一种基于光谱特征的小麦条锈病识别方法与流程

本发明涉及小麦条锈病识别领域，尤其是一种基于光谱特征的小麦条锈病识别方法。

背景技术：

1、小麦条锈病是小麦生产上重要气传真菌病害之一，该病害在适宜条件下能够在大范围内快速爆发成灾，因此提高对此病害的监测水平对其防治和损失评估具有十分重要的意义。遥感成像技术以无损、快速和大面积监测等优势在病害监测预警和损失评估方面越来越受到重视，已经逐渐成为替代人工手查测报，成为当前农业病虫害监测防控的重要技术手段。小麦条锈病爆发环境复杂，传播周期较长，前期见病面积小，在传统可见光遥感图像上纹理、形状特征不明显，较为不易识别。

2、光谱特征是物质本身所包含的固有特征，表现在同一物质对于不同波段光谱的有不同的反射、不同物质在某些特定光谱区间有相同的反射，同一物质，在某一特定光谱区间，由于时空环境等变化的影像，也会呈现出不同的光谱特征，这些特征都是地物识别过程中重要的判别依据，也为遥感技术手段上地物的精细化分提供了可能。

3、多谱段的遥感图像，尤其是高光谱遥感图像，因其谱像合一的成像特点，既有地物的纹理和形状等空间特征，同时包含更丰富的光谱特征信息，为遥感图像领域带来新的技术突破，在目标分类识别、地物分类等领域具有巨大发展前景，对于小麦条锈病的识别、提取具有重要作用。但由于高光谱图像波段较多、数据量较大，包含的信息错综复杂，因此，利用高光谱数据的光谱特征等信息提取和识别小麦条锈病，同时克服高光谱图像由于其自身特性存在的数据冗余，既兼顾数据处理的效率，同时提高小麦条锈病的识别手段和方法，是本发明的目的和重要意义。

技术实现思路

1、针对上述问题，本方案提出了一种基于光谱特征的小麦条锈病分类识别方法，通过计算确定小麦条锈病的大致特征光谱区间，再采用特征变量选择方法，获取小麦条锈病的光谱特征波段，进而构建小麦条锈病病情指数，并通过自适应阈值分割，实现小麦条锈病的识别。

2、本发明提供如下技术方案：一种基于光谱特征的小麦条锈病分类识别方法，包括如下步骤：

3、步骤一、获取小麦高光谱反射率数据，对获得的小麦高光谱反射率数据计算不同波段区间能量积分，对比不同区间的积分值差异，选择在染病和健康植株之间差异化最大的作为最佳敏感波谱区间，即特征波段区间；

4、步骤二、采用竞争性自适应加权采样法(cars)对特征区间的多个波段进行筛选，选取出相关性最高的波段作为特征波段；

5、步骤三、根据特征波段构建小麦条锈病遥感指数模型，可以和实测小麦条锈病严重情况相结合构建小麦条锈病遥感指数模型，采用自适应阈值分割法将发病区域识别出来。

6、在步骤一中，首先，分析小麦染病和健康的高光谱曲线，将小麦的反射波谱区间分为可见光、近红外的波段范围区间，由于染病后，小麦叶片光合色素含量和内部结构会发生变化，叶片在可见光区和近红外光谱反射率也会发生相应的特异性变化，表现在光谱上会显示出整个波谱区间上曲线的变化呈现出有规律地变化，也反映出叶片对光接收的能量产生差异，因此，计算各个区间的反射率积分，获取此区间的总体能量；通过对比不同区间的积分值差异，选择在染病和健康植株之间差异化最大的作为最佳敏感波谱区间，即特征波段区间。

7、进一步地，近红外、可见光的敏感波谱区间较宽，波段数多，波段之间信息冗余比较大，且对计算的要求更大，采用竞争性自适应重加权采样法(cars)，通过一系列选择和验证，筛选出小麦条锈病相关性强的特征波段。cars是一种结合蒙特卡洛采样于pls(偏最小二乘法)模型回归系数的特征变量选择方法，模仿达尔文理论中的“适者生存”原则，每次通过自适应加权采样，保留pls模型中回归系数据对峙权重较大的点作为新的子集，去掉权值较小的点，然后基于新的子集建立pls模型，在建立pls模型的过程中，首先要进行数据的标准化，并求相关系数矩阵，然后分别提出自变量组与因变量组的成分，通过使用当前的k个成分解释自变量的比率达到90％时，去前k个成分，然后求k个成分对标准化指标变量与成分变量之间回归方程，得到标准化指标变量之间的回归方程，再将标准化的回归变量还原成原始变量，就建立了偏最小二乘模型(pls)，经过多级计算，选择pls模型交互验证均方根误差最小的子集中的波长作为特征波长，即为小麦条锈病特征波段。反射能量积分，计算公式如下

8、

9、其中，n,m表示该区间两端的波长，ref(i)表示对应的反射率。

10、进一步地，根据筛选出的敏感波段，符合《农作物病害遥感监测技术规范第1部分：小麦条锈病》标准号：ny/t 2738.1-2015，改进小麦条锈病的遥感指数。依据的标准是条锈病病菌侵入小麦叶片后造成小麦对不同波长的光吸收和反射的变化。由于条锈病病菌侵害叶片，导致叶片叶绿素合成的功能受阻，在570-680nm区间范围内，叶片的吸收明显下降，反射上升，因此，此波段范围的反射率上升是一个判别小麦叶片是否被侵入的重要标志，同时，在750-900nm区间范围，病菌侵害的叶片相比健康叶片，反射率则有所下降，此特征作为判别叶片健康与否的第二个判别标准；在680nm-750nm之间的红光波段，是所有植被反射率提升的一种特征波段，小麦叶片反射率的变化在这里受条锈病影响较大，因此，作为小麦条锈病遥感指数的第三个判别标准，再通过调整参数，拟合出完整的小麦条锈病遥感指数模型。步骤三的小麦条锈病遥感指数模型采用下式

11、

12、其中，wsri为小麦条锈病遥感指数；

13、分别代表发病、健康小麦在特征波段n1处反射率；

14、分别代表发病、健康小麦在特征波段n2处反射率；

15、分别代表发病、健康小麦在近红外波段n3与近红外波段n4处反射率之差，a、b、c为系数。

16、按照小麦条锈病遥感指数计算模型的需求，统计分析图像在特征波段的最值分布，然后计算小麦条锈病指数，此指数作为小麦条锈病发病的指示参数，其数值范围位于0-1之间，表示该遥感图像像元是否为小麦条锈病像元的遥感识别置信度。

17、进一步地，根据计算的小麦条锈病遥感指数，确定一个置信度作为分割阈值，用来分割小麦条锈病的分布范围，由于小麦条锈病传播范围广、染病时间不固定、易感病的品种多，单一阈值的设置由于无法考虑不同空间范围、不同时相、不同品种的小麦自身反射率的差异，因此无法广泛地使用在所有的情况，采用最大类间方差(otsu)的自适应阈值分割方法，将小麦条锈病遥感指数图像的灰度数按照灰度级分成为2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分，因此，使用otsu可以实现自动选取阈值的二值化。otsu算法被认为是图像分割选区的最佳算法，计算简单，不受图像亮度和对比度的影响，同时，使类间方差最大的分割意味着错分概率最小。经过自适应阈值的分割，小麦条锈病指数被分为两个部分，置信度高的区域所在的部分就是小麦条锈病爆发的空间位置。步骤三中，利用最大类间方差的自适应阈值分割(otsu)方法，完成小麦条锈病的识别，具体步骤为：

18、(1)计算直方图：计算灰度图像的直方图，统计每个灰度级的像素数量；

19、(2)归一化直方图：将直方图归一化，使得每个灰度级别的像素数量除以总像素量，得到各个灰度级别的像素概率分布；

20、(3)计算类间方差：对于每个可能的阈值t，从0到最大灰度级别，计

21、算分割后两个类别之间的方差，公式为：

22、var＝w0*w1*(μ0-μ1)2

23、其中，w0和w1分别为类别1和类别1的像素概率之和，μ0和μ1分别为类别0和类别1的平均灰度值；

24、(4)寻找最大类间方差：在所有可能的阈值t上，选择使类间方差最大的与之作为最佳阈值；

25、(5)应用阈值：将原始的小麦条锈病遥感指数图像根据最佳阈值进行二值化，像素灰度值大于阈值的设为条锈病，小于等于阈值的设为另一个类别。

26、步骤二中，选取最佳波段的竞争性自适应加权采样方法，在敏感区间内，选取几个敏感波段，从而减少计算量，突出条锈病敏感特征信息，具体包括：

27、随机从校正集中选择80％的样本进入建模集，剩余的20％作为预测集建立偏最小二乘法pls模型；

28、为了将光谱曲线中的各个波段反射率与实际的条锈病爆发情况拟合模型，首先将因变量条锈病的爆发情况y，与自变量反射率x进行标准化：

29、

30、s1、分别提取两组x与y变量的第一对成分，并使之相关性达到最大，假设从两组变量中第一对成分为u1和v1，u1是自变量集x＝[x1,…xm]t的线性组合)，v1是因变量集y＝[y1,…yp]t的线性组合：

31、

32、

33、为了回归分析需要，要求u1和v1各自尽可能多地提取所在变量的变异信息，u1和v1的相关程度达到最大；

34、s2、计算ρ1与γ1：

35、(1)最大化协方差，使得u1和v1相关程度达到最大，用分向量和的内积来计算：

36、

37、

38、(2)采用拉格朗日乘常数法，问题化为求单位向量ρ1和γ1，使达到最大，问题求解只需计算m＝atbbta的特征值与特征向量，且m的最大特征值为相应的特征向量就是所要求解的ρ1，进而能得到γ1：

39、

40、s3、由两组变量集的标准化观察数据矩阵x和y，计算第一对成分的分向量，记为和

41、

42、

43、(1)建立y1，…yp对u1的回归及x1，…xm对u1的回归，假定回归模型：

44、

45、其中，分别是多对一回归模型中的参数向量，a1，b1是残差阵；

46、(2)回归系数向量的最小二乘估计为：

47、

48、(3)用残差阵和代替a1，b1，重复以上步骤，直到残差阵中元素的绝对值近似为0，每进行一次，得到一个σt和τt；

49、s4、重复上面的步骤，得到r个成分：

50、

51、将代入即得到p个因变量的偏最小二乘回归方程式：

52、yj＝cj1x1+…+cjmxm，j＝1,2,…p

53、在建立pls模型后，设定蒙特卡洛的采样次数n，记录每一次采样过程中pls模型中的回归系数的绝对值权重，|bi|为第i个变量的回归系数绝对值，wi为第i个变量的回归系数绝对值权重:

54、

55、m为每次采样中剩余的变量数；

56、利用指数衰减函数edf，强行去除回归系数绝对值权重相对较小的波长，在第i次采样建立pls模型，根据edf得到保留的波长点的比例ri为:

57、

58、式中，μ和k是常数，可以按照以下两种情况计算:

59、(1)再一次采样并进行相应计算时，所有的波长都参与了建模分析，因此保留波长的点的比例为1。

60、(2)在最后一次(即第n次)采样并进行相应计算时，只剩下两个波长参与pls建模，保留波长点比例为2/n，其中，n是波长点数；

61、由以上最初及最后一次采样的情况可知，的计算公式为:

62、

63、(3)在每次采样时，都从上一次采样的变量数中采用自适应加权采样ars选择数量为ri*n个的波长变量，进行pls建模，计算留一交差验证均方根误差(rmsecv)；

64、(4)在n次采样完成后，cars算法得到了n组候选的特征波长子集，以及对应的rmsecv值，选择rmsecv最小值所对应的波长变量子集为小麦条锈病的特征波长。

65、通过上述描述可以看出，本发明的方法确定小麦条锈病特征波段，并对特征波段建立拟合模型，利用自适应阈值法精准实现小麦条锈病发病现状的识别。在小麦生长状况和病害的遥感监测和光谱特征处理等方面具有显著作用，对小麦条锈病的精准识别和预测预警具有重要意义。