[发明专利]基于RGB图像融合特征的小麦叶层氮含量估测方法

权利要求书

1.基于RGB图像融合特征的小麦叶层氮含量估测方法，其特征在于，包括以下步骤：

步骤1：通过无人机搭载的消费级数码相机获取小麦冠层RGB图像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；

步骤2：对小麦冠层RGB图像数据进行预处理，包括镜头畸变及几何校正，得到预处理后的小麦冠层RGB图像数据；

步骤3：提取试验小区小麦冠层RGB图像的R、G和B通道的平均像元亮度值并进行归一化处理，计算可见光植被指数，同时测定小麦植株样本的叶层氮含量数据；

步骤3-1：利用ENVI软件根据小麦冠层RGB图像提取试验小区的R、G和B通道的平均像元亮度值DN，其中，小区的定义为42m×4m的区域；

步骤3-2：利用线性函数对DN值归一化到[0,1]；

步骤3-3：根据步骤3-2的归一化DN值计算与小麦叶层氮含量估测相关的可见光植被指数；

步骤3-4：将小麦植株样本去根洗净、分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的叶层氮含量数据；

步骤4：利用离散小波变换对小麦冠层RGB图像提取小波纹理特征；

步骤4-1：利用离散小波变换对小麦冠层RGB图像进行两层小波分解，每层小波分解均获得3个高频子图和1个低频子图；

步骤4-2：利用第一层小波分解获得的3个高频子图和第二层小波分解获得的3个高频子图计算小波纹理特征；

步骤5：利用卷积神经网络对小麦冠层RGB图像提取深层特征；

步骤5-1：以小麦冠层RGB图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227×227pixel的图像；

步骤5-2：以步骤5-1中裁剪后的小麦冠层RGB图像作为卷积神经网络的输入层，利用卷积神经网络提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的小麦冠层RGB图像的局部深层特征，池化层提取小麦冠层RGB图像的显著特征，全连接层进行特征扁平化和输出深层特征；

步骤6：利用随机森林方法进行深层特征选择，计算深层特征的相对重要性，根据相对重要性排序优选深层特征；

步骤7：将可见光植被指数、小波纹理特征、优选的深层特征及融合特征作为输入变量，小麦叶层氮含量作为目标变量，建立基于粒子群优化支持向量回归PSO-SVR的小麦叶层氮含量估测模型，所述融合特征是通过并行融合策略融合了可见光植被指数、小波纹理特征、优选的深层特征；

计算校正集的决定系数R²和均方根误差RMSE，评定该估测模型在小麦叶层氮含量估测上的表现；

步骤8：根据田间试验数据，采用留一交叉验证法对小麦叶层氮含量估测模型进行精度验证，并计算测试集的决定系数R²和剩余预测偏差RPD；

通过比较不同估测模型测试集的决定系数R²和剩余预测偏差RPD，得到基于融合特征的PSO-SVR模型为最佳小麦叶层氮含量估测模型。

2.根据权利要求1所述的基于RGB图像融合特征的小麦叶层氮含量估测方法，其特征在于，步骤1中的小麦冠层RGB图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期和成熟期；步骤1中对小麦植株进行随机破坏性取样具体为：在每个试验小区随机选取六株小麦植株，连根拔起装入水桶中。

3.根据权利要求1所述的基于RGB图像融合特征的小麦叶层氮含量估测方法，其特征在于，步骤2中对小麦冠层RGB图像数据进行预处理具体为：

步骤2-1：通过无人机的具有非球面镜的精密镜组消除镜头畸变；

步骤2-2：通过获取无人机拍摄的俯仰角、翻角、航偏角以及航高信息等，进行图像的几何校正。