[發明專利]基于圖像的玉米生育前期干旱脅迫自動識別方法

有效

• 申請號: 201710520810.3
• 申請日: 2017-06-30
• 公開（公告）號: CN107392892B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 王萍;莊碩;姜博然
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194;G06K9/46;G06K9/48;G06K9/62
• 代理公司: 12201 天津市北洋有限責任專利代理事務所
• 代理人: 李麗萍<國際申請>=<國際公布>=<進入

1.一種基于圖像處理的玉米植株生育前期的干旱脅迫自動識別方法，其特征在于，包括以下步驟：

步驟一、制備處于不同干旱脅迫條件下的生育前期玉米植株圖像樣本集，記錄其中各樣本圖像I(x,y)所屬的類別，并求得各樣本圖像I(x,y)的特征向量；步驟如下：

1-1)樣本圖像I(x,y)獲取步驟：利用成像設備獲取多幅處于不同干旱脅迫條件下的生育前期玉米植株樣本圖像，并記錄樣本圖像I(x,y)所屬的類別，包括：正常灌溉、輕度干旱和重度干旱；

1-2)對上述獲取的樣本圖像I(x,y)進行分割處理，得到只含有玉米植株前景點的目標圖像S(x,y)，包括：

獲取的樣本圖像I(x,y)中具有玉米植株前景，還有土壤、秸稈和雜草殘渣背景，從樣本圖像I(x,y)中分別隨機選取大量的前景像素點和背景像素點，分別計算每個像素點的(G-R)值，和(G-B)值，并進行前景像素點和背景像素點的標記，其中，R,G,B分別表示獲取的樣本圖像I(x,y)的紅色通道、綠色通道和藍色通道值；

將所選取的前景像素點和背景像素點的(G-R)和(G-B)作為一個兩維特征向量，將前景像素點和背景像素點的標記結果作為屬性，訓練線性分類器，得到樣本圖像I(x，y)前景像素點和背景像素點的分割函數，定義為：

f(R，G，B)＝ω₁(G-R)+ω₂(G-B)+b (1)

式(1)中，ω₁、ω₂和b均為線性分類器參數，ω₁、ω₂和b均由所選取的像素點的屬性及其兩維特征向量訓練得到；如果f(R，G，B)>0，則像素點屬于前景點，否則屬于背景點；根據式(1)判斷樣本圖像I(x，y)的每個像素點屬于前景點還是背景點，得到圖像S1(x，y)；

利用數學形態學方法填補圖像S1(x，y)的前景中存在的空洞、并去除面積小于20個像素點的區域，得到目標圖像S(x，y)；

1-3)對目標圖像S(x，y)進行特征提取，包括：

1-3-1)獲取目標圖像S(x，y)的4個純綠色優勢度特征，均由計算該目標圖像S(x，y)前景點(G-R)和(G-B)的均值和方差得到，定義為：

式(2)中，R_i、G_i和B_i分別為目標圖像S(x,y)在像素點i處的紅色通道、綠色通道和藍色通道值，SNum為目標圖像S(x,y)中前景點數目，PD_er和PD_eb分別表示前景點(G-R)和(G-B)的均值，PD_vr和PD_vb分別表示前景點(G-R)和(G-B)的方差；

1-3-2)獲取目標圖像S(x，y)的3個RGB顏色空間均值特征，定義為：

式(3)中，和分別表示目標圖像S(x，y)中前景點紅色通道、綠色通道和藍色通道像素值的均值；

1-3-3)獲取目標圖像S(x，y)的7個基于小波變換的能量特征，離散小波變換將目標圖像S(x，y)分解為一個近似圖像A1和三個不同方向上的細節圖像H1，V1，D1，近似圖像A1集中了目標圖像S(x，y)的低頻信息，三個細節圖像H1，V1，D1分別集中了目標圖像S(x，y)水平、垂直及對角線方向上的高頻邊緣信息；再次對近似圖像A1進行離散小波變換，將該近似圖像A1進一步分解成為一個近似圖像A2和三個不同方向的細節圖像H2,V2，D2；

對目標圖像S(x，y)進行上述離散小波變換后，得到7張圖像，構造如下能量特征：

E₁＝E_A1+E_H1+E_V1+E_D1

E₂＝E_A2+E_H2+E_V2+E_D2

w(i，j)表示小波分解后每張圖像X或Y上位置(i，j)的小波系數；根據式(4)得到7個能量特征F_EH1，F_EV1，F_ED1，F_EA2，F_EH2，F_EV2，F_ED2；

1-3-4)將步驟1-3-1)獲得的4個純綠色優勢度特征PD_er、PD_eb、PD_vr和PD_vb；步驟1-3-2)獲得的3個RGB顏色空間均值特征和及步驟1-3-3)獲得的7個基于小波變換的能量特征F_EH1，F_EV1，F_ED1，F_EA2，F_EH2，F_EV2，F_ED2組合成一個向量，即為樣本圖像I(x，y)的特征向量；

1-4)構造生育前期玉米植株圖像樣本集：按照步驟1-1)、1-2)和1-3)處理完畢所有樣本圖像，記錄處于不同干旱脅迫條件下的生育前期玉米植株圖像樣本的數目、每個圖像樣本所屬類別和每個圖像樣本特征向量，從而形成圖像樣本集；

步驟二、利用步驟一獲取的生育前期玉米植株圖像樣本集訓練得到兩級干旱脅迫自動識別模型；步驟如下：

2-1)從生育前期玉米植株圖像樣本集中提取所屬類別為正常灌溉和輕度干旱條件下的圖像樣本的特征向量，在步驟1-3)所提取的各個圖像樣本特征中，對這些圖像樣本特征進行優化選擇，使用遞歸特征消除法選擇出識別最有效的若干特征：PD_er、PD_eb、F_EH1、F_EV1、F_EA2、F_EH2、F_EV2，訓練第一個梯度提升決策樹GBDT分類模型；

2-2)從生育前期玉米植株圖像樣本集中提取所屬類別為輕度干旱和重度干旱條件下的圖像樣本的特征向量，在步驟1-3)所提取的各個圖像樣本特征中，對這些圖像樣本特征進行優化選擇，使用遞歸特征消除法選擇出識別最有效的若干特征：F_EV1、F_EA2、F_EV2，訓練第二個梯度提升決策樹GBDT分類模型；

由步驟2-1)獲得的第一個梯度提升決策樹GBDT分類模型和步驟2-2)獲得的第二個梯度提升決策樹GBDT分類模型構成了兩級干旱脅迫自動識別模型；

步驟三、玉米生育前期圖像樣本干旱脅迫自動識別：從成像設備獲取待識別的玉米植株生育前期圖像樣本，根據步驟一獲得待識別圖像樣本的特征向量，將該特征向量作為步驟二得到的兩級干旱脅迫自動識別模型的輸入，首先由第一個梯度提升決策樹GBDT分類模型判斷，如果識別結果為正常灌溉，則為該待識別圖像樣本的識別結果；如果識別結果為輕度干旱，則進入第二個梯度提升決策樹GBDT分類模型，進一步判斷該待識別圖像樣本的所屬類別是輕度干旱還是重度干旱。