选取水稻茎秆为实验对象, 从江西农业厅获得的样品中挑选水稻螟虫蛀孔的茎秆60个, 虫孔直径约为3 mm, 图1为有蛀虫孔的水稻茎秆, 再挑选正常的水稻茎秆60个, 为了控制变量, 每个茎秆的长度均为5 cm。 由于茎秆关节和非自病的霉菌与虫孔的灰度值相近, 在我们挑选样品的时候尽量挑选无霉菌和剪取没有关节的水稻茎秆。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 水稻螟蛀孔的水稻茎秆Fig.1 Rice borer holes of rice stem

实验用的盖亚(GaiaSOrter)高光谱图像采集系统如图2所示。 该系统主要包括光源、 成像光谱仪、 电控位移平台和计算机等。 光源为由稳定电压电源供电的4盏20 W卤素灯(OSRAM, DECOSTAR51, MR16); 成像光谱仪由CCD摄像机(Hamamatsu C8484-05G)和光谱仪(ImSpector, V10E, Finland)组成; 电控位移平台由载物台和步进电动机组成; CCD摄像机通过USB数据线连接到图像采集卡, 利用SpectraVIEW软件控制图像采集卡来获取高光谱数据。 由于图像的采集易受到自然光的影响, 因此整个图像采集系统安装在一个暗箱中, 以提高采集信息的质量。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高光谱图像采集系统Fig.2 Hyperspectral image acquisition system

采集数据前, 需要对采集系统预热30 min, 以消除基线漂移对图像采集质量的影响。 同时也要对成像系统的一些参数进行调整, 以确保图像清晰并且不失真, 经过多次尝试最终确定光谱分辨率为2.8 nm, 摄像机曝光时间为6 ms, 分辨率为1 344像素× 1 024像素, 位移平台移动速度约为10 mm· s^-1。 调整好后, 每次在载物台上放置一个水稻茎秆样品。 在图像采集过程中, 样本随着载物平台做垂直于摄像机的纵向平移, 最终完成一个水稻茎秆样本的采集。 所采集的图像包含特定像素下的光谱信息和特定波长下的图像信息, 每个样品获取176个波段的图像。

1.4.1 黑白板校正

为了避免光源强度在各波段的分布不均匀以及CCD相机中暗电流对图像采集的影响, 必须对所获得的高光谱图像进行黑白板校正^[14]。 全部的样品图像采集完成后在相同的系统条件下, 首先将镜头盖上扫描一段全黑的图像B, 并且扫描之后马上取下镜头盖扫描一段全白的图像W, 最后根据式(1)完成图像的计算。 使所采集的原始图像R₀转化为校正后的图像R。 式(1)为

R=R0-BW-B(1)

式(1)中, R表示校正后的水稻茎秆高光谱图像, R₀表示原始的水稻茎秆高光谱图像, W表示黑板标定图像, B表示白板标定图像。

1.4.2 主成分分析

主成分分析是一种去除波段之间多余信息、 将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。 算法原理为: 设一个给定的训练数据集含有N个样本X∈ Rⁿ, 其中均值为m。 训练集的协方差矩阵设为

Σ=∑in(x1-m)(x1-m)T(2)

式(2)中, Σ 的特征值表示样本在特征矢量上的分布方差。

选择Σ 的s个特征矢量根据特征值进行排序, 降维后的特征子空间表示为Y∈ R^s, s远小于n。

Yk=QTX(3)

其中Y_k={y_1k, y_2k, …, y_sk}。

1.4.3 最佳波段选择方法

最佳波段选择方法主要分为两大类: 基于信息量的最佳波段选择和基于类间可分性的最佳波段选择^[15]。 基于信息量的最佳波段选择方法数据处理工作量很大, 不适合快速检测。 基于类间可分性的最佳波段选择主要包括Bhattacharyya距离、 Jeffries-Matusita距离、 混合距离等, 其中混合距离用式(4)表示。

Dn, m=∑i=1P|xni-xmi|(4)

式(4)中: x_ni和x_mi分别为n和m类在i波段上的光谱反射率; P为波段数。

混合距离越大, 两类对间的可分性越大。 且该方法计算简便, 但是并没有考虑到可见光区域和近红外区域之间的联系。 因此本研究运用分段混合距离方法, 即在可见光区域和近红外区域分别提取波段, 然后计算混合距离, 从而选择最佳波段^[16]。

1.4.4 阈值分割

阈值分割是最简单的图像分割方法, 分别运用了全局阈值分割和迭代式阈值分割两种阈值分割方法。

全局阈值分割将图像分为目标对象(白色)和背景对象(黑色), 其原理为

u(x, y)=1g(x, y)> T0g(x, y)≤T(5)

式(5)中, g(x, y)为坐标点(x, y)的像素值, u(x, y)为分割后的图像, T为全局的阈值。

迭代阈值是通过迭代的方法求出最佳的分割阈值。 其原理为:

(1)设定初始的阈值T₀。

(2)用阈值T来分割图像。 可以将图像分为两大部分: S₁是由灰度值大于T₀的像素组成, S₂是由灰度值不大于T₀的像素组成。

(3)计算S₁和S₂中所有像素的平均灰度值m, n和新的阈值T₁=(m+n)/2。

(4)如果|T₁-T₀|=0, 则输出T₁为最佳阈值; 否则, 将T₁赋值给T₀, 且重复(2)— (4)过程, 直到得到最佳阈值。

如果我们对全部光谱进行数据分析, 会极大的增加工作量, 降低工作效率和准确性。 因此, 必须对全部光谱进行光谱区域范围的确定。

在水稻茎秆表面选取50个像素点的感兴趣区域(regions of interest, ROI)平均光谱作为该水稻茎秆的光谱曲线, 120个样品光谱反射率曲线如图3所示所示。 380~1 020 nm波长范围内一共有176个波段, 水稻茎秆正常部分和水稻茎秆虫害部分反射率有明显的差异, 水稻茎秆正常部分的反射率明显高于水稻茎秆虫害部分的反射率, 且反射率差异有逐渐减小的趋势, 水稻茎秆正常部分平均光谱曲线峰值在0.65左右, 水稻茎秆虫害部分平均光谱曲线峰值在0.45左右。 光谱范围在380~450 nm之间和1 000~1 020 nm, 虫害水稻茎秆和正常的水稻茎秆平均光谱曲线差距很小, 很难分辨出来。 在以后的研究中, 我们选取450~1 000 nm作为光谱区域。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 120个样品光谱反射率曲线Fig.3 Spectral reflectance curves of 120 samples

2.2.1 特征波段的选取

由于高光谱图像信息量十分丰富, 要从成百上千的图像信息中找到能反映出虫害水稻茎秆的特征图像是很繁琐的^[17]。 利用主成分分析化学计量学方法对高光谱数据进行处理, 能筛选出特征波段。 挑选前五个主成分图像, 如图4所示。 其中PC2和PC5茎秆和背景很难区分开来, PC4的虫孔区域比较黑不容易辨认, 而PC3和PC1相比, PC3更佳。 因此PC3更适合作为找到最佳特征图像的依据。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 前五个主成分图像Fig.4 The first five PC images

为了得到最佳的特征图像, 需要根据PC3图像的特征向量进行光谱的曲线权重系数的图像的绘制。 如图5所示为PC3图像下的156个波长点所对应的权重系数图。 黑色实线表示正常的水稻茎秆样品, 红色虚线表示为虫害的水稻茎秆样品, 从两条权重系数曲线中可以看出, 正常样品和虫害样品在波谷750 nm左右处存在较大的差异, 且在波长668.8 nm处也有个差异很明显的波谷, 表明这两个波长对PC3图像的影响较大, 因而确定在波长668.8和750 nm的图像就是最佳特征图像, 如图6所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 PC3光谱权重系数Fig.5 PC3 spectral weight coefficient

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 668.8和750 nm处的RGB图像Fig.6 RGB images at 668.8 and 750 nm

2.2.2 基于主成分分析特征波段的水稻螟虫检测方法

在ENVI 4.5软件中对668.8和750 nm特征波长获取其对应的光谱图像并且保存图像。 在图8中可以看出在650 nm处正常茎秆、 虫害茎秆和背景的反射率区别最大, 所以把650 nm波长处的图像建立掩膜图像。 利用Matlab对获取的特征图像进行图像锐化和对650 nm波长处的图像二值化掩膜, 然后用650 nm掩膜后的图像再对668.8和750 nm两特征波长的图像进行掩膜, 最后对两特征波长掩膜后的图像进行全局阈值分割(阈值T=17)等其他图像算法的处理, 最后计算出每一个待测水稻茎秆样品的虫孔率(虫孔区域面积与全部水稻茎秆面积的比值)。 本实验中利用虫孔率来判断待测样品是否虫害, 其判断标准为: 计算每一个未知待测样品虫孔率, 若虫孔率大于0, 则认为水稻茎秆有虫害, 因此判定为虫害样品。 同理, 当虫孔率等于0的时候, 则表明待测样品表面没有虫害, 判定为正常样品。 基于主成分分析特征波段水稻螟虫害检测流程图, 如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 基于主成分分析特征波段水稻螟虫害检测流程图Fig.7 Flow chart of pest detection of rice borer based on principal component analysis characteristic band

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 单个样品高光谱反射率曲线Fig.8 Hyperspectral reflectance curves of a single sample

2.3.1 水稻螟虫高光谱图像最优波段选择

在图8光谱反射率曲线中可以看出, 水稻茎秆的正常部位和虫害部位的反射率有明显的差异, 水稻茎秆在可见光波段550~750 nm范围内虫害区域与正常区域反射率差异较大。 这是由于虫孔区域的茎秆的组织已缺失一部分, 叶绿素含量的降低导致反射率变低, 且550 nm附近有叶绿素的强反射峰值^[16]。 在近红外波段750~900 nm范围内, 水稻茎秆虫害区域与正常区域反射率差异较大。 这是由于正常水稻秸秆的细胞壁和细胞空隙间折射率有差异, 引起多重反射导致高反射率, 而虫孔区域细胞组织都已坏死导致反射率较低^[16]。 为了减小光谱间的相关性的影响, 所以在整个波段范围内划分为两个区域, 550~750 nm区域为可见光光谱区域和750~900 nm区域为近红外光谱区域。 在550~750 nm波长范围内选择一个波段, 在750~900 nm波长范围内选择一个波段, 按照式(4)计算出混合距离进行大小比较。 从中选择两个最大的, 来确定最佳波段。 通过比较可知, 在波段550~750 nm范围内, 689.9 nm混合距离是最大的; 在750~900 nm范围内, 753.5 nm的混合距离是最大的。 因为要考虑减少组合波段之间光谱波段的相关性, 因此选取了三个波长来组合(表1)。

表1

Table 1

表1(Table 1)

表1 混合距离组合结果 Table 1 Results of hybrid-distance combinations 组合序号 可见光波长/混合距离 近红外波段/混合距离 组合波段/混合距离 1 689.9 nm/0.348 753.5 nm/0.319 689.9, 753.5 nm/0.667 2 682.9 nm/0.346 753.5 nm/0.319 682.9, 753.5 nm/0.665 3 689.9 nm/0.348 750 nm/0.316 689.9, 750 nm/0.664

表1 混合距离组合结果 Table 1 Results of hybrid-distance combinations

2.3.2 基于迭代阈值的最优波段水稻螟虫检测方法

分别对单波段682.9, 689.9和753.5 nm和双波段689.9与753.5 nm, 682.9与753.5 nm的波段比的一种基于迭代阈值进行阈值分割的虫孔的提取方法, 以此来检测水稻螟虫孔区域。

其中先用迭代法检测分割出来的效果, 比较发现在753.5 nm处的图像分割效果最好, 如图9所示。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 最优波段的迭代阈值分割图像Fig.9 Optimal band iteration threshold segmentation image

图10为在753.5 nm一种基于迭代阈值虫孔提取图^[18]。 首先, 输入753.5 nm的高光谱图像(a), 然后用迭代方法求取最佳阈值分割的图像(b)。 找出最大白色区域设为背景, 其他区域全部设置为虫孔区域, 如图10(c), 为了使图像效果更好对原图像进行锐化, 找出虫孔的坐标范围, 设置茎秆灰度值基本不变, 虫孔区域灰度值为0, 图10(d)所示。 最后对(d)图进行一次图像阈值分割, 再对分割的图像进行腐蚀膨胀处理得到虫孔的区域, 如图10(e)。 图11为一种基于迭代阈值虫孔提取方法的流程图。 其中以(e)图是否出现白点为检测结果的判断依据。 如果最后分割出白点则为水稻螟虫茎秆, 如果最后不能分割出白点则为正常水稻茎秆。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 基于迭代阈值虫孔提取的结果图Fig.10 The results of wormhole extraction based on iterative threshold

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 基于迭代阈值虫孔提取方法的流程图Fig.11 Flow chart of wormhole extraction method based on iterative threshold

由2表可知, 虫害样品和正常样品共计120个, 其中虫害样品有60个, 正常样品有60个。 用668.8 nm处的特征图像进行定性判别, 虫害的茎秆误判数为0, 检测正确率为100%; 正常茎秆误判数为5个, 检测正确率为91.7%。 750 nm处特征图像对样品进行定性判别, 虫害的茎秆误判数为0, 检测正确率为100%; 正常茎秆误判数为8个, 检测正确率为86.7%。 用668.8 nm处图像的全部检测正确率为95.8%, 而用750 nm的全部检测正确率为93.3%, 因此基于PCA特征波段检测用668.8 nm的图像对茎秆进行判别效果更好; 而利用753.5 nm处的图像用迭代阈值虫孔提取方法, 虫害的茎秆数误判数为0, 检测正确率为100%; 在753.5 nm中正常茎秆误判数为4个, 检测正确率为93.3%, 最终得到的全部检测正确率为96.7%。 所以在实际判定的分选过程中只需要用最优波长753.5 nm处的图像来对未知的水稻茎秆样品进行定性判别。

表2

Table 2

表2(Table 2)

表2 两种检测方法检测结果 Table 2 Results obtained by two detection methods 检测方法 检测波段 正常水稻 茎秆(60个) 检测正确 率/% 虫害水稻 茎秆(60个) 检测正确 率/% 整体检测 正确率/% 基于PCA特征波段检测 668.8 nm处误判数 5 91.7 0 100 95.8 750 nm处误判数 8 86.7 0 100 93.3 基于迭代阈值的最优波段检测 753.5 nm处误判数 4 93.3 0 100 96.7

表2 两种检测方法检测结果 Table 2 Results obtained by two detection methods