[发明专利]基于图像的玉米生育前期干旱胁迫自动识别方法

摘要

本发明公开了基于图像的玉米生育前期干旱胁迫自动识别方法，包括以下步骤：1)制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集，具体过程为：利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株图像样本，对样本图像进行分割处理，对分割后的目标图像进行特征提取，获得图像样本的特征向量，并记录图像样本所属的干旱类别；2)利用获取的生育前期玉米植株图像样本集训练两级干旱胁迫自动识别模型；3)玉米生育前期图像样本干旱胁迫自动识别步骤。本方法有效地实现了生育前期玉米植株的干旱胁迫状态的自动识别，能够对农业干旱灾害进行及时的预警，减少玉米作物及其经济损失；并通过实验验证了本方法的有效性。

主权项

1.一种基于图像处理的玉米植株生育前期的干旱胁迫自动识别方法，其特征在于，包括以下步骤：/n步骤一、制备处于不同干旱胁迫条件下的生育前期玉米植株图像样本集，记录其中各样本图像I(x,y)所属的类别，并求得各样本图像I(x,y)的特征向量；步骤如下：/n1-1)样本图像I(x,y)获取步骤：利用成像设备获取多幅处于不同干旱胁迫条件下的生育前期玉米植株样本图像，并记录样本图像I(x,y)所属的类别，包括：正常灌溉、轻度干旱和重度干旱；/n1-2)对上述获取的样本图像I(x,y)进行分割处理，得到只含有玉米植株前景点的目标图像S(x,y)，包括：/n获取的样本图像I(x,y)中具有玉米植株前景，还有土壤、秸秆和杂草残渣背景，从样本图像I(x,y)中分别随机选取大量的前景像素点和背景像素点，分别计算每个像素点的(G-R)值，和(G-B)值，并进行前景像素点和背景像素点的标记，其中，R,G,B分别表示获取的样本图像I(x,y)的红色通道、绿色通道和蓝色通道值；/n将所选取的前景像素点和背景像素点的(G-R)和(G-B)作为一个两维特征向量，将前景像素点和背景像素点的标记结果作为属性，训练线性分类器，得到样本图像I(x，y)前景像素点和背景像素点的分割函数，定义为：/nf(R，G，B)＝ω₁(G-R)+ω₂(G-B)+b (1)/n式(1)中，ω₁、ω₂和b均为线性分类器参数，ω₁、ω₂和b均由所选取的像素点的属性及其两维特征向量训练得到；如果f(R，G，B)>0，则像素点属于前景点，否则属于背景点；根据式(1)判断样本图像I(x，y)的每个像素点属于前景点还是背景点，得到图像S1(x，y)；/n利用数学形态学方法填补图像S1(x，y)的前景中存在的空洞、并去除面积小于20个像素点的区域，得到目标图像S(x，y)；/n1-3)对目标图像S(x，y)进行特征提取，包括：/n1-3-1)获取目标图像S(x，y)的4个纯绿色优势度特征，均由计算该目标图像S(x，y)前景点(G-R)和(G-B)的均值和方差得到，定义为：/n /n式(2)中，R_i、G_i和B_i分别为目标图像S(x,y)在像素点i处的红色通道、绿色通道和蓝色通道值，SNum为目标图像S(x,y)中前景点数目，PD_er和PD_eb分别表示前景点(G-R)和(G-B)的均值，PD_vr和PD_vb分别表示前景点(G-R)和(G-B)的方差；/n1-3-2)获取目标图像S(x，y)的3个RGB颜色空间均值特征，定义为：/n /n式(3)中，和分别表示目标图像S(x，y)中前景点红色通道、绿色通道和蓝色通道像素值的均值；/n1-3-3)获取目标图像S(x，y)的7个基于小波变换的能量特征，离散小波变换将目标图像S(x，y)分解为一个近似图像A1和三个不同方向上的细节图像H1，V1，D1，近似图像A1集中了目标图像S(x，y)的低频信息，三个细节图像H1，V1，D1分别集中了目标图像S(x，y)水平、垂直及对角线方向上的高频边缘信息；再次对近似图像A1进行离散小波变换，将该近似图像A1进一步分解成为一个近似图像A2和三个不同方向的细节图像H2,V2，D2；/n对目标图像S(x，y)进行上述离散小波变换后，得到7张图像，构造如下能量特征：/n /nE₁＝E_A1+E_H1+E_V1+E_D1/nE₂＝E_A2+E_H2+E_V2+E_D2/n /nw(i，j)表示小波分解后每张图像X或Y上位置(i，j)的小波系数；根据式(4)得到7个能量特征F_EH1，F_EV1，F_ED1，F_EA2，F_EH2，F_EV2，F_ED2；/n1-3-4)将步骤1-3-1)获得的4个纯绿色优势度特征PD_er、PD_eb、PD_vr和PD_vb；步骤1-3-2)获得的3个RGB颜色空间均值特征和及步骤1-3-3)获得的7个基于小波变换的能量特征F_EH1，F_EV1，F_ED1，F_EA2，F_EH2，F_EV2，F_ED2组合成一个向量，即为样本图像I(x，y)的特征向量；/n1-4)构造生育前期玉米植株图像样本集：按照步骤1-1)、1-2)和1-3)处理完毕所有样本图像，记录处于不同干旱胁迫条件下的生育前期玉米植株图像样本的数目、每个图像样本所属类别和每个图像样本特征向量，从而形成图像样本集；/n步骤二、利用步骤一获取的生育前期玉米植株图像样本集训练得到两级干旱胁迫自动识别模型；步骤如下：/n2-1)从生育前期玉米植株图像样本集中提取所属类别为正常灌溉和轻度干旱条件下的图像样本的特征向量，在步骤1-3)所提取的各个图像样本特征中，对这些图像样本特征进行优化选择，使用递归特征消除法选择出识别最有效的若干特征：PD_er、PD_eb、F_EH1、F_EV1、F_EA2、F_EH2、F_EV2，训练第一个梯度提升决策树GBDT分类模型；/n2-2)从生育前期玉米植株图像样本集中提取所属类别为轻度干旱和重度干旱条件下的图像样本的特征向量，在步骤1-3)所提取的各个图像样本特征中，对这些图像样本特征进行优化选择，使用递归特征消除法选择出识别最有效的若干特征：F_EV1、F_EA2、F_EV2，训练第二个梯度提升决策树GBDT分类模型；/n由步骤2-1)获得的第一个梯度提升决策树GBDT分类模型和步骤2-2)获得的第二个梯度提升决策树GBDT分类模型构成了两级干旱胁迫自动识别模型；/n步骤三、玉米生育前期图像样本干旱胁迫自动识别：从成像设备获取待识别的玉米植株生育前期图像样本，根据步骤一获得待识别图像样本的特征向量，将该特征向量作为步骤二得到的两级干旱胁迫自动识别模型的输入，首先由第一个梯度提升决策树GBDT分类模型判断，如果识别结果为正常灌溉，则为该待识别图像样本的识别结果；如果识别结果为轻度干旱，则进入第二个梯度提升决策树GBDT分类模型，进一步判断该待识别图像样本的所属类别是轻度干旱还是重度干旱。/n