[发明专利]基于测线图的水稻白叶枯病高光谱图像降维方法

摘要

本发明公开一种基于测线图的水稻白叶枯病高光谱图像降维方法，属于高光谱信息提取领域。该方法包括如下步骤：首先应用连续投影算法在高光谱图像的光谱维选择特征波段图像，然后对特征波段图像建立相应的测线图，计算水稻叶片不同部位测线图的灰度值差异，进一步挑选出能够实现水稻叶片白叶枯病病斑检测所需的最少特征波段，从而降低了病斑检测所需的高光谱图像的维数。本发明方法将连续投影算法和测线图方法相结合，可以实现高维数据的有效降维，得到的特征图像可以准确地识别病斑；结合图像识别，准确计算出病斑面积及病害程度，以少量的特征图像实现水稻白叶枯病病斑的检测，降低了检测模型的复杂程度，有效地缩短了检测所花费的时间。

主权项

1.一种基于测线图的水稻白叶枯病高光谱图像降维方法，其特征在于包括如下步骤：首先应用连续投影算法在高光谱图像的光谱维选择特征波段图像，然后对特征波段图像建立相应的测线图，计算水稻叶片不同部位测线图的灰度值差异，进一步挑选出能够实现水稻叶片白叶枯病病斑检测所需的最少特征波段，从而降低了病斑检测所需的高光谱图像的维数；具体包括如下步骤：对Y个样品的光谱数据进行预处理，每一个样品的光谱数据为xi＝(xi1，xi2，...，xi512)T，其中i＝1，2，...，Y；对样品xi，对高光谱图像512维光谱信息应用连续投影算法选择m个特征波段，特征波段集合为T＝{t1，t2，...，tm}，m＜512；选取样品x_i的特征波段t_l(l＝1，2，...，m)对应的特征图像在样品x_i的特征图像中绘制水稻叶片的测线图；根据测线图计算样品x_i的特征图像中叶片健康部位、病斑部位、阴影部位的灰度平均值G_H，G_L，G_S；对样品x_i的特征图像计算G_H与G_L的差值C_HL；当C_HL≥100，选取t_l进入区分健康部位和病斑部位的特征波段集合S₁；对样品x_i的特征图像计算G_H与G_S的差值C_HS；当C_HS≥100，选取t_l进入区分健康部位和阴影部位的特征波段集合S₂；对样品x_i的特征图像计算G_L与G_S的差值C_LS；当C_LS≥100，选取t_l进入区分病斑部位和阴影部位的特征波段集合S₃；检测水稻叶片白叶枯病病斑所需特征波段为S＝S1∪S2∪S3，S∈T。