基于高光谱图像的草地早熟禾品种识别方法

摘要

本发明是一种基于高光谱图像的草地早熟禾品种识别方法，包括步骤：S1：将制备好的草地早熟禾样本置入高光谱成像装置中，采集高光谱图像；S2：提取所述高光谱图像的信息，包括光谱信息和/或外部特征信息；S3：根据提取的光谱信息计算不同波段下、不同草地早熟禾品种的总差异度；S4：根据各波段下所述总差异度或所述总差异度结合外观特征信息建立判别不同品种草地早熟禾的函数模型；S5：根据S4中建立的函数模型对样本进行判别以识别出不同品种的草地早熟禾。本发明提出的方法，操作简便，获取的信息准确可靠，而且可以批量快速识别，具有很强的技术优势。

说明书

技术领域

本发明涉及红外光谱识别领域，具体涉及一种基于高光谱图像的 草地早熟禾品种识别方法。

背景技术

草地早熟禾，是一种优良的冷季型草坪草，在欧美以及我国北方 地区普遍种植，广泛用于城市绿地、庭院绿化、运动场等。据不完全 统计，目前培育出的草地早熟禾品种已超过70个。由于不同的品种， 具有不同的生长发育特性，对环境的适应性也不尽相同，所以，生产 上选择适宜的品种极为重要。但是，市场上品种名称的使用非常混乱， 一些不法种子销售商，为追求经济利益，随意更改品种名称的现象时 有发生，使广大消费者蒙受损失。找到一种快速准确的识别草地早熟 禾品种的方法，是解决此类问题的关键。

有关草坪品种识别，现在普遍采用的是形态识别法。但是，形态 识别法存在严重的缺陷，该方法局限于那些在外观上有显著特征的草 种，通过观察叶色、叶宽、叶片角度等性状，进而达到识别的目的， 但这些性状特征会因地域、养护管理的不同而存在变异；另一方面， 还有很多品种，外观差异极其微小，难以用常规的形态识别法区分开 来。此外，基因鉴定法也是识别草坪品种的一种有效方法，但该方法， 分析过程复杂，分析周期较长，不适宜对样品进行批量快速识别，因 此，使用起来很不方便。

近年来，利用近红外光谱技术进行作物品种识别成为一个新兴手 段。通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团 的特征信息，由于不同种类物质所含化学成分的不同，含氢基团倍频 与合频振动频率不同，因而近红外图谱的特征也就不同。声光可调谐 滤光器(Acousto-optic tunable filter，简称AOTF)，具有光谱分辨率高、 波长切换速度快、波长电调谐等优点，可快速获取目标的可见/近红 外光谱图像，该图像既包含了反映样本大小、形状等外观特征的信息， 还包含了反映样品内部的物理结构、化学成分差异的光谱信息。这些 特点决定了高光谱图像技术在作物品种识别方面具有独特的优势。

发明内容

(一)要解决的技术问题

基于以上的分析，本发明的目的是利用高光谱成像装置，为草地 早熟禾品种的快速识别提供一种全新的方法。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于高光谱图像的草地 早熟禾品种识别方法，包括步骤：

S1：将制备好的草地早熟禾样本置入高光谱成像装置中，采集高 光谱图像；

S2：提取所述高光谱图像的信息，包括光谱信息和/或外观特征 信息；

S3：根据提取的光谱信息计算不同波段下、不同草地早熟禾品种 的总差异度；

S4：根据各波段下所述总差异度或所述总差异度结合外观特征信 息建立判别不同品种草地早熟禾的函数模型；

S5：根据S4中建立的函数模型对样本进行判别以识别出不同品 种的草地早熟禾。

其中，所述总差异度的计算方式为：

将每个品种的全部样本随机分成两个部分，一部分样本用于建 模，另一部分样本用于测试；

利用建模样本的光谱信息，计算所有品种在各个波段下的总差异 度，所述光谱信息以灰度值来表征，总差异度的计算方法如下：

设有m个品种，每个品种测定n个建模样本，对每个样本提取p 个波段下的灰度值，那么，在波段λ_i下品种j的第r个样品的灰度值 为X_jir，品种j内的标准差为：

$S_{\mathrm{ji}}=\sqrt{\underset{r=1}{\overset{r=n}{\Sigma }}{(X_{\mathrm{jir}}-{\bar{X}}_{\mathrm{ji}})}^2/(n-1)}$

其中，i＝1，2，3，...，p，j＝1，2，3，...，m，r＝1，2，3，...，n，为在波段λ_i下品种j的灰度值的平均值：

${\bar{X}}_{\mathrm{ji}}=\underset{r=1}{\overset{r=n}{\Sigma }}{X}_{\mathrm{jir}}/n$

根据m个品种各自的平均灰度值，得到在波段λ_i下品种间的标 准差：

$S_{\mathrm{Ti}}=\sqrt{\underset{j=1}{\overset{j=m}{\Sigma }}{({\bar{X}}_{\mathrm{ji}}-{\overline{\stackrel{‾}{X}}}_i)}^2/(m-1)}$

其中，${\overline{\stackrel{‾}{X}}}_i=({\bar{X}}_{1i}+{\bar{X}}_{2i}+···+{\bar{X}}_{\mathrm{mi}})/m;$

由S_ji和得到在波段λ_i下品种j内n个样品的灰度值的差异系 数$C{V}_{\mathrm{ji}}=S_{\mathrm{ji}}/{\bar{X}}_{\mathrm{ji}};$

由S_Ti和得到在波段λ_i下m个品种间平均灰度值的差异系数 $C{V}_{\mathrm{Ti}}=S_{\mathrm{Ti}}/{\overline{\stackrel{‾}{X}}}_i;$

在波段λ_i下，品种j的差异度D_ji＝1-CV_ji/CV_Ti，反映了品种j从 m个品种中被区分出来的容易程度，D_ji越大，则品种j越容易被区分 出来，m个品种在波段λ_i下的总差异度D_Ti越大，则波段 λ_i对区分不同品种的贡献也越大。

其中，所述步骤S4中根据所述总差异度建立判别不同品种草地 早熟禾模型的方式为：

S41：将总差异度最大的波段λ_t的灰度值作为第1个判别变量x₁， 对各个品种建立各自的判别函数模型：y＝b₀+b₁x₁，y是判别值；b₁为 第1判别变量的判别系数，b₀是常数项；

S42：将测试样本在波段λ_t下的灰度值代入各品种的判别函数模 型计算，并将该测试样本归到得到最大判别值y的品种类别，并判断 归类是否正确，同样的方法，对所有建模样本进行回判，统计各个品 种的判别正确率，当所有品种的判别正确率满足预定的判别精度值 时，则波段λ_t就为特征波段，建模完成，否则执行步骤S43；

S43：按不同波段下总差异度的大小，依次将总差异度第2大、 第3大、...、第k大的波段的灰度值作为第2、第3、...、第k个判 别变量：x₂、x₃、...、x_k，对各个品种建立各自的判别函数模型： y＝b₀+b₁x₁+b₂x₂+...+b_kx_k，并执行步骤S42，直到所有品种的判别正确 率满足预定的判别精度值时建模完成，则这k个波段即为特征波段。

其中，所述步骤S4中根据所述总差异度结合所述外观特征信息 判别不同品种草地早熟禾的方式为：

在所述判别函数模型中增加品种的外观特征作为判别变量，并按 照S41～S43的方式进行判别。

其中，所述预定的判别精度为95％。

其中，所述步骤S5具体包括：将所述特征波段下待识别的草地 早熟禾的高光谱图像的信息输入到所述函数模型来识别草地早熟禾 的品种，将待识别的草地早熟禾归到计算得出的函数模型值最大的类 别。

其中，所述步骤S2中的外观特征信息包括草地早熟禾的叶片宽 度。

其中，提取叶片中部3个不同部位的叶片宽度，取平均值作为叶 片宽度。

(三)有益效果

本发明提出的方法，基于样品的高光谱图像，不仅提取了样品的 光谱信息，而且还提取了样品的外观特征(叶片宽度)，并将这两类 信息结合起来，获取的信息量更加丰富。

依据某波段下的总差异度的大小反映了该波段对区分不同品种 贡献的大小这一思路，来进行波段选择。该方法与现有的特征波段选 择的方法相比，直接剔除了那些对区分不同品种贡献较小甚至无关的 波段，减少了这些波段对判别结果的干扰。

特征波段与叶片宽度相结合，能明显减少所需光谱信息特征变量 的数量，并提高单个品种的判别正确率。

与现有的草地早熟禾品种识别方法相比，本发明提出的方法，操 作简便，获取的信息准确可靠，而且可以批量快速识别，具有很强的 技术优势。

附图说明

图1为本发明基于高光谱图像的草地早熟禾品种识别方法的流程 图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不是限制本发明的范围。

如图1所示，本发明所述的基于高光谱图像的草地早熟禾品种识 别方法包括：

步骤S1，将制备好的草地早熟禾样本置入高光谱成像装置中， 采集高光谱图像。

步骤S2，提取所述高光谱图像的信息，包括光谱信息和/或外观 特征信息。本实施例中外观特征信息为草地早熟禾的叶片宽度，提取 叶片中部3个不同部位的叶片宽度，取平均值作为叶片宽度。

步骤S3，根据提取的光谱信息计算不同波段下、不同草地早熟 禾品种的总差异度。总差异度的计算方式如下：将每个品种的全部样 本随机分成两个部分，一部分样本用于建模，另一部分样本用于测试；

利用建模样本的光谱信息，计算所有品种在各个波段下的总差异 度，所述光谱信息以灰度值来表征，总差异度的计算方法如下：

设有m个品种，每个品种测定n个建模样本，对每个样本提取p 个波段下的灰度值，那么，在波段λ_i下品种j的第r个样品的灰度值 为X_jir，品种j内的标准差为：

$S_{\mathrm{ji}}=\sqrt{\underset{r=1}{\overset{r=n}{\Sigma }}{(X_{\mathrm{jir}}-{\bar{X}}_{\mathrm{ji}})}^2/(n-1)}$

其中，i＝1，2，3，...，p，j＝1，2，3，...，m，r＝1，2，3，...，n，为在波段λ_i下品种j的灰度值的平均值：

${\bar{X}}_{\mathrm{ji}}=\underset{r=1}{\overset{r=n}{\Sigma }}{X}_{\mathrm{jir}}/n$

根据m个品种各自的平均灰度值，得到在波段λ_i下品种间的标 准差：

$S_{\mathrm{Ti}}=\sqrt{\underset{j=1}{\overset{j=m}{\Sigma }}{({\bar{X}}_{\mathrm{ji}}-{\overline{\stackrel{‾}{X}}}_i)}^2/(m-1)}$

其中，${\overline{\stackrel{‾}{X}}}_i=({\bar{X}}_{1i}+{\bar{X}}_{2i}+···+{\bar{X}}_{\mathrm{mi}})/m;$

由S_ji和得到在波段λ_i下品种j内n个样品的灰度值的差异系 数$C{V}_{\mathrm{ji}}=S_{\mathrm{ji}}/{\bar{X}}_{\mathrm{ji}};$

由S_Ti和得到在波段λ_i下m个品种间平均灰度值的差异系数 $C{V}_{\mathrm{Ti}}=S_{\mathrm{Ti}}/{\overline{\stackrel{‾}{X}}}_i;$

在波段λ_i下，品种j的差异度D_ji＝1-CV_ji/CV_Ti，反映了品种j从 m个品种中被区分出来的容易程度，D_ji越大，则品种j越容易被区分 出来，m个品种在波段λ_i下的总差异度D_Ti越大，则波段 λ_i对区分不同品种的贡献也越大。

步骤S4，根据各波段下所述总差异度或所述总差异度结合外观 特征信息建立判别不同品种草地早熟禾的函数模型。

其中，根据所述总差异度建立判别不同品种草地早熟禾模型的方 式为：

S41：将总差异度最大的波段λ_t的灰度值作为第1个判别变量x₁， 对各个品种建立各自的判别函数模型：y＝b₀+b₁x₁，y是判别值；b₁为 第1判别变量的判别系数，b₀是常数项；

S42：将测试样本在波段λ_t下的灰度值代入各品种的判别函数模 型计算，并将该测试样本归到得到最大判别值y的品种类别，并判断 归类是否正确，同样的方法，对所有建模样本进行回判，统计各个品 种的判别正确率，当所有品种的判别正确率满足预定的判别精度值 (正确率95％以上)时，则波段λ_t就为特征波段，建模完成，否则执 行步骤S43；

S43：按不同波段下总差异度的大小，依次将总差异度第2大、 第3大、...、第k大的波段的灰度值作为第2、第3、...、第k个判 别变量：x₂、x₃、...、x_k，对各个品种建立各自的判别函数模型： y＝b₀+b₁x₁+b₂x₂+...+b_kx_k，并执行步骤S42，直到所有品种的判别正确 率满足预定的判别精度值时建模完成，则这k个波段即为特征波段。

由于在判别过程中，为了利用尽量少的波段判断出各个品种，采 用总差异度结合外观特征信息建立判别不同品种草地早熟禾的函数 模型，即在上述判别函数模型中增加品种的外观特征作为判别变量， 并按照S41～S43的方式进行判别。

步骤S5，根据S4中建立的函数模型对样本进行判别以识别出不 同品种的草地早熟禾。即将待判断的草地早熟禾在特征波段下的灰度 值代入各个品种的函数模型，计算得到的最大值的函数模型对应的品 种即为待判断的草地早熟禾品种。或者将待判断的草地早熟禾在特征 波段下的灰度值及外观特征代入各个品种的函数模型，计算得到的最 大值的函数模型对应的品种即为待判断的草地早熟禾品种。

以下通过具体实例说明：

(1)样本制备

采集3个草地早熟禾品种，名称分别为：Euromyth、Sapphire、 Freedom，品种类别代码分别为1、2、3。

采集图像前，将新鲜的成熟叶片平整地粘帖于黑色铁板上。具体 为：

准备一片黑色平面铁板，铁板上粘贴两条黑色胶带，两胶带平行 放置，胶面向上，间隔2cm。然后，用剪刀将草地早熟禾的叶片，从 叶基剪下，正面朝上，平整的贴于两条黑色胶带上。

(2)高光谱图像采集

将制备好的样本，置入AOTF高光谱成像装置的机柜中，调整视 场，采集了5个波段λ₁(668nm)、λ₂(763nm)、λ₃(792nm)、λ₄(839nm) 和λ₅(934nm)下的光谱信息。AOTF控制器的采用区间为95-186MHz， 采样间隔为1MHz，采样信号放大倍数为100％。

每个品种采集10个样本，其中7个样本作建模样本，另外3个作测 试样本。

(3)图像信息提取

①光谱信息提取

从原始图像中提取出感兴趣的区域，然后提取叶片部分的模板和 叶片的灰度直方图，取灰度直方图最大处的值作为该叶片的反射率 (见表1)。

②外观特征提取

提取叶片中部3个不同部位的叶片宽度，取平均值作为叶片宽度 (见表1)。

表1不同波段下3个品种全部样本的光谱信息(灰度值)和外观特征信息(叶片宽带)

(4)计算总差异度

依据前面所述的方法，计算各个品种的差异度以及所有品种的总 差异度，得表2，可以看出，所有品种在5个不同波段下的总差异度， 由大到小的顺序为：λ₃＞λ₂＞λ₅＞λ₄＞λ₁。

表2不同波段下各个品种的差异度及所有品种的总差异度

(5)单独利用光谱信息，建立判别模型

依据前面所述的方法，首先将总差异度最大的λ₃波段下的灰度 值作为第1判别变量(x₁)，并依次增加变量个数，当变量个数增加 到4个(x₁、x₂、x₃、x₄，对应的波段分别为λ₃、λ₂、λ₅、λ₄)时，按照 表3中第2-6列的格式，输入到SPSS 18.0软件中(表1和表3中， 原始类别为0表示在SPSS软件中该样本被定义的测试样本)，利用 该软件的判别分析功能(参考《SPSS统计分析高级教程》，张文彤， 高等教育出版社，2004年，p273-276)，得出各个品种的贝叶斯判别 函数分别为：

y₁＝32.225×x₁+22.671×x₂+58.655×x₃-38.93×x₄-3384.82

y₂＝32.938×x₁+22.324×x₂+47.868×x₃-31.492×x₄-3360.8

y₃＝26.23×x₁+19.105×x₂+43.362×x₃-25.494×x₄-2568.53

其中，判别函数模型的系数b通过SPSS 18.0软件自动计算，其 原理是采用贝叶斯判别分析原理。

将建模样本和测试样本的光谱信息(灰度值)，输入到以上三个 判别函数中，得出各个样本的y₁值、y₂值和y₃值，最终将样本归入 到y值最大的类别中。所有样本的判别结果见表3。从表3中可以看 出，在4个特征波段(λ₃、λ₂、λ₅、λ₄)下，各个品种的判别正确率均 达到了100％(95％以上即可)，建模完成。

表3各个品种的判别结果

(6)光谱信息结合外观特征信息，建立判别模型

依据前面所述的方法，首先将总差异度最大的λ₃波段下的灰度 值作为第1判别变量(x₁)并结合叶片宽度变量(x_叶宽)，然后，依次 增加光谱特征变量个数，当光谱特征变量个数增加到3个(x₁、x₂、 x₃，对应的波段分别为λ₃、λ₂、λ₅)时，利用SPSS 18.0软件，得出各 个品种的贝叶斯判别函数分别为：

y₁＝23.593×x₁+16.72×x₂+13.956×x₃+2.202×x_叶宽-2777.328

y₂＝26.666×x₁+17.212×x₂+11.52×x₃-5.318×x_叶宽-2964.113

y₃＝20.887×x₁+15.079×x₂+14.008×x₃-1.653×x_叶宽-2308.042

利用以上建立的判别函数，对所有样本进行了贝叶斯判别分析， 结果发现，在3个特征波段(λ₃、λ₂、λ₅)下结合叶片宽度，所有品种 的判别正确率均达到了100％(95％以上即可)，建模完成。

采用步骤(5)或(6)建模完成后，便可以用建立的模型对待测 的草地早熟禾进行判别，判别其是否为Euromyth、Sapphire或Freedom 品种。

将上述步骤(5)和(6)进行比较发现，单独利用光谱信息，建 立判别模型时，需要有4个特征波段(λ₃、λ₂、λ₅、λ₄)，才能达到预定 的判别精度，而将光谱信息结合叶片外观特征后，仅需3个特征波段 (λ₃、λ₂、λ₅)，就能达到预定的判别精度。可以看出，无论是单独利 用叶片的光谱信息，还是将光谱信息与外观特征(叶宽)相结合，均 能达到区分不同草地早熟禾品种的要求，而且发现，将光谱信息结合 叶片外观特征后，减少了所需光谱信息的特征变量的数量。故在实际 应用中，应根据需要合理地选择利用高光谱图像的信息(包括光谱信 息和外观特征信息)建立判别模型。

本实例中所用的建模样本数量偏少，意在说明本发明的过程。在 实际应用中，应该增加建模样本的数量，理论上讲，适当增加建模样 本的数量，会明显提高建模的效果，判断的结果更准确。

本发明提出的方法：将叶片的光谱信息或光谱信息与外观特征 (叶宽)相结合，依据“总差异度”进行特征波段筛选，然后判别分析， 对品种进行区分，与现有的草地早熟禾品种识别方法相比，操作简便， 获取的信息准确可靠，而且可以批量快速识别，具有很强的技术优势。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领 域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以 做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。