基于多光谱图像的沉香幼苗冠层全氮量无损估测

摘要

【目的】应用计算机视觉技术处理沉香幼苗冠层多光谱图像并构建全氮量估测模型,探索适用于沉香多光谱图像的新图像处理方法,确定最适于沉香幼苗氮营养状态估测的图像特征和模型形式,以推动沉香营养状态无损估测的发展,为沉香培育经营的精准作业提供新思路。【方法】利用多光谱相机获取沉香幼苗冠层图像,采用改进的指数型半软阈值函数对多光谱图像进行小波去噪,结合傅里叶梅林变换(FMT)配准与遗传反向传播神经网络(GA-BPNN)算法实现多光谱图像的精准分割。提取分割后图像的光谱、纹理特征为自变量,建立基于人工蜂群(ABC)、天牛须搜索(BAS)、混合灰狼优化(HGWO)算法改进的Elastic Net(EN)沉香冠层全氮量估测模型,通过留一法交叉验证对模型进行综合检验评价确定最适优化模型,并将其与传统偏最小二乘回归(PLSR)、岭回归(RR)和多元逐步回归(SR)模型进行对比分析。【结果】1)改进的指数型半软阈值函数能够有效去除多光谱图像中的强噪声,去噪效果优于小波软阈值、硬阈值和传统半软阈值方法;2)GA-BPNN算法的分割效果优于大津阈值分割、最大熵分割和最小交叉熵分割,结合FMT配准后的分割效果显著优于对各波段图像直接分割的方法;3)就EN模型而言,综合考虑单光谱特征、单纹理特征和综合特征建立的3类模型验证结果,3种优化算法的优化效果为ABC>HGWO>BAS,3类模型的整体估测精度为综合特征>单光谱特征>单纹理特征;基于ABC优化的EN模型(ABC-EN)中,综合特征模型决定系数(R2)为0.829 4,均方误差(MSE)为0.169 5,较单光谱和单纹理特征模型R2分别提高10%和54%,MSE分别降低30%和63%;4)ABC-EN模型与其他传统模型估测精度对比结果显示ABC-EN>RR>PLSR>SR,其中RR模型R2为0.748 3,PLSR模型R2为0.651 2,SR模型R2为0.577 9,均低于本研究提出的ABC-EN模型。【结论】改进的指数型半软阈值函数能够有效去除沉香幼苗冠层多光谱图像中的强噪声,结合FMT与GA-BPNN的分割方法分割效果良好,综合光谱纹理特征构建的ABC-EN模型是沉香幼苗冠层全氮量最优估测模型。