基于多特征融合的玉米前期图像旱情识别方法技术

本发明专利技术属于农业灾害识别领域，为在玉米的生育前期就对植株的旱情状况做出判断，为农业工作人员后续的工作做准备，保证玉米供水充足，植株正常生长，防止灾害发生。为此，本发明专利技术，基于多特征融合的玉米前期图像旱情识别方法，首先对所获取到的玉米植株图像进行预处理，模拟实际应用中可能会出现的样本状况，作为对原始样本集的扩充；此后，将所获取到的亮度调整后样本、位置变化后样本和原样本集合并作为新的样本集进行后续的处理，从新样本集中提取包括颜色、奇异值以及纹理的三类特征，采用遗传算法对特征进行降维处理，构建特征数据库；最后选用最小二乘支持向量机作为分类器对玉米植株做出旱情识别。本发明专利技术主要应用于农业灾害识别场合。

【技术实现步骤摘要】
基于多特征融合的玉米前期图像旱情识别方法
本专利技术属于农业灾害识别领域，特别涉及多特征融合的玉米前期图像旱情识别方法。
技术介绍
图像处理是计算机的一种相关技术，它是为了达到某种目的而对图像进行运算和处理的一种过程，一般将图像信号转化为数字信号并利用计算机对其进行处理。在图像处理技术发展的早期，主要是在人的视觉效果和图像质量上进行改善。随着图像处理技术的迅猛发展，其技术已经十分成熟，在很多领域和行业得到了广泛的应用，如：刑侦技术、通讯技术、医学影像、生物识别、气象等方面。然而数字图像处理在农业中的应用相对滞后，但是对农业的影响在逐步深入。目前计算机图像处理技术在农业中的主要应用有：农作物状态监测、果实成熟度监测、作物形状识别分析、作物病虫害监测等。当今经济飞速发展，环境问题迫在眉睫。干旱作为一种自然灾害，是世界上危害最为严重的灾难之一。由干旱所引发的水资源匮乏，粮食减产会造成生态恶化、国家粮食危机等一系列棘手问题。玉米是我国重要的粮食作物之一，其生育期耗水较多且对水份胁迫反应较为敏感，因此干旱已经成为世界范围之内玉米生产的制约因素。干旱缺水导致许多玉米产区产量不稳不高，对玉米的生长生育、形态特征、生理生化以及产品质量均有一定的影响。由于干旱作为一种复杂的现象难以直接观测其发生时间、发展过程及影响范围，因而目前国内外对旱情的评价主要是干旱指标。常见的干旱指标有标准降水指数、帕尔默干旱指数以及作物湿度指数等。这些农业干旱指标的获取通常涉及到农业、气象、水文、以及植物生理等众多的学科，同时农业系统又是一个自然系统和人工系统高度交织的领域，因此农业干旱监测无论是在理论上还是技术手段上均面临着较大的瓶颈。
技术实现思路
为克服现有技术的不足，本专利技术旨在建立识别模型，在玉米的生育前期就对植株的旱情状况做出判断，为农业工作人员后续的工作做准备，保证玉米供水充足，植株正常生长，防止灾害发生。为此，本专利技术采用的技术方案是，基于多特征融合的玉米前期图像旱情识别方法，首先对所获取到的玉米植株图像进行预处理，将玉米叶片从复杂的背景图片中较为清晰、完整地提取出来，对分割后的图像进行亮度调整以及位置变化，模拟实际应用中可能会出现的样本状况，作为对原始样本集的扩充；此后，将所获取到的亮度调整后样本、位置变化后样本和原样本集合并作为新的样本集进行后续的处理，从新样本集中提取包括颜色、奇异值以及纹理的三类特征，采用遗传算法对特征进行降维处理，构建特征数据库；最后选用最小二乘支持向量机作为分类器对玉米植株做出旱情识别。具体地，采用K-means聚类算法对获取到的玉米植株原图像进行图像分割。从新样本集中提取包括颜色、奇异值以及纹理的三类特征，具体地，(1)颜色特征：分别提取R、G、B直方图的均值+偏度特征，共6维，R、G、B分别代表红、绿、蓝三种颜色通道，每种通道分为256阶亮度，R、G、B直方图分别统计在各个颜色通道中亮度的信息，均值和偏度计算公式如下：均值：其中m为直方图均值，i为像素值，pi为像素值为i的像素个数；偏度：其中Skew为直方图偏度，X为样本数据，μ为样本数据均值，σ为样本数据方差；(2)奇异值特征：奇异值分解简称SVD分解，是对分割后的图像进行灰度化处理之后，将该图像作为一个二维矩阵对其进行奇异值分解的一种特征提取方法，分解公式如下：A＝U×Σ×VT其中：A为m×n的矩阵，U为做左奇异矩阵，VT为右奇异矩阵，Σ为奇异值矩阵，奇异值矩阵是一个对角阵，其对角线上的元素即为矩阵的奇异值，其个数为min(m,n)，其数值在奇异值矩阵中按从大到小的顺序排列，采用前r个奇异值来近似描述矩阵，r<<min(m,n)，这里定义部分奇异值分解公式如下：Am×n≈Um×rΣr×rVTr×n将这r个奇异值进行归一化处理，将处理后的值作为图像的r个奇异值特征，归一化公式如下：其中λ为矩阵的奇异值，λmax为图像矩阵的最大奇异值即奇异值矩阵中的第一个元素，为归一化后的矩阵的奇异值即图像的奇异值特征；通过绘制图像识别正确率与奇异值特征有效个数r的关系曲线来确定r的取值；(3)纹理特征：选取统计纹理中的灰度-梯度共生矩阵，定义图像大小为N×N，灰度-梯度共生矩阵中的元素为H(x,y)，其取值为归一化后的灰度图像F(i,j)及归一化后的梯度图像G(i,j)中，灰度值为x且梯度值y的像素总个数；即集合中{(i,j)|F(i,j)＝x∩G(i,j)＝y,i,j＝0,1,2...N-1}元素的总个数，L表示灰度级数，Lg表示梯度级数，则F(i,j)∈[0,L-1],G(i,j)∈[0,Lg-1]；对提取到的灰度-梯度共生矩阵进行归一化处理，使其各元素之和为1，归一化公式如下所示：其中为归一化后的灰度-梯度共生矩阵，通过计算该矩阵的统计特征获取纹理信息，采用15种统计特征，包括：小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩，将提取到的这15种统计特征作为图像的15维纹理特征；提取出的图像特征包括颜色6维，奇异值20维，纹理15维共计41维特征，对41维特征采用遗传算法进行降维处理，获取图像本质特征。其中部分特征的计算公式如下所示：(1)小梯度优势(2)大梯度优势(3)惯性(4)能量将提取到的23维特征作为特征变量，基于最小二乘支持向量机建立判别模型，将训练样本的特征数据放入支持向量机中进行学习，得到玉米图像旱情识别模型。本专利技术的特点及有益效果是：目前原始玉米植株样本包括前期正常152个，前期中旱186个，前期特旱180个。进行样本扩充后，前期正常共计912个，前期中旱共计1116个，前期特旱共计1080个。本试验将颜色、SVD、纹理的单特征作为对比试验进行识别正确率的测试，之后对本专利技术采用的遗传算法所提取出的最优特征子集进行识别正确率的测试。试验每次抽取样本的三分之二作为训练集，剩余样本作为测试集，为保证试验结果的真实性，每次随机抽取样本，试验重复100次，取100次试验结果的平均值作为最终的识别正确率。试验结果如表1所示，从中可以看出，经过遗传算法寻优后，从41维特征中选取了其中的有效特征23维，降低了特征的维数，消除了冗余特征，且相比较单个特征而言包含更多的图像信息，识别正确率有了大幅度的提高。附图说明：图1玉米旱情识别流程图。图2对原始样本进行图像预处理。图中，(a)两幅演示玉米植株原图，(b)K-means聚类分割效果图。图3原始数据集的扩充。图中，(a)原始分割图像，(b)原始图像提高亮度，(c)原始图像降低亮度，(d)原始图像逆时针旋转300，(e)原始图像逆时针旋转900，(f)原始图像逆时针旋转1200。图4分割图像RGB直方图。图5识别正确率与奇异值特征有效个数r取值的关系曲线。具体实施方式为解决现有技术中的问题，本专利技术对玉米前期旱情的分析采用图像处理的方法加以解决。供试玉米品种为郑单958，2014年6月18日播种，种植密度为60030株/hm2，每池2行×6株。生长前期土壤水份正常供应，保证玉米正常出苗。将玉米正常出苗以后至成熟的生长时期分为生育前期(出苗-大喇叭口期，下同)、生育中期(大喇叭口期-灌浆期，本文档来自技高网...

【技术保护点】
一种基于多特征融合的玉米前期图像旱情识别方法，其特征是，首先对所获取到的玉米植株图像进行预处理，将玉米叶片从复杂的背景图片中较为清晰、完整地提取出来，对分割后的图像进行亮度调整以及位置变化，模拟实际应用中可能会出现的样本状况，作为对原始样本集的扩充；此后，将所获取到的亮度调整后样本、位置变化后样本和原样本集合并作为新的样本集进行后续的处理，从新样本集中提取包括颜色、奇异值以及纹理的三类特征，采用遗传算法对特征进行降维处理，构建特征数据库；最后选用最小二乘支持向量机作为分类器对玉米植株做出旱情识别。

【技术特征摘要】
1.一种基于多特征融合的玉米前期图像旱情识别方法，其特征是，首先对所获取到的玉米植株图像进行预处理，将玉米叶片从复杂的背景图片中较为清晰、完整地提取出来，对分割后的图像进行亮度调整以及位置变化，模拟实际应用中可能会出现的样本状况，作为对原始样本集的扩充；此后，将所获取到的亮度调整后样本、位置变化后样本和原样本集合并作为新的样本集进行后续的处理，从新样本集中提取包括颜色、奇异值以及纹理的三类特征，采用遗传算法对特征进行降维处理，构建特征数据库；最后选用最小二乘支持向量机作为分类器对玉米植株做出旱情识别。2.如权利要求1所述的基于多特征融合的玉米前期图像旱情识别方法，其特征是，具体地，采用K-means聚类算法对获取到的玉米植株原图像进行图像分割。3.如权利要求1所述的基于多特征融合的玉米前期图像旱情识别方法，其特征是，从新样本集中提取包括颜色、奇异值以及纹理的三类特征，具体地：(1)颜色特征：分别提取R、G、B直方图的均值+偏度特征，共6维，R、G、B分别代表红、绿、蓝三种颜色通道，每种通道分为256阶亮度，R、G、B直方图分别统计在各个颜色通道中亮度的信息，均值和偏度计算公式如下：均值：其中m为直方图均值，i为像素值，pi为像素值为i的像素个数；偏度：其中Skew为直方图偏度，X为样本数据，μ为样本数据均值，σ为样本数据方差；(2)奇异值特征：奇异值分解简称SVD分解，是对分割后的图像进行灰度化处理之后，将该图像作为一个二维矩阵对其进行奇异值分解的一种特征提取方法，分解公式如下：A＝U×Σ×VT其中：A为m×n的矩阵，U为做左奇异矩阵，VT为右奇异矩阵，Σ为奇异值矩阵，奇异值矩阵是一个对角阵，其对角线上的元素即为矩阵的奇异值，其个数为min(m,n)，其数值在奇异值矩阵中按从大到小的顺序排列，采用前r个奇异值来近似描述矩阵，r<<min(m,n)，这里定义部分奇异值分解公式如下：Am×n≈Um×rΣr×rVTr×n将这r个奇异值进行归一化处理，将处理后的值作为图像的r个奇异值特征，归一化公式如下：其中λ为矩阵的奇异值，λmax为图像矩阵的最大奇异值即奇异...

【专利技术属性】
技术研发人员：路志英，刘书辰，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12