基于高光譜的南疆紅棗病蟲害特征譜段選擇模式

0引??言

南疆是中國(guó)最大的紅棗生產(chǎn)基地，目前紅棗病蟲害已經(jīng)成為制約南疆紅棗產(chǎn)業(yè)發(fā)展的主要因素。受到病蟲干擾后，紅棗內(nèi)部會(huì)發(fā)生一系列變化，這種變化積累到一定程度后會(huì)直接表現(xiàn)在外觀上，甚至?xí)饤棙浒l(fā)生變化，例如嚴(yán)重的病蟲害會(huì)導(dǎo)致棗樹的樹葉發(fā)生病變。眾所周知，植物進(jìn)行光合作用依靠的就是綠葉，一旦綠葉受損，將會(huì)嚴(yán)重影響有機(jī)物積累，使得果實(shí)甚至果樹的生長(zhǎng)發(fā)育受到威脅。病變會(huì)使紅棗的光譜發(fā)生變化，因此利用高光譜系統(tǒng)可以對(duì)紅棗病蟲害實(shí)現(xiàn)最有效的監(jiān)管。

1?紅棗病蟲害高光譜圖像采集

高光譜圖像采集的過程如下:?第?1?步，依靠構(gòu)建起來的高光譜圖像系統(tǒng)對(duì)每個(gè)待測(cè)的紅棗進(jìn)行圖樣采集，同時(shí)為了更加便于研究圖像，還要進(jìn)行相應(yīng)的操作。第?2?步，將經(jīng)過處理操作后的圖像敏感區(qū)域進(jìn)行灰度值計(jì)算，這個(gè)灰度值也直接反映了紅棗的光譜圖像信息，具體而言就是首先要確定樣本，而樣本一般要滿足?2?個(gè)要求:?(?一)?單個(gè)病變斑點(diǎn)的灰度值應(yīng)該在?30?個(gè)左右;?(?二)?像素的灰度值在樣本空間中具有均衡的特征。對(duì)于標(biāo)準(zhǔn)的紅棗取樣就與此存在一定的差異性，應(yīng)該從整個(gè)紅棗的頭部、中部以及下部取?3?個(gè)標(biāo)準(zhǔn)樣本作為研究對(duì)象。對(duì)于參照對(duì)象的選取應(yīng)當(dāng)遵循隨機(jī)性的原則，但是要控制參照對(duì)象相同且適宜，即保證取樣的部位應(yīng)當(dāng)均勻包含?30?個(gè)像素光譜灰度值。對(duì)于同種樣本還要保持樣本容量為?50，由于在取樣的過程中涉及到多種病害，各個(gè)病害的樣本又構(gòu)成獨(dú)立的樣本空間，因此?6?個(gè)樣本總的樣本容量即為?300。第?3?步，從各個(gè)不同病害以及正常空白對(duì)照的樣本中隨機(jī)選出?30?個(gè)試驗(yàn)樣本，其他的樣本用作驗(yàn)證測(cè)試。由于在圖像的采集過程中不可避免地存在聲音干擾，所以要準(zhǔn)確分析圖像就要不可避免地進(jìn)行處理。通常的去噪方法是在有光與無光的環(huán)境中分別采集相應(yīng)的圖像，分別記作?W、D，然后利用公式計(jì)算高光譜反射率:

2?紅棗病蟲害高光譜特征譜段的最佳篩選

在南疆紅棗病蟲害高光譜數(shù)據(jù)采集過程中，由于受各種環(huán)境因素及人為因素的制約，采樣數(shù)據(jù)存在隨機(jī)誤差。為了提高紅棗高光譜譜段篩選的準(zhǔn)確性，通常采用均值置信區(qū)間估計(jì)法則將采樣誤差限制在允許范圍內(nèi)。假定樣本容量足夠大(?n≥85時(shí)，則所有隨機(jī)分布的均值能夠呈現(xiàn)正態(tài)分布的收斂圖。采集的圖像信息的概率為?P，因此可以得到在任意的第?i?波段光譜反射率均值?μi置信區(qū)間與置信水平?α?的關(guān)系為:

式中:?Xi為第?i?波段經(jīng)過高光譜反射率所有測(cè)量結(jié)果的平均值;?Zα?/2為抽樣誤差;?Si為測(cè)量樣本標(biāo)準(zhǔn)差(?nm)?;?α?為顯著性程度。μi的置信區(qū)間為：

?

由于波段取值具有一定的限制，那么所有紅棗病蟲害高光譜波段的置信區(qū)間也就直接成為高光譜反射率均值置信區(qū)間帶，并且以?μi作為比對(duì)光譜基準(zhǔn)。所謂特征選擇就是從研究對(duì)象中選取一部分作為試驗(yàn)對(duì)象，因此試驗(yàn)樣本應(yīng)當(dāng)小于總個(gè)體數(shù)。當(dāng)進(jìn)行圖像采集時(shí)，往往會(huì)得到含有大量圖像的數(shù)據(jù)，這就為數(shù)據(jù)分析帶來了極大的難度。如果不進(jìn)行特征篩選，就會(huì)在現(xiàn)有的波段中夾雜很多無用的波段，并直接影響計(jì)算效率，加大計(jì)算難度，同時(shí)還可能使有效的波段被忽略。最普遍的方式就是刪去均值置信區(qū)間帶的重疊波段，因?yàn)檫@種處理方法不會(huì)影響圖像整體的物理信息。采用?Manhattan?距離法構(gòu)建病蟲害紅棗與紅棗樣本數(shù)據(jù)庫光譜基準(zhǔn)的相似度，Manhattan?距離用如下公式計(jì)算:

式中:?D（i）為?Manhattan?距離，nm;?Xi為光譜基準(zhǔn)第?i?波段光譜反射率?n?次測(cè)量均值;?xi為病蟲害紅棗第?i?波段光譜反射率;?A?為篩選后的波段的所有組合。一般而言，Manhattan?距離直接反映了病害紅棗與數(shù)據(jù)庫中的樣本差異的大小程度，原則上是距離越小越精確。常用的方法就是判斷所計(jì)算出來的結(jié)果是否在置信區(qū)間中，如果在其中則說明準(zhǔn)確，樣本與標(biāo)準(zhǔn)較相近，反之則不準(zhǔn)確。

式中:?P?為最小最大區(qū)間相似度;?M?為紅棗特征區(qū)分波段總數(shù);?Yi為病蟲害紅棗的第?i?波段的光譜反射率;?H(?Yi)?反映了第?i?波段的反射率有沒有達(dá)到基準(zhǔn)光譜的要求，其取值只有?2個(gè)，是一種真假關(guān)系，在區(qū)域內(nèi)為真，取值為?1，反之為?0。

3?高光譜特征提取及波段選擇算法

3.1?特征波段的選擇

經(jīng)過系統(tǒng)處理的高光譜圖像一般被儲(chǔ)存在一個(gè)三維空間中，其中任何一個(gè)波段都與光譜特征具有一一對(duì)應(yīng)的線性關(guān)系。所以，選擇光譜圖像的實(shí)質(zhì)是對(duì)圖像波段進(jìn)行篩選，選出的波段在整個(gè)樣本波段中具有典型特點(diǎn)。對(duì)選出的圖像要進(jìn)行相應(yīng)的操作處理，對(duì)選擇的波段數(shù)量也有一定限制。利用這種方法一方面降低了數(shù)據(jù)的復(fù)雜度，另一方面最大程度保留了最準(zhǔn)確的信息。最后利用逐步判斷剔除法篩選波段，對(duì)相應(yīng)的波段進(jìn)行測(cè)試，在進(jìn)行提取篩選時(shí)的主要判斷標(biāo)準(zhǔn)就是判斷各個(gè)波段在整體波段中作用的強(qiáng)弱。假如在經(jīng)過若干次處理后，整個(gè)樣本空間不再發(fā)生任何形式的變化，那么就可以認(rèn)為當(dāng)前空間中剩下的波段就是篩選后期望得到的波段。

3.2?特征波段的提取

特征波段的提取建立在各光譜波段間進(jìn)一步優(yōu)化調(diào)整與整合的基礎(chǔ)上，是對(duì)一個(gè)光譜特征空間實(shí)現(xiàn)降維的方式，這種逐步判斷剔除的實(shí)質(zhì)也是降低原始圖像數(shù)據(jù)的復(fù)雜度，并對(duì)圖像進(jìn)行優(yōu)化處理。它是在不影響整體結(jié)果的前提下調(diào)整圖像數(shù)據(jù)，因此降低了數(shù)據(jù)的復(fù)雜度，方便分析數(shù)據(jù)，此外這種處理所得到的新數(shù)據(jù)也具有相互獨(dú)立的典型特點(diǎn)。

3.3?波段選擇算法分析

假設(shè)?X?=?(?x1，x2，…，xN)?=?(?X1，X2，…，XP)T為?P?維隨機(jī)變量，反映了采集的病害紅棗圖像。設(shè)總的樣本像元數(shù)為?N;總的波段數(shù)為?P;?xi(?i?=?1，2，…，N)?代表波段的第?i?個(gè)像元;?Xk(?k?=?1，2，…，P)?表示波段的具體序號(hào)。X?均值向量和協(xié)方差陣公式如下:?

設(shè)?λ1，λ2，…，λP(?λ1≥λ2≥…≥λP≥0)?為∑x的特征根，t1，t2，…，tP為相應(yīng)的單位特征向量。主成分變換如下:

Y?=?(?Y1，Y2，…，YP)T=?AX

式中:?A?為主成分變換矩陣，前提是?Y1，Y2，…，YP不相關(guān)且方差?D(?Yi)?(?i?=?1，2，…，P)?要大;?Y?分量?Y1，Y2，…，YP分別是?X的第?1，第?2，…，第?P?主成分的充分必要條件是:?A?=?TT=?(?t1，t2，…，t)?。

在主成分分析中:

式中:?Vm為主成分?Y1，…，Ym貢獻(xiàn)率的疊加，這是在進(jìn)行波段選擇時(shí)的主要考量參數(shù)，若?Vm大于閥值的前?m?個(gè)主成分置換原來圖像，則大大簡(jiǎn)化了運(yùn)算，然而確實(shí)失去了原始圖像的數(shù)據(jù)信息。為了有效解決這一問題，就開發(fā)一種新的波段選擇法，它是從原始波段中選取一部分作為樣本，因此沒有更改原有波段的信息。設(shè)?δn是∑x對(duì)角線上的值，主成分?Yk與原來第?i?個(gè)波段Xi的相關(guān)系數(shù)

并且有:

就會(huì)導(dǎo)出所有?m?個(gè)主成分(?Y1，…，Ym)?原始第?i?個(gè)波段的貢獻(xiàn)率?Vi，是?Xi分別與?Y1，…，Ym相關(guān)系數(shù)的平方和，即:

Vi是實(shí)現(xiàn)波段選擇的主要參數(shù)，代表了當(dāng)前波段在整體中發(fā)揮的作用。具體來說，假如?V5=?0．4，就反映了第?5?個(gè)波段中?40%?的數(shù)據(jù)信息都在樣本空間中，發(fā)揮的作用為?40%?。假如是波段的總數(shù)與樣本空間的波段數(shù)，就會(huì)得到?1，說明樣本空間的所有信息都來自該波段信息的疊加，但是這種研究沒有任何實(shí)際意義。在通常情況下，取?Vm≈0.?99，m?＜＜?P，這就保證了所計(jì)算的結(jié)果?Vi具有實(shí)際意義，可以作為波段選擇的主要依據(jù)。在進(jìn)行波段篩選時(shí)，還要制定一個(gè)具體的標(biāo)準(zhǔn)，在此記為?Tm，當(dāng)?Vm≥Tm時(shí)，就可以得到主要成分的數(shù)目，然后分別計(jì)算各個(gè)主要成分的?Vi，根據(jù)這個(gè)參數(shù)進(jìn)行波段選擇。由于這種計(jì)算方法避免了對(duì)圖像的處理或變換，因此大大降低了運(yùn)算難度，簡(jiǎn)化了運(yùn)算量，提高了運(yùn)算的準(zhǔn)確率。

4?結(jié)果與分析

4.1?特征選擇及其判別結(jié)果分析

最后將剩下的用于驗(yàn)證試驗(yàn)的波段進(jìn)行處理，將其放在預(yù)定的置信區(qū)間內(nèi)的一半波段數(shù)據(jù)進(jìn)行處理、分析，根據(jù)Wilks'Lambda?統(tǒng)計(jì)量，選定南疆紅棗棗銹病、棗瘋病、黑斑病、縮果病和正常紅棗?12?個(gè)特征波長(zhǎng)?480、495、510、520、560、570、635、660、735、740、745、760?nm，特征曲線如圖?1?所示。利用選擇的?12?個(gè)特征波段的光譜參數(shù)，對(duì)南疆紅棗棗銹病、棗瘋病、黑斑病、縮果病和正常紅棗無病區(qū)域進(jìn)行距離判別分析，表?1?即為新建的數(shù)據(jù)模型函數(shù)表達(dá)式。然后利用判斷公式進(jìn)行重新檢測(cè)，檢測(cè)后的判斷結(jié)果見表?2。從表?2?可以看出，所有的判斷沒有任何誤差。將未參加建模的?150?個(gè)圖像樣本作為測(cè)試集，對(duì)模型進(jìn)行檢驗(yàn)測(cè)試，結(jié)果對(duì)紅棗棗銹病、棗瘋病、正常紅棗的識(shí)別正確率是?100%?，對(duì)紅棗縮果病和黑斑病的識(shí)別正確率分別為?93%?、87%?，測(cè)試樣本的平均識(shí)別正確率為?96%?，這就強(qiáng)有力地證明試驗(yàn)構(gòu)建的線性判別模型具有實(shí)質(zhì)性的效果。

圖1???5類樣本的光譜反射率均值

表1???5類樣本的逐步判別函數(shù)

表?2?訓(xùn)練和測(cè)試樣本集的逐步判別結(jié)果

4.2?特征提取及其判別結(jié)果分析

與驗(yàn)證試驗(yàn)類似，將剩下的一部分樣本置于相同的置信區(qū)間中進(jìn)行數(shù)據(jù)處理分析，然后利用?PROC?CANDISC?判別研究，利用?Can1和?Can2典型變量組建的線性判別模型見表3。然后基于判定函數(shù)對(duì)各個(gè)試驗(yàn)以及驗(yàn)證樣本進(jìn)行二次檢驗(yàn)，結(jié)果示，這種模型對(duì)紅棗棗銹病、棗瘋病等眾多典型病害的檢測(cè)完全準(zhǔn)確，這也有力地證明了此模型的構(gòu)建完全達(dá)到了預(yù)期功效。

表?3???5類樣本?Candisc?判別函數(shù)

4.3?波段選擇算法分析

利用波段選擇法能夠輕易地確定主要成分的波段，然后再輔之以?PCA?的波段選擇算法進(jìn)行深層次處理分析。在這種新的波段選擇算法中，應(yīng)當(dāng)提前設(shè)置?Tm、Tv的具體數(shù)值，這也是進(jìn)行波段選擇的前提條件。在確定主要成分之后對(duì)其進(jìn)行分類處理，新的處理結(jié)果見表?4，可以發(fā)現(xiàn)這種處理方案實(shí)現(xiàn)了對(duì)數(shù)據(jù)的優(yōu)化調(diào)整，保證了原始圖像的相關(guān)信息沒有任何改變。

表4??PCA的波段選擇算法

5結(jié)論與討論

利用高光譜成像技術(shù)并結(jié)合主成分分析波段選擇算法識(shí)別南疆紅棗棗銹病、棗瘋病、黑斑病、縮果病和無病區(qū)域。研究開發(fā)的高光譜圖像采集系統(tǒng)，實(shí)現(xiàn)了對(duì)采集圖像的處理功能。然后經(jīng)過各種判別方法的操作，對(duì)波段的進(jìn)一步分析篩選，對(duì)所得到的波段進(jìn)一步調(diào)整，構(gòu)成新的模型?－?線性距離判別模型。這種新的模型無論是訓(xùn)練效果還是測(cè)試樣本的檢測(cè)效果都讓人滿意。此外，它依靠建立的判別函數(shù)還實(shí)現(xiàn)了對(duì)其他樣本的分析與判別等功能，其識(shí)別正確率均達(dá)?100%?，從而確立了南疆紅棗病蟲害特征譜段選擇的最佳模式。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯：符乾江