基于高興譜圖像特征信息的水田雜草稻識別研究.pdf

1、隨著直播稻面積的增加,雜草稻成為稻田中難以清除的一類雜草。雜草稻與水稻為近親關(guān)系,其種子會影響稻谷品質(zhì),其植株會影響水稻的生長。在苗期時,雜草稻外部形狀與水稻相似,使其識別成為一個難點。本文基于雜草稻葉片的高光譜圖像特征信息,研究雜草稻自動識別方法。主要內(nèi)容有:
　　 (1)雜草稻高光譜圖像信息的采集和預處理。采集苗期雜草稻和水稻在紅外波段(871.6～1766.3nm)下的高光譜圖像。利用ENVI軟件對高光譜圖像信息進行讀取和

2、預處理。通過平滑和銳化處理,去除高光譜圖像中的噪聲,平滑光譜,而且可以使圖像邊界清晰;利用Ostu算法計算閾值,建立感興趣區(qū)和掩膜圖像,去除圖像的背景。
　　 (2)雜草稻高光譜數(shù)據(jù)的主成分分析。利用前兩個主成分因子,優(yōu)選出兩個特征波段:1448nm和1470nm。提取兩個波段下的灰度值圖像,基于灰度共生矩陣,每個波段下的圖像提取4個紋理特征變量(對比度、相關(guān)性、能量和同質(zhì)性),每個樣本得到8個紋理特征變量;通過計算葉片的面積、

3、周長以及最小外接矩的長和寬,得到4個無量綱的形狀特征變量(伸長度、圓形度、分散度和致密度);計算兩個灰度值的統(tǒng)計量(灰度均值和標準差),每個樣本得到4個顏色特征變量。
　　 (3)特征變量的優(yōu)選。提取的16個特征變量存在一定的信息冗余,利用主成分分析,分別對紋理特征變量、形狀特征變量和顏色特征變量提取前三個主成分因子,分別利用各特征變量的主成分因子不能實現(xiàn)水稻和雜草稻葉片的分類;當16個變量做為總體進行主成分分析,得到的前兩個主

4、成分因子可以實現(xiàn)雜草稻和水稻的分類。利用前兩個主成分因子,優(yōu)選出7個貢獻率大的特征變量。
　　 (4)判別模型的建立。分別以7個變量和16個變量作為輸入,建立隱層為6,輸出層為2的BP神經(jīng)網(wǎng)絡(luò)識別模型。結(jié)果表明,利用優(yōu)選的7個變量建立的識別模型,不僅減少了特征提取的工作量,而且可以減少冗余信息,提高識別率。利用16個特征變量建立的識別模型對測試集的測試有4個出現(xiàn)誤判;而利用優(yōu)選的7個特征變量建立的模型對測試集的測試中有3個出現(xiàn)誤