论文部分内容阅读
随着直播稻面积的增加,杂草稻成为稻田中难以清除的一类杂草。杂草稻与水稻为近亲关系,其种子会影响稻谷品质,其植株会影响水稻的生长。在苗期时,杂草稻外部形状与水稻相似,使其识别成为一个难点。本文基于杂草稻叶片的高光谱图像特征信息,研究杂草稻自动识别方法。主要内容有:
(1)杂草稻高光谱图像信息的采集和预处理。采集苗期杂草稻和水稻在红外波段(871.6~1766.3nm)下的高光谱图像。利用ENVI软件对高光谱图像信息进行读取和预处理。通过平滑和锐化处理,去除高光谱图像中的噪声,平滑光谱,而且可以使图像边界清晰;利用Ostu算法计算阈值,建立感兴趣区和掩膜图像,去除图像的背景。
(2)杂草稻高光谱数据的主成分分析。利用前两个主成分因子,优选出两个特征波段:1448nm和1470nm。提取两个波段下的灰度值图像,基于灰度共生矩阵,每个波段下的图像提取4个纹理特征变量(对比度、相关性、能量和同质性),每个样本得到8个纹理特征变量;通过计算叶片的面积、周长以及最小外接矩的长和宽,得到4个无量纲的形状特征变量(伸长度、圆形度、分散度和致密度);计算两个灰度值的统计量(灰度均值和标准差),每个样本得到4个颜色特征变量。
(3)特征变量的优选。提取的16个特征变量存在一定的信息冗余,利用主成分分析,分别对纹理特征变量、形状特征变量和颜色特征变量提取前三个主成分因子,分别利用各特征变量的主成分因子不能实现水稻和杂草稻叶片的分类;当16个变量做为总体进行主成分分析,得到的前两个主成分因子可以实现杂草稻和水稻的分类。利用前两个主成分因子,优选出7个贡献率大的特征变量。
(4)判别模型的建立。分别以7个变量和16个变量作为输入,建立隐层为6,输出层为2的BP神经网络识别模型。结果表明,利用优选的7个变量建立的识别模型,不仅减少了特征提取的工作量,而且可以减少冗余信息,提高识别率。利用16个特征变量建立的识别模型对测试集的测试有4个出现误判;而利用优选的7个特征变量建立的模型对测试集的测试中有3个出现误判,其识别率达到95%。利用主成分分析对特征变量的筛选也是可行的。最终确立了一个7×6×2,目标精度为10-4的BPNN模型。
本文利用高光谱图像信息,建立了杂草稻的BP神经网络识别模型,为稻田杂草稻的自动识别提供了新的方法。