一种茶树生长状态光谱影像鉴别方法与流程

本发明属农作物信息提取领域，尤其涉及一种茶树生长状态光谱影像鉴别方法。

背景技术：

传统的茶树叶信息获取方法主要为基于人类视觉的经验判断方法以及基于破坏性试验的化学分析方法。但是这些传统方法都具有很大的不足之处，不能对整片区域的茶树生长状态与本区域地理环境信息相结合，不能够实现茶树的区域生长状态的快速鉴别。

技术实现要素：

为解决传统方法不能对整片区域的茶树生长状态与本区域地理环境信息相结合，不能够实现茶树的区域生长状态的快速鉴别的问题，本发明提供了一种茶树生长状态光谱影像鉴别方法。

本发明是这样实现的，本发明的茶树生长状态光谱影像鉴别方法包括：

步骤一、选取土壤航空高光谱的光谱统计量、光谱特征值和光谱信息量作为因变量，计算参量后，建立光谱与土壤养分训练数据集；

步骤二、将土壤光谱参量作为一组互联的节点，元素含量作为输出，进行神经网络训练，生成多层感知器，建立土壤养分含量bp神经网络模型；

步骤三、如果存在某一选定区域的土壤养分的不相似度大于设定阈值，重新选取区域土壤航空高光谱；

步骤四、通过图像获取单元获取茶树叶源图像，建立灰度直方图统计图像灰度分布，通过分段灰度线性变换增强图像对比度后，使用高斯滤波进行平滑处理，完成图像的预处理；

步骤五、在预处理后的茶树叶图像上选取特征区域，使用canny算子完成图像边缘特征点的提取，确定图像中的前景图像的图像边界；

步骤六、采用野外近地高光谱图像采集系统采集特征区域内茶树叶光谱信息，由图像预处理模块对光谱曲线进行预处理；

步骤七、由高光谱图像得到主成分图及特征波段的灰度图，从该特征波段的灰度图中提取纹理参数图，用纹理参数并对茶树叶指定元素含量进行预测，预测值小于设定阈值则将野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，重复步骤四至步骤六；

步骤八、对不同茶树叶取样样本中光谱信息中的同一提取特征进行不相似度评估，如果存在光谱信息中的某一特征的不相似度大于设定阈值，则采用野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，如果任一光谱信息中的某一特征不相似度小于设定阈值，则进入步骤九；

步骤九、利用最佳指数因子oif选择最佳的波段组合，选出oif最大的波段组合，利用多元线性回归对茶氨酸、叶绿素的含量估算；

步骤十、建立步骤二的bp神经网络模型所得土壤养分分别与步骤八所得茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。

进一步，光谱统计量的参量选用光谱幅度的均值、中值、反差、方差、标准差和离散系数；

光谱特征值选用蓝边、绿边、黄边、红边、近红外灯、红外灯；

光谱信息量选用斜率、吸收指数、吸收深度、吸收宽度、积分和信息熵。

进一步，高光谱图像提取的特征包括极大波峰位置、极小波谷位置、上升趋势点数、下降趋势点数、大于均峰值点数、小于均谷值点数、大于均谷值点数、小于均峰值点数。

进一步，步骤四中，由图像预处理模块在microsoftvisualstudio2005平台上实现多次平滑预处理，具体方法为：

将滑动窗中的值做平均运算，所得平均值作为平滑窗中点位置的值，采用奇数作为滑动窗口的大小，假设窗口尺寸k＝2m+1，则对任意k点平均的方程式为：

进一步，步骤七中，每幅高光谱图像得到五个主成分图及特征波段的灰度图，从每幅灰度图中提取均值灰度图、方差灰度图、协同性灰度图、对比灰度图、相异性灰度图、信息熵灰度图、二阶矩灰度图和相关性灰度图八个纹理参数图，用获得的纹理图像的灰度平均值来代表纹理参数并建立pca-bpnn模型对茶树叶指定元素含量进行预测，预测值小于设定阈值则将野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，重复步骤四至步骤六。

进一步，步骤七中，特征提取模块从经步骤六预处理后的光谱信息中提取特征，对提取特征采用以下算式，对大于设定的d阈值的异常样本进行剔除：

进一步，步骤八中，采用下列算法，使用基于kl散度的特征选择方法kld对不同取样样本中光谱信息中的同一提取特征进行不相似度评估：

进一步，信息熵选择最佳指数：

其中，σi为第i波段的标准差，rij为i，j波段的相关系数。

本发明的茶树生长状态光谱影像鉴别方法通过土壤光谱来估算茶树叶中茶氨酸和叶绿素含量，估算效果好，提取的特征有曲线峰、谷的位置,曲线峰、谷的个数和曲线上每一像元在每一波段的上升或下降的趋势等，在一定程度上消除了随机影响，多次阈值评估有效避免了无效样本带来的误差。

附图说明

图1是本发明实施例提供的茶树生长状态光谱影像鉴别方法流程图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

本实施例于2019年5月1日测量了绍兴市越城区鉴湖镇芳泉村茶园和龙井43的茶叶光谱。

本发明的茶树生长状态光谱影像鉴别方法包括：

s101、选取土壤航空高光谱的光谱统计量、光谱特征值和光谱信息量作为因变量，计算参量后，建立光谱与土壤养分训练数据集；

图像获取单元采用高清摄像机获取茶树叶源图像；

s102、将土壤光谱参量作为一组互联的节点，元素含量作为输出，进行神经网络训练，生成多层感知器，建立土壤养分含量bp神经网络模型；

通过bp神经网络法，测出选定区域土壤全氮、全磷和全钾的预测值，构建一个4层神经网络，即18-5-3-1，含有2个隐层，完成土壤养分预测模型的建立。神经元学习率为4，采用最小均方根误差法设置训练误差函数，隐藏层神经元激励函数为传递函数tansig，输出层神经元激励函数为线性函数purelin，训练权值更新的方法为含有动量的自适应梯度下降法adaptgdwm。

实验室全氮、全磷和全钾含量分别采用凯氏定氮法、naoh碱熔钼锑抗比色法和钾火焰原子吸收分光光度法测定含量，与实验室测量值误差分别为1.3％、0.16％、0.81％，实现了航空高光谱土壤养分的选取。

利用amore包实现bp神经网路的建立，航空高光谱波段运算由envi5.3的bandmatch实现。

s103、如果存在某一选定区域的土壤养分的不相似度大于设定阈值，重新选取区域土壤航空高光谱；

s104、通过图像获取单元获取茶树叶源图像，建立灰度直方图统计图像灰度分布，通过分段灰度线性变换增强图像对比度后，使用高斯滤波进行平滑处理，完成图像的预处理；

s105、在预处理后的茶树叶图像上选取特征区域，使用canny算子完成图像边缘特征点的提取，确定图像中的前景图像的图像边界；

s106、采用野外近地高光谱图像采集系统采集特征区域内茶树叶光谱信息，由图像预处理模块对光谱曲线进行预处理，从该预处理后的光谱中提取特征，对提取的特征中的异常样本进行剔除后用特征向量代替光谱向量；

该步骤中，高光谱图像提取的特征包括极大波峰位置、极小波谷位置、上升趋势点数、下降趋势点数、大于均峰值点数、小于均谷值点数、大于均谷值点数、小于均峰值点数；

该步骤中，特征提取模块从经步骤s103预处理后的光谱信息中提取特征，对提取特征采用以下算式，对大于设定的d阈值的异常样本进行剔除：

式中，d为设定的剔除距离，x为训练样本，为样本平均值，mcov为样本协方差矩阵；

该高光谱图像采集系统包括了成像光谱仪(imspectorv10e)、图像采集卡(ni-pcie6430&ni-6036e)、电子控制单元及笔记本电脑；

该步骤中，由图像预处理模块在microsoftvisualstudio2005平台上实现多次平滑预处理，具体方法为：

将滑动窗中的值做平均运算，所得平均值作为平滑窗中点位置的值，采用奇数作为滑动窗口的大小，假设窗口尺寸k＝2m+1，则对任意k点平均的方程式为：

式中，i为曲线上的点号，j为平滑窗口中的点号，yi为第i点平滑后的数值，yi为平滑前曲线上点的原数值，n为曲线上的总点数；

为了减少运算中的偏差，通常共不参与下一点的平滑运算。即在编程实现时,应预先定义两个数组分别存放平滑前和平滑后曲线点的数值。在具体的实验中均值滤波窗口的尺度选择非常关键，尺度过小则无法消除噪声，尺度过大则过度的消弱了波峰波谷。本实施例选用的窗口尺度为3，即m取值为1，并对曲线进行连续2次滤波，以提高平滑效果；

s107、由高光谱图像得到主成分图及特征波段的灰度图，从该特征波段的灰度图中提取纹理参数图，用纹理参数并对茶树叶指定元素含量进行预测，预测值小于设定阈值则将野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，重复步骤s104至步骤s106；

该步骤中，茶树叶指定元素为氮、磷、钾，根据经验值设定阈值，如果预测值小于设定阈值，说明该样本中的茶树叶存在病害或者枯死等情况不适用于高光谱提取，需要调整摄像头重新选样；

每幅高光谱图像得到五个主成分图及特征波段的灰度图，从每幅灰度图中提取均值灰度图、方差灰度图、协同性灰度图、对比灰度图、相异性灰度图、信息熵灰度图、二阶矩灰度图和相关性灰度图八个纹理参数图，用获得的纹理图像的灰度平均值来代表纹理参数并建立pca-bpnn模型对茶树叶指定元素含量进行预测，预测值小于设定阈值则将野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，重复步骤s104至步骤s106；

s108、对不同茶树叶取样样本中光谱信息中的同一提取特征进行不相似度评估，如果存在光谱信息中的某一特征的不相似度大于设定阈值，则采用野外近地高光谱图像采集系统中的摄像头按照预设角度值旋转，如果任一光谱信息中的某一特征不相似度小于设定阈值，则进入步骤s109；

该步骤中，采用下列算法，使用基于kl散度的特征选择方法kld对不同取样样本中光谱信息中的同一提取特征进行不相似度评估：

其中，xi，xj是ω空间的两个随机变量，pi(x)，pj(x)为其概率密度。加入两个随机变量相等，则其概率密度也相等，kld值为0，如果随机变量不同，则其差异性越大，kld值越大。因此，通过计算两个随机变量之间的kld值能够定量的评估其差异性；

s109、利用最佳指数因子oif选择最佳的波段组合，选出oif最大的波段组合，利用多元线性回归对茶氨酸、叶绿素的含量估算；

s110、建立步骤s102的bp神经网络模型所得土壤养分分别与步骤s109所得茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。

本实施例的plsr分析在unscrambler9.7(camoasa，trondheim)软件中进行，采用“留一法”得到的内部交互验证均方根误差(rmse)及决定系数(r²)来优化建模参数，而模型的预测性能通过验证均方根误差(rmse)、决定系数(r²)及预测残差偏差(rpd)来评价；

本实施例选出oif最大的波段组合，利用多元线性回归得到茶氨酸、叶绿素的含量估算的线性模型，分别比较了通过土壤高光谱图像估算的氮、磷、钾来估算茶氨酸、叶绿素的含量，模拟的茶氨酸含量、叶绿素含量和实测的茶氨酸含量、叶绿素含量之间的相关性均较好，r²均在0.85～0.91之间。

本发明的茶树生长状态光谱影像鉴别方法通过土壤光谱来估算茶树叶中茶氨酸和叶绿素含量，估算效果好，提取的特征有曲线峰、谷的位置,曲线峰、谷的个数和曲线上每一像元在每一波段的上升或下降的趋势等，在一定程度上消除了随机影响，多次阈值评估有效避免了无效样本带来的误差。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。