专利名称：高光谱图像技术诊断作物水分亏缺的方法
技术领域：
本发明涉及一种诊断作物水分亏缺的方法；特指一种基于高光谱图像诊断番茄叶面水分的方法。
背景技术：
番茄ilycopersicon escuIentumMi 11.)是我国温室栽培的主要蔬菜作物之一。蕃茄对水分需求量较大，水分的亏缺会使其生理发生变化，进而直接影响到产量的高低。而番茄在水分胁迫条件下，叶片的物理特征和内部组织生理生化特性会发生一系列变化，这些变化会引起其反射光谱，视觉图像的变化，因此，可以通过观测上述特征的变化，对番茄的水分胁迫状态进行诊断。光谱诊断技术和计算机视觉技术已被广泛应用于作物水分亏缺快速诊断研究中， 但利用单一的检测手段往往不能全面地描述水分胁迫条件下叶片的物理特征与内部组织生理生化特性的变化，因此，检测精度不高且缺乏普适性。高光谱图像技术兼有光谱技术和图像技术的优势，既能对植株水分亏缺引起的颜色、纹理、形态变化等特征进行可视化分析，又能对植株叶片光谱特性的各向异性分布进行评价，进而可以提高作物含水率无损检测的全面性、可靠性和灵敏度。近几年来国内外一些学者主要是将该技术应用于农产品质量以及作物病害的检测中。但未见利用高光谱图像技术来诊断作物水分亏缺状况。
发明内容
本发明为了克服上述现有技术中的不足，利用高光谱成像系统采集番茄叶片的高光谱图像，并提取特征波长以及特征波长下番茄叶片的灰度、纹理特征，进而建立番茄在定植一开花期含水率预测模型，为利用高光谱图像技术实时检测作物含水率提供了依据。本发明高光谱图像技术诊断作物水分亏缺的方法，按照下述步骤进行
(1)高光谱图像采集，
(2)特征波长的提取，
(3)图像预处理，
(4)特征提取，
(5)模型建立，
(6)利用上述模型检测作物含水率，诊断作物是否发生水分亏缺。其中所述的高光谱图像采集是指利用高光谱图像采集系统采集温室番茄叶片的高光谱图像。其中所述的特征波长的提取是指采用自适应波段选择法(adaptive band selection, ABS)进行高光谱图像的特征波长提取。其中所述的图像预处理，指首先，采用最大类间方差法进行分图像割，然后将二值化图像进行灰度反转，并利用数学形态学运算进一步处理图像，填补残留的孤立噪声点； 最后，将原始图像与处理后的二值化图像进行像点相乘得到目标图像。
其中所述的特征提取是指选用灰度共生矩阵法提取纹理特征。其中所述的模型建立是指采用偏最小二乘回归建立番茄定植一开花期含水率预测模型。按照下述步骤进行(1)对样本进行预处理，确定输入因子的数量，针对所提取的灰度、纹理特征变量，对样本进行标准化处理，
(2)将提取的2个灰度特征变量进行偏最小二乘相关分析(PLS)，分别提取到2个PLS 成分，利用所得到的2个PLS成分与干基含水率做相关分析，得到基于原灰度变量的PLS回归模型；
(3)对提取的8个纹理特征变量进行同样的分析，得到基于原纹理变量的PLS回归
模型；
(4)利用样本采集时同时获取的M个样本的数据，对所建立的两模型进行检验；
(5)采用融合灰度、纹理特征来建立番茄定植一开花期含水率预测模型，即将遗传算法 (GA)和偏小二乘回归(PLSR)相结合，选择出预测精度最高的特征子集，并利用最优特征子集建立番茄定植一开花期含水率预测模型。本发明的有益效果利用高光谱图像技术诊断作物水分亏缺的方法，能兼顾到叶片的内部信息与外部特征，以提高检测的全面性和可靠性。采用无土栽培培育样本，利用自行构建的高光谱图像采集系统采集数据；通过自适应波段选择法，从海量数据中优选出特征波长1420nm ；然后利用Matlab软件对每个样本特征波长下的图像进行分割，反转以及形态运算等操作得到目标图像；再从每个目标图像中提取灰度均值、灰度标准差作为灰度特征，能量、熵、惯性矩、相关性的均值和标准差作为纹理特征，以减少单个特征变量对含水率检测的缺陷；最后采用GA-PLS法选出最优特征子集，并建立基于最优特征的偏最小二乘回归模型，模型的预测值与实测值的相关系数为0. 902，精度明显高于基于灰度特征和纹理特征的预测模型。本发明与常规检测方法相比，检测速度快、操作简便方便；与单一的近红外光谱或计算机视觉技术手段相比，得到的信息更全面，检测结果的精确性和稳定性都有所提高。本发明提供的基于高光谱图像技术的作物水分亏缺的快速探测方法，可以实现作物生长过程中营养信息快速探测。该发明为科学精确灌溉提供参考，对提高智能化管理水平、作物增产和提高作物品质都有着直接意义。
图1.高光谱成像系统，
其中1.光箱；2.光源；3.控制器；4.计算机；5.近红外相机；6.成像光谱仪； 7.镜头；8.玻璃光纤性灯；9.位移台；10番茄叶片。图2不同水分胁迫下番茄叶片特征图像，
其中(a) Wl组灌溉水分为100%，即充分灌溉；(b) W2组灌溉含水率分别为标准配方的75%的浓缩液；(c) W3组灌溉含水率分别为标准配方的50%的浓缩液；(d) W4组灌溉含水率分别为标准配方的25%的浓缩液。图3图像预处理过程中对图像背景的分割，其中图a 二值化图；图b反转和膨胀图像；图c目标图像。
图4番茄叶片含水率PLS模型的预测值与实测值对比分析。
具体实施例方式下面以番茄为例，结合附图对本发明进行进一步详细描述。本发明具体实施方式
中所采用的高光谱图像采集系统参阅图1。利用图 1所示的高光谱图像采集系统采集温室番茄叶片高光谱图像，其包括近红外相机5 (XEVA-FPA-1. 7-320，XenICs, Leuven, Belgium)，光谱范围 900_1700nm，成像光谱仪 6(ImspectorN17E, Spectral ImagingLtd. , Finland), ^ )^ 5nm, 150W 丁的；i； 流可调光源 2 (2900-ER+9596-E, Illumination Technologies, Inc. , East Syracuse, NY, USA)，位移单元由位移台9 (MTS120，北京光学仪器厂，北京，中国)和控制器3 (SC100，北京光学仪器厂，北京，中国)组成，成像光谱仪6的下方装有镜头7，可以采集到番茄叶片10的图像，传输到计算机4 (DELL Inspiron 530s，USA)中，玻璃光纤性灯8为图像的采集提供必要的照明。近红外相机5、成像光谱仪6、镜头7和玻璃光纤性灯8位于光箱1。本发明2009年4月至2009年9月在江苏大学现代农业装备与技术省部共建重点 Venl0型温室中进行实验。番茄品种选用合作906。为保证前期的基础性研究能够对番茄分的有效特征进行准确提取，本发明采用无土栽培技术进行样本培育。在保证其他营养元素均衡的情况下，对水分进行精确控制，以获取纯正的不同水分胁迫水平的样本。考虑到不同层级的叶片，其水分含量差别较大且对光谱反射率贡献不同，采集叶片是要采集同一层级上的。研究设四个不同水分处理，每个水平12株，四个水平依次为第1组(Wl)在整个生长期都保证充足的水分供应；第2 (W2)、3 (W3)、4 (W4)组灌溉含水率分别为标准配方的 75%、50%、25%的浓缩液。
采用化学方法测定的含水率，即首先测量番茄叶片样本的鲜重，并在恒温80°C烘箱中进行1 的烘干处理之后测量其干重。然后计算样本干基含水率。用于下面的模型建立及校正。(1) 高光谱图像采集；
高光谱图像数据的采集是基于SpectralCube (Spectral Imaging Ltd. , Finland)软件平台；实际采集的光谱范围为871. 6 1766. 3 nm,空间分辨率为62. 5um，采样间隔为3. 5 nm, 一次采集可获取采样光谱范围内以3. 5nm为间隔的256幅独立的高光谱图像。确定近红外相机的曝光时间以保证图像的清晰，同时确定位移台的速度以避免图像尺寸和空间分辨率的失真。经过分析比较确定曝光时间为为20 ms，位移台的移动速度为1.25 mm/ s。数据采集时，首先进行黑场和白场标定，设定反射率范围，进而利用二阶巴特沃茨滤波器进行数字滤波，去除噪声干扰。(2) 特征波长的提取
高光谱图像数据立方体是由波长871. 6 1766.3 nm范围的256幅图像(分辨率为 3.5nm)构成，包含的数据量比二维图像和一维光谱的数据量都要大得多。由于波段相邻的两幅图像之间具有较强的相关性，造成高光谱图像数据中存在大量的冗余信息。因此，有必要对高光谱数据进行降维处理以寻找最能表征番茄叶片水分含量的特征图像，这样即可以提高数据处理的速度，又可以去除数据中的冗余信息。
自适应波段选择(adaptive band selection，ABS)是针对最佳指数因子法方法在实际应用中存在的局限性，提出的一种高光谱图像特征波段选择方法。该方法充分考虑了各波段的空间相关性和谱间相关性。其数学模型下
权利要求
1.高光谱图像技术诊断作物水分亏缺的方法，其特征在于按照下述步骤进行高光谱图像采集，特征波长的提取，图像预处理，特征提取，模型建立，利用上述模型检测作物含水率，诊断作物是否发生水分亏缺。
2.根据权利要求1所述的高光谱图像技术诊断作物水分亏缺的方法，其特征在于其中所述的高光谱图像采集是指利用高光谱图像采集系统采集温室番茄叶片的高光谱图像。
3.根据权利要求1所述的高光谱图像技术诊断作物水分亏缺的方法，其特征在于其中所述的特征波长的提取是指采用自适应波段选择法进行高光谱图像的特征波长提取。
4.根据权利要求1所述的高光谱图像技术诊断作物水分亏缺的方法，其特征在于其中所述的图像预处理，指首先采用最大类间方差法进行分图像割，然后将二值化图像进行灰度反转，并利用数学形态学运算进一步处理图像，填补残留的孤立噪声点；最后将原始图像与处理后的二值化图像进行像点相乘得到目标图像。
5.根据权利要求1所述的高光谱图像技术诊断作物水分亏缺的方法，其特征在于其中所述的特征提取是指选用灰度共生矩阵法提取纹理特征。
6.根据权利要求1所述的高光谱图像技术诊断作物水分亏缺的方法，其特征在于其中所述的模型建立是指采用偏最小二乘回归建立番茄定植一开花期含水率预测模型，具体按照下述步骤进行(1)对样本进行预处理，确定输入因子的数量，针对所提取的灰度、纹理特征变量，对样本进行标准化处理，(2)将提取的2个灰度特征变量进行偏最小二乘相关分析(PLS)，分别提取到2个PLS成分，利用所得到的2个PLS成分与干基含水率做相关分析， 得到基于原灰度变量的PLS回归模型； (3)对提取的8个纹理特征变量进行同样的分析，得到基于原纹理变量的PLS回归模型；(4)利用样本采集时同时获取的M个样本的数据，对所建立的两模型进行检验；(5)采用融合灰度、纹理特征来建立番茄定植一开花期含水率预测模型，即将遗传算法和偏小二乘回归相结合，选择出预测精度最高的特征子集，并利用最优特征子集建立番茄定植一开花期含水率预测模型。
全文摘要
本发明涉及诊断作物水分亏缺的方法，特指基于高光谱图像诊断番茄叶面水分的方法。首先采用自行构建的高光谱成像系统采集番茄叶片高光谱图像数据；选用自适应波段选择法优选出特征波长，实现多维数据降维；然后对每个样本特征波长下的图像进行分割，反转以及形态运算得到目标图像，并从目标图像中提取叶片的灰度、纹理特征；最后融合灰度、纹理特征，针对10个特征变量，采用GA-PLS法选出最优特征子集，并建立基于最优特征的偏最小二乘回归模型，模型的预测值与实测值的相关系数R为0.902。与常规检测方法相比，检测速度快、操作简便方便；与单一的近红外光谱或计算机视觉技术手段相比，得到的信息更全面，检测结果的精确性和稳定性都有所提高。
文档编号G01N21/25GK102495005SQ20111036366
公开日2012年6月13日 申请日期2011年11月17日 优先权日2011年11月17日
发明者周莹, 左志宇, 张晓东, 朱文静, 毛罕平, 高鸿燕 申请人:江苏大学