基于高興譜圖像特征信息的水田雜草稻識(shí)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(huì)影響稻谷品質(zhì),其植株會(huì)影響水稻的生長(zhǎng)。在苗期時(shí),雜草稻外部形狀與水稻相似,使其識(shí)別成為一個(gè)難點(diǎn)。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(dòng)識(shí)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(yù)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(duì)高光譜圖像信息進(jìn)行讀取和

2、預(yù)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(jì)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(gè)主成分因子,優(yōu)選出兩個(gè)特征波段:1448nm和1470nm。提取兩個(gè)波段下的灰度值圖像,基于灰度共生矩陣,每個(gè)波段下的圖像提取4個(gè)紋理特征變量(對(duì)比度、相關(guān)性、能量和同質(zhì)性),每個(gè)樣本得到8個(gè)紋理特征變量;通過計(jì)算葉片的面積、

3、周長(zhǎng)以及最小外接矩的長(zhǎng)和寬,得到4個(gè)無量綱的形狀特征變量(伸長(zhǎng)度、圓形度、分散度和致密度);計(jì)算兩個(gè)灰度值的統(tǒng)計(jì)量(灰度均值和標(biāo)準(zhǔn)差),每個(gè)樣本得到4個(gè)顏色特征變量。
　　 (3)特征變量的優(yōu)選。提取的16個(gè)特征變量存在一定的信息冗余,利用主成分分析,分別對(duì)紋理特征變量、形狀特征變量和顏色特征變量提取前三個(gè)主成分因子,分別利用各特征變量的主成分因子不能實(shí)現(xiàn)水稻和雜草稻葉片的分類;當(dāng)16個(gè)變量做為總體進(jìn)行主成分分析,得到的前兩個(gè)主

4、成分因子可以實(shí)現(xiàn)雜草稻和水稻的分類。利用前兩個(gè)主成分因子,優(yōu)選出7個(gè)貢獻(xiàn)率大的特征變量。
　　 (4)判別模型的建立。分別以7個(gè)變量和16個(gè)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(shí)別模型。結(jié)果表明,利用優(yōu)選的7個(gè)變量建立的識(shí)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(shí)別率。利用16個(gè)特征變量建立的識(shí)別模型對(duì)測(cè)試集的測(cè)試有4個(gè)出現(xiàn)誤判;而利用優(yōu)選的7個(gè)特征變量建立的模型對(duì)測(cè)試集的測(cè)試中有3個(gè)出現(xiàn)誤