基于成像高光谱数据的小麦白粉病诊断研究

摘要

白粉病作为小麦的主要病害之一，严重制约着中国小麦的产量和品质。该病害在早期如果发现不及时、不准确，容易使农户增加经济损失，还可能造成过量喷洒农药引起农田环境污染。同时，在该病染病中晚期，无损监测对病害防控的重要性降低，但能为灾害损失评估提供有价值的参考，因此如何对小麦关键生育期的白粉病严重度进行快速、准确地诊断变得十分重要。遥感技术具有无损、快捷、省时等优势，尤其是高光谱成像技术融合图像和光谱的数据优势，可以为作物病虫害监测研究中的目标识别提供重要的技术支持。本论文以小麦自粉病叶片为研究对象，利用ImSpector V10E-QE成像光谱仪收集研究目标的“图谱合一”数据，结合计算机图像处理和机器学习技术，进行白粉病病情回归预测与病害严重度分类研究，以期指导作物病害喷药防治及为灾后损失评估提供技术支撑。本文主要研究内容和结果如下:
　　(1)利用计算机图像处理技术进行病斑分割，实现病情指数(Disease Index，DI)的定量计算。首先，在中值滤波增强图像之后，采用OTSU分割算法和模糊C—均值聚类对Lab颜色空间中的a分量和b分量进行叶片和背景区域分割处理;其次，利用超红颜色特征2R-G-B实现病斑区域分割。试验结果表明:(a)在叶片分割上，两种算法均能完整分割出叶片区域，但是在实际处理过程中OTSU分割算法用时更少，执行效率更高;(b)利用超红特征可以有效实现病斑区域分割;之后，通过分割得出的叶片区域和病斑区域像素数定量计算出病情指数。最后，在VS2012平台上，搭建小麦叶片病斑分割系统，实现研究样本图像预处理、图像分割和面积计算功能，为后续研究提供数据支持。
　　(2)以染病初期的小麦叶片高光谱数据为研究对象，针对性计算新的植被指数，构建早期白粉病病情回归预测模型。引入Relief-F算法提取染病早期最敏感波段和波段差，利用归一化波段差和单波段组合计算构造新的植被指数:白粉病病害指数(Powdery Mildew Disease Index，PMDI)，通过分析病情指数与11种植被指数（含PMDI指数）的相关性及线性模型，得出PMDI模型有最高的决定系数(R2=0.8399)和最低的均方根误差(RMSE=4.5220)，效果优于其他病害植被指数的结果。同时，在常用植被指数中归一化植被指数(Normalized Difference Vegetation Index，NDVI）模型决定系数最高，R2=0.7771，RMSE=5.3364。最后，选择PMDI和NDVI分别构建小麦白粉病染病早期病情指数的支持向量回归(Support Vector Regression，SVR)预测模型。结果表明，经敏感波段筛选构建的PMDI指数的预测结果更好(预测模型的R2=0.8863，RMSE=3.5532)，可以为小麦白粉病早期无损诊断提供方法与模型支持。
　　(3)以染病中晚期的小麦叶片高光谱数据为研究对象，获取白粉病不同严重度的光谱特征，用以区分中晚期病害不同严重等级。应用等距映射算法(Isometric Feature Mapping，Isomap)降维处理原始归一化光谱数据，以178个样本作为试验数据，选取136个作为训练样本，其余52个作为测试样本，将样本降维后的特征输入到概率神经网络（Probabilistic Neural Network,PNN）建立严重等级分类识别模型，模型总体识别精度可以达到88％，高于利用PMDI建立的识别结果（总体识别精度为69％）;同时针对染病早期的样本数据，以降维数据构建的预测模型Isomap-SVR的相关系数R2为0.7980，均方根误差RMSE为4.6522，其结果并没有PMDI-SVR模型好。试验表明:针对本论文试验数据，在小麦染病的早期，把所有波段数据都用来进行降维处理并没有筛选几个敏感波段处理的效果要好;而在小麦染病的中晚期，降维处理的效果却要优于原始波段筛选的方法。

目录

声明

摘要

1．1 研究背景和意义

1．2 研究现状

1．2．1 基于近地非成像高光谱遥感的病虫害监测研究

1．2．2 基于近地成像高光谱遥感的病虫害监测研究

1．3 研究内容与技术路线

1．3．1 小麦白粉病害分割方法研究与系统设计

1．3．2 小麦白粉病早期特征研究与建模

1．3．3 小麦白粉病中晚期严重度识别研究

1．4 论文结构

第二章 试验方案与数据获取

2．1 试验方案

2．2 数据获取

2．2．1 试验仪器

2．2．2 高光谱数据获取

2．3 高光谱数据预处理

2．3．1 反射率转换

2．3．2 光谱特征增强

2．4 病害严重度划分

2．5 本章小结

第三章 病斑分割方法及系统搭建

3．1 引言

3．2 染病叶片病斑分割流程

3．3 图像增强处理

3．3．1 直方图均衡化

3．3．2 邻域平均法

3．3．3 中值滤波

3．4 叶片区域提取

3．4．1 Lab颜色空间

3．4．2 OTSU阈值分割

3．4．3 模糊C—匀值聚类

3．4．4 形态学处理

3．5 病斑区域提取

3．6 病情指数计算

3．7 小麦叶片病斑分割系统搭建

3．7．1 系统开发

3．7．2 系统实现

3．8 本章小结

第四章 基于Relief-F波段筛选的小麦白粉病早期特征研究

4．1 引言

4．2 研究方法

4．2．1 Relief-F算法

4．2．2 适用于病害检测的植被指数选取

4．2．3 支持向量回归

4．3 染病早期不同病害严重等级的光谱特征

4．4 基于Relief-F算法的病害敏感波段提取

4．5 病情反演模型建立

4．6 本章小结

第五章 基于Isomap与PNN的小麦白粉病中晚期严重度分类研究

5．1 引言

5．2 研究方法

5．2．1 等距映射算法

5．2．2 概率神经网络

5．3 染病中晚期不同病害严重度的光谱特征

5．4 Isomap降维处理

5．5 中晚期白粉病病害指数计算

5．6 基于PNN的分类识别结果与分析

5．7 Isomap降维处理在早期病害上的应用

5．8 本章小结

6．1 总结

6．2 展望

参考文献

致谢

攻读学位期间发表的学术论文

攻读学位期间参与的科研项目