基於成像高光譜技術的作物病害分析報告

基於成像高光譜技術的作物病害分析報告

一、測試原理及方法：

 高gao光guang譜pu成cheng像xiang技ji術shu是shi近jin二er十shi年nian來lai發fa展zhan起qi來lai的de基ji於yu非fei常chang多duo窄zhai波bo段duan的de影ying像xiang數shu據ju技ji術shu，其qi最zui突tu出chu的de應ying用yong是shi遙yao感gan探tan測ce領ling域yu

，並bing在zai越yue來lai越yue多duo的de民min用yong領ling域yu有you著zhe更geng大da的de應ying用yong前qian景jing。它ta集ji中zhong了le光guang學xue、光電子學、電子學、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。

 高光譜成像技術的定義是在多光譜成像的基礎上
，在從紫外到近紅外（200-2500nm）deguangpufanweinei，liyongchengxiangguangpuyi，zaiguangpufugaifanweineideshushihuoshubaitiaoguangpuboduanduimubiaowutilianxuchengxiang。zaihuodewutikongjiantezhengchengxiangdetongshi


，yehuodelebeicewutideguangpuxinxi。

目標物體-成像物鏡-入射狹縫-準直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP

圖1 成像原理圖

光譜儀的光譜分辨率由狹縫的寬度和光學光譜儀產生的線性色散確定。最小光譜分辨率是由光學係統的成像性能確定的（點擴展大小）。

成像過程為：每次成一條線上的像後（X方向），在檢測係統輸送帶前進的過程中，排列的探測器掃出一條帶狀軌跡從而完成縱向掃描（Y方向）。綜合橫縱掃描信息就可以得到樣品的三維高光譜圖像數據。

圖2 像立方體

圖3  Gaia Field高光譜成像儀

高光譜儀配置：鏡頭：22mm鍍膜消色差鏡頭
；光譜範圍：400nm-1000nm，光譜分辨率: 4nm@435.8nm（@400-1000nm），像麵尺寸（光譜x空間）：6.15 x 14.2 mm，相對孔徑：F/2.4，狹縫長度14.2 mm. 內置控製
、掃描機構；內置電池
；

SpecView軟件：控製完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度
、均勻性、鏡頭等校準；光譜查看。

GaiaField便攜式高光譜係統是雙利合譜自行研製的超便攜式高光譜成像儀器。它的核心由三部分構成，分別是：多duo維wei運yun動dong控kong製zhi器qi，光guang譜pu相xiang機ji和he成cheng像xiang光guang譜pu儀yi。使shi用yong此ci係xi統tong進jin行xing掃sao描miao，在zai獲huo得de目mu標biao影ying像xiang信xin息xi的de基ji礎chu上shang，還hai可ke以yi獲huo得de數shu百bai甚shen至zhi上shang千qian波bo段duan的de光guang譜pu信xin息xi。

GaiaField係統有著輕便靈活，續航能力出色的特點。廣泛適用於，目標識別、偽裝與反偽裝等軍事領域
，地麵物體與水體遙測、現代精細農業等生態環境監測領域，以及刑偵、文物保護

、生物醫學等領域。

覆蓋可見光與近紅外全波段可提供超過700個光譜通道，可自由選擇GaiaField便攜式高光譜係統采用了高分辨率的成像光譜儀。在可見光波段，光譜分辨率高達3nm，即使在短波紅外波段也能達到10nm。因而全波段內可以獲得超過700個的光譜通道
，更多的光譜通道意味著更多的信息，有助於研究人員通過對連續光譜的分析

、反演，獲得更多的高價值數據細節。

圖4  高光譜成像儀采集的影像效果圖

獨有的軟硬件功能：

輔助攝像頭功能

通過輔助攝像頭觀察目標拍攝區域

當前狹縫位置指示

選擇自動曝光與自動調焦區域
，直觀方便
，僅需鼠標即可完成操作。

圖 5  輔助攝像頭觀察目標拍攝區域

自動掃描速度匹配、自動曝光：

自動曝光：genjudangqianguangzhaohuanjing
，jinxingpuguangceshi，huodejingzhundepuguangshijian。zaidedaozuijiaxinzaobidetongshi
，youkebimianguodupuguangzaochengshujuzuofei。tongshiruanjianjuyoushishiguodupuguangjianshigongneng。

自動掃描速度匹配：根據當前的曝光時間等參數，進行測試拍攝，得到實時幀速

，進而計算出合適的掃描速度。從而避免了掃描圖像的變形（拉伸或壓縮）。

圖 6   采集數據自動曝光、速度匹配

二
、數據分析：

本文以貴州學院提供的作物葉片為研究對象，利用江蘇雙利合譜科技有限公司的高光譜成像儀Gaia Field（光譜範圍400 nm - 1000 nm）采集測試對象的高光譜數據
，以分析作物葉片的病害情況。

對成像高光譜儀拍攝的原始影像數據進行數據的預處理，預處理過程主要包括兩部分。第一部分是輻射定標

；第二部分為噪聲去除。

首先進行輻射定標。輻射定標的計算公式如1所示。

                       (1)

其中，Ref_target為目標物的反射率，Ref_panel為標準參考板的反射率，DN_target為原始影像中目標物的的數值，DN_panel為原始影像中標準參考板的數值，DN_dark為成像光譜儀係統誤差。

其次是噪聲去除，本文運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation
， MNF)進行噪聲去除。最小噪聲分離工具用於判定圖像數據內在的維數（即波段數）
，分離數據中的噪聲，減少隨後處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基於估計的噪聲協方差矩陣）用於分離和重新調節數據中的噪聲，這步操作使變換後的噪聲數據隻有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一yi部bu分fen與yu較jiao大da特te征zheng值zhi和he相xiang對dui應ying的de特te征zheng圖tu像xiang相xiang關guan，其qi餘yu部bu分fen與yu近jin似si相xiang同tong的de特te征zheng值zhi以yi及ji噪zao聲sheng占zhan主zhu導dao地di位wei的de圖tu像xiang相xiang關guan。由you於yu此ci次ci采cai集ji的de高gao光guang譜pu影ying像xiang沒mei有you白bai板ban校xiao正zheng，因yin此ci數shu據ju預yu處chu理li的de第di一yi步bu輻fu射she定ding標biao沒mei有you進jin行xing分fen析xi處chu理li，直zhi接jie作zuoMNF降噪分析。圖7為MNF降噪前後的成像高光譜數據中DN值的變化。

圖7  MNF變換前(左)後(右)高光譜影像DN值的變化

下圖分別為作物綠葉
、黃葉、病害葉的光譜反射率值（因本次測試無白板數據，故以背景值作為參考板計算種子的光譜反射率）。從圖8可知，綠色葉片在綠光區域有明顯的反射峰，在紅光區域有明顯的吸收穀，在可見光波段與近紅外波段之間
，即大約0.73um附近，反射率急劇上升，形成“紅邊”現象，“綠峰”、“紅穀”、“紅邊”均是綠色植物曲線的最為明顯的三個特征
；但黃葉、病害葉均沒有綠色植物該有的這三個特征。

圖8  綠葉、黃葉、病害葉的光譜反射率值

利用SpecView軟件的Analysis-Animate功gong能neng
，能neng快kuai速su瀏liu高gao光guang譜pu影ying像xiang各ge波bo段duan的de灰hui度du信xin息xi變bian化hua
，本ben研yan究jiu通tong過guo快kuai速su瀏liu覽lan病bing害hai葉ye的de高gao光guang譜pu影ying像xiang的de各ge波bo段duan灰hui度du信xin息xi變bian化hua可ke知zhi，作zuo物wu葉ye子zi的de病bing害hai位wei置zhi在zai紅hong光guang區qu域yu能neng較jiao為wei清qing楚chu的de分fen辨bian出chu來lai，這zhe與yu目mu前qian國guo內nei外wai的de研yan究jiu結jie果guo相xiang同tong。圖tu9為病害作物葉片在680 nm處的灰度圖像
，從圖像可知，與正常綠葉葉片相比，葉片受病害區域表現較亮一些；這zhe是shi因yin為wei綠lv葉ye在zai紅hong光guang區qu域yu有you吸xi收shou穀gu，反fan射she率lv值zhi較jiao低di，而er受shou病bing害hai葉ye片pian在zai紅hong光guang區qu域yu無wu吸xi收shou穀gu，反fan射she率lv值zhi相xiang對dui較jiao高gao，故gu圖tu像xiang灰hui度du值zhi表biao現xian較jiao亮liang一yi些xie。

圖9  正常綠葉與病害葉在680 nm處的灰度圖像

植被指數主要反映植被在可見光、近紅外波段反射與土壤背景之間差異的指標，各個植被指數在一定條件下能用來定量說明植被的生長狀況。NDVI能反映出植物冠層的背景影響，如土壤、潮濕地麵
、雪、枯葉、粗超度等，且與植被覆蓋有關。其被定義為兩個通道反射率之差除以它們的和。在植被處於中
、低覆蓋度時，NDVI隨覆蓋度的增加而迅速增大
，當達到一定覆蓋度後增長緩慢，所以適用於植被早
、中期生長階段的動態監測。圖10分別為綠葉與病害葉的NDVI圖，其中用到的近紅外波段是800 nm，紅光波段是680 nm。從圖10可知，在NDVI圖像中，綠葉的灰度值高於病害葉片
，相對於單波段圖像而言，NDVI圖像更容易分辨出病害葉片的位置。通常來說，綠葉的NDVI值為0.2-0.8之間。

圖10  正常綠葉與病害葉的NDVI的圖像

在科研研究中，我們需要去除作物葉片的背景信息
，即提取作物葉片，常用的提取方法有麵向對象分割、監督分類（馬氏距離法
、最大似然法、光譜匹配法、神經網絡法
、支持向量機等）、非監督分類（K-Means、ISODATA）、決策樹、數學形態學分割等算法。本研究運用數學形態學分割算法提取作物葉片。

數學形態學(Mathematical Morphology)誕生於1964年nian，最zui初chu它ta隻zhi是shi分fen析xi幾ji何he形xing狀zhuang和he結jie構gou的de數shu學xue方fang法fa

，是shi建jian立li在zai數shu學xue基ji礎chu上shang用yong集ji合he論lun方fang法fa定ding量liang描miao述shu幾ji何he結jie構gou的de科ke學xue。數shu學xue形xing態tai學xue的de應ying用yong可ke以yi簡jian化hua圖tu像xiang數shu據ju，保bao持chi它ta們men基ji本ben的de形xing狀zhuang特te性xing，並bing除chu去qu不bu相xiang幹gan的de結jie構gou。在zai對dui圖tu像xiang的de分fen析xi研yan究jiu過guo程cheng中zhong，為wei了le辨bian別bie和he分fen析xi目mu標biao，人ren們men往wang往wang僅jin對dui各ge幅fu圖tu像xiang中zhong的de某mou些xie部bu分fen感gan興xing趣qu，需xu要yao將jiang這zhe些xie有you關guan區qu域yu分fen別bie提ti取qu出chu來lai即ji實shi現xian圖tu像xiang的de分fen割ge，在zai此ci基ji礎chu上shang才cai有you可ke能neng對dui目mu標biao進jin一yi步bu利li用yong。數shu學xue形xing態tai學xue以yi圖tu像xiang的de形xing態tai特te征zheng為wei研yan究jiu對dui象xiang
，描miao述shu圖tu像xiang的de基ji本ben特te征zheng和he基ji本ben結jie構gou，通tong常chang形xing態tai學xue圖tu像xiang處chu理li表biao現xian為wei一yi種zhong鄰lin域yu運yun算suan形xing式shi，采cai用yong鄰lin域yu結jie構gou元yuan素su的de方fang法fa，在zai每mei個ge像xiang素su位wei置zhi上shang鄰lin域yu結jie構gou元yuan素su與yu二er值zhi圖tu像xiang對dui應ying的de區qu域yu進jin行xing特te定ding的de邏luo輯ji運yun算suan
，邏luo輯ji運yun算suan的de結jie果guo為wei輸shu出chu圖tu像xiang的de相xiang應ying像xiang素su。圖tu11為作物葉片提取前後的高光譜影像RGB合成圖像。從圖11可知，運用數學形態學分割的方法在沒有去除病害葉區域的情況下能較好地獲取純作物的葉片。

圖11  作物葉片提取前後的圖像（含葉片病害區域）

在科學研究中，作物的營養（如氮素、葉綠素
、蛋白質、糖等）監(jian)測(ce)，通(tong)常(chang)是(shi)針(zhen)對(dui)綠(lv)葉(ye)信(xin)息(xi)而(er)言(yan)。由(you)於(yu)受(shou)病(bing)蟲(chong)害(hai)等(deng)影(ying)響(xiang)，葉(ye)片(pian)變(bian)黃(huang)或(huo)枯(ku)萎(wei)的(de)區(qu)域(yu)，其(qi)營(ying)養(yang)狀(zhuang)況(kuang)發(fa)生(sheng)了(le)較(jiao)大(da)變(bian)化(hua)。因(yin)此(ci)
，在(zai)分(fen)析(xi)構(gou)建(jian)作(zuo)物(wu)營(ying)養(yang)的(de)監(jian)測(ce)模(mo)型(xing)時(shi)，應(ying)去(qu)除(chu)葉(ye)片(pian)的(de)受(shou)病(bing)害(hai)區(qu)域(yu)。本(ben)研(yan)究(jiu)在(zai)數(shu)學(xue)形(xing)態(tai)學(xue)分(fen)析(xi)的(de)基(ji)礎(chu)上(shang)
，構(gou)建(jian)NDVI指數，通過NDVI指數的閾值分割算法
，提取作物葉片的綠葉信息，如圖12所示。從圖12可知
，利用數學形態學與NDVI指數相結合的辦法，能較好地去除背景、葉片病害區域，從而獲取綠葉部分的信息
，為構建作物營養監測模型奠定了基礎。

圖12  作物綠葉提取前後的圖像（去除葉片病害區域）

    科學研究表明，歸一化植被指數NDVI能較好地反映作物的生長狀態及其營養是否缺失等。本研究運用近紅外800 nm和紅光680 nm 構建歸一化植被指數以分析提取的作物綠葉生長狀態及營養分布情況，如圖13。從圖13可知，沒有病害感染的作物綠葉，其NDVI較高，說明其生長較好；受病害感染的葉片，其NDVI值較低
，雖然表麵看起來是綠色的，但是其營養已經缺失，隨著時間的推移，會變黃

，甚至枯萎。

圖13  作物綠葉的NDVI分割效果圖