法律状态公告日
法律状态信息
法律状态
2019-02-19
授权
授权
2016-09-14
实质审查的生效 IPC(主分类):G01N21/25 申请日:20160325
实质审查的生效
2016-08-17
公开
公开
技术领域
本发明属于高光谱信息提取领域,涉及光谱数据分析,具体涉及一种基于测线图的水稻白叶枯病高光谱图像降维方法。
背景技术
高光谱图像是一个三维的数据立方体(Image Cube),二维图像记录样本的空间形态信息,每一个图像对应一个光谱波段。高光谱图像技术结合了样本光谱信息和图像信息,实现作物的养分估算和病害检测。当水稻感染白叶枯病后,叶片出现的病斑会逐渐扩大,病情加重;在农田管理中,需要根据病情的轻重进行农药的喷施。采用高光谱图像进行病情检测的一个主要问题是获得的数据维数多达512维,由于检测中涉及的波段很多,处理速度慢,并不是所有的波段的光谱信息及图像信息都可以揭示作物的生长状况,相反,许多数据可能是一些无关紧要的噪声而将重要的信息掩盖。因此,为了实现病情检测的实时快速处理,为了提高模型预测精度以及简化模型,需要对采集的数据进行优选,剔除不相关或非线性变量,得到预测能力强、稳健性好的校正模型。
基于光谱维的特征波段选择方法主要有无信息变量的消除法、间隔偏最小二乘法、遗传算法、连续投影算法等。连续投影算法的工作原理是在光谱矩阵中寻找含有最低限度的冗余信息的变量组,使变量间的共线性达到最小。
基于叶片图像的测线图的方法,通过对叶片图像的不同部分灰度值进行分析,根据不同波段下的灰度差异度来选取基于图像维的特征波段。
由于高光谱图像检测涉及的波段很多,仅仅依靠光谱维的特征波段提取已不易得到描绘病害特征的最佳组合。
发明内容
为了克服现有技术的缺点与不足,本发明的目的在于提供一种基于测线图的水稻白叶枯病高光谱图像降维方法。本发明结合连续投影算法和测线图法可以得到更好的特征波段组合,降低病斑检测所需的维数,简化检测模型。
本发明的目的通过下述技术方案实现:
一种基于测线图的水稻白叶枯病高光谱图像降维方法,包括如下步骤:
首先应用连续投影算法在高光谱图像的光谱维选择特征波段图像,然后对特征波段图像建立相应的测线图,计算水稻叶片不同部位测线图的灰度值差异,进一步挑选出能够实现水稻叶片白叶枯病病斑检测所需的最少特征波段,从而降低了病斑检测所需的高光谱图像的维数。
所述的基于测线图的水稻白叶枯病高光谱图像降维方法,具体包括如下步骤:
对n个样品的光谱数据的实现预处理,每一个样品的光谱数据为xi=(xi1,xi2,...,xi512)T,其中i=1,2,...,n;
对样品xi,对高光谱图像512维光谱信息应用连续投影算法选择m个特征波段,特征波段集合为T={t1,t2,...,tm},m<512;
选取样品xi的特征波段tl(l=1,2,...,m)对应的特征图像
在样品xi的特征图像中绘制水稻叶片的测线图;
根据测线图计算样品xi的特征图像中叶片健康部位(H)、病斑部位(L)、阴影部位(S)的灰度平均值GH,GL,Gs;
对样品xi的特征图像计算GH与GL的差值CHL;当CHL≥100,表明该特征图像可以区分健康部位和病斑部位,选取tl进入可区分健康部位和病斑部位的特征波段集合S1;
对样品xi的特征图像计算GH与GS的差值CHS;当CHS≥100,表明该特征图像可以区分健康部位和阴影部位,选取tl进入可区分健康部位和阴影部位的特征波段集合S2;
对样品xi的特征图像计算GL与GS的差值CLS;当CLS≥100,表明该特征图像可以区分病斑部位和阴影部位,选取tl进入可区分病斑部位和阴影部位的特征波段集合S3;
检测水稻叶片白叶枯病病斑所需特征波段为S=S1∪S2∪S3,S∈T。病斑检测所需的特征波段数量进一步降低,因此,可实现病斑检测的高光谱图像的降维。
对样品的光谱数据xi进行的预处理由公式1确定,设第k维光谱反射率为xik(k=1,2,...,512):
其中,Wj表示采用最小二乘法得到的权值。
所述的选择m个特征波段的算法,包括以下步骤:
假设初始的迭代向量为xk(0),需要提取的变量个数为N,光谱矩阵的列变量数为J个,则:
(1)在第1次迭代前(n=1),任选光谱矩阵的任意1列j,把校正光谱阵第j列赋值给xj,记为xk(0);
(2)将还没有被选入的列向量未知的集合记为s,其中
(3)分别计算xj对剩下列向量的投影:
(4)记k(n)=arg[max(||Pxj||),j∈s];
(5)令xj=Pxj,j∈s;
(6)n=n+1,如果n<N,回到第(2)步循环计算;最后提取出的变量:{xk(n)=0,...,N-1}。
所述的叶片健康部位(H)、病斑部位(L)、阴影部位(S)的灰度平均值GH,GL,GS分别由公式2、公式3、公式4确定:
设健康部位长度为lH、病斑部位长度为lL、阴影部位长度为lS,则
所述的差值CHL由公式5确定:
CHL=GH-GL>
所述的差值CHS由公式6确定:
CHS=GH-GS>
所述的差值CLS由公式7确定:
CLS=GL-GS>
本发明相对于现有技术,具有如下的优点及效果:
(1)本发明对高光谱数据进行分析的方法有机结合了光谱维和图像维,对高光谱数据进行2次降维,相比于仅从光谱维进行特征波段选取的方法,可以选取出较少的特征波段。
(2)本发明的方法中采用的测线图方法是对图像的灰度进行运算,数据量小,处理速度快。
(3)本发明方法将连续投影算法和测线图方法相结合,可以实现高维数据的有效降维,得到的特征图像可以准确地识别病斑;结合图像识别,准确计算出病斑面积及病害程度。
(4)本发明结合高光谱图像的光谱维及图像维,以少量的特征图像实现水稻白叶枯病病斑的检测,降低了检测模型的复杂程度,有效地缩短了检测所花费的时间。
附图说明
图1是本发明的基于连续投影算法和测线图方法对高光谱图像的降维流程图。
图2是水稻叶片感染白叶枯病的病斑部位与健康部位的光谱曲线对比图。
图3是水稻叶片的连续投影算法得到的特征波段。
图4是叶片的特征光谱图像。
图5是水稻叶片的测线图。
图6是降维后特征图像的病斑分割结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本发明的基于连续投影算法和测线图方法对高光谱图像的降维流程图,见图1所示。本发明主要应用于感病水稻叶片的高光谱数据分析。当水稻感染白叶枯病后,叶片出现的病斑和健康叶片在光谱反射率及图像上都表现出差异。 从光谱反射率来看,染病叶片及健康叶片的光谱曲线如图2所示。根据本发明,首先对叶片的光谱反射率进行处理和提取特征波段。
以多个样品的健康部位及病斑部位的光谱曲线为对象,对光谱数据进行平滑预处理;每一个样品的光谱数据为xi=(xi1,xi2,...,xi512)T,其中i=1,2,...,n;对高光谱图像512维光谱信息,采用连续投影算法选取特征波段,实现高光谱图像在光谱维的降维,如图3所示。选取了m个特征波段,T={t1,t2,...,tm},m<512。
提取光谱维选取的特征波段对应的特征图像,如图4所示;在叶片上定义一条线贯穿叶片,计算线对应点的灰度值,得到叶片图像对应的测线图,如图5所示;测线图的横轴为长度,即该点与起点间的距离,纵轴为该点对应的灰度值。
计算叶片xi的特征图像中测线图叶片的健康部位(H)、病斑部位(L)、阴影部位(S)的灰度平均值GH,GL,GS。
对样品xi的特征波段tl(l=1,2,...,m)对应的特征图像计算GH与GL的差值CHL。当CHL≥100,表明该特征图像可以区分健康部位和病斑部位,选取tl进入可区分健康部位和病斑部位的特征波段集合S1。
对样品xi的特征波段tl(l=1,2,...,m)对应的特征图像计算GH与GS的差值CHS。当CHS≥100,表明该特征图像可以区分健康部位和阴影部位,选取tl进入可区分健康部位和阴影部位的特征波段集合S2。
对样品xi的特征波段tl(l=1,2,...,m)对应的特征图像计算GL与GS的差值CLS。当CLS≥100,表明该特征图像可以区分病斑部位和阴影部位,选取tl进入可区分病斑部位和阴影部位的特征波段集合S3。
实现水稻叶片白叶枯病病斑检测所需特征波段为S=S1∪S2∪S3,S∈T,应用这些特征波段实现叶片健康部分、病斑部分和阴影部分的区分,S对应的图像即为特征图像。
在特征图像中采用OTSU法进行图像分割,如图6所示;根据分割结果,可以准确地计算病斑面积及病情等级。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
机译: 产生患者的X射线图像的方法,涉及通过处理二维X射线图像或将二维X射线图像重建为三维体图像来平衡X射线图像中的变形效果。
机译: 高光谱图像数据的降维方法
机译: 获取周期性运动图像对象的三维x射线图像数据集的方法,涉及通过使用x射线图像采集装置获取多个二维x射线图像数据集