论文部分内容阅读
小麦是世界上播种面积最大、分布最广泛的粮食作物。小麦赤霉病是小麦生长过程中的重要病害,从幼苗到小麦抽穗都有可能受到赤霉病的侵害,而对小麦危害最严重的是穗腐。论文针对小麦赤霉病的发生难防难控问题,以受赤霉病菌侵染的小麦麦穗为研究对象,利用可见-近红外(400~1000nm)波段的小麦赤霉病光谱数据,研究小麦赤霉病害的分级诊断模型,为赤霉病害的分级识别,特别是早期诊断和预测预警奠定基础。论文主要研究内容及结论如下:(1)研究了小麦赤霉病害光谱的特征波长提取方法。基于第一次主成分分析(PCA1)方法提取0~420个主成分,利用权重系数法和差分法求二阶导数获得6个最优病害特征波长(548nm、645nm、683nm、739nm、812nm、871nm),通过实验结果分析可知,选取的6个特征波长能够对小麦穗的赤霉病害进行识别。(2)提出了基于小麦赤霉病害光谱特征波长的第二次主成分分析(PCA2)方法。针对小麦穗样本的光谱图像,采用第二主成分分析方法提取感兴趣区域(ROI)即小麦穗的病害区域。首先,对小麦麦穗的高光谱图像进行第一次主成分分析,选取最能显示小麦麦穗全部轮廓区域的PC1,作为识别小麦麦穗轮廓图像;然后,对特征波段进行第二次主成分分析,选取最能显示小麦麦穗病害区域部分的PC3,作为识别小麦穗病害部分图像。(3)建立了基于小麦穗赤霉病害光谱分级诊断模型。对PC1图像采用均值滤波法进行小麦穗轮廓部分ROI提取,再利用最大连通区域标记法求出小麦穗轮廓区域的面积S1;对PC3图像采用局部阈值分割法进行小麦麦穗病害部分ROI提取,再利用区域赋值法求出病害区域面积S2;得到S2与S1的比值结果,即为小麦赤霉病害的分级百分比。最后,对比小麦穗病害人工分级的结果,吻合度越高分级效果越佳。实验表明,该模型较为准确的实现了小麦赤霉病病害区域的分割,验证了此方法在小麦赤霉病害分级识别上的可行性。(4)实现了对光谱图像数据的自动化批量处理。针对在实验过程中小麦穗样本量多、高光谱数据大、使用传统的统计学方法处理数据时效率低的问题,利用IDL语言编写批量处理程序读取大量高光谱原始数据cub全波段光谱文件,同时利用二次主成分的特征波段批量得到小麦麦穗赤霉病病害图像。