩阵内每个样本上的伪标记判定水稻样本健康状况。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于，包括以下步骤：

步骤1，给出适用于判断水稻生长状态的属性集合，给出第一类主要包括水稻叶片的基础属性，称为基于形态特征的水稻叶片判别集；

步骤2，在适用于判断水稻生长状态的属性集合基础上，继续给出第二类主要包括水稻叶片健康状态判别的关键指标，称为水稻叶片脏点属性集；

步骤2中，水稻叶片脏点属性集记为Dirty，并用集合Dirty＝{基于边缘重建差的傅里叶描述符,脏点峰度}表示，其中属性定义与计算方法如下：

基于边缘重建差的傅里叶描述符：引入熵改进傅里叶边缘描述过程，将样本叶片分为规则区域和不规则区域，在叶子不规则区域上发生的变形不影响从其他规则区域获得的属性，对不规则区域独立分析，融合从叶片的两个区域获得参数；该傅里叶描述符通过边缘重建差参数e描述：

其中，H_:,Y∈S表示性状表现为凹的顶点集在有效样本区域S内；

脏点峰度：指灰度图像中像素值第四中心矩的度量，如果灰度图像的分布呈正态分布，则其峰度为0；如果均匀分布，则其峰度为负；当峰度的峰值大于正态分布的直方图时，获得峰度的正值，即有效样本区域存在不规则高灰度值像素点；峰度的获取方法为：

其中，

表示有效样本区域图像灰度平均值，

表示有效样本区域图像灰度的对比度均值；

步骤3，在样本集合内选取满足第一类基于形态特征的水稻叶片判别样本集，并将同时满足第一类判别集与原始样本集的数据在原始样本集矩阵中标记为1，原始样本矩阵中剩余样本则标记为0；

步骤4，利用步骤3中被标记为1的样本集合，根据基于边缘重建差的傅里叶描述符判别条件，得到二级样本矩阵；根据脏点峰度取值和判别条件，得到三级样本矩阵；

步骤5，将前述步骤获得的三级标签矩阵导入半监督学习模型，并给出半监督学习过程中标签更新规则；

步骤6，构建半监督模型最小损失函数，实现函数并得到输入样本水稻健康状态判别结果。

2.根据权利要求1所述的一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于：步骤1中，将水稻叶片判别集记为Identify，以识别叶片样本属于水稻叶片或非水稻叶片，由Identify＝{叶长,叶宽,叶面积,叶周长,长宽比,周长比,平滑因子,形状差异因数}表示。

3.根据权利要求1所述的一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于：步骤3中，具体的，在样本集合F内满足第一类基于形态特征的水稻叶片判别样本集记为R＝{r₁,r₂,…,r_s}，s<p，并将该集合内的样本在矩阵F中标记为1，矩阵F中剩余样本则标记为0；根据分类索引，定义由伪标记描述的初始样本矩阵:

4.根据权利要求1所述的一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于：步骤4中，具体的，根据基于边缘重建差的傅里叶描述符，如果整个水稻叶片轮廓描述集合S＝{FD_i,i＝0,…,N}中每个取值都为2，则将该水稻叶片样本标记为1，其余标记为0，得到二级样本矩阵：

根据脏点峰度取值，得到三级样本矩阵：

5.根据权利要求1所述的一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于：步骤5中，具体标签更新规则为，根据步骤1和步骤2共同提出的适用于判断水稻生长状态的属性集合，将样本数据与当前水稻品种预定义属性取值进行比较，给出伪标记集并记为In＝{in₁,in₂,in₃,in₄,in₆}。

6.根据权利要求1所述的一种基于傅里叶描述符的水稻健康状态智能判别方法，其特征在于：步骤6中，最小损失函数为：

其中，q(S,ω)是自适应学习进度的函数，而ω是速度参数；S 表示学习速率矩阵，D是拉普拉斯矩阵，L＝D-S；计算得到最终标记矩阵根据样本矩阵：

其中标记为0的表示非水稻叶片，根据矩阵内每个样本上的伪标记判定水稻样本健康状况。

Images