CN104198396B - 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 - Google Patents

Abstract

本发明偏振‑高光谱技术诊断作物氮磷钾亏缺的方法，属于作物营养元素亏缺的快速检测技术领域。利用偏振光谱采集番茄叶片的偏振光谱，计算偏振度特征；利用高光谱成像***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，通过对提取的特征进行特征层的融合，进而建立番茄在开花期氮、磷、钾营养含量预测模型，为利用偏振‑高光谱技术检测作物营养含量提供方法依据。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。

Description

偏振-高光谱技术诊断作物氮磷钾亏缺的方法

技术领域

本发明属于作物营养元素亏缺的快速检测技术领域，特指一种基于偏振-高光谱技术诊断温室作物叶片氮磷钾营养含量的方法。

背景技术

番茄(LycopersiconesculentumMill.)是我国温室栽培的主要蔬菜作物之一。氮、磷、钾是番茄生长必需的也是最重要的营养元素，氮、磷、钾营养亏缺会使其生理发生变化，直接影响到产量的高低和口感，进而影响经济效益。植物生理学的研究已经证实，叶片是对营养状况反映最敏感的部位之一，营养亏缺能引起叶片颜色、纹理、粗糙度和气孔等特征发生显著变化，因此，以作物叶片为研究对象诊断营养状况成为近年来研究的热点，因此，可以通过观测上述特征的变化，对番茄的氮、磷、钾胁迫状态进行诊断。

目前，基于光谱技术的无损检测方法通常采用点源采样方式，难以体现整个叶片区域的光反射特性差异，无法充分表征作物营养亏缺时叶片丰富的特征信息。而基于计算机视觉技术的诊断方法的缺点在于无法获取反映叶片内部组织生理生化特性的信息。因此，单一检测手段往往检测精度不高且缺乏普适性，不少研究主要是对某种营养元素缺或不缺的识别，很难实现养分胁迫的准确定量评价。偏振光谱技术与高光谱图像技术在特征层面的融合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，进而可以提高作物氮、磷、钾无损检测的全面性、可靠性和灵敏度。近几年来国内外一些学者主要是将高光谱图像技术应用于农产品质量以及作物病害的检测中；偏振光谱技术曾用于反演植物叶片叶绿素的含量，但未见利用偏振-高光谱技术来诊断作物氮、磷、钾营养亏缺的状况。

发明内容

本发明为了克服上述现有技术中的不足，利用偏振光谱采集番茄叶片的偏振光谱，计算偏振度特征；利用高光谱成像***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，通过对提取的特征进行特征层的融合，进而建立番茄在开花期氮、磷、钾营养含量预测模型，为利用偏振-高光谱技术检测作物营养含量提供方法依据。

本发明偏振-高光谱技术诊断作物氮磷钾亏缺的方法，按照下述步骤进行：

(1)建立氮(N)、磷(P)、钾(K)营养胁迫试验样本，每个营养元素分为五个水平

进行处理，

(2)偏振光谱采集，

(3)偏振度特征提取，

(4)高光谱图像采集，

(5)图像预处理，

(6)图像纹理特征的提取，

(7)光谱特征的提取，

(8)模型建立，

(9)利用上述模型检测作物氮、磷、钾元素含量从而诊断作物是否发生氮、磷、钾营养亏缺。

其中步骤(1)中每个营养元素分为五个水平进行处理，是指按照在正常配方中氮、磷、

钾的正常含量的25％～150％(质量比)，分别形成五种不同营养水平的样本，依次是重度

胁迫25％(质量比)、中度胁迫50％(质量比)、轻度胁迫75％(质量比)、适量100％

(质量比)、过量150％(质量比)。

其中步骤(2)所述的偏振光谱采集是指利用偏振光谱采集***采集温室番茄叶片的偏振光谱。

其中步骤(3)所述的偏振度特征提取是指根据斯托克斯公式计算步骤(2)中番茄叶片的的偏振光谱的偏振度。

其中步骤(4)所述的高光谱图像采集是指利用高光谱图像采集***采集温室番茄叶片的高光谱图像。

其中步骤(5)所述的图像预处理是指对步骤(4)中的高光谱图像进行波段筛选、滤波和利用掩膜对图像进行分割。

其中步骤(6)所述的图像纹理特征的提取是指对步骤(5)中经预处理后的高光谱图像，首先通过主成分分析得到氮、磷、钾的敏感波长，然后在敏感波长下进行基于二阶概率统计滤波的纹理特征提取。

其中步骤(7)所述的光谱特征的提取是指对步骤(6)中提取到的纹理特征，利用区间偏最小二乘法-遗传算法优选特征变量，对光谱特征变量进行提取。

其中步骤(8)所述的模型建立是指采用支持向量机建立番茄开花期氮、磷、钾营养含量预测模型，具体按照下述步骤进行：(1)对样本进行归一化预处理，确定输入特征的数量；

(2)分别基于网格搜索法(GS)和粒子群优化算法(PSO)对进行支持向量机回归(SVR)参数进行寻优；

(3)将偏振度特征、纹理特征和光谱特征采用SVR的特征层融合的方法建立番茄开花期氮、磷、钾营养含量的预测模型。

本发明的有益效果：利用基于偏振-高光谱的多维光信息番茄营养胁迫的诊断方法，以设施番茄为研究对象，通过无土栽培培育不同营养水平的氮、磷、钾以及交互胁迫样本，利用自主研发的偏振光谱采集***采集番茄叶片的偏振光谱，提取偏振度特征结合恰当的化学计量学方法开展基于偏振度特征；利用高光谱图像技术分别提取图像纹理特征和光谱特征，然后，将这三种特征采用模式识别方法进行特征层融合，最大限度地获取能充分表达番茄叶片内外部综合信息的特征向量，建立偏振-高光谱多信息融合的番茄营养胁迫定量模型。

本发明最大限度地获取能充分表达番茄叶片内部养分和外部形态的综合信息,实现优势互补，扩充了信息量，解决单一技术手段诊断番茄营养胁迫精度低、信息不全面的问题。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。本发明提供的基于偏振-高光谱的多维光信息番茄营养胁迫的诊断方法，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。

附图说明

图1.高光谱成像***，

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.步进电机；8.玻璃光纤灯。

图2.偏振光谱采集***，

其中：1.光源；2.光源光纤灯；3.探测光纤；4.旋转测量机构；5.样品台；6.光谱仪；7.微电流计；8.计算机。

具体实施方式

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***参阅图1。利用图1所示的高光谱图像采集***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)，分辨率为5nm,150W卤钨灯的直流可调光源2(2900-ER+9596-E，Illumination Technologies,Inc.,EastSyracuse,NY,USA)，位移单元由步进电机7(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，成像光谱仪可以采集图像传输到计算机4(DELL Inspiron530s,USA)中，玻璃光纤灯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、步进电机7和玻璃光纤灯8位于光箱1。本发明2012年3月至2012年9月在江苏大学现代农业装备与技术***重点实验室的Venlo型温室中进行实验。培育品种为辽宁省农业科学院蔬菜研究所培育的L-402。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，对氮、磷、钾进行精确控制，以获取纯正的营养胁迫样本。营养液pH值为6-6.5、EC值为1.2ms/cm。首次栽植后浇灌正常营养液，为避免珍珠岩中营养成分残留，在番茄生长至壮苗期转入缺素培育阶段时，进行二次移栽。

营养胁迫试验样本分为氮(N)、磷(P)、钾(K)三组，每组中各个营养元素均分为五个水平进行处理，按照在正常配方中氮、磷、钾的正常含量的25％～150％，分别形成五种不同营养水平的样本，依次是重度胁迫25％、中度胁迫50％、轻度胁迫75％、适量100％、过量150％。(均为质量比)

化学值含量的测定工作与光谱试验同步进行，培育的样本在编号的自封袋中排序，并放进专业植物保鲜箱，立即带回光谱实验室，开始偏振反射光谱测量实验和高光谱图像采集。采集结束后将叶片放入烘箱，80℃烘干至恒重置于干燥器内。采用凯氏定氮法(GB/T5009.5-1985)测定样本的全氮含量，仪器为英国SEAL公司生产的Auto Analyzer3型连续流动分析仪(Seal Analytical Instruments Co.,Ltd,England)。采用钼锑抗分光光度法(GB11893-1989)测定样本中磷的含量，仪器为美国瓦里安公司紫外可见分光光度计(Varian Inc.,Palo Alto,USA；Model Cary100)。采用火焰光度法(GB/T18633-2002)测定样本中钾的含量，仪器为BWB-XP多元素火焰光度计(BWB Co.,British)。化学值含量测定后用于下面的模型建立及校正。

(1)偏振光谱采集：

偏振反射光谱测量分析***为课题组自主研发，该仪器测量波长范围350-1000nm，如图2所示，光源1接出的光源光纤灯2安装在左侧的旋转测量机构4，光谱仪6接出的探测光纤3安装在右侧的旋转测量机构4，样品台5用于放置待测样品，微电流计7分别连接光谱仪6及操作电脑8。

偏振反射光谱和高光谱图像采集保证在尽量短的时间内依次快速进行，以保证样品的统一性。数据采集前，两套仪器均需进行预热以及黑场和白场标定，以消除环境因素引起的***误差，每片叶片测量3次，取平均值作为最终测量结果。光谱实验样本为氮、磷、钾每组各120个，采集时间均为早晨8点，并统一选择每株倒七叶，叶片的叶宽应大于2cm，一经采下迅速装入自封袋封好并进行现场编号，放进专业植物保鲜箱，立即带回光谱实验室，开始偏振反射光谱测量实验和高光谱图像采集。实验中为防止外界环境光的干扰，偏振反射光谱测量在暗室中进行；高光谱图像则在光箱中采集。测量结束后将叶片放入烘箱，80℃烘干至恒重置于干燥器内以备化学值测定之用。

(2)偏振度计算：

偏振度P为全偏振分量的强度与该光波总强度的比值，由此证明光束的偏振度P可以通过公式(1)求得：

$P=\frac{\sqrt{Q^2+U^2+V^2}}{I}---\left(1\right)$

在自然大气背景及目标物体对光源入射的偏振效应中，圆偏振的分量极少，圆偏振分量在仪器可以检测的范围内更小，相对于误差来说可以忽略。对于番茄叶片表面的反射光而言，其圆偏振分量对结果的影响予以忽略，故其斯托克斯矢量中的V分量假设约为0，仅用到了I，Q，U三个参量，此时的偏振度可以写成：

$P=\frac{\sqrt{Q^2+U^2}}{I}---\left(2\right)$

因而，只需测出光线在0°、90°、+45°、-45°方向上的线偏振分量的光强，就可以通过公式(2)完全确定一束光线的偏振状态，根据上一节的研究内容，在最优的组合条件下，分别提取探测器处偏振片在0°、90°、+45°、-45°方向上每个番茄样本叶片区域的平均偏振光谱。对不同氮磷钾营养水平番茄叶片样本的偏振度数据逐点进行相关性分析，获得350～1000nm波段范围番茄的N、P、K含量的相关性曲线，根据相关分析的结果选择与N、P、K含量相关性高的偏振度特征。

由于相邻波段的偏振度特征存在极强的相关性，假设从相邻波长随意选择必定存在重复，使得选出的特征波长或者特征波长的组合不能具备代表性，因此需从相关性极其显著的敏感波段内选取相关性较弱的波长作为敏感波长，也就是说敏感波长必须满足以下条件：(1)在相关分析得出的波段范围内；(2)确保选出来的波段之间具有弱相关性；(3)为了满足后续研究的需要，选出N、P、K共有的敏感波长，尽量能够选出对N、P、K都比较敏感的波长。具体实施步骤为：首先将相关分析得出的敏感波段分成若干个小波段，每个小波段含有10个波长；然后根据相关系数的大小将小波段进行排序，组成波段子集Ui；将相关系数最大的波段放到已选择波段集合U_s；按照前后顺序依次从小波段子集Ui中选择不在U_s中的波段，如果它满足与U_s中所有波段的相关系数R都小于0.8，则放入U_s中，否则予以剔除。根据筛选条件，选出最能代表偏振度与番茄叶片N、P、K含量有显著关系的特征波长：655.41nm，744.48nm，850.58nm为N、P、K共有敏感波长；而N、P、K特有的敏感波长分别为380.49nm，914.56nm，488.42nm。

(3)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871.6～1766.3nm，空间分辨率为62.5um，采样间隔为3.5nm,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20ms，位移台的移动速度为1.25mm/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。

(4)图像预处理：

为了避免传感器暗电流以及光源的照度在各波段下分布不均而使得图像含有较大的噪声，或是造成不同波长下的较大亮度值差异，先对所原始样本图像进行标定。全白的标定图像W通过扫描硫酸钡标准白板得到；全黑的标定图像B则是通过盖上摄像机的镜头后采集得到。按照公式(3)，将采集得到的绝对图像I变成相对图像R。

$R=\frac{I-B}{W-B}---\left(3\right)$

采集的番茄叶片高光谱的光谱曲线的范围是390～1050nm。光谱曲线在450nm以下和950nm以上区域存在着明显的噪声，因此在后期的数据处理过程中，选取450～950nm范围内，共388个波段的高光谱数据进行后续分析研究。

本发明采用5×5窗口的中值滤波法对图像进行滤波，5×5窗口的中值滤波能够既降噪又不失真，对后续特征提取更有利。将在700nm处将图像分割得到的二值图像建立掩膜，掩膜是ENVI中一种特殊的图像，是一个由0和1组成的二进制图像。当有掩膜参与到一个高光谱图像处理时，1值区域被处理，0值区域被屏蔽，即背景为黑色，掩膜的部分将不参与后续的计算处理，白色区域为分割出来的番茄叶片区域，参与到后续处理中，极大的减少了背景对特征提取的影响。

(5)图像纹理特征的提取：

主成分分析法(PCA)是高光谱图像降维中最常用的方法。它的目标是寻求一种变换，把原始数据映射到一个新空间。分别求出经过PCA转换后氮、磷、钾的前五个主成分的权重系数曲线图，绘制出的氮、磷、钾高光谱前五个主成分的权重系数曲线。根据提取权重系数曲线主要波峰和波谷处所对应的波长作为敏感波长。通过比对后其中N素的特征波长分别为：464.91nm，566.29nm，696.28nm，724.66nm；P素的特征波长分别为：474.85nm，567.54nm，693.71nm，738.89nm；K素的特征波长分别为：565.03nm，691.14nm，733.71nm，766.14nm。

在特征波长下采用基于二阶概率统计滤波的纹理特征提取中值、协方差、同质性、熵、相异性、二阶矩、对比度和相关性。

(1)中值(Mean)： $\mathrm{MEA}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}(i,j)p(i,j)---\left(4\right)$

这里的中值运算类似于卷积，但计算的不是加权求和，而是把邻域中的像素按灰度级进行排序，然后选择该组的中间值作为输出，其主要功能是让与周围像素灰度值的差比较大的像素改取与周围的像素值接近的值。

(2)协方差(Variance)： $\mathrm{VAR}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}(i-u_x)(j-u_y)p(i,j)---\left(5\right)$

式中： $u_x=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j);$

$u_y=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j).$

一般情况下协方差直观上表示的是两个变量总体误差的期望。这里协方差用于衡量两个变量的总体误差。

(3)同质性(Homogeneity)： $\mathrm{HOM}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{p(i,j)}{1+|i+j|}---\left(6\right)$

又称逆差距，它能够度量图像纹理局部变化的多少。其值大则说明图像纹理在不同区域间变化较少，局部非常均匀，值小说明局部分布不均匀。

(4)熵： $\mathrm{ENT}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)\ln p(i,j)---\left(7\right)$

图像所具有的信息量的度量。它反映了图像的混乱程度和无序程度，代表了图像中纹理的非均匀性和复杂性，熵值越大纹理越复杂，熵值越小则纹理越均匀。

(5)相异性(Dissimilarity)： $\mathrm{DIS}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{p(i,j)}{|i-j{|}^2}---\left(8\right)$

相异性大小用于考量元素在行的方向或列的方向上所有元素之间的相异程度，改指标是相对于其他行或者其他列而言的，如果图像的某方向上差异性较大，则该方向的DIS值将大于其他方向的DIS值。

(6)二阶矩(AngularSecondMoment)：

又称为能量，它是通过灰度共生矩阵元素值平方和的计算，反映图像灰度分布的纹理粒子间粗细的程度。二阶矩的值越高说明纹理较粗，而二阶矩的值越低说明纹理较细。

(7)对比度(Contrast)： $\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^{2}p(i,j)---\left(10\right)$

改指标对比了纹理沟纹的深浅程度及图像清晰程度。假如沟纹越深，CON值越大，视觉效果越清晰且图像越明显；CON值越小，则表明沟纹浅，效果模糊。

(8)相关(Correlation)： $\mathrm{COR}=\frac{\left\{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{ijp}(i,j)\right\}-u_x{u}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(11\right)$

式中： $u_x=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j);u_y=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}j\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j);$

${\mathrm{\σ}}_x=(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-u_x)}^2\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j);{\mathrm{\σ}}_y=(\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(j-u_y)}^2\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j).$

该指标用于衡量灰度共生矩阵中的元素在行方向上，或者列方向上的相似度。它能够反映图像局部灰度的相关性。如果图像的行方向上或者列方向上的COR值越高说明元素的相似程度越高，反之则越低。

然后将统计出的这八个特征参数分别与番茄叶片N、K、P含量的实测值进行相关性分析，结果见表1，表2和表3。

表1 敏感波长下纹理特征与番茄N含量的相关系数

表2 敏感波长下纹理特征与番茄P含量的相关系数

表3 敏感波长下纹理特征与番茄K含量的相关系数

四个敏感波长下纹理特征的中值特征与N、P、K三者含量的相关性都较弱，说明其是无效特征，应舍弃。根据表1，表2和表3，优选相关性高的特征作为用于模型建立的特征变量，为了方便后续的研究，从相关系数中找出六个与氮、磷、钾的相关性都较高的特征，作为氮磷钾的共同高光谱特征，分别为：VAR_693.71、CON_566.29、DIS_693.71、ENT_733.71、ASM_566.29、COR_733.71。再从剩余的特征中分别选择两个相关性最高的特征作为氮磷钾的特有的高光谱特征，依次分别为：氮ASM_464.91、COR_464.91；磷HOM_693.71、ENT_474.85；钾HOM_762.24、ENT_762.24。

(6)光谱特征的提取：

遗传算法(GA)模拟了对生物界自然遗传机制和自然选择，希望通过模拟来解决变量间的优化问题。GA比较适合用于解决的复杂的、非线性优化问题，而传统搜索方法在解决此类问题时效果欠佳，遗传算法目前己经被广泛用于优选近红外光谱特征波数点。将区域偏最小二乘优选特征谱区和遗传算法优选特征波数点的思想相结合，采用间隔偏最小二乘法-遗传算法(iPLS-GA)优选光谱的特征谱区。首先用iPLS截选出建模精度最佳的波段，再采用GA的方法优选出能够代表此波段的若干个变量后再进行建模，希望通过尽量少的特征变量代替全谱数据同时又能获得较好的模型精度。

iPLS-GA模型在iPLS模型的基础上优选出4个变量，即N元素的敏感波长，分别是741.48nm，755.74nm，767.44nm，784.37nm。iPLS-GA模型在iPLS模型的基础上优选出8个变量，即P元素的敏感波长，分别是770.04nm，779.16nm，813.12nm，824.92nm。优选出4个变量，即K元素的敏感波长，分别是618.23nm，630.97nm，645.00nm，705.30nm。

(7)模型建立：

根据前两章的研究，提取的番茄叶片六个高光谱特征VAR_693.71、CON_566.29、DIS_693.71、ENT_733.71、ASM_566.29、COR_733.71；四个反射光谱特征分别为：氮741.48nm，755.74nm，767.44nm，784.37nm；磷770.04nm，779.16nm，813.12nm，824.92nm；钾618.23nm，630.97nm，645.00nm，705.30nm。还包括共有的偏振度特征655.41nm，744.48nm，850.58nm，特有偏振度特征N、P、K分别为380.49nm、914.56nm、488.42nm的；组成多信息组合特征空间时分别采用共有的特征变量加上特有的特征变量的形式，每个元素共计14个特征变量参与模型的建立。N、P、K各有96个番茄营养胁迫叶片的样本用于模型的建立。

在对番茄叶片的进行SVR回归之前，由于高光谱提取的灰度纹理特征的数值差异较大，为了避免训练时数值计算的困难，首先采用最大—最小值标准化方法对对训练样本和验证样本进行标准化处理，将所有样本的特征值归一化到[0，1]范围内，并对参数(C，g)对进行优化后，建立番茄叶片营养含量的最优预测模型。

①于GS的氮元素SVR参数寻优模型

首先设定(C，g)的范围，本研究选择，C∈[2^-8,2⁸]，g∈[2^-8,2⁸]其中C和g的搜索步均长为0.5，交叉验证折数为10。当C＝32，g＝0.35355时，交叉验证均方根误差最小。因此，基于网格搜索法寻找的最佳参数为：C＝32，g＝0.35355，此时的CVmse＝0.46807，在此条件下建立的模型最佳，所建立的模型校正集RMSECV＝0.1166％，Rc＝0.9562，预测集Rp＝0.9291，RMSEP＝0.2217％。

②基于PSO的氮元素SVR参数寻优模型

利用PSO进行SVR参数的寻优，参数c₁＝1.5，c₂＝1.7，进化代数为100，种群数量pop为20，交叉验证折数为10。参数寻优的最佳结果为：当C＝40.4315，g＝0.2849时，交叉验证均方误差最小，此时CVmse＝0.5303。利用PSO优化算法寻找的最佳参数对校正集进行SVR建模，基于SVR-PSO方法的参数寻优模型的校正集和预测集的回归拟合结果是：模型校正集RMSECV＝0.1268％，Rc＝0.9521，预测集Rp＝0.9289，RMSEP＝0.2215％。

②基于GS的SVR参数寻优模型

首先设定(C，g)的范围，P素建模时选择，C∈[2^-8,2⁸]，g∈[2^-8,2⁸]其中C和g的搜索步均长为0.5，交叉验证折数为5。当C＝4，g＝32时，交叉验证均方根误差最小，此时的CVmse＝2.5835，参数寻优的效果最佳。P素基于SVR-GS的参数寻优模型的校正集和预测集的回归拟合结果是：校正集Rc＝0.9987，RMSECV＝0.0099％，预测集Rp＝0.8978，RMSEP＝0.1950％。

③基于PSO的SVR参数寻优模型

利用PSO进行SVR参数的寻优，参数c₁＝1.5，c₂＝1.7，进化代数为100，种群数量pop为20，交叉验证折数为5。参数寻优的结果为：当C＝5.534，g＝30.0753时，此时交叉验证均方误差CVmse＝2.5831。基于SVR-PSO方法的参数寻优模型的校正集和预测集的回归拟合结果是：模型校正集Rc＝0.9988，RMSECV＝0.0100％，预测集Rp＝0.8998，RMSEP＝0.1912％。

④基于GS的SVR参数寻优模型

首先设定(C，g)的范围，K素建模时选择，C∈[2^-8,2⁸]，g∈[2^-8,2⁸]其中C和g的搜索步均长为0.5，交叉验证折数为5。当C＝5.6569，g＝16时，交叉验证均方根误差最小，此时的CVmse＝2.0921，在此条件下建立的模型最佳。所建立的K素基于SVR-GS的回归拟合结果是：校正集Rc＝0.9988，RMSECV＝0.0098％，预测集Rp＝0.9101，RMSEP＝0.1417％，达到了较好的预测效果。

⑥基于PSO的SVR参数寻优模型

利用PSO进行SVR参数的寻优，算法参数c₁＝1.5，c₂＝1.7，进化代数为100，种群数量pop为20，交叉验证折数为5。参数寻优的结果为：当C＝7.5929，g＝14.0114时，此时交叉验证均方误差CVmse＝2.0828。基于SVR-PSO方法的参数寻优模型的校正集和预测集的回归拟合结果是：模型校正集Rc＝0.9985，RMSECV＝0.0096％，预测集Rp＝0.9036，RMSEP＝0.1488％。

(8)利用上述模型检测作物氮、磷、钾，诊断作物是否发生氮、磷、钾营养亏缺：

模型建立后，采用高光谱采集待测番茄叶片的光谱信息，经处理后代入上述模型，即可计算番茄叶片的氮、磷、钾营养含量，诊断作物是否发生营养亏缺。

由上述实施例可以看出本发明以番茄为研究对象，采用偏振-高光谱无损检测技术，检测番茄开花期时的氮、磷、钾营养含量。首先采用自行构建的偏振光谱采集***和高光谱成像***采集番茄叶片高光谱图像数据；提取出偏振度、图像纹理和光谱共计14个特征变量，针对这14个特征变量，采用SVR法建立回归模型，模型的预测值与实测值的相关系数R均较高，模型精度和稳定性较高。

以上只是结合一个具体实施例(以番茄氮、磷、钾为例)，示例性说明及帮助进一步理解本发明，但实施例具体细节仅是为了说明本发明，并不代表本发明构思下全部技术实施例，因此不应理解为对本发明总的技术实施例限定，一些在技术人员看来，不偏离发明构思的非实质性改动，例如以具有相同或相似技术效果的技术特征简单改变或替换，均属本发明保护范围。

Claims (1)

1.偏振-高光谱技术诊断作物氮磷钾亏缺的方法，其特征在于按照下述步骤进行：

（1）偏振光谱采集，

（2）偏振度特征提取，

（3）高光谱图像采集，

（4）图像预处理，

（5）图像纹理特征的提取，

（6）光谱特征的提取，

（7）模型建立，采用支持向量机建立作物开花期氮、磷、钾营养含量预测模型；

（8）利用上述模型检测作物氮、磷、钾元素含量，从而诊断作物是否发生氮、磷、钾营养亏缺；

所述的偏振光谱采集是指利用偏振光谱采集***采集温室番茄叶片的偏振光谱；

所述的偏振度特征提取是指根据斯托克斯公式计算番茄叶片的偏振度特征；

所述的高光谱图像采集是指利用高光谱图像采集***采集温室番茄叶片的高光谱图像；

所述的图像预处理是指对图像进行波段筛选，滤波和利用掩膜对图像进行分割；

所述的图像纹理特征的提取是指首先通过主成分分析得到氮、磷、钾的敏感波长，然后在敏感波长下进行基于二阶概率统计滤波的纹理特征提取；

所述的光谱特征的提取是指利用区间偏最小二乘法-遗传算法优选特征变量，对光谱特征变量进行提取；

所述的模型建立，具体按照下述步骤进行：（1）对样本进行归一化预处理，确定输入特征的数量；

（2）分别基于网格搜索法（GS）和粒子群优化算法（PSO）对进行支持向量机回归（SVR）参数进行寻优；

（3）将偏振度特征、纹理特征和光谱特征采用SVR的特征层融合的方法建立番茄开花期氮、磷、钾营养含量的预测模型；

（4）利用样本采集时同时获取的其它样本数据，对所建立的模型进行检验。