曹鵬飛 彭昌寧

摘要： 利用液晶可調(diào)諧濾波器（LCTF）和CMOS相機(jī)組合的多光譜成像系統(tǒng)，在波長(zhǎng)400～720 nm 內(nèi)以5 nm為間隔對(duì)蓮花白葉片進(jìn)行多光譜成像。首先根據(jù)圖像亮度信息法的原理，計(jì)算得到各波段蓮花白葉片的可識(shí)別度；然后對(duì)蓮花白葉片的可識(shí)別度進(jìn)行大小排序，綜合圖像的信息特征和可識(shí)別度，得出555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm 9個(gè)波段有較好的識(shí)別度；最后根據(jù)歐氏距離法和光譜角度匹配法分別對(duì)蓮花白葉片的特征波段的分類精度予以統(tǒng)計(jì)，得到兩種方法的分類精度分別為95.56%和93.13%。實(shí)驗(yàn)證明，選取的9個(gè)波段對(duì)蓮花白葉片具有較好的分類精度，可作為蓮花白葉片的特征波段。

關(guān)鍵詞：特征波段； 多光譜成像； 蓮花白葉片； 分類精度

中圖分類號(hào)： O 439 文獻(xiàn)標(biāo)志碼： A doi： 10.3969/j.issn.1005 5630.2018.03.007

Abstract：The experiment takes cabbage leaves as research object to capture images based on multi spectral imaging system with combination of liquid crystal tunable filter（LCTF） and CMOS camera by every 5 nm interval from 400 nm to 720 nm.Firstly，according to the principle of image brightness information，the value of distinguish degree for cabbage leaves are calculated for each band.Then，by sorting the values of distinguish degree for cabbage leaves，along with information features of the image and distinguish degree，it can be concluded that bands 555 nm，715 nm，710 nm，575 nm，535 nm，520 nm，720 nm，605 nm and 650 nm have better distinguish degree.Finally，the classification accuracy statistic of feature bands for cabbage leaves are 95 . 56% and 93 . 13% by using the principle of Euclidean distance and spectral angle match respectively.The experiment demonstrates that the nine bands are of ideal classification accuracy for cabbage leaves and these bands can be used as feature bands for cabbage leaves.

Keywords：feature band； multi spectral imaging； cabbage leaves； classification accuracy

引 言

我國(guó)地域遼闊，蔬菜種類繁多，蓮花白因其營(yíng)養(yǎng)豐富已在全國(guó)大面積種植，且產(chǎn)量喜人。如何快速遠(yuǎn)距離、大面積地獲取蓮花白信息，對(duì)及時(shí)指導(dǎo)和調(diào)控作物生長(zhǎng)及產(chǎn)量意義重大[1 2]。多光譜成像技術(shù)以其實(shí)現(xiàn)簡(jiǎn)單、圖譜合一等特點(diǎn)在信息獲取與處理[3 5]領(lǐng)域顯得尤為有用。多光譜成像系統(tǒng)能夠以較多的通道為作物特征識(shí)別提供豐富的光譜維和空間維信息，但波段過(guò)多往往使得數(shù)據(jù)冗余度大、波段間相關(guān)性強(qiáng)、計(jì)算耗時(shí)等。因此，必須從大量的成像光譜數(shù)據(jù)中選擇出有效的特征波段才能對(duì)農(nóng)作物進(jìn)行快速識(shí)別和分類。圖像亮度信息法能夠從大量成像光譜數(shù)據(jù)中獲取有效特征信息，近年來(lái)已在信息獲取與處理領(lǐng)域得到廣泛應(yīng)用[6 9]，液晶可調(diào)諧濾波器（liquid crystal tunable filter，LCTF）和CMOS黑白數(shù)字相機(jī)結(jié)合能夠獲取目標(biāo)的多光譜信息，近年來(lái)已逐步應(yīng)用于農(nóng)作物的特征信息獲取，本文采用此方法研究蓮花白葉片的特征波段獲取與分類。

1 實(shí)驗(yàn)原理和分類方法

1.1 特征波段選取原理

基于LCTF和CMOS黑白數(shù)字相機(jī)組成的多光譜成像系統(tǒng)，選取蓮花白葉片特征波段的原理如圖1所示。

成像系統(tǒng)主要由光學(xué)鏡頭、LCTF、CMOS黑白數(shù)字相機(jī)、計(jì)算機(jī)軟件和硬件等部分組成。其中LCTF使用美國(guó)CRI公司的VariSpecTM（VIS 07 20），波段范圍為400～720 nm，帶寬（FWHM）為10 nm，半角可視范圍為7.5°，響應(yīng)時(shí)間為50 ms；CMOS相機(jī)的型號(hào)為SunTime 500 B，其有效像素為2 592×1 944，像元尺寸為2.2 μm×2.2 μm。在一定環(huán)境下，通過(guò)計(jì)算機(jī)軟件系統(tǒng)調(diào)整參數(shù)，利用LCTF調(diào)諧波段，用CMOS對(duì)實(shí)驗(yàn)樣本成像，將成像數(shù)據(jù)傳至計(jì)算機(jī)存儲(chǔ)，對(duì)存儲(chǔ)數(shù)據(jù)利用圖像亮度信息法進(jìn)行處理得到特征波段，最后統(tǒng)計(jì)出特征波段的分類精度。

（3） 分類精度評(píng)價(jià)

分類精度評(píng)價(jià)是在所有樣本分類后進(jìn)行的，根據(jù)目標(biāo)真實(shí)的數(shù)據(jù)，統(tǒng)計(jì)分類的準(zhǔn)確性。每個(gè)類別參與統(tǒng)計(jì)的像元數(shù)量難以統(tǒng)一規(guī)定，參與統(tǒng)計(jì)的像元應(yīng)盡量多，至少要有50個(gè)[13]。分類的精度指標(biāo)包含分類精度、使用者與生產(chǎn)者精度和Kappa系數(shù)，在實(shí)際評(píng)價(jià)時(shí)可根據(jù)需要采用不同的精度指標(biāo)。

2 結(jié)果與分析

為獲得各波段蓮花白葉片圖像的灰度值和參考白板圖像的灰度值，選取了圖2所示的1#～5#葉片區(qū)域及白板區(qū)域。得到參考白板和蓮花白葉片選取區(qū)域的平均灰度值曲線，如圖3所示。

從圖像的亮度信息角度對(duì)蓮花白葉片數(shù)據(jù)進(jìn)行定量分析，根據(jù)式（4）分別計(jì)算了5個(gè)選取樣本的可識(shí)別度Di。考慮到計(jì)算結(jié)果數(shù)據(jù)量大，只給出有較大可識(shí)別度的部分波段的樣本，如表1所示。對(duì)每個(gè)樣本按各波段識(shí)別度由大到小進(jìn)行排序，結(jié)果見表2。

根據(jù)表2中可識(shí)別度排序，并與其他可識(shí)別度較小的波段相比，有9個(gè)波段的可識(shí)別度較大，其中波段555 nm、715 nm和710 nm具有最佳的識(shí)別度，其次分別是575 nm、535 nm、520nm、720 nm、605 nm和650 nm。綜合所有蓮花白樣本，其他波段的Di值較小，即可識(shí)別度均較低。因此，根據(jù)圖像亮度信息法選取的以上波段可以作為蓮花白葉片的特征波段。

數(shù)據(jù)用作對(duì)蓮花白葉片進(jìn)行分類。對(duì)實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練樣本集和測(cè)試樣本集，分別計(jì)算每一個(gè)測(cè)試樣本與所有訓(xùn)練樣本的歐氏距離和角度；根據(jù)最短距離和最小角度，從全波段和特征波段對(duì)蓮花白葉片測(cè)試樣本予以分類，其分類精度統(tǒng)計(jì)結(jié)果如表3所示。

從表3可以得出：與蓮花白葉片的全波段分類精度相比，實(shí)驗(yàn)獲取的特征波段對(duì)于蓮花白葉片的分類精度均大于93.00%，分類精度均較高。所以，基于圖像亮度信息法獲取的特征波段對(duì)蓮花白葉片的分類精度比較理想。

3 結(jié) 論

利用自行搭建的多光譜成像系統(tǒng)對(duì)蓮花白葉片進(jìn)行多光譜圖像采集，通過(guò)圖像亮度信息法對(duì)400～720 nm波段范圍的多光譜圖像進(jìn)行特征波段選取。根據(jù)圖像中各波段的可識(shí)別度計(jì)算和排序，從大量的多光譜數(shù)據(jù)中得出特征波段555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm的分類精度比較理想且分類精度大于93.00%，選取的特征波段的多光譜圖像亮度信息豐富，可識(shí)別度較高。因此，通過(guò)圖像亮度信息法選取特征波段為蓮花白葉片的快速識(shí)別提供了一種方法，也為農(nóng)作物的研究提供了參考。

參考文獻(xiàn)：

[1] 馮潔，廖寧放，趙波，等.多光譜成像技術(shù)診斷植物病蟲害的人工神經(jīng)網(wǎng)絡(luò)模型[J].光學(xué)技術(shù)，2008，34（5）：717 720.

[2] 林文鵬，王長(zhǎng)耀，儲(chǔ)德平，等.基于光譜特征分析的主要秋季作物類型提取研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2006，22（9）：128 132.

[3] CAO P F，LI H N，YANG W P，et al.Extracting feature bands for damaged rice leaves by planthoppers using multi spectral imaging technology[J].Agricultural Science & Technology，2014，14（11）：1642 1645.

[4] STEIDLEY C，BACHNAK R，DANNELLY R S，et al.A multi spectral imaging system for geo spatial applications[J].Journal of Computational Methods in Sciences and Engineering，2005，5（S1）：93 109.

[5] WANG H C，TSAI M T，CHIANG C P.Visual perception enhancement for detection of cancerous oral tissue by multi spectral imaging[J].Journal of Optics，2013，15（5）：055301.

[6] 馮潔，李宏寧，劉微，等.用亮度信息提取黃瓜霜霉病害窄帶多光譜圖像特征波段[J].中國(guó)激光，2011，38（增刊1）：S109003.

[7] 曹鵬飛.基于光譜成像技術(shù)的農(nóng)作物特征波段提取與分類研究[D].昆明：云南師范大學(xué)，2014：28 29.

[8] HARDEBERG J Y，SCHMITT F，BRETTEL H.Multispectral color image capture using a liquid crystal tunable filter[J].Optical Engineering，2002，41（10）：2532 2548.

[9] ZJAKIC I，PARAC OSTERMAN D，BATES I.New approach to metamerism measurement on halftone color images[J].Measurement，2011，44（8）：1441 1447.

[10] 曹鵬飛，李宏寧，羅艷琳，等.基于多光譜成像選取四季豆葉片的特征波段[J].激光與光電子學(xué)進(jìn)展，2014，51（1）：11101.

[11] YANG A，CAO T，LI R F，et al.A hybrid gene selection method for cancer classification based on clustering algorithm and euclidean distance[J].Journal of Computational and Theoretical Nanoscience，2012，9（4）：611 615.

[12] 安斌，陳書海，嚴(yán)衛(wèi)東.SAM法在多光譜圖像分類中的應(yīng)用[J].中國(guó)體視學(xué)與圖像分析，2005，10（1）：55 60.

[13] 趙時(shí)英.遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

（編輯：劉鐵英）