图像亮度信息法选取多光谱莲花白叶片特征波段

曹鹏飞 彭昌宁

摘要： 利用液晶可调谐滤波器（LCTF）和CMOS相机组合的多光谱成像系统，在波长400～720 nm 内以5 nm为间隔对莲花白叶片进行多光谱成像。首先根据图像亮度信息法的原理，计算得到各波段莲花白叶片的可识别度；然后对莲花白叶片的可识别度进行大小排序，综合图像的信息特征和可识别度，得出555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm 9个波段有较好的识别度；最后根据欧氏距离法和光谱角度匹配法分别对莲花白叶片的特征波段的分类精度予以统计，得到两种方法的分类精度分别为95.56%和93.13%。实验证明，选取的9个波段对莲花白叶片具有较好的分类精度，可作为莲花白叶片的特征波段。

关键词：特征波段； 多光谱成像； 莲花白叶片； 分类精度

中图分类号： O 439 文献标志码： 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

我国地域辽阔，蔬菜种类繁多，莲花白因其营养丰富已在全国大面积种植，且产量喜人。如何快速远距离、大面积地获取莲花白信息，对及时指导和调控作物生长及产量意义重大[1 2]。多光谱成像技术以其实现简单、图谱合一等特点在信息获取与处理[3 5]领域显得尤为有用。多光谱成像系统能够以较多的通道为作物特征识别提供丰富的光谱维和空间维信息，但波段过多往往使得数据冗余度大、波段间相关性强、计算耗时等。因此，必须从大量的成像光谱数据中选择出有效的特征波段才能对农作物进行快速识别和分类。图像亮度信息法能够从大量成像光谱数据中获取有效特征信息，近年来已在信息获取与处理领域得到广泛应用[6 9]，液晶可调谐滤波器（liquid crystal tunable filter，LCTF）和CMOS黑白数字相机结合能够获取目标的多光谱信息，近年来已逐步应用于农作物的特征信息获取，本文采用此方法研究莲花白叶片的特征波段获取与分类。

1 实验原理和分类方法

1.1 特征波段选取原理

基于LCTF和CMOS黑白数字相机组成的多光谱成像系统，选取莲花白叶片特征波段的原理如图1所示。

成像系统主要由光学镜头、LCTF、CMOS黑白数字相机、计算机软件和硬件等部分组成。其中LCTF使用美国CRI公司的VariSpecTM（VIS 07 20），波段范围为400～720 nm，带宽（FWHM）为10 nm，半角可视范围为7.5°，响应时间为50 ms；CMOS相机的型号为SunTime 500 B，其有效像素为2 592×1 944，像元尺寸为2.2 μm×2.2 μm。在一定环境下，通过计算机软件系统调整参数，利用LCTF調谐波段，用CMOS对实验样本成像，将成像数据传至计算机存储，对存储数据利用图像亮度信息法进行处理得到特征波段，最后统计出特征波段的分类精度。

（3） 分类精度评价

分类精度评价是在所有样本分类后进行的，根据目标真实的数据，统计分类的准确性。每个类别参与统计的像元数量难以统一规定，参与统计的像元应尽量多，至少要有50个[13]。分类的精度指标包含分类精度、使用者与生产者精度和Kappa系数，在实际评价时可根据需要采用不同的精度指标。

2 结果与分析

为获得各波段莲花白叶片图像的灰度值和参考白板图像的灰度值，选取了图2所示的1#～5#叶片区域及白板区域。得到参考白板和莲花白叶片选取区域的平均灰度值曲线，如图3所示。

从图像的亮度信息角度对莲花白叶片数据进行定量分析，根据式（4）分别计算了5个选取样本的可识别度Di。考虑到计算结果数据量大，只给出有较大可识别度的部分波段的样本，如表1所示。对每个样本按各波段识别度由大到小进行排序，结果见表2。

根据表2中可识别度排序，并与其他可识别度较小的波段相比，有9个波段的可识别度较大，其中波段555 nm、715 nm和710 nm具有最佳的识别度，其次分别是575 nm、535 nm、520nm、720 nm、605 nm和650 nm。综合所有莲花白样本，其他波段的Di值较小，即可识别度均较低。因此，根据图像亮度信息法选取的以上波段可以作为莲花白叶片的特征波段。

数据用作对莲花白叶片进行分类。对实验数据分为训练样本集和测试样本集，分别计算每一个测试样本与所有训练样本的欧氏距离和角度；根据最短距离和最小角度，从全波段和特征波段对莲花白叶片测试样本予以分类，其分类精度统计结果如表3所示。

从表3可以得出：与莲花白叶片的全波段分类精度相比，实验获取的特征波段对于莲花白叶片的分类精度均大于93.00%，分类精度均较高。所以，基于图像亮度信息法获取的特征波段对莲花白叶片的分类精度比较理想。

3 结 论

利用自行搭建的多光谱成像系统对莲花白叶片进行多光谱图像采集，通过图像亮度信息法对400～720 nm波段范围的多光谱图像进行特征波段选取。根据图像中各波段的可识别度计算和排序，从大量的多光谱数据中得出特征波段555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm的分类精度比较理想且分类精度大于93.00%，选取的特征波段的多光谱图像亮度信息丰富，可识别度较高。因此，通过图像亮度信息法选取特征波段为莲花白叶片的快速识别提供了一种方法，也为农作物的研究提供了参考。

参考文献：

[1] 冯洁，廖宁放，赵波，等.多光谱成像技术诊断植物病虫害的人工神经网络模型[J].光学技术，2008，34（5）：717 720.

[2] 林文鹏，王长耀，储德平，等.基于光谱特征分析的主要秋季作物类型提取研究[J].农业工程学报，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] 冯洁，李宏宁，刘微，等.用亮度信息提取黄瓜霜霉病害窄带多光谱图像特征波段[J].中国激光，2011，38（增刊1）：S109003.

[7] 曹鹏飞.基于光谱成像技术的农作物特征波段提取与分类研究[D].昆明：云南师范大学，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] 曹鹏飞，李宏宁，罗艳琳，等.基于多光谱成像选取四季豆叶片的特征波段[J].激光与光电子学进展，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，陳书海，严卫东.SAM法在多光谱图像分类中的应用[J].中国体视学与图像分析，2005，10（1）：55 60.

[13] 赵时英.遥感应用分析原理与方法[M].北京：科学出版社，2003.

（编辑：刘铁英）