[發明專利]一種基于光譜和紋理特征的小麥氮素營養監測方法

在審

• 申請號: 201811503090.0
• 申請日: 2018-12-10
• 公開（公告）號: CN109580512A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 劉勇;姜航;徐勁學;李磊
• 申請（專利權）人: 北京航天泰坦科技股份有限公司
• 主分類號: G01N21/31
• 分類號: G01N21/31
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 陳琳琳;楊青

1.一種基于光譜和紋理特征的小麥氮素營養遙感監測方法，所述方法包括：

步驟1)在小麥不同生育期，利用無人機獲取小麥反射率圖像的光譜特征和紋理特征，構建監測小麥氮素營養狀況的光譜紋理指數；利用光譜紋理指數分別建立葉片氮含量監測模型和葉片氮積累量監測模型，再利用地面采集的小麥氮素營養數據檢驗葉片氮含量監測模型和葉片氮積累量監測模型；得到最優的小麥葉片氮含量監測模型和氮積累量監測模型；

步驟2)將無人機采集的多光譜數據分別輸入最優的葉片氮含量監測模型和葉片氮積累量監測模型，獲得小麥葉片氮含量和葉片氮積累量。

2.根據權利要求1所述的基于光譜和紋理特征的小麥氮素營養遙感監測方法，其特征在于，所述步驟1)包括：

步驟1-1)在小麥的不同生育期，獲取農田里小麥氮素營養數據和無人機遙感多光譜數據；

步驟1-2)對無人機多光譜數據進行噪聲消除、光暈校正、鏡頭畸變校正、圖像配準、輻射定標預處理，從而得到小麥反射率圖像；

步驟1-3)基于步驟1-2)的小麥反射率圖像提取多光譜圖像光譜特征和紋理特征，構建監測小麥氮素營養狀況的光譜紋理指數，利用光譜紋理指數建立葉片氮含量監測模型和葉片氮積累量監測模型；

步驟1-4)利用實測的小麥氮素營養數據對葉片氮含量監測模型和葉片氮積累量監測模型進行檢驗，得到最優的小麥葉片氮含量監測模型和氮積累量監測模型。

3.根據權利要求2所述的基于光譜和紋理特征的小麥氮素營養遙感監測方法，其特征在于，所述小麥的不同生育期為小麥拔節期、孕穗期、抽穗期、開花期或灌漿期。

4.根據權利要求3所述的基于光譜和紋理特征的小麥氮素營養遙感監測方法，其特征在于，所述步驟1-1)具體包括：

步驟1-1-1)在小麥不同生育期，分別隨機獲取不同氮素水平的小麥若干珠，先按器官分離，選取全部小麥葉片，進行105°殺青后80°烘干至恒重測定小麥葉片氮含量；葉片氮含量的測定采用凱式微量定氮法；然后計算葉片氮素積累量：

葉片氮素積累量＝葉片氮含量×葉片干物重；

步驟1-1-2)同步獲取小麥農田監測無人機遙感多光譜數據。

5.根據權利要求4所述的基于光譜和紋理特征的小麥氮素營養遙感監測方法，其特征在于，所述步驟1-2)具體包括：

步驟1-2-1)利用暗電流減法消除無人機多光譜數據的噪聲；

將多光譜相機放入一個密閉的黑色塑料盒子里，多光譜相機在黑暗無光的環境中獲取暗電流圖像，在0.5-5ms曝光時間內，每隔0.5ms拍攝100張圖像，分別計算5個通道100張暗電流圖像的平均值；從無人機多光譜數據中逐通道、逐像元地減去暗電流圖像的平均值；

步驟1-2-2)利用空間分布的圖像校正系數法消除無人機多光譜圖像光暈現象；

在0.5-5ms曝光時間范圍內，多光譜相機每隔0.5ms拍攝100張積分球內的圖像，這個過程與圖像噪聲消除相對應，分別求取5個通道的校正系數圖像；利用圖像正中心沒有受到光暈現象影響的像元值除以圖像上各處像元值；將原始包含光暈現象的圖像逐通道地乘以校正系數圖像得到消除了光暈后的圖像；

步驟1-2-3)利用布朗-康拉迪模型消除無人機鏡頭畸變；

通過獲取多光譜相機鏡頭主點、徑向、切向系數，采用布朗-康拉迪模型計算鏡頭畸變校正系數，并將鏡頭畸變校正系數逐通道地運用于每一張無人機多光譜影像；

步驟1-2-4)采用基于地面控制點的人工配準方法對多通道圖像進行匹配；

利用RTK-GPS測量地面控制點的地理坐標，選擇一幅包含地面控制點的高分辨率正射影像，正射影像進行了地理配準后，將多光譜相機每一個通道的影像與正射影像進行圖像配準，配準后5個通道圖像進行影像融合；

步驟1-2-5)利用經驗線性法進行無人機多光譜影像輻射定標，獲得反射率圖像；

獲取多光譜影像灰度圖像值和標定參考物反射率之間的關系，進而計算出校正系數，從而進行輻射定標。

6.根據權利要求5所述的基于光譜和紋理特征的小麥氮素營養遙感監測方法，其特征在于，所述步驟1-3)包括：

步驟1-3-1)基于步驟1-2)所得小麥反射率圖像，利用灰度共生矩陣的概率統計方法逐通道提取了小麥冠層無人機多光譜影像的8種紋理特征：均值、方差、同質性、對比度、差異性、熵值、角二階矩和相關性；

步驟1-3-2)尋找敏感的監測小麥氮素營養的光譜特征和紋理特征，將光譜特征和紋理特征進行歸一化組合，得到歸一化光譜紋理指數，根據歸一化光譜紋理指數與葉片氮含量、葉片氮積累量的相關關系，尋找出最佳的光譜特征參量，即相關系數最大值時光譜特征和紋理特征的組合；得到基于光譜和紋理特征相結合監測小麥冠層葉片氮含量和氮積累量的指數：NDVI(490_mea，800)和NDVI(550_hom，800)；NDVI(490_mea，800)為800nm的反射率特征與490nm的均值紋理特征相結合的歸一化指數；NDVI(550_hom，800)為800nm的反射率特征與550nm的同質性紋理特征；

步驟1-3-3)最優的葉片氮含量監測模型LNC為：

LNC＝-24.85*NDVI(490_mea，800)+25.39

最優的葉片氮積累量監測模型LNA為：

LNA＝-26.62*NDVI(550_hom，800)+15.004。