基于多信息融合的番茄冠层水分诊断

为精确、快速、稳定地测定番茄植株含水率并能全面检测其水分胁迫程度,该文通过将番茄冠层的反射光谱、多光谱图像、冠层温度特征及环境温湿度进行多信息融合,评判其水分胁迫状况。通过去除冠层光谱噪声波长,并进行相关性分析,确定950～1080nm、1170～1300nm、1370～1500nm、1600～1730nm和1860～1980nm为5个相关性较高的波段,并利用逐步回归,进一步筛选出1026、1247、1431、1640、1910nm为特征波长。对获取的中心波长为810nm近红外图像和560nm可见光图像进行3×3窗口的中值滤波,采用最大类间方差法进行图像分割,计算图像的平均灰度。获取番茄冠层温度,并结合环境温湿度信息,建立番茄的冠气温差模型和水分胁迫指数模型。将5个特征波长、单通道的近红外和可见光图像的灰度均值和CWSI作为多信息融合的输入,利用偏最小二乘-神经网络回归分析并进行了验证,最终得到实测值与预测值的相关系数为0.9364,验证均方根误差为10.6713,平均误差为7.6714%,拟合方程斜率为0.9615。多信息融合模型的各项评价指标均好于单一信息模型。     

基于高光谱成像的苹果虫害检测特征向量的选取

利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

磷营养胁迫对冬小麦冠层光谱的影响

因为磷素重要的营养作用,其胁迫的存在影响冬小麦的正常生长。借助地面遥感仪器获取冬小麦在磷营养胁迫下的多个生育期里的冠层光谱数据并对其影响特征进行了分析。利用因子分析方法提取主因子与含有丰富信息的光谱变量,并结合极显著水平(0.01)的均值比较与检验过程考察了冬小麦冠层光谱,确定了对磷营养胁迫敏感的光谱波段:760nm,810nm和870nm与950nm,并在此基础上结合冬小麦对磷素的吸收利用特征选定了运用冠层光谱敏感波段反射率探测和区分磷营养胁迫的关键生育期:拔节期。结果同时表明,对冬小麦磷营养胁迫而言,近红外区间(760nm~1100nm)光谱反射特征的区分能力要强于可见光区。本文同时指出了研究与发展利用遥感技术进行营养胁迫监测的方法和着重点。     

高光谱图像技术诊断温室黄瓜病害的方法

利用高光谱图像技术研究了诊断温室黄瓜病害的方法,以提高诊断的准确性和效率。试验以黄瓜霜霉病、白粉病为研究对象,利用高光谱图像采集系统获取黄瓜病叶的高光谱图像数据,在450～900 nm范围内的高光谱图像数据中,选出特征波长下的图像;然后,对该图像进行去除噪声的滤波处理,并提取黄瓜病叶的色度矩纹理特征向量;最后采用支持向量机分类方法对黄瓜病害进行诊断。研究结果表明,采用高光谱图像新技术与线性核函数对黄瓜霜霉病、白粉病的正确诊断率达100%,采用高光谱图像技术可以实现对温室黄瓜病害进行快速、精确的分类诊断。     

融合高光谱图像技术与MS-3DCNN的小麦种子品种识别模型

小麦品种的纯度和小麦产量密切相关,为了实现小麦种子品种的快速识别,该研究利用高光谱图像技术结合多尺度三维卷积神经网络（Multi-Scale 3D Convolutional Neural Network,MS-3DCNN）提出了一种小麦种子的品种识别模型。首先,利用连续投影算法（Successive Projections Algorithm,SPA）对原始高光谱图像进行波段选择,以减少MS-3DCNN模型的输入图像通道数量,降低网络训练参数规模;其次,利用多尺度三维卷积模块提取特征图的图像特征和不同特征图之间的耦合特征;最后,以6个品种小麦共6 000粒种子的高光谱图像（400～1 000 nm）为研究对象,基于SPA算法选择了22个波段高光谱数据,利用MS-3DCNN、支持向量机（Support Vector Machine,SVM）分别构建了识别模型。试验结果表明,MS-3DCNN模型取得了96.72%的测试集识别准确率,相较于光谱特征SVM识别模型和融合特征SVM识别模型分别提高了15.38%和9.50%。进一步比较了MS-3DCNN与基于二维卷积核、三维卷积核、多尺度二维卷积核构建的多个识别模型性能,结果表明多尺度三维卷积核能提取多种尺度的信息,其识别模型的准确率提高了1.34%～2.70%,可为小麦种子高光谱图像品种识别提供一种可行的技术途径。     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。     

基于高光谱成像技术的马铃薯外部缺陷检测

为了实现马铃薯的准确快速分级,提出基于高光谱成像技术的马铃薯外部缺陷检测方法。通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞以及发芽等6类外部缺陷样本及合格样本的高光谱图像。提取合格及各类缺陷样本感兴趣区域的光谱曲线并进行光谱特性分析,采用主成分分析法确定了5个特征波段(480、676、750、800和960nm),以5个波段的主成分分析的第二主成分图像作为分类图像,识别率仅为61.52%;为了提高识别率,提出波段比算法与均匀二次差分算法相结合的方法,使缺陷识别率提高到95.65%。试验结果表明:通过高光谱成像技术可以准确有效地对常见马铃薯外部缺陷进行检测,为马铃薯在线无损检测分级提供了参考。     

应用SPAD和光谱技术研究油菜生长期间的氮素变化规律

为了掌握油菜生长期间氮素的变化规律和指导科学施肥，应用SPAD仪对从顶部算起的第3分枝处完全展开叶进行了跟踪测试，得出了蕾苔期与开花期的过渡期为田间氮肥管理和检测的最佳时期。采用可见-近红外光谱仪分析了油菜叶片的光谱特性，建立了油菜叶片光谱反射率与SPAD值之间的定量分析模型。结果表明，684 nm处一阶微分光谱的线性回归模型可较好地预测油菜叶片的SPAD值，预测样本的相关系数达到0.801。     

基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。     

基于高光谱成像技术的灵武长枣缺陷识别

为研究快速识别灵武长枣表面裂痕、虫眼、碰伤等常见缺陷的有效方法,利用特征波长主成分分析法结合波段比算法进行长枣裂痕、虫眼、碰伤识别。首先,采用近红外(Near Infrared Reflection,NIR)波段范围的高光谱成像系统获取300个长枣反射图像,提取并分析各类型长枣光谱曲线,选择918~1 678 nm波段范围进行主成分分析,通过权重系数提取特征波长;然后,对特征波长下图像进行主成分分析,选择最优的主成分图像进行识别;最后,对未识别的长枣图像采用波段比算法进一步进行识别。NIR波段的正常枣、虫眼枣、裂痕枣、碰伤枣的识别率分别100%、90%、86%、100%。结果表明:NIR高光谱成像仪对长枣外部缺陷识别是可行的,为多光谱成像技术应用于在线检测长枣品质提供了理论依据。     

采用多光谱图像融合提高作物和杂草灰度比值

作物和杂草在图像中的灰度比值对识别率有着重要的影响。提出了一种利用多光谱图像融合的方法提高它们在图像中的灰度比值。为了采用多光谱图像，研制了基于黑白摄像机和多种滤光片的计算机控制的多光谱图像采集系统。在对洋葱(作物)、野芥末草(杂草)和土壤在多光谱图像中灰度比值研究的基础上，对多种多光谱图像融合方式进行了对比试验研究，发现以b+ir-g-r等图像融合方式给出了比较好的结果。把这些图像融合方式应用到图像识别中，其结果表明，多光谱图像融合方法比仅采用彩色分量的融合方法，其识别误差减少了22％。文中同时给出了评价作物、杂草和土壤在图像中灰度比值指标的方法。     

基于Radarsat-2影像的复杂种植结构下旱地作物识别

为提高基于Radarsat-2旱地作物识别的精度,该文研究了一种复杂种植结构背景下具有共同生长期作物的识别方法。研究区为一个12 km×12 km的样方,位于内蒙古上库力农场额很队,以春小麦、油菜2种共同生长期作物为识别对象,利用Spot-6影像和Radarsat-2影像,在数据预处理的基础上分析研究区内典型地物样本的后向散射系数在不同极化波段上的变化特征,根据该变化特征设计图像增强算法,然后基于图像增强后的影像设定合理的阈值实现作物识别提取。结果表明：该方法准确识别并有效提取了共同生长期作物春小麦和油菜的种植面积,总体精度达到97%,Kappa系数为0.96。该方法简便、快捷、可靠,为春小麦、油菜等旱地共同生长期作物种植面积提取提供重要的科学技术支撑。     

基于相位相关的温室番茄植株多模态三维重建方法

为实现温室番茄植株多模态三维重建,解决多光谱反射率配准和多视角点云三维重建问题,基于相位相关原理将多光谱反射率配准至RGB-D图像坐标系中,建立了基于Kinect传感器测量位姿自主标定的多视角RGB-D图像三维重建方法,实现植株RGB三维点云模型和多光谱反射率点云模型重建,通过归一化灰度相似系数、配准区域光谱重叠率、互信息值3个指标客观评价二维多光谱图像配准质量,采用豪斯多夫距离客观评价植株三维点云重建精度。结果表明:30株温室番茄,每株4个重建视角,视角间隔为90°,配准区域光谱重叠率和归一化灰度相似系数的平均值分别为0.920 6和0.908 5,异源图像配准后互信息值比配准前互信息值平均提升了9.81%,植株冠层多光谱图像能够准确配准至深度坐标系,番茄植株三维重建点云距离集小于0.6 cm的比例为78.39%,小于1.0 cm的比例为91.13%,番茄距离集均值的平均值为0.37 cm,表明植株三维点云模型重建精度较高,能够应用于温室番茄植株多模态三维重建。植株多模态三维模型是实现三维形态测量与生理诊断的关键要素,为高通量植株表型测量提供高效精准的测量方法,对植物表型组学等研究领域的发展具有重要的意义。     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制

作物蒸散量测量与估算在农业方面有着重要作用,而当前对于作物蒸散量的估算主要以试验的方式进行,有一定局限性,且测量面积小,与实际应用还有一定距离。针对以上问题,该文在已有24座小型称重式蒸渗仪基础上,集成RGB成像传感器、多光谱成像传感器和二维激光扫描仪于一体,配合龙门架进行移动控制,构建称重式蒸渗仪植物表型监测系统,实现18 m~2植物生长过程中的RGB、红(668 nm)、绿(560 nm)、蓝(475 nm)、红边(717 nm)、近红外(840 nm)图像信息和植株高度信息的自动监测。最后通过试验,在已设定好的常用速度下,系统单趟运行用时142 s,可采集28组RGB、多光谱图像及所有植株高度信息,速度相对误差在1.8%～6.0%之间。通过对获取的夏玉米多光谱图像和激光扫描仪数据信息分析,系统能够可靠获取归一化差异植被指数等作物指数及植株高度信息。并结合气象站数据,对冬小麦主要耗水期的RGB图像进行分析,对其蒸散量进行了估计,与蒸渗仪获取的实际蒸散量对比,其平均相对误差为16.62%。该系统为大面积作物蒸散量的实时监测和精确诊断以及作物生长状况研究提供有效技术与装备支撑。     

基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法

利用不同时期HJ-1 A/B-CCD影像提取湖北省冬小麦和油菜分布信息.计算冬小麦、油菜不同生长期的NDVI曲线,通过野外调查和测量,获取冬小麦、油菜和其它典型地物的光谱特征.确定CCD影像提取冬小麦和油菜信息的最佳时相及不同地物在CCD影像上的色彩特征.采取最大似然分类法,对CCD影像进行分类,提取冬小麦、油菜分布信息.结果表明,HJ-1 A/B-CCD影像提取精度达95.48％,可以用于提取冬小麦、油菜分布信息;对于湖北省而言,3月中、下旬(冬小麦拔节、油菜开花)是HJ卫星提取冬小麦、油菜信息的最佳时相;在最佳时相内,冬小麦和油菜具有不同的光谱特征和CCD影像色彩特点,且样本分布服从近似正态分布,可以用最大似然方法提取其信息.     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法.首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析(PCA)、小波变换以及可见光图像H分量与近红外图像NIR的算术组合(NIR/H)等方式进行融合处理:然后,对融合图像进行形态学重构分水岭分割.多幅苹果和番茄图像的同标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性.     

基于多进制小波变换及多维纹理特征的遥感影像融合方法

探讨了基于多进制小波变换与多维纹理特征融合相结合的遥感影像融合方法。在融合过程中,首先对高分辨率全色影像和多光谱影像进行多进制小波分解,再联合提取局部方差、局部梯度、局部能量和局部信息熵4维纹理特征,将高分辨率影像的高频分量分别与多光谱影像的高频分量以多维纹理特征进行多判据联合方法融合,形成新的高频分量,然后与多光谱影像的低频分量进行多进制小波逆变换,最后经 RGB合成为彩色影像。试验选取淮南矿区SPOT 10 m与TM 30 m空间分辨率影像,从目视判读（定性评价）、地物光谱曲线分析、定量评价指标三方面对融合方法进行了评价。结果表明,该方法既保留了原影像的光谱信息,同时也改善了影像的清晰度和分辨率,利用融合后的影像进行矿区土地利用变化监测,效果明显提高。     

基于多光谱成像技术的大麦赤霉病识别

该文提出了一种根据大麦多光谱图像实时识别大麦赤霉病害的方法。首先利用阈值分割以及形态学的处理算法去除大麦穗图像背景和麦芒干扰信息;其次从预处理后的多光谱图像中提取图像的颜色统计特征;最后将这些颜色统计特征数据经过预处理后应用偏最小二乘法（principal component analysis, PLS）进行模式特征分析,经过交互验证法判别选取最佳的主成分数,输入到最小二乘-支持向量机模型(least square-support vector machine, LS-SVM),建立病害识别模型。经过比较发现多元散射校正处理后,最佳主成分为1的最小二乘支持向量机模型对病害的识别准确率最高,达到93.9%。表明利用多光谱成像信息可对大麦赤霉病进行准确识别,为植物病害监测与防治提供了一条新方法。     

基于混合特征的互联网茄子图像检索方法与系统

互联网图像数据的爆炸式增长使得有效检索变得越来越重要,不同于文字的检索,有效的图像检索仍然是一个开放的问题。该文提出了基于混合特征的互联网茄子类图像的检索方法,并开发了图像检索系统。该文采用Hu不变矩(hu invariant distance)作为几何不变特征,采用颜色矩方法,通过计算HSV空间的三阶矩来描述颜色特征,采用分水岭算法(watershed algorithm)提取茄子的轮廓特征,通过长宽比特征区分长茄和圆茄,最后综合几何不变特征、颜色、轮廓特征进行茄子对象的描述,分别给3种特征赋不同的权重,形成检索系统。试验验证,该文方法和系统在测试数据集上查全率为87.6%,查准率为87.6%,相比于只采用Hu不变矩方法(其查全率为31.75%,查准率为31.75%)在Hu不变矩加颜色特征方法(查全率为52.8%,查准率为52.8%),有了一定的提升,验证了方法的有效性。