一种农作物实景观测中图像数据质量控制方法及系统与流程

本发明涉及农业气象观测领域，尤其涉及一种农作物实景观测中图像数据质量控制方法和一种农作物实景观测中图像数据质量控制系统。

背景技术：

农作物实景自动监测系统是借助机器学习、图像处理和无线多媒体网络技术和方法，利用ccd传感器、图像采集器和通讯装置，采集自然光照条件下农作物图像并传输至计算机终端，通过内置的图像识别算法提取图像特征参数，进而反演得到农作物生长特征信息。它具有24小时连续工作、时间分辨高、非接触、非破坏性等优点，是对传统农业气象观测的有益补充，在农业灾害监测领域有重要应用价值。农作物实景监测具有野外观测特质，不同天气条件下其探测资料的精度有差异。受雾霾、雨雪等气象环境因素影响，由于大气散射作用，作物图像对比度、颜色清晰度等特征改变，图像特征难以辨认，进而影响图像后期处理和作物长势的客观判断。因此，开展系统的质量控制是合理使用农作物实景自动监测系统探测资料的基础。

传统的质量控制主要是根据气象学、天气学、气候学原理以及气象要素的时空变化规律和各要素间相互规律为线索，分析观测资料是否合理。其方法包括：范围检查、极值检查、内部一致性检查、空间一致性检查、气象学公式检查、统计学检查、均一性检查。农作物实景自动监测系统探测资料主要包括农作物可视图像和农作物生长特征要素。这些要素不同于常规气象要素，传统的质量控制方法不能直接使用。目前国内外科学家研究重点主要集中在作物分割算法和图像特征提取算法等领域，针对作物图像以及基于图像识别的作物生长特征参数质量控制的研究很少。因此，亟需研制一套适用于农作物实景自动监测系统探测资料的质量控制方法及系统。

技术实现要素：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提供一种农作物实景观测中图像数据质量控制方法，其能够通过对农作物图像进行质量控制，从而提高农作物覆盖度和叶面积指数的计算精度。

本发明的另一个目的在于提供一种农作物实景观测中图像数据质量控制系统，其能够为农作物覆盖度和叶面积指数质量控制提供清晰的图像几何参数，进而提高农作物覆盖度和叶面积指数的计算精度。

为实现上述目的，本发明第一方面的技术方案提供了一种农作物实景观测中图像数据质量控制方法，包括以下步骤：根据历史图像生成图像缺失灰色调的灰度值以及对应图像缺失灰色调的图像不完整率；根据灰度值识别出待检测图像的图像缺失量以及对应图像缺失量的图像缺失率；将图像缺失率与图像不完整率进行比较；当图像缺失率大于或等于最小图像不完整率时，待检测图像为不完整图像；当图像缺失率小于最小图像缺失阈率时，待检测图像为完整图像。

在该技术方案中，利用农作物图像的颜色特征参数，即历史图像缺失时的灰色调，从而识别并剔除待检测图像中的不完整图像，为后续计算农作物覆盖度和叶面积指数的计算提供完整图像，从而提高计算准确性。

在上述技术方案中，优选地，图像缺失灰色调的灰度值为r、g、b值均为128。

在该技术方案中，通过通讯传输或者ccd传感器拍摄的农作物图像，其采用rgb色彩模式，即使用rgb模型，为图像中每一个像素的rgb分量分配一个0-255范围内的强度值，通过分析试验中图像像素缺失时r、g、b值发现，当三者均等于128时即为农作物图像缺失时灰色调。

在上述任一技术方案中，优选地，还包括以下步骤：获取完整图像中最低像素值形成第一暗通道图像；根据第一暗通道图像的灰度值生成第一灰度直方图；根据已污染图像和未污染图像生成分类模型；根据分类模型对第一灰度直方图进行分类，并生成分类结果；根据分类结果判断待检测图像是否被污染。

在该技术方案中，通过对作物图像数据异常值特征分析处理，初步建立农作物实景观测中图像质量控制方法，确保以高质量农业气象信息数据进行实时现代农业生产和决策服务和未来卫星遥感准确性校验，研究具有良好的基础应用价值。

在上述任一技术方案中，优选地，根据已污染图像和未污染图像生成分类模型，包括以下步骤：选取已污染图像和未污染图像作为训练样本集；获取训练样本集种最低像素值形成第二暗通道图像；根据第二暗通道图像的灰度值生成第二灰度直方图；根据预设的训练集和第二灰度直方图生成分类模型。

在上述任一技术方案中，优选地，第一暗通道图像和第二暗通道图像的公式为：

其中，jc表示图像的r，g，b颜色通道，ω(x，y)表示以像素(x，y)为中心的图像块，(x，y)表示图像像素的坐标值；

第一灰度直方图和第二灰度直方图的公式为：

其中，h(xi)为第xi阶灰度出现的概率，s(xi)为灰度值为xi的所有像素数量，为图像总的像素数；

训练集的公式为：

其中，yi表示给定特征xi的类别标签，r^p为p维特征矢量；

分类模型为分割超平面和/或核函数，

分割超平面的公式为：

其中，ω为超平面的权重系数，b是超平面的偏置参数；

核函数的公式为：

其中，exp为以自然常数e为底的指数函数，δ为函数的尺度参数。

本发明第二方面的技术方案提供了一种农作物实景观测中图像数据质量控制系统，包括：生成模块，被设置为用于根据历史图像生成图像缺失灰色调的灰度值以及对应图像缺失灰色调的图像不完整率；识别模块，被设置为用于根据灰度值识别出待检测图像的图像缺失量以及对应图像缺失量的图像缺失率；比较模块，被设置为用于将图像缺失率与图像不完整率进行比较；当图像缺失率大于或等于最小图像不完整率时，待检测图像为不完整图像；当图像缺失率小于最小图像缺失阈率时，待检测图像为完整图像。

在该技术方案中，利用农作物图像的颜色特征参数，即历史图像缺失时的灰色调，从而识别并剔除待检测图像中的不完整图像，为后续计算农作物覆盖度和叶面积指数的计算提供完整图像，从而提高计算准确性。

在上述技术方案中，优选地，图像缺失灰色调的灰度值为r、g、b值均为128。

在该技术方案中，通过通讯传输或者ccd传感器拍摄的农作物图像，其采用rgb色彩模式，即使用rgb模型，为图像中每一个像素的rgb分量分配一个0-255范围内的强度值，通过分析试验中图像像素缺失时r、g、b值发现，当三者均等于128时即为农作物图像缺失时灰色调。

在上述任一技术方案中，优选地，还包括：获取模块，被设置为用于获取完整图像中最低像素值形成第一暗通道图像；直方图生成模块，被设置为用于根据第一暗通道图像的灰度值生成第一灰度直方图；分类模型构建模块，被设置为用于根据已污染图像和未污染图像生成分类模型；分类模块，被设置为用于根据分类模型对第一灰度直方图进行分类，并生成分类结果；判断模块，被设置为用于根据分类结果判断待检测图像是否被污染。

在该技术方案中，通过分析图像数据中的rgb颜色特征参数和基于暗通道先验直方图的图像污染特征，将异常数据分为两类：图像像素缺失和图像污染。在此基础上，根据两类异常数据的特征初步建立农作物实景观测中图像质量控制方法，确保以高质量农业气象信息数据进行实时现代农业生产和决策服务和未来卫星遥感准确性校验，研究具有良好的基础应用价值。

在上述任一技术方案中，优选地，分类模型构建模块包括：样本选取单元，被设置为用于选取已污染图像和未污染图像作为训练样本集；获取单元，被设置为用于获取训练样本集种最低像素值形成第二暗通道图像；直方图生成单元，被设置为用于根据第二暗通道图像的灰度值生成第二灰度直方图；分类模型构建单元，被设置为用于根据预设的训练集和第二灰度直方图生成分类模型。

在上述任一技术方案中，优选地，第一暗通道图像和第二暗通道图像的公式为：

其中，jc表示图像的r，g，b颜色通道，ω(x，y)表示以像素(x，y)为中心的图像块，(x，y)表示图像像素的坐标值；

第一灰度直方图和第二灰度直方图的公式为：

其中，h(xi)为第xi阶灰度出现的概率，s(xi)为灰度值为xi的所有像素数量，为图像总的像素数；

训练集的公式为：

其中，yi表示给定特征xi的类别标签，r^p为p维特征矢量；

分类模型为分割超平面和/或核函数，

分割超平面的公式为：

其中，ω为超平面的权重系数，b是超平面的偏置参数；

核函数的公式为：

其中，exp为以自然常数e为底的指数函数，δ为函数的尺度参数。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了本发明一个实施例所涉及图像数据质量控制方法的流程框图；

图2示出了本发明另一个实施例所涉及图像数据质量控制方法的流程框图；

图3示出了本发明再一个实施例所涉及图像数据质量控制方法的流程框图；

图4示出了本发明一些实施例所涉及图像数据质量控制系统的结构框图；

图5示出了本发明另一些实施例所涉及分类模型构建模块的结构框图；

图6示出了本发明再一些实施例所涉及分类模型构建模块的结构框图；

图7示出了完整图像和不完整图像的示例图；

图8示出了固城站所有样本的图像不完整率分布图；

图9示出了固城站所有样本的图像不完整率的分布比例图；

图10示出了夏玉米冠层的污染图像与未污染图像的对比图；

图11示出了暗通道图像的示例图；

图12示出了正样本图像的示例图；

图13示出了负样本图像的示例图；

图14示出了检测结果的分析示例图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。

下面参照图1至图14描述根据本发明一些实施例的农作物实景观测中图像数据质量控制方法及系统。

如图1所示，按照本发明一个实施例的农作物实景观测中图像数据质量控制方法，包括以下步骤：

s100，根据历史图像生成图像缺失灰色调的灰度值以及对应图像缺失灰色调的图像不完整率；

s200，根据灰度值识别出待检测图像的图像缺失量以及对应图像缺失量的图像缺失率；

s300，将图像缺失率与图像不完整率进行比较；

当图像缺失率大于或等于最小图像不完整率时，待检测图像为不完整图像；

当图像缺失率小于最小图像缺失阈率时，待检测图像为完整图像；

其中，图像缺失灰色调的灰度值为r、g、b值均为128。

在该实施例中，通过通讯传输或者ccd传感器拍摄的农作物图像，其采用rgb色彩模式，即使用rgb模型，为图像中每一个像素的rgb分量分配一个0-255范围内的强度值，通过分析试验中图像像素缺失时r、g、b值发现，当三者均等于128时即为农作物图像缺失时灰色调；利用该参数，识别并剔除待检测图像中的不完整图像，为后续计算农作物覆盖度和叶面积指数的计算提供完整图像，从而提高计算准确性。

在实际观测中有可能出现镜头被灰尘或雾天污染等特殊情况，这些现象会直接影响到农作物的分割以及覆盖度和叶面积指数的准确计算。图10为图像污染时和图像清晰时的夏玉米冠层图像以及作物分割实例。从图中可以看出，镜头被污染时，图像偏色严重，作物分割时许多像素呈绿色，误将土壤背景分割为作物，当清晰拍摄时，相机白平衡正常，不存在偏色情况，因此分割结果理想。相机镜头模糊影响了相机白平衡自动调节，使得相机拍摄的照片整体偏色严重。因此，当利用作物分割算法进行作物提取时与非模糊情况相比会产生较大差异。

为此，在本发明的另一个实施例中，如图2所示，还包括以下步骤：

s400，获取完整图像中最低像素值形成第一暗通道图像；

s500，根据第一暗通道图像的灰度值生成第一灰度直方图；

s600，根据已污染图像和未污染图像生成分类模型；

s700，根据分类模型对第一灰度直方图进行分类，并生成分类结果；

s800，根据分类结果判断待检测图像是否被污染。

在该实施例中，本方法解决了农作物图像由于通讯传输或者ccd传感器异常有可能导致图像关键信息缺失影响图像识别的覆盖度或叶面积指数的准确性的问题，利用图像rgb颜色特征参数识别并剔除农作物图像中的不完整图像，保留完整图像，然后利用暗通道先验直方图识别并剔除完整图像中受污染的图像，保留清晰的图像，以使该图像能够提供清晰的几何参数；通过分析图像数据中的rgb颜色特征参数和基于暗通道先验直方图的图像污染特征初步建立农作物实景观测中图像质量控制方法，确保以高质量农业气象信息数据进行实时现代农业生产和决策服务和未来卫星遥感准确性校验，研究具有良好的基础应用价值。

该实施例源于对大量自然图像进行观测时所产生的一种先验知识/规律，即在大多数非天空图像块中，一些像素点在至少一个颜色通道中具有很低的强度值。换句话说，这样的图像块的最低强度具有非常低的值。基于这样的观测规律，我们可以从一个新的视角来研究此类现象：暗通道图像。暗通道图像即是获得给定图像的暗像素之后的图像，暗像素表示那些在给定图像块中拥有最低强度值的像素。

其中，待检测图像、为已污染图像和未污染图像均为农作物图像。

另外，通过该方法可以在出现异常情况时会立即自动提醒台站观测人员进行及时的维护，以避免影响后续的自动观测任务。

在本实施例中，根据已污染图像和未污染图像生成分类模型是通过支撑向量机(supportvectormachines，简称svm)实现的。(supportvectormachines，简称svm)技术来完成训练与检测。支撑向量机是将核机制[muller,2001]应用到监督学习中的机器学习方法，它主要用来解决分类问题。一般来讲，一个分类任务通常由两部分组成，即训练阶段和测试阶段(或分类阶段)。在训练阶段中所采用的数据包括特征集以及每个特征对应的类别标记。支撑向量机(svm)的目标就是生成一个分类器模型，使之能够在测试阶段对给定的测试样本特征进行准确地分类。

如图3所示，按照本发明再一个实施例的农作物实景观测中图像数据质量控制方法，s600，根据已污染图像和未污染图像生成分类模型，包括以下步骤：

s601，选取已污染图像和未污染图像作为训练样本集；

s602，获取训练样本集种最低像素值形成第二暗通道图像；

s603，根据第二暗通道图像的灰度值生成第二灰度直方图；

s604，根据预设的训练集和第二灰度直方图生成分类模型。

在本实施例中，首先人工选取若干张未污染图像和受污染图像分别作为正样本和负样本，组成训练样本集。然后获取正负样本图像的暗通道图像，并提取其暗通道直方图特征，再将该特征送入到支撑向量机计算分类模型。

如图4所示，按照本发明一些实施例的农作物实景观测中图像数据质量控制系统1000，包括：

生成模块100，被设置为用于根据历史图像生成图像缺失灰色调的灰度值以及对应图像缺失灰色调的图像不完整率；

识别模块200，被设置为用于根据灰度值识别出待检测图像的图像缺失量以及对应图像缺失量的图像缺失率；

比较模块300，被设置为用于将图像缺失率与图像不完整率进行比较；

当图像缺失率大于或等于最小图像不完整率时，待检测图像为不完整图像；

当图像缺失率小于最小图像缺失阈率时，待检测图像为完整图像；

其中，图像缺失灰色调的灰度值为r、g、b值均为128。

在该实施例中，本系统解决了农作物图像由于通讯传输或者ccd传感器异常有可能导致图像关键信息缺失影响图像识别的覆盖度或叶面积指数的准确性的问题，利用图像rgb颜色特征参数识别并剔除农作物图像中的不完整图像，保留完整图像，然后利用暗通道先验直方图识别并剔除完整图像中受污染的图像，保留清晰的图像，以使该图像能够提供清晰的几何参数；通过分析图像数据中的rgb颜色特征参数和基于暗通道先验直方图的图像污染特征初步建立农作物实景观测中图像质量控制方法，确保以高质量农业气象信息数据进行实时现代农业生产和决策服务和未来卫星遥感准确性校验，研究具有良好的基础应用价值。

如图5所示，按照本发明另一些实施例的农作物实景观测中图像数据质量控制系统1000，还包括：

获取模块400，被设置为用于获取完整图像中最低像素值形成第一暗通道图像；

直方图生成模块500，被设置为用于根据第一暗通道图像的灰度值生成第一灰度直方图；

分类模型构建模块600，被设置为用于根据已污染图像和未污染图像生成分类模型；

分类模块700，被设置为用于根据分类模型对第一灰度直方图进行分类，并生成分类结果；

判断模块800，被设置为用于根据分类结果判断待检测图像是否被污染。

在该实施例中，本系统解决了农作物图像由于通讯传输或者ccd传感器异常有可能导致图像关键信息缺失影响图像识别的覆盖度或叶面积指数的准确性的问题，利用图像rgb颜色特征参数识别并剔除农作物图像中的不完整图像，保留完整图像，然后利用暗通道先验直方图识别并剔除完整图像中受污染的图像，保留清晰的图像，以使该图像能够提供清晰的几何参数；通过分析图像数据中的rgb颜色特征参数和基于暗通道先验直方图的图像污染特征初步建立农作物实景观测中图像质量控制方法，确保以高质量农业气象信息数据进行实时现代农业生产和决策服务和未来卫星遥感准确性校验，研究具有良好的基础应用价值。

如图6所示，按照本发明另一些实施例的农作物实景观测中图像数据质量控制系统1000，分类模型构建模块600包括：

样本选取单元601，被设置为用于选取已污染图像和未污染图像作为训练样本集；

获取单元602，被设置为用于获取训练样本集种最低像素值形成第二暗通道图像；

直方图生成单元603，被设置为用于根据第二暗通道图像的灰度值生成第二灰度直方图；

分类模型构建单元604，被设置为用于根据预设的训练集和第二灰度直方图生成分类模型。

在本实施例中，首先人工选取若干张未污染图像和受污染图像分别作为正样本和负样本，组成训练样本集。然后获取正负样本图像的暗通道图像，并提取其暗通道直方图特征，再将该特征送入到支撑向量机计算分类模型。

具体而言，在上述任一实施例中，分类模型包括但不限于以下技术方案：

实施例1

分类模型为分割超平面。

在该实施例中，给定一组可分隔空间中的点集(特征)，肯定存在一个超平面π：ω·x+b＝0能够将这些特征xi，i＝1,…，n分割成两个不同的类别。

实施例2

分类模型为核函数。

在该实施例中，对于非线性分类问题，svm的处理方法是选择一个核函数，通过将数据映射到高维空间，来解决在原始空间中线性不可分的问题。

在上述任一实施例中，优选地，第一暗通道图像和第二暗通道图像的公式为：

其中，jc表示图像的r，g，b颜色通道，ω(x，y)表示以像素(x，y)为中心的图像块，(x，y)表示图像像素的坐标值。

如图11所示，左列为原图，中间列为原图对应的暗通道图像，从图中可以发现，被污染图像的暗通道图像较未被污染图像灰度值整体偏高一些。要刻画这一灰度分布特点，直方图特征是个不错的选择。右列展示了暗通道图像对应的灰度直方图特征，图中两种直方图具有明显的区别。

暗通道图像的灰度直方图(记为h(p))实际上是灰度级的函数，描述图像中每一灰度级的像素个数(或某一灰度级像素出现的频率)：其横坐标是灰度级(0～255)，纵坐标表示图像中该灰度级出现的个数(频率)。

第一灰度直方图和第二灰度直方图的公式为：

其中，h(xi)为第xi阶灰度出现的概率，s(xi)为灰度值为xi的所有像素数量，为图像总的像素数。

训练集的公式为：

其中，yi表示给定特征xi的类别标签，r^p为p维特征矢量；svm将特征向量xi(灰度直方图h(p))映射到一个更高维的空间，在这个空间里建立一个最大间隔超平面，以分开两类特征。在分开数据的超平面的两边建有两个相互平行的超平面，分隔超平面使得这两个平行超平面的距离最大化。因此，svm最终是为了解决二次规划问题。

分割超平面的公式为：

满足yi(ω·xi+b)≥1i＝1,…，n，其中，ω为超平面的权重系数，b是超平面的偏置参数；

核函数的公式为：

其中，exp为以自然常数e为底的指数函数，δ为函数的尺度参数，决定了核函数(高斯函数)的分布幅度。

基于机器视觉的观测数据包括作物图像以及基于图像的覆盖度和叶面积指数等反演值。目前国内外研究主要集中于作物分割算法以及基于图像特征的农作物生育期和生物量自动检测方法，鲜有关于自动观测资料的质量控制方法的系统研究。然而，在实际大田观测中经常会出现图像像素缺失、图像模糊等现象，同时田间环境复杂、光照强度多变、曝光不均衡等多种因素也会影响到图像的成像质量，进而对后续作物覆盖度和叶面积指数的计算精度产生重大影响。为此，本发明将在前期研究工作的基础上，针对作物图像数据特点开展质量控制算法研究。

实现作物覆盖度和叶面积指数质量控制的前提是图像几何参数必须清楚，通过图像几何参数标定、图像像素缺失和图像污染自动检测算法，实现对农作物图像的质量控制。本发明是基于图像rgb颜色特征参数的图像像素缺失和基于暗通道先验直方图的图像污染自动检测。

在实际观测中，农作物图像由于通讯传输或者ccd传感器异常有可能导致图像关键信息缺失，进而影响图像识别的覆盖度或叶面积指数的准确度，因此研究图像像素缺失的自动检测方法并对其进行质量控制很有必要。

基于上述问题，本发明提出了一种基于图像rgb颜色特征参数的图像像素缺失自动检测方法。众所周知，rgb色彩模式使用rgb模型，为图像中每一个像素的rgb分量分配一个0-255范围内的强度值。例如：纯红色r值为255，g值为0，b值为0，白色r、g、b值都为255，而灰色的r、g、b三个值相等。当三色灰度数值相同时，产生不同灰度值的灰色调，即三色灰度都为0时，是最暗的黑色调；三色灰度都为255时，是最亮的白色调。通过分析试验中图像像素缺失时r、g、b值发现当三者均等于128时即为农作物图像缺失时灰色调。为了能定量评价图像缺失情况，引入图像缺失率，即整幅图像缺失信息所占的像素数与整幅图像总像素数之比，作为检测指标。以2011-2013年固城站的作物图像为训练样本，人工挑选出所有像素缺失图像，并统计历史图像缺失时不完整率，设定最小值作为图像像素缺失时质量控制的阈值。图7为完整作物图像和不完整图像示例。

图8和图9分别给出了固城站所有样本的图像不完整率以及图像不完整率的分布比例。2011-2013年图像像素缺失样本共88个，其中图像缺失率在10％以下所占比例最低，占总样本数的6.9％，图像缺失率在90％以上所占比例最高，占17％，说明图像像素缺失严重。为了能尽可能检测到所有图像像素缺失样本，将图像缺失率最小值即1.8％作为阈值。

为了验证图像污染检测算法的有效性，我们以河南、山东和河北三地从2010年拍摄至2012年共三年的作物序列为例进行试验。选择小麦和玉米两种作物序列作为考察对象。为了生成svm分类器，从2010年拍摄的序列图像中获取正负训练样本，正样本为受污染的图像(如图12示例所示)，负样本为正常图像(如图13示例所示)，训练样本数量分别为100和250。为了减少计算时间，我们将原始采集的图像从3648×2736降采样到600×450。此外，计算暗通道图像时图像块长宽设为15个像素；对2011年至2012年的序列图像进行随机采样作为最后的测试样本。

关于svm分类器的参数，由于我们采用线性核进行训练和测试，因此只有惩罚因子c和最优分类超平面的参数需要学习。通过利用changetal.[2011]提供的libsvm库，以上的参数都可以自动求解。

实验中我们利用准确率(precision)和召回率(recall)两个参数来评估算法的性能。准确率定义为真的正样本(truepositives)数量tp与标记为受污染图像总数(真的正样本(truepositives)数量tp与假的真样本(falsepositives)数量fp之和)之比，公式如下所示：

真的正样本(truepositives)表示利用自动检测方法获取到的受污染图像中，真正被污染的数量；假的真样本(falsepositives)表示利用自动检测方法获取到的受污染图像中，没有被污染的数量。

而召回率定义为真的正样本数量tp与实际正样本数量(序列中真正受污染的数量，等于真的正样本数量tp与假的负样本数量fn之和)之比，公式如下所示：

一方面，当准确率越高时，自动检测算法所检测的结果就越可信，反之，越不可信。另外一方面，当召回率越高时，表示漏掉的数量就越少，越有利于保证后续的作物监测。因此，我们统计了六个序列自动检测算法的准确率和召回率。结果如表1所示。六个序列的平均准确率为95.67％，平均召回率为87.5％。

表1为多站点、多作物图像污染检测结果

经过分析，我们发现导致检测错误的主要原因包括：(1)户外强光照射下，图像出现亮斑使得图像呈现类似污染的特征(如图14a)；(2)镜头拍摄时由于其它原因没有聚焦在作物上导致图片模糊，而实际并非污染所致(如图14b)。此外，导致召回率不高的情况主要发生在算法判别临界区域，例如：发生局部污染而并非全局污染(如图14c)，或者是虽然受污染但是污染程度较低(如图14d)。

综上，实验结果表明本算法能够处理由于雨水、雾气或灰尘引起的图像模糊问题，特别是图像大面积污染(全局污染)问题；为了进一步提高准确率和召回率，下一步需要针对户外场景下的各种异常情况以及图像的局部污染进行自动检测算法的研究，以更加确保后续对观测作物的精细化提取与分析。

在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。