CN107527326A - 一种基于高光谱成像的小麦赤霉病诊断方法 - Google Patents
一种基于高光谱成像的小麦赤霉病诊断方法 Download PDFInfo
- Publication number
- CN107527326A CN107527326A CN201710707181.5A CN201710707181A CN107527326A CN 107527326 A CN107527326 A CN 107527326A CN 201710707181 A CN201710707181 A CN 201710707181A CN 107527326 A CN107527326 A CN 107527326A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- wheat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 95
- 241000209140 Triticum Species 0.000 title claims abstract description 88
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 51
- 206010039509 Scab Diseases 0.000 title claims abstract description 30
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000000513 principal component analysis Methods 0.000 claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 33
- 201000010099 disease Diseases 0.000 claims abstract description 32
- 241000223218 Fusarium Species 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 123
- 230000011218 segmentation Effects 0.000 claims description 48
- 239000003550 marker Substances 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 208000021245 head disease Diseases 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 16
- 238000011160 research Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 241000495841 Oenanthe oenanthe Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009415 formwork Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000527 sonication Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 241000221696 Sclerotinia sclerotiorum Species 0.000 description 1
- 240000000851 Vaccinium corymbosum Species 0.000 description 1
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 1
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 1
- 208000020282 anthrax disease Diseases 0.000 description 1
- 235000021014 blueberries Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于高光谱成像的小麦赤霉病诊断方法,包括以下步骤:S1、采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;S2、对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;S3、基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;S4、基于第一分析结果和第二分析结果分析小麦赤霉病害等级。本发明主要解决了利用高光谱成像技术对小麦赤霉病进行检测的难题;本发明利用高光谱成像技术对小麦赤霉病进行检测,提高了对被测小麦区域检测结果的有效性和准确性。
Description
技术领域
本发明涉及高光谱成像分析技术领域,尤其涉及一种基于高光谱成像的小麦赤霉病诊断方法。
背景技术
小麦赤霉病是对小麦生产威胁最大的一种高发病,造成产量严重损失,致使出粉率降低,更为严重的是其病原菌产生的毒素还会危害人畜健康,引起食品安全问题。主要集中在我国长江中、下游地区和华南冬麦区以及东北春麦区。
高光谱成像技术是集光学、电子学、光电子学、计算机科学、信息处理等先进技术为一体的光学图像采集分析技术,可同时获取研究对象的图像信息和光谱信息。因为高光谱图像具有波段多、分辨率高、操作简单、对样品无损害、光谱范围窄、无污染、波段连续、数据量大、信息冗余量大,因而被人们广泛研究应用,尤其是应用于农业领域。陈纳等人利用高光谱成像技术对油菜菌核病进行快速诊断研究;张航利用高光谱成像技术对皮棉中的地膜进行识别方法的研究;张琳利用高光谱成像技术对病害的诊断方法进行研究;尹丽华利用高光谱成像技术对鲜枣进行分级研究;Yeh等人采用了不同的分析方法对草莓叶面炭疽病进行了高光谱诊断研究;Gabriel等通过研究蓝莓500~1000nm范围的高光谱数据与内部硬度、可溶性固形物含量的相关关系等。
现阶段国内外对于小麦赤霉病的诊断存在以下三方面问题:1.植保方面专家没有足够时间诊治农事活动中出现的所有问题;2.传统的农作物病害诊断方法存在一定的缺陷,普通农民工作者对病害专业知识的掌握较为欠缺;3.赤霉病的传统分级诊断方法主要依靠人工田间调查,不仅耗时耗力,而且时效性差、准确度受主观意识影响。因此,研究一种普适性好、准确度高和实用性强的小麦赤霉病病害分级诊断***对于精确防控和诊断病害具有重要意义。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于高光谱成像的小麦赤霉病诊断方法和***,普适性好、准确度高且实用性强。
本发明提出的种基于高光谱成像的小麦赤霉病诊断方法,包括以下步骤:
S1、采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
S2、对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
S3、基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
S4、基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
优选地,步骤S1具体包括:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
优选地,步骤S2具体包括:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
矩阵X的协方差矩阵定义为:
再利用PCA降维得到下述结果:
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
优选地,步骤S3具体包括:
利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
优选地,所述手动阈值分割法选定阈值为0.64;
优选地,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
优选地,步骤S4具体包括:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
本发明提出的基于高光谱成像的小麦赤霉病诊断***,包括:
噪声去除模块,用于采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
第一分析模块,用于对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
第二分析模块,用于基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
病害分析模块,用于基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
优选地,所述噪声去除模块具体用于:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
优选地,所述第一分析模块具体用于:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
矩阵X的协方差矩阵定义为:
再利用PCA降维得到下述结果:
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
优选地,所述第二分析模块具体用于:利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
优选地,所述手动阈值分割法选定阈值为0.64;
优选地,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
优选地,所述病害分析模块具体用于:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
本发明主要解决了利用高光谱成像技术对小麦赤霉病进行检测的难题;本发明利用高光谱成像技术对小麦赤霉病进行检测,提高了对被测小麦区域检测结果的有效性和准确性。本发明对高光谱相机采集的原始数据进行归一化以获得误差较小的数据,并将光谱图像转换为数字和图像进行存储,方便后续处理过程中在进行信息处理时根据光谱信息和图像信息的变化来进行处理。进一步地,本发明对原始光谱图像信息进行两次主成分分析,且将不同品种的小麦特征比较整合得出最终的特征值,使得其能够适用于所有样本的病害识别,不仅有利于提高本方法的适用性,而且能够有效地提高本方法的精确性。
附图说明
图1为一种基于高光谱成像的小麦赤霉病诊断方法的步骤示意图;
图2为一种基于高光谱成像的小麦赤霉病诊断***的结构示意图。
具体实施方式
如图1所示,图1为本发明提出的一种基于高光谱成像的小麦赤霉病诊断方法。
参照图1,本发明提出的一种基于高光谱成像的小麦赤霉病诊断方法,包括以下步骤:
S1、采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
步骤S1具体包括:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;以剔除无效样本,保证进行下一步操作的目标数据的可用性和有效性;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;K-means算法是最为经典的基于划分的聚类方法,是十大经典数据挖掘算法之一。K-means算法的基本思想是:以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。
区域连通是指在一幅二值图像中,任意一点加上其n个邻域点,按照从上到下、从左到右的顺序,以非0则为连通区域的规则且从1开始整数递增顺序标记各连通区域,在本项目中我们利用这一算法去除标签干扰,选用最大连通区域面积就是我们的目标面积。
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
均值滤波是一种典型的线性滤波算法,原理是基于领域平均法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的相邻靠近的像素点,然后求得的平均值作为该像素新图中的灰度值。再用模板中的全部像素的平均值来代替原来的像素值。它采用模板计算的思想,这种思想实现了一种领域的运算,即某个像素点的结果不仅与本身像素灰度有关,而且与其临近领域点的像素值也有关。领域平均法的数学公式表达为公式所示。
其中,(x,y)为当前待处理的像素点,g(x,y)为处理后图像在这个像素点上的灰度值,S为模板,M为该模板中包含当前像素在内的像素总个数。
最大类间方差法(Otsu)是阈值化分割常用的一种方法,表达式为所示,达到对背景有效分割的目的。
式中,图像有L个灰度级,阈值设为t,图像的总平均灰度为p。w0为前景点数占图像比例,p0为平均灰度;w1为背景点数占图像比例,p1为平均灰度。前景和背景图象的方差为g2。当方差g2最大时,此时前景和背景的灰度差别最大,此时的灰度t*即是最佳阈值。利用阈值分割图像得到的小麦病害图像,进行分级。
S2、对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
主成分分析(PCA,principal component analysis)是一种用来有效降维的算法,已经广泛应用于光谱分析领域。它通过将原始特征空间投影到一个新的低维特征空间来实现数据降维,变换后的新特征是原始特征的线性组合,而且新特征彼此互不相关,且前几个新特征包含了原始特征的大部分有用信息、能最大限度表征原始变量的数据结构特征。通常使用前几个彼此不相关的新特征代替原始特征,在保留尽量多的信息量情况下,消除原始数据中相互重叠和相关的部分信息,从而达到数据降维的目的。高光谱得到的图像信息量太大,给处理带来很大不便,提取主成分过后依然能解释原变量尽可能多的信息,大大的减小工作量、缩短工作时间。
步骤S2具体包括:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
矩阵X的协方差矩阵定义为:
原变量记为x1,x2...,xm,经PCA得到新变量PC1,PC2...,PCP(p≤m),则利用PCA降维得到下述结果:
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;ai的值越大,表明λi对主成分图像PCp的贡献率就越大。从对以上公式的分析可以看出,PCA分析不仅能够降低维数,同时也能够确保各主成分之间的相互独立,从而消除原始数据中的噪声。
采用全波段进行第一次主成分分析得到的图像,由于PC1基本上包含了原始数据最多的信息,而这些信息中绝大部分为正常小麦穗外部表面的信息,表现了小麦最清晰的轮廓。所以PC1图像最适合做感兴趣区域小麦轮廓的识别提取。再采用均值滤波法和选用求最大连通区域标记的方法对PC1图像处理,去除了背景和标签干扰,分割出小麦的全部轮廓。
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
S3、基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
步骤S3具体包括:
利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
最大类间方差法(otsu):原理是利用阈值将原图像分成前景,背景两个图象。当取最佳阈值时,背景应该与前景差别最大,关键在于如何选择衡量差别的标准,而在otsu算法中这个衡量差别的标准就是最大类间方差。类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。
优选地,手动阈值分割方法的阈值设定在一定范围内,在本项目中,经过多次的实验对比逐渐缩小设定的阈值间差,所述手动阈值分割法选定阈值为0.64;
优选地,局部阈值分割则是根据像素的临近领域的像素值分布来确定该像素位置上的二值化阈值。这种分割方法的好处在每个像素位置处的阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度比较高的图像区域的阈值通常会较高,而亮度相对比较低的图像区域的阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部阈值。本实施方式中,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;局部分割算法的效果受w、k值的影响,当w过大时,局部分割算法没有了局部的意义,而且影响算法的速度;当w过小时,算法则容易受到周边噪声的影响;k值也影响着算法的分割效果,当k值减小时,容易滤除细小的图像目标;当k值增大时,抗干扰能力则会下降,背景噪声也会逐渐显露出来,所以要根据图像的实际情况不断调整w、k值进行阈值分割。
迭代分割法是基于逼近思想的不断用变量旧的阈值递推出新的阈值的一种自适应阈值处理方法,受目标图像大小的影响,对图像前景与背景的分离效果好,在对小目标图像具有较好的分割效果。
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;阈值选择过大或过小,会导致迭代执行失败。研究表明选择预处理后光谱图像的平均灰度值作为初始阈值能获取较好的分割效果;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
S4、基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
步骤S4具体包括:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
参照图2,图2为本发明提出的一种基于高光谱成像的小麦赤霉病诊断***,包括:
噪声去除模块,用于采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
所述噪声去除模块具体用于:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;以剔除无效样本,保证进行下一步操作的目标数据的可用性和有效性;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;K-means算法是最为经典的基于划分的聚类方法,是十大经典数据挖掘算法之一。K-means算法的基本思想是:以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。
区域连通是指在一幅二值图像中,任意一点加上其n个邻域点,按照从上到下、从左到右的顺序,以非0则为连通区域的规则且从1开始整数递增顺序标记各连通区域,在本项目中我们利用这一算法去除标签干扰,选用最大连通区域面积就是我们的目标面积。
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
均值滤波是一种典型的线性滤波算法,原理是基于领域平均法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的相邻靠近的像素点,然后求得的平均值作为该像素新图中的灰度值。再用模板中的全部像素的平均值来代替原来的像素值。它采用模板计算的思想,这种思想实现了一种领域的运算,即某个像素点的结果不仅与本身像素灰度有关,而且与其临近领域点的像素值也有关。领域平均法的数学公式表达为公式所示。
其中,(x,y)为当前待处理的像素点,g(x,y)为处理后图像在这个像素点上的灰度值,S为模板,M为该模板中包含当前像素在内的像素总个数。
最大类间方差法(Otsu)是阈值化分割常用的一种方法,表达式为所示,达到对背景有效分割的目的。
式中,图像有L个灰度级,阈值设为t,图像的总平均灰度为p。w0为前景点数占图像比例,p0为平均灰度;w1为背景点数占图像比例,p1为平均灰度。前景和背景图象的方差为g2。当方差g2最大时,此时前景和背景的灰度差别最大,此时的灰度t*即是最佳阈值。利用阈值分割图像得到的小麦病害图像,进行分级。
第一分析模块,用于对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
主成分分析(PCA,principal component analysis)是一种用来有效降维的算法,已经广泛应用于光谱分析领域。它通过将原始特征空间投影到一个新的低维特征空间来实现数据降维,变换后的新特征是原始特征的线性组合,而且新特征彼此互不相关,且前几个新特征包含了原始特征的大部分有用信息、能最大限度表征原始变量的数据结构特征。通常使用前几个彼此不相关的新特征代替原始特征,在保留尽量多的信息量情况下,消除原始数据中相互重叠和相关的部分信息,从而达到数据降维的目的。高光谱得到的图像信息量太大,给处理带来很大不便,提取主成分过后依然能解释原变量尽可能多的信息,大大的减小工作量、缩短工作时间。
所述第一分析模块具体用于:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
矩阵X的协方差矩阵定义为:
原变量记为x1,x2...,xm,经PCA得到新变量PC1,PC2...,PCP(p≤m),则利用PCA降维得到下述结果:
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;
ai的值越大,表明λi对主成分图像PCp的贡献率就越大。从对以上公式的分析可以看出,PCA分析不仅能够降低维数,同时也能够确保各主成分之间的相互独立,从而消除原始数据中的噪声。
采用全波段进行第一次主成分分析得到的图像,由于PC1基本上包含了原始数据最多的信息,而这些信息中绝大部分为正常小麦穗外部表面的信息,表现了小麦最清晰的轮廓。所以PC1图像最适合做感兴趣区域小麦轮廓的识别提取。再采用均值滤波法和选用求最大连通区域标记的方法对PC1图像处理,去除了背景和标签干扰,分割出小麦的全部轮廓。
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
第二分析模块,用于基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
所述第二分析模块具体用于:利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
最大类间方差法(otsu):原理是利用阈值将原图像分成前景,背景两个图象。当取最佳阈值时,背景应该与前景差别最大,关键在于如何选择衡量差别的标准,而在otsu算法中这个衡量差别的标准就是最大类间方差。类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。
优选地,手动阈值分割方法的阈值设定在一定范围内,在本项目中,经过多次的实验对比逐渐缩小设定的阈值间差,所述手动阈值分割法选定阈值为0.64;
优选地,局部阈值分割则是根据像素的临近领域的像素值分布来确定该像素位置上的二值化阈值。这种分割方法的好处在每个像素位置处的阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度比较高的图像区域的阈值通常会较高,而亮度相对比较低的图像区域的阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部阈值。本实施方式中,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;局部分割算法的效果受w、k值的影响,当w过大时,局部分割算法没有了局部的意义,而且影响算法的速度;当w过小时,算法则容易受到周边噪声的影响;k值也影响着算法的分割效果,当k值减小时,容易滤除细小的图像目标;当k值增大时,抗干扰能力则会下降,背景噪声也会逐渐显露出来,所以要根据图像的实际情况不断调整w、k值进行阈值分割。
迭代分割法是基于逼近思想的不断用变量旧的阈值递推出新的阈值的一种自适应阈值处理方法,受目标图像大小的影响,对图像前景与背景的分离效果好,在对小目标图像具有较好的分割效果。
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;阈值选择过大或过小,会导致迭代执行失败。研究表明选择预处理后光谱图像的平均灰度值作为初始阈值能获取较好的分割效果;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
病害分析模块,用于基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
所述病害分析模块具体用于:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
本实施方式主要解决了利用高光谱成像技术对小麦赤霉病进行检测的难题;本实施方式利用高光谱成像技术对小麦赤霉病进行检测,提高了对被测小麦区域检测结果的有效性和准确性。本实施方式对高光谱相机采集的原始数据进行归一化以获得误差较小的数据,并将光谱图像转换为数字和图像进行存储,方便后续处理过程中在进行信息处理时根据光谱信息和图像信息的变化来进行处理。进一步地,本实施方式对原始光谱图像信息进行两次主成分分析,且将不同品种的小麦特征比较整合得出最终的特征值,使得其能够适用于所有样本的病害识别,不仅有利于提高本方法的适用性,而且能够有效地提高本方法的精确性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于高光谱成像的小麦赤霉病诊断方法,其特征在于,包括以下步骤:
S1、采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
S2、对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
S3、基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
S4、基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
2.根据权利要求1所述的基于高光谱成像的小麦赤霉病诊断方法,其特征在于,步骤S1具体包括:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
3.根据权利要求1所述的基于高光谱成像的小麦赤霉病诊断方法,其特征在于,步骤S2具体包括:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
矩阵X的协方差矩阵定义为:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
再利用PCA降维得到下述结果:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
4.根据权利要求3所述的基于高光谱成像的小麦赤霉病诊断方法,其特征在于,步骤S3具体包括:
利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
优选地,所述手动阈值分割法选定阈值为0.64;
优选地,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>N</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&epsiv;C</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>N</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&epsiv;C</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
5.根据权利要求4所述的基于高光谱成像的小麦赤霉病诊断方法,其特征在于,步骤S4具体包括:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
6.一种基于高光谱成像的小麦赤霉病诊断***,其特征在于,包括:
噪声去除模块,用于采集小麦麦穗高光谱图像,并对上述高光谱图像进行去除噪声处理得到目标数据;
第一分析模块,用于对目标数据进行第一次主成分分析得出第一分析结果,并基于第一分析结果提取出特征数据;
第二分析模块,用于基于特征数据对目标数据进行第二次主成分分析并得出第二分析结果;
病害分析模块,用于基于第一分析结果和第二分析结果分析小麦赤霉病害等级。
7.根据权利要求6所述的基于高光谱成像的小麦赤霉病诊断***,其特征在于,所述噪声去除模块具体用于:对小麦麦穗高光谱图像进行人工筛选、机器筛选以去除上述高光谱图像中的噪声得到目标数据;
优选地,所述人工筛选具体包括:
剔除小麦生长不良的样本以及高光谱cub错误文件;
优选地,所述机器筛选具体包括:
进行图像校正、平滑处理、最大连通区域标记法异常剔除操作;
优选地,所述图像校正具体包括:
利用K-means算法以及最大连通值法对小麦麦穗高光谱图像进行去除噪声处理;
优选地,所述最大连通区域标记法异常剔除具体包括:均值滤波以及最大类间方差法。
8.根据权利要求6所述的基于高光谱成像的小麦赤霉病诊断***,其特征在于,所述第一分析模块具体用于:
基于目标数据中的n个样本以及每个样本中包含的m个变量建立矩阵:
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
矩阵X的协方差矩阵定义为:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
再利用PCA降维得到下述结果:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>PC</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,PCp为第p个主成分图像,λi为第i个波段对应的图像,ai为该主成分在λi下的权重系数;
再基于贡献率分析法和权重分析法提取出特征数据,特征数据的波长包括548nm、633nm、683nm、735nm、754nm、791nm、852nm。
9.根据权利要求8所述的基于高光谱成像的小麦赤霉病诊断***,其特征在于,所述第一分析模块具体用于:利用最大类间方差法、手动阈值分割法、局部阈值分割法、迭代分割法对特征数据进行二次主成分分析并得出第二分析结果;
优选地,所述手动阈值分割法选定阈值为0.64;
优选地,所述局部阈值分割法中(x,y)在大小为w×w的图像中局部阈值T(x,y)由下述公式计算得出:
T(x,y)=m(x,y)+kδ(x,y);
其中,m(x,y)为像素临近领域的均值,δ(x,y)为像素临近领域的标准差,k为预设偏差量;
优选地,所述迭代分割法具体包括:
Sa、设定初始阈值T(j);其中,j为迭代次数;
Sb、基于T(j)将目标数据中的光谱图像分割为和两个区域,并计算出上述两个区域的灰度值和
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>N</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&epsiv;C</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>N</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&epsiv;C</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中,为第j次迭代时区域像素点的个数,为第j次迭代时区域像素点的个数,f(x,y)为光谱图像中(x,y)点的灰度值;
再基于灰度值和计算新的阈值T(j+1);
其中,
Sc、令j=j+1,重复步骤Sa和Sb,直至T(j+1)与T(j)的差值小于预设规定值或j达到预设迭代次数为止,此时结束循环并记录最后一次循环得到的新的阈值T(j+1)作为最佳阈值;
Sd、基于最佳阈值T(j+1)与目标数据中的光谱图像中各像素点的灰度值进行比较,将大于最佳阈值T(j+1)的像素点设为目标、小于最佳阈值T(j+1)的像素点设为背景,得出迭代后二值化的光谱图像,并将其作为第二分析结果。
10.根据权利要求9所述的基于高光谱成像的小麦赤霉病诊断***,其特征在于,所述第一分析模块具体用于:
基于第一次主成分分析得到的PC1图像采用均值滤波法对小麦麦穗轮廓部分进行感兴趣区域提取,再利用最大连通区域标记法计算出小麦麦穗轮廓区域像素点的面积S1;
基于第二次主成分分析得到的PC3图像采用局部阈值分割法对小麦麦穗病害部分进行感兴趣区域提取,再利用区域赋值法计算出病害区域像素点面积S2;
基于S2/S1分析小麦赤霉病害等级;
其中,X=S2,Y=S2/S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710707181.5A CN107527326A (zh) | 2017-08-17 | 2017-08-17 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710707181.5A CN107527326A (zh) | 2017-08-17 | 2017-08-17 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107527326A true CN107527326A (zh) | 2017-12-29 |
Family
ID=60681333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710707181.5A Pending CN107527326A (zh) | 2017-08-17 | 2017-08-17 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527326A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
CN108985237A (zh) * | 2018-07-20 | 2018-12-11 | 安徽农业大学 | 一种基于深度混合的小麦赤霉病的检测方法及其*** |
CN109035231A (zh) * | 2018-07-20 | 2018-12-18 | 安徽农业大学 | 一种基于深度循环的小麦赤霉病的检测方法及其*** |
CN109117743A (zh) * | 2018-07-20 | 2019-01-01 | 安徽农业大学 | 一种基于深度卷积的小麦赤霉病的检测方法及其*** |
CN109164014A (zh) * | 2018-06-28 | 2019-01-08 | 浙江理工大学 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测***及方法 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110120030A (zh) * | 2019-03-28 | 2019-08-13 | 河南农业大学 | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110702680A (zh) * | 2019-09-29 | 2020-01-17 | 农业农村部南京农业机械化研究所 | 一种检测小麦赤霉病病情指数的装置与方法 |
CN110781974A (zh) * | 2019-10-31 | 2020-02-11 | 上海融军科技有限公司 | 一种高光谱图像的降维方法及*** |
CN111344103A (zh) * | 2018-10-24 | 2020-06-26 | 合刃科技(深圳)有限公司 | 基于高光谱光学传感器的涂层区域定位方法和装置、及除胶*** |
CN111832574A (zh) * | 2020-07-13 | 2020-10-27 | 福建省妇幼保健院 | 用于检测人***瘤状病毒感染性病变的图像识别方法 |
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
CN116883674A (zh) * | 2023-09-08 | 2023-10-13 | 张家港福吉佳食品股份有限公司 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
WO2016132115A1 (en) * | 2015-02-16 | 2016-08-25 | University Of Surrey | Detection of microaneurysms |
-
2017
- 2017-08-17 CN CN201710707181.5A patent/CN107527326A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
WO2016132115A1 (en) * | 2015-02-16 | 2016-08-25 | University Of Surrey | Detection of microaneurysms |
Non-Patent Citations (9)
Title |
---|
何明利等: "《军用无线传感器网络设计》", 30 April 2015, 国防工业出版社 * |
卓金武等: "《MATLAB在数学建模中的应用》", 30 September 2014, 北京航空航天大学出版社 * |
周竹等: "基于高光谱成像技术的马铃薯外部缺陷检测", 《农业工程学报》 * |
孙俊: "《光谱技术在农作物/农产品信息无损检测中的应用》", 30 June 2017, 东南大学出版社 * |
张广渊等: "《数字图像处理基础及OpenCV实现》", 31 December 2014, 知识产权出版社 * |
朱秀昌等: "《数字图像处理与图像通信》", 30 June 2014, 北京邮电大学出版社 * |
梁琨等: "基于高光谱成像技术的小麦籽粒赤霉病识别", 《农业机械学报》 * |
王延江等: "《数字图像处理》", 30 November 2016, 中国石油大学出版社 * |
薛毅等: "《实用数据分析与MATLAB软件》", 31 August 2015, 北京工业大学出版社 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
CN109164014A (zh) * | 2018-06-28 | 2019-01-08 | 浙江理工大学 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
CN109164014B (zh) * | 2018-06-28 | 2020-11-06 | 浙江理工大学 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
CN108985237A (zh) * | 2018-07-20 | 2018-12-11 | 安徽农业大学 | 一种基于深度混合的小麦赤霉病的检测方法及其*** |
CN109035231A (zh) * | 2018-07-20 | 2018-12-18 | 安徽农业大学 | 一种基于深度循环的小麦赤霉病的检测方法及其*** |
CN109117743A (zh) * | 2018-07-20 | 2019-01-01 | 安徽农业大学 | 一种基于深度卷积的小麦赤霉病的检测方法及其*** |
CN111344103B (zh) * | 2018-10-24 | 2022-03-25 | 合刃科技(深圳)有限公司 | 基于高光谱光学传感器的涂层区域定位方法和装置、及除胶*** |
CN111344103A (zh) * | 2018-10-24 | 2020-06-26 | 合刃科技(深圳)有限公司 | 基于高光谱光学传感器的涂层区域定位方法和装置、及除胶*** |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测***及方法 |
CN110120030A (zh) * | 2019-03-28 | 2019-08-13 | 河南农业大学 | 小麦病害发生图像的处理方法、应用、计算机可读介质及病害发生面积测算方法 |
CN110082298B (zh) * | 2019-05-15 | 2020-05-19 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110082298A (zh) * | 2019-05-15 | 2019-08-02 | 南京农业大学 | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110089297B (zh) * | 2019-05-18 | 2021-11-26 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110132860B (zh) * | 2019-05-29 | 2021-09-14 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110346312B (zh) * | 2019-07-19 | 2021-08-10 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110346312A (zh) * | 2019-07-19 | 2019-10-18 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
CN110702680B (zh) * | 2019-09-29 | 2020-09-29 | 农业农村部南京农业机械化研究所 | 一种检测小麦赤霉病病情指数的装置与方法 |
CN110702680A (zh) * | 2019-09-29 | 2020-01-17 | 农业农村部南京农业机械化研究所 | 一种检测小麦赤霉病病情指数的装置与方法 |
CN110781974A (zh) * | 2019-10-31 | 2020-02-11 | 上海融军科技有限公司 | 一种高光谱图像的降维方法及*** |
CN111832574A (zh) * | 2020-07-13 | 2020-10-27 | 福建省妇幼保健院 | 用于检测人***瘤状病毒感染性病变的图像识别方法 |
CN111832574B (zh) * | 2020-07-13 | 2023-06-30 | 福建省妇幼保健院 | 用于检测人***瘤状病毒感染性病变的图像识别方法 |
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
CN116523866B (zh) * | 2023-04-26 | 2023-12-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
CN116883674A (zh) * | 2023-09-08 | 2023-10-13 | 张家港福吉佳食品股份有限公司 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
CN116883674B (zh) * | 2023-09-08 | 2023-11-24 | 张家港福吉佳食品股份有限公司 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及*** | |
CN111832507B (zh) | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 | |
CN103400146B (zh) | 基于颜色建模的中医面色识别方法 | |
CN110346312B (zh) | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
Mengistu et al. | An automatic coffee plant diseases identification using hybrid approaches of image processing and decision tree | |
CN114093501B (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
CN111797674B (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN113112498B (zh) | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 | |
Singh et al. | A review on artificial intelligence techniques for disease recognition in plants | |
Kurale et al. | Classification of leaf disease using texture feature and neural network classifier | |
Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
CN115861817A (zh) | 一种基于主成分分析的高光谱小麦条锈病分类识别方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及*** | |
Ihsanuddin et al. | Identification of Bacterial Leaf Blight and Brown Spot Disease In Rice Plants With Image Processing Approach | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及*** | |
Das et al. | Detection of diseases on visible part of plant—A review | |
Zagrouba et al. | An accelerated system for melanoma diagnosis based on subset feature selection | |
Pushpa et al. | Deep learning model for plant species classification using leaf vein features | |
Nasir et al. | Automatic identification of Ficus deltoidea Jack (Moraceae) varieties based on leaf |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |
|
RJ01 | Rejection of invention patent application after publication |