基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究

《基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

分类号：单位代码：密级：学号：博士学位论文中文论文题目：基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究英文论文题目：申请人姓名：指导教师：何勇教授合作导师：专业名称：农业电气化与自动化‘研宄方向：数字农业信息获取感知技术所在学院：生物系统工程与食品科学学院论文提交日期年月 基于高光谱和图像处理技术的油菓病虫害早期监测方法和机理研究论文作者签名指导教师签名：论文评阅人评阅人评阅人评阅人评阅人评阅人答辩委员会主席：周伟军教授浙江大学农业与生物技术学院委员李革教授浙江理工大学委员舒伟军研究员浙江省农机局委员盛奎川教授浙江大学生工食品学院委员何勇教授浙江大学生工食品学院委员裘正军教授浙江大学生工食品学院答辩日期：年月日 EarlymonitoringofdiseaseandinsectpestofBrassicanapusbasedonhyperspectralandimageprocessingtechnologyAv/zkdouthor'ssignature:l^n：Supervisor'signature：：：：：： 浙江大学研究生学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研宄成果,也不包含为获得浙江大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示谢意。学位论文作者签名：“签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解浙江大学有权保留并向国家有关部门或机构送交本论文的复印件和磁盘,允许论文被查阅和借阅。本人授权浙江大学可以将学位论文的全部或部分内容编入有关数据库进行检索和传播,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。保密的学位论文在解密后适用本授权书)学位论文作者签名：导师签名： 浙工大宇博竽包论文本论文受以下项目资助国家课题(农业生命信息感知技术与装备浙江省重大科技专项重点农业项目(植物病害信息早期快速检测关键技术研究与仪器开发浙江省科技计划项目(高光谱图像信息在果树病害早期检测诊断中的关键技术研究浙江省自然科学基金项目(面向绿色制造的动静脉相结合制造系统及其自组织设计 浙江大学博士学位论文致谢致谢三年半的浙大博士生活即将结束,新的工作生活在迎接着我。在攻读博士期间收获良多,教会了我从全身心投入中寻找快乐、教会了我从坦然面对成败得失中寻找自我价值、教会了我从诚实守信中寻找真理。在即将展开新的旅程时,我要衷心感谢我的导师何勇教授,以及攻博期间所有帮助过我的师长同学、亲朋好友给予我的支持和鼓励。在论文完成之际,衷心的感谢我的导师何勇教授,他渊博的学识、严谨求是的科学态度、深厚的学术涵养、耐心的教导与引领,对我的学术生涯、生活态度和为人处世的胸襟都有着重大的影响。我将继续秉承何勇教授及其团队团结互助、共同进步、努力拼搏、求是奋进的精神和文化价值观,勇往直前！感谢几年来关心和帮助我的老师们,特别是鲍一丹老师、裘正军老师、冯雷老师、方慧老师、陶雪梅老师、沈明卫老师、郑文钟老师、冯水娟老师、叶旭君老师、黄凌霞老师、杨海清老师、陆江锋老师、韩安太老师、徐宁老师、朱哲燕老师等,给予我的诸多帮助和关心。感谢学院应义斌老师、朱松明老师、陈素珊老师、叶兴乾老师、王剑平老师、王俊老师、盛奎川老师、杨祥龙老师、应铁进老师、郭亚芳老师、张良老师、岑益郎老师、对我学习上的指导与关心。特别感谢浙江大学农业与生物技术学院楼兵干老师对实验过程的指导,以及试验农场的师傅们对试验的大力支持和帮助。实验室团队大家庭对我的学习、科研给予了极大的帮助,你们将是我这生累积的重要财富。在此,特别感谢邵咏妮、李晓丽、聂鹏程、林萍、陈永明、刘飞、吴迪、周康韵、邹伟、何任涛、虞佳佳、马天云、袁石林、张伟、杨燕、宋韬、杨凯盛、段敏、张筱蕾、曹芳、朱逢乐、魏萱、陈双双、赵向东、孔汶汶、吴魏、韩瑞珍、张建锋、龚爱平、邹强、谢传奇、石慧、王南飞、洪小龙、刘小龙、洪忠亮、胡令潮、姚璐、张初、章海亮、张艳超、余克强、张德荣、吴翔、张卫正、余俊霖、高俊峰、丁希斌、赵艳茹、吴武豪、宋星霖、荆晓冉、陈纳、高吉兴、骆一凡、杜朋朋、张畅、李金梦、王巧男、罗榴彬等。特别感谢浙江大学农业与生物技术学院高明清、吴金丹、陈佑源等对试验的帮助和指导。特别感谢我的爸爸、妈妈在我最需要的时候给予无私的帮助,任何时候都全力支持我,是我学习、工作、生活的坚实后盾。感谢我的先生徐兴对我生活、工作等各方面的照顾,我们共同进步,携手走过的每一天都充实而有意义。感谢我未出世的孩子,你是上天赐给我的礼物,你的到来给予我更大的前进动力。感谢我的外婆、叔叔、阿姨、弟弟妹妹们及 浙江大学博士学位论文致谢其他亲人,你们在精神上的鼓励与支持都是我的宝贵财富！衷心祝福所有提及和未提及的给予我关心、帮助和支持的老师、汞人和朋友们！谢谢你们！谨以此文献给我的爸爸、妈妈,祝他们生活幸福美满！赵芸年月于浙大紫金港 浙江大学博士学位论文摘要摘要数字化农业和精准化作业是现代农业发展的方向和要求。在作物病情虫情分析方面,数字农业要求快速、准确地获取植物受病虫害侵染的信息,从而指导植物生长过程中的精细化管理。数字农业病虫害精细化管理要求实现精确剂量的农药喷洒,而通过智能化的植物病虫害实时监测方法明确定位植物健康部位和受害部位以及受害程度是实现精确剂量农药喷洒的前提,也是数字农业精细化管理实施的关键。油菜是我国种植量第一的油料作物,菌核病和菜青虫是油菜的主要病虫害,研究油菜受此病虫害危害后的关键信息获取技术是实时准确掌握油菜受害情况的关键。本论文以受菌核病和菓青虫危害后的油菜作为主要研究对象,分别针对光谱维数据和空间维数据,通过光谱数据采集、高光谱成像、数据建模和智能计算、数字图像处理等技术,建立了一套油菜病虫害关键信息的识别获取方法,包括对油菜按感染菌核病时间的快速分类模型,油菜叶片菜青虫孔自动识别和重构模型,以及优化的轻度虫害油菜叶片的叶脉识别算法,实现了油菓受病虫害危害的实时监测。主要研究内容和创新性成果如下：提出了一种基于类间不稳定指数和平均影响值变量筛选的高光谱波段优选算法建立了油菓菌核病按感染时间的快速分类模型,实现了感染时间的快速鉴别。算法的核心思想是利用最能体现各类样本间差异的波段来对数类样本进行判别。将感染菌核病的油菜高光谱数据按感染时间的不同分为类,对高光谱图像中的光谱维数据,采用基于类间不稳定指数的高光谱波段优选算法,得到个有效波段,建模预测的相关系数为均方根误差为。进一步采用平均影响值变量筛选,得到个有效波段,对这些波段建模能得到有效的预测结果。构建按时间梯度的神经网络分类模型,分别利用蚁群和粒子群智能算法优化神经网络的拓扑结构、权值和阈值。优化后的神经网络模型对感染菌核病小时、小时、小时、小时、小时和小时的叶片像素进行染病时间的预测,预测结果的相关系数分别为和均方根误差分别为和。提出了一种油菜叶片菜青虫孔自动识别和重构的完整算法,实现了叶片边缘虫孔的自动复原,使通过计算边缘受损叶片的受损叶面积获得虫害程度信息成为可能。以高光谱图像中的空间维数据为对象,通过高光谱数据降维和图像分割,获得受害油菜叶片的精确轮廓。将菜青虫危害导致的虫孔分为闭合虫孔和不闭合虫孔两类。针对闭合虫孔,采用孔洞填充函数；针对 浙江大学博士学位论文摘要不闭合虫孔,提出一种新的处理方法,包括虫孔定位和重抅两个步骤。建立一种基于边缘曲线参数方程的反函数的一阶导数的定位因子和测试函数,根据脉冲大小识别虫孔位置。提出一种遗传小波神经网络重构算法(,用于重构被咬噬叶片边缘,建模引入小波变换和遗传算法。建模过程中,训练数据集的输入向量包括未咬噬边缘离散点的极角和极径,预测数据集的输入向量包括咬噬边缘离散点的极角和极径；输出向量为离散点的约束值,叶片边缘像素的约束值为边缘以外的像素约束值大于边缘以内的像素约束值小于。与传统的神经网络、小波神经网络、遗传神经网络相比,预测模型的性能最佳,对训练集及预测集样本预测的相关系数分别为和,均方根误差分别为和。实验结果表明,该方法能够有效识别和重构油菜叶片上的菜青虫孔。提出一种优化的轻度虫害油菜叶片的叶脉识别算法。受菓青虫轻度危害的叶片除了叶肉和叶脉像素有色差外,受害的部位因为养分水分的流失,会与健康像素间产生色差,边缘提取时会与叶脉边缘一起被误识别出来,虫孔的边缘也会被误识别。这些非叶脉边缘都属于噪音,给叶脉识别带来很大干扰。本文分别采用主成分分析和导数光谱法结合数字图像处理方法提取受菜青虫危害的油菜叶片的叶脉。对高光谱图像中的光谱维数据进行降维,再对空间维数据进行处理,采用导数光谱法和主成分分析法,结合空间滤波和图像形态学等数字图像处理技术,构建一种识别受菜青虫轻度危害的叶片叶脉的方法。实验结果表明,基于主成分分析的叶脉识别算法效果优于基于导数光谱法的叶脉识别算法,前种方法可以识别出完整的主脉和侧脉,可以满足通用的叶脉分析要求。上述研究成果实现了油菓受菌核病和菜青虫危害时的关键信息快速获取,为进一步的防治和管理提供基础,这在科学上和实践中都是很有意义的。关键词：高光谱成像技术；神经网络；群体智能；小波变换；遗传算法；数字图像处理；边缘重构；数字农业；油菜；叶脉识别 浙江大学博士学位论文,： 浙正大学博士学位论文,, 浙江大学博士学位论文,； 浙江大学博士学位论文目录目录—目录表录職课题研究的背景和意义研究现状及存在的问题植物病害信息快速检测技术研究现状及存在的问题植物虫害信息快速检测技术研究现状及存在的问题信息技术在油菜种植中的应用信息技术在油菜病虫害监测领域存在的问题论文研究的主要内容本章小结第二章材料与方法实验设备高光谱成像系统硬件平台光源分光模俎面阵探测器高光谱成像系统硬件平台配套设备高光谱成像系统软件平台数据处理软件 浙江大学博士学位论文目录实验对象制备油菜植株准备油菜菌核病病原菌油菜菜青虫危害本章小结第三章高光谱图像数据分析的基础方法研究弓光谱维处理技术光谱数据降维方法特征向量提取方法特征波长提取方法数学建模方法神经网络图像处理技术图像增强算法灰度变换直方图法图像平滑图像边缘提取算法边缘算子法小波变换多尺度分析法小波包分解法(数学形态学方法分形理论法神经网络法本章小结第四章基于高光谱波段优选算法的油菜菌核病识别研究 浙江大学博士学位论文目录实验仪器和样本实验步骤与方法光谱维平滑高光谱数据降维主成分分析基于类间不稳定指数的高光谱波段优选算法研究变量筛选智能计算模型研究输入变量归一化处理群体智能优化神经网络蚁群神经网络粒子群神经网络模型性能检测指标实验结果与分析高光谱数据降维基于群体智能优化神经网络的油菜菌核病鉴别本章小结第五章油菜叶片菜青虫孔自动识别和重构方法研究引百实验仪器和样本预处理实验步骤与方法虫孔类型及边缘类型定义不闭合虫孔定位算法不闭合虫孔重构算法建模与预测数据集遗传小波神经网络重构算法(实验结果与分析 浙江大学博士学位论文目录闭合虫孔填充边缘提取不闭合虫孔处理咬噬边缘定位咬噬边缘重构重构算法性能分析结果分析与讨论本章小结第六章受菓青虫轻度危害的油菓叶片叶脉识别算法研究弓实验仪器和样本实验步骤与方法背景分离光谱维平滑滤波光谱曲线分析基于导数光谱法的轻度虫害油菜叶片的叶脉识别算法一阶导数光谱边缘检测算子线性空间滤波数学形态学处理基于色调信息的叶脉提取基于导数光谱法的轻度虫害油菜叶片的叶脉识别算法流程基于主成分分析的轻度虫害油菜叶片的叶脉识别算法高光谱图像的主成分分析彩色边缘检测图像连通分量基于主成分分析的轻度虫害油菜叶片的叶脉识别算法流程实验结果与分析 浙工大学博士学位论文目录基于导数光谱法的轻度虫害油菜叶片的叶脉识别基于主成分分析的轻度虫害油菜叶片的叶脉识别算法结果分析与讨论本章小结第七章总结与展望主要研究结论主要创新点进一步研究展望■录 浙江大学博士学位论文图目录图目录图高光谱成像仪结构图高光谱仪横向扫描示意图图高光谱仪纵向扫描示意图图齒素灯光源图光源输出光谱图可见近红外分光光谱仪图近红外分光光谱仪图配套面阵探测器图配套面阵探测器图高光谱成像系统的硬件平台图高光谱图像采集软件界面图高光谱图像采集预览界面图高光谱图像数据获取和处理的一般流程图软件主要功能界面图软件版本主界面图神经网络训练界面与训练过程图主界面图感染菌核病的油菜叶片,核盘菌图菜粉蝶幼虫及成虫图按照学习方式分类神经网络图遗传算法优化神经网络流程图交叉操作图变异操作图区域的灰度级图像邻域及算子模板图神经网络拓扑结构图蚁群算法示意图图蚁群算法优化神经网络流程 浙江大学博士学位论文图目录图粒子群算法优化神经网络流程图同一片油菜叶片接种菌核病后不同时间采集的图像图阈值对应的精度图阈值对应的优选波段数量图基于类间不稳定指数的高光谱波段优选算法优选波段的结果图个优选波段建立的最小二乘支持向量机模型训练过程图基于平均影响值方法的优选波段结果图个优选波段数据训练最小二乘支持向量机模型的过程图叶片真彩色图像图叶片反射光谱曲线图波段差分运算及背景分离图算法流程框图图闭合虫孔填充结果图投影到极坐标系上的叶片边缘图叶片边缘曲线拟合图叶片边缘的测试曲线图咬噬边缘重构结果图波段差分运算结果和图像降噪图图像掩模图光谱维平滑滤波图叶脉像素和叶肉像素光谱曲线对比图叶脉像素对数变换及导数变换图叶肉像素对数变换及导数变换图叶脉像素和叶肉像素一阶导数变换图基于导数光谱法的轻度虫害油菜叶片叶脉识别算法流程图基于主成分分析的轻度虫害油菜叶片的叶脉识别算法流程图用边缘检测算子识别叶片边缘 浙江大学博士学位论文表目录表目录表高光谱与传统光谱比较表分光光谱仪主要性能指标表训练集样本和测试集样本合并做主成分分析的主成分贡献率表训练集样本单独做主成分分析的主成分贡献率表油菜受菌核病侵害像素点预测模型结果表叶片破损边缘曲线的拟合参数方程的系数表模型的优化参数表不同预测模型的性能对比附表蚁群优化神经网络的输入层至隐含层的连接权值矩阵附表蚁群优化神经网络的隐含层至输出层连接权值附表粒子群优化神经网络的输入层至隐含层的连接权值矩阵附表粒子群优化的神经网络的隐含层至输出层连接权值 浙江大学博士学位论文缩略词表缩略词表缩略词英文名称中文名称电荷耦合元件特征波长主成分分析独立成分分析最小二乘法支持向量机平均影响值偏最小二乘法相关系数回归系数均方根误差可见近红外小波变换蚁群算法粒子群优化小波包分解法平滑滤波类间不稳定指数遗传算法神经网络遗传小波神经网络重构算法中值滤波边缘算子法自组织映射神经网络 浙汪大学博二学包论文缩略词表续表)缩略词英文名称中文名称植被指数马钤薯葡萄糖琼脂培养基小波神经网络反向传播神经网络遗传神经网络 浙江大学博士学位论文第一章绪论第一章绪论【提要】本章主要介绍了论文的研究背景和意义,阐明了相关研究现状及存在的问题,介绍了油菜病情虫情快速采集包含的主要内容及实现的关键技术,介绍了先进信息技术在数字农业领域的应用现状,并简述了本论文的主要研究内容。课题研究的背景和意义本论文主要研究油菜生长过程中病虫害胁迫信息的快速获取和识别关键技术。主要针对受菌核病和菜青虫害胁迫的油菜植株,研究快速准确地提取与受害程度有关的关键信息的技术,以便及时采取防治措施,防止病虫害的快速扩散。本研究基于高光谱成像技术和计算机视觉技术研究实时监测油菜病情虫情的方法及相关机理。油菜菌核病是油菜生产过程中危害性最大的一种真菌病害,我国所有油菜产区均有发生,其中以长江流域最为严重,发病率为产量损失可达：徐满龙王现芝。菌核病在不同感染阶段会呈现不同的病斑形态,最初感染的小时内肉眼一般无法识别；感染后小时后,会呈现不大明显的水渍状病斑,此时的病斑极易被忽视,且仍需具有专业知识的人才能准确判断；之后病斑会渐渐变黄变干、面积慢慢扩大。对油菜菌核病的早期无损预测诊断是控制病害、提高产量的有效途径。若要在病斑尚未清晰显现时对油菜感染病害情况进行诊断,一般需采用破坏性的实验室方法,这类方法对植物组织生长是破坏性的,并且需要经过较长的检验周期,不能保证检验结果与植物的实时病情一致。现代农业希望在病斑尚未显现或病斑还不清晰、易被忽视时有一种较简便的方法帮助识别染病情况,同时,染病时间也是判断病害严重程度的一个指标,如果能将病斑感染的时间准确判断出来,则能指导农户准确按病情严重程度施用一定量的农药,提高效率并且最大限度的减少对环境的影响,保障油菜的安全生产。高光谱技术和计算机视觉技术结合可以将感染菌核病的叶肉快速无损的鉴别出来,并且判断叶片感染的时间。菜青虫是油菜生长过程中经常遇到的典型害虫。受菓青虫咬嗟的油菜植株不仅生长受到影响甚至死亡,而且较健康植株更易感染其它的病害。菜青虫危害油菜叶片,造成缺损和空洞,严重时吃光全外,仅剩吁脉。在受害初期及时了解虫害程度,采取措施,能够控制虫情,保护植株。通常虫害程度可以通过油菜叶片受侵烛面积来判定。基于高光谱技术和计算机视觉技术的油菜叶片受虫害程度快速无损测定方法可以有效指导农户施用适量 浙江大学博士学位论文第一章绪论的杀虫剂控制虫情,同时对环境的影响程度减到最低。植物叶片的脉络是输送水和养料的主要通道,叶脉形态是研究植物生理信息的重要依据,也是准确计算汁面积和分析叶片各种养分含量的前提。提取受菜青虫害的油菜叶片的叶脉有利于更全面的收集受害叶片的信息。已有不少学者做了叶豚提取方面的研究,但是这些研究都是针对没有受到病虫害危害的健康叶片,除了什脉和叶肉像素间的色差外,不存在其他多余的纹理线条,识别的效果相对比较好。对于受过菓青虫危害的叶片,部分区域由于养分水分的流失而变黄变暗,同时还有虫孔虫斑,这些区域的色差会导致多余的边缘,在叶豚边缘识别的过程中很难避开。基于高光谱技术和计算机视觉技术的叶脉识别方法可以有效识别受菜青虫危害的油菜口十片的叶脉。研究现状及存在的问题数字农业技术作为当今世界农业发展中不可或缺的技术,是现代信息技术和人工智能技术与农业的融合。在作物病情虫情分析方面,数字农业要求实时、准确地获取植物受病虫害侵染的信息,从而指导植物生长过程中的精细化管理。数字农业病虫害精细化管理要求实现精确别量的农药喷洒,而通过智能化的植物病虫害实时监测方法明确定位植物健康部位和受害部位以及受害程度是实现精确剂量农药喷洒的前提,也是数字农业精细化管理实施的关键。传统的病虫害监测方法就是目测手查法,该方法要求具有相当专业知识或经验较丰富的检测人员,而且过程需要较繁琐的人工计数和统计运算,难以满足病虫害监测及采取相应措施的实时性要求。特别是有些病害的早期症状非常相似,很难用目测区别。高科技与现代农业的有机结合为农业发展带来了新的动力,使得作物病虫害监测的实时性和准确性得到极大提升。计算机视觉技术在农林领域的应用主要包括：通过提取图像的颜色特征来分析作物的生长情况和监测作物养分等,,以及根据提取对象的形态特征来识别农田中的作物及非作物对象,如杂草、土壤、害虫等等等,等。计算机视觉技术在作物病虫害监测方面的研究主要是基于数字图像处理技术提取受病虫害侵害的植物组织的边缘或提取害虫虫体或植物病斑的边缘,然后根据受害面积、受害区域数量或害虫数量计算受害程度及采取相应的防治措施。计算机视觉技术主要关注对象的形态特征,采集的图像数据信息通常是基于肉 浙江大学博士学位论文第一章绪论眼能够感知的波段,因此搜集到的数据量相对较少。光谱技术能够采集肉眼不能感知的波段,使得利用该技术采集的样本信息量大大增加。仪器能够感知的波段范围包括紫外波段(、可见光波段、红外波段、热红外波段和徵波波段中的一个或多个。人类对光谱的研究至今已持续了一百多年。年,牛顿用玻璃棱镜把太阳光分解成了从红光到紫光的各种颜色的光谱,他发现白光是由各种颜色的光组成的。这是人类最早对光谱的研究。实用光谱学是由基尔霍夫与本生在世纪年代发展起来的,他们证明光谱学可以用作定性化学分析,并利用这种方法发现了几种新元素。现代光谱分析方法是利用每种原子独特的特征谱线来鉴别物质及其化学组成的。植物光谱特性的研究也成为光谱信息研究的重要组成部分。已有许多学者将光谱分析技术应用于农作物生理指标的监测严衍禄陆婉珍；。也有许多学者利用光谱反射指数研究植株的生长状况,如对植被指数、归一化植被指数以及各种改进处理后的植被指数的研究,叶绿素色素含量指标的研究红边指数的研究以及通过水指数分析植株含水量信息等用近红外光谱技术和化学计量学方法建立快速测定受除草剖胁迫的油菜叶片总氨基酸含量的测量模型；等用近红外光谱技术建立自动的油菜种子优选模型,将能够培育出产生高油酸低亚麻酸含量的菜籽油的油菜植株的种子优选出来。这些研究都能够达到一定的预测精度要求,但是仅用光谱信息分析不能对植株叶片或客种上的单位点逐个分析光谱特性。无论对单独的油菜植株或是大田油菜冠层,受病虫害侵扰后的病斑或虫斑通常不会均勻分布在所有的单位点上,因此仅用光谱技术分析油菜病情虫情是远远不够的。光谱技术与图像技术结合是数字农业领域发展的一个新的热点。光谱分辨率小于的光谱成像技术称为高光谱成像技术。高光谱成像设备在广泛的电磁波谱范围内以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得样本图像信息的同时,也获得其光谱信息,真正做到了光谱与图像的结合。高光谱图像不 浙江大学博士学位论文第一章绪论仅在信息丰富程度方面有了极大的提高,而且能够对光谱数据进行更为合理、有效的分析处理。因而高光谱图像技术引起了数字农业领域的高度关注。高光谱成像技术同时反映被测物的光谱特征和图像特征信息,与以往的宽波段成像技术,如多光谱成像相比,在电磁波谱波长范围内,利用高光谱成像技术获取的数据具有更高的光谱分辨率。该数据集内收集了上百个非常窄的光谱波段的连续影像数据信息,并将这一系列影像数据信息按波长的顺序排列组成精度达的图像立方体(块),它对物质的内在特征的细徵变化更加敏感,能够反映物质在宽波段影像数据集中无法显示的变化。利用图像处理技术能精确分析这组影像数据中感兴趣区域的颜色、形状特征信息。同时,该数据集也包含了图像立方体中每一个像素的光谱信息,通过分析大量的光谱信息能准确获得被测物细至每一个像素的成分特征信息。高光谱技术与传统光谱技术的区别如表所示。目前国内外在基于高光谱成像技术的农作物监测方面已进行了一些研究,如利用高光谱成像技术对油菜植株养分或生长状况跟踪监测等。等利用高光谱图像技术跟踪油菜植株转基因逃逸情况；等通过分析油菜叶片和冠层的高光谱图像数据,提出一种新的红边参数二两于检测叶片的叶绿素含量；等用高光谱图像数据估测油菜植株冠层指数,包括冠层干物质指数、绿色面积指数和总氮含量。表高光谱与传统光谱比较传统光谱高光谱波段数少非常多分辨率大于—般,有些达图谱分离合一通道是否连续不连续连续另一种较先进的作物生理信息采集技术是高空遥感。高空遥感仪器通过感知目标物反射或自身辐射的电磁波、可见光、红外线,探测和识别地球环境和资源的一种技术,对地物发展趋势的探测非常有价值,已广泛运用在农林领域,如土壤墒情和作物长势探测及产量的估算等等闫岩等黄文江。但是高空遥感技术的主要不足是： 浙江大学博士学位沧文第一章绪论采集的数据受天气条件影响较大,阴雨天采集的数据会带有较大误差；适合大尺度地块分析,如大田作物的产量估计等,对田间小尺度分析,尤其是对病虫害侵扰的探测很难达到理想的精度要求；对植物病虫害发生初期的症状检测灵敏度不足。本论文主要采用高光谱成像技术快速获取油菜病虫害信息。基于高光谱成像技术的农作物病情虫情信息获取的主要优势可以总结为：光谱分辨率更高,因此波段数量增加,包含更丰富的海量光谱信息；利用成像技术将被测对象在空间维呈现出来,能够以像素为单位提取光谱信息,实现真正意义上的小尺度分析。利用高光谱成像技术的特点和优势就可以实现油菜病情虫情早期实时监测。植物病害信息快速检测技术研究现状及存在的问题植物病害检测研究一直是数字农业研究领域的热点。将光谱技术应用于植物病害检测的研究已持续了年,由早期的基于反射光谱数据的研究开始,人们就不断发现植物的可见光、近红外及中红外波段区间的反射光谱数据与植物的生理状况有着紧密的联系。植物的反射光谱与感染各种疾病及染病程度也有着不可忽视的联系。光谱分辨率的大小直接影响实验获得的信息量的大小,高光谱摄像头的光谱分辨率迗级,使得研究信息更丰富,能更准确的找到对实验有效的敏感波段群。许多学者为了更精确、深入的分析染病植物各个部位的生理状况,将成像技术、图像处理技术和光谱技术结合起来。多光谱成像技术、高光谱成像技术将植物反射光谱数据映射为图像的灰度值,使得对植物生理状况的分析能够细化到像素单位。融合了现代数字图像处理技术后,能够更直观的看到光谱反射率值与植物生理状况间的耦合关系。农作物各类病害的光谱及高光谱诊断一直是国内外学者研究的热点,包括利用小尺度分析的光谱成像技术及利用大尺度分析的高光谱遥感技术。王海光等用高光谱技术对小麦条锈病进行严重度分级。实验将叶片按严重度分为级,用支持向量机对不同级别叶片进行判别分析,精度迖。但是实验的分析对象是高光谱数据,没有结合图像分析,存在一定的缺陷。黄木易等分析冬小麦感染不同等级条诱病时的冠层高光谱遥感数据,定性和定量分析病害区与对照区冠层光谱在绿光区、黄光区和近红外区反射特征差异及吁绿素含量变化,并建立基于多波长组合的遥感监测条镇病病情指数诊断定量模型。 浙江大学博士学位论文第一章绪论蒋金豹等发现红边核心区内一阶徵分总和与绿边核心区内一阶徵分总和的比值,与病情指数具有极显著线性负相关性,利用此徵分植被指数能够监测并反演作物病害信息。蒋金豹等分别用一阶徵分最大值法和方法提取高光谱遥感数据的红边位置和黄边位置,建立以红边位置和黄边位置距离为变量的模型,能够提前天识别出健康和病害胁迫的小麦。郭洁滨等分析了光谱数据与不同品种混合小麦条锈病病情数据的相关性,用个光谱参数构建病情指数回归模型,分析小麦冠层反射率在可见光区和红外光区与病情指数的相关关系。该研究证明了高光谱反演不同品种小麦条锈病病情指数的可行性。以上学者对小麦各类病害的分析中,建立的诊断模型都是基于光谱特征信息的,没有利用图像特征信息,若能同时利用图像特征信息,如精确到叶片上具体的受害面积,辨别同一什片不同受害部位的病害程度等等,则能够大大提高判别的精度。等融合了高光谱反射图像和多光谱劳光图像,结合自组织神经网络,实现了实时、早期的小麦条诱病诊断,精度达到。水稻做为中国主要的粮食作物,也引起了许多学者的广泛关注。在对水稻各种病害的深入研究中,光谱反射技术和图像处理技术同样起到了关键的作用。等对感染稻癦病的幼穗期和黄熟期水稻多光谱数据进行分析,采用波段比构建参数,完成对稻癦病害程度的识别,同时,提取出了稻癌病敏感波段分别为和。等利用水稻反射光谱数据建立神经网络用于检测水稻颈瘦病的严重程度。吴迪等用可见近红外反射光谱数据建立水稻穂颈癦染病程度分级鉴别模型,采用变量标准化和多元散射校正预处理技术,用无信息变量消除法结合连续投影算法进行敏感波段选取,提取的个敏感波段为,和,用敏感波段建立组合模型对实验样本进行鉴别,得到很好的检测精度。等采集水稻高光谱反射数据,结合主成分分析技术和神经网络,鉴别受大米颖枯萎病、假黑穗病等真菌病感染的水稻穗的个病害等级,分别为：未感染、轻度感染、中度感染和重度感染。分别用反射光谱数据的原始对数、逆对数、一阶导和二阶导建立了学习向量量化神经网络,最高分类精度达。 浙江大学博士学位论文第一章绪论冯雷等利用多光谱成像数据建立水稻叶痕病分级检测模型,实验数据包括绿、红、近红外三通道信息,识别营养生长期的水稻苗痘和叶瘟,准确率分别达和。研究对叶枯病具有不同抗病能力的种水稻品种的冠层高光谱反射数据,找到了感染叶枯病的敏感波段,并用多线性回归法建立了染病严重度诊断模型。等利用遥感数据建立水稻纹枯病测试模型,寻找大田病害指数与染病图像间的相关关系,结果证明宽波段遥感图像能够识别水稻纹枯病,识别的相关系数为。实验也说明,当大田病害指数小于时,要鉴别健康水稻与轻微感染的水稻是很困难的,原因是二者的光谱数据非常相似。等将高光谱反射数据与小波分形分析相结合,提取敏感光谱参数,用于监测水稻重金属污染。实验结果表明,小波变换适用于光谱数据降噪和增强重金属胁迫信息,小波变换与分形分析结合能够监测水稻受重金属胁迫情况,光谱红边位置是水稻受重金属污染的最敏感参数,光谱反射率的小波变换的分形维数与受污染程度有相关关系。从以上有关水稻病害的研究中能得出结论,光谱成像技术与后续的处理相结合比单纯对光谱数据进行处理得到的结果要好很多。对其他作物病害的基于光谱或高光谱成像技术的鉴别运算也同样能够得出这样的结论。柴阿丽等利用光谱波段内采集的高光谱图像识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域,提取个波段构建诊断模型,判别准确率为。但这些黄瓜病害高光谱诊断的研究成果只限于判别染病黄瓜与未染病黄瓜,没有对病害程度进行诊断,也没有实现病害的早期诊断,即染病后未出现明显病征前,而这两点正是智能化植物病害诊断研究的意义所在。田有文等采用高光谱图像技术诊断温室黄瓜病害,包括霜霉病和白粉病。实验采集范围内的高光谱图像数据,提取三幅特征波长图,分别为：、和组成的图；、和组成的图以及、与的比值和组成的图。对选出的图像进行滤波去噪,提取黄瓜病叶的色度矩纹理特征向量,并用支持向量机分类方法对黄瓜病害进行诊断,正确诊断率迖。研究了感染葡萄卷叶病前后的反射光谱数据,证明反射光谱技术是检测葡萄卷叶病的一种有效的方法。等将近红外光谱技术与电子鼻相结合,实现症状的梨树火疫病植株与健 浙江大学博士学位论文第一章绪论康植株的早期诊断。综上所述,国内外光谱及光谱成像技术对植物病害的研究是以染病植株与健康植株光谱信息的差异为基础的。针对各种植株的不同病害,最初的尝试是区分健康植株与染病植株,此处的染病植株通常要求在尚未明显显现病症的时期；其后越来越多的学者开始尝试按照染病等级区分植株,这种尝试通常需要基于成像技术才能得到较好的精度,因为多数楦株的病害等级是按照病斑的大小和数量来划分的,这就需要结合数字图像处理技术对植株图像的空间域进行分析,获得以像素为单位的病害情况信息。植物虫害信息快速检测技术研究现状及存在的问题虫害信息的获取可以通过两个途径获得：根据受害对象上附着的害虫的种类及数量来判定；根据受害对象的受损类型及程度来判定。对于叶片面积较大的棉花等植株,如通过考察叶片被害虫咬嗟的面积来判定其受害程度是可行的。陈佳娟等采用计算机视觉技术测定棉花的受虫害程度。虫害程度的测定是通过叶片空洞和叶片边缘的残缺判断的。用边缘跟踪算法确定叶片空洞,用膨胀算法确定叶片边缘的残缺。文中的汁边残缺处理需要一个完整叶片的模板,但实际上每片吁片的形状会有一定差异,对所有的叶子都用同一个模板处理显然精度是不够高的。钟取发等提出了一种基于典型叶片模板自动匹配的叶片虫损面积测量法,提取叶片外轮廊,经过多边形近似、划分子轮廓,将完整叶片与虫损叶片的子轮廓进行自动配准,寻找映射关系,根据此映射关系对虫损汁片进行重建并计算虫损面积。用该方法对类不同叶片进行了分析,表明该方法能准确快速且有效的。对于叶片细长的植株,如水稻、小麦等,虫害通常以叶片受害后化学成分的变化来体现,严重时肉眼能感知其颜色的变化；成片植株的叶片交叠在一起。错综复杂,要观测叶片形状的变化尤其困难。所以对于这类植株,通常采集冠层高光谱图像,以化学成分的变化为依据,分析像素的受害程度和成片楦株的受害面积,以此判定植株受害程度。等采集水稻高光谱反射数据,计算一阶导数光谱数据和二阶导数光谱数据,结合主成分分析,建立支持向量机分类模型,实现了对健康稻穗、受稻飞虱害的空穗及受稻曲病害的稻穗的分类鉴别,分类精度迖。 浙江大学博士学位论文第一章绪论等利用水稻冠层高光谱反射数据建立虫害诊断模型,用于识别水稻受稻飞虱侵害和稻纵卷叶模侵害的程度。对稻飞虱侵害的水稻,是最敏感波段；对受稻纵卷叶模侵害的分蘖期水稻,是最敏感波段；对受稻纵卷叶模侵害的抽穗期水稻,是最敏感波段。刘占宇等利用高光谱数据检测受水稻二化螺和穗癦造成的水稻白穗和正常穗的室内光谱,用红边斜率、红边面积、绿峰幅值和绿峰面积作为输入向量建立学习矢量量化神经网络,对水稻白穗和正常穗进行分类,分类精度高达。等设计了一种新的高光谱波段优选算法,用于测定受稻飞風害的水稻植株。实验通过健康与受害水稻像素光谱数据的类间不稳定指数来鉴别两类像素,按照受害像素的数量来判定水稻的受害程度。通过高光谱成像技术和机器视觉技术分析健康的和受痂损害的小麦籽粒,建立了线性判别函数,能有效鉴别健康和受害的小麦。以上研究将光谱技术与图像处理技术结合,在虫害检测方面得到了较高的精度。也有学者通过观察叶片上附着的害虫来获得植株虫害信息,如等利用神经元模糊法自动分类棉田中的害虫,并构建了集成自动虫害管理系统。也提出了用非模型的软计算技术识别和分类棉田害虫,软计算技术是基于人工神经网络和模糊逻辑的。总体而言,虫害信息的快速检测领域的研究不如病害信息领域活跃,原因之一可能是危害植株的害虫个体较小、活动敏捷、不易控制,给实验的准备阶段造成许多不便。信息技术在油菜种植中的应用油菜作为我国乃至全世界的重要油料作物,如何保证其生长过程中各个阶段免受病虫害及各种胁迫的影响,最大限度提高产量,受到了精细农业领域的广泛关注。前面介绍的用于快速获取不同楦物病虫害信息的技术在油菜种植中也被采用。到目前为止,油菜种植领域的研究主要集中在叶片营养状况和生长情况的监测,对油菜病虫害的研究还较少。刘飞等用近红外光谱技术实现了油菜叶片中乙酰乳酸合成酶含量的快速无损测定。刘飞等用近红外光谱技术与连续投影算法相结合,建立偏最小二乘模型,实现了油菓叶片氨皋酸总量的快速无损检测等油菜叶片乙酰乳酸合成酶活性和蛋白质含量的快速无损测定。 浙江大学博士学位论文第一章绪论方慧等用近红外光谱技术实现了油菜叶绿素含量的快速无损测定。等研究转基因油菜和非转基因油菜在光谱反射信息上的差别,在此基础上,用高光谱和多光谱技术检监测大田油菜的转基因逃逸情况。等用手持分光福射光谱仪测量油菜冠层光谱反射值,通过光谱信息估测油菜植株干物质重量、开花数量和角果数量,用偏最小二乘回归分析高光谱数据集并建立估测模型。等利用三通道(绿、红、近红外)多光谱图像计算植被指数,再用植被指数估测油菜冠层的含氮量。实验用线性回归模型建立了冠层叶绿素含量和含氮量间的关系及冠层叶绿素含量和植被指数间的关系。等用激光测距传感器测定油菓的叶面积指数,能够达到实时性和鲁棒性要求,证明了机载激光测距传感器在精细农业中应用的可能。这些研究大都以光谱数据信息为基础,研究不同类别植株的光谱差异,通过增强敏感波段的贡献,削弱不敏感波段的影响,达到使光谱差异显著化的目的。总体而言,对于油菜病虫害监测的研究还比较少。信息技术在油菜病虫害监测领域存在的问题在油菜病虫害信息快速获取领域,高光谱技术是目前能得到精度较高的一种手段,它不但能得到作物组织的光谱数据信息,还能通过成像使光谱信息精确到每一个像素点,满足了快速、无损监测的需求。高光谱成像技术在作物病虫害监测中的应用起步不久,大多处研究阶段,技术并不是非常成熟,离实际应用还有一定距离。就油菓病虫害监测而言,目前的研究主要存在的问题是：油菜病虫害的研究还非常少；研究通常只基于光谱技术或是非成像的高光谱技术,得到的研究数据通常是光谱传感器视角范围内数据的均值,无法实现空间信息差异的可视化和病虫害信息的可视化；有少数基于多光谱成像技术的研究,但是多光谱成像得到的极少数波段信息已不能满足植株生理状况精确判别的要求。论文研究的主要内容高光谱成像技术能够获取传感器视角范围内每一个像素的光谱信息,使油菜植株的空 浙江大学博士学位论文第一章绪论间信息可视化,能使用数字图像技术处理这些空间信息；能够获取光谱分辨率比较高的数据,其中包含的波段信息远多于多光谱成像技术,也更能够提取出准确反映油菓植株生理状况的信息。本研究将高光谱成像技术和数字图像处理技术结合,提取油菜受病虫害胁迫时的生理信息,研究生理信息与受胁迫程度的耦合关系。用高光谱数据的敏感波段来揭示受害植株理化信息与高光谱数据间的相关关系。论文以受主要病害菌核病和主要虫害菓青虫危害后的油菓植株为研究对象,提出一套受害油菜叶片关键信息的提取方法：根据病斑像素的高光谱数据提取叶片受病害时长信息；通过将残余吁片复原,获取叶片受虫害程度信息；将数字图像处理技术与高光谱成像技术结合,提取受虫害叶片的完整叶脉,使得对叶脉的研究在不健康叶片上也能展开。主要内容包括：以高光谱图像中的光谱维数据为基础,实现油菜菌核病按感染时间的快速分类。将感染菌核病的油菜高光谱数据按感染时间的不同分为类。采用基于类间不稳定指数的高光谱波段优选算法进行数据降维,该算法的核心思想是利用最能体现各类样本间差异的波段来对数类样本进行判别。采用群体智能算法寻找神经网络的最优参数,构建优化的神经网络,对输入高光谱数据进行分类运算。该部分内容在论文第四章中详细阐述。以高光谱图像中的空间维数据为基础,实现油菜叶片菜青虫孔自动识別和重构。从高光谱图像中获得受害油菜叶片的精确轮靡,基于高光谱成像技术、数字图像处理技术和神经网络方法,提出一种新的不闭合虫孔定位和重构算法。使得通过计算受损叶面积获得虫害程度信息成为可能。该部分内容在论文第五章中详细阐述。以高光谱图像中的空间维数据为基础,采用导数光谱法和主成分分析法,结合数字图像处理技术,识别受菜青虫轻度危害的叶片的叶脉,寻找一种最优的轻度虫害油菜叶片的外脉识别算法。该部分内容在论文第六章中详细阐述。本论文的第一章介绍了课题的背景、意义和主要研究内容；第二章介绍了实验材料及设备；第三章介绍了数据处理方法；第四章介绍了油菜受菌核病感染时长的识别算法；第五章介绍了受菜青虫咬嗟的油菜叶片的复原算法,可用于计算叶片的受害面积；第六章介绍了受菜青虫轻度危害的油菜叶片的叶脉提取技术,使得对不健康叶片的叶脉分析成为可能；第七章包括研究总结和展望。其中第四章、第五章、第六章是论文的主体部分,分别提出了三种算法用于提取油菜吁片受病虫害危害后的关键信息。论文实现了油菜受主要的病害和虫害影响时的一些关键信息的快速获取,为进一步的防治和管理提供基础,这在科 浙江大学博士学位论文第一章绪论学上和实践中都是很有意义的。本章小结本章主要介绍了课题的研究背景和意义,详细介绍了本领域的研究现状和存在的问題,介绍了油菜病情虫情快速采集体系包含的主要内容及实现的关键技术,并筒述了本论文的主要研究内容。 浙江大学博士学位论文第二章材料与方法第二章材料与方法【提要】本章主要介绍了实验所需的硬件和软件设备,工作原理,实验的总体设计,实验材料的准备等。实验设备本论文在高光谱成像系统的基础上采用各种数字图像处理方法和数学建模方法实现油菜病虫害信息的快速监测。主要的实验设备包括高光谱成像系统的软硬件平台和各种图像和数据处理软件,其中高光谱成像系统的硬件平台负责图像和光谱数据的采集,高光谱成像系统的软件平台负责数据的转换、存取及一些简单的处理。高光谱成像系统硬件平台高光谱成像系统的硬件平台主要由光源(、分光模组(、面阵侦测器和装有图像采集卡的计算机组成。高光谱成像系统的结构如图所示。高光谱成像仪的扫描过程如下：面阵探测器在光学焦面的垂直方向上做横向排歹,即横向扫描(方向),此时平行光垂直入射到透射光栅上形成光栅光谱,这些光谱是一列像元经过高光谱成像仪在上采集到的数据。它的横向是方向上的像素点,纵向是各像素对应的光谱数据。当成像系统传送带前行时,排列的探测器沿着前进方向扫出一条带状轨迹,即纵向扫描方向。横向及纵向扫描示意图分别如图及图所示。接下来将根据高光谱成像系统硬件平台的主要结构组件逐一介绍。光源光源是高光谱成像系统中为被测对象提供光能量的重要组成部件。通常能够提供宽波段光源信息的南素灯是高光谱成像系统的首选,一般覆盖的光谱波段范围在之间。本论文使用光纤由素灯(可提供可见光至近红外波段的连续平滑的光谱数据信息。照明光源通过两分支光纤将光源信号引出,形成左右对称的线光源,光强度在范围内可调。实验用光源型号为如图所示,图是由该光源提供能量获得的输出光谱示例。 浙江大学博士学位论文第二章材料与方法、声光源样本分光模面阵愤测器“组「、、——、！数据采集计算机图髙光谱成像仪结构、“图高光谱仪横向扫描示意图 浙江大学博士学位论文第二章材料与方法图高光谱仪纵向扫播示意图直素灯光源分光模组分光模组也称分光光谱仪,是将成分复杂的光分解为光谱线的科学仪器,是高光谱成像系统的核心部件。当一束复合光线通过棱镜光栅棱镜组件,进入单色仪的入射狭缝,首先由光学准直镜汇聚成平行光,再通过衍射光栅按光束波长的不同进行色散。根据每个波长离开光栅的角度的不同,通过聚焦反射镜聚焦形成光谱。本论文用光谱成像系统含有两个分光光谱仪,由芬兰公司生产,主要性能指标如表所示。两个分光光谱仪实物测试图分别如图和图所示。 浙江大学博士学位论文第二章材料与方法謂、—￥￡、、、、一：為！‘‘由图光源输出光谱表分光光谱仪主要性能指标性能指标分光光谱仪抽祥间隔波长光谱分辨率其中为可见近红外分光光谱仪,外形尺寸为重量为有效狭缝长度为,光透过效率大于等于,相对孔径为,狭缝宽度为杂散光为,光谱通道数大于等于,最高像素为,像素尺寸为输出曝光时间范围为,所用计算机接口为镜头接口为。为近红外分光光谱仪,外形尺寸为重量,有效狭缝长度为光透过效率大于等于相 浙江大学博士学位论文第二章材料与方法对孔径为狭缝宽度为,杂散光为,探测器类型为,探测器制冷采用制冷,满巾贞像素数为,像素尺寸为,输出,曝光时间范围为,所用计算机接口为,镜头接口为。图可见近红外分光光谱仪图近红外分光光谱仪面阵探测器传感器是一种新型的光电转换部件,能够将光信号转换为电信号并存储下来。当对其施以特定时序的脉冲时,其存储的信号电荷便可在内作定向传输而实现自扫描。主要由光敏单元、输入结构和输出结构组成。它具有光电转换、信息存和延时等功能,而且集成度高、功耗小,在摄像、信号处理和存等领域都得到了广泛应用,尤其是在图像传感器应用方面取得令人瞩目的发展,已从初期的多万像素发展至目前主流应用的万像素。分为面阵(和线阵(在面阵中,像素被排成一个平面,在线阵中,像素被排成直线。本论文应用的高光谱成像系统总的探测器为面阵。在高光谱硬件平台中,光源经过物体表面的反射产生发射光信息,这些发射光信息由成像镜头收集进入分光光谱仪,经分光光谱仪色散形成光谱。这些光谱的福射强度信号需要经过面阵探测器转换为电信号,才能完成成像步骤。面阵探测器的性能直接影响高光谱成像的质量。论文 浙江大学博士学位论文第二章材料与方法中针对两个不同的分光光谱仪,配置了两套不同的面阵探测器。图和图分别显示了两个面阵探测器。論。一■“釋▲」拿■勸■：图配套面阵探测器图配套面阵探测器高光谱成像系统硬件平台配套设备除了以上介绍的主要部件外,高光谱成像系统硬件平台还应包括成像配套镜头。本实验针对所用的配套镜头为焦距为；针对所用的配套镜头为焦距为。电动位移台是承载被测对象的平台,通过控制平台的移动速度使被扫描对象相对于光谱相机做平行移动,光谱相机以线扫描的方式采集被测物的空间、福射和光谱信息,平台应正对着成像仪的镜头,移动的轨迹应与成像仪 浙江大学博士学位论文第二章材料与方法线扫描的线条垂直并处于两个平行的平面中。成像系统还包括滤光片,其截止波长为校正白板。论文使用的高光谱成像系统的硬件平台实物图和示意图如图所示,图中编号的部件分别为：高光谱成像仪；线光源；高光谱图像采集与分析软件；载物板；电控位移台。丨丨图高光谱成像系统的硬件平台高光谱成像系统软件平台高光谱成像系统的软件平台除了负责存储、转换和初步分析采集到的高光谱数据外,还负责成像参数的控制,包括分辨率设置、相机爆光时间设置、黑白板校正、电动位移台平移速度控制等。论文使用的高光谱成像系统图像采集软件(由台湾五铃光学股份有限公司研发,该软件能够实现一些简单的、初级的光谱图像处理功能。图为高光谱图像采集软件界面,其中光谱成像区呈现的是线扫描系统当前扫描的线区域的剖面灰度图。图为高光谱图像采集预览界面,其中的光谱成像区呈现的是本次扫描的所有线区域的图像,线条在窗口中水平放置,由上至下逐一排列。 浙江大学博士学位论文第二章材料与方法参数控制区、二二》,；■内‘一；持’：热,像厂“—‘‘实时光駆图高光谱图像釆集软件界面、“■；谱、运；？！,；’：：、：“沒、图高光谱困像采集预览界面在该高光谱成像系统软件平台上可以完成图像黑白校正。具体步骤如下：在获取样本图像之前,先采集一组白标准图像和黑标准图像,白标准图像通过扫描反射率为的标准白校正板获得,黑标准图像通过盖上图像采集器镜头盖扫描获得。利用下式所示的校正方程对采集到的原始高光谱图像上的每一个像素点的福射强度值进行校正。‘ 浙江大学博士学位论文第二章材料与方法其中是样本的校准图像,是样本的原始图像,々是黑标准图像,是白标准图像。高光谱图像黑白校正的本质是计算被测物体的相对光谱反射信息,消除光照条件的不同对物体成像的影响。综上所述,高光谱图像数据获取和处理的一般流程图所示。样本准备高光谱图像与数据获取基于光谱的数据预处理光谱数据降维或特征波段提取智能计算提取特征图像“模型性能评价数字图像处理信息可视化图高光谱图像数据获取和处理的一般流程数据处理软件从高光谱图像采集硬件平台上获得被测对象的光谱数据与高光谱图像数据后,需用各种数据处理软件对其进行处理操作,以获得预期的分类或回归结果。在本论文的数据处理过程中,先用软件完成原始光谱数据运算,再将需进一步处理的特征数据输入进行数据建模与图像处理。论文中使用的图表是在软件中处理得到的,一些筒单的统计数据处理也可以在软件中完成。下面将逐一介绍这些软件的主要功能。 浙江大学博士学位论文第二章材料与方法遥感影像处理软件是美国公司的旗巾只产品,是基于交互式数据语言开发的,具有强大的高光谱影像处理功能,并具有影像预处理和信息提取过程所需的各种工具。其中的波谱分析工具能够快速准确的从高光谱影像中提取各种目标信息李小娟等赵文吉等,。本论文使用版本软件,图展示了软件的主要功能界面。；：；；：■‘￡■弯：；；；口：；：；,…—‘。《狐,)藝】如娜图软件主要功能界面针对高光谱数据,提供了以下一些实用的功能李小娼等特定制图工具：对图像或波谱库端元线性波谱分离和匹配滤波；純净像元指数工具：寻找图像中最纯净的波谱像元；维可视化工具：将散点图放于维空间进行交互式浏览,提取特定端元要素及波谱；线性波谱分离工具：决策相应的波谱权重；波谱分析工具：实现波段运算和波谱运算。 浙江大学博士学位论文第二章材料与方法是矩阵实验室(的简称,是美国公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境刘保柱等等。选择进行数据及图像处理的优点是：高效的数值计算及符号计算功能,能使用户从繁杂的数学运算分析中解脱出来；具有完备的图形处理功能实现计算结果和编程的可视化；友好的用户界面和编程环境,接近数学表达式的自然化语言,使学者易于学习和掌握；功能丰富的应用工具箱如信号处理工具箱、通信工具箱等),为用户提供了大量方便实用的处理工具。本论文使用版本实现主要的数字图像处理和数据建模处理操作。使用了软件自带的图像处理工具箱、神经网络工具箱、小波工具箱、统计工具箱、工具箱等,还使用了外带的最小二乘支持向量机工具箱、高斯过程工具箱等。软件版本主界面如图所示,神经网络训练界面和训练过程如图所示。￡：！：〒印：‘■日忽：,、“：：‘二—碑袭■“,”’’；：趟！”；：‘：彻,丨法丨：士,咖讲(‘,》、,■械…？‘灣玄；狄‘…、‘‘；饥：卜报；了“：；：图软件版本主界面 浙江大学博士学位论文第二章材料与方法产‘、；雪胸』一,「一…咖…—；￡圓十力；““丨‘◎—“图神经网络训练界面与训练过程是美国公司的产品,是数据分析和绘图软件,软件主要包括两大功能：数据分析：包括数据的排序、调整、计算、统计、频谱变换、曲线拟合等各种完善的数学分析功能；绘图：共有几十种二维和三维绘图模板供绘图使用。用软件进行数据分析和绘图有以下优点：允许用户自定义数学函数、图形样式和绘图模板；能够方便的与各种数据库软件、办公软件、图像处理软件连接；可以使用高级语言编写数据分析程序。本论文使用的是版本软件,主界面如图所示。 浙江大学博士学位论文第二章材料与方法‘战如￡奴茨宗届昆！‘、：；‘；■；二’：■■■：■…。阶菜据‘“画躺—丨阶；——“〒有政校敢辦淀辦棚：巧”—法—：織！‘‘“平》乂卜々爾—■—讓—邮礎我飾〒酵,職丽逛綱泣—斤一‘“、“‘；■““：翅每个(尺夺按細)；二广■■■：！細广…………：—：―：：……；；！三厂丨：」…■‘■、“—”‘“‘‘；“；：；；：图主界面实验对象制备论文针对油菜的主要病害菌核病和主要虫害菜青虫展开研究,其中包括油菜菌核病感染鉴别、油菜菜青虫害叶片复原和油菜受菜青虫轻度危害叶片的叶脉识别。油菜植株准备采用穴盆育苗法育苗,穴盆中填入营养土,每个穴孔播一颗种子,覆土后将穴盆置于专门的发苗环境中。待油菜苗长出片叶片时,将苗移至基质中,施以适量复合肥,复合肥中氮、碌、辨有效养分含量大于等于。待油菜长至现蕾抽薹期时,对其进行病害及虫害的侵染实验。油菜菌核病病原菌油菜菌核病是我国油菜的重要病害之一,也是世界性病害。欧洲春油菜发病较重,我国所有油菜产区均有发生。菌核病病原为属子囊菌门核盘菌属核盘菌,菌核黑色,鼠粪状或球状、不规则形,成熟菌核外皮黑色,髓部粉色至来黄色,为疏丝组织组成；油菜菌核病主要以菌核在土壤、病残体和种子种越夏(冬油菜区)和越冬(冬、春油菜区)；该病自油菜苗期到近成熟期均可发生,以终花期以后发 浙江大学博士学位论文第二章材料与方法病最盛,病菌能感染油菜地上各个部位侯明生等。菌核病菌常感染油菜叶部位,初感病时呈水清状病斑,随着时间推移,病斑会渐渐变大、变黄变干。图左侧为感染菌核病的油菜叶片,右侧为引起菌核病的核盘菌。实验采用菌丝块为油菜叶片接种病菌以马钤薯葡萄糖琼脂培养基(培养菌核病菌丝,培养基配方为：马铃薯、葡萄糖、琼脂、水。将培养基制成直径毫米的圆形菌丝块,将布满菌丝的一面附着在湿润的油菜叶片的相似部位。同时将油菜置于恒温°、恒湿的发病环境中,以确保病菌接种成功。油菜菜青虫危害菜青虫是菜粉蝶幼虫,属镇翅目,粉蝶科。菜粉蝶的寄主有油菜、甘蓝、花椰菜、白菜、萝卜等十字花科蔬菜。幼虫体长毫米,初孵化时为灰黄色,之后变青绿色,体圆筒形,中段较肥大,背部有一条不明显的断续黄色纵线,气门线黄色,每节的线上有两个黄斑。菜青虫靠咬食寄主叶片为生,二龄前仅啃食什肉,留下一层透明表皮,三龄后啃食叶片留下孔洞,严重时叶片全部被吃光,只残留粗叶脉和叶柄。图为菜粉蝶幼虫及成虫。图感染菌核病的油菜叶片,核盘菌 浙江大学博士学位论文第二章材料与方法图菓粉媒幼虫及成虫实验将油菜植株放置于有菓粉蝶的受控环境中,菜粉蝶将卵产于叶片背面,待孵出幼虫后,开始咬唾叶肉。受到菜青虫危害的叶片会形成穿透的虫孔或带有透明表皮的虫孔。在一定的光谱波段内,这些虫孔和非虫孔部位可以被明显区分。对虫孔的复原操作可以帮助计算叶片的受害面积,估计叶片的受害程度。准确识别叶片的叶脉可以有效分析植物的生理特征,对于受菜青虫害的叶片,准确提取叶脉尤其困难,因为虫斑虫孔会给叶片图像带来许多干扰线条,使数字图像处理过程难度增加。本章小结本章主要介绍了实验所需主要设备高光谱成像系统及其外围数据采集软件,详细介绍了高光谱成像系统的成像原理及数据处理所需的分析软件。介绍了实验的总体设计,实验材料的准备,详细介绍了油菜主要病害虫害的发病原因和症状等。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究第三章高光谱图像数据分析的基袖方法研究【提要】本章介绍了高光谱图像数据的分析方法。以光谱维数据处理和空间维数据处理两方面分别介绍。对光谱维数据,提出了数据降维数学建模基于计算智能的神经网络的分析路线；对空间维数据,提出了图像增强边缘提取的空间维数据分析路线。引言高光谱图像数据分析作为高光谱成像技术的后续步骤,承载着剔除冗余信息,挖掘有用信息,将有效信息显示化,使其最大限度的为研究目的服务的任务。对高光谱图像数据的分析包括两方面内容：光谱维处理,对每个像素的全光谱或部分光谱进行数据分析,主要包括光谱数据预处理、光谱数据降维、分类或回归模式识别等；空间维处理,即对高光谱数据构成的一系列原始单维图像进行处理,通常将若干有效的波段图像融合为单维图像或图像再进行处理,处理过程中需要大量使用数字图像处理技术。光谱维处理技术光谱数据降维方法现有的光谱数据降维方法按提取目标的不同可以分为两大类：一类是提取特征向量,主要有主成分分析、独立组分分析、小波系数等方法；另一类是提取特征波长,主要有方差分析法、逐步回归法、连续投影算法、无信息变量消除法等方法。特征向量提取方法主成分分析是对多个变量进行线性变换,选出数量较少且较重要的变量的一种多元统计分析方法。主成分分析法通过考察多个变量间的相关性,剔除原变量中各向量间的相关性,试图通过少数几个相互独立的主成分来表达多个变量的内部结构,这几个主成分应该尽可能多地保留原始变量的信息且相互独立。具体的数学计算方法为：对原始变量的若干个指标作线性组合,得到新的线性组合,即主成分。在所有的主成分中,第一个主成分包含的信息量最多,第二个主成分次之,依次类推。由 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究于各个主成分相互独立,所以第一个主成分包含的信息将不再出现在第二个主成分中,其数学表迖式为：,其中表示第一个主成分,表示第二个主成分。在纯数据的处理中,通常根据精度要求选取前几个主成分来进行下一步的数据建模等操作,选取主成分数量越多,得到的模型预测精度越高,但是在图像数据的处理中,若第一主成分包含信息量不够时,可以选取前三个主成分组成图或将该图进行灰度化处理得到一张灰度图后再进一步做数字图像处理。主成分分析法对符合高斯分布的样本比较有效。对于非高斯分布的样本,可以采取独立组分分析法,。独立组分分析是基于信号的高阶统计特性的数据分析方法,该方法可以将原始信号分解为相互独立的信号分量。独立组分分析法假设各个成分是统计独立的,且独立成分是非高斯分布的。下面给下一个定义,假设一个隐藏的统计变量模型为,为维观测信号矢量,为独立的维未知源信号矢量,矩阵被称为混合矩阵,的目的就是寻找解混矩阵,即为乂的逆矩阵,然后对进行线性变换,得到输出向量,计算过程主要分为步：(对输入数据进行中心化和白化预处理；通过优化目标函数的方法得到得到独立的基向量。小波系数法是对一个给定的信号进行小波变换,将信号按某小波函数族展开,用一系列不同尺度、不同时移的小波函数的线性组合来表示原始信号,线性组合中每一项的系数称为小波系数,在某一特定尺度下,所有小波函数的线性组合称为信号在该尺度下的小波分量。特征波长提取方法方差分析法,也称“离差分析法”,其基本思想是按来源的不同将原始测试数据的总变异分成两部分,一部分是由误差引起的误差平方和,另一部分是由各变量的交互效应引起的因素平方和。将因素平方和与误差平方和做比较从而判断各变量的贡献大小。若某个变量的因素平方远大于误差平方和,则认为该变量将对后续的处理结果作出贡献；反之,该变量的误差大于贡献,它的存在会影响后续的数据分析,可以将其剔除。方差分析法的具体实施步骤为：(将变量的总方差分解；(计算两个方差的比值；(查看分布表,依概率判断各组之间的差异程度。方差分析法还可分为单因素方差分析和多因素方差分析。逐步回归法是在多元线性回归理论的基础上发展起来的,其基本思想是：计算全部原 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究始变量的偏回归平方,即变量对输出值的影响程度,按影响程度的大小逐个引入回归方程,每引入一个新的变量,便对当前回归方程包含的全部变量进行检验,根据其对输出值影响的显著程度判断变量的优劣,将劣质变量别除,直到回归方程包含的所有变量都是优质变量,再对回归方程加入一个新的变量。对剩余未被选中的变量,考察其对输出值的作用大小,将最大者引入方程。剩余的变量便是被别除的。连续投影算法用于消除原始数据变量间的共线性降低模型复杂度。连续投影算法是一种前向循环选择算法,针对某一个变量,计算它在其他变量上的投影向量将向量最大的变量选入优选变量组合,被选入的变量与前一个变量的线性关系一定是最小的。再对第二个变量重复同样的操作,直到将所有变量都循环一次。该算法具体步骤如下：(初始化,任选一列变量；(计算该列变量对未被选中的变量的投影向量；(保存最大投影序号,并将该投影作为下一轮的投影向量；(若对所有变量的循环没有结束,则回到第(步继续循环,否则结朿运算。对选中的变量组合建立模型,根据预测模型的均方根误差可以判断变量组合的优劣。无信息变量消除法基于最小二乘回归系数的计算,可消除不包含有用信息的变量。无信息变量消除法将噪音矩阵加入变量矩阵,使用交叉验证的逐一别除法建立最小二乘回归模型,得到回归系数阵,选取矩阵中的一个回归系数向量,计算向量的均值和标准偏差的商的稳定性,根据该稳定性的大小决定是否将该回归系数对应的变量认定为优选变量。数学建模方法通常的数学建模方法按因变量类型的不同可分为回归与分类两种,回归分析允许连续变化的因变量值,分类分析要求因变量属于有限个类别。常用的最小二乘法、支持向量机和神经网络等常用的建模方法均能实现对数据的回归和分类分析。最小二乘法(,是一种数学上的近似和优化,利用巳知的数据得出一条直线或者曲线,使之在坐标系上与巳知数据之间的距离的平方和最小,还可用于曲线拟合叶莺。它通过最小化误差的平方和寻找数据的最佳函数匹配,可以简便地求处未知数据,并使这些数据与实际数据间的误差的平方和达到最小。最小二乘法主要研究多因变量对多自变量情况下的建模,较适合各变量内部高度线性相关的情况。当变量个数大于祥本个数时,采用最小二乘法能够有效避免数据量不足引起的误差。一些不同领域的优化问题都可以通过最小化能量或最大化熵,最终用最小 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究二乘法来表达。支持向量机(在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机的运算过程是将原始向量映射到一个比原始向量空间维度更高的空间,在该高维空间里构建能够将数据分隔开的最大间隔超平面,在该超平面两侧再建立两个互为平行的超平面。两侧的平行超平面间距达到最大值的最大间隔超平面是最优的,即平行超平面间距越大,模型总误差越小。算法中的支持向量指的是在两个平行超平面之间的区域边缘的训练样本点数据向量。支持向量机可分别应用与回归和分类分析。神经网络学习和泛化机制是人工神经网络(的核心,这一点与支持向量机类似。神经元是神经网络的基础单元,网络将训练过程中学习到的知识以神经元权值的形式储存在网络中,网络的拓扑结构、神经元权值阈值以及传递函数是网络的关键成分。神经网络的分类方法非常复杂,按照训练类型或输入类型等指标的不同,有多种不同的分类方式。如按照学习方式分类,则可以分为无监督学习类和监督学习类,图描述了对神经网络按学习方式的分类。有很多研究将神经网络与计算智能结合以得到更好的模型。计算智能方法包括遗传算法和群体智能算法。他们在神经网络运算中起到的作用是随机搜索最优的网络拓扑结构和网络参数(包括权值和阈值),通过这些方法建立的神经网络通常比单纯的神经网络训练构建的网络性能更佳。遗传算法由美国大学教授于年首先提出,通过摸拟自然界的遗传和进化机制实现并行的最优化随机搜索,群体中的每一个个体用网络参数的编码来表示,对个体执行选择、交叉、变异操作从而产生新的群体,根据给定的适应度函数计算适应度值,适应度值反应了个体的优劣程度,依据适应度值来篩选个体,适应度值优的个体被保留,差的个体被海汰,这样,新的群体继承了前代的特征,又优于前代,得到了进化,符合自然界的优胜劣汰原则。遗传算法优化神经网络的算法流程如图所示。其中交叉操作是对群体中的两个个体之间的操作,随机选择一点或多点编码进行位置对调,如图所示；变异操作是从群体中任选一个个体,对染色体中的一点做变异,产生新一代个体,如图所示。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究无监督学习监督学习自组织)无教师有教师自组织输入数据发现输通过例子,学习产生期望入数据自身的整体性质的输出结果八学习规则学习规则相关性竞争性误差修正基于匹配根据学习规输出神经元竞争直关于网络权值输出根据相似度调节权则调节神经元权值到有神经元获胜误差最小化值感知器模糊健壮特征映射算法由反向传播训练的前馈网络网络图按照学习方式分类神经网络粒子群优化(是一种群体智能优化算法,由和于年首次提出。该算法是基于鸟类的捕食行为设计的,鸟类寻找食物的最简单方式是寻找距离食物最近的鸟群。算法用解空间中的粒子来表达潜在解,每个粒子都用位置、速度和适应度值指标来表示,适应度值由给定的适应度函数计算得到,与遗传算法类似,适应度值反应了粒子的优劣。在寻优的过程中,粒子在解空间中移动,个体经历过的位置的适应度值的最优值称为个体极值,所有粒子经历过的位置的适应度值的最优值称为群体极值,粒子每移动一次位置,就计算一次适应度值,更新一次个体极值和群体极值,。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究遗传算法输入数据「对初始值编妈确定网络拓扑结构数据预处理神经困络训练得初始神经网络的到的误差作为适权值爾值长度应度值；选择操作获取最优权值國值交叉操作计算误差变导操作权值阑值更新计算适应度值满足法束头件—“得到预；赔果图遗传算法优化神经网络流程奴群算法(是用来在图中寻找优化路径的算法,是一种模拟进化算法。该算法由于年首次提出,是基于妈蚁在寻找食物时寻找到达食物源的最优路径的方法设计的。蚂軟找到食物后,会向环境释放一种信息素,其他的蚂奴会向信息素浓度高的地方靠近,这样越来越多的蚂歧会找到食物；同时,一些具有创新性的蚂蚁不象其它蚂奴一样重复同样的路线,而是另找新的途径,如果新的道路比原来道路更短,那么更多的妈奴会被吸引到这条较短的路上来,这样经过一段时间就会出现一条最短路径被大多数妈奴重复(。研究表明,将歧群算法和神经网络结合,通过軟群算法来优化神经网络参数,能够达到较好的模型计算结果。奴群神经网络是用奴群算法优化神经网络的权值和阈值,优化过程中,用一系列权值和阈值的备选集合铺设从蚁巢至食物源的路径,启动只蚂歧寻找从欢巢到食物源的最佳路径。假设根据网络拓扑结构,分别确定网络的权值数量为阈值数量为对每一个参数,随机给出一个大小为的备选数据集合,每个集合是蚁群从軟巢到食物源必经的一层,则从蚁巢至食物源的路径分为层,每一层 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究有若干个备选参数,每只妈奴可以在这一层上依概率选择其中一个数值经过。所有妈軟到达食物源后,根据每只妈奴选择的路径构建神经网络并根据预测结果的精度调整每个备选参数的选中概率。经过若干次循环后,奴群会向预测精度较高的那条路径聚拢。最终奴群聚集的路径就是最好的网络参数组合。交叉图交叉操作变导图变异操作图像处理技术图像增强算法对图像进行增强操作时,按照处理的需要改善图像的质量,突出图像中的有用信息,削弱作用不大的信息。结果应该更有利于计算机处理,该方法不能增加原始图像数据的信息,只是加深某类信息的辨识力,使处理后的图像比原始图像更利于特定的处理。按照作用域的不同,可将图像增强分为空间域操作和频率域操作两种。空间域操作处理像素的灰度值,频率域操作处理图像的某个频率域,再进行逆变换得到增强后的图像。灰度变换灰度变换是通过调整图像的灰度值变化范围或对比度来达到图像增强的目的,它采用一个变换函数,将原图像素的灰度值转化成新的灰度值,可用公式描述如下：式中,表示原图中像素的灰度值,是变换函数,是转化得到的像素的新灰度值。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究灰度变换的处理对象是单个像素点,通过增大图像的原始灰度范围使其得到视觉上的改善。根据变换函数的不同,灰度变换可分为线性变换、非线性变换和分段变换。直方阁法统计出一幅图中每一灰度值像素点的数量,按该统计数据在以像素数为纵坐标、灰度值为横坐标的坐标系上绘制的图形称为灰度直方图。灰度直方图反应了图像的灰度级与每一灰度级出现频率的关系,能反应不同灰度值的像素在图像中出现的次数,能统计图像中某一灰度的概率,但无法反应特点灰度值像素在图像中的位置,因此,能够在某种程度上描述图像的特征。通过修改灰度直方图,也能起到图像增强的目的。直方图拉伸和直方图均衡化算法可归类为空间域操作方法,也称为对比度增强法。直方图拉伸法通过拉伸对比度来变换直方图,增强前景和背景的灰度值差,使对比度得到增强。直方图均衡化方法运用灰度点运算对原图进行直方图变换,使灰度直方图均匀分布,图像得到增强。通过线性或非线性方法均可以实现直方图拉伸,通过累积函数对灰度值进行调整可以实现直方图均衡化。两种都方法的宗旨都是尽可能地突出某些对研究有意义的信息,削弱对研究无贡献的信息,提高图像使用价值,操作中允许忽略图像的保真性。图像平滑图像平滑处理属于空间域平滑滤波,目的是为了去除图像采集和传输过程中掺入的干扰噪声。图像平滑处理的方法可分为三类：线性平滑、非线性平滑和自适应平滑。对图像进行线性平滑,相当于做了一次二维低通滤波,在降噪的同时也会使图像细节变的模糊；非线性平滑是对参与平滑的像素做了规定了一些约定调节,使得满足条件的像素才能参与运算,该类方法对孤立噪音点非常有效,但图像边缘较易是真；自适应平滑可以根据实时情况,以不模糊图像边缘为准则进行平滑控制。具体的平滑方法多种多祥,包括图像平均、邻域平均法、中值滤波、空间低通滤波、噪声门限法、掩膜平滑法等。图像平均法是对同一景物摄取的多幅图像取平均,可以消除高频噪声。该法常用于处理视频图像。设为带噪声的图像,为噪声,为原始图像,则三个图像数据的关系可用式表示。图像平均法将一系列的叠加并平均,参与运算的数量越多,平均值就越接近。 浙江大学博士学位论文第三章高光谱图像数据分析的基袖方法研究邻域平均法只对图像局部进行空间域处理。假设有一幅的原始图像对其做领域平均平滑后得到图像,图中每个像素的灰度值都由该像素的给定邻域的像素灰度值的均值决定。与的关系可用式来表达。其中,分别是到的整数,是当前被操作像素点的领域的质心的位置集合,是集合■内位置坐标的总数。中值滤波(也是一种针对空间域的非线性平滑技术,比较适合既去除噪声又保护图像边缘信息的处理情况。中值滤波首先选定处理窗口的大小,将窗口内所有像素按灰度值从小到大排序,用排序后的灰度值数列的中间值代替窗口中的所有灰度值,窗口按同一个方向滑动过图像上所有的像素时,中值滤波结束。最早应用在图像处理中的中值滤波方法称为标准中值滤波,它是用固定大小的滑动窗口将原图划分为若干子图像,对子图像做二维滤波,滤波的运算方法与中值滤波相同,需要进行去噪处理的像素点作为当前滑动窗口的中心像素点,窗口通常选择方形,大小根据实际情况确定。带权值的中值滤波方法是对标准中值滤波的一种改进,该方法在对窗口中像素灰度值取排序中值之前,为窗口内像素点加相应权值,权值表达了该像素点在排序时出现的次数。中心权值中值滤波是对带权值中值滤波的又一次改进,该方法设定了加权值规则,规定只为窗口的中心点增加权值,其值为女,窗口中其余像素点权值为。当时,中心权值中值滤波就是带权值中值滤波；当大于等于滑动窗口大小时,窗口中值恒等于窗口中心点的灰度值,此时中心权值中值滤波就是去了降噪功能。所以中心权值中值滤波中点权值的设置非常关键,需设定一个合理的权值才能在具有良好保真性的同时又能有较好的去噪效果。对于脉冲噪声的去除,有学者提出了一种三态中值滤波,它是将一种噪声检测机制引入传染的中值滤波,使得滤波器仅针对带噪声像素点有效。它的主要思想是通过噪声检测机制判断像素是否被噪声污染,如被污染,则滤波器有效,滤波机制与中心权值中值滤波或标准中值滤波相同,反之,滤波器无效,像素点灰度值不变。三态中值滤波可用式表达。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究式中是像素点的原灰度值,是对像素点做中心权值中值滤波的结果,是对像素点做标准中值滤波的结果,阈值表达了像素原灰度值与中心权值中值滤波或标准中值滤波结果的差值。和分别表示原灰度值与中心权值中值滤波和标准中值滤波结果的差值。通过设定阈值可以保留图像细节,采用中心权值中值滤波或标准中值滤波可以去除噪声。去除图像椒盐噪声是中值滤波的一种典型应用。自适应中值滤波是在中心权值中值滤波的基础上改进得到的,该方法反映出了窗口灰度值序列的中值的前后两个紧邻的数值对去噪效果的影响。图像边缘提取算法图像边缘是图像的重要特征,边缘像素的特点是其周围像素的灰度值有阶跃或屋顶变化,边缘线条含有方向、阶跃性质和形状等本质信息,能够刻画图像中的目标物。图像边缘可分为两类：阶跃型,边缘两次的像素灰度值有明显变化,可通过该点的二阶导为的特点来检测；屋顶型,通常处在像素灰度值从大到小变化的折点上,可通过二阶导在边缘处为极值的特点来检测。边缘提取算法是数字图像处理中的重要手段之一。边缘提取算法能够检测出强度非连续的像素,同时能够确定不连续的准确位置。当边缘检测算法受到噪声和模糊的影响,常使检测到的边缘过宽或过窄甚至断裂。具有一定抗干扰能力的边缘提取算法应该能够找出潜在边缘像素的徵分算子,现有的各种边缘检测算子也都是以局部微分算子为基本改进而来的。边缘算子法边缘算子法是最早出现的边缘检测方法,包括早期的梯度算子、算子、算子、算子、算子等。这些算子一般以一阶二阶导数的方法为基础来检测边缘,通常只通过个别的像素点判断边缘的位置。在运算过程中,使用一阶导数时,如 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究果该点的二维一阶导数比指定的阈值大,就定义该点是一个边缘,根据事先定义好的连接准则,相联系的一组边缘点就定义为一条边缘；使用二阶导数时,将边缘点定义为其二阶导的零交叉点等,。图像中的一阶导数用梯度计算,二阶导数用拉普拉斯算子计算得到。对于梯度算子,将二维函数；；的梯度定义为向量：§▽”向量幅值为：▽在使用时通常可以在保留其导数性质的前提下简化计算,一般通过省略平方根或取绝对值来取该值的近似值：▽或▽这里的幅值或其近似值就称为梯度。如在图如所示的区域的灰度级图像邻域中,点处的一阶偏导可以用交叉梯度算子方便的获得,如下式所示：、将图所示的模板在图上做空间滤波操作,即可得到整幅图像的导数。°°图区域的灰度级图像邻域及算子楔板 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究二维函数的拉普拉斯算子是如下定义的二阶导数▽对如图的邻域,其二阶导为：▽数字近似法为：▽乂目前常用的边缘检测算子中,算子、算子、算子和算子属于一阶导数算子,算子属于二阶导数算子。小波变换多尺度分析法近年来,随着现代信号处理技术的发展,小波变换成为一种热门的边缘提取方法。小波变换具有良好的时频特性,可以调节不同频率成分在时域上的取样间隔,能把图像信号分解成多尺度成分,对不同的尺度成分使用不同的时域采样间隔,逐步递进到图像的微小细节。它的多尺度性能是图像边缘检测的有效工具。小波包分解法(在小波函数对图像进行分解的基础上发展了小波包分解边缘提取算法。单纯的小波变换图像边缘提取法只对低频子带敏感,无法分解高频子带,因此使用小波变换处理图像会造成一定的高频信息丢失。小波包变换能够同时对图像的低频子带和高频子带进行分解。小波包变换更加精细,可以对不同分辨率子图像进行边缘提取操作,对噪声掺杂的图像,能够起到抑制噪声的作用。数学形态学方法数学形态学以数学理论和几何学理论为依据,是一种非线性的滤波方法。数学形态学图像分析研究重点在于分析图像的几何结构特点,采用填放结构元素的思想,根据图像传迗信息的不同构造合适的结构元素,使其完成特定的图像分析任务。数学形态学方法通常用来处理二值图像或灰度图像,可将图像中较复杂的形态简化或分解为简单的形状。数学形态学与传统的图像分析法相结合能够识别灰度图的边缘特征像素。 浙江大学博士学位论文第三章高光谱图像数据分析的基础方法研究分形理论法根据图像的局部自相似性构造图像迭代函数,分形几何中的压缩映射定理和拼贴定理是分析理论在图像处理中的核心内容。压缩映射定理可确定迭代函数的收敛性,拼贴定理可将一个完整图像分解成若干分形,这些分形构成一个迭代函数系统。由于迭代函数系统的吸引子与原图存在一定的差异,用吸引子吻合原图的过程中,处在图像边缘部位的分形失真度最为明显,平坦区或纹理区的分形失真度则相对不明显,因此,该特征被用于提取图像的边缘像素。目前数学形态学方法和分形理论法在图像边缘提取中的研究还不成熟。神经网络法神经网络(,凭借其强大的非线性表达力,在许多领域得到广泛应用。基本思想如下：将输入图像映射为一个神经网络输入一定的先验知识神经网络训练学习若神经网络输出结果不收敛,则回到第步继续学习。神经网络虽然有较强的非线性表达能力,但是将该算法用于提取图像边缘时的一个主要缺陷是运算过程中的第二步要求输入一定的先验知识,在许多的研究中先验知识是很难获取的。本章小结本章以光谱维数据处理和空间维数据处理两条主线详细介绍了高光谱图像数据的分析方法。对光谱维数据,提出了数据降维数学建模基于计算智能的神经网络的分析路线；对空间维数据,提出了图像增强边缘提取的空间维数据分析路线。 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究第四章基于高光谱波段优选算法的油菜菌核病识别研究【提要】本章的研究对象是受菌核病危害的现蕾抽薹期的油菜叶片主要采用高光谱成像系统采集叶片高光谱数据和图像数据,建立了油菓受菌核病感染染病时间的监测关联模型。实验按照染病时间的不同对样本叶片分别采样。采用光谱降维数据处理技术和群体智能神经网络方法来识别病斑受侵染的时间,建立了基于高光谱波段优选算法的油菜菌核病染病时间监测模型。引言高光谱图像技术将图像处理技术与光谱分析技术相结合,成为近年来数字农业邻域研究的热点。它秉承了光谱和高光谱技术的无损检测的特点,同时利用图像处理技术能够对植株早期病害的识別精确到像素级。高光谱图像技术已被用于水果品质鉴别、植株营养成分鉴别、植株病害程度鉴别及染病植株与健康植株的鉴别等。利用可见和近红外波段高光谱信息鉴别小麦健康叶片、感染黄绣病叶片和缺氮叶片,用二次判别分析(和自组织映射神经网络(两种分类方法来鉴别这三类叶片,其不足在于受病害感染的冠层反射光谱存在不稳定性。利用高光谱信息将葡萄柚果实的遗癌病从健康果中分离出来,进一步将葡萄柚果实的溃癌病从其他种类的病果中分离出来,该文的分类方法用了个波段参与分析,分类精度较高,但是运算较费时。李江波用主成分分析与波段比算法相结合将脐撞遗癌果从脐撥其他种类的病果中分离出来,相对于和研究,降低了运算量。用高光谱信息结合植被指数(和支持向量机(将甜菜健康叶片与感染锈病、尾拖菌叶斑病和白粉病等三类甜菜病害的叶片区分,总鉴别精度超过。以上实例表明利用高光谱数据信息识别植株染病情况是可行的。但是,到目前为止,利用高光谱数据信息鉴别植株染病时间的报道还比较少。本研究希望将高光谱信息与智能计算方法结合,建立一种快速鉴别油菜感染菌核病时间的模型,其中包括高光谱数据降维和回归预测两个步骤。实验仪器和样本本实验选取健康且未使用过农药的现蕾抽薹期油菜叶片,采用芬兰公司生产 浙江大学博士学位论文第四章基于高光谱波段优选算法的治菜菌核病识别研究的型号为的高光谱成像系统扫描叶片,波长范围从总共采集个波段。以培养基(培养菌核病菌丝,制成直径毫米的圆形菌丝块。实验共使用了片叶片,采用非离体接种方式,选取每一个叶片上的相似位置为菌丝块贴敷点,使染病进程尽量相似。用人工培养箱保持油菜植株恒温°、恒湿经过小时后菌丝块的周围开始显现病征。随着时间的推移,病斑面积慢慢扩大、变黄、失去水分。在初次显现病症后,每隔小时对样本汁片采集一次高光谱图像数据,希望通过数据降维和智能计算方法将不同染病时间的数据进行分类。将图像上的病斑部位像素的高光谱数据提取出来并进行标准化矫正,后续的分析处理是针对这些高光谱数据进行。实验步骤与方法光谱维平滑平滑滤波器(是一种特殊的低通滤波器,由和于年提出,广泛应用于数据流平滑除噪蔡天净梁逸曾该方法直接处理时域数据,设定移动窗口,利用最小二乘进行最佳拟合,可消除带有较大误差障碍的数据点。该平滑方法中,计算机运行的程序相对较小,对内存和数据处理能力的要求也较低。平滑滤波器具有以下优点：利用最小二乘多项式拟合来实现,简便易懂,操作性强；滤波系数是从对应的卷积系数表中查找的,比较容易获得；对采样频率较低的生物学数据比较适用。高光谱数据降维本实验采用高光谱成像系统采集样本叶片图像数据,再将图像上病斑部位像素的高光谱数据提取出来,针对高光谱数据进行油菜菌核病染病时间的鉴别。实验用仪器能够采集个波段的光谱数据,在进行染病时间的鉴别之前,必须对数据进行有效的降维,才能够减少处理时间,提高鉴别的效率。主成分分析主成分分析法(是一种比较通用的数据降维方法。主成分分析法使被测样本的 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究所有波段参与运算。它将原变量转换至新变量空间,新变量是原变量的线性组合,新变量满足正交原则。经过空间变换后,原变量的大部分有用信息会集中在前几个新变量中,这些新变量应该能够尽可能多地表征原变量的数据结构特征而不丟失信息。这样就可以用前几个新变量代替所有的原变量,达到了数据降维的目的。本实验首先采用主成分分析法对高光谱数据进行降维。经过实验发现,主成分分析的缺点是它必须对所有参与模式识别或回归判别运算的数据统一进行分析,也就是说所有训练集(建模集)数据和预测集(验证集)数据必须集合成一个数据集统一做主成分分析。但是通常做光谱数据建模和预测时,都希望先对训练集数据做主成分分析已达到降维的目的,然后再用降维后的数据建立模式识别或回归判别模型,经过预测集验证后确定该模型巳达到一定的性能指标,这样该模式识别或回归判别模型就建立好了。该模型在正式使用的过程中会遇到尚未进行过主成分分析的新的数据集,如果将这个新的数据集与训练集一起重新做主成分分析,那就意味着需要重新建立模式识别或回归判别模型；如果将这个新的数据集单独进行主成分分析,再用事先建立好的模型进行模式识别或回归判别,此时会发现判别的性能远低于模型对原始预测集的判别性能。由此可知,用主成分分析进行降维后建立的判别模型适用性较差。因此需要一种适用性较强的高光谱数据降维方法。基于类间不稳定指数的高光谱波段优选算法研究本文提出一种基于类间不稳定指数的高光谱波段优选算法。该算法的核心思想是利用最能体现各类样本间差异的波段来对数类样本进行判别。首先计算类间不稳定指数。类间不稳定指数计算是按照波段依次进行的,对各类样本的同一个波段计算得出一个不稳定指数。如果参与运算的样本属于两类,则类间不稳定指数由式计算得出(。厂■,其中,；是两类样本在第〖个波段的类间不稳定指数,是类内偏差,是类间偏差,和分别是第一类样本和第二类样本在第个波段的标准偏差,和分别是第一类样本和第二类样本在第个波段的光谱反射值的均值。由公式可以看出,类内偏差越小、类间偏差越大,类间不稳定指数就越小。 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究如果被测样本的类别数大于则由式计算类间不稳定指数(,。—如‘胞,‘其中,是样本的类别数,和分别是第类祥本和第类样本在第个波段的标准偏差,和分别是第类样本和第类样本在第个波段的光谱反射值的均值。计算出每个波段的类间不稳定指数后,对波段的优选可以通过对类间不稳定指数的选择来实现。类间不稳定指数可以表现一个波段对样本分类运算做起作用的大小。每别除一个波段都会造成一定的信息量损失,所以我们希望留下对分类运算作用大的波段,别除对分类运算作用小的波段。在本实验中,通过计算类间不稳定指数的相对偏差来判断波段的重要性。依次计算相邻两个波段的类间不稳定指数的相对偏差,如公式所示。其中,是第个波段与第个波段的类间不稳定指数的相对偏差。经过实验发现,别除较大的值对应的两个波段会导致分类精度有相对较大的下降,而别除较小的值对应的两个波段会引起相对较小的分类精度下降。因此,别除值较小的波段好过剔除值较大的波段。为了选择合适的值,需要在所有波段的值范围内选取合适的阈值,大于该阈值的值所对应的波段就可以考虑成为优选波段。值大于阈值的波段作为优选波段,值小于阈值的波段被别除。阈值设定的越小,被选中的波段的数量就越多；反之,被优选波段的数量就越少。阈值在值的最大值和最小值之间的区间内选择。判断阈值是否合适的方法是用某一阈值选出优选波段,再用这些优选波段来建立预测建模,然后考察模型的预测精度。阈值的选取可以根据实际的精度要求来进行,精度要求低,则可选用较大的阈值,而精度要求高时,则需选择较小的阈值。为了得到合适的精度,通常需要设定一系列的阈值,开始时阈值的间隔可以设定的大一些,得到这些阈值对应的预测精度,然后缩小阈值范围,找出合适的阈值区间,进而得到精确的阈值。这样做可以有效的减少运算时间。在本实验中,选取了相关系数和均方根误差作为预测精度的指标。在选定了一系列阈值后,经过值与阈值的比较,删选出优选波段建立预测模型并估算预测精度,通常均方根误差会随着阈值的增加而增加,但与阈值呈现非线性关系,相关系数的大部分数值会随着阈值的增加而呈非线性增加,但它不 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究是严格遵守这个规律的,个别数值会随阈值的增加而减小。在确定了合适的阈值后,就可以得到最终的优选波段。然后用这些波段来建立智能计算模型,进而对更多的实验样本做预测。变量篩选平均影响值(是被认为在神经网络中评价变量的相关性效果最好的指标之一,是由等人提出的。在本实验数据中,用类间不稳定指数法提取优选波段后,波段数量仍较多,不是很理想。此时可以采用基于平均影响值的变量篩选法作进一步的输入变量降维运算。通常与神经网络合用,用于确定输入变量对输出神经元影响的大小。值的正负代表相关的方向,绝对值的大小代表影响的相对重要性吴洪丽。具体计算步骤如下：用训练样本训练一个神经网络；将训练样本的每一个输入变量在原值基础上分别增减,构成两个新的样本和丨；用已经训练好的网络预测新样本和的输出和；求所有训练样本的和：的差值的平均值,即为变量的值算出每个变量的值后,根据绝对值得大小可知哪些变量对输出的影响较大,哪些变量影响较小,设定一个阈值,保留值大于阈值的变量,即对输出影响较大的变量,这样就实现了变量稀选。智能计算模型研究输入变量归一化处理在建立预测模型之前,对样本输入数据进行归一化处理更有利于模型的学习。归一化处理是将数据变换到,范围内,具体公式如下：卜—式中是归一化处理前的变量,是归一化处理的结果。■、是样本的最大值,是样本的最小值。 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究群体智能优化神经网络神经网络是一种多层前馈神经网络,主要特点是信号前向传播、误差反向传播,神经网络拓扑结构如图所示。图中显示了一个拥有《个输入向量(输入层神经元)、个隐含层神经元和个输出向量(输出层神经元)的网络结构,名人是网络的输入值,；是网络的预测值,和是网络的连接权值。前向传播是指输入信号从输入层经隐含层再到输出层,每个神经元只影响下一层的神经元。反向传播是指当输出层得不到期望输出值,则网络会根据预测误差调整网络的权值和阈值,使网络输出逐步逼近期望输出。输入层隐含层输出层图神经网络拓扑结构建立一个高效的预测神经网络模型,需要经过网络初始化和网络训练两个步骤。初始化包括拓扑结构初始化和权值阈值初始化。拓扑结构包括网络输入层、隐含层和输出层神经元个数,输入输出层神经元个数与网络输入输出向量维数一致,隐含层神经元个数可以根据如下的经验公式(吕传文得到。其中为输入层神经元数目,为输出层神经元数目,为至之间的整数。在本实验中,网络的输入向量维数是输出向量维数是,所以根据经验公式,隐含层神经元个数应该是在至的范围内。根据初步验证,当隐含层神经元个数为时,网络的预测性能最佳,所以实验设定的拓扑结构为。网络训练用于调整网络的权值和阈值,使预测输出值更接近期望值,经过训练并达到 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究预设要求的成熟网络就可以为今后的预测任务服务。网络训练包括以下几个步骤：隐含层输出的计算,根据输入向量、输入层和隐含层间的连接权值和隐含层神经元阈值得出,公式如下：丹广〒”》其中,为隐含层第个神经元的输出,为隐含层激励函数,为输入层第个神经元和隐含层第个神经元间的连接权值,为输入向量,为隐含层第个神经元的阈值,为隐含层神经元个数。输出层输出的计算,根据隐含层输出、隐含层和输出层间的连接权值和输出层阈值得出,公式如下：打产厂其中,(是输出层第人个神经元的输出,为隐含层第个神经元和输出层第女个神经元间的连接权值,为输出层第个神经元的阈值,为输出层神经元个数。网络预测误差计算,计算实际输出和期望输出间的误差,公式如下：,其中,是输出层第个神经元输出值得误差,是输出层第々个神经元的期望输出,是输出层第个神经元的实际输出。权值更新,根据网络预测误差更新连接权值,公式如下：①①”人‘,,,附；,,(①,…,其中,为学习速率。学习速率通常取值在范围内,学习速率越大,对权值的修改越大,网络的学习速度越快,但学习速率过大又会使网络学习过程产生振荡,难以稳定,学习速率过小又会使网络收敛速度太慢,所以合适的学习速率选取对网络训练的效率非常重要。阈值更新,根据网络预测误差更新神经元阈值,公式如下： 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究“,’…,’一根据以上的步骤可知,神经网络是否能达到预期的性能指标,与网络训练过程中的权值和阈值更新步骤关系非常密切,也即权值和阈值的设定对网络性能的改善至关重要。前文介绍的是通用的权值阈值更新方法。在本章中,尝试用不同的群体智能优化算法对网络的权值和阈值进行寻优,包括奴群优化和粒子群优化,用这些算法优化的神经网络分别称为虫义群神经网络、粒子群神经网络。敢群神经网络軟群算法吴启迪洪柄熔,是一种用来在图中寻找优化路径的机率型算法,由于年在他的博士论文中提出,其灵感来源于蚂奴在寻找食物过程中发现路径的行为。蚁群算法是根据虫义群的食习惯设计的一种模拟进化算法。在軟群中,妈蚁找到食物后,会向环境释放一种信息素,其他的蚂虫义会向信息素浓度高的地方靠近,这样越来越多的妈奴会找到食物；同时,一些具有创新性的妈軟不象其它蚂奴一样重复同样的路线,而是另辟溪径,如果新的道路比原来道路更短,那么更多的蚂奴会被吸引到这条较短的路上来,这样经过一段时间就会出现一条最短路径被大多数蚂蚁重复。本实验用軟群算法优化神经网络的权值和阈值。在优化过程中,用一系列权值和阈值的备选集合铺设从奴巢至食物源的路径,启动只蚂双寻找从奴巢到食物源的最佳路径。假设根据网络拓扑结构,分别确定网络的权值数量为,阈值数量为,对每一个参数,随机给出一个大小为的备选数据集合,每个集合是軟群从虫义巢到食物源必经的一层,则从虫义巢至食物源的路径分为层,每一层有若干个备选参数,每只妈奴可以在这一层上依概率选择其中一个数值经过。所有蚂蚁到达食物源后,根据每只妈奴选择的路径构建神经网络并根据预测结果的精度调整每个备选参数的选中概率。经过若干次循环后,軟群会向预测精度较高的那条路径聚拢。图所示是用軟群算法优化一个权值阈值的神经网络的示意图,其中左右两端分别是奴巢和食物源,中间的每一列方格是一个权值或阈值的备选集合,奴群需逐次经过这些层才能够到达食物源。根据奴群所选的权值和阈值构建的网络的预测精度决定了这些备选权值和阈值的信息素,信息素决定了备选权值和阈值的选中概率。经多次循环后,大多数妈奴会向较优的那条路径集中。图中折线表示奴群选 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究择的最优路径。急□□□：口严□口□□□食物源权权权阑國阈值值…值值值…值图救群算法示意图本实验中用奴群算法优化神经网络的步骤如下：设置备选参数的集合大小,备选参数矩阵蚂軟集合儿最大循环次数：,备选参数的信息素矩阵。对路径中的每一层,计算其中每一个元素的备选概率,公式如下：加(其中是第层第个元素的备选概率,,是第层第个元素的信息素。所有蚂奴同时从牧巢出发,对每一个妈奴,经过每一层时,按概率选择经过的节点。所有蚂軟到达食物源后,计算这一轮循环中每只蚂軟為所选节点构成的神经网络的预测精度预测精度即为适应度值,根据适应度值调节蚂奴经过的节点的信息素浓度,调节方式如下：其中,是第只蚂奴经过的节点在本次循环后的信息素浓度,卩了是本次循环前、上一次循环后的信息素浓度,是常敫用于调整信息素浓度的调节速率,是第只 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究蚂奴经过路线椅成的神经网络的预测结果的均方根误差。该公式可以选择质量较好的妈蚁释放信息素,质量较差的蚂軟则消耗信息素。若适应度值达到要求或循环次数大于最大循环次数则循环结束,输出最优路径,否则进入步骤(继续循环。算法流程如图所示。初始化种群大小和循杯次数‘初始化备选集合大小初始化信息素矩阵—计算备选元素的被迭概率‘所有妈般从般巢到食物源—计算妈蚊的适应度值调节信息素浓度度达到预期要或超过最大循环次数根据最优粒子确定网络权值國值图救群算法优化神经阿络流程粒子群神经网络粒子群优化算法(是群体智能领域一种新兴的进化算法,最早由和提出。粒子群优化算法通过模拟鸟类的群体食行为寻找最优解,在解空间中,每只鸟都在离食物最近的鸟的周围寻找食物。算法收敛速度快、全局搜索能力强。算法首先在解空间中初始化一群粒子,每个粒子即问题的一个潜在最优解。每个粒子 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究由位置、速度和适应度值三组数据来描述,每个粒子相当于一只鸟,位置即鸟在解空间中的坐标位置,速度即鸟飞行的速度,适应度值表示这只鸟给出的解的优劣程度,由适应度函数计算得到。在运算过程中所有个体会按照算法规则朝最优解靠拢。个体极值和群体极值是两个重要的跟踪指标,个体极值是单个粒子所经历的若干位置中适应度值最优的位置,群体极值是所有粒子经历的最优位置。粒子每更新一次位置就更新一次适应度值、个体极值和群体极值。本实验中,将粒子群算法与神经网络相结合,与奴群算法类似,用粒子群算法优化神经网络的权值和阈值。将网络的一组权值和阈值作为解空间中的一个粒子,初始化一个粒子群,将每一个粒子对应的网络进行训练并计算网络的均方根误差,将该均方根误差作为粒子的适应度值,适应度值越小,粒子越优,适应度值越大,粒子越劣。再根据适应度值调整粒子,经过若干次循环后得到最优的粒子。本实验中用粒子群算法优化神经网络的具体步骤如下：假设神经网络有〖个输入层神经元、个隐含层神经元和输出层神经元,根据神经网络的结构确定粒子的位置参数的维度,每一个粒子可用下式表述：■；,,其中,表示一个粒子,它的每一个维度与神经网络的一个权值或阈值相对应,是第个输入层神经元到第个隐含层神经元的权值,沒是隐含层神经元的阈值。初始化种群规模、迭代次数、个体和速度的最大最小值。随机产生一个种群,初始化其粒子和速度。根据粒子的位置参数计算神经网络的均方根误差,即为粒子的适应度值,并寻找个体最优适应度值和群体最优适应度值。粒子根据个体最优适应度值和群体最优适应度值更新自身的速度和位置,公式如下：⑶对式中,为惯性权重,为种群规模,为当前迭代次数,为第女次迭代时第个 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究粒子在方向上的速度,和是非负的加速因子,和为分布于,之间的随机数。计算当前粒子的适应度值和个体最优适应度值和群体最优适应度值。判断最优适应度值是否达到预期要求或是否超过最大迭代次数,若不满足要求,则返回步骤(若满足要求,则结束循环。算法流程如图所示。：初始化粒子维度初始化粒子群参数粒子和速度初始化计算粒子适应度值寻找个体极值和群体极值更新粒子速度和位贾计算粒子适应度值——赛更新个体极值和群体极值〒运应度达到预期要求根据最优粒子确定网络权值國值图粒子群算法优化神经网络流程模型性能检测指标本实验所建模型的预测性能主要用预测值与参考值之间的相关系数和均方根误差来 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究判断。模型的相关系数越接近均方根误差越小,则模型的预测性能越好,预测精度越高。本实验将被测样本集分为训练集和测试集,主要考察训练集样本的相关系数和均方根误差测试集样本的相关系数及和均方根误差相关系数的计算公式如下：叫其中,是相关系数,是样本〖的实际值,；是的平均值,是样本的预测值,是的平均值,是样本数。均方根误差(计算公式如下：應」本其中,是样本的实际值,是样本的预测值,《是样本数。实验结果与分析高光谱数据降维本实验每隔小时对接种后的片进行一次高光谱扫描,如图所示,其中是接种后小时的图像,是接种后小时的图像,是接种后小时的图像,是接种后小时的图像,是接种后小时的图像,是接种后小时的图像。从图中可以看出,随着时间的推移,接种用的菌丝块周围病斑渐渐变黄变干,慢慢扩大。对实验中的叶子,从每一时间的图像上,选取菌丝块附近位置基本相同的受感染像素的高光谱数据,构成个训练集样本和个测试集样本。先用通用的主成分分析法对高光谱数据进行降维。将训练集样本和测试集样本合并做主成分分析,得到的前五个主成分得分值如表所示；训练集样本单独做主成分分析,得到的前五个主成分得分值如表所示。两表的贡献率值基本相似,由表可知前三个主成分贡献率巳达到以上,能够代替原始光谱数据的信息,所以选用前三个主成分建立预测模型,预测像素受菌核病感染的时间。当将训练集样本和测试集样本合并做主成分分析后,对训练集样本和测试集样本的前三个 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究值进行运算,用训练集样本值建立最小二乘支持向量机模型,再用模型预测测试集样本值,预测结果为：训练集的相关系数为、均方根误差。为,测试集相关系数为、均方根误差为。而当将训练集样本和测试集样本分别做主成分分析后,用训练集样本值建立最小二乘支持向量机模型,再用模型预测测试集样本值,预测结果为：训练集的相关系数为、均方根误差为,测试集相关系数、为、均方根误差为。由结果可知,第二种方式对测试集的预测精度要低很多,原因是测试集数据没有与建模用的训练集数据一起做主成分分析,由此可知,用主成分分析法降维后再建模的方法延展性不够,每次针对一批新的测试数据,必须重新进行主成分分析,再建立预测模型。所以接下来本实验将使用类间不稳定指数法进行高光谱数据降维。圓議響图同一片油菜外片接种菌核病后不同时间采集的图像 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究表训练集样本和测试集样本合并做主成分分析的主成分贡献率表训练集样本单独做主成分分析的主成分贡献率在基于类间不稳定指数法进行高光谱数据降维时,计算出高光谱数据每个波段的类间不稳定指数后,然后计算两两连续的波段的类间不稳定指数偏差再通过设定的阈值来获得优选波段,值大于阈值的波段就是优选波段。为了获得合适的阈值,实验选取了一系列阈值进行尝试。每试用一个阈值,用该阈值对应的优选波段建立预测模型,再通过对比模型的预测精度找到质量较好的阈值。为了与前文使用的主成分分析法对比,这里同样采用最小二乘支持向量机来建立预测模型。采用不同的阈值获得的预测模型的相关系数和均方根误差如图所示,图中黑色粗虚线对应的是当阈值为时的预测精度。由图可知,当阈值为时,最小二乘支持向量机模型预测的相关系数为,均方根误差为,相应的优选波段数如图所示。由图可知,在不同的阈值取值条件下,模型预测的相关系数相差不大,都在左右,比较理想；但是均方根误差区别比较大。我们希望均方根误差越小,优选波段数越少,相应的阈值质量就越好。当阈值为时,均方根误差为阈值为时,均方根误差为两者相差较小,但后者比前者优选波段数减少了个,显然阈值优于当阈值为时,均方根误差为与阈值为时相比有较大增加,所以选择为最终阈值,优选波段数为。优选的波段如图所示,图中红色点划线是全波段光谱曲线,图下方的黑色短实线是被选中的优选波段,共有个优选波段。图为用个优选波段数据训练最小二乘支持向量机模型的过程,该过程为二步网格搜索,黑点为第一步较大尺 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究度搜索,“”为第二步小尺度搜索,图像右侧的彩色等值线表示代价函数值。—相关系数」—均方根误差广」运广：类间不稳定指数偏差阈值图阈值对应的精度—波段数■錄溶。：‘‘类间不稳定指数偏差阈值图阈值对应的优选波段数量 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究—优选波段■全八光、丨谱、■扎曲线‘‘‘、、、■靡甸！‘—“——‘——‘———‘—‘——‘——‘——‘——■——‘———‘波长图基于类间不稳定指数的高光谱波段优选算法优选波段的结果。。二”。。一丨。。、。：：：圓！已。。■■—“⑴图个优选波段建立的最小二乘支持向量机模型训练过程针对这个优选波段,再使用平均影响值(方法进一步稀选。对个波段分别取变异值,建立神经网络,计算值,保留值较大的个波段,这个波段对预测模型精度的影响也较大。被选波段如图下方的黑色短实线所示。图为用个优选波段数据训练最小二乘支持向量机模型的过程。 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究：—全光广、谱曲线、■、姻、义■！、‘———‘——‘——‘——‘————‘——‘——‘——‘———波长图基于平均影响值方法的优选波段结果‘。”。。二。。‘■：图个优选波段数据训练最小二乘支持向量机棋型的过程基于群体智能优化神经网络的油菜菌核病鉴别用前期运算得到的个优选波段来建立神经网络预测模型。因为每一个被测样本都由个优选波段组成,所以神经网络的输入层有个神经元,输出层则是叶片受感染的时间,所以输出层有个神经元。根据经验公式可知,网络的隐含层神经元个数应该是在至的范围内。根据初步验证,当隐含层神经元个数为时,网络的预测性能最 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菜菌核病识别研究佳,所以实验设定的拓扑结构为。网络的权值和阈值的设置利用群体智能优化来实现,本实验中分别采用奴群算法和粒子群算法优化这些参数。奴群算法中,种群规模为,循环次数为,网络参数的备选集合矩阵大小和信息素矩阵大小为奴群从奴巢到食物源需经过层节点,每经过一个层,蚂秋都会依照该层各个节点的被选概率值选取一个节点通过,概率值是根据各个节点的信息素浓度确定的。用个训练集样本作为网络的输入,采用軟群算法来优化该网络的权值阈值,优化结果见附录一、附录二。用该网络预测个训练集样本和个测试集样本数据,预测精度如表所示。为了保证与奴群算法的可比性,在粒子群算法中同样选择种群规模为迭代次数为对随机生成的粒子位置进行寻优,根据每一次迭代产生的个体适应度最优值和群体适应度最优值来更新粒子的位置。用个训练集样本作为网络的输入,采用粒子群算法优化该网络的权值和阈值,优化结果见附录三、附录四。用该网络预测个训练集样本和个测试集样本数据,预测精度如表所示。其中是训练集的相关系数,是训练集的均方根误差,是测试集的相关系数,是测试集的均方根误差。表油菜受菌核病侵害像素点预测模型结果训练集预测集变量数降维算法建模方法预测集参与建模)预测集不参与建模)蚁群神经网络粒子群神经网络由表可见,主成分分析法(的延展性很差,在预测集样本不参与建模的情况下,模型对预测集祥本预测结果很不理想。采用本文提出的方法的降维后,用軟群或粒 浙江大学博士学位论文第四章基于高光谱波段优选算法的油菓菌核病识别研究子群算法优化神经网络建模的预测结果优于最小二乘支持向量机(建模法,在波段数下降的情况下均方根误差仍然得到明显下降。奴群或粒子群优化神经网络模型对训练集样本预测的精度略高于测试集祥本；粒子群算法优化神经网络的预测结果略优于奴群算法。本章小结在高光谱数据降维过程中,主成分分析法很难对不与训练集一起做分析的数据进行良好的降维处理,适用性较弱。文中提出的基于类间不稳定指数降维方法可以针对多于两类的输入数据,根据类间不稳定指数判断样本数据的毎一个波段对回归运算的重要性,再根据重要性来提取优选波段。在选出个优选波段后,用平均影响值再次判断波段对回归模型性能影响的重要性。经过这两次降维处理后,优选波段为个。在神经网络参数寻优过程中,分别采用奴群算法和粒子群算法优化神经网络的权值和阈值。軟群算法是在备选参数范围内寻优,备选参数是随机或人为凭经验选取的,假如备选参数设置不当,会导致求解速度很慢且所构成网络的性能较差。且奴群算法从理论上来讲,要求所有的蚂軟选择同一路线时才认为是最优路径,这样导致运算复杂度较大,搜索时间较长。粒子群算法具有快速逼近最优解的能力,可以有效的对参数进行优化。在本实验中,粒子群神经网络的预测性能比奴群算法更优。 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究第五章油菜汁片菜青虫孔自动识别和重构方法研究【提要】本章的研究对象是受菜青虫咬嗟的现蕾抽薹期的油菜叶片,采用高光谱成像系统采集叶片图像,提取叶片边缘。结合数字图像处理技术、神经网络学习算法来识别和重构带有虫孔的油菜叶片。本章提出的算法是进一步的叶片虫孔面积计算的重要前提。引言油菜在生长过程中常受到各种虫害的侵扰,目前除了喷洒农药外没有其他更有效的方法可以控制虫害侵扰。过多使用农药不但污染环境,还会使害虫产生抗药性,增加虫害发生率,对将来的农田防虫造成不良后果,。实时了解虫害侵扰程度是及时采取有效防治措施、降低农药用量的关键步骤。通过视觉观察虫害程度是一种简便的方法,但是存在不精确性；。高光谱成像技术结合数字图像处理技术是一个良好的选择。数字图像处理技术主要关注研究对象的形态和颜色特征,可以用于识别害虫的边缘特征从而确定害虫种类,也可用于计算害虫的数量。和采用基于数字图像处理技术的自适应神经元模糊控制系统来分离棉花植株图像上的叶片、害虫和其他非植株对象。研究结果表明数字图像处理技术能够有效识别棉花受虫害侵扰的程度。光谱、多光谱和高光谱技术也能用于量化植株受虫害程度。有学者研究了受騎虫侵害的小麦叶片的反射光谱特征,。通过受虫害侵害的小麦的反射光谱数据计算植被指数,从而确定受虫害程度。还有学者利用光谱数据集确定番庙叶片上的微小伤害,、甜菜蓟马、棉花姆虫和蛛侵害程度和使用多光谱数据确定麦田的麦二叉騎侵害程度。不论是光谱、多光谱还是高光谱技术,都是用于收集一定波长范围内的反射光谱数据,它们的区别在于光谱分辨率不同。与光谱和多光谱技术相比,高光谱技术能够覆盖更宽的波长范围,且波段间距更小。高光谱成像技术除了能够收集反射光谱数据外,还能够对每个采样波段呈现一个灰度图像,因此,能够感应到更多的有用信息。有学者作了关于虫害高光谱成像的研究,如和通过分析高光谱反射数据和图像估测小麦是否受到财虫侵害,结果表明高光谱技术能够得到较好的效果。但是目前用高光谱成像技术来识别作物受虫害程度的研究还较少报道。航空遥感中也使用了光谱和高光谱技术,适 浙江大学博士学位论文第五章油菓叶片菜青虫孔自动识别和重构方法研究用于大尺度测量,价格昂贵,且精度会受到天气情况和空气质量的影响。、和通过航空遥感数据探测麦田岍虫侵害。将高光谱成像技术与数字图像处理技术相结合能够得到较好的虫害估测结果,：的研究证实了这个结果。神经网络是一种非常重要的计算智能方法,是有生物的神经网络受到启发而产生的。神经网络已广泛应用于农作物和农产品的特征分析,包括受害程度的分类和回归算法。构建神经网络来计算番祐表面黑色斑点数量,和用神经网络快速分类大田中的庄稼和杂草。这些研究表明能够产生高精度的模式识别效果,是一种理想的建模分类或回归方法。基于高光谱成像技术、数字图像处理技术和计算智能方法的油菜叶片菜青虫害侵染识别研究还没有报道。菜青虫是一种严重的油菓虫害,常咬嗟叶肉,在叶片上留下虫孔。目前尚没有一个判断油菜受菜青虫危害程度的准则。通过判断油菜叶片受菜青虫咬嗟面积可以大致估测受害程度,而计算面积的关键步骤就是复原叶片的原始边缘曲线。特征波段的光谱反射值能够被高光谱摄像机感应,可以有效分离叶片和背景。所以高光谱技术结合数字图像处理技术可以快速提取叶片用于后续处理,比单独的数字图像处理技术效果更佳。数字图像处理忮术与计算智能结合能够准确提取叶片边缘。不同的神经网络模型用于重构叶片边缘的缺损部分。本研究的目的是基于高光谱成像技术、数字图像处理技术和神经网络方法识别油菜叶片上的虫孔,提出一种新的不闭合虫孔定位和重构算法。包括五个步骤：基于高光谱成像技术的背景分离闭合虫孔识别边缘提取不闭合虫孔定位不闭合虫孔重构本研究将对油菜叶片受菜青虫咬面积的计算起到关键作用。实验仪器和样本预处理本实验选取了被菜青虫危害的现蕾抽薹期油菜叶片。采用高光谱成像系统采集样本图像。为了使算法更适合实际生产应用,在采集高光谱图像时,叶片都保留在植物上。 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究本实验采集的高光谱图像块尺寸为像素像素波段。在个波段中,、和波段能被人眼感知,其构成的真彩色图像与人眼看到的彩色图像非常相似。三个波段构成的真彩色图像如图所示。为了自动识别虫孔,首先要做的是提取出叶片的边缘。从图中可以看出,油菜叶片的背景包括土壤和背景纸,叶片主脉上有菜青虫,我们可以先将背景去除再进行下一步运算。通过高光谱图像中的大量人眼不能感知的波段信息可以快速有效地将这些非叶片部分剔除。特征波段提取是背景剔除的关键步骤。我们对叶片、背景和菜青虫对象各选取一个像素,他们的反射光谱曲线,如图所示。图中黑色曲线对应叶肉像素,红色曲线对应虫,蓝色曲线对应背景。从图中观察可知叶片与菜青虫的光谱非常相似,而与背景光谱差异非常大。被菜青虫覆盖的部位叶片应该是完整地,所以在做背景分离时不需要考虑菜青虫,只需将背景纸和土壤剔除即可。由图可知,对和波段做差分运算能够有效增强背景和叶片间的差距波段差分运算公式如下：—其中,是波段差分运算的结果,和分别是和处的光谱反射值。每一个差分运算结果值对应一个像素的差分运算值,最终形成一个差分运算的灰度图像,如图所示。图的背景部分有椒盐噪声,中值滤波是一种比较好的去除椒盐噪声的滤波器。用中值滤波滤除椒盐噪声,再对图像做阈值分割,阈值选取为得到图所示的二值化图像,该图巳经将背景和叶片明显分离开。由于叶片被扫描时是保留在植株上的,所以长在对象叶片旁边的叶子也会进入摄像头的视野,在做进一步处理前最好去除这些不完整的叶片,以免干扰运算结果。图是去除多余叶片后的结果,从该图上即可非常方便准确的获得叶片的边缘曲线,进一步的分析也将在此基础上展开。实验步骤与方法虫孔类型及边缘类型定义在虫孔自动识别和重构算法中,虫孔的分类非常重要,虫孔的类型不同,运用的识别和重构算法也不一样。叶片的虫孔可分为以下两祌类型： 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究闭合虫孔,完全在叶片外轮廓以内的虫孔；不闭合虫孔,在叶片外轮廓线上,将原始外轮廟线覆盖。图叶片真彩色图像—叶片一。。二■虫厂一。。。■。。■波长(图吟片反射光谱曲线 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究图波段差分运算及背景分离对于闭合虫孔,空洞填充函数即可完成重构,并且通过计算空洞的像素数即可计算空洞面积的百分比。不闭合虫孔的处理步骤要复杂许多。本实验主要针对的是不闭合虫孔的自动识别和重构算法,提出一种新的虫孔自动定位和重构算法。不闭合虫孔定位算法首先定义叶片边缘的类型。带有不闭合虫孔的叶片的闭合边缘称为“破损边缘”,未被害虫咬嗟的叶片的闭合边缘称为“原始边缘”,破损边缘上属于不闭合虫孔的部分称为被“咬嗟边缘”,破损边缘上除了咬嗟边缘以外的部分称为“未咬唾边缘”。对叶片的二值化图像做边缘提取后,破损边缘或其原始边缘都是由离散像素点组成的,对于这些像素点做曲线拟合是非常必要的。不闭合虫孔定位的第一步是对边缘上的离散点排序。排序不能按照单独的轴或轴进行,因为那样的话排序就不会沿着边缘曲线进行,在拟合后会有很多的垂直或水平的曲线穿过整张叶片。最佳的方法是将这些离散点映射到极坐标,然后根据极角从°到°对离散点进行排序。在拟合过程中,多个点处于同一极轴上的情况会导致错误,所以在同一极轴上只能选择一个点。为了避免叶面积被遗漏,选择同一极轴上有最大极径的点。将这些被选中并且被排序编号的离散点再转换至直角坐标系进行曲线拟合。对于一条闭合曲线,每一个坐标值都对应两个点,拟合并不容易。所以需要将边缘曲线分解至和两个方向,然后对两个方向分别建立参数方程,如式和所示。 浙江大学博士学位论文第五章油菜叶片菓青虫孔自动识别和重构方法研究其中,是参数,取值范围从弧度至弧度,《和是系数,是大于《的自然数。受害叶片上的咬唾边缘和未咬嗟边缘应该先被自动识别出来,然后重构算法只需针对咬唾边缘进行运算即可。每一个极轴上只有一个离散点,咬嗟边缘和未咬嗟边缘被识别出后以相应边缘上的离散点的极角来标记比较合理,在后续的步骚中根据极角即可判断哪些点是咬嗟边缘上的离散点。为了识别咬嗟边缘,本实验提出一个定位因子的概念,该定位因子是参数方程的反函数的一阶导数,计算公式如所示。主、没丨其中,是定位因子,是边缘曲线上离散点的极角。求出定位因子之后,将定位因子公式中的作为自变量,作为因变量,在直角坐标系上作图,构成一个测试函数。在弧度至弧度范围内,在经过弧度和弧度时,什片边缘曲线的斜率在处都由负变正,所以当观察叶片原始边缘的测试函数时,在函数曲线的弧度和弧度处总是出现两个脉冲。将这两个脉冲看作标志脉冲。对于叶片的闭合破损边缘来说,测试函数上除了有这两个标志脉冲外,还会出现其它的脉冲,这些脉冲描述了叶片边缘的不平滑性。脉冲是由边缘曲线相应位置的斜率的不连续性造成的,脉冲幅值越大,说明边缘曲线相应位置的缺口越大。由于油菜叶片边缘是天然的锅齿形状,会在测试曲线上形成许多小的脉冲。根据这些特性,可以设定一个阈值,若脉冲大于这个阈值,就认为相应位置存在咬嘆边缘,这个脉冲就称为虫孔脉冲。这样,寻找咬嗟边缘就等同于寻找测试函数上的虫孔脉冲。脉冲幅值的阈值选取非常重要,如果阈值太大,会遗漏一些比较小的不闭合虫孔,如果阈值太小,则会将叶片原有的锅齿形边缘也误认为是不闭合虫孔。经过多次验证,本实验采用作为虫孔脉冲识别的阈值。因而,在一个破损边缘的测试曲线上,除了两个标志脉冲外,在咬嗟边缘的位置还有大于 浙江大学博士学位论文第五章油菜叶片菓青虫孔自动识别和重构方法研究的虫孔脉冲；而在一个原始边缘的测试曲线上,只有两个标志脉冲,没有其它的脉冲出现。不闭合虫孔定位算法流程：将边缘上的离散点排序；边缘曲线拟合；计算定位因子,建立测试函数；根据虫孔脉冲确定咬瘦边缘。不闭合虫孔重构算法通过不闭合虫孔定位算法找到叶片边缘的破损之后,破损叶片的重构运算只针对不闭合虫孔部位进行即可。本实验设计的重构算法是构建一个神经网络,根据未咬嗟边缘上的离散点来预测咬嗟边缘离散点相应极轴上的原始边缘离散点。建模与预测数据集在对咬嗟边缘进行预测时,需要建立一系列的约束点,用这些约束点来训练神经网络模型,然后用模型来预测被咬唾部位的原始边缘。所有的约束点都处在未咬嗟边缘离散点所在的极轴上。约束点集包含三类离散点：咬唾边缘上的离散点,对应的约束值为,称为边点(也可称为零点),边点集合用表示；极角与未咬嗟边缘离散点相同,极径比未咬嗟边缘离散点大,对应的约束值为,称为外点,外点集合用表示；极角与未咬嗟边缘离散点相同,极径比未咬唾边缘离散点小对应的约束值为称为内点,内点集合用表示。训练数据集约束公式如下：,式中,是离散点的约束值,沒是离散点的极角,是离散点的极径。建立神经网络模型时,训练数据集中应该包含未咬嗟边缘上所有的边点,以及部分的内点和外点。神经网络模型的输入向量是二维的,由极角和极径组成,离散点相应的 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究约束值是模型的输出向量,输出向量是一维的。遗传小波神经网络重构算法(重构即根据未咬唾边缘的离散点找出唆遂部分的原始边缘离散点。本文构建的重构模型包含二维的输入向量(极角、极径)和一维的输出向量(约束值)。训练集离散点都处在未咬瘦边缘离散点所在的极轴上,预测集离散点则处在咬嗟边缘离散点所在的极轴上。咬嗟边缘的毎一个极轴上对应一系列具有不同极径的离散点,这些点中只有一个是潜在的重构边缘的离散点。用咬嗟边缘极轴上的点构建预测数据集,预测的约束值最接近的点就是重构边缘上的离散点。本实验将小波引入神经网络。小波具有时域局部化特征,小波神经网络能够快速收敛,具有更高的精度。小波神经网络分为两类：松散型网络和紧密型网络。在松散型网络中,小波变换用于网络输入信号的预处理,小波变换将输入信号分解为多尺度系数,然后将这些多尺度系数输入神经网络。松散型网络的缺点是需要针对多尺度系数构建多个相应的神经网络,计算复杂度会大大增加。构建了小波概率神经网络用于寻找凸极式同步发电机的内部错误,它属于一种松散型网络。在紧密型网络中,小波函数作为传递函数,代替了原有的处于网络隐含层的局部函数如高斯函数和函数等。紧密型网络计算量更小、精度更高,所以本实验采用紧密型神经网络重构边缘曲线。拓扑结构是神经网络能否取得较好性能的一个重要因素。根据经验来设定神经网络的拓扑结构会增加计算量,降低预测结果的精度。根据经验设定拓扑结构,用构成的神经网络来预测鸡蛋的新鲜度,能够得到满意的预测精度,但是网络的拓扑结构是人为设定的,没有经过优化,网络包含个隐含层,计算量很大。拓扑结构和网络参数的优化能提高神经网络的性能并降低计算量。本实验中网络的优化通过遗传算法来实现。首先由二进制码描述拓扑结构,包括网络隐含层个数、每层的神经元数量。再用实数代码来描述网络参数,包括传递函数的形状参数、两个神经元间的权值、隐层神经元和输出层神经元的阈值。将这个二进制码和实数代码输入遗传算法进行优化,适应度函数用于测度个体的优劣。再采用选择算子、交叉算子和变异算子来创建拓扑结构和网络参数的新的个体。经过数代遗传,直到新的个体能够满足适应度准则的要求时,遗传停止,被优化的拓扑结构和网络参数就产生了。 浙江大学博士学位论文第五章油菜汁片菜青虫孔自动识别和重构方法研究根据以上的算法介绍,提出了一种遗传小波神经网络重构算法(采用一种改进的神经网络模型来重构受虫害的油菜叶片的边缘,该模型结合了遗传算法和小波变换。网络的传递函数设置为小波函数,神经网络要使用原始小波和一阶小波函数,分别如公式所示。如前所述,遗传算法用于优化网络拓扑结构和神经元权值与阈值,网络传递函数设置为小波,所以不需要优化形状参数。运行边缘重构算法时,未咬遂边缘的边点、内点和外点作为神经网络训练集的输入向量,这些点对应的约束值就是训练集的输出。与咬唾边缘同极角的离散点构成神经网络的预测集。为了降低计算量,预测集点的选取受到极径的限制,咬嗟边缘所在极轴上,极径小于未咬嗟边缘点的最大极径且大于未咬唾边缘点的最小极径的离散点被选入预测集,极角和极径作为输入向量,由网络来预测离散点的约束值。在每一个极轴上,预测约束值最接近零的离散点就是重构边缘上的点。遗传小波神经网络重构算法(流程如下,算法流程框图如图所示。将传递函数设置为小波函数在初始化神经网络中输入训练数据集用遗传算法优化网络拓扑结抅对结构进行二进制编码最大遗传代数设置为代沟设置为计算适应度选择单点交叉高斯变异 浙江大学博士学位论文第五章油菓吁片菜青虫孔自动识别和重构方法研究用遗传算法优化网络参数用实数对网络结构编码最大遗传代数设置为代沟设置为计算适应度选择双点交叉高斯变异边缘重构将测试数据集输入训练好的神经网络对咬嗟边缘进行重构实验结果与分析闭合虫孔填充依照图的结果,为了处理图上叶片的闭合虫孔,只需使用空洞填充函数即可实现,填充结果如图所示。闭合虫孔的像素数可由式计算得到,闭合虫孔面积占整片叶片面积的百分比可由式计算得到。士其中,。是闭合虫孔的像素数,是图中被填充的像素数,是恩上未被填充的孔洞部位的像素数。 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究：；「麗丨—咖；昏；；；：‘§；、乂产廣廣■■：系》￥芝〈〉—■：‘；者；——“—,——、“：“；、：；！‘‘：一编‘；！；；；；丨：：■伽—；；；丨！‘图算法流程框图边缘提取对闭合虫孔进行处理之后,叶片上的闭合孔洞都巳被填满。为了进一步处理,需要对孔洞填充后的外片(图做边缘提取。根据节的定义,提取出的边缘是破损边缘。本实验采用算子提取破损边缘。大津法(最大类间方差法)是一种自适应阈值选取方法,由日本科学家大津于年提出。本实验用大津法确定算子的阈值,阈值 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究选取为。边缘提取沿着垂直和水平两个方向进行。为了进一步分析,提取出的边缘映射到极坐标空间,边缘上的离散点根据极角排序。叶片的边缘如图所示。□图闭合虫孔填充结果；图投影到极坐标系上的叶片边缘 浙江大学博士学位论文第五章油菓叶片菜青虫孔自动识别和重构方法研究不闭合虫孔处理咬唆边缘定位不闭合虫孔是叶片边缘上的孔洞。为了估测叶片受害的程度,需要识别叶片上的虫孔,也就是识别咬嗟边缘。观察映射到极坐标上的破损边缘(如图,可以根据极角的大小对边缘上的离散点进行排序。从零度至度,极轴每旋转一度,就有一个点被选取出来。如果在一个极轴上有多于一个的点,则极径最大的点被选取出来。根据被选取的先后次序对这些点排序,再将这些点转换到直角坐标系进行曲线拟合。因为边缘曲线是闭合曲线,所以根据轴和轴分别拟合比较合适。图所示为拟合曲线,图上黑色曲线(实线)是方向的拟合结果,红色曲线(虚线)是；方向的拟合结果。边缘曲线的参数方程如式所示,该式的系数如表所示,将表中的系数代入式即得实验叶片的完整的边缘曲线拟合方程。‘。广、—分書分量翅、、。：；‘‘‘‘弧度(图叶片边缘曲线拟合 浙江大学博士学位论文第五章油菜什片菜青虫孔自动识别和重抅方法研究表汁片破掘边缘曲线的拟合参数方程的系数：二：式的反函数的一阶导数就是咬嗟边缘的定位因子,计算出定位因子后,再建立测试函数。测试函数映射到直角坐标系上,横坐标为弧度,纵坐标为定位因子值,如图所示。对于一个原始边缘曲线,测试函数上有两个标志脉冲,如图上红色虚线标出的两个脉冲。对于一个破损边缘曲线,测试函数上除了两个标志脉冲外,还有其它的幅值大于的虫孔脉冲,如图中的两个蓝色椭圆标识的豚冲。每一个虫孔脉冲对应一个咬嗟边缘,咬嗟边缘范围在虫孔脉冲的左右弧度。本实验中,虫孔出现在弧度和弧度处,两个咬嗟边缘分别在至弧度和至弧度。 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究—翅担丨丨丨丨贺；、、‘、、‘‘标志脉冲虫孔脉冲—‘—‘—‘—‘‘‘‘—‘—‘“‘—‘‘—‘弧度(图叶片边缘的测试曲线咬唾边缘重构完成对咬嗟边缘的定位之后,接下来要做的工作就是对其进行重构。重构是通过模型完成的,需要先建立训练数据集和预测数据集。本实验叶片的训练数据集由极角为至弧度、至弧度和至弧度的边缘离散点、内点和外点组成,模型的输出向量是一维的约束值,分别为、和预测数据集由极角为至弧度和至弧度,极径为至的离散点组成。小波函数作为传递函数,遗传算法用于优化拓扑结构和网络参数。将训练数据集输入神经网络模型,并设定相应的输出向量,经过优化的模型是三层结构,隐含层有四个神经元,网络的优化参数如表所示。将预测数据集的输入向量(离散点的极角和极径)输入训练好的模型,模型给出的输出向量就是预测的离散点约束值。对于预测数据集,同处一个极轴上的离散点必定得到不同的约束值,其中约束值最接近零的点就是要寻找的重构边缘点。每个极轴上能找到一个这样的点,将这一系列点拟合成曲线就是被重构的边缘曲线。重构结构如图所示,其中闭合的黑色曲线是这片叶子的破损边缘,红色曲线是用本实验方法得到的重构边缘。将破损边缘和重构边缘放在同一个坐标系上,可能会出现重 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究构边缘的极径小于未咬嘆边缘的极径的情况,在这种情况下,认为具有较大极径的边缘是什片的原始边缘,即受到虫害危害之前的边缘。因为破损叶片的边缘曲线非常复杂,所以如图的重构效果应该被认为是比较理想的。表模型的优化参数。……、乂么、、……？—：…潘—……………人、丄图咬唆边缘重构结果因为叶片的原始边缘已被菜青虫破坏,重构算法的性能好坏只能通过判断重构边缘的两端是否与未咬嗟边缘连接以及是否平滑,当然,轻徵的锅齿形是可以接受的,因为油菜汁片原始边缘也是锯齿形的。 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究为了精确估计重构算法的性能,实验另外收集了若干完好的油菜叶片,提取其原始边缘,然后人为将其破坏,模仿菜青虫危害,并提取破损边缘。釆用本实验的方法对破损边缘进行咬嗟边缘定位和重构。再将结果与原始边缘比对,以取得精确的性能估测。估测过程及结果将在下一节中详细介绍。重构算法性能分析为了对比本文提出的模型的性能,这里采用四种数学预测模型来进行叶片重构,将其性能与本文模型的性能进行比较。四种模型分别是遗传神经网络(、小波神经网络(、神经网络(和模型,这四种模型都是回归模型。实验收集了片完整叶片,提取原始边缘和破损边缘,因而有个原始边缘和个破损边缘。对这些边缘上的离散点排序、拟合,映射到极坐标上,再将不闭合虫孔定位方法用于这个破损边缘,识别出每一个破损边缘上的咬噬边缘和未咬僅边缘,然后对咬唾边缘进行重构,重构算法分别采用四种不同的神经网络模型。对于每个破损边缘,分别建立一个训练数据集和一个测试数据集,用训练数据集来训练个不同的神经网络模型,再用测试数据集来预测相应离散点的约束值,通过约束值判断每个极轴上可以用于重构边缘的一个点。原始边缘离散点的约束值作为参考值(事实上参考值永远为零),与预测输出相对比,从而估计种模型各自的预测性能。在模型中,遗传算法用来优化网络拓扑结构和参数,传递函数设置为同用的变换函数。为了增强可比性,将最大遗传代数和代沟设置为与相同,分别为和。在建模过程中,拓扑结构由人为设定为三层结构,隐含层包含个神经元,传递函数设置为小波函数。网络参数是通过前馈传播和误差反馈传播方式训练数据集而得到的。是通过次迭代学习得到的。在本实验中还建立了算法,它是一种传统的神经网络学习算法。经过这四种算法构成方式的分析,不难发现模型的优势在于它的传递函数是小波函数,不同于模型中的传统函数；拓扑结构是通过遗传算法优化的,不同于模型中的人为设定。四种模型的预测性能如表所示。对训练数据集的预测性能描述的是个破损边缘的训练数据集的参考约束值和预测约束值之间的吻合程度,对训练数据集的预测性能描述的是个破损边缘的测试数据集的参考约束值和预测约束值之间的吻合程度。根据表的描述,模型的预测性能优于其余三种模型。本实验的结果说明本文提出 浙江大学博士学位论文第五章油菓什片菓青虫孔自动识别和重构方法研究的方法是可以有效地识别和重构油菜叶片上的菜青虫孔的。表不同预测模型的性能对比,结果分析与讨论本实验采用高光谱成像技术采集对象叶片,可快速实现背景分离和边缘提取,进而对虫害进行分析。很多学者也利用光谱技术或高光谱成像技术来分析植物的病害和虫害情况,,,这些分析主要是针对叶片图像的像素信息,根据像素的光谱数据来分析叶片的生理信息,判断其是否受害及受害程度。虽然这些方法能够获得较好的效果,但就本实验的研究角度来说,叶片被害虫咬唾而不完整,未被咬哩的部分可能在生理指标上并未产生任何反应,所以这种方法显然是不实际的。采用高光谱技术提取受损叶片的边缘曲线再结合数字图像处理技术来分析受损情况显然更加实际。目前,并没有很多的研究针对植物叶片的虫害面积及受害部位的重构。；用了一种基于自动匹配的受损叶片重构算法测量叶片的受害面积。该方法与本实验的方法相比优势在于它能用于多种不同种类的叶片。缺点是重构必须在已知原始未受害叶片的基础上进行。而本实验设定的前提是叶片已经受到咬瘦,该方法显然是不适用的。本实验在对不闭合虫孔进行定位和重构时都是在极坐标上完成的,因为在极坐标系上,每一个边缘离散点都可以用极角来唯一确定,根据一个极轴上只选取一个离散点的原则,确定了极角就等于确定了某个离散点,这是在直角坐标系上是无法实现的。实验提出一种 浙江大学博士学位论文第五章油菜叶片菜青虫孔自动识别和重构方法研究定位因子法用于定位虫孔,通过虫孔脉冲寻找虫孔位置,以本实验对象叶片上的不闭合虫孔大小为例,在虫孔脉冲的左右弧度处是虫孔所处的位置。在识别了不闭合虫孔的位置后,采用算法预测虫孔部位离散点的约束值,与、和算法相比,算法效果最佳。本章小结本章提出和分析了一种新的识别和重构受菜青虫危害的油菜叶片虫孔的方法。由菜青虫危害导致的虫孔可以分为闭合虫孔和不闭合虫孔两类。闭合虫孔的重构相对比较简单,只要应用空洞填充函数就可将其填补并计算虫孔大小。本实验主要针对不闭合虫孔提出一种新的处理方法,包括虫孔定位和重构两个步骤。在定位阶段,提出一种基于边缘曲线参数方程的反函数的一阶导数的定位因子和测试函数,然后根据脉冲大小来识别虫孔位置。在重构阶段,预测模型引入了小波变换和遗传算法,训练数据集的输入向量包括未咬嗟边缘离散点的极角和极径,预测数据集的输入向量包括咬唾边缘离散点的极角和极径。输出向量为离散点的约束值。通过与其它三种预测模型比较,发现预测摸型的效果最佳。实验结果表明该方法能够有效识别和重构油菓叶片上的菜青虫孔。 浙江大学博士学位论文第六章受菓青虫轻度危害的油菓外片叶脉识别算法研究第六章受菜青虫轻度危害的油菜叶片汁脉识别算法研究【提要】本章的研究对象是受菜青虫轻度危害的现蕾抽薹期的油菓叶片,采用高光谱成像系统采集叶片图像。采用导数光谱法和主成分分析法结合数字图像处理技术识别叶片的什豚。引言了解植物叶片的脉络与形态是研究植物生理特征的重要依据,也是准确计算叶面积和分析叶片各种养分含量的前提。叶脉提取是一种非常有效地了解叶片脉络和形态的方法。已有许多学者对叶脉的准确识别做了研究,多数研究都是以普通相机拍摄的图像或灰度图像作为研究对象,采用各种数字图像处理技术识别叶片的叶脉。马全军通过计算图像的方向能量来识别叶脉；通过直方图预分割和人工神经网络分类器来提取叶脉；赵卓英和黄蕾用细胞神经网络对图像中的叶片提取叶脉；李灿灿基于算子和色调信息提取叶脉。以上这些研究的叶脉提取效果都是比较理想的,但是这些研究都是采用没有受到病虫害危害的健康叶片作为研究对象,除了叶脉和外肉像素间的色差外,不存在受病虫害危害产生的色差,识别的效果相对比较好。对于受到过轻度虫害危害的叶片,部分区域由于养分水分的流失而变黄变暗,同时还有虫孔虫斑,这些区域都会产生多余的边缘,在叶脉边缘识别的过程中很难避开。也有一些学者采用高光谱成像技术来提取叶脉和,但报道不多。为了更全面的收集叶片信息,本实验叶片的高光谱图像为基础提取叶脉信息。本实验针对受到过轻度虫害危害的叶片的高光谱图像,设计了两套叶脉识别的算法,分别是基于导数光谱法的轻度虫害油菜汁片的什脉识别算法和基于主成分分析的轻度虫害油菜叶片的叶脉识别算法。实验结果证明第二种方法比第一种方法的汁脉识别效果更优。实验仪器和样本实验采用芬兰公司生产的型号为的高光谱成像系统扫描现蕾抽薹期油菜的叶片。高光谱成像系统主要技术参数：波长：抽样间隔：光谱分辨率： 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究实验步骤与方法背景分离通过观察叶片与背景的光谱曲线,发现对与波段做差分运算能够有效增强叶片与背景灰度值得差距,有利于背景分离运算。进行波段差分运算的结果如图所示。由于图像采集过程中的噪音干扰,波段差分运算结果包含椒盐噪声,而中值滤波是降低图像椒盐噪声的有效工具岗萨雷斯。对波段差分图像做二维中值滤波,邻域取并用填充输入图像边界,结果如图所示,椒盐噪声有效降低。为了实现背景分离,需要得到与背景完全重合的掩模图像。因此对图进行图像分割和二值化处理,取阈值,得到图所示的掩模图像。将该掩模覆盖到原始图像上便得到了图。图是波段差分运算和图像降噪结果,是与波段差分运算结果；是对差分运算结果进行二维中值滤波的结果。图波段差分运算结果和图像降嗓光谱维平滑滤波平滑滤波是一种低频增强的滤波技术,通常包括均值平滑、中值平滑和权重自回归平滑等林孝铳；林孝铳。平滑滤波过程中窗口的大小与平滑效果有直接关系,窗口越大平滑效果越好,但窗口过大会使边缘信息损失过多,因此,需要合理选择窗口大小。为方便比较,在本实验中,均值平滑滤波和中值平滑滤波的窗口大小设置为,等权重自回归平滑滤波的窗口大小设置为。 浙江大学博士学位论文第六章受菜青虫轻度危害的油菓叶片叶脉识别算法研究图图像掩模；掩模；被掩摸的叶片图像中值平滑是针对任一像素的全光谱曲线,依次取曲线上的每一点作为中心,取中心点两边相等数量的若干数据点及该中心点,将这些点按数据大小排列,取排列位置为中间的那个值,将该值赋给原中心点。中值平滑公式如下：…,其中表示光谱曲线的波段总数,表示曲线上第个数据点的值,表示中心点的单侧被取得数据点个数。表示对数列取中值运算。为方便与其他平滑方法比较,本例中设置,即平滑窗口大小为。平滑结果如图；所示。权重自回归平滑同样是针对任一像素的全光谱曲线进行运算,由于尚不明确各个波段数据贡献率的区别,所以令所有波段的权重系数均等于。依次取曲线上的每一点作为中心,取中心点左侧的若干数据点,计算这些点的均值并赋给该中心点。权重系数等于的权重自回归平滑公式如下：—、,其中表示光谱曲线的波段总数,表示曲线上第个数据点的值,表示中心点的左侧被取得数据点个数。本例取欠,即平滑窗口大小为。平滑结果如图所 浙江大学博士学位论文第六章受菜青虫轻度危害的油菓叶片叶脉识别算法研究不—原始光谱—中值平滑广———中值平滑严,罢。。—波段縫波段腿原始光谱权重自回归平滑一頓自回归平滑。。。跡咖—波—原始光谱—均值平滑广——、—均值平滑霧。。波图光谱维平滑滤波均值平滑是针对任一像素的全光谱曲线,依次取曲线上的每一点作为中心,取中心点两边相等数量的若干数据点及该中心点,计算这些点的均值并赋值给该中心点。均值平滑 浙江大学博士学位论文第六章受菓青虫轻度危害的油菜叶片叶脉识别算法研究具体公式如下：：欠其中表示光谱曲线的波段总数,表示曲线上第个数据点的值,：表示中心点的单侧被取得数据点个数。本例取尺即平滑窗口大小为。平滑结果如图所不图是光谱维平滑滤波结果,图是中值平滑滤波的结果与原光谱曲线的比较；图是中值平滑滤波；图是权重自回归平滑滤波的结果与原光谱曲线的比较；图是权重自回归平滑滤波；图是均值平滑滤波的结果与原光谱曲线的比较；图是均值平滑滤波。由图可见,中值平滑滤波结果与原光谱曲线拟合性最好,但是结果曲线不够平滑；相比较而言,均值平滑滤波结果的平滑性较好,且与原光谱曲线的拟合性也较好。所以本实验采用均值平滑滤波对高光谱图像进行光谱维平滑。光谱曲线分析本实验的高光谱图像经过均值平滑后,叶肉像素和叶脉像素的光谱曲线如图所示。其中红色曲线为叶肉像素,黑色曲线为叶脉像素,两种像素的光谱曲线交叠在一起,很难分辨。因此进一步考虑一阶导数光谱法和主成分分析法进行叶脉识别运算。■“‘叶肉像素一叶脉像素————————■波长图叶脉像素和外肉像素光谱曲线对比 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究基于导数光谱法的轻度虫害油菜叶片的汁脉识别算法一阶导数光谱为将叶肉像素与叶脉像素区分开,考虑对光谱曲线求一阶导数。事实上,单个像素的光谱曲线是由一系列的离散光谱数据连成的曲线,因此,对高光谱数据进行导数变换并不等同于数学意义上的对连续、可微的函数进行求导运算,而是在一定尺度的微分窗口下通过一阶差商实现对一阶求导的近似代替王纪华,巩彩兰李信真。因此需要对光谱数据先行对数变换,再行求导变换。对数变换和导数变换的公式分别如式所示万余庆,李民赞。刷；对数变换如公式其中表示波长位置,表示波长义处的原始光谱反射值,⑷为经过对数变换后的数值；导数变换如公式,其中表示微分窗口尺度,⑷表示波长义处光谱反射值的一阶导数值。在求导变换中,微分窗口尺度大小的选取对信息提取的有效性起了至关重要的作用。选取较小的微分窗口尺度能够提供精细的光谱形态变化信息,但同时也会放大光谱中的高频噪声；徵分窗口尺度选取较大时,对曲线有一定的平滑去噪功能(类似于加权平滑),但窗口过大也会将光谱曲线上的拐点和极值点平滑,丢失一定的光谱形态变化信息,尤其是光谱曲线上凸峰处所携带的重要信息李民赞,。因此,微分窗口尺度应该选取适中。对叶脉像素做对数变换,再做一阶导数变换,微分窗口分别取大小为、和结果如图所示,其中为微分窗口大小。由图可知当微分窗口大小选取为和时,曲线中含有较大的喿音,不利于后期分析；当微分窗口大小选取为时,曲线较为平滑,且几个主要的吸收峰和反射峰也能够完整保留。因此在实验中将微分窗口大小选取为。同样对叶肉像素光谱做对数变换和一阶导数变换(徵分窗口大小选取为结果如图所示。将叶脉像素和叶肉像素的一阶导数光谱进行对比,如图所示,由图可知,除了在处反射值较低的一条叶肉像素曲线外,其余的叶肉与叶脉像素曲线在处均能被明显的区分开,区分效果明显优于图中的原始光谱,因此可以 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶豚识别算法研究采用一阶导数光谱法提取叶脉。叶豚像素叶腺像素—吟脉像素—外脉像素浩泣。叶脉像素叶腺余一叶脉像素—叶脉像素叶脉像素卩十！余■■波长(波长(側——叶脉像素叶象素脉▲素患像运热叶脉彳—叶脉像素—一叶脉像素錢叶脉像素—叶脉像素波长(波长(叶脉像素——叶脉像素—一叶脉像素,一叶脉像素繁—叶脉像素錄、—叶脉像」波长(图叶脉像素对数变换及导数变换图是叶脉像素对数变换及导数变换结果,其中是叶脉像素的反射光谱；是对叶脉像素光谱做对数变换；是对叶脉像素光谱做一阶导数变换,微分窗口大小为个波 浙江大学博士学位论文第六章受菜青虫轻度危害的油菓叶片叶脉识别算法研究段；是对叶脉像素光谱做一阶导数变换,微分窗口大小为个波段；是对叶脉像素光谱做一阶导数变换,徵分窗口大小为个波段。图是叶肉像素对数变换及导数变换结果,其中是叶肉像素的反射光谱；是对叶肉像素光谱做对数变换；是对叶肉像素光谱做一阶导数变换,微分窗口大小为个波段。图是叶脉像素和叶肉像素一阶导数变换结果,经过变换后,在处大部分叶肉像素的一阶导数值都大于叶脉像素的一阶导数值,可以用阈值分割来区分；其中只有标识为的一条曲线所对应的叶肉像素与叶脉像素交叠在一起,难以区分。叶肉像素叶肉像素一叶肉像素八—外肉像素叶肉像素—斗肉叙银一叶肉像素一外肉像素—叶肉像素兹—叶肉像素志叶肉像素『制口肉叙去■■■‘■“■■波长(波长(一叶肉像素叶肉像素斗肉長条戲—叶肉像素—叶肉像素号波长(图叶肉像素对数变换及导数变换 浙江大学博士学位论文第六章受菓青虫轻度危害的油菓叶片叶脉识别算法研究—叶脉像素一叶肉像素波长(图叶脉像素和叶肉像素一阶导数变换边缘检测算子边缘检测是针对图像亮度值的不连续性,通过一阶和二阶导数检测这种不连续性,图像处理中选择的一阶导数是图像梯度的幅值,二阶导数则常用拉普拉斯算子来计算。边缘检测的基本目的是使用如下两个基本准则之一在图像中找到亮度快速变化的地方：找到亮度的一阶导数在幅度上比指定的阈值大的地方；找到亮度的二阶导数有零交叉的地方。边缘检测主要采用各种算子来凸显图像边缘区域的像素点,并使图像二值化。常用的边缘检测算子有算子、高斯型拉普拉斯(算子、算子等。算子使用掩模的近似导数查找边缘,适于含噪声较多且灰度渐变的图像。算子是使用高斯函数的拉普拉斯算子对图像进行卷积以产生双边缘图像,再用零交叉法定位最终边缘。算子使用带有指定标准偏差的高斯滤波器来平滑以减少噪声,通过每一点的局部梯度和边缘方向来确定边缘点,然后将这些边缘细化并执行边缘链接已得到最终的边缘图像。算子是函数的最有效边缘检测算法。线性空间滤波滤波的概念源于在频域对信号进行处理的傅里叶变换。空间滤波是指直接对图像像素处理的操作,通常是在待处理图像中逐点移动掩模,在每一像素点处滤波器通过事先定义的关系来计算响应。线性空间滤波在图像像素上执行线性操作,线性滤波的响应由滤波器与滤波掩模扫过区域的相应像素值得乘积之和给出,线性滤波的响应可用下式计算得出岗萨雷斯和岗萨雷斯 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片外脉识别算法研究…訓则其中,为某像素点的线性滤波响应,为掩模系数,为与该系数对应的灰度值,为掩模包含的像素点总数。数学形态学处理数学形态学的主要用途是获取图像拓扑和结构信息,通过图像和结构元素相互作用得到最本质的形态,在图像处理中的主要应用是：利用形态学基本运算,对图像进行观察和处理,以改善图像质量；描述和定义图像的几何特征和参数,如周长、面积、骨架、方向性、连通度等。膨胀与腐烛是形态学处理的基础,均需要设定一个结构元素,通过结构元素和原图像做“与”操作来实现。膨胀根据结构元素的大小对原图有“加长”或“变粗”的作用,腐烛则有“收缩”或“细化”的作用,“加长”和“收缩”的程度和方式都由结构元素控制。膨胀操作全过程如下：用结构元素扫描原图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为结果图像中该像素为否则为。腐烛操作全过程如下：用结构元素扫描原图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为结果图像中该像素为,否则为。膨胀运算能够保留图像的原有形状,而腐烛通常会去除图像中较小的细节。将膨胀与腐姓运算组合,可以进行开运算、闭运算、顶帽变换等复杂的形态学处理。基于色调信息的外脉提取彩色空间模型通过色调、饱和度和亮度来描述色彩,该模型将亮度分量与彩色图像中的色彩信息分开,是一种基于色彩描述的理想的图像处理算法。空间由分量(色调)、分量饱和度)和分量(亮度)构成,这三个分量可以通过通用的彩色立方体变换得到。由于本实验仪器采集的原图只有型,没有型,所以需要将原图从转换到空间,转换方程如下： 浙江大学博士学位论文第六章受菓青虫轻度危害的油菓吟片叶脉识别算法研究、一沒若——及二⑷尺其中,、、分别表示空间中的个分量的值,、分别表示空间中的个分量的值。空间中的分量对色彩描述的能力最接近人的视觉感知,区分力较强,可以用来提取主干叶脉李革和李灿灿。基于导数光谱法的轻度虫害油菜叶片的叶脉识别算法流程基于导数光谱法的叶脉识别算法以一阶导数光谱图像为分析对象,附加各种图像处理算法来实现轻度虫害油菜叶片的叶脉识别,流程图如图所示。原高光谱图像求一阶导数光谱取图像取—阶导图转换为图边缘检测算子提取分量线性空间滤波线性空、司滤波形态学处理形态学处理‘‘两幅图像融合获得最终结果图豫图基于导数光谱法的轻度虫害油菜叶片吁脉识别算法流程 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究具体步骤如下：对原高光谱图像求一阶导数光谱,并取的一阶导数光谱图像进行叶脉提取运算；取原高光谱图像中的、、单波段图像组成图,并转换到空间,对其中的分量进行主脉提取运算；将两种方法获得的叶脉图像进行融合。基于主成分分析的轻度虫害油菜叶片的叶脉识别算法高光谱图像的主成分分析主成分分析(是一种最古老的多元统计分析技术,其主要目的是将数据降维,排除信息冗余。它将原变量进行变换,使少数几个新变量是原变量的线性组合,这些变量要尽可能多地表征原变量的数据结构特征而不丢失信息,同时新变量满足正交原则许禄。对高光谱图像做主成分分析运算可以增强信息含量、隔离噪声及减少数据维数。高光谱图像中的多波段数据经变换后,第一个分量的特征值最大,包含最大量的信息,特征值较小的分量则包含较少的有用信息和较多的噪声。通常特征值最大的前十个分量图像已包含了几乎所有的有用信息。在本实验中,高光谱图像经变换后,前个分量的贡献率巳接近,所以考虑将前三个分量看作图像的红、绿、蓝分量,组成图像,再做进一步的叶脉识别运算。彩色边缘检测本节讨论的彩色边缘检测算法是在彩色向量空间直接计算边缘,与节中提及的梯度算子边缘检测算法不同。梯度算子没有定义向量,只能用于标量函数,不能用于向量函数。因此用这种梯度算子计算彩色图像梯度的唯一方法是对彩色图像的三分量图像分别计算梯度,再将三个结果合成。该方法与直接在向量空间中计算边缘是不同的,但是这种方法常常会导致错误的边缘判别结果。为了避免错误,需要一个可用于向量的新的梯度定义。对于标量函数梯度是一个在坐标处的最大变化率的方向上的向量。将梯度概念扩展到向量函数的方法可由公式描述：——— 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究——’‘—————二沒二少)—、「,其中和是过渡向量,、和是彩色空间沿凡和轴的单位向量,、和是向量点积,《是计算梯度后每个点的角度,,是梯度结果图像。本实验将主成分分析后的前三个分量带入彩色空间,在空间中直接计算叶脉边缘。图像连通分量像素间的连通性是数字图像的一个基本概念,它简化了区域和边界等概念。当两个像素相邻且灰度值满足特定的相似性准则时,则称这两个像素是连通的。像素间的连通性有三种类型：邻接：坐标为,,的像素与坐标为,,；和工一的四个像素中的任一个都能够成邻接；邻接：坐标为的像素与坐标为,和,少—,(,和—的八个像素中的任一个都能构成邻接坐标为(和的两个像素能通过若干邻接像素构成的路径连接在一起,该 浙江大学博士学位论文第六章受菓青虫轻度危害的油菜叶片叶脉识别算法研究路径称为连接若能通过若干邻接像素构成的路径连接在一起,则该路径称为连接。对于任意前景像素,与其能通过连接或连接路径相连的所有前景像素的集合称为一个连通分量。函数能够自动识别连通分量并标注,在识别结果图像中对不同的分量依次编号,对属于同一分量的像素赋予同样的像素值。由于本实验的对象是轻度虫害的叶片,叶片上有不均勻散落的不健康区域,彩色边缘检测运算会将这些区域的边界误认为叶脉的边缘识别出来,形成小的杂质。标注图像连通分量能够对像素连通区域编号,将一个连通区域看作一个对象,逐个对连通区域进行分析,按大小或形状来判断保留该对象或删除。不健康区域边缘与叶脉边缘在形状和大小上都有区别,所以可以同过分析连通区域属性来判断某连通区域是否为叶脉边缘。基于主成分分析的轻度虫害油菜叶片的叶脉识别算法流程基于主成分分析的叶脉识别算法将叶片图像的前三个主成分分量代入彩色空间,附加各种图像处理算法来实现轻度虫害油菓叶片的叶脉识别,流程图如图所示,具体步骤如下：对原高光谱图像做主成分分析,取前三个主成分分量图像代入彩色空间；彩色空间边缘检测和算子边缘检测；孔洞填充后做八连通标注及线性空间滤波；形态学处理得到最终叶豚图像。 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究原高光谱图像主成分分祈将、、代入：‘空间边缘检算子边綠检测孔洞填充空间边缘检测厂连通标注刪除小于的连通区域形态学处理结果叶脉图像图基于主成分分析的轻度虫害油菜叶片的叶脉识别算法流程实验结果与分析基于导数光谱法的轻度虫害油菜吁片的吁脉识别根据前文的分析,可知单波段图像的一阶导数光谱最适合进行后续的叶脉识别运算。使用边缘检测算子、和分别对单波段的一阶导数变换图像做边缘检测运算。先用自适应阈值的三种算子做边缘检测。算子得到的阈值为,,取默认值；算子得到的阈值为；算子得到的阈值为取默认值。三种算子的检测结果如图所示,其中算子和算子识别的边缘过多,算子识别的边缘过少。所以需要对阈值做适当调整,采用自定义阈值做边缘检测运算,将算子和算子的阈值适当调大以减少被识别出的边缘,将算子的阈值适当调小以增加被识别出的边缘。经反复验证,发现使用算子时,阈值设为,取时边缘识别的效果最好；使用算子时,阈值设为时边缘识别的效果最好；使用算子时,阈值设为, 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究取时边缘识别的效果最好。三种算子的自定义阈值边缘识别结果如图所示,由图可知算子的边缘提取效果最佳。■■■图用边缘检测算子识别叶片边缘将自定义阈值算子提取的边缘图中左右下角的不完整叶片去除,得到图所示的用算子识别的叶脉边缘。后续的处理都在该图的基础上进行处理的全过程图像如图所示。图中有许多细小边缘曲线,是由于叶片受虫害后形成的不健康区域的边界引起的。需要通过线性空间滤波来去除。选取大小为的模板滑过图像上的所有像素,过滤比滤波模板小的噪音对象。再对过滤后图像做次膨胀,结构元素选取边长为的方形结构元素。再做孔洞填充函数使叶脉区域像素与边缘像素值相等。结果如图所示,由图观察可知,主脉中段有缺口,很难用膨胀或孔洞填充来填补。根据李灿灿的研究,彩色空间中的分量对彩色描述的能力最接近于人的视觉感知,区分力比较强,因此可利用信息来提取主干叶脉。原高光谱图像中的、和三个单波段图像分别对应空间的红、绿、蓝分量,将这三个单波段图组成的图像转换至彩色空间。分量如图所示,图中主干叶脉的中段比叶片其余部分颜色明显要深,可以用阈值分割及线性空间滤波将其分离出来。图是分量经过阈值分割、线性空间滤波及形态学处理后分离出的主脉中段部分。最后,将图与 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜吁片汁脉识别算法研究图相加,即得到完整的叶脉图像,如图所示。用该方法能够识别叶脉的大致走向,但是提取的叶脉还不够完整,主脉中段仍有无法填补的缺口,侧脉与主脉间的连接部位也有三处断裂,细脉也有不完整现象,所以该方法的叶脉识别能力还有待改进。■■、■■图基于一阶导数光谱法的轻度虫害油菜叶片的叶脉识别基于主成分分析的轻度虫害油菜叶片的汁脉识别算法由于一阶导数光谱法实际上采用的原始信息只有单波段信息及之后的第个波段的信息(窗口大小为,使用的信息不够全面可能是叶脉识别结果不理想的一个重要原因。主成分分析能够将所有参与运算的波段信息重新整合处理,将最有用的信息集中在排序最靠前的几个主成分分量中,可能带来更好的叶豚识别结果。将的波段图像做主成分分析,前三个主成分分量如图、、所示,将这三个分量代入彩色空间后得到图所示的彩色图像。对该图做边缘检测,检测结果并不是只显示叶脉的边缘部分,其叶肉部位也有不同的像素值,结果如图所示。需要再做一次二维边缘检测,由于前节巳验证了算子的检测效果最好。所以对图再做一次算子边缘检测,结果如图所示。对图做孔洞填充操作,如图所示。被填充的像素都是非叶脉边缘,是由虫孔和受虫害危害导致不健康的像素引起的,是 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜叶片叶脉识别算法研究需要进一步去除的噪音。这些噪音是经过填充的,所以每一个噪音像素块一定大于像素像素,而真正的叶脉边缘都是单像素的曲线,所以可以利用这个特点来滤除噪音。将图中形状大于像素像素的像素块置零,结果如图所示该图中仍有杂质,且这些杂质都由不闭合曲线构成,不能用孔洞填充后滤波的方法来去除。所以考虑使用八连通标识法将八连通区域依次编号,然后设定一个像素的模板,将模板逐个滑过所有像素,如果某个连通区域能够完全被模板覆盖,则认定该连通区域为杂质,将其删除,处理结果如图所示。再选取边长为的矩形结构元素对图做膨胀处理,得到基于主成分分析的轻度虫害油菜叶片的叶脉识别的最终结果,如图所示。从结果图可知该方法能够完整识别主脉和侧脉,大部分的细脉也能被完整识别。图是基于主成分分析的轻度虫害油菜叶片的叶脉识别算法的全过程,包括主成分分析、空间边缘检测、连通标注降噪等步骤。图中是对原始高光谱图像做主成分分析得到的第一主成分分量,是对原始高光谱图像做主成分分析得到的第二主成分分量,是对原始高光谱图像做主成分分析得到的第三主成分分量,是将前三个主成分分量代入空间得到的彩色图像,是对图做边缘检测的结果是对图做算子边缘检测的结果,是对图做孔洞填充的结果,是降噪处理的结果,用于删除图中被填充的区域,是用连通标识法删除图中的非叶脉边缘像素,是用边长为的矩形结构元素对图做膨胀处理得到最终的叶脉识别结果图。结果分析与讨论叶片叶脉包含了非常重要的植物生理信息,提取植物叶脉是进行植物建模和识别的关键步骤,叶脉识别也一直是研究的热点。在以往的相关研究中,采用的实验对象都是健康的叶片,除了叶脉和叶肉固有的色差外,不存在其他的色差区域,有利于叶脉的识别。但是在实际应用中,叶片往往都会遭受各种病虫害的侵扰。遭受虫害危害的叶片叶绿素分布会不均勻,形成色差,同时会有细小的虫孔,在执行现有的边缘识别算法时,这些色彩不均勻区域的边界和细小虫孔的边界很容易与叶脉的边缘同时被识别出来,难以避开。本实验专门针对受虫害轻度危害的油菜叶片,设计了基于一阶导数光谱法的叶脉识别和基于主成分分析的什脉识别两种方法来识别受虫害轻度危害的油菜叶片的口十脉。 浙江大学博士学位论文第六章受菜青虫轻度危害的油菜外片叶脉识别算法研究■■图基于主成分分析的轻度虫害油菜汁片的叶膝识别的全过程总的来说,第二种方法比第一种方法提取叶脉的效果更好。第一种方法采用单波段图像的一阶导数光谱图像作为图像处理的分析对象,第二种方法使用前三个主成分分量作为分析对象,第二种方法比第一种方法更能够收集足够多的有用信息。这一点可以在求一阶导数光谱和主成分分析的结果中得到验证,对一阶导数光谱图像和主成分分析图像使用同样的自定义阈值算子提取边缘后,从结果图中很明显能观察到第一种方法的叶脉识别率不如第二种方法。尽管完成算子检测后,两种方法的噪音都很大,但是这些噪音都是可以通过后续的滤波和形态学处理来别除的。所以这个步骤需要关注的是叶脉的识别是否完整。第二种方法可以完整的识别叶脉。第一种方法中主脉不够完整的缺陷可以通过空间变换得以弥补,但是侧脉的断裂是很难弥补的,这也是第一种方法相对第二种方法的主要缺陷。 浙江大学博士学位论文第六章受菜青虫轻度危害的油菓叶片什脉识别算法研究在进行各种数字图像处理操作之前,对原始的高光谱图像做降维处理是非常重要的。独立成分分析和主成分分析属同一范畴。分别米用了独立成分分析和主成分分析法进行高光谱降维,然后进行叶脉提取,结果发现独立成分分析得到的结果略优于主成分分析,但在本文的实验过程中发现主成分分析效果由于独立成分分析,所以本文采用主成分分析降维。经降维处理后,根据叶肉和叶脉叶绿素含量的不同来鉴别叶脉像素,并建立了叶绿素含量预测多线性回归模型,但该模型用于本文的实验数据不能得到预期的效果。采用快速独立成分分析法(提取叶片的叶脉,采用健康叶片,除叶脉和叶肉间的边缘外,不存在其它的色差区域,所以经过独立成分分析后得到了较清晰的叶脉纹理,但是侧脉仍有一些断裂的部位。李灿灿通过空间变换得到非常明显的主脉图像,这一点与本实验结果是相同的。本章小结本章应用高光谱成像系统采集现蕾抽薹期油菜的受虫害轻度危害的叶片,设计了基于导数光谱的轻度虫害油菜叶片的叶脉识别和基于主成分分析的轻度虫害油菜叶片的叶脉识别两种算法,识别油菜叶片的叶脉。主要结论如下：本实验设计的两种方法中,基于主成分分析的叶脉识别算法效果优于基于导数光谱法的叶脉识别算法；主成分分析是全光谱波段参与运算,而导数光谱法可以看作是波段和与它相差一个微分窗口大小的另一个波段参与运算,基于结论(,可以间接得出高光谱成像技术比普通单波段灰度图或图更能收集有用信息来执行叶脉提取运算的结论；受虫害轻度危害的叶片除了叶肉和叶脉像素有色差外,受害的部位因为养分水分的流失,会与健康像素间产生色差,边缘提取时会与什脉边缘一起被误识别出来,虫孔的边缘也会被误识别。这些非叶脉边缘都属于噪音,可以通过空间滤波和图像形态学处理得以解决。 浙江大学博士学位论文第七章结论与展望第七章总结与展望【提要】本章概括了本论文的主要研究结论和创新点,并对进一步的研究进行了简要分析。主要研究结论本论文应用高光谱成像技术、数据建模技术和数字图像处理技术,建立了油菓病情虫情的快速检测模型,实现了油菜病情虫情关键信息快速识别,完成了油菓菌核病早期病症的快速检测和分级；完成了受菜青虫危害的油菜叶片虫孔自动识别和复原算法,从而判断楦株受虫害程度；完成了受菜青虫危害的油菜汁片的叶脉识别算法。这些算法提高了油菜种植精细化管理水平,为油菜病虫害关键信息的识别和提取提供了新方法。研究的主要成果和结论如下：实现了受菌核病危害油菜的染病时间快速准确鉴别,建立了受菌核病感染时长的监测关联模型。采集可见近红外光谱范围内的光谱值数据信息和高光谱图像信息,用光谱维平滑技术对数据进行预处理,采用光谱降维数据处理技术和群体智能神经网络方法来识别病斑受侵染的时间。所建模型的相关系数和均方根误差分别达到和。实验结果表明,油菜感染菌核病的时长能够被准确识别。主成分分析的延展性较差。对感染菌核病的油菓叶片样本的高光谱数据作主成分分析,结果发现测试集数据是否参与主成分分析对模型精度的影响非常大。测试集参与主成分分析时,建立最小二乘支持向量机预测模型,其相关系数为、均方根误差为；测试集不参与主成分分析时,其相关系数为、均方根误差为。可见测试集不参与主成分分析减小相关系数且大大增加均方根误差,模型的精度明显下降。建立了基于类间不稳定指数和平均影响值变量简选法的高光谱波段优选算法。首先计算出高光谱数据每个波段的类间不稳定指数,然后计算两两连续的波段的类间不稳定指数偏差再通过设定的阈值来获得优选波段,值大于阈值的波段就是优选波段。根据实验结果,当阈值为时,用优选波段建立最小二乘支持向量机模型,其均方根误差为,阈值为时,均方根误差为,两者相差较小,但后者比前者优选波段数减少了个,显然阈值优于当阈值为时,均方根误差为与阈值为时相比有较大增加,所以选择为最终阈值,优选波段数为。用这个优选波段建立最小二乘支持向量机模型,相关系数和均方根误差分别为 浙江大学博士学位论文第七章结论与展望和。在个优选波段的基础上运用平均影响值变量館选,能够将优选波段降低为个,所建模型预测精度的降低在可接受的范围内。结果表明,用基于类间不稳定指数的高光谱波段优选算法提取的最优波段建立的预测模型要优于传统的主成分分析法的输出结果建立的预测模型；运用平均影响值变量简选法能够对基于类间不稳定指数的高光谱波段优选算法输出的结果进一步降维；建立了基于軟群算法和粒子群算法优化的神经网络预测模型,实现了油菓的菌核病染病时间监测。运用软群算法和粒子群算法优化神经网络能够提高神经网络预测模型的精度。奴群和粒子群算法的种群规模和迭代次数均为和。奴群优化算法中,神经网络参数的备选集合矩阵大小和信息素矩阵大小为,奴群从奴巢到食物源需经过层节点,每经过一个层,蚂奴都会依照该层各个节点的被选概率值选取一个节点通过,概率值是根据各个节点的信息素浓度确定的。粒子群优化算法中,对随机生成的粒子位置进行寻优,根据每一次迭代产生的个体适应度最优值和群体适应度最优值来更新粒子的位置。用基于类间不稳定指数和平均影响值变量简选法的波段优选算法选出的波段建立蚁群神经网络模型,其相关系数和均方根误差分别为和建立粒子群神经网络,其相关系数和均方根误差分别为和。结果表明：运用群体智能算法优化神经网络能够得到较好的效果,其中粒子群神经网络的预测性能优于奴群神经网络,原因是奴群算法是在备选参数范围内寻优,备选参数是随机或人为凭经验选取的,假如备选参数设置不当,会导致求解速度很慢且所构成网络的性能较差,且軟群算法要求所有的蚂敕选择同一路线时才认为是最优路径,这样导致运算复杂度较大,搜索时间较长,粒子群算法具有快速逼近最优解的能力,可以有效的对参数进行优化。提出了一种新的识别和重构受菜青虫危害的油菜叶片的虫孔的方法。针对现蕾抽薹期的油菜叶片,采用高光谱成像技术采集对象什片,实现快速背景分离和边缘提取,结合数字图像处理技术、神经网络学习算法来识别和重构带有虫孔的油菜叶片。将菜青虫危害导致的虫孔定义为闭合虫孔和不闭合虫孔两类,对两类虫孔提出不同的处理方法。实验结果表明两类虫孔都能被完整重构。提出一种不闭合虫孔定位方法。先将边缘曲线转换到极坐标上,每一个边缘离散点都可以用极角来唯一确定,根据一个极轴上只选取一个离散点的原则,确定了极角就等于确定了某个离散点,这在直角坐标系上是无法实现的。提出一种基于边缘曲线参数方 浙江大学博士学位论文第七章结论与展望程的反函数的一阶导数的定位因子和测试函数,根据脉冲大小来识别虫孔位置,文中给出的实例叶片的两个不闭合虫孔能够被准确识别出来,虫孔脉冲出现在弧度和弧度；提出一种不闭合虫孔重构方法。采用集小波变换和遗传算法的预测模型,预测虫孔弧度范围内的叶片边缘像素。模型的训练数据集的输入向量包括未咬嗟边缘离散点的极角和极径,预测数据集的输入向量包括咬嗟边缘离散点的极角和极径；输出向量为离散点的约束值。实验分别采用遗传神经网络、小波神经网络、神经网络和分别建模并比较预测结果。遗传神经网络模型的相关系数和均方根误差为和小波神经网络的相关系数和均方根误差为和神经网络的相关系数和均方根误差为和的相关系数和均方根误差为和。结果表明,与其它三种预测模型比较,预测模型的效果最佳,叶片边缘能够被完整重构。提出一种基于高光谱成像技术的受虫害轻度危害油菜十片的叶脉识别方法。用高光谱成像系统采集现蕾抽薹期受虫害轻度危害的油菜叶片,建立了基于导数光谱的轻度虫害油菜叶片的叶脉识别和基于主成分分析的轻度虫害油菜什片的口十脉识别两种算法。主成分分析是全光谱波段参与运算,而导数光谱法是波段和与它相差一个微分窗口大小的另一个波段参与运算,显然主成分充分利用了高光谱成像得到的信息,而导数光谱法利用的信息则少很多,所以可以间接得出高光谱成像技术比普通单波段灰度图或图更能收集有用信息来执行叶脉提取运算的结论。受虫害轻度危害的叶片除了叶肉和叶脉像素有色差外,受害的部位因为养分水分的流失,会与健康像素间产生色差,边缘提取时会与叶脉边缘一起被误识别出来,虫孔的边缘也会被误识别。这些非叶脉边缘都属于噪音,可以通过空间滤波和图像形态学处理得以解决。研究结果表明,基于主成分分析的叶豚识别算法提取叶脉的完整性优于基于导数光谱法的外脉识别算法。第二种方法采用单波段图像的一阶导数光谱图像作为图像处理的分析对象,第一种方法使用前三个主成分分量作为分析对象,第一种方法比第二种方法更能够收集足够多的有用信息。这一点可以在求一阶导数光谱和主成分分析的结果中得到验证,对一阶导数光谱图像和主成分分析图像使用同样的自定义阈值算子提取边缘后,从结果图中很明显能观察到第二种方法的汁脉识别率不如第一种方法。尽管完成算子检测后,两种方法的噪音都很大,但是这些噪音都是可以通过后续的滤波和形态学处理来别除的。所以这个步聚需要关注的是叶脉的识 浙江大学博士学位论文第七章结论与展望别是否完整。第一种方法可以完整的识別叶脉。第二种方法中主脉不够完整的缺陷可以通过空间变换得以弥补,但是侧脉的断裂是很难弥补的,这也是第二种方法相对第一种方法的主要缺陷。主要创新点本论文主要研究植物生长过程中病虫害胁迫信息的快速获取和识别的关键技术。主要针对受菌核病和菜青虫害胁迫的油菜植株,研究快速准确地提取与受害程度有关的关键信息的技术,以便及时采取防治措施,防止病虫害的不可逆发展,提高生产效率。研究的主要创新点如下：提出一种基于类间不稳定指数和平均影响值变量筛选的波段优选算法,建立了油菜受菌核病感染时长的监测关联模型,实现了受菌核病危害油菜的染病时长快速准确鉴别。提出了一种识别和重构受菜青虫危害油菜叶片的虫孔的方法,将虫孔分为闭合虫孔和不闭合虫孔两类。提出了一种不闭合虫孔定位和重构算法,在定位算法中,提出一种基于边缘曲线参数方程的反函数一阶导数定位因子和测试函数,然后根据脉冲大小来识别虫孔位置；在重构算法中,将小波变换和遗传算法引入预测模型中,用离散点的极角和极径作为训练数据训练预测模型。提出一种基于高光谱成像技术的受虫害轻度危害油菜叶片的叶脉识别方法,算法能够排除虫斑和虫孔的边缘引起的干扰,准确识别出主脉和侧脉的边缘。进一步研究展望基于本论文的研究内容,后续还可以在以下几方面进一步深入研究：油菜病虫害种类繁多,后续还需进一步扩充算法针对多种病虫害的类别。将本论文算法进一步扩展,设计能够识别多种类型作物叶片虫孔的算法。提高受虫害危害的油菜叶片叶脉的提取精度,在本论文提取主脉和侧脉算法的基础上,建立更加精细的识别模型,能够提取什片的细脉。 浙江大学博士学位论文参考文献参考文献,,,,,,,,,,,,,,,,,,,,, 浙江大学博士学位论文参考文献,,,,,,,,,,,, 浙江大学博士学位论文参考文献,,,,,,丄,,,,,,,,,,,,,‘,,,,‘,, 浙江大学博士学位论文参考文献,,,,,,,,,,,,,,,,丁,, 浙江大学博士学位论文参考文献,,,,,,,,,,,,丄,丄,,,, 浙江大学博士学位论文参考文献,,,,,,,,,,丄,,,,,柴阿丽廖宁放田立勤石延霞,李宝聚,基于高光谱成像和判别分析的黄瓜病害识别,光谱学与光谱分析陈佳娼纪寿文,李娼赵学驾采用计算机视觉进行棉花虫害程度的自动测定农业工程学报,方慧,宋海燕曹芳何勇,裘正军,油菜叶片的光谱特征与叶绿素含量之间的关系研究,光谱学与光谱分析冯雷,柴荣耀孙光明吴迪,楼兵干何勇基于多光谱成像技术的水稻叶痕检测分级方法研究,光谱学与光谱分析网萨雷斯数字图像处理版北京：电子工业出版社,闪萨雷斯数字图像处理第二版：北京：电子工业出版社巩彩兰尹球匡定波,黄浦江水质指标与反射光谱特征的关系分析,遥感学报, 浙工大学博士学位又参考文献郭洁：冥黄冲王海光,孙振手马占鸿基于高光谱遥感技术的不同小麦品种条锈病病情指数的反湏,光谱学与光谱分析黄蕾基于细胞神经网络的图像边缘提取算法研究南京航空航天大学博士学位论文,黄木易王纪华黄文江黄义俜,赵春江,万安民冬小麦条锈病的光谱特征及遥感监测,农业工程学报黄文江作物株型的遥感识别与生化参数垂直分布的反湏,北京师范大学,博士学位论文,蒋金豹,陈云告,黄文江用高光谱徵分指数监测冬小麦病害的研咒光谱学与光谱分析,蒋金豹陈云浩黄文江,利用高光谱红边与黄边位置距离识别小麦条锈病光谱学与光谱分析,李灿灿,孙长辉,王静,李丰果,基于改进的算子和色调信息的叶脉提取万法,农业工程学报李革,李斌,王莹,基于颜色模型的珍珠颜色分选万法,农业工程学报,李民赞,韩东海,王秀光谱分析技术及其应用北京：科学出版社李信真,车刚明,封建湖计算方法西安：西北工业大学出版社梁逸曽分析化学手册化学计量学北京,化工出版社林孝铳—种基于光谱平滑的高光图像目标检测算法,电子科技林孝铳基于光谱维平滑的高光谱遥感图像目标检测算法研究西安电子科技大学,硕士学位论文刘飞方慧,张帆,金宗来周伟军何勇应用光谱技木无损检测油菜叶片中乙酰乳酸合成酶,分析化学研究报告,刘飞张帆,方慧,金宗来周伟军何勇连续投影算法在油菜叶片氨基酸芑量无损检则中的应用光谱学与光谱分析：刘炜常庆瑞郭曼邢东兴员永生不同尺度的徵分窗口下土壤有机质的一阶导数光谱响应特征分析,红外与毫米波学报刘占芋孙华生黄敬峰基于学习矢量量化神经网络的水稻白稗和正常稗的高光谱识别中囯水稻科学,陆婉珍现代近红外光谱分析技木北京：中囯石化出版社, 浙江大学博士学位论文参考文献马全军温智婕温维亮基于方向能量的植物叶脉提取方法应用数学与计算数学学报,田有文,李天来,张琳王晓娟高光谱图像技术诊断温室黄瓜病害的方法农业工程学报万余庆谭克龙周日平高光谱遥感应用研究北京：科学出版社,王海光马占鸿王稻蔡成静安虎张录达高光谱在小麦条绣病严重度分级识别中的应用,光谱学与光谱分析王纪华,赵春江,黄文江农业定量遥感基础与应用北京：科学出版社吴迪曹芳张浩,孙光明冯雷何勇基于可见近红外光谱技术的水稻穗颈瘟染病程度分级方法研究,光谱学与光谱分析徐潇龙,王现芝,几种油菜病虫害的发生与综合防治,河南农业,许禄,邵学广化学计量学方法第二版北京：科学出版社,闰岩柳钦火,刘强李静陈良富,基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究,遥感学报,严衍禄近红外光谱分析基础与应用北京：中国轻工业出版社叶莺,陈崇帼,林熙,偏最小二乘回归的原理及应用,海峡预防医学杂志,赵卓英孙明姜伟杰基于细胞神经网络的植物叶片图像中的叶脉的提取农机化研究,钟取发周平付斌斌,刘科文,基于典型叶片模板自动匹配的虫损叶面积测量农业工程学报 浙江大学博士学位论文附录附录附表蚁群优化神经网络的输入层至隐含层的连接权值矩阵沒二；寸二……寸乂…口口——口二口二宕苳芸一山————寸—寸■寸…—…卜寸———寸寸—寸—、,山—、—““卜一■二；寸力文寸寸寸；—寸—卜—》—文寸——山寸—‘寸：二二。二二 浙江大学博士学位论文附录续表)——寸—《寸寸…—…寸口寸一寸—安寸寸⑴…—寸■寸—神寸对——‘―—‘—」—————丁一一——山—■一茨—工芝寸其：；二口筘—―寸汔卜泛一——————寸…寸▲」寸寸寸‘？寸寸—寸寸——一,、—寸——―■—■■丄寸寸———————— .折工大学博士学位论文附录附表蚁群优化神经网络的隐含层至输出层连接权值〇〇〇〇〇〇〇〇…表示第々个隐含层神经元与输出层神经元之间的连接权值。 浙江大学博士学位论文附表粒子群优化神经网络的输入层至隐含层的连接权值矩阵‘―々(寸卜—二寸■寸一—一寸(一」卜寸寸———山、■謹■■■■寸—(寸卜—社二——■——；卜寸寸々…(卜二寸寸…———寸。—寸丄一一：一严——■丨°：“寸！￡°—二寸———：——寸—…寸—工———、々寸‘…卜——卜———￡■——■■■■■■■■■■———…寸——寸？‘■■■‘寸寸—卜一苕二实工—一勹一乂(一三二口二二 浙江大学博士学位论文附录续表)°口二口父①一…寸口一—§——寸二—°。寸寸—————‘―——■—￡°二—。寸§￡——‘工—°—寸。——§§§§工寸—寸—口山一：㈧节厂广寸…—飞°寸文―—￡—…(士安—。产义―———(§§云二今二一寸卜寸…――一一— 浙江大学博士学位论文￡附表粒子群优化的神经网络的隐含层至输出层连接杈值〇,,…,表示第个隐层神经元与输出层神经元之间的连接 浙江大学博士学位论文作者简介作者筒介一、个人简介姓名：赵芸性别：女籍贯：浙江杭州政治面貌：党员出生年月：年月民族：汉研究方向：数字农业信息获取感知技术二、教育经历浙江大学农业电气化与自动化(博士研究生)浙江工业大学计算机技术(硕士)浙江工业大学计算机科学与技术(学士)三、学术交流年月,应邀参加法国南特)。年月,应邀参加韩国首尔),并作了题为“”白勺口头才艮告。四、主持或参加的科研项目浙江省科技计划项目(浙江省科技厅),“高光谱图像信息在果树病害早期检测诊断中的关键技术研究,项目编号：项目负责人浙江省自然科学基金项目(浙江省自然科学基金),“面向绿色制造的动静脉相结合制造系统及其自组织设计”,项目编号：主要参加人国家课题,“农业生命信息感知技术与装备：项目编号：主要参加人浙江省重大科技专项重点农业项目,“植物病害信息早期快速检测关键技术研究与器 浙江大学博士学位论文作者简介开发”,项目编号：主要参加人五、科研成果发表及录用的收录论文申请及授权专利一种受病害胁迫农作物冠层高光谱图像的波段优选方法申请号：发明专利,已公开)检测油菜叶片边缘受害虫咬噬程度的方法专利号发明专利,已公开)六、获奖情况