喬紅波, 師 越, 司海平, 吳 旭,郭 偉, 時 雷, 馬新明, 周益林

(1.河南糧食作物協(xié)同創(chuàng)新中心,河南農(nóng)業(yè)大學信息與管理科學學院,鄭州 450002; 2.植物病蟲害生物學國家重點實驗室,北京 100193)

基于無人機數(shù)字圖像與高光譜數(shù)據(jù)融合的小麥全蝕病等級的快速分類技術

喬紅波1,2*, 師 越1, 司海平1, 吳 旭1,郭 偉1, 時 雷1, 馬新明1, 周益林2

(1.河南糧食作物協(xié)同創(chuàng)新中心,河南農(nóng)業(yè)大學信息與管理科學學院,鄭州 450002; 2.植物病蟲害生物學國家重點實驗室,北京 100193)

小麥全蝕病是檢疫性的土傳病害,對小麥生產(chǎn)危害極大,對其發(fā)生的監(jiān)測是治理的根本。遙感技術可實時、宏觀地監(jiān)測病害發(fā)生發(fā)展,尤其是將光譜信息與高分辨率數(shù)字圖像進行融合,可直觀、精準地對病害識別和分類。本文基于計算機視覺技術,通過光譜數(shù)據(jù)與高分辨率數(shù)字圖像結合的方法,對小麥全蝕病等級進行快速分類。首先,通過ASD非成像光譜儀獲取小麥全蝕病的光譜信息,提取全蝕病特征光譜,建立光譜比。其次,利用無人機獲取的實時田間數(shù)碼圖像,對其顏色特征進行重量化。最后,利用基于支持向量機的決策樹分類對圖像視場中的不同全蝕病等級進行分類。結果表明,4個全蝕病等級的分類精度均大于86%(Kappa＞0.81),平均運算時間小于30 s。通過與實地調(diào)查的小麥全蝕病的白穗率等級做比對,驗證分類結果的準確性,結果表明該方法基本可以實現(xiàn)對小麥全蝕病等級的實時監(jiān)測。

小麥全蝕病; 計算機視覺技術; 快速多分類; 顏色模型; 支持向量機

基于顏色特征的圖像融合,強調(diào)光譜比和顏色特征之間的對應,并不突出像元的對應,在處理上避免了像元重采樣等方面的誤差。由于它強調(diào)對顏色特征和光譜比進行關聯(lián)處理,把特征分為有意義的組合,因而它對特征屬性的判斷具有更高的可信度和準確性,圍繞輔助決策的針對性更強,且數(shù)據(jù)處理量大大減少,有利于實時處理[1011]。

本研究的目的是發(fā)展一種基于支持向量機分類樹的小麥全蝕病等級的快速分類技術。首先,利用非成像光譜儀(ASD Hand Held,ASD Inc,以下簡稱ASD非成像光譜儀)獲取小麥全蝕病冠層的高光譜數(shù)據(jù),建立特征譜段的光譜比。其次,利用無人機設備獲取航拍數(shù)碼圖像,并建立基于HSV色彩空間的顏色特征模型。最后通過基于支持向量機的決策樹分類,實現(xiàn)對圖像中小麥全蝕病等級的快速分類。

1 材料與方法

1.1 試驗設計

1.1.1 試驗區(qū)域

試驗于2013年4月到6月在河南省原陽縣(114.09°N,35.14°E)進行,供試小麥品種為‘鄭麥366’,2012年10月播種。利用12.5%硅噻菌胺懸浮劑3個濃度梯度(1∶250,1∶500,1∶1 000)拌種,每濃度3個重復。于收獲前2周測定其冠層的高光譜數(shù)據(jù)和航拍數(shù)碼圖像,并對試驗區(qū)域進行抽樣調(diào)查,每個點調(diào)查1 m2區(qū)域內(nèi)的小麥,記錄小麥全蝕病白穗率。試驗期間,田間平均溫度為19.4℃。

1.1.2 冠層光譜測定和航空圖像采集

本研究中所有數(shù)據(jù)均在無云的晴天進行收集,采集時間在10：00到13：00之間,試驗利用ASD非成像光譜儀獲取小麥全蝕病成像光譜數(shù)據(jù)。利用無人機進行航空圖像的拍攝。

ASD非成像光譜儀的光譜范圍為350～1 000 nm,視場角為25°,數(shù)據(jù)傳輸方式為USB 2.0,將采集到數(shù)據(jù)直接存儲在便攜式計算機中,并對遙感圖像中的機內(nèi)暗電流,零響應偏移進行校正[12]。在ENVI 5.0的環(huán)境下,采集的高光譜數(shù)據(jù)通過基于地面控制點(ground control point,GCP)的正射校正算法的有理多項式系數(shù)(rational polynomial coefficient,RPC)進行幾何校正。通過暗像素法(dark object subtraction,DOS)進行輻射校正,每個波段的閾值均設為1%。航拍設備包括一架配備數(shù)碼相機(Sony Nex-5)的小型無人機以及一個控制臺。圖像拍攝角度與地面垂直,高度100 m,圖片分辨率為4 912×2 760像素,儲存格式為TIFF(圖1)。

1.2 光譜可分性檢驗與特征譜段比

1.2.1 特征光譜可分性檢驗

光譜的可分性檢驗用于檢驗主成分特征波段的顯著性,光譜的可分性通過計算特征波段的反射率均值間的Jeffries-Matusita距離來判斷其可分性。Jeffries-Matusita距離的取值范圍為[0,2],本研究中設置閥值為1.85,即當波段間的Jeffries-Matusita距離大于1.85的時候,即認為兩個波段是可分的[13]。

1.2.2 特征波段比

正常小麥在510～580 nm的綠波段呈現(xiàn)反射峰,在630～690 nm的紅波段呈現(xiàn)吸收谷,這種“峰谷現(xiàn)象”是正常小麥光譜曲線的典型特征[14]。而小麥全蝕病的主要特征是出現(xiàn)“白穗”,通過小麥冠層的白穗率來衡量全蝕病等級,其光譜的“峰谷現(xiàn)象”不再明顯[15-16]。

1.3 HSV顏色特征模型

1.3.1 顏色分量重量化

利用有效的數(shù)據(jù)標簽來選取訓練樣本可以有效地增加分類精度,減少訓練時間。本研究利用16∶4∶4的量化方案(表1)對圖像的色調(diào)、飽和度和亮度(hue,saturation and value;HSV)進行重量化,建立顏色特征模型[17]。量化后的顏色特征具有更高的檢索效率,并使圖像中的像素按其顏色特征進行排列,從而建立有效的特征檢索標簽。

圖1 試驗區(qū)域示意圖以及航空拍攝圖像示例Fig.1 The aerial photo of the study areas in Yuanyang County,Henan,China

1.3.2 顏色特征索引的建立

對于圖像中的像素矩陣,利用公式(1)對量化后的HSV顏色分量進行融合,得到顏色特征的第一個特征向量T1。再利用量化后的3個顏色分量的均值μH、μS、μV,方差σH、σS、σV,和三階矩mH、mS、mV,建立9個特征索引T2～T10

[17]。

式中,DH,DS,DV是色調(diào)(H)、飽和度(S)、亮度(V)量化后的值。QS和QV分別是飽和度和亮度的量化的等級數(shù)。

1.3.3 基于特征索引的顏色聚類

對于兩個像素矩陣A和B,Ti(A)和Ti(B)是其對應的顏色特征索引。利用公式(2)可以求出第i個特征的相似性：

式中{A+B}是矩陣A和矩陣B中的不重復像素的總和。{|Ti(A)-Ti(B)|＞α}表示矩陣A與B中對應元素相減后其絕對值大于αi的元素個數(shù),這里αi為相似度的參數(shù)。

再利用公式(3)計算像素矩陣A和矩陣B的總相似度,從而確定兩個矩陣的顏色聚類。

這里T是顏色特征索引的個數(shù),本研究中T= 10。SIMI的范圍是[0,1]。SIMI越大相似性越強。

表1 HSV色彩空間的量化方案Table 1 Quantification scenario of HSV color space

1.4 支持向量機(SVM)與決策樹分類

1.4.1 支持向量機

本研究在Matlab 2013a的環(huán)境下,使用徑向基核函數(shù)(radial basis function,RBF)作為訓練樣本xi,xj間支持向量分類機的核函數(shù),支持向量機采用風險最小化原理,在樣本誤差最小化的同時減小模型誤差的上界,避免了過學習現(xiàn)象[18]。通常,分類問題都是非線性的,而非線性問題可以通過變換轉化為高維空間的線性問題,在變換后的高維空間中求最優(yōu)解[19]。支持向量機通過核函數(shù)解決了問題從低維向高維影射的過程。公式4為RBF核函數(shù),其參數(shù)γ=0.004 59,懲罰系數(shù)為100：

1.4.2 決策樹分類

本研究將決策樹分類分為兩層。首先,將無人機獲取的圖像轉換為像素單元的矩陣,其次,利用綠、紅波段比對每個像素進行預分類,最后,通過支持向量機對兩個子類進行再分類(圖2)。在運算過程中加入計時器,測量計算時間與訓練樣本規(guī)模之間的關系。

1.4.3 分類精度

將分類結果與實地調(diào)查數(shù)據(jù)對比,得到分類精度的混淆矩陣(confusion matrix),并通過公式(5)計算其穩(wěn)定性指標(Kappa值)[20]：

式中：r是混淆矩陣的總列數(shù);xii是混淆矩陣的第i行、第i列的像元數(shù)量;xixi是第i行和第i列總像元數(shù)量;N是整個圖像的總像元數(shù)量。

圖2 決策樹分類的流程圖Fig.2 Flow diagram of decision tree classification

2 結果與分析

2.1 光譜可分性檢驗

光譜可分性分析對紅、綠、藍三個特征光譜的顯著性以及可分離的程度進行對比(表2)。結果表明,在閥值=1.85的條件下,紅、綠波段間具有顯著的可分性(即Jeffries-Matusita距離均顯著的大于1.85),這表明紅、綠波段能夠反映不同小麥全蝕病等級的光譜特征。

表2 小麥全蝕病光譜的紅、綠、藍波段光譜可分性檢驗Table 2 Spectral separability about the bands of red, greed and blue of wheat take-all

2.2 圖像重量化結果

應用16∶4∶4重量化方案對無人機獲取的數(shù)字圖像進行重量化,量化后各顏色的分布直方圖如圖3所示。從結果中可以看出,量化后的顏色明顯呈現(xiàn)出4個聚類特征,其DN值為19～25(白色),36～41(淡黃色),51～55(黃綠色),64～68(綠色)。

圖3 重量化后的顏色分布直方圖Fig.3 Histogram of the color features after quantization

2.3 分類結果及精度

利用ASD光譜數(shù)據(jù)建立波段比的參考值,并與田間調(diào)查的小麥全蝕病白穗率對比,結果表明,綠波段與紅波段比值大于或等于1時,小麥白穗率在0～50%之間,小麥冠層顏色呈綠色或黃綠色;波段比小于1時,白穗率在50%～100%之間,小麥冠層顏色呈淡黃色或白色。

為了便于計算機視覺識別,并提高數(shù)據(jù)處理速度,本研究輸出的分類圖像為灰度圖。利用4個灰度級來表示4個全蝕病的等級在決策樹分類的第一層中,利用波段比對各個圖像像素進行預分類,分類結果如圖4a所示。在第二層決策中,在每一個顏色聚類中選擇1 000個像素點作為訓練樣本,然后利用支持向量機進行再分類,結果如圖4b所示,在視場內(nèi)的小麥田地中,正常小麥(白穗率為0～10%)占視場內(nèi)小麥的14.56%,不同白穗率的全蝕病小麥占85.44%,其中輕度發(fā)病的小麥(白穗率為10%～50%)廣泛分布在嚴重發(fā)病的小麥中間(白穗率為50%～90%),二者分別占29.53%和26.06%,死亡小麥(白穗率為90%～100%)在圖像中呈區(qū)域分布,占29.85%。

利用該分類算法在內(nèi)存為4 GB DDR3、CPU型號為intel core i7 860的微型計算機上,對所采集的15幅經(jīng)校正的航拍圖像進行分類,經(jīng)過對不同訓練樣本規(guī)模進行對比評價,發(fā)現(xiàn)訓練樣本數(shù)量大于1 000像素的時候,分類精度高于85%,其最短計算時間為23.1 s,最長計算時間為31 s,平均計算時間約為29 s。通過混淆矩陣及Kappa值來評價分類精度(表3),評價結果表明,所有類別的Kappa值均大于0.8,表明分類效果良好。健康小麥和死亡小麥的分類精度最低,其主要原因是健康小麥與輕度病害小麥、死亡小麥與嚴重病害小麥間的顏色特征差異不顯著,容易造成錯分。

圖4 決策樹分類第一層(a)及第二層(b)結果Fig.4 Results of first(a)and second (b)stages of the decision tree

表3 決策樹分類的混淆矩陣及Kappa值Table 3 Confusion matrix and Kappa value of the decision tree

2.4 分類結果的驗證

為了進一步驗證圖像的分類結果,利用田間抽樣調(diào)查的全蝕病等級數(shù)據(jù),與分類圖像對應區(qū)域進行對比。結果表明,田間小麥白穗率在10%以內(nèi),分類結果吻合,為健康;白穗率在10%～50%之間的為輕度全蝕病;其中2處試驗小區(qū)調(diào)查的白穗率為66%和69%,其分類結果應為嚴重,按照顏色模型的結果,其分類結果為死亡,因此,嚴重病害的小麥和死亡小麥間還存在一定的誤分。

3 討論

本文通過ASD非成像光譜儀獲取高光譜數(shù)據(jù)進行波段可分性分析,研究小麥全蝕病的綠、紅波段比特征,再利用航拍數(shù)碼圖像高分辨率的特性對圖像像素進行快速的多分類。從獲取的數(shù)據(jù)看,ASD非成像光譜儀獲取的數(shù)據(jù)能更準確地反映不同全蝕病小麥白穗率的光譜特征,原因是其擁有更高的波譜分辨率[21]。通過本研究可以證明光譜數(shù)據(jù)與高分辨率數(shù)字圖像進行數(shù)據(jù)融合的可行性,利用該方法對不同小麥全蝕病的像元進行訓練和分類,可以大大減少計算量,提高分類速度。

遙感圖像數(shù)據(jù)融合是遙感對地監(jiān)測研究的熱點,但以往的研究多偏向于不同遙感器的成像光譜數(shù)據(jù)之間的融合[22-23]。但由于儀器操作專業(yè)性強、計算周期長、圖像分辨率有限(大于20 m),在我國小而分散的耕作模式下,尤其在中部平原地區(qū),很難將成像光譜設備直接利用于作物病害的監(jiān)測活動中。本研究通過從光譜中提取特征波段的波段比,并作用于高分辨率的數(shù)碼圖像,對全蝕病發(fā)病區(qū)域不同田塊的發(fā)病程度進行非監(jiān)督的快速多分類。在實際的小麥全蝕病病情的評估過程中,降低了對人為主觀經(jīng)驗的要求,提高了病情的識別度和計算速度。

4 結 論

本文利用顏色模型對小麥全蝕病進行分類與監(jiān)測,主要得出如下結論：

1)通過對不同小麥全蝕病等級的波段提取,確定波段比閾值。并利用波段比進行預分類,結果表明不同全蝕病等級的小麥波段比差異較顯著。

2)本研究采用支持向量機的算法,把顏色特征引入到訓練樣本的提取及訓練目標的設計上。該算法一方面考慮分類目標的特征差異,另一方面兼顧計算速度。與傳統(tǒng)監(jiān)督分類算法相比,該方法的分類精度大于86%,并大幅減少了監(jiān)督分類的時間,為病害的實時監(jiān)控提供指導。

[1] Cook R J.Take-all of wheat[J].Physiological and Molecular Plant Pathology,2003,62(2)：73-86.

[2] Clapperton M J,Lee N O,Binet F,et al.Earthworms indirectly reduce the effects of take-all(Gaeumannomyces graminis var.tritici) on soft white spring wheat(Triticum aestivum cv.Fielder)[J]. Soil Biology and Biochemistry,2001,33(11)：1531-1538.

[3] 孫海燕,李琦,杜文珍,等.不同殺菌劑拌種防治小麥全蝕病研究[J].植物保護,2012,38(3)：155-158.

[4] Graeff S,Link J,Claupein W.Identification of powdery mildew(Erysiphe graminis sp.tritici)and take-all(Gaeumannomyces graminis sp.tritici)disease in wheat(Triticum aestivum L.)by means of leaf reflectance measurements[J].Central European Journal of Biology,2006,1(2)：275-288.

[5] 宋曉宇,王紀華,薛緒掌,等.利用航空成像光譜數(shù)據(jù)研究土壤供氮量及變量施肥對冬小麥長勢影響[J].農(nóng)業(yè)工程學報, 2004,20(4)：45-49.

[6] Otazu X,González-Audicana M,Fors O,et al.Introduction of sensorspectral response into image fusion methods.Application to wavelet-based methods[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(10)：2376-2385.

[7] 顧清,鄧勁松,陸超,等.基于光譜和形狀特征的水稻掃描葉片氮素營養(yǎng)診斷[J].農(nóng)業(yè)機械學報,2012,43(8)：170-174.

[8] 李霖,佘夢媛,羅恒.ZY-3衛(wèi)星全色與多光譜影像融合方法比較[J].農(nóng)業(yè)工程學報,2014,30(16)：157-165.

[9] Mirik A,Michels GJ,Kassymzhanova-Mirik S,et al.Using digital image analysis and spectral reflectance data to quantify damage by greenbug(Hemiptera：Aphididae)in winter wheat[J].Computers and Electronics in Agriculture,2006,51(1/2)：86-98.

[10]Jin Xiaoying,Davis C H.An integrated system for automatic road mapping from high-resolution multi-spectral satellite imagery by information fusion[J].Information Fusion,2005,6(4)：257-273.

[11]Xie Xing,Liu Mengliang,Wang Leiguang.A remote sensing image segmentation method based on spectral and texture information fusion[C]∥Proceedings of the 2009 Sixth International Conference on Information Technology：New Generations,USA：IEEEE,2009：22-27.

[12]Spank U,Bernhofer C.Another simple method of spectral correction to obtain robust eddy-covariance results[J].Boundary-Layer Meteorology,2008,128(3)：403-422.

[13]Tolpekin V A,Stein A.Quantification of the effects of land-coverclass spectral separability on the accuracy of Markov-random-fieldbased superresolution mapping[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(9)：3283-3297.

[14]鞠昌華,田永超,朱艷,等.小麥疊加葉片的葉綠素含量光譜反演研究[J].麥類作物學報,2008,28(6)：1068-1074.

[15]喬紅波,馬新明,程登發(fā),等.基于TM影像的小麥全蝕病危害信息提取[J].麥類作物學報,2009,29(4)：716-720.

[16]蔡健榮,王建黑,陳全勝,等.波段比算法結合高光譜圖像技術檢測柑橘果銹[J].農(nóng)業(yè)工程學報,2009,25(1)：127-131.

[17]冀亞麗,程小平,康海東,等.具有魯棒性的彩色圖像檢索方法[J].測繪學院學報,2005,22(3)：194-196.

[18]Liu Y,Zhang B,Wang L,et al.A self-trained semisupervised SVM approach to the remote sensing land cover classification [J].Computers and Geosciences,2013,59：98-107.

[19]Maulik U,Chakraborty D.A self-trained ensemble with semisupervised SVM：Anapplication to pixel classification of remote sensing imagery[J].Pattern Recognition,2011,44(3)：615-623.

[20]Ben-David A.Comparison of classification accuracy using Cohen’s Weighted Kappa[J].Expert Systems with Applications,2008,34(2)：825-832.

[21]Herold M,Gardner M E,Roberts D A.Spectral resolution requirements for mapping urban areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9)：1907-1919.

[22]徐佳,關澤群,何秀鳳,等.基于傳感器光譜特性的全色與多光譜圖像融合[J].遙感學報,2009,12(1)：97-102.

[23]劉哲,郝重陽,劉曉翔,等.多光譜圖像與全色圖像的像素級融合研究[J].數(shù)據(jù)采集與處理,2003,18(3)：296-301.

(責任編輯：楊明麗)

調(diào)查研究

Investigations

Fast multi-classification of wheat take-all levels based on the fusion of unmanned aerial vehicle digital images and spectral data

Qiao Hongbo1,2, Shi Yue1, Si Haiping1, Wu Xu1, Guo Wei1, Shi Lei1, Ma Xinming1, Zhou Yilin2

(1.Collaborative Innovation Center of Henan Grain Crops,College of Information and Management Science,Henan Agricultural University,Zhengzhou 450002,China;2.State Key Laboratory for Biology of Plant Diseases and Insect Pests,Beijing 100193,China)

Wheat take-all will lead to a disaster in wheat production without timely monitoring and management. Traditional remote sensing approaches in wheat take-all have failed to fast and accurately recognize the multi-level disease conditions due to relatively coarse spatial resolution and the experience-based features selection.This study developed a method to achieve the fast multi-classification of wheat take-all based on the computer vision and the data fusion technology.Firstly,ASD Hand Held sensor was used to extract the spectral feature ratio.Then the color model was established to quantify the UAV aerial photo.Finally,the wheat take-all were classified using the decision tree which based on the support vector machine(SVM).The results showed that an overall accuracy was greater than 86%(Kappa＞0.81)for classifying all of take-all levels,and computation rate was less than 30 seconds,which is meaningful for automatic real-time monitoring of take-all conditions.

wheat take-all; computer vision technology; multi-classification; color model; SVM

S 435.1,S 127

A

10.3969/j.issn.0529-1542.2015.06.029

2014-10-11

2015-01-13

國家自然科學基金項目(31301604);河南省科技攻關項目(122102110045);植物病蟲害生物學國家重點實驗室開放課題(SKLOF201302)

小麥全蝕病是嚴重危害小麥的一種土傳性病害。小麥的整個生長期,其根部和莖基部都很容易受到病菌侵害[1]。小麥全蝕病傳染性很強,整個發(fā)病周期從局部發(fā)病發(fā)展到大片死亡不到4年,全蝕病

*通信作者 E-mail：qiaohb@126.com發(fā)展后期造成小麥植株成簇枯死形成“白穗”,麥田穗粒數(shù)及千粒重下降,發(fā)病輕微區(qū)域?qū)е聹p產(chǎn)30%～40%,嚴重區(qū)域減產(chǎn)50%以上甚至絕收[24]。高光譜遙感數(shù)據(jù)能準確反映田間不同程度小麥全蝕病的光譜差異,從而準確提取其發(fā)生程度和范圍[5]。但由于高光譜遙感技術存在數(shù)據(jù)量大,計算周期長,空間分辨率有限等缺點,難以直接應用于實際的作物病害監(jiān)測。而數(shù)字圖像可以有效地提高空間分辨率,有利于地物信息的快速分類[67]?；诟叻直媛蕯?shù)字圖像和高光譜數(shù)據(jù)的圖像融合技術可以有效地提高作物病害監(jiān)測分類的運算速度和精度,例如,國內(nèi)李霖等利用ZY-3衛(wèi)星2.1 m全色/5.8 m多光譜分辨率平面圖像進行數(shù)據(jù)融合,結果表明融合后數(shù)據(jù)的空間分辨率有所提高,而且保持了原始數(shù)據(jù)的光譜信息[8];國外Mirik等利用數(shù)字圖像與光譜反射率相融合的分析方法對冬小麥受麥蚜破壞的程度進行了監(jiān)測評估[9]。