CN104881865A - 基于无人机图像分析的森林病虫害监测预警方法及其*** - Google Patents

Abstract

本发明公开一种基于无人机图像分析的森林病虫害监测预警方法，包括以下步骤：S1：通过无人机上搭载的摄像机拍摄林区图像；S2：对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；S3：通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；S4：通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；S5：在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。本发明通过无人机搭载摄像机拍摄指定林区的图片等资料，实现对林区病虫灾害区域的定位及病虫害分级和预警等功能，能满足对林区病虫害情况及时、全面、高效的监测和预警的需求。

Description

基于无人机图像分析的森林病虫害监测预警方法及其***

技术领域

本发明涉及森林防护及监控技术领域，特别涉及一种对森林病虫害区域和程度进行监测的预警方法及其***。

背景技术

森林病虫害对森林健康和林业生产造成巨大的危害，我国每年由于森林病虫害而造成的直接经济损失和间接生态效益损失惨重,因此科学地监测并有效地控制森林病虫害对我国林业和生态环境的健康发展至关重要。

传统的森林病虫灾害监测方法主要采取林间或田间定点监测和随机调查等方法，而这种方法通常耗费大量人力、物力和时间,所得的结果也难以全面掌握灾情,常常错过最好的防治时间,造成巨大的损失。想要全面、准确、迅速地监测管理森林病虫害必须依靠先进的空间技术手段。自20世纪30年代开始,各国相继开展了航空、航天遥感监测植物病虫害可行性试验的研究,至今已取得了许多令人鼓舞的成果,应用遥感技术对森林病虫害及农作物病虫害进行动态监测已成为近年来研究的热点问题。

然而，现有对于森林病虫害及农作物病虫害的监测技术往往存在着人力、物力成本消耗量大，监测周期长，分析结构不够精确的弊端，无法满足林区的实际需求。因此，如何利用先进的数据监控和图像处理技术对林区病虫害情况进行快速准确地监测和预警，成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的在于解决现有林区病虫害监测力度不够、准确率不高的缺陷，提供一种基于无人机图像分析的森林病虫害监测预警方法及其***。

本发明首先提供了一种基于无人机图像分析的森林病虫害监测预警方法，包括以下步骤：

S1：通过无人机上搭载的摄像机拍摄林区图像；

S2：对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；

S3：通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；

S4：通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；

S5：在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。

根据本发明提供的森林病虫害监测预警方法，步骤S1中通过无人机航线往返扫描的方式来拍摄图像，图像间的数据重叠度70％。

根据本发明提供的森林病虫害监测预警方法，步骤S3中所述改进的模糊C-均值算法包括以下步骤：

a1：聚类初始化

对于n个向量xi组成的有限数据集合X＝{x₁,x₂,x₃…x_n}，其中n为自然数，给定初始聚类中心集合V＝{v₀,v₁…v_n-1}，初始迭代次数k＝0，聚类数目为c(1<c<n)，加权指数m(m>0)，最大迭代次数T，终止条件阈值ε；

a2：求取X的隶属度矩阵U^(k)＝{u_ij ^(k)}，其中i，j为自然数，u_ij为隶属度值；

对于任意的自然数i和r，当d_ir ^(k)>0时，其中d_ir为欧式距离测度；

和r，

对隶属度值进行拉伸处理，得到拉伸的隶属度函数：

$y=\left\{\begin{array}{cc}0& x\&le;0.2\\ \frac{3x-1}{2}& 0.2<x<1\\ 1& x>1\end{array}\right.$

其中x为隶属度值u_ik；

a3：求取更新的聚类中心集合V^(k+1)

$\&ForAll;j,{v_j}^{(k+1)}=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m{x}_i/\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m$

a4：判断聚类结束条件

如果||V^(k)-V^(k+1)||<ε或k>T,则停止，否则令k＝k+1，转向步骤a2。

根据本发明提供的森林病虫害监测预警方法，所述基于混合模板的标记分水岭算法是在标记分水岭算法的基础上，利用田字模板算子和改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息；其中所述田字模板算子为：

$M_1=\left[\begin{array}{ccccc}\frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& -p& 8& -p& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{\text{2}}\end{array}\right]$

所述改进模板算子为：

$M_2=\left[\begin{array}{ccccc}-1& 0& -2& 0& 1\\ 0& -3& -4& 3& 0\\ -2& -4& 0& 4& 2\\ 0& -3& 4& 3& 0\\ -1& 0& 2& 0& 1\end{array}\right]$

计算像素点梯度值：

$G=\frac{1}{2}{M}_{1}A+\frac{1}{2}{M}_{2}A$

上式中p为微分阶数，A为原始图像的像素值矩阵。

根据本发明提供的森林病虫害监测预警方法，步骤S4包括：

基于混合模板计算各像素点的梯度值并排序；

进行图像泛滥，标记像素点，得到初始分类结果；

颜色空间转换至LUV，更新像素点标记，得到二次分类图像并合并区域颜色均值；

将标记信息不变的像素点标记为分水岭，作为图像分割边界。

另外，本发明还提供了一种基于无人机图像分析的森林病虫害监测预警***，包括：

图像采集单元，用于通过无人机上搭载的摄像机拍摄林区图像；

图像预处理单元，用于对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；

林区定位单元，通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；

虫灾定位单元，通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；

虫灾分级单元，在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。

根据本发明提供的森林病虫害监测预警***，所述改进的模糊C-均值算法包括以下步骤：

a1：聚类初始化

对于n个向量xi组成的有限数据集合X＝{x₁,x₂,x₃…x_n}，其中n为自然数，给定初始聚类中心集合V＝{v₀,v₁…v_n-1}，初始迭代次数k＝0，聚类数目为c(1<c<n)，加权指数m(m>0)，最大迭代次数T，终止条件阈值ε；

a2：求取X的隶属度矩阵U^(k)＝{u_ij ^(k)}，其中i，j为自然数，u_ij为隶属度值

对于任意的自然数i和r，当d_ir ^(k)>0时，其中d_ir为欧式距离测度；

和r，

对隶属度值进行拉伸处理，得到拉伸的隶属度函数：

$y=\left\{\begin{array}{cc}0& x\&le;0.2\\ \frac{3x-1}{2}& 0.2<x<1\\ 1& x>1\end{array}\right.$

其中x为隶属度值u_ik；

a3：求取更新的聚类中心集合V^(k+1)

$\&ForAll;j,{v_j}^{(k+1)}=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m{x}_i/\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m$

a4：判断聚类结束条件

如果||V^(k)-V^(k+1)||<ε或k>T,则停止，否则令k＝k+1，转向步骤a2。

根据本发明提供的森林病虫害监测预警***，所述基于混合模板的标记分水岭算法是在标记分水岭算法的基础上，利用田字模板算子和改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息；其中

所述田字模板算子为：

$M_1=\left[\begin{array}{ccccc}\frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& -p& 8& -p& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{\text{2}}\end{array}\right]$

所述改进模板算子为：

$M_2=\left[\begin{array}{ccccc}-1& 0& -2& 0& 1\\ 0& -3& -4& 3& 0\\ -2& -4& 0& 4& 2\\ 0& -3& 4& 3& 0\\ -1& 0& 2& 0& 1\end{array}\right]$

计算像素点梯度值：

$G=\frac{1}{2}{M}_{1}A+\frac{1}{2}{M}_{2}A$

上式中p为微分阶数，A为原始图像的像素值矩阵。

根据本发明提供的森林病虫害监测预警***，所述基于混合模板的标记分水岭算法包括如下步骤：

基于混合模板计算各像素点的梯度值并排序；

进行图像泛滥，标记像素点，得到初始分类结果；

颜色空间转换至LUV，更新像素点标记，得到二次分类图像并合并区域颜色均值；

将标记信息不变的像素点标记为分水岭，作为图像分割边界。

根据本发明提供的森林病虫害监测预警***，其特征在于，所述虫灾分级单元还包括：

虫灾等级数据库，记录通过人工调查方式得到的各个区域的虫灾等级数据；

预警单元,用于当虫灾等级超过阈值时发出报警信息。

与现有技术相比，本发明的有益效果在于：

1、通过无人机航拍采集林区图像，能够快速获取多空间尺度、多相向的地面观测数据，所采集的影像具有高清晰、大比例尺、小面积、高现势性的优点，且无人机结构简单、使用成本低，在突发事情应急、预警等方面有很大的作用；

2、本发明在FCM算法的基础上，提出了一种改进的模糊C-均值算法(简称为MFCM)，即对每个样本的隶属度进行拉伸处理，增加边缘样本间的差异，从而获得更准确的图像分割结果；

3、本发明利用田字模板算子以及改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息；在降低算法复杂度的同时，增强了像素的邻域信息，从而得到多目标区域的边缘信息；

4、本发明将***自动监测结果与地面人工调查数据相结合，可以有效避免误判现象的发生，大大提高检测结果的有效性和精确度。

附图说明

图1为本发明的无人机在某林区200m高空拍摄的正摄图像；

图2为本发明的无人机在某林区拍摄的鸟瞰图；

图3为本发明的无人机在某林区的航线扫描路线示意图；

图4为本发明对林区图像进行处理的流程图；

图5为本发明根据改进的模糊C均值算法(MFCM)得到的林区分类结果；

图6为本发明基于混合模板的标记分水岭图像分割算法的流程图；

图7为本发明基于混合模板的标记分水岭图像分割算法对受灾沙棘林地图像的分割结果；

图8为本发明的森林病虫害监测预警***的硬件组成示意图；

图9为本发明的森林病虫害监测预警***的软件模块框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种基于无人机图像分析的森林病虫害监测预警方法，首先是利用无人机搭载摄像机、GPS接收机、GPS记录仪等设备拍摄指定林区的图像，然后再通过后台***对获得的林区图像进行处理、对比、判断，最终确定林区虫灾程度等级。

无人机上的GPS接收机和GPS记录仪用于定位当前图像拍摄的林区地理位置信息，摄像机采集的图像包括正摄图像(如图1)、鸟瞰图像(如图2)即航线扫描图像三种模式。其中，正摄图像可根据需要选择自20m至200m(拍摄间隔为5米或10米)不同的拍摄高度；鸟瞰图像用于表征整个区域的全貌；航线扫描图像则可以获取更精准的图像数据，如图3所示是某林地30m航线扫描路线示意图，通过这种往返式航线扫描，拍摄到的图像之间具有70％的重叠度，保证不遗漏任何信息。

图4是对航拍图像进行处理从而最终确定虫灾等级的流程图。主要包括以下几个步骤：

(1)图像预处理

对无人机所拍摄的图像进行初步的预处理工作，包括图像几何校正、图像配准、图像拼接和图像增强等等。通过对原始图像进行初步的处理，可以改善图像数据，增强图像特征，为后续的图像特征提取等步骤做准备。

(2)林区位置提取

林区图像提取主要依靠图像分割技术来实现，本***采用的是一种改进的模糊C-均值算法(简称为MFCM))。聚类算法是图像识别中一种基本的分析方法。它是将一组物理的或抽象的对象，根据一定的聚类准则对其进行分类，使类内样本尽可能相似，类间样本尽可能相异MFCM是在FCM算法的基础上改进得到的新算法，FuzzyC-Means(FCM算法)是一种基于模糊集理论的聚类算法，主要步骤如下：

a1：聚类初始化：给定初始聚类中心V＝{v₀,v₁,...,v_n-1}，初始迭代次数k＝0，聚类数目c，加权指数m(0<m)，最大迭代次数T，终止条件阈值ε。

a2：求取U^(k)：

r，当时， ${\mathrm{\&mu;}}_{\mathrm{ij}}^{\left(k\right)}=1/\underset{r=1}{\overset{c}{\mathrm{\&Sigma;}}}\left[{\left(\frac{d_{\mathrm{ij}}^{\left(k\right)}}{d_{\mathrm{ir}}^{\left(k\right)}}\right)}^{\frac{2}{m-1}}\right]$

和r,

a3：求取V^(k+1)：

$\&ForAll;j,v_j^{(k+1)}=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&mu;}}_{\mathrm{ij}}^{\left(k\right)}\right)}^m{x}_i/\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&mu;}}_{\mathrm{ij}}^{\left(k\right)}\right)}^m$

a4：判断聚类结束条件：

如果||V^(k)-V^(k+1)||<ε或k>T，则停止，否则令k＝k+1，转向步骤a2。

FCM算法的主要不足在于由于FCM算法对数据的孤立点或噪声点比较敏感，所以该算法对无噪或信噪比相当高的图像具有较好的图像分割效果。由此，我们提出一种改进的模糊C-均值算法(简称为MFCM)，即对每个样本的隶属度进行拉伸处理，增加边缘样本间的差异，以获得更准确的图像分割结果。MFCM算法的隶属度函数定义如下：

$y=\left\{\begin{array}{cc}0& x\&le;0.2\\ \frac{3x-1}{2}& 0.2<x<1\\ 1& x>1\end{array}\right.$

其中，x表示FCM的隶属度值μ^ik，y表示MFCM的隶属度函数μ′^ik。

根据MFCM算法的林区分类其结果如图5所示，该算法将林区同周围自然环境很好的区分开来。由于林区图像中的纹理较为复杂，其分形维数值较高，我们通过最大分形维数值确定图像中林区所在位置。

(3)虫害区判别提取

本发明在该步骤中采用基于混合模板的标记分水岭图像分割算法(简称WTM-M-Watershed)。WTM-M-Watershed算法主要思想为在标记分水岭算法的基础上，利用田字模板算子以及改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息。在降低算法复杂度的同时，增强像素的邻域信息，从而得到图像中多目标区域的边缘信息。

其中田字模板算子为：

$M_1=\left[\begin{array}{ccccc}\frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& -p& 8& -p& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{\text{2}}\end{array}\right]$

所述改进模板算子为：

$M_2=\left[\begin{array}{ccccc}-1& 0& -2& 0& 1\\ 0& -3& -4& 3& 0\\ -2& -4& 0& 4& 2\\ 0& -3& 4& 3& 0\\ -1& 0& 2& 0& 1\end{array}\right]$

计算像素点梯度值：

$G=\frac{1}{2}{M}_{1}A+\frac{1}{2}{M}_{2}A$

上式中p为微分阶数，其经验值通常取为0.2；A为原始图像的像素值矩阵。

基于混合模板的标记分水岭图像分割算法的整体流程图如图6所示，其主要步骤如下：

S1’：输入图像，记为I₀，复制图像得到I_c，灰度化得到灰度图像I_g；利用混合模板计算图像I_c中各个像素的梯度值，将梯度值相同的像素点划分为同类(共256类)，计算每一梯度值中像素数目，对其进行排序。并将所有像素点的标记值初始化为-1，形成了标记图像。

S2’：对图像进行泛滥过程，利用矩阵存取图像中所有像素的对应标记值，通过对比当前像素点与其四邻域像素点的标记值，确定像素点的标号信息，将标号相同的像素点归为同一类，并以此得到图像的初步分类信息。

S3’：为了将图像进一步分类，对图像进行颜色空间转换，首先将图像的颜色空间由RGB空间转为LUV空间，根据像素点的LUV颜色信息合并图像中部分细小区域以及相互间色度差异较小(小于0.2％)的区域，合并的像素点更新标号。随后根据更新后的像素点的标号信息进行扫描，得到更新后的图像分类信息。同时得出合并后的当前区域的最新颜色均值，最后将图像由LUV颜色空间再次转换为RGB颜色空间。

S4’：颜色扫描当前图像，找到未改动过标号信息(标号仍为-1)的像素点，将其用特定颜色标出，标记为分水岭，输出图像。

基于混合模板的标记分水岭图像分割算法对受灾沙棘林地图像的分割结果如图7所示，从图中可以看出，WTM-M-Watershed算法准确地提取出了受灾沙棘植株区域(高亮区域)。

(4)虫害区灾情分级

本发明在准确地提取受灾区域的基础上，进一步结合地面调查数据可对虫灾程度进行分级，如：虫情级数＜2为健康，2≤虫情级数＜4为轻度受灾，4≤虫情级数＜7为中度受灾，虫情级数≥7为重度受灾；如果虫灾程度超过阈值则发出告警信息进行报警，提醒工作人员及时进行现场处理。

除了上述森林病虫害监测预警方法之外，本发明还提出了一种基于无人机图像分析技术的森林病虫害监测预警***。其硬件组成示意图如图8所示。

设置在无人机上的GPS接收机及GPS记录仪定位当前图像拍摄的林区的地理位置信息，并通过无人机上搭载的摄像机拍摄林区图像，通过图像采集卡将图像数字化并传送至计算机；然后采用图像分析技术对所采集的图像进行林区提取和分析，判断林区图像中是否有病虫害区域，如果有则对其进行分级判断，并发送预警信息至电脑终端。

图9是本发明的森林病虫害监测预警***软件部分的模块结构图。如图9所示，该监测预警***包括：

图像采集单元，用于通过无人机上搭载的摄像机拍摄林区图像；

图像预处理单元，用于对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；

林区定位单元，通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；

虫灾定位单元，通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；

虫灾分级单元，在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。其中，所述虫灾分级单元还包括：虫灾等级数据库，记录通过人工调查方式得到的各个区域的虫灾等级数据；预警单元,用于当虫灾等级超过阈值时发出报警信息。

综上所述，本发明提出的基于无人机图像分析技术的森林病虫害监测预警方法及其***，可以通过无人机搭载摄像机、GPS记录仪等设备拍摄录制指定林区的航拍图片、影像等资料，将其传输至监测预警平台中，通过平台对所得到的图像进行图像处理，包括图像配准、拼接和增强等，提取图像特征，对图像进行分类，从而实现对林区病虫灾害区域的定位及病虫害分级和预警等功能，满足对林区病虫害情况及时、全面、高效的监测和预警的需求。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种基于无人机图像分析的森林病虫害监测预警方法，其特征在于，包括以下步骤：

S1：通过无人机上搭载的摄像机拍摄林区图像；

S2：对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；

S3：通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；

S4：通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；

S5：在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。

2.根据权利要求1所述的森林病虫害监测预警方法，其特征在于，步骤S1中通过无人机航线往返扫描的方式来拍摄图像，图像间的数据重叠度70％。

3.根据权利要求1所述的森林病虫害监测预警方法，其特征在于，步骤S3中所述改进的模糊C-均值算法包括以下步骤：

a1：聚类初始化

对于n个向量x_i组成的有限数据集合X＝{x₁,x₂,x₃…x_n}，其中n为自然数，给定初始聚类中心集合V＝{v₀,v₁…v_n-1}，初始迭代次数k＝0，聚类数目为c(1<c<n)，加权指数m(m>0)，最大迭代次数T，终止条件阈值ε；

a2：求取X的隶属函数矩阵U^(k)＝{u_ij ^(k)}，其中i，j为图像像素点的空间位置，u_ij为隶属度值；

对于任意的自然数i和r，当d_ir ^(k)＞0时，其中d_ir为欧式距离测度；

对隶属度值进行拉伸处理，得到拉伸的隶属度函数：

$y=\left\{\begin{array}{cc}0& x\&le;0.2\\ \frac{3x-1}{2}& 0.2<x<1\\ 1& x>1\end{array}\right.$

其中x为隶属度值u_ik；

a3：求取更新的聚类中心集合V^(k+1)

$\&ForAll;j,{v_j}^{(k+1)}=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m{x}_i/\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m$

a4：判断聚类结束条件，

如果||V^(k)-V^(k+1)||<ε或k>T,则停止，否则令k＝k+1，转向步骤a2。

4.根据权利要求1所述的森林病虫害监测预警方法，其特征在于，

所述基于混合模板的标记分水岭算法是在标记分水岭算法的基础上，利用田字模板算子和改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息；其中

所述田字模板算子为：

$M_1=\left[\begin{array}{ccccc}\frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& -p& 8& -p& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\end{array}\right]$

所述改进模板算子为：

$M_2=\left[\begin{array}{ccccc}-1& 0& -2& 0& 1\\ 0& -3& -4& 3& 0\\ -2& -4& 0& 4& 2\\ 0& -3& 4& 3& 0\\ -1& 0& 2& 0& 1\end{array}\right]$

计算像素点梯度值：

$G=\frac{1}{2}{M}_{1}A+\frac{1}{2}{M}_{2}A$

上式中p为微分阶数，A为原始图像的像素值矩阵。

5.根据权利要求4所述的森林病虫害监测预警方法，其特征在于，步骤S4包括：

基于混合模板计算各像素点的梯度值并排序；

进行图像泛滥，标记像素点，得到初始分类结果；

颜色空间转换至LUV，更新像素点标记，得到二次分类图像并合并区域颜色均值；

将标记信息不变的像素点标记为分水岭，作为图像分割边界。

6.一种基于无人机图像分析的森林病虫害监测预警***，其特征在于，包括：

图像采集单元，用于通过无人机上搭载的摄像机拍摄林区图像；

图像预处理单元，用于对所述图像采集单元采集到的图像进行前期预处理，以改善图像数据，增强图像特征；

林区定位单元，通过改进的模糊C-均值算法对林区图像进行图像分割，确定图像中林区的位置；

虫灾定位单元，通过基于混合模板的标记分水岭算法对林区图像进行分割，确定图像中虫灾区域的位置；

虫灾分级单元，在确定虫灾区域位置的基础上，结合地面调查数据对所述虫灾区域的虫灾程度进行分级。

7.根据权利要求6所述的森林病虫害监测预警***，其特征在于，所述改进的模糊C-均值算法包括以下步骤：

a1：聚类初始化

对于n个向量x_i组成的有限数据集合X＝{x₁,x₂,x₃…x_n}，其中n为自然数，给定初始聚类中心集合V＝{v₀,v₁…v_n-1}，初始迭代次数k＝0，聚类数目为c(1<c<n)，加权指数m(m>0)，最大迭代次数T，终止条件阈值ε；

a2：求取X的隶属度矩阵U^(K)＝{u_ij ^(K)}，其中i，j为自然数，u_ij为隶属度值；

对于任意的自然数i和r，当d_ir ^(k)＞0时，其中d_ir为欧式距离测度；

对隶属度值进行拉伸处理，得到拉伸的隶属度函数：

$y=\left\{\begin{array}{cc}0& x\&le;0.2\\ \frac{3x-1}{2}& 0.2<x<1\\ 1& x>1\end{array}\right.$

其中x为隶属度值u_ik；

a3：求取更新的聚类中心集合V^(k+1)

$\&ForAll;j,{v_j}^{(k+1)}=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m{x}_i/\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{\left(y^{\left(k\right)}\right)}^m$

a4：判断聚类结束条件

如果||V^(k)-V^(k+1)||<ε或k>T,则停止，否则令k＝k+1，转向步骤a2。

8.根据权利要求6所述的森林病虫害监测预警***，其特征在于，所述基于混合模板的标记分水岭算法是在标记分水岭算法的基础上，利用田字模板算子和改进模板算子组成混合模板，通过求解两者的均值来计算图像中像素点的梯度信息；其中

所述田字模板算子为：

$M_1=\left[\begin{array}{ccccc}\frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& -p& 8& -p& \frac{(p^2-p)}{2}\\ 0& -p& -p& -p& 0\\ \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}& 0& \frac{(p^2-p)}{2}\end{array}\right]$

所述改进模板算子为：

$M_2=\left[\begin{array}{ccccc}-1& 0& -2& 0& 1\\ 0& -3& -4& 3& 0\\ -2& -4& 0& 4& 2\\ 0& -3& 4& 3& 0\\ -1& 0& 2& 0& 1\end{array}\right]$

计算像素点梯度值：

$G=\frac{1}{2}{M}_{1}A+\frac{1}{2}{M}_{2}A$

上式中p为微分阶数，A为原始图像的像素值矩阵。

9.根据权利要求8所述的森林病虫害监测预警***，其特征在于，所述基于混合模板的标记分水岭算法包括如下步骤：

基于混合模板计算各像素点的梯度值并排序；

进行图像泛滥，标记像素点，得到初始分类结果；

颜色空间转换至LUV，更新像素点标记，得到二次分类图像并合并区域颜色均值；

将标记信息不变的像素点标记为分水岭，作为图像分割边界。

10.根据权利要求1所述的森林病虫害监测预警***，其特征在于，所述虫灾分级单元还包括：

虫灾等级数据库，记录通过人工调查方式得到的各个区域的虫灾等级数据；

预警单元,用于当虫灾等级超过阈值时发出报警信息。