基于高光谱数据波段选择的水稻黑穗病提取方法及系统技术方案

本发明专利技术公开一种基于高光谱数据波段选择的水稻黑穗病提取方法及系统，该方法通过遗传算法结合偏最小二乘方法对高光谱波段进行初步选择,然后使用相关系数法和类间不稳定指数法对初步选择的特征波段进一步优选,与传统的波段优选与高光谱数据降维方法相比,本发明专利技术使用的方法优选出了更优的特征波段组合,特征波段数量更少,特征波段建模后的预测精度更高,从而在保证预测精度不降的情况下,进一步降低数据维度和剔除噪声数据,提高了水稻黑穗病监测的精度和模型监测速度。测的精度和模型监测速度。测的精度和模型监测速度。

【技术实现步骤摘要】
基于高光谱数据波段选择的水稻黑穗病提取方法及系统


[0001]本专利技术涉及遥感高光谱图像数据降维
，特别是一种基于高光谱数据波段选择的水稻黑穗病提取方法及系统。

技术介绍

[0002]水稻在生长发育过程中会接触到各种真菌，这将导致品质和产量的严重下降。水稻伪黑穗病(RFS)是由子囊菌真菌致病菌Villosiclava virens，以水稻穗部为主要宿主所引起的一种晚期真菌病害。RFS消耗了水稻全穗营养，导致稻米品质严重下降，造成巨大损失。RFS会减少“千粒重”和种子萌发(高达35％)。在水稻种植后，病菌仍然在土壤中存活并感染幼苗。尽管RFS主要集中在原始病源地周围的小块区域，但常见的做法仍然是在整个田地上不加区分地喷洒农药，这种方法即增加了预防成本又造成了环境污染。为了最大限度地减少农药造成的经济损失和环境污染，有必要准确评估RFS的分布和患病程度，需要一种自动化的、非破坏性的、快速、灵敏和有选择性的方法快速检测植物病害，减少农药和化肥的使用来支持可持续农业生产。遥感技术由于其精准、快速、大面积、无破坏等特点，在作物病虫害胁迫监测领域已经显示出了独特优势。
[0003]近年来，随着无人机产业的快速发展，无人机衣业遥感因其图像空间分辨率高、数据获取时效性强和成本低等特点，在作物病虫害胁迫监测应用中发挥了重要作用。因此，无人机高光谱摄影测量是对中小尺度作物病虫害快速、精准监测的有效方法。
[0004]在文献中，有许多研究者使用无人机遥感影像监测农作物的病虫害。例如，使用高空间分辨率航空影像监测香蕉作物黄叶斑病的侵袭程度，并在采用支持向量机方法监测时取得了很好的精度。利用多光谱相机和无人机获取时间序列波段航空多光谱影像，研究不同时期农作物光谱数据，得到一种有效的监测农作物早期病虫害的方法。除了使用高分影像和多光谱影像监测农作物病虫害外，高光谱影像也是检测农作物病虫害的重要手段。有研究者利用高光谱成像技术鉴别番茄黄曲叶病，利用一阶导数反射率光谱和绝对反射率差光谱等光谱特征参数和特征光谱波段精确监测农作物患病情况。也有研究者在高光谱波段中选择特征光谱波段降低高光谱数据维度，得到较高的准确性。
[0005]在使用高光谱遥感影像监测农作物病虫害的研究中，通常人为对健康农作物接种相关病虫害，更为均匀的感染农作物，可以对农作物患病的各个阶段进行更为细致的研究。但是，自然界中病虫害感染农作物一般是从某几个点开始逐渐侵染附近健康农作物，农作物患病情况也更为复杂。因此，为了建立更加精确的农作物病虫害监测模型，除了主动对农作物接种病虫害研究患病各个时间段的光谱特性曲线变化情况外，还需要注重研究自然环境下农作物感染病虫害的情况。现有的研究中，有的使用机器学习分类方法支持向量机(SVM)和直方图分析方法做特征选择，也有对全波段使用神经网络(CNN)建立模型，或使用遗传算法提取特征波段，更多的研究者使用随机森林(RF)模型建立农作物病虫害检测模型并取得了较高的精度。综上，对高光谱图像进行光谱分析、计算光谱参数是病虫害监测的主要方法，使用机器学习模型和深度学习网络是当前研究的热点方向。
[0006]此外，使用高光谱遥感影像进行农作物病虫害监测，对高光谱数据进行波段选择降低数据维度也是提升病虫害监测精度的方向。有研究基于遗传算法结合偏最小二乘方法对高光谱波段进行特征波段筛选，使用导向正则化随机森林(GRRF)进行高光谱特征波段筛选，或利用遗传算法和支持向量机(SVM)结合的方法选择高光谱波段。但是以上研究中使用的方法只是初步选择出优选特征波段，特征波段组合是局部最优组合。为了进一步提升农作物病虫害监测精度，需要进一步从高光谱波段中选择特征波段得到更优的特征波段组合。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提出一种基于无人机高光谱数据波段选择的水稻黑穗病提取方法及系统，该方法利用高光谱波段的相关性以及类间可分性，基于遗传算法结合偏最小二乘选择特征波段的基础上，采用相关系数法和类间不稳定指数法对特征波段进一步选择，从而得到更优的特征波段组合，达到降低高光谱数据维度和去噪的目的，最终提升水稻黑穗病的监测精度。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]本专利技术提供的基于高光谱数据波段选择的水稻黑穗病提取方法，包括以下步骤：
[0010]获取无人机高光谱影像数据；
[0011]进一步，所述获取高光谱影像数据并进行预处理按照以下步骤进行：
[0012]获取研究区域的高光谱影像得到影像为一个时间段内多次摄影测量的高光谱影像；
[0013]对高光谱影像数据进行滤波处理、归一化处理操作。
[0014]实地测量并获取水稻区域健康水稻以及患黑穗病水稻的位置分布信息；
[0015]对比高光谱影像数据和实地测量水稻健康与患黑穗病位置信息，得到采样点光谱反射率数据；
[0016]构建预测模型，所述预测模型利用偏最小二乘与采样点光谱反射率数据筛选出优选特征波段；
[0017]确定特征波段优选阈值，根据特征波段优选阈值从采样点光谱反射率数据选择得到最优特征波段组合，所述最优特征波段组合作为水稻黑穗病预测数据。
[0018]进一步，所述特征波段优选阈值通过计算相关系数得到相关系数阈值；或/和所述特征波段优选阈值通过计算类间不稳定指数得到类间不稳定指数阈值。
[0019]进一步，还包括以下步骤：
[0020]根据二分类情况使用混淆矩阵和准确率、精确率、召回率和F1分数建立预测模型的评价标准，所述矩阵按照以下建立：
[0021]混淆矩阵
[0022][0023]其中，TP为预测结果为正例且真实情况为正例的数量，FP为真实情况为反例但是预测为正例的数量；TN为预测结果为反例且真实情况为反例的数量，FN为真实情况为反例但是预测为正例的数量；
[0024]所述准确率、精确率、召回率和F1分数按照以下公式计算：
[0025][0026][0027][0028][0029]其中，accuracy表示矩阵和准确率；precision表示精确率；recall表示召回率；F1表示F1分数。
[0030]进一步，所述相关系数按照以下步骤进行：
[0031][0032]其中，r为皮尔逊相关系数，和分别是变量X和Y的均值，Xi和Yi则分别是变量X和Y元素值；n为变量的元素个数。
[0033]进一步，所述相关系数阈值按照以下步骤进行：
[0034]根据相关系数与预设阈值比较得到优选高光谱波段，利用预测模型计算优选高光谱波段的预测精度，得到使得预测精度最高的相关系数阈值作为监测模型的相关系数阈值。
[0035]进一步，所述类间不稳定指数按照以下步骤进行：
[0036][0037]公式中，ISIC
i
是在第i个波段处两类样本的类间不稳定指数，Δwithin，i和Δbetween，i分别是类内偏差和类间偏差，S
1，i
为第一类样本在第i个波段的标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱数据波段选择的水稻黑穗病提取方法，其特征在于：包括以下步骤：获取高光谱影像数据并进行预处理；实地测量并获取水稻区域健康水稻以及患黑穗病水稻的位置分布信息；对比高光谱影像数据和实地测量水稻健康与患黑穗病位置信息，得到采样点光谱反射率数据；构建预测模型，所述预测模型利用偏最小二乘与采样点光谱反射率数据筛选出优选特征波段；确定特征波段优选阈值，根据特征波段优选阈值从采样点光谱反射率数据选择得到最优特征波段组合，所述最优特征波段组合作为水稻黑穗病预测数据。2.如权利要求1所述的基于高光谱数据波段选择的水稻黑穗病提取方法，其特征在于：所述特征波段优选阈值通过计算相关系数得到相关系数阈值；或/和所述特征波段优选阈值通过计算类间不稳定指数得到类间不稳定指数阈值。3.如权利要求1所述的基于高光谱数据波段选择的水稻黑穗病提取方法，其特征在于：所述获取高光谱影像数据并进行预处理按照以下步骤进行：获取研究区域的高光谱影像得到影像为一个时间段内多次摄影测量的高光谱影像；对高光谱影像数据进行滤波处理、归一化处理操作。4.如权利要求1所述的基于高光谱数据波段选择的水稻黑穗病提取方法，其特征在于：还包括以下步骤：根据二分类情况使用混淆矩阵和准确率、精确率、召回率和F1分数建立预测模型的评价标准，所述矩阵按照以下建立：混淆矩阵其中，TP为预测结果为正例且真实情况为正例的数量，FP为真实情况为反例但是预测为正例的数量；TN为预测结果为反例且真实情况为反例的数量，FN为真实情况为反例但是预测为正例的数量；所述准确率、精确率、召回率和F1分数按照以下公式计算：所述准确率、精确率、召回率和F1分数按照以下公式计算：所述准确率、精确率、召回率和F1分数按照以下公式计算：
其中，accuracy表示矩阵和准确率；precision表示精确率；recall表示召回率；F1表示F1分数。5.如权利要求2所述的基于高光谱数据波段选择的水稻黑穗病提取方法，其特征在于：所述相关系数按照以下步骤进行：其中...

【专利技术属性】
技术研发人员：行敏锋，王燕翔，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：