一种叶片含水率的估测方法和装置与流程

本发明涉及一种林业测量技术，尤其涉及一种叶片含水率的估测方法和装置；特别适用于沉香叶片含水率的估测。

背景技术：

1、沉香是一种典型的珍贵树种，受伤后分泌的树脂香味浓郁，具有消炎和抗氧化等功能，具有极高的经济价值与药用价值，已在我国南方地区大力推广种植。幼龄沉香对水分十分敏感，但大部分经营者无法实时掌握沉香的水分需求，导致沉香发育不良甚至死亡。因此，经营者需要一种实时、准确的沉香含水率的无损估测方法，以及时调整沉香生长的水分条件，确保沉香的质量与产量。

2、然而，在现有技术中，还没有利用图像技术来估测沉香叶片含水率的方法和/或装置。

技术实现思路

1、本发明的实施例提供了一种叶片含水率的估测方法和装置，可估测叶片含水率。

2、本发明的实施例提供了一种叶片含水率的估测方法，包括如下步骤：

3、获取叶片的多光谱图像；

4、根据多光谱图像获取图像特征参数，所述图像特征参数包括光谱特征和纹理特征；

5、根据图像特征参数及随机森林估测模型来估测叶片含水率；所述随机森林模型表示为：

6、f(x)＝avkf(x)

7、其中，

8、x：图像特征参数中的任一特征参数；

9、k：回归树个数；

10、avk表示关于k取平均；

11、f(x)：单个回归树估测的沉香含水率；

12、f(x)：随机森林模型估测的沉香含水率。

13、回归树模型可用如下公式表示：

14、

15、x：图像特征参数中的任一特征；

16、m：叶子节点数；m＝1,2,…,m；

17、cm：第m个叶子结点对应的值，即叶片含水率；

18、rm：表示第m个叶子结点中的样本；

19、i(x∈rm)：指示性函数，当x∈rm取1，当取0；

20、f(x)：单个回归树估测的叶片含水率。

21、所述多光谱图像包括5个波段图像：蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re，所述根据多光谱图像获取图像特征参数具体包括：

22、在所述5个波段图像中选择任一图像作为基准图像，并以基准图像为基础对各图像进行配准；

23、对配准后的图像进行分割，以实现前景与背景分离，其中前景图像为叶片图像；

24、从前景图像中提取图像特征参数，所述图像特征参数包括：每个波段图像的像素灰度均值、及5个波段的对比度均值(con_mean)、5个波段的相关均值(cor_mean)、5个波段的角二阶距均值(asm_mean)、5个波段的反差分矩均值(idm_mean)、5个波段的熵均值(ent_mean)。

25、所述5个波段的对比度均值(con_mean)、5个波段的相关均值(cor_mean)、5个波段的角二阶距均值(asm_mean)、5个波段的反差分矩均值(idm_mean)、5个波段的熵均值(ent_mean)可分别由下式算出：

26、con_mean＝(con_b+con_g+con_r+con_nir+con_re)/5

27、cor_mean＝(cor_b+cor_g+cor_r+cor_nir+cor_re)/5

28、asm_mean＝(asm_b+asm_g+asm_r+asm_nir+asm_re)/5

29、idm_mean＝(idm_b+idm_g+idm_r+idm_nir+idm_re)/5

30、ent_mean＝(ent_b+ent_g+ent_r+ent_nir+ent_re)/5

31、其中：con_b、con_g、con_r、con_nir、con_re分别代表蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re的对比度；cor_b+cor_g+cor_r+cor_nir+cor_re分别代表蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re的相关值；asm_b+asm_g+asm_r+asm_nir+asm_re分别代表蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re的角二阶距；idm_b+idm_g+idm_r+idm_nir+idm_re分别代表蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re的反差分矩；ent_b+ent_g+ent_r+ent_nir+ent_re分别代表蓝光波段b、绿光波段g、红光波段r、近红外波段nir、红边波段re的熵。

32、所述方法还包括构建随机森林估测模型的步骤，所述步骤如下：

33、构建回归树；

34、由回归树构建随机森林模型。

35、所述构建回归树包括如下步骤：

36、从训练数据集中有放回的随机抽取n次，每次抽取一组数据，这样就得到n组样本数据；

37、针对训练集样本数据组中的图像特征参数，随机选择d(1≤d<10)个图像特征参数作为节点分裂依据；

38、针对d个图像特征中每一个图像特征参数计算其标准方差，选择标准方差最小的图像特征参数进行根节点的分裂，并以该图像特征参数的平均值作为分裂节点将n组样本分为两个分支集合，即大于平均值的样本被分为一个分支集合，小于等于平均值的样本被分为另一个分支集合；然后，再对上述两个分支集合中数据重复上述步骤，即，针对d个图像特征参数中每一个图像特征参数计算其标准方差，选择标准方差最小的图像特征参数作为节点的分裂依据，并以该图像特征参数的平均值作为分支节点将该分支集合再次分为两个分支集合，即大于平均值的样本作为一个分支集合，小于等于平均值的样本作为另一个分支集合；直到分支集合中的数目小于等于2为止，则该集合作为叶子节点；对于每个样本数据小于等于2的叶子节点，若该叶子节点有1个样本，则将其含水率作为该叶子节点的值；若该叶子节点的样本为2，则将该2个样本的含水率的平均值作为该叶子节点的值。

39、所述由回归树构建随机森林模型的步骤具体包括：

40、所述随机森林模型包括多个回归树，其中，回归树的数量设定在[1,1000]之间，将每棵回归树特征数量设定在[1,10]之间；然后利用测试集对该随机森林模型进行优化，在优化过程中，采用模型决定系数(r2)最大或者模型均方根误差(rmse)最小时的随机森林，这时该随机森林的拟合效果达到最优；r2及rmse公式如下：

41、

42、

43、其中，

44、n为测试样本个数；

45、yi为测试样本的实测值；

46、为所有yi的平均值；

47、为预测值。

48、所述根据图像特征参数及随机森林估测模型来估测叶片含水率包括以下步骤：

49、根据图像特征参数遍历随机森林估测模型中的每一棵回归树，从每一棵回归树预测该叶片的一个含水率，然后，将这些每一棵回归树所预测的叶片的含水率进行平均，该平均值就是预测的叶片含水率。

50、本发明的实施例还提供了一种叶片含水率的估测装置，包括：

51、图像获取单元，用于获取叶片的多光谱图像；

52、图像参数计算单元，用于从叶片多光谱图像中获得图像特征参数；

53、确定单元，用于根据图像特征参数应用随机森林估测模型确定叶片含水率。

54、本发明的实施例仅使用多光谱相机及计算机就可实现对沉香含水率的快速无损估测，可使林业工作者实时监测沉香水分含量以进行精准灌溉，非常适用于沉香等珍贵树种的人工培育与保护工作。

55、本发明实施例提供的一种沉香叶片含水率的多光谱图像确定方法，还可将粗榧、火桐、降香黄檀、楠树、红锥等珍贵树种作为实施例运用，可按照实施例一中的步骤进行操作，只需要将沉香多光谱图更换为粗榧、火桐、降香黄檀、楠树、红锥等树种的多光谱图像，并且对于模型参数进行调整。