基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法
【專利摘要】本發(fā)明公開一種基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，屬于高光譜信息提取領(lǐng)域。該方法包括如下步驟：首先應(yīng)用連續(xù)投影算法在高光譜圖像的光譜維選擇特征波段圖像，然后對(duì)特征波段圖像建立相應(yīng)的測(cè)線圖，計(jì)算水稻葉片不同部位測(cè)線圖的灰度值差異，進(jìn)一步挑選出能夠?qū)崿F(xiàn)水稻葉片白葉枯病病斑檢測(cè)所需的最少特征波段，從而降低了病斑檢測(cè)所需的高光譜圖像的維數(shù)。本發(fā)明方法將連續(xù)投影算法和測(cè)線圖方法相結(jié)合，可以實(shí)現(xiàn)高維數(shù)據(jù)的有效降維，得到的特征圖像可以準(zhǔn)確地識(shí)別病斑；結(jié)合圖像識(shí)別，準(zhǔn)確計(jì)算出病斑面積及病害程度，以少量的特征圖像實(shí)現(xiàn)水稻白葉枯病病斑的檢測(cè)，降低了檢測(cè)模型的復(fù)雜程度，有效地縮短了檢測(cè)所花費(fèi)的時(shí)間。
【專利說(shuō)明】
基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于高光譜信息提取領(lǐng)域，涉及光譜數(shù)據(jù)分析，具體涉及一種基于測(cè)線圖 的水稻白葉枯病高光譜圖像降維方法。
【背景技術(shù)】
[0002] 高光譜圖像是一個(gè)三維的數(shù)據(jù)立方體（Image Cube)，二維圖像記錄樣本的空間形 態(tài)信息，每一個(gè)圖像對(duì)應(yīng)一個(gè)光譜波段。高光譜圖像技術(shù)結(jié)合了樣本光譜信息和圖像信息， 實(shí)現(xiàn)作物的養(yǎng)分估算和病害檢測(cè)。當(dāng)水稻感染白葉枯病后，葉片出現(xiàn)的病斑會(huì)逐漸擴(kuò)大，病 情加重;在農(nóng)田管理中，需要根據(jù)病情的輕重進(jìn)行農(nóng)藥的噴施。采用高光譜圖像進(jìn)行病情檢 測(cè)的一個(gè)主要問(wèn)題是獲得的數(shù)據(jù)維數(shù)多達(dá)512維，由于檢測(cè)中涉及的波段很多，處理速度 慢，并不是所有的波段的光譜信息及圖像信息都可以揭示作物的生長(zhǎng)狀況，相反，許多數(shù)據(jù) 可能是一些無(wú)關(guān)緊要的噪聲而將重要的信息掩蓋。因此，為了實(shí)現(xiàn)病情檢測(cè)的實(shí)時(shí)快速處 理，為了提高模型預(yù)測(cè)精度以及簡(jiǎn)化模型，需要對(duì)采集的數(shù)據(jù)進(jìn)行優(yōu)選，剔除不相關(guān)或非線 性變量，得到預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的校正模型。
[0003] 基于光譜維的特征波段選擇方法主要有無(wú)信息變量的消除法、間隔偏最小二乘 法、遺傳算法、連續(xù)投影算法等。連續(xù)投影算法的工作原理是在光譜矩陣中尋找含有最低限 度的冗余信息的變量組，使變量間的共線性達(dá)到最小。
[0004] 基于葉片圖像的測(cè)線圖的方法，通過(guò)對(duì)葉片圖像的不同部分灰度值進(jìn)行分析，根 據(jù)不同波段下的灰度差異度來(lái)選取基于圖像維的特征波段。
[0005] 由于高光譜圖像檢測(cè)涉及的波段很多，僅僅依靠光譜維的特征波段提取已不易得 到描繪病害特征的最佳組合。

【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，本發(fā)明的目的在于提供一種基于測(cè)線圖的水稻 白葉枯病高光譜圖像降維方法。本發(fā)明結(jié)合連續(xù)投影算法和測(cè)線圖法可以得到更好的特征 波段組合，降低病斑檢測(cè)所需的維數(shù)，簡(jiǎn)化檢測(cè)模型。
[0007] 本發(fā)明的目的通過(guò)下述技術(shù)方案實(shí)現(xiàn)：
[0008] -種基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，包括如下步驟：
[0009] 首先應(yīng)用連續(xù)投影算法在高光譜圖像的光譜維選擇特征波段圖像，然后對(duì)特征波 段圖像建立相應(yīng)的測(cè)線圖，計(jì)算水稻葉片不同部位測(cè)線圖的灰度值差異，進(jìn)一步挑選出能 夠?qū)崿F(xiàn)水稻葉片白葉枯病病斑檢測(cè)所需的最少特征波段，從而降低了病斑檢測(cè)所需的高光 譜圖像的維數(shù)。
[0010] 所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，具體包括如下步驟：
[0011] 對(duì)η個(gè)樣品的光譜數(shù)據(jù)的實(shí)現(xiàn)預(yù)處理，每一個(gè)樣品的光譜數(shù)據(jù)為Xl=(Xll，Xl2,...， Xi5i2)T，其中i = l，2, · · ·，n;
[0012] 對(duì)樣品Xl，對(duì)高光譜圖像512維光譜信息應(yīng)用連續(xù)投影算法選擇m個(gè)特征波段，特 征波段集合為T= {ti，t2, · · ·，tm}，m<512;
[0013] 選取樣品Xi的特征波段ti(l = l，2, · · ·，m)對(duì)應(yīng)的特征圖像料;(/ =私足…、叫；
[0014]在樣品Xl的特征圖像= 1,2f、、、. ； m)中繪制水稻葉片的測(cè)線圖；
[0015]根據(jù)測(cè)線圖計(jì)算樣品Xl的特征圖像恥(1 = 1,2，爾)中葉片健康部位(H)、病 斑部位(L)、陰影部位(S)的灰度平均值Gh，Gl，Gs;
[0016] 對(duì)樣品Xi的特征圖像與辦=-計(jì)算Gh與Gl的差值Chl;當(dāng)Chl2 100,表 明該特征圖像可以區(qū)分健康部位和病斑部位，選取ti進(jìn)入可區(qū)分健康部位和病斑部位的特 征波段集合Si;
[0017] 對(duì)樣品Xi的特征圖像抖;(卜? 2、rn)，計(jì)算Gh與Gs的差值Chs ;當(dāng)Chs 2 100，表 明該特征圖像可以區(qū)分健康部位和陰影部位，選取^進(jìn)入可區(qū)分健康部位和陰影部位的特 征波段集合S2;
[0018] 對(duì)樣品Xi的特征圖像= 1; 2;、、…_m)，計(jì)算Gl與Gs的差值Cls;當(dāng)Cls 2 100，表 明該特征圖像可以區(qū)分病斑部位和陰影部位，選取^進(jìn)入可區(qū)分病斑部位和陰影部位的特 征波段集合S3;
[0019]檢測(cè)水稻葉片白葉枯病病斑所需特征波段為S = Si U S2 U S3,SET。病斑檢測(cè)所需 的特征波段數(shù)量進(jìn)一步降低，因此，可實(shí)現(xiàn)病斑檢測(cè)的高光譜圖像的降維。
[0020]對(duì)樣品的光譜數(shù)據(jù)Xl進(jìn)行的預(yù)處理由公式1確定，設(shè)第k維光譜反射率為Xlk(k=l， 2,...,512):
[0022] 其中，Wj表示采用最小二乘法得到的權(quán)值。
[0023] 所述的選擇m個(gè)特征波段的算法，包括以下步驟：
[0024] 假設(shè)初始的迭代向量為Xk(0)，需要提取的變量個(gè)數(shù)為N，光譜矩陣的列變量數(shù)為J 個(gè)，則：
[0025] (1)在第1次迭代前(n=l)，任選光譜矩陣的任意1列j，把校正光譜陣第j列賦值給 xj，記為 xk(0);
[0026] (2)將還沒(méi)有被選入的列向量未知的集合記為s，其中
[0027] ^ {i,!. < i < J\j ^ . , kiji
[0028] (3)分別計(jì)算幻對(duì)剩下列向量的投影：
[0030] (4)記k(n)=arg[max( | |Pxj| | )，jEs];
[0031] (5)令χ」= Ρχ」，j e s;
[0032] (6)n = n+l，如果n<N，回到第(2)步循環(huán)計(jì)算;最后提取出的變量：{xk(n) = 0, · · ·， N-l}〇
[0033]所述的葉片健康部位(Η)、病斑部位(L)、陰影部位(S)的灰度平均值Gh，Gl，Gs分別 由公式2、公式3、公式4確定：
[0034]設(shè)健康部位長(zhǎng)度為1η、病斑部位長(zhǎng)度為U、陰影部位長(zhǎng)度為Is，則
[0038]所述的差值CHL由公式5確定：
[0039] Chl = Gh-Gl (公式 5)
[0040] 所述的差值Chs由公式6確定：
[0041 ] Chs = Gh-Gs (公式 6)
[0042]所述的差值CLS由公式7確定：
[0043] Cls = Gl-Gs (公式 7)。
[0044] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)，具有如下的優(yōu)點(diǎn)及效果：
[0045] (1)本發(fā)明對(duì)高光譜數(shù)據(jù)進(jìn)行分析的方法有機(jī)結(jié)合了光譜維和圖像維，對(duì)高光譜 數(shù)據(jù)進(jìn)行2次降維，相比于僅從光譜維進(jìn)行特征波段選取的方法，可以選取出較少的特征波 段。
[0046] (2)本發(fā)明的方法中采用的測(cè)線圖方法是對(duì)圖像的灰度進(jìn)行運(yùn)算，數(shù)據(jù)量小，處理 速度快。
[0047] (3)本發(fā)明方法將連續(xù)投影算法和測(cè)線圖方法相結(jié)合，可以實(shí)現(xiàn)高維數(shù)據(jù)的有效 降維，得到的特征圖像可以準(zhǔn)確地識(shí)別病斑;結(jié)合圖像識(shí)別，準(zhǔn)確計(jì)算出病斑面積及病害程 度。
[0048] (4)本發(fā)明結(jié)合高光譜圖像的光譜維及圖像維，以少量的特征圖像實(shí)現(xiàn)水稻白葉 枯病病斑的檢測(cè)，降低了檢測(cè)模型的復(fù)雜程度，有效地縮短了檢測(cè)所花費(fèi)的時(shí)間。
【附圖說(shuō)明】
[0049] 圖1是本發(fā)明的基于連續(xù)投影算法和測(cè)線圖方法對(duì)高光譜圖像的降維流程圖。
[0050] 圖2是水稻葉片感染白葉枯病的病斑部位與健康部位的光譜曲線對(duì)比圖。
[0051 ]圖3是水稻葉片的連續(xù)投影算法得到的特征波段。
[0052]圖4是葉片的特征光譜圖像。
[0053]圖5是水稻葉片的測(cè)線圖。
[0054]圖6是降維后特征圖像的病斑分割結(jié)果圖。
【具體實(shí)施方式】
[0055]下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限 于此。
[0056] 實(shí)施例1
[0057] 本發(fā)明的基于連續(xù)投影算法和測(cè)線圖方法對(duì)高光譜圖像的降維流程圖，見圖1所 示。本發(fā)明主要應(yīng)用于感病水稻葉片的高光譜數(shù)據(jù)分析。當(dāng)水稻感染白葉枯病后，葉片出現(xiàn) 的病斑和健康葉片在光譜反射率及圖像上都表現(xiàn)出差異。從光譜反射率來(lái)看，染病葉片及 健康葉片的光譜曲線如圖2所示。根據(jù)本發(fā)明，首先對(duì)葉片的光譜反射率進(jìn)行處理和提取特 征波段。
[0058] 以多個(gè)樣品的健康部位及病斑部位的光譜曲線為對(duì)象，對(duì)光譜數(shù)據(jù)進(jìn)行平滑預(yù)處 理;每一個(gè)樣品的光譜數(shù)據(jù)為Xi=(Xil，Xi2, . . .，Xi512)T，其中i = l，2, . . .，Π ;對(duì)高光譜圖像 512維光譜信息，采用連續(xù)投影算法選取特征波段，實(shí)現(xiàn)高光譜圖像在光譜維的降維，如圖3 所示。選取了m個(gè)特征波段，T= {ti，t2,…，tm}，m<512。
[0059] 提取光譜維選取的特征波段對(duì)應(yīng)的特征圖像，如圖4所示;在葉片上定義一條線貫 穿葉片，計(jì)算線對(duì)應(yīng)點(diǎn)的灰度值，得到葉片圖像對(duì)應(yīng)的測(cè)線圖，如圖5所示;測(cè)線圖的橫軸為 長(zhǎng)度，即該點(diǎn)與起點(diǎn)間的距離，縱軸為該點(diǎn)對(duì)應(yīng)的灰度值。
[0060] 計(jì)算葉片^的特征圖像中測(cè)線圖葉片的健康部位(H)、病斑部位(L)、陰影部位(S) 的灰度平均值Gh，Gl，Gs。
[0061 ] 對(duì)樣品Xi的特征波段ti(l = l，2, · · ·，m)對(duì)應(yīng)的特征圖像?二, ,、；計(jì) 算Gh與Gl的差值CHL。當(dāng)100,表明該特征圖像可以區(qū)分健康部位和病斑部位，選取ti進(jìn) 入可區(qū)分健康部位和病斑部位的特征波段集合Si。
[0062] 對(duì)樣品Xi的特征波段ti( 1 = 1，2，. . .，m)對(duì)應(yīng)的特征圖像2;.…計(jì) 算Gh與Gs的差值CHS。當(dāng)CHS2 100,表明該特征圖像可以區(qū)分健康部位和陰影部位，選取^進(jìn) 入可區(qū)分健康部位和陰影部位的特征波段集合&。
[0063] 對(duì)樣品Xi的特征波段ti( 1 = 1，2，. . .，m)對(duì)應(yīng)的特征圖像與又1 = ?，計(jì) 算&與gs的差值as。當(dāng)CLS 2 100,表明該特征圖像可以區(qū)分病斑部位和陰影部位，選取^進(jìn) 入可區(qū)分病斑部位和陰影部位的特征波段集合&。
[0064] 實(shí)現(xiàn)水稻葉片白葉枯病病斑檢測(cè)所需特征波段為S = Si U S2 U S3,SET，應(yīng)用這些 特征波段實(shí)現(xiàn)葉片健康部分、病斑部分和陰影部分的區(qū)分，S對(duì)應(yīng)的圖像即為特征圖像。 [0065]在特征圖像中采用0TSU法進(jìn)行圖像分割，如圖6所示;根據(jù)分割結(jié)果，可以準(zhǔn)確地 計(jì)算病斑面積及病情等級(jí)。
[0066]上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的 限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化， 均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在于包括如下步驟： 首先應(yīng)用連續(xù)投影算法在高光譜圖像的光譜維選擇特征波段圖像，然后對(duì)特征波段圖 像建立相應(yīng)的測(cè)線圖，計(jì)算水稻葉片不同部位測(cè)線圖的灰度值差異，進(jìn)一步挑選出能夠?qū)?現(xiàn)水稻葉片白葉枯病病斑檢測(cè)所需的最少特征波段，從而降低了病斑檢測(cè)所需的高光譜圖 像的維數(shù)。2. 根據(jù)權(quán)利要求1所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于具體包括如下步驟： 對(duì)η個(gè)樣品的光譜數(shù)據(jù)的實(shí)現(xiàn)預(yù)處理，每一個(gè)樣品的光譜數(shù)據(jù)為Xl=(Xll，Xl2,...， xi5i2)T，其中i = l，2, · · ·，n; 對(duì)樣品Xl，對(duì)高光譜圖像512維光譜信息應(yīng)用連續(xù)投影算法選擇m個(gè)特征波段，特征波段 集合為T= {ti，t2, · · ·，tm}，m<512; 選取樣品xi的特征波段ti( 1 = 1，2，...，m)對(duì)應(yīng)的特征圖像'.'二1,2;…，?τ?); 在樣品Xl的特征圖像與.辦二,,,m)中繪制水稻葉片的測(cè)線圖； 根據(jù)測(cè)線圖計(jì)算樣品xi的特征圖像= H >.、ρπ.)中葉片健康部位、病斑部位、陰 影部位的灰度平均值Gh，Gu Gs; 對(duì)樣品xi的特征圖像=1、2,…< ?川.)，計(jì)算GH與GL的差值CHL;當(dāng)CHL 2 100,選取ti進(jìn) 入?yún)^(qū)分健康部位和病斑部位的特征波段集合Si; 對(duì)樣品Xi的特征圖像. , 計(jì)算Gh與Gs的差值Chs;當(dāng)ChsMOO,選取ti進(jìn) 入?yún)^(qū)分健康部位和陰影部位的特征波段集合&; 對(duì)樣品Xi的特征圖像代;(〖二1,2,….計(jì)算GL與GS的差值C LS;當(dāng)CLS2 100,選取ti進(jìn) 入?yún)^(qū)分病斑部位和陰影部位的特征波段集合&; 檢測(cè)水稻葉片白葉枯病病斑所需特征波段為S = Si U S2 U S3,SET。3. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 對(duì)樣品的光譜數(shù)據(jù)Xl進(jìn)行的預(yù)處理由公式1確定，設(shè)第k維光譜反射率為Xlk(k=l， 2,...,512):其中，Wj表不米用最小二乘法得到的權(quán)值。4. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的選擇m個(gè)特征波段的算法，包括以下步驟： 假設(shè)初始的迭代向量為xk(0)，需要提取的變量個(gè)數(shù)為N，光譜矩陣的列變量數(shù)為J個(gè)， 則： (1) 在第1次迭代前(n=l)，任選光譜矩陣的任意1列j，把校正光譜陣第j列賦值給^，記 為χ"0); (2) 將還沒(méi)有被選入的列向量未知的集合記為s，其中(3) 分別計(jì)算&對(duì)剩下列向量的投影：(4) 記k(n)=arg[max( | |Pxj | |)，jes]; (5) 令 χ」= Ρχ」，jes; (6) n = n+l，如果n<N，回到第(2)步循環(huán)計(jì)算;最后提取出的變量：{xk(n) = 0,. . .，N-1}。5. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的葉片健康部位的灰度平均值Gh由公式2確定： 設(shè)健康部位長(zhǎng)度為1h，則6. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的葉片病斑部位的灰度平均值&由公式3確定： 設(shè)病斑部位長(zhǎng)度為U，貝1J7. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的葉片陰影部位的灰度平均值Gs由公式4確定： 設(shè)陰影部位長(zhǎng)度為1 mi18. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的差值Chl由公式5確定： Chl = Gh-Gl (公式5)〇9. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的差值Chs由公式6確定： Chs = Gh~Gs (公式6) 〇10. 根據(jù)權(quán)利要求2所述的基于測(cè)線圖的水稻白葉枯病高光譜圖像降維方法，其特征在 于： 所述的差值as由公式7確定： Cls = Gl-Gs (公式7)。
【文檔編號(hào)】G06T3/00GK105866040SQ201610177651
【公開日】2016年8月17日
【申請(qǐng)日】2016年3月25日
【發(fā)明人】張霞, 蘭玉彬, 李繼宇, 羅錫文, 周志艷, 魏玉
【申請(qǐng)人】華南農(nóng)業(yè)大學(xué)