资源描述：
《基于高分辨率光谱图像采集及混合模型的植物病害检测方法》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。
遠寧新化＊馨ＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏＬｉａｏｎｉｎｙｇｙｇ损±穿恆巧交＇．ＴＨＥＳＳＤＥＧＲＥＥＩＳＦＯＲＭＡＳＴＥＲ－ｗ基于高分辨率光谱图像采集及混合模型的植物病害检测方法作者姓名：张逸指导教师：曾子维教授专业领域：计算机应用技术答辩日期：２０１６年６月４日 分类号TP39密级公开UDC单位代码10146学号133085211082硕士学位论文基于高分辨率光谱图像采集及混合模型的植物病害检测方法研究生姓名：张逸指导教师：曾子维教授工作单位：辽宁科技大学指导教师：惠德建高级工程师工作单位：神华煤制油工程分公司论文提交日期：2016年6月1日答辩日期：2016年6月4日学位授予日期：授予单位：辽宁科技大学论文评阅人：曾子维教授工作单位：辽宁科技大学论文评阅人：外审教授工作单位：答辩委员会主席：李国瑞高级工程师工作单位：鞍山市国有资产管理公司 PlantDiseaseDetectionhigh-resolutionimageacquisitionandspectralmixturemodel-basedapproachPlantDiseaseDetectionhigh-resolutionimageacquisitionandspectralmixturemodel-basedapproachByZhangYi(Majoringin)Supervisor:Prof.ZengZiweiAssociate:SeniorEngineer.HuiDejianJune4，2016 独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知除了文中特别加Ｗ标注和致谢的地方外论文中不，，包含其他人己经发表或撰写过的研究成果，也不包含为获得狂宁科技大学或＂其５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硏究，所做的任何贡献均百在论文中作了明确的说明并表示了谢意。论文作者签名：心带日期：２０化年６月４日＾关于论文使用授权的说明本人完全了解辽宁科技大学有关保留：学校、使用学位论文的规定即，有权保留送交论文的复印件允许论文被查阅和借阅：学校可Ｗ公布论文的，全部或部分内容，可Ｗ采用影印、缩印或其他复制手段保存论文。本学位论文属于：保密□在年解密后透用本授权书。＂＂不保密□（请在Ｗ上方框内打Ｖ）论文作者签名：於如日期：２０１６年６月４日指导教师签名：續詞期：２０１６年６月４日 中文摘要中文摘要基于数字化的无损伤的植物病害识别已成为作物病害诊断的趋势，论文针对植物病害症状复杂、现有仅通过单一的图像对比识别的诊断技术检测效率低等问题，综合利用光谱成像、光谱分析、光谱数据库技术以及颜色科学等诸多领域的知识，开展对植物叶片主要病害的快速、无损检测方法研究，并在此基础上建立了病害的快速检测模型和病害诊断系统。通过对光谱立方体的构造的深入研究，基于高分辨率光谱图像格式，提出了一种通用的尤其适用于高分辨率图像光谱数据快速处理的数据结构；与SQLServer数据库结合，基于上述高分辨率光谱成像系统，对树木等园艺类植物的上百株样本的培养、采集和分析，获得了园艺类病害的大量的图像和光谱数据，为找到不同浓度，不同发病时段的各种作物病害的光谱规律以及色彩差异提供了数据依据。本论文的研究结果为植物病害的快速诊断提供了新的手段，并为计算机技术、信息技术以及光谱技术在农业中的应用提供了实例，具有重要的理论和实践意义。文章从课题背景入手，在阐述成像光谱技术、植物病害检测相关理论的基础上，首先从光谱成像立方体的数据结构入手，介绍光谱成像技术的原理以及常见的光谱成像技术，并搭建基于病害检测光谱成像技术及LCTF的光谱成像硬件系统；接着讨论光谱图像数据的本地和网络的数据存储结构，并将提出一种针对高分辨率光谱图像数据的数据库模型以及本地化存储模型，对LCTF光谱成像系统的数据处理及相关的软件进行设计；最后通过比较主成分分析法、线性判别分析、神经网络方法等几种常用的特征提取方法并总结了各种分析对其在病害判别分析中使用的适宜程度进行了分析，提出了一种基于Fisher方法的逐步判别模型进行光谱降维，并使用RBF神经网络对降维前后的光谱分类能力进行检验。关键词：植物病害；检测方法；高分辨率光谱成像ii ABSTRACTABSTRACTDigitizednoninvasiveidentificationofplantdiseaseshasbecomeatrend-baseddiagnosisofcropdisease,Aimingplantdiseasesymptomcomplex,existingonlythroughasinglediagnostictechniquestoidentifytheimagecontrastandlowdetectionefficiency,utilizationspectralimaging,spectroscopy,knowledgespectrumdatabasetechnologyandcolorscienceandmanyotherareas,carriedoutonplantleavesmajordiseasesfast,non-destructivetestingmethodsresearch,andtheestablishmentofamodelforrapiddetectionanddiseasediagnosissystembasedonthisdisease.Throughin-depthstudyofthespectrumofthecubestructure,basedonhigh-resolutionspectralimageformat,proposesauniversalespeciallysuitableforhigh-resolutionspectralimagedatafastprocessingofthedatastructure;inconjunctionwithSQLServerdatabase,basedonthehigh-resolutionspectralimagingsystem,cultureandotherhorticulturalplantstreesononehundredsampleswerecollectedandanalyzedtoobtainalargeamountofimageandspectraldatagardeningdiseases,cropdiseasestofindavarietyofdifferentconcentrationandtimeofonsetofthespectrumlaw,andcolordifferencesprovideadatabasis.Theresultsofthispaperistoproviderapiddiagnosisofplantdiseases,newinstruments,andcomputertechnology,informationtechnologyandspectroscopyprovidesanexampleofapplicationinagriculturehasimportanttheoreticalandpracticalsignificance.Articlesfromsubjectbackgroundtostart,onthebasisofimagingspectroscopy,plantdiseasedetectiontheoryelaboratedon,startingwiththespectroscopicimagingcubedatastructure,thispaperintroducestheprincipleofspectralimagingtechnologyandthecommonspectralimagingtechnology,andbuiltbasedonthedefectdetectionspectrumLCTFimagingandspectroscopicimaginghardwaresystem;thendiscussedlocalandnetworkdatastoragestructureofspectralimagedata,andpresentsamodelfordatabasestoragemodelandthelocalizationofhigh-resolutionspectralimagedata,spectralimagingsystemforLCTFdataprocessingandrelatedsoftwaredesign;andfinallybycomparingtheprincipalcomponentanalysis,lineardiscriminantanalysisofseveralcommoncharacteristics,neuralnetworksandothermethodstoextractandsummarizethevariousanalyzesofitssuitabilityforuseindiseasediscriminantanalysisWeanalyze,presentsastepwisediscriminantmodelFishermethodofspectraldimensionalityreduction,andtheuseofRBFneuralnetworktoclassifythespectraldimensionalityreductioncapacitybeforeandafterthetestbased.KeyWords：Plantdisease，Detectionmethods，High-resolutionspectroscopicimagingiii 目录目录独创性声明.....................................................................................................................i关于论文使用授权的说明.............................................................................................i中文摘要..................................................................................................................iiABSTRACT.............................................................................................................iii1.绪论..........................................................................................................................11.1研究背景............................................................................................................11.1.1传统的植物病害检测方法及其存在的问题...........................................11.1.2基于图像和光谱信息融合的植物病害检测方法..................................11.2国内外研究现状................................................................................................21.2.1光谱图像的获取模块...............................................................................21.2.2光谱图像的识别模型...............................................................................31.3本论文的研究目标和内容................................................................................42.高分辨率成像光谱仪的硬件系统搭建....................................................................62.1光谱成像立方体数据结构................................................................................62.1.1图像立方体...............................................................................................62.1.2光谱曲线..................................................................................................72.2光谱成像系统原理分析....................................................................................72.2.1棱镜/光栅色散型成像光谱技术.............................................................82.2.2干涉型成像光谱技术...............................................................................82.2.3计算机层析型成像光谱技术...................................................................92.2.4滤光片型成像光谱技术...........................................................................92.3高分辨率光谱成像系统的硬件搭建................................................................92.3.1光源.........................................................................................................102.3.2光学系统的选型.....................................................................................112.3.3液晶可调制滤色片的选型与参数选择.................................................132.3.4图像传感器的选型.................................................................................132.3.5具体实施方式.........................................................................................142.4本章小结..........................................................................................................143.高分辨率光谱成像系统的数据处理及相关软件设计........................................163.1成像步骤及数据分析流程..............................................................................163.2系统功能结构..................................................................................................173.3光谱图像的采集模块......................................................................................193.4光谱图像数据的存储......................................................................................203.4.1—种通用的栅格数据存储格式............................................................203.4.2光谱图像数据库的建立.........................................................................223.4.3光谱图像数据录入模块与检索模块.....................................................243.5光谱图像数据显示模块...................................................................................263.6光谱图像数据处理与病害检测模块...............................................................273.7本章小结...........................................................................................................284.基于多重分类判别的植物病害图谱混合判别实验............................................294.1实验路线...........................................................................................................29iv 目录4.2实验准备...........................................................................................................314.2.1实验材料.................................................................................................314.2.2植物病害样本的置备.............................................................................324.2.3植物病害光谱图像的采集.....................................................................324.3植物病害图谱信息获取...................................................................................364.3.1植物病害光谱数据的获取.....................................................................364.3.2植物病害图像信息获取.........................................................................384.3.3植物病害光谱图像的颜色信息获取.....................................................404.4光谱图像的特征选择.......................................................................................404.5光谱图像的分类判别.......................................................................................414.5.1非监督分类方法与监督分类方法的选择.............................................414.5.2监督分类方法对比.................................................................................425.结论..........................................................................................................................43参考文献......................................................................................................................44致谢......................................................................................................................47作者简介......................................................................................................................48v 辽宁科技大学硕士学位论文1.绪论1.1研究背景1.1.1传统的植物病害检测方法及其存在的问题[1]基于数字化的无损伤的植物病害识别，已成为作物病害诊断的趋势。传统的诊断方法往往是采用单一的RGB彩色相机捕获的图片或光谱仪采集的光谱数据与患病害的植物进行比较，病害的诊断大量依赖植株颜色或彩色图像的信息。对彩色图像的分析方法能从植物的颜色，形状，纹理上获得大量直观信息，但要[2]进行精确分析时却存在一定的困难：（1）用于采集图像的传感器有各自的光谱响应曲线，在相同的照明和观测条件下，不同的传感器会得到不同的图像颜色。（2）由于各地采集的数据的观察条件不同，照明条件、成像系统的光谱响应都影响彩色图像的成像质量和精度；由于适用RGB相机记录的是插值过后的颜色信息，大量紫外、近红外和中红外光谱信息不可避免的被丢失了。在很多应用领域，光谱信息同样具有很大的应用价[3]值。（3）采集数据本身的同色异谱现象会导致相同颜色的观察对象属于两种完全不同的物体。（4）使用RGB获取的彩色图像缺少入库分析的量化标准，没有[4]建立统一标准的数据库系统，不利于针对特殊病害信息的存储和检索。课题的研究目标是将一种快速高精度的光谱成像技术引入植物的病害识别系统中，结合植物病原体本身的光谱及颜色特性，建立一套利用图像和光谱混合信息进行病害识别的分类方法，并尝试建立一种图谱信息入库分析的量化标准，提出相应的客观评价指标，研究用于工程化实施的快速实现方法，通过仿真和实验对算法进行验证。1.1.2基于图像和光谱信息融合的植物病害检测方法农业光谱成像主要用于近红外和可见光波段，可见光波段波长范围为400-760nm，其光谱图像的光谱分辨率大于5nm，该分辨率能够以较高的精度拟合或重建自然界中多数目标的辐射光谱或反射光谱信息，因此对于目标识别或物[5]质成分分析有重要的用途。而近红外光谱主要指的是氢基团（C-H、O-H、N-H、S-H）的吸收，吸收系数小，谱带很宽，谱带之间重叠严重。被测量的数据，如样品的物化性质等都取决于样品的组成和结构，这些数据和近红外光谱间都有[6]着一定的函数关系。有鉴于此，本文的研究将基于新型光谱成像技术建立一种自动、高效的林木花丼植株病害的专家诊断方法，并在此基础上建立基于远程应用的标准的光谱1 1.绪论图像数据库，利用基于光谱的颜色复制技术实现病害样本的高精度彩色图像复现。根据植物病害学，一方面，从植物病变器官的颜色变化来识别病害种类。另一方面，从光谱维和图像维对病害的内部物理化学成分或内部结果及外形的变化进行分析和识别。为实现对植物进行快速、准确和非破坏性诊断提供可靠的技术支持。1.2国内外研究现状1.2.1光谱图像的获取模块高成像光谱仪技术是70年代末期首先在美国发展起来的。在成像光谱概念形成的初期，美国地球物理环境研究公司（GeophysicalEnvironmentResearch，GER）的W.Collins和张圣辉博士的航空光谱研究和美国加州技术研究所的喷气[7]推动实验室（JetPropulsionLaboratory，JPL），A.Goetz所主持的航天飞机多光谱红外辐射计（ShuttleMultispectralInfra-RedRadiometer，SMIRR）[8]实验研究均发挥了重要作用。1983年，由美国NASA（NationalAeronauticsandSpaceAdministration）投资、JPL研制的第一台高分辨力航空成像光谱仪（AirborneImagingSpectrometer，AIS-1）问世，开创了高光谱分辨力和空间分辨力兼有、光谱和图像合一的成像光谱遥感技术的新时代。在AIS-1的基础上，美国陆续研制了改进型AIS-2（1985年〜1987年，128波段），GERIS（1986年，64波段）和AVIRIS（AirborneVisible/Infra-RedImagingSpectrometer，1987年，196波段）。澳大利亚研制了GeosanMarkII（1985年，64波段），德国研制了ROSIS（1991年，128波段），法国研制了IMS（1991年，64波段）。加拿大在成像光谱技术的发展方面也投入了很大的力量，先后研制了FLFPML（1984年〜1990年，288波段）、CASI（CompactAirborneSpectrographicImager，1989年，288波段以内）以及SFSI（1993[9]年，122波段）等几种成像光谱仪。八十年代后期，我国先后在“七五”、“八五”和“九五”国家科技攻关及"863"计划中将发展机载遥感成像光谱仪技术列入重要项目，相继研制开发出实[10][11]验型71波段模块式机载成像光谱仪MAIS、模块化成像光谱仪OMIS、推扫式的超光谱成像仪PHI等系统。目前，高光谱成像技术在农业领域的应用主要集中[12]在遥感相关的部分领域，如主要有大范围的植物病害监测；上述遥感用成像光谱仪图像分辨精度在1m左右，远不能满足农业病害精细识别的要求。多光谱成像技术（MultispectralImaging）与高光谱或超光谱成像相比较，光谱成像系统的光谱分辨率虽然较低，但实现起来较为简单；通常认为在可见光波段光谱图像的光谱分辨率大于10nm，该分辨率能够以较高的精度拟合或重建自然界中多数目标的辐射光谱或反射光谱信息。从20世纪70年代起，光谱2 辽宁科技大学硕士学位论文成像技术首先应用于航空航天遥感对地观测领域，并逐步在农业、生物医学、博[13]物馆作品珍藏、美容、高精度彩色打印、计算机图形学（R.S.Berns,1998；MasahiroYamaguchi,2002；M.Rosen,2001；S.Gonzalez,2000；Masahiro,2001）等领域得到应用。20世纪90年代以来，在可见光波段的光谱成像的研究逐步深入，现已成为颜色科学的研究前沿，国际照明委员会（CIE）于2002年11月把光谱成像技术列入彩色图像技术委员会即第8分部（TC8-7）的发展方[14]向。1.2.2光谱图像的识别模型（1）图像维样本的识别算法农业检测中的图像维的识别方面的改进主要分为以下几种：将植物的颜色信息转换到更容易观察到的颜色空间：如IrfanS.Ahmad等人[25]利用3种图像的彩色模型RGB,HIS,rgb（规一化RGB）评价玉米由于缺水和缺氮对叶片造成的色彩特征变化。研究发现，3种模型中HSI模型能更清晰地表征[15]玉米叶片的颜色变化；韩国学者ChoiK等人根据美国农业部（USDA）关于油松成熟度的分级标准，把彩色图像由RGB（Red,Green,Blue）模型转换为HSI模型，利用累积色调分布图（某一色调的像素个数占小于等于该色调像素总数的百分比）把新鲜油松分为6个等级，测试结果表明计算机判别与人工识别的一致率为77%；改进光源或扩展相机的光谱响应范围，使用红外或近红外区域进行拍摄：如[16]美国学者ShimizuH等人设计了一种利用CCD摄像机与红外照明设备组成的计算机视觉系统。对获取的图像，阈值分割后利用边缘算子求出作物轮廓，再利用分段求中心垂线段的方法分别将正视图和侧视图的作物茎杆细化，然后在三维空间中求出作物茎杆的长度。这为合理控制植物的光照条件提供了依据。[28]提取合适的图像特征，改进病害分类的判别算法：如国内的张长利等人利用遗传算法训练的多层前馈神经网络实现油松成熟度的自动判别的研究。结果[17]表明，用遗传算法训练的网络的分级效率和准确率都比BP网络高。毛罕平等提取叶片颜色和纹理的12个特征，将二叉树分类法和模糊K-近邻法相结合对油松缺素进行了识别测试，结果表明对不易肉眼判别的油松缺氮和缺钾初期叶片的识别准确率在85%以上。（2）光谱维样本的识别算法农业检测中的光谱维的识别方面的改进主要分为以下几种：相关领域光谱谱段的选取对识别的影响：如国内吴曙雯等人对4个感染不同等级稻叶瘟的水稻冠层反射光谱进行测试，并对光谱反射曲线进行微分分析，研究了绿光区、红光区和近红外区反射光谱的变异特征。受害轻时近红外区反射率3 1.绪论[18]变化幅度大，受害重时绿光区和红光区反射率变化幅度大。黄木易等人研究了冬小麦条锈病冠层光谱特征，结果发现630-687nm、740-890nm及976-1350nm为遥感监测条锈病的敏感波段。相关领域光谱谱段的变换后的子集如特征峰值、一阶导数信息对识别的影[19]响：Shibayama等利用分辨率为5nm和10nm的光谱仪从400nm至1900nm范围分析了受水分胁迫的水稻的反射能力，发现在近红外和中红外波段的反射率及其[20]一阶导数可以用来探测早期水稻冠层的水分胁迫作用。Malthus等用高分辨率遥感分析大豆受蚕豆斑点葡萄孢感染后的反射光谱，发现其一阶导数反射率比原始的反射率要高，可用来监测病虫害的感染情况。目前所知文献领域并没有在农业领域中的将光谱信息、图像信息以及颜色信息进行特征提取与融合的先例，且大部分研究缺少入库分析的量化标准，本文将围绕此目的，并结合前人在光谱领域和图像模式化识别领域的优势技术，来展开研究和探索的。1.3本论文的研究目标和内容本论文针对目前基于传统植物病害诊断识别体制存在的一些问题，提出把光谱成像技术应用在植物病害诊断识别上，将植物的光谱信息和图像信息结合起来，完善了病害的诊断方法。本论文的主要内容如下：第一章：绪论。主要介绍本文研究内容与课题背景，阐述基于成像光谱技术的植物病害检测所涉及的内容，简单叙述相关的植物光谱特性基础，并概述其研究现状和最新的发展，包括算法研究成果和实用化进程。第二章：基于病害检测光谱成像技术及LCTF光谱成像硬件系统搭建。本章将从光谱成像立方体的数据结构入手，介绍光谱成像技术的原理以及常见的光谱成像技术，并列举了现有技术在实时病害检测中的应用的问题和不足，设计一种快速、基于窗口成像的高光谱分辨率和高图像分辨率的光谱成像系统，该系统基于液晶可调谐滤光（LiquidCrystalTunableFilter）原理构建，以下简称LCTF光谱成像系统。该系统由前置光学系统、液晶可调制滤色片、远心镜头、CCD传感器、图像采集卡、采样控制及数据处理计算机、采样控制和数据处理软件系统等部分组成。第三章：LCTF光谱成像系统的数据处理及相关的软件设计。为了实现上章构建的光谱成像系统采集光谱数据的快速处理和存储，本章将根据光谱图像的存储特点和植物病害的分类设计一套集成高速显示模块、数据库管理模块以及处理模块的软件系统。为了更快速准确的获取目标详细可靠的数据信息，本章还将讨论光谱图像数据的本地和网络的数据存储结构，并将提出一种针对高分辨率光谱图像数据的数据库模型以及本地化存储模型。第四章：基于光谱成像的植物病害检测实验。本章通过比较主成分分析法、4 辽宁科技大学硕士学位论文线性判别分析、神经网络方法等几种常用的特征提取方法以及监督判别和非监督判别等几种常用的特征判别方法，并总结了各种分析对其在病害判别分析中使用的适宜程度进行了分析，提出了一种基于Fisher方法的逐步判别模型进行光谱降维，并使用RBF神经网络对降维前后的光谱分类能力进行检验。在此基础上使用上述光谱降维方法对光谱进行特征提取，特征提取后的光谱数据得到的植物病害的形状纹理、颜色信息进行混合，混合后的数据进行贝叶斯判别，得到每个病害类的典型判别函数，对比只是用单独的光谱判别或图像判别方法，在判别精度提到了10%左右。5 2.高分辨率成像光谱仪的硬件系统搭建2.高分辨率成像光谱仪的硬件系统搭建由于植物光谱特征及图像特征在植物病害检测应用中具有相当重要的地位，如何正确理解和利用光谱成像技术就极为关键。本章将从光谱成像立方体的数据结构入手，介绍光谱成像技术的原理以及常见的光谱成像技术，并列举了现有技术在实时病害检测中的应用的问题和不足，设计一种快速、基于窗口成像的高光谱分辨率和高图像分辨率的光谱成像系统，该系统基于液晶可调谐滤光（LiquidCrystalTunableFilter）原理构建，以下简称LCTF光谱成像系统。该系统由前置光学系统、液晶可调制滤色片滤色片、远心镜头、CCD传感器、图像采集卡、采样控制及数据处理计算机、采样控制和数据处理软件系统等部分组成。2.1光谱成像立方体数据结构由于植物光谱特征及图像特征在植物病害检测应用中具有相当重要的地位，如何正确理解和利用光谱成像技术就极为关键。从广义上说，光谱成像（SpectralImaging）是指利用多个光谱通道进行图像采集、处理、显示、分析、解释等的[21]一种技术。光谱成像系统的信息特点是能够得到物体的二维空间信息（x,y）和一维光谱信息（A）。一般把光谱像的二维空间和一维光谱信息组合而成的三维数据集称为数据立方体。多光谱数据的优势就在于除了拥有二维的平面图像外，还包含了光谱维，从而蕴含了丰富的图像及光谱信息。通常，用图像立方体来表达多光谱的数据的整体，用光谱曲线来表达其二维光谱信息，用光谱曲面来代表其三维光谱信息。2.1.1图像立方体图像立方体是将多光谱数据表达为成像光谱的信息集。在通常显示二维图像的基础上添加光谱维，就可以形成三维的坐标空间。如果将成像光谱图像的每个波段数据都看成一个层面，则成像光谱数据整体表达入该坐标空间就会形成一个图像立方体一个拥有多层面、按波段顺序叠合构成的数据立方体。当然，在实际环境中只有二维的显示设备。因此，需要利用人眼的特性，将三维的图形图像信息通过视图变换的方法显示到二维的设备上，以达到三维的视觉效果。形成图像立方体后，除了与传统图像相同、反映某波段灰度图像或三波段合成彩色图像的一个面外，还拥有两个成像光谱数据立方体在光谱维度的切面。这两个面上的图像反映了某条直线上的地物光谱信息。显然，成像光谱切面数据是一个单色平面，直接显示该切面数据反映了各波段的辐射能量，不能显示出图像的光谱特征。考虑到人对彩色的敏感程度更高，可以采用密度分割的方法，给各6 辽宁科技大学硕士学位论文[22]灰度级赋予不同的彩色值，将光谱切面的灰度转换成彩色图。图2.1光谱图像立方体基本结构Figure2.1Thebasicstructureofaspectralimagecube图2.2光谱曲线图示Figure2.2spectralcurve2.1.2光谱曲线为了直观地表达图像上某一像元的光谱特征，我们引入二维的光谱曲线。如果直角坐标系表示光谱数据，其横轴表示波长，纵轴表示反射率，如图2.2所示。物随着波长的变化，其光谱反射率也相应发生变化，不同谱吸收特征就可以从反射率曲线的极小值获得。成像光谱图像的波段虽然多，但是毕竟有限，因此光谱曲线实际上只是一些离散的坐标点。为了形成光滑连续的光谱曲线，需要通过这些坐标点进行必要的插值，如可以用三次样条插值或多项式插值等方法。2.2光谱成像系统原理分析成像光谱仪技术的分类方法很多，成像光谱仪从原理上分为三大类：色散型、[23]干涉型和计算层析型。7 2.高分辨率成像光谱仪的硬件系统搭建色散型成像光谱仪是利用色散元件（光栅或棱镜等）将复色光色散分成序列谱线，然后再用探测器测量每一谱线元的强度。而干涉型成像光谱仪是同时测量所有谱线元的干涉强度，对干涉图进行傅里叶变换得到目标的光谱图。计算层析型成像光谱仪以层析投影成像理论为基础，它以“快拍”（Snapshot）方式获取目标光谱信息，即不经过任何方式的扫描，能在一次曝光时间内获取目标的三维[24]信息（二维图像信息和一维光谱信息）。下面就对这三类成像光谱仪技术的基本原理和最新研究趋势分别加以说明。成像光谱仪从原理上可以分为棱镜/光栅色散型、干涉型、滤光片型、计算机层析型等。2.2.1棱镜/光栅色散型成像光谱技术色散型成像光谱技术出现较早，技术比较成熟。该技术要求入射狭缝位于准直系统的前焦平面上，入射的辐射经准直系统准直后，经过棱镜和光栅色散，由成像系统将狭缝按波长成像在探测器的不同位置上。色散型成像光谱仪主要有摆扫式和推扫式两种工作模式，这两种工作模式不同主要基于成像光谱仪的光学系[25]统是采用折射光学系统还是反射光学系统或反射折射光学系统。色散型光谱成像技术在成像过程中采用线扫描的方式，每次扫描获得某一点的光谱信息，空间分辨率较低，对于大视场高分辨率的光谱图像观测实用性较低。2.2.2干涉型成像光谱技术干涉型成像光谱技术在获取目标的二维信息方面与色散型技术类似。通过摆扫或推扫得到目标上的像素。但是，每个像素的光谱分布不是色散元件形成，而是利用像素辐射的干涉图与其光谱图之间Fourier变换关系，通过探测像素辐射的干涉图和利用计算机技术，对其进行Fourier变换来获得每个像素的光谱分布。获取光谱像素干涉图的方法和技术是该类型光谱仪研究的核心问题，它决定了由其所构成的干涉成像仪的使用范围及性能。而且前使用的干涉型成像光谱技术中获取像素辐射干涉图的方法有三种：迈克尔逊干涉法、双折射干涉法和三角[26]共路（Sagnac）干涉法。基于这三种方法形成了相应的三种典型的干涉型成像光谱仪。同时，干涉型成像光谱仪根据硬件工作方式又可分为两类：依靠动镜扫描的时间调制干涉型成像光谱仪（TemporarilyModulatedImagingInterformeter，TMII）和依靠探测器阵列扫描的空间调制干涉型成像光谱仪[27]（SpatiallyModulatedImagingInterfermeter，SMII）。干涉型光谱仪基于依靠动镜扫描或依靠探测器阵列扫描原理，具有光谱分辨率较高，光谱范围大等优点，但是其结构复杂，空间分辨率一般都较低，且因为需要扫描动镜，扫描精度受机械影响较大，得到的光谱立方体需得到Fourier8 辽宁科技大学硕士学位论文变化才能获得每个像素的光谱分布，影响了观察的直观性，增加了算法转换时间。2.2.3计算机层析型成像光谱技术层析型成像光谱技术（Computed-tomographyImagingSpectrometer，CTIS）[28]将成像光谱图像数据立方体视为三维目标，利用特殊的成像系统记录数据立方体在不同方向上的投影图像，然后利用层析算法重建出数据立方体。层析型成像光谱技术可同时获得目标的二维空间影像和光谱信息，并对空间位置光谱特征快速变化的目标进行光谱成像，但由于探测器格式及色散元件的精度限制，成本较高。2.2.4滤光片型成像光谱技术滤光片型成像光谱仪，它采用相机加滤光片的方案，根据使用滤色片类型可[29]分为宽带滤色片式和窄带滤色片式光谱仪两种。常用的用窄带滤色片分光后分别将单色光投射在传感器上，多次采集后合成得到影像。这种方式得到的影像质量很高，但是需要配合机械的滤色片转换装置，由于机械转换装置的频率较低，不能适用于高效的高光谱精度的光谱影像采集。随着技术的进步，滤色片性光谱成像技术有了很大的改进，现阶段正在大力发展的并已经投入使用改进型滤色片光谱成像技术有下列几种：[30]镀膜干涉滤色片：成本低廉、稳定性好，但是基于干涉原理的窄带滤色片有一个缺点，当光线的入射角变化时透过率也跟着变化。所以拍摄大视场目标时不宜用窄带滤色片。而且滤色片的切换时需要一个滤色片导轮的机械装置，影响图像获取的实时性。[31]声光可调制滤色器（AOTF）：其成像系统具有无动镜结构、波段切换速度快、光能利用率高（25%以上）等优势，但造价较高且比较沉重。[32]液晶可调制滤色片（LCTF）采用偏振原理滤色的液晶电子可调滤色器来实现通道的切换，该滤色器往往取等波长（5-10nm）间隔的通道设计，省去机械切换，大大提高了获取速率并且减小了多光谱相机的体积。本文采用上述液晶可调制滤色片技术原理进行植物病害光谱图像采集系统的搭建，采用窄带滤色片分光后分别将单色光投射在传感器上，具有高图像分辨率（最高可达200w像素以上）的优点；使用取等波长间隔的通道设计，程序控制光谱的采样间隔和采样时序，省去机械切换，提高了获取图像的速率（20帧/s），并具有较高的光谱分辨率（5nm）。2.3高分辨率光谱成像系统的硬件搭建本文采用的光谱成像系统主要用于植物病害的光谱图像采集，其中硬件部分9 2.高分辨率成像光谱仪的硬件系统搭建主要包括照明光源、前置光学系统、光谱分光器、图像传感器、图像采集卡还包括与之相关的控制计算机等。图2.3是本文中所用的液晶可调制滤色片成像光谱仪的采集工作流程示意，图像采集模块由多光谱相机、相机控制模块和照明结构组成。通过相机获取的光谱图像直接通过USB接口传送到图像处理单元。图像处理模块由光谱处理模块、颜色处理模块和数据存储模块组成。采集到的光谱图像通过特定的算法获取图像的光谱信息和颜色及图像信息。图像输出模块由显示标定单元组成。目标的颜色信息利用独立于设备的CIEXYZ色度坐标表示出来，转换成RGB三刺激值，并合成全波段的彩色图像，在显示器上显示最后处理的结果。图2.3LCTF成像光谱仪的采集工作流程示意图Figure2.3TheworkingprocessoftheacquisitionofLCTFimagingspectrometer2.3.1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[33]围在380-2000nm之间。本论文使用由美国DolanJennerIndustries公司生产，型号为Fiber-Liter)C950。实验进行的暗箱中有一组对称的线光源，发出两束对称线光源。光源主要参数见表2-1。10 辽宁科技大学硕士学位论文表2.1Fiber-LiteDC950光源主要技术参数Table2.1Fiber-LiteDC950lightmaintechnicalparameters指标参数值光源150W石英卤素灯最大耗电功率150W保险丝2.5A，250V,5×20mm尺寸11.5H×19W×23D(cm)光纤内径1.59cm线形灯总长16.51cm电压100-240VAC，50/60HZ使用寿命200-8000hours色温2800K重量2.3kg光纤总长76cm灯缝隙尺寸0.036H×l5.24W(cni)物体的颜色与照明光源有密切关系，同一物体在不同的光源照明下会得到不同的结果，为了统一颜色的评价标准和进行色度计算，CIE推荐了标准照明体和[34]标准光源。CIE对“光源”和“照明体”的定义有区别。“光源”是指能发光的物理辐射体，如灯、太阳。“照明体”是指特定的光谱分布。这样的光谱分布[35]不一定能用一个具体的光源来实现。CIE“标准照明体”是由相对光谱分布来定义的，以表格函数形式给出，并规定了“标准光源”来实现标准照明体的光[36]谱分布。CIE推荐的标准照明体有A、B、C、D、E。在实验中，光谱成像系统观测的几何条件采用CIE15：2004版推荐的d/0度几何条件。为了产生一个漫反射照明，实验设计了一个积分球漫反射照明。积分球最早在19世纪90年代用于光源的光度测量，现在已经成为辐射度、光度和色度测量中不可缺少的设备。由于积分球具有混光特性，在积分球中的光束，经过多次漫反射，形成一个理想的漫射源，这样就消除被测样品的不均匀性和探测器件受光面响应度的不均匀性带来的影响。2.3.2光学系统的选型高光谱成像光谱仪采用了芬兰SpectralImaging公司生产的分光光谱仪，ImSpectorV10E和ImSpectorN17E,光谱范围分别为380-1030mn和874-1734nm。基本参数如表2.2。应用于高光谱成像系统的镜头为C-mount成像镜头，型号为OLE-23，为变焦镜头，色散元件为棱镜一光栅一棱镜结构，基本11 2.高分辨率成像光谱仪的硬件系统搭建参数如表2.3。表2.2成像光谱仪VIOE-QE主要技术参数Table2.2TechnicalparametersofimagingsystemVIOE-QE指标参数值光谱范围380.67-1030.03nm光谱分辨率2.8nm光谱采样点0.65nm有效狭缝长度8.7mm光透过效率>50%相对孔径F/2.4狭缝宽度30μm杂散光0.5%光谱通道数>200CCD像素1344×1024像素尺寸6.45×6.45μmA/D输出12bits动态范围>1500:1帧数(全幅）8.9fps帧数(binning)43fps曝光时间范围0.01-1000ms计算机接口IEEE1394-1995镜头接口C-Mount表2.3成像镜头OLE-23主要技术参数Table2.3Technicalp^ametersofimagingsystemVIOE-QE指标参数值镜头结构12组16片最大光圈F3.5-5.6最小光圈F22-36最近对焦距离45cm焦距范围29-320mm最大放大倍率0.24滤镜直径72mm视角74-8度光圈叶片数4片12 辽宁科技大学硕士学位论文2.3.3液晶可调制滤色片的选型与参数选择具有规则分子取向的液晶材料呈现光学单轴性，如果在两侧涂覆透明导电电极的夹层盒中注入分子长轴为某一取向的液晶，则可以得到光学单轴性的液晶盒。对液晶盒加上外部电压时，由于液晶介电常数和电导率各向异性的特点，使[37]液晶分子受到一种使分子长轴取向改变的作用力。在液晶分子的弹性界限内，电场引起的转矩使得分子长轴发生旋转，最后达到与弹性还原力的平衡，这就使得液晶盒的光学特性发生了改变。VariSpec液晶滤光器可见光模式检测光谱范围为400nm-720nm，近红外模式检测光谱范围为650nm-1100nm，透光率均匀，可用于高质量成像。主要技术参数见上表，其中VIS代表可见光波段滤光器，NIS代表近红外光波段滤光器。在实际实验中，本文采用400-720滤光片的中心波长是根据以下原则确定的：本项目要求各个通道尽可能覆盖整个可见光波段，但同时又考虑到总的通道数目有限的实际情况。因此可见光范围内共取32个通道；考虑到起始波长400nm在CIE1931光谱匹配函数值相对它们各自的函数的峰值很小，即：x=0.1344（峰值1.06），y=0.0040（峰值1），z=0.6456（峰值1.78）；同时考虑到在自然光照下的多数物体在400nm以下的反射光谱能量的差异已经不大；因此选择起始通道波长为400nm。上述选择对于颜色的计算精度影响不大。同样的理由选择720nm作为可见光范围的终点波长。此时对应的CIE1931光谱匹配函数值接近于0。可见光其余通道的波长尽可能均匀分布在整个波长范围，但是同时又考虑到光谱定标的需求。其中，546nm和589nm分别是汞灯和钠灯的谱线。其余波长也是根据滤光片的加工制作过程的工艺条件所确定的。由于红外谱段需要单独架设，且选择样品在近红外部分的对比不明显，因此波段覆盖面积仅限于可见光波段。2.3.4图像传感器的选型多光谱相机应具有以下参数要求：能采集高分辨率、百万像素的数据；能拍摄多光谱波段的影像，即要求相机具有较高的光谱响应范围以及较高均匀性；为了满足多光谱相机需要快速切换谱段连续拍摄的情况，图像传感器的帧比率应该[38]很高。本文采用大恒公司生产的小型化黑白CCD摄像头作为多光谱通道的图像采集，标准模拟视频输出，该摄像机具有高分辨率、高精度、高清晰度、低噪声等特点，可通过外部信号触发采集或连续采集，可应用于文字识别、显微图像、医学图像采集、证件制作、文档电子化，工业测量、工业检测、PCB检测、半导体及元器件检测等机器人视觉等领域。具体技术参数如下：13 2.高分辨率成像光谱仪的硬件系统搭建型号：DH2000SV（黑白），面积尺寸：2/3-inch图像规格：1280（H）X1024（V）工作波段：可见光及近红外标准复合视频输出（25帧/秒）2.3.5具体实施方式光谱成像装置由样品台、照明光源、积分球、液晶滤色片阵列、液晶滤色片[39]控制装置、25mm镜头、黑白面阵CCD和微型计算机及其接口等几个部分组成。包括均匀和稳定光源照明，机械式宽窄带谱段切换、多个谱段数据序列采集，由计算机进行后期处理等过程。其光路为：光源发出的光经匀光装置照明样品台上的样品；经样品反射后的光经过液晶滤色片阵列成像于黑白面阵CCD的感光面上，黑白面阵CCD输出的图像光电信号通过接口进入微型计算机进行处理；微型计算机通过接口程控液晶滤色片控制装置控制可变滤色片的波长以及步进时间；微型计算机通过接口程控CCD的曝光时间和增益。图2.4高分辨率光谱成像系统实物图Figure2.4Inthispaperwebuildahighresolutionspectralimagingsystem.2.4本章小结为了能进行快速高分辨率的植物病害光谱图像采集，本章结合植物的光谱特征和测试样品的特点，设计研制可基于液晶可调制滤色片系统的光谱成像系统。该系统由前置光学系统、液晶可调制滤色片滤色片、镜头、CCD传感器、图像采集卡、采样控制及数据处理计算机等部分组成。在滤光片型光谱成像系统中，照明和观察条件、CCD相机和滤光片的选取是14 辽宁科技大学硕士学位论文关键。光源和照明方案的好坏决定整个系统的成败，因此要考虑光源的种类、特性和结构，还有目标及背景特征。本论文采用分辨率为1280×1024的单色面阵CCD和LCTF窄带液晶可调谐滤光片组成。照明和观察条件采用CIE15：2004版推荐的d：0度几何条件。用卤钨灯和荧光灯分别模拟标准照明A和D65，实现混合光源照明。系统的积分球在设计时从5个方面避免结构设计不当造成的误差。15 3.高分辨率光谱成像系统的数据处理及相关软件设计3.高分辨率光谱成像系统的数据处理及相关软件设计为了实现上章构建的光谱成像系统采集光谱数据的快速处理和存储，本章将根据光谱图像的存储特点和植物病害的分类设计了一套集成高速显示模块、数据库管理模块以及处理模块的软件系统。为了更快速准确的获取目标详细可靠的数据信息，本章还将讨论光谱图像数据的本地和网络的数据存储结构，并将提出一种针对高分辨率光谱图像数据的数据库模型以及本地化存储模型。3.1成像步骤及数据分析流程高光谱成像系统采集光谱图像的步骤可描述如下：(1)调整焦距。利用软件提供的Preview功能，通过反复扫描目标物，确保成像清晰且不失真。(2)决定恰当的曝光时间。参考CCD影像区下方的最大值，以确保影像区的最大值处于面阵CCD侦测器AD转换器12bits的最大值的80%左右。如果有亮点(过度曝光)，则需要利用鼠标选择特定位置自行判定。(3)在焦距和曝光时间设定好后，分别采集白板图像信息和黑板图像信息。(4)确定扫描范围。确定移动平台移动位置的长短，以确保被扫描物体能完全成像。(5)决定储存位置，由于需要存储的数据量较大，所以需确认储存装置的可用空间。(6)扫描成像后的数据信息留待进一步的分析使用。高光谱图像数据获取和处理分析流程如图3.1所示。(l)获取高光谱图像数据：通过成像环境变量的优化设置，确保获取清晰的高光谱图像数据源。成像环境变量包括:照明强度、空间解析度、光谱解析度、马达移动速度、图像帧率和曝光时间。(2)图像校正：利用校正方程将原高光谱图像上每个像素点的辐射强度值转换为相对光谱反射率值。(3)光谱信息提取：在校正图像上提取不同感兴趣区ROI(regionsofinterest)的光谱数据，而提取的光谱数据分别代表了不同的待识别或待分析对象的特征。(4)数据预处理：数据预处理可有效减少由于系统噪音对成像的影响，从而获取高信噪比、低背景干扰的数据信号信息。预处理包括光谱信息预处理和空间信息预处理两方面。光谱预处理包括滤波、归一化、中心化、自动缩放、基线校正、导数光谱、变量标准化、附加散射校正和平滑等等。空间信息预处理则包括低通滤波、高通滤波、以及其他的空间滤波方法。(5)数据分析：数据分析包括定性分析和定量分析。定性分析是指判别多组分的分布，完成分类判别。而定量分析则不仅需要判断组分分布，还需要计算组分的含量信息。常用的分析方法有光谱波形匹配、光谱角度填图、判别分析(DA)、聚类分析、偏最小二乘法(PLS)、主成分回归(PCR)、非线性偏最小二乘(NPLS)、人工神经网络、支持向量机(SVM)等等。(6)特征波段提取：通过选取特征波段，可以有效降低或消除光谱数据立方体的高维以及共线性问题。简化的特征波段信息不仅足16 辽宁科技大学硕士学位论文以代表检测样本的特征，还可以简化判别和分类运算。(7)图像表达及后处理：数据分析的量化结果可通过灰度图或者色彩映射图完成可视化表达，以便于后续的图像分割、图像增强、形态特征提取等图像处理操作。图3.1高光谱图像数据获取和处理分析流程Figure3.1ThedataacquisitionandProeessinganalysisprocessofhyPersPectralimage3.2系统功能结构本论文中的光谱成像仪的采样控制和数据处理软件被设计为一体化的软硬件系统，二者可以独立操作运行。采样控制软件负责成像光谱仪的现场操作运行，并把采集到的光谱成像数据立方体的数据结果保存在计算机的指定位置。数据处理软件针对光谱成像仪的采样数据模式进行设计，其功能主要包括光谱图像数据立方体的配准、光谱提取、光谱分析、色度计算等。整个软件既可以安装在光谱成像仪的采样控制计算机内，也可以安装在其它通用计算机内。该软件采用可视化编程语言VisualC#+SQLSERVER编制。为了更好的实现农业病虫害的无损检测和后续的网络化传输等问题，本系统采用了目前较先进的MVC分层式设计，为每个数据信息建立规范接口的可操作的对象模块。考虑到在后续应用中还可能使用其他的光谱成像仪，本文将光谱图像17 3.高分辨率光谱成像系统的数据处理及相关软件设计立方体数据抽象成可扩展的类，方便了光谱数据的扩展和通用化。在系统的操作控制模块中，由于高分率的光谱图像数据信息量庞大，数据的并行处理和处理前降维处理也在系统的构建中充分的考虑。图3.2基于MVC三层结构的光谱图像数据处理模型Figure3.2spectralimagedataprocessingmodelbasedonMVCthreelayerstructure整个软件系统主要包括四个功能模块，即“图像采集”模块、“多窗口像”模块、“数据库检索”模块以及“光谱分析”模块。图像采集模块是光谱成像仪的主要工作界面。在用户的监控和操作下实时采集目标的每个通道的图像；具有单独采集1个数据立方体或者连续采集多个数据立方体的功能；同时具有数据存盘功能；每个数据立方体的采样周期约50ms.多窗口像模块用于在计算机屏幕上同时观察每个通道的目标图像；它具有同时显示每幅小图像的窗口，它们分别对应400nm-720nm内每个5nm所取的窄带光谱图像。数据库模块是本软件系统的一个辅助模块。用于对已采集的光谱图像和单个点的光谱图像进行数据库，为后续的光谱提取、颜色计算等奠定基础。数据库采18 辽宁科技大学硕士学位论文用LINQ数据库语言+MSSQL数据库。光谱分析模块是本软件系统的一个主要功能模块。对已经配准的图像进行光谱提取、图像融合、颜色计算等。可以获得图像中任意一点的光谱反射率以及颜色参数。其中采用了三次样条插值算法将400nm-720nm的多通道原始光谱反射率数据扩展为320个光谱波段的数据，并进行特征提取。3.3光谱图像的采集模块图像采集界面是LCTF成像光谱仪的主要工作界面，如图3.3所示。以下逐一介绍该界面下的各主要控件的功能和操作方法。图3.3图像采集界面Figure3.3imageacquisitioninterface打开LCTF光谱成像仪的植物病害甄别系统软件，打开软件开始菜单，选择“数据采集”模块，如图3.3所示。当进行连续谱段的光谱数据立方体采集，输入相关参数，采集。输出的数据立方体以HDF5格式存储。当前状态信息表征各个硬件的连接情况，硬件初始化完毕后，信息窗口显示滤色片和相机均以连接，此时开始采图。图像的采样模式主要有以下两种：一是单幅采样。该功能只把当前图像窗口即当前指定波段的图像采集到指定文件中，用于检查成像光谱仪的当前工作状态；其数据文件名及其存储路径由弹[40]出的窗口键入。默认文件名：这是两个用于记录采样数据的存盘文件名称的字符条。当进行大量且连续的数据立方体采样时，为了方便用户操作，有必要采用一个默认文件名加上一个可以变化的数字编码来定义采样数据的存储文件的文件名。19 3.高分辨率光谱成像系统的数据处理及相关软件设计默认文件名由两个字符条组成：第一个字符条是文件的主名称；第二个字符条是文件名的前缀编码（可变），该编码每执行一次采样都由程序自动加1，以便区分不同的数据文件；默认文件名的两个字符条都可以由用户直接在屏幕输入；文件的存储路径一般由程序启动过程中默认。参数说明：当采集生成单幅JPG图像时，该系列参数有效。当前波长：采集单幅图像时所对应的谱段数。曝光时间：CCD生成单幅图像所需的曝光时间。增益：CCD生成图像灰度与光照度的非线性指数。二是扫描多谱段采集参数说明：当采集生成多光谱立方体时，该系列参数有效。起始波长：采集生成光谱立方体的起始波长，默认值400nm，下限：400nm，上限720nm。结束波长：采集生成光谱立方体的结束波长，默认值720nm，下限：400nm，上限720nm。步长（波长间隔）：生成光谱立方体的波长间隔，默认值5nm，下限：1nm。扫描间隔：每个谱段扫描成像所需的时间间隔，默认值是100ms。波段数：生成光谱立方体的波段数，有以上可的出截止波长。立方体类型：生成立方体的数据类型，默认值：整型。存放路径：生成的光谱立方体在硬盘中存放的位置。参数关系：为能够真彩色显示（或复原）光谱立方体数据，波段可扩展至380-780nm波段。3.4光谱图像数据的存储3.4.1—种通用的栅格数据存储格式为了使用光谱立方体数据在网络传输以及跨平台情况下的应用，本文设计了一种通用的栅格数据格式进行数据的本地化存储，它由一个简单的通用栅格数据[41]文件和一个相应的具有说明性质的profile文件组成。这种方式允许我们灵活地使用几乎任何一种图像格式，包括那些嵌有文件标题信息的格式。支持所有数据类型的原始格式（字节型、整型、长整型、浮点型、双精度型或复数型）。通用的栅格数据按照BSQ、BIP或BIL格式，以二进制字节流存储：BSQ（全称BandSequential，波段顺序格式）。在它最简单的格式中，数据是按照BSQ格式的。每行数据后面紧接着同一波谱波段的下一行数据。这种格[42]式最适于对单个波谱波段中任何部分的空间（X,Y）存取。BIP（全称BandInterleavedbyPixel，波段按像元交叉格式）。按BIP格式存储的图像按顺序存储第一个像元所有的波段，接着是第二个像元的所有波20 辽宁科技大学硕士学位论文段，然后是第3个像元的所有波段，等等，交叉存取直到像元总数为止。这种格[43]式为图像数据波谱（Z）的存取提供最佳性能。BIL（全称BandInterleavedbyLine，波段按行交叉格式）。按BIL格式存储的图像先存储第一个波段的第一行，接着是第二个波段的第一行，然后是第三个波段的第一行，交叉存取直到波段总数为止。每个波段随后的行按照类似的方式交叉存取。这种格式提供了空间和波谱处理之间一种折衷方式，它是大多[43]数处理任务中所推荐的文件格式。设P、L、B分别表示像元维、扫描行和波段维，以三维数组表示图像D有：BSQ:D（L,B,P）；BIP:D（P,L,B）；BIL:D（P,B,L）.Profile文件采用XML的逻辑表达，与关系数据库利用二维表和记录来建立实体之间的逻辑关系一样，通用文件中的Profile文件通过层次式的方式有效地建立起光谱立方体数据中的参数之间的逻辑包含和组织关系，基本构造如图所示：图3.4通用光谱立方体中头文件逻辑结构Figure3.4Thelogicalstructureoftheheaderfileintheuniversalspectralcube该格式具有自我描述性、可扩展性、自我组织性等可用于绝大多数科学研究的数据存储的特点。它被设计并实现满足科学数据存储不断增加和数据处理不断变化的需求。该文件只是提供了一种机制，实际应用时可根据需要放置数据。层次式为用户表达提供了最大的灵活性。由于Profile文件在逻辑结构上包括数据类型（Datatype）、数据空间21 3.高分辨率光谱成像系统的数据处理及相关软件设计（Dataspace）和属性（Attribute），其中，数据空间可以看作一个容器，包含任意数量的其它组和数据集。可以把数据空间作为一个文件夹，数据集作为一个数据文件，文件夹里面可以包含数据文件，也可以包含其它的组对象，层层嵌套，从而形成一个复杂的数据对象，并最终形成一个根组（root）。XML的重用机制或者说面向对象的特性使得该文件格式能够有效地降低数据的冗余度。同时，通过基本的对象元素可以构造结构复杂的数据。这是其相对传统影像文件例如JPEG、TIFF、GIF、BMP等的进一步完善。3.4.2光谱图像数据库的建立对于海量的植物病害信息所建立的光谱数据图像库，本文采用实体图像数据表，缩略图数据表对于本地元数据的方法来存储，可以使用其来读取任意相关数据文件中的光谱信息读取到内存中并显示倒序存储的RGB像素。多光谱数据库部分核心表结构定义如下图3.5所示。图3.5数据库主要数据表Figure3.5databasemaindatatable多光谱元数据表IMAGE存储多光谱影像的成像时间、地点、数据类型、行数、像元比特数、光谱范围、空间像元数等信息。其中，ImagelD为多光谱影像标识，标识号唯一，为表Image的主关键词，数据类型为Uniqueidentifier，用来区分多光谱影像对象；InterLeave为影像类型标识BSQ、BIP或BIL格式；DataType表示为多光谱影像数据编码结构，由字符和数字组成，编码意义由用户定义；FileType表示影像数据存储方式，可选有HDF4/5，TIFF，Envi，通用立22 辽宁科技大学硕士学位论文方体文件以及bitmap图像数据文件集，数据库系统根据文件类型不同选择不同的处理方式。表3.1Image表中的常用信息说明Table3.1commonlyusedinformationinImagetableImageID表征光谱影像标识GUID类型Band表征光谱波段数IntegerLine表征光谱列数IntegerSample表征光谱行数IntegerHeadOffset表征头文件偏移量IntegerInterLeave数据存储顺序标识BSQ、BIP或BIL格式FileType文件类型标识HDF4/5，TIFFBitmapJPEG等图像数据文件集DataType文件存取方式UnsignedInteger1Byte,SignedInteger2Byte,SignedInteger4Byte,Float4Byte,Double8Byte,ComplexNumber16Byte,UnsignedInteger2Byte,TypeUnknownEnviByteOrder字节顺序PCIntelMachines,UNIXMacintoshMachines,TypeUnknown多光谱影像缩略图数据信息HI_ColorImage本地存储影像低分辨率数据及相关参数。其中：ImagelD为缩略图所对应的多光谱数据标识号，为关键字；IstrueColor字段判定是来自全波段积分得到缩略图还是取相关RGB波段的伪彩色图像合成；StrechCount表示缩略图的比例。目标光谱曲线信息表HISPECTRUM存储目标光谱曲线信息。SpectrumlD为光谱表示号，每个光谱对应的元数23 3.高分辨率光谱成像系统的数据处理及相关软件设计据标识为ImagelD，对应元数据的像素位置用positionX，positionY存储，对应的光谱反射率存储为SpectrumRefData，对应的DN值为SpectrumDNData；因为光谱的反射率和DN值信息都是以二进制的形式存储于表中的，在系统中应用该数据需要对信息进行序列化和反序列化。公共语言运行时（CLR）管理对象在内存中的分布，.NET框架则通过使用反射提供自动的序列化机制。对象序列化后，类的名称、程序集以及类实例的所有数据成员均被写入存储媒体中。对象通常用成员变量来存储对其他实例的引用。类序列化后，序列化引擎将跟踪所有已序列化的引用对象，以确保同一对象不被序列化多次。3.4.3光谱图像数据录入模块与检索模块该模块主要功能是对已采集的光谱数据进行读取和入库等操作。打开LCTF光谱成像仪的植物病害甄别系统软件，打开软件开始菜单，选择“数据库管理”模块中的“数据录入”，如上图所示。系统可以根据选择存储为存储光谱图像数据的RAW数据文件以及使用头文件记录所有的附加数据信息。图3.6数据入库与格式转换模块Figure3.6datawarehousingandformatconversionmodule对多光谱数据的录入主要分为本地多文件录入、通用文件格式录入和数据库导入三种：本地文件系统的图像集导入对多光谱数据的录入主要分为本地文件录入和数据库导入两种，其中本地图像数据集是指按照波段数命名的单谱段图像集，在导入阶段需定义如下参数：起始波长：采集生成光谱立方体的起始波长结束波长：采集生成光谱立方体的结束波长24 辽宁科技大学硕士学位论文步长（波长间隔）：生成光谱立方体的波长间隔，默认值5nm，下限：1nm。前缀：即图像集合统一命名的前缀，默认值为capture。图像位置：指集合图像文件夹的所在位置，为绝对地址。支持所有数据类型的原始格式（字节型、整型、长整型、浮点型、双精度型或复数型）。通用的栅格数据按照BSQ、BIP或BIL格式，以二进制字节流存储。设P、L、B分别表示像元维、扫描行和波段维，以三维数组表示图像D有：BSQ：D（L,B,P）；BIP：D（P,L,B）；BIL：D（P,B,L）光谱图像立方体文件录入对于本地系统存储的光谱立方体，是按照Envi标准格式进行读取和存储的，其中所需的参数说明如下：行数：立方体单谱段的行像素数数列数：立方体单谱段的列像素数数波数：光谱立方体图像的波段数数据类型：以下几种数据类型被支持-1-byteunsignedinteger、2-bytesignedinteger、4-bytesignedinteger、4-bytefloat、8-bytedouble、2x8-bytecomplexnumbermadeupfrom2doubles、2-byteunsignedinteger。文件头偏移量：在读取原始留文件时所需要跳过的字节数数据库导入数据库录入结合实时检索和本地文件的高速索引的优点，本文中所构建的系统在每次采集生成文件时，将文件头信息输入到数据库相关字段，供数据库索引。图3.7基础数据表的检索截图Figure3.7basicdatatableretrievalscreenshot25 3.高分辨率光谱成像系统的数据处理及相关软件设计3.5光谱图像数据显示模块光谱图像数据显示模块是对已采集的光谱数据进行显示和处理，包括立方体数据读入与数据转换，显示单谱段信息，显示单像素点光谱反射率曲线并存储，光谱数据的伪彩色生成。通过光谱数据读取模块读入数据后，系统自动为光谱图像立方体结构分配一块内存并可对特定谱段进行显示，下图为光谱立方体信息窗体界面：该窗口包含了立方体的图像的基本信息，包括图像宽度、长度、图像帧数、当前像素点的坐标值以及当前立方体的存储顺序。点击波段信息，相关谱段图像可以在图像显示区出现相应波段的图像以供编辑和使用，并在图像显示区显示，单击图像像素点，在状态栏出现该点的颜色和位置等信息如图，第一个参数为该点的位置信息，第二个参数为该点当前谱段下的灰度信息，第三四个参数为在HSL，YCbCr色域空间的值。图3.8本文所构造的光谱图像数据显示模块Figure3.8thespectralimagedatadisplaymodule在光谱曲线图白板值窗口显示该点的白板值（灰度值）信息。初始白板信息为预设值来自光谱数据库。可从文件系统导入相应的白板值，相应的黑板值以及白板反射率，将当前立方体的黑板值，白板值，白板反射率等配置信息全部一次性导入数据库中。选定时可从当前立方体自动选取像素点获得白板信息；以下为导入场景后的曲线信息，其中白板光谱信息，黑板光谱信息，白板反射率信息反映了当前参照白板的DN值信息，黑板光谱信息反映在绝对暗度下CCD表现的灰度值，理想值为0，白板反射率信息指通过标定仪器测量的参照白板的光谱反射率。26 辽宁科技大学硕士学位论文相对光谱信息窗口为当前选定像素的光谱信息，将当前的光谱反射率信息存入数据库：当前点的光谱信息=（当前点的DN值-当前点的黑板DN）/（当前点的白板DN值-当前点的黑板DN）*光谱增益系数*100%可将当前立方体选取400-720nm波数进行伪彩色合成，在彩色图像信息窗口可查看合成后图像在各个颜色空间中的值，在直方图显示区域可显示生成图的直方图信息。3.6光谱图像数据处理与病害检测模块该模块主要对测试的植物病害样本的光谱数据进行检测，并诊断出所属的具体病害种类以及属性。根据光谱处理模块得到样品的光谱数据，点击光谱诊断即进入光谱的诊断模块；对输入植物病数据，选择待测的光谱范围，系统可根据范围自动选择数据库中的相关谱段进行对比；监测方法分为监管和非监管两类，其中监管方法以神经网络和分类识别法最为常用，非监管方法则有距离法，光谱角度匹配法和相关系数法；对其进行光谱特征提取，与数据库中的光谱特征比较，对相似特征的光谱值进行检索，提取相似度前几位的光谱信息。本例中对其进行用光谱角度制图法（SAM）方法进行光谱匹配技术，得到准确的匹配光谱。如选择非监管方法中的光谱角度制图法（SAM），是指通过研究两个光谱曲线的相似度来判断地物的归属类别。设为和两个向量的夹角，则夹角余弦为：（3-1）根据Spectrumld得到最匹配的光谱序号，通过查询光谱序号得到相关的所属标准病害，得到所属病害，如图所示，如果两者比较相似，则其夹角接近于0，从而接近于1。判归为第i个最终成分光谱类型。在完成多光谱数据入库后，设置查询条件，如给定时间地点，根据查询条件从多光谱元数据表Spectrum，获取影像标识Spectrumld。根据影像标识连结多光谱影像数据表HI_DATA,显示图像。在图像上选择样本目标点，并存入上述数据库的目标光谱曲线信息表TARGET_DATA中。然后采用光谱匹配技术进行区域分类，根据像元之间的光谱响应曲线本身的相似度，将最相似的像元归并为一类。在实际应用中，典型的方法是使用图像与光谱、颜色信息相结合的方式对病害的分类进行判断，将相关的特征参数导入特征表，按照每个病害分类的相对于27 3.高分辨率光谱成像系统的数据处理及相关软件设计特征参数的贝叶斯分类函数得到其概率。图3.9基于监督和非监督算法的病害识别Figure3.9diseaserecognitionbasedonsupervisedandunsupervisedalgorithms3.7本章小结为了实现多光谱数据的快速处理和存储，本论文根据光谱图像的存储特点和植物病害的分类设计了一套包含驱动variSpec滤色片和CCD相机的采集模块、基于MVC三层构架的高速显示模块、面向对象的高速数据库管理模块以及基于非监管光谱识别的处理。采样控制软件负责成像光谱仪的现场操作运行，并把采集到的光谱成像数据立方体的数据结果保存在计算机的指定位置。传统的光谱图像处理软件仅仅是对光谱的采集和显示，本文通过对光谱立方体的构造的深入研究，针对高分辨率光谱图像格式的建立了适用于高分辨光谱信息存储的跨平台的光谱图像数据格式，并与SQLserver结合，方便了光谱数据和快速存储和读取。在数据库存储模块，本文使用LINQ快速查询语言和微软11月份发布并行处理算法，使高分辨率的图像存储和处理成为了可能。28 辽宁科技大学硕士学位论文4.基于多重分类判别的植物病害图谱混合判别实验植物发病以后，病原菌与寄主相互作用，引起植物细胞内部的色素含量、水分和细胞的间隙变化，使病部的光谱特性与健康植物的光谱特性相比，某些特征波段的值会发生不同程度的变化。由于不同的病害在某一特定光谱范围呈现不同的特征，因此根据光谱特征曲线的变化规律，可以确定出植物病害的发生情况。本章以几种常见园艺类植物的叶部病害为研究对象，采用前几章所介绍的光谱成像技术，获取叶片的光谱图像，选择适合的模式识别算法对病害进行诊断。目的是建立能准确、快速识别病害的检测系统，为利用光谱成像技术检测病害提供科学依据。4.1实验路线实验选取油松、雪松、白皮松的几种常见病害如白粉病、细菌性角斑病、霜霉病、棒孢叶斑病和无病健康叶片进行识别。通过本文前几章设计的基于液晶可调制滤色片的快速高分辨率光谱成像仪对病害进行采集，使用光谱图像处理软件将采集的多/高光谱数据立方体通过特征提取得到病害特征谱线、特征谱段的灰度图像以及合成彩色图像的颜色信息。选取病害位置得到的病害光谱信息，原光谱谱段为400-720nm，使用降维方法压缩数据量以加快运算速度，本文采用了逐步判别分析方法实现数据的降维，使用贝叶斯（Bayes）判别分析利用降维后的特征参数构建判别函数用于单独的光谱判别。对于各谱段通道的灰度图像，根据前述的降维方法得到有效特征谱段的图像，分别对各个通道的图像进行图像的区域裁剪、图像增强以及图像分割操作，然后分波段入库，针对所有特征波段的形状纹理信息构建判别函数，。通过上章提到的基于光谱的颜色重建方法重建病害的彩色图像，得到病害区域的三刺激值XYZ以及X，y。然后对每种植物病害的光谱特征、图像特征、颜色特征三者建立贝叶斯函数，通过对每种特征概率加权求和，计算样本所属的病害种类的概率。29 4.基于多重分类判别的植物病害图谱混合判别实验图4.1病害检测实验路线Figure4.1experimentalrouteofdiseasedetection30 辽宁科技大学硕士学位论文4.2实验准备4.2.1实验材料实验选取油松、雪松、白皮松的几种常见病害如白粉病、细菌性角斑病、霜霉病、棒孢叶斑病和无病健康叶片进行识别。这里对每种病害的主要症状介绍如下：白粉病：发病初期在叶片正面或背面产生白色小粉斑，病斑近圆形，后逐渐扩大，多个病斑愈合，严重时整个叶片布满白色粉斑。细菌性角斑病：叶片上初生针头大小的水浸状斑点，病斑扩大受叶脉限制，呈多角形，黄褐色，湿度大时，叶背面病斑上产生乳白色黏液，病斑后期质脆，易穿孔。霜霉病：叶片上初现浅绿色水浸斑，扩大后受叶脉限制，呈多角形，黄绿色转淡褐色，后期病斑汇合成片，全叶干枯，由叶缘向上卷缩，潮湿时叶背面病斑上生出灰黑色霉层，严重时全株叶片枯死。棒孢叶斑病：叶片症状可分为小型斑、大型斑、角状斑三种。低温低湿产生黄褐色小点，病斑扩展后，叶片正面病斑略凹陷，病斑近圆形或不规则，病斑边界处明显，黄褐色；高温高湿时产生灰白色大型病斑，叶片正面病斑粗糙不平，隐约有轮纹；角状斑多与小型斑、大型斑混合发生，黄白色，多角形，病斑边界[44]处明显。a.白粉病b.角斑病c.黑斑病（斑点落叶病）d.炭疽病图4.2植物叶部病害典型症状Figure4.2typicalsymptomsofplantleafdiseases31 4.基于多重分类判别的植物病害图谱混合判别实验4.2.2植物病害样本的置备实验所用病害样本均通过人工接种发病后获得。病原菌菌株来源于中国农业科学院林木花丼研究所综合防治课题组。将菌株从4°C冰箱取出培养一周，采用喷雾接种法将孢子悬浮液接种于健康的植物叶片上，保湿24h后，正常管理，直至出现典型症状。然后分别采集油松、雪松、油松三种园艺类植物的白粉病、细菌性角斑病、白皮松霜霉病、棒孢叶斑病和其健康叶片各80片叶。每种病害样本中，40个叶片用于建立判别模型，其余的40个叶片用于模型的检验。4.2.3植物病害光谱图像的采集光谱图像在暗室采集，利用上文构建的光谱成像系统，采集每个样本的光谱图像。在光谱图像数据采集之前，需要首先确定摄像头的曝光时间以保证图像清晰，确定采集间隔，即两个相邻光谱通道图像采集的间隔时间。本实验采集的曝光时间定为200ms,推扫间隔定为100ms,采集图像分辨率1280×1024，光谱范围是400-720nm，采样间隔为5nm，每个样本采集到65个光谱通道的图像，最终得到1280×1024×65的光谱图像和光谱反射率数据块。每个病斑的多光谱数据信息，采用对光谱图像中感兴趣病斑内的灰度值求平均的方法获得。其中，每种病害取单个病斑区域内均匀分布的20个象素的光谱灰度平均值作为一个病斑样本，健康叶片分别从叶根、叶中部和叶尖三个部分取20个像素的灰度平均值为一个样本。参考白板则在任意位置随机取20个像素的均值作为其光谱灰度值。对于病害叶片和健康叶片五种样本，分别取80个数据集，共得400个数据集（5种样本×80个数据集）。光谱图像以三维格式（x，y，X）存储，用图像空间、光谱空间和特征空间三种方式来表示。其中，图像空间（x，y）记录样本的空间分布信息，分辨率为1280×1024像素；X光谱空间记录图像中每个像素点在X个波段的光谱反射率信息。图4.3代表了采集的几种典型病害的各波段图像信息。32 辽宁科技大学硕士学位论文图4.3（a）雪松炭疽病的各波段图像Figure4.3(a)ofthevariousbandsofcedar33 4.基于多重分类判别的植物病害图谱混合判别实验图4.3(b)白皮松霜霉病各谱段的灰度图像Figure4.3(b)grayimagespectrumofthedownymildewofPinusbungeana34 辽宁科技大学硕士学位论文图4.3(c)白皮松褐斑病的各波段图像Figure4.3(c)ofeachbandimagespot35 4.基于多重分类判别的植物病害图谱混合判别实验4.3植物病害图谱信息获取4.3.1植物病害光谱数据的获取图4.4为五种类别样本所有数据在65个波段的光谱反射率曲线，其中，图4.4中的A至E分别为油松白粉病、雪松角斑病、棒孢叶斑病、白皮松霜霉病和雪松无病区域80组数据的光谱反射率信息。图4.4为五类样本各80组数据的平均光谱反射率曲线。从图4.4可以定性的观察到，虽然每种类别单个样本的光谱反射率存在较大差别，然而同种类别样本的光谱反射率曲线整体形状相似。而且，同一种类样本间的光谱反射率曲线的相似性大于不同种类样本的光谱反射率曲线的相似性。从图4.4中看出，由于400nm-450nm范围内五类样本的光谱噪声都比较大，因此在后面的分析中，将这部分数据去掉，只对450-720nm之间的55个波段数据进行分析。A.油松白粉病的光谱反射率曲线A.ThespectralreflectancecurveofPinustabulaeformisandpowderymildew36 辽宁科技大学硕士学位论文B.雪松细菌性角斑病的光谱反射率曲线B.SpectralreflectancecurveofthebacterialangularleafspotofcedarC.白皮松霜霉病的光谱反射率曲线C.ThespectralreflectancecurveofPinusbungeanadownymildew图4.4病害和健康叶片样本的光谱反射率曲线Fig4.4spectralreflectancecurvesofdiseaseandhealthyleafsamples.37 4.基于多重分类判别的植物病害图谱混合判别实验4.3.2植物病害图像信息获取（1）用于识别的特征谱段的选择针对上文中得到的光谱特征，我们对训练集中200个样本在450nm-720nm范围内的55个波段的数据进行PROCSTEPDISC逐步判别分析，根据Mahalanobis距离统计量，选定了特征波长475nm，500nm，540nm，595nm，620nm，705nm等17个通道的灰度图像。可以看出，500nm通道对判别式的贡献最大，且从其图像信息来看，其灰度图像病斑边缘及细节部分信息保存也比较完整，因此，选择该通道灰度图像进行图像处理的后续分析。图4.5植物叶部病害的特征谱段图像Fig.4.5imageofplantleafdiseases（2）叶部病害数字图像裁剪由于采集的原始图像数据较大，含有大量无用信息，为了降低图像分割的难度，可以首先从原始图像中截取含有特征信息的部分图像区域。此处，采集的每个病害叶片图像都往往包含多个病斑，因此，可以人为地截取包含一个或几个病斑的“感兴趣区域”，以减小后续处理的数据量。（3）植物叶部病害数字图像增强图像增强（ImageEnhancement）的目的是提高图像的质量，如去除噪声，提高清晰度等。图像增强不考虑图像降质的原因，突出图像中感兴趣的部分。38 辽宁科技大学硕士学位论文图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的增强方法和基于频域的增强方法两大类。基于频域的增强算法在频域空间对图像进行滤波，需首先将图像从空间域变换到频率域，一般通过傅立叶变换来实现。由于没有统一的图像质量标准，衡量图像增强算法的设计准则，因此图像增强没有形成一套统一的理论，往往根据需要选择不同的算法。常见的图像增加方式有空域空间的邻域平均法、中值滤波法和频域空间的低通滤波法、高通滤波法等增强算法，本文采用低通滤波法对叶部病害图像进行增强处理。图4.6病害的图像增强Fig.4.6Imageenhancementofdisease（4）植物叶部病害数字图像分割图像分割是将图像中有意义的特征部分提取出来，这里有意义的特征指病斑区域、病斑的边缘等，这是进一步进行图像识别、分析和理解的基础。病斑分割的准确与否直接影响病害图像的分析与处理结果，进而影响对病害的理解。常见的图像分割方式有EM分割、CVT分割、自动阈值分割和水平集分割等四种。（5）病害病斑形状特征的提取病斑的形状特征是判断病害所属种类的最重要和最有效的依据，因此我们考39 4.基于多重分类判别的植物病害图谱混合判别实验虑提取叶片的几何形状特征用于油松叶部病害的分类识别。病叶图像经过边缘提取和图像分割操作后，得到目标病斑图像的边缘和区域，以此来获得目标的形状。根据我们采集的图像来看，不同种类病害的病斑形状存在着较大的差异，即使是同一种病害的其大小比例也可能有所不同。这样周长、面积、纵轴长、横轴长等常用的绝对值特征就不太适合作为分类依据，应该考虑使用一些相对值特征。在这里我们选择了形状复杂性程度、偏心率、圆形度、形状参数等特征值用于识别病斑。图4.7三个特殊波段的快速彩色模拟和全波段彩色重建对比Fig.4.7Fastcolorsimulationofthreespecialbandsandfullbandcolorreconstruction4.3.3植物病害光谱图像的颜色信息获取光谱成像技术中存在的最大问题是处理从光谱图像中提取的大量的数据，要消耗大量的时间和资源，本文结合微软2010.11发布的并行处理程序库对61个波段的高空间分辨率和高光谱分辨率的灰度图像进行颜色重建，对于1280x1024的55幅图像处理大约用时45s左右，基本满足室内环境的彩色图像采集应用。4.4光谱图像的特征选择由于光谱图像数据库一般都比较庞大，在PC机上直接对数据进行处理（分类与聚类）将会遇到两方面的困难，一方面是对计算机内存存储量的海量要求，另一方面是对计算机CPU计算速度的快速要求。一般PC机很难达到这些要求。因此，在光谱图像数据处理之前先对其进行降维是很有必要的。在实际操作上，我们一般先通过特征选择或者特征提取，得到考察光谱的某个特征子集，然后再使用此子集进行模型比较。对于光谱信息的降维方法，原有常用的方法是使用主成分分析法（PCA）建[45]立新的特征空间，降维后的特征空间表现为原有光谱空间的线性组合，但是特征提取的过程中，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。使用PCA来降维，但PCA没有将类别标签考虑进去，属于无监督的。使用PCA40 辽宁科技大学硕士学位论文后，也许可以将这两个特征合并为一个，降了维度。但是由于很多特征对我们的类别标签y几乎没什么影响，完全可以去除。这么多特征不仅训练复杂，而且不必要特征对结果会带来不可预知的影响。为了得到降维后的与病害分类信息密切相关的最佳特征，本文使用具有监督性质的线性逐步判别分析对光谱进行降维。主成分分析（PrincipalComponentAnalysis，PCA），将多个变量通过线性变换以选出较少个数重要变量的一种多元[46]统计分析方法，又称主分量分析。主成分分析首先是由K.皮尔森对非随机变[47]量引入的，而后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。4.5光谱图像的分类判别4.5.1非监督分类方法与监督分类方法的选择非监督分类，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。其分类的结果，只是对不同类别进行了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。监督分类，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。非监督分类在图谱分类判别应用的主要问题：非监督分类产生的光谱集群组并不一定对应于分析者想要的类别，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系。分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意。图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使其不同图像之间的对比变得困难。由于光谱数据庞大，因此非监督分类算法在对多光谱影像数据进行分类时，其计算速度较慢也是其一大缺点。基于非监督分类方法中的上述问题，本文将使用监督分类进行病虫害特征信息的分类识别。41 4.基于多重分类判别的植物病害图谱混合判别实验4.5.2监督分类方法对比在监督分类中可以采用许多不同的算法，将一个未知类别划分到一个类别中。其常用的几种算法如下：最小距离法是利用训练样本中各类别在各波段的均值，根据各像元里训练样本平均值距离的大小来决定其类别。首先应确定每一类别光谱的平均值，这些值称为平均矢量（MeanVector）。常用的距离判别函数有：绝对值距离、欧几里得距离、马哈拉若比斯距离。通过可以计算未知像元值与每一类别光谱平均值之间的距离，从而确定未知类别的像元应该属于哪一类。这种距平均值最小距离分类的方法，在数学上是简便的，计算也是有效的，但它有一些局限性。更重要的是，它对有不同程度变化的光谱响应数据并不敏感。42 辽宁科技大学硕士学位论文5.结论传统的植物病害的诊断方法出现混淆和误判很大程度上是由于植物病害本身的特点（不同病害的相似性、同种病害的症状的多样性）引起的，这在农业领域是经常困扰人们的问题。仅仅停留在单一层面的图像对比的方法事实上被证明是容易造成混淆的。植物的彩色图像受多种因素影响，其中有些因素对病害的诊断结果的影响直接关系到精细农业中的决策。本文就上述主要问题，在总结、研究了成像光谱技术特性的基础上，从研究植物叶面病害的基础工作入手，提出了一种基于光谱成像技术的植物病害诊断和识别方法。该方法的特点是将一种快速高空间分辨率和光谱分辨率的光谱成像技术用于植物叶面的病害诊断，获取病害的光谱信息和颜色信息，结合多光谱数据处理和图像分类的方法，实现植物病害的识别。43 参考文献参考文献[1]AmialiNM，MulveyMR，SedmanJ，LouieM，SimorAE，IsmailAA．Rapididentificationofcoagulase-negativeStaphylococcibyFouriertransforminfraredspectroscopy[J]．JournalofMicrobiologicalMethods，2012，68（2）：236-242．[2]BaldaufNA，Rodriguez-RomoLA，MnnigaA，YousefAE，Rodriguez-SaonaLE．EffectofselectivegrowthmediaonthedifferentiationofSalmonellaentericaserovarsbyFourier-transformmid-infraredspectroscopy[J]．JournalofMicrobiologicalMethods，2012，68（1）：106-114．[3]BaldaufNA，Rodriguez-RomoLA，YousefAE，Rodriguez-SaonaLE．DifferentiationofselectedSalmonellaentericaserovarsbyFouriertransformmid-Infraredspectroscopy[J]．AppliedSpectroscopy，2011，60（6）：592-598．[4]BoschA，GolowczycMA，AbrahamAG，GarroteGL，DeAntoniGL，YantornoO．RapiddiscriminationoflactobacilliisolatedfromkefirgrainsbyFT-IRspectroscopy[J]．InternationalJournalofFoodMicrobiology，2011，111：280-287．[5]BurksTF，ShearerSA，HeathJR，DonohueKD．Evaluationofneural-networkclassifiersforweedspeciesdiscrimination[J]．BiosystemsEngineering，2010，91（3）：293-304．[6]CorreaAA，TosoJ，AlbarnazJD，SimoesCMO，BarardiCRM．DetectionofSalmonellatyphimuriuminoystersbyPCRandmolecularhybridization[J]．JournalofFoodQuality，2011，29，458-469．[7]CorteL，RelliniP，RosciniL，FatichentiF，CardinaliG．Developmentofanovel，FTIR（Fouriertransforminfraredspectroscopy）based，yeastbioassayfortoxicitytestingandstressresponsestudy[J]．AnalyticaChimicaActa，2015，659：258-265．[8]CremersD，RoussonM，DericheR．Reviewofstatisticalapproachestolevelsetsegmentation：integratingcolor，texture，motionandshape[J]．InternationalJournalofComputerVision，2012，72（2）：195-215．[9]CuiD，ZhangQ，LiMZ，ZhaoYF，HartmanGL．Detectionofsoybeanrustusingamultispectralimagesensor[J]．SensingandInstrumentationforFoodQualityandSafety，2014，3：49-56．[10]DuCJ．Learningtechniquesusedincomputervisionforfoodqualityevaluation[J]．JournalofFoodEngineering，2011，72：39-55．[11]DzhongovaE，HarwoodCR，ThennadilSN．Changesintheabsorptionandscatteringpropertiesinthenear-infraredregionduringthegrowthofBacillussubtilisinliquidculture[J]．AppliedSpectroscopy，2014，63（1）：25-32．[12]ErukhimovitchV，TsrorLL，HazanovskyM，TalyshinskyM，SouprunY，HuleihelM．Earlyandrapiddetectionofpotato’sfungalinfectionbyFouriertransforminfraredmicroscopy[J]．AppliedSpectroscopy，2012，61（10）：1052-1056．[13]GaripS，BozogluF，SevercanF．DifferentiationofmesophilicandthermophilicbacteriawithFouriertransforminfraredspectroscopy[J]．AppliedSpectroscopy，2012，61（2）：186-192．44 参考文献[14]GaripS，GozenAC，SevercanF．UseofFouriertransforminfraredspectroscopyforrapidcomparativeanalysisofBacillusandMicrococcusisolates[J]．FoodChemistry，2014，113（4）：1301-1307．[15]HawkinsSA，ParkB，PooleGH，GottwaldTR，WindhamWR，AlbanoJ，LawrenceKC．ComparisonofFTIRspectrabetweenhuanglongbing（Citrusgreening）andothercitrusmaladies[J]．JournalofAgriculturalandFoodChemistry，2015，58（10）：6007-6010．[16]虞佳佳,何勇.基于高光谱成像技术的番茄叶片灰霉病早期检测研究[J].光谱学与光谱分析,2013,08:2168-2171.[17]谢传奇,王佳悦,冯雷,刘飞,吴迪,何勇.应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J].光谱学与光谱分析,2013,06:1603-1607.[18]邓小玲,郑建宝,梅慧兰,李震,邓晓玲,洪添胜.基于高光谱成像技术的柑橘黄龙病病情诊断及分类[J].西北农林科技大学学报(自然科学版),2013,07:99-105.[19]郑志雄,齐龙,马旭,朱小源,汪文娟.基于高光谱成像技术的水稻叶瘟病病害程度分级方法[J].农业工程学报,2013,19:138-144.[20]冯雷,高吉兴,何勇,刘飞.波谱成像技术在作物病害信息早期检测中的研究进展[J].农业机械学报,2013,09:169-176.[21]杨燕,何勇.基于高光谱图像的稻瘟病抗氧化酶值早期预测[J].农业工程学报,2013,20:135-141.[22]胡耀华,平学文,徐明珠,单卫星,何勇.高光谱技术诊断马铃薯叶片晚疫病的研究[J].光谱学与光谱分析,2016,02:515-519.[23]田有文,程怡,吴琼,牟鑫.农产品病虫害高光谱成像无损检测的研究进展[J].激光与红外,2013,12:1329-1335.[24]杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].浙江大学,2012.[25]虞佳佳.基于高光谱成像技术的番茄灰霉病早期快速无损检测机理和方法研究[D].浙江大学,2012.[26]阎庆.基于局部线性嵌入的降维算法研究及其在精准农业中的应用[D].安徽大学,2014.[27]郭冬梅.柑橘部分病理病害和生理病害的高光谱识别研究[D].西南大学,2015.[28]程术希.基于光谱和成像技术的作物病害不同侵染期快速检测方法研究[D].浙江大学,2014.[29]周丽娜.基于叶绿素荧光光谱分析的稻叶瘟病害识别与预警[D].吉林大学,2014.[30]马淏.光谱及高光谱成像技术在作物特征信息提取中的应用研究[D].中国农业大学,2015.[31]高吉兴.茄科蔬菜灰霉病快速检测方法和仪器研究[D].浙江大学,2014.[33]王海超,高雄,陈铁英,陈智.农作物病害检测中光谱和图像处理技术现状及展望[J].农机化研究,2015,10:1-7+12.[34]谢传奇,方孝荣,邵咏妮,何勇.番茄叶片早疫病近红外高光谱成像检测技术[J].农业机械学报,2015,03:315-319.[35]卢劲竹,蒋焕煜,崔笛.荧光成像技术在植物病害检测的应用研究进展[J].农业机械学报,2014,04:244-252.[36]梅慧兰,邓小玲,洪添胜,罗霞,邓晓玲.柑橘黄龙病高光谱早期鉴别及病情分级[J].农业工程学报,2014,09:140-147.45 参考文献[37]李小龙,王库,马占鸿,王海光.基于热红外成像技术的小麦病害早期检测[J].农业工程学报,2014,18:183-189.[38]陈斌,田桂华.红外热成像技术在植物病害检测中的应用研究进展[J].江苏农业科学,2014,09:1-4.[39]姚伟璇,代芬,杨康萍,邓小玲,李盛铭,周铠佳,李攀.基于光谱信息的柑橘黄龙病无损检测及分级模型构建[J].广东农业科学,2014,19:65-69+237.[40]柴阿丽,廖宁放,田立勋,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[J].光谱学与光谱分析,2010,05:1357-1361.[41]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[J].农业工程学报,2010,05:202-206+389.[42]冯雷,张德荣,陈双双,冯斌,谢传奇,陈佑源,何勇.基于高光谱成像技术的茄子叶片灰霉病早期检测[J].浙江大学学报(农业与生命科学版),2012,03:311-317.[43]谢传奇,冯雷,冯斌,李晓丽,刘飞,何勇.茄子灰霉病叶片过氧化氢酶活性与高光谱图像特征关联方法[J].农业工程学报,2012,18:177-184.[44]黄伟锋,洪添胜,吴伟斌,Mwape.柑橘黄龙病检测方法研究进展[J].广东农业科学,2012,16:60-64+239.[45]祖琴,陈湘萍,邓巍.光谱图像技术在精准施药中的应用[J].农机化研究,2013,03:19-23.[46]李艳华,马亚楠.植物检疫中无损检测技术进展与应用[J].植物检疫,2014,06:19-26.[47]黄双萍,齐龙,马旭,薛昆南,汪文娟.基于高光谱成像的水稻穗瘟病害程度分级方法[J].农业工程学报,2015,01:212-219.46 致谢致谢本论文是在曾子维老师的谆谆教诲和指导下完成的，论文从选题、构思到定稿无不渗透着导师的心血和汗水；教授渊博的知识和严谨的学风使我受益终身，在此表示深深的敬意和感谢。我还要感谢含辛茹苦、任劳任怨、望子成龙、不图回报的父母的养育之恩，他们给予我的爱和支持让我顺利地完成了自己的学业。最后，因本人水平有限，在文中难免有不足之处，恳请各位老师批评指正。47 作者简介作者简介姓名：张逸性别：男出生年月：1988年01月08日民族：汉籍贯：辽宁省研究方向：图形图像简历：200909-201106辽东学院本科48 啤－■；．１臟所有：迁宁科技大学研究生院１ｔ部捧ｉＷＪ矜ｊ■．，一：Ｔ－Ｔ－．Ｔ狐巧ｉ巧或巧哥畔１１——簡巧．。言，、—．．－〔三ｗ与￣＿＾一、－ＡｍｍＭｔａ＊—＇ｈ，Ｉ■，■ＷＪｆｃ—＾－子；ｆｅ＾Ｓ＾ＳＳｒ＊ｍＭ、＇ＶＭＭｋ＾■■＊—■Ｉ－—＿—＇￣￣、－＾．ＢＩ趟編Ｕ强酷賊．娜離贼燕激ｅｒ，；薪＿＇—＾體＾Ｈｉ－‘’．＇－；耳．：＇＇：這＾：告ｖ折：＇．Ｖ＇；．ｐ；＇；二．萬茜３：版面设计：过宁科技大学研究生院
