圖像亮度信息法選取多光譜蓮花白葉片特征波段

曹鵬飛 彭昌寧

摘要： 利用液晶可調諧濾波器（LCTF）和CMOS相機組合的多光譜成像系統，在波長400～720 nm 內以5 nm為間隔對蓮花白葉片進行多光譜成像。首先根據圖像亮度信息法的原理，計算得到各波段蓮花白葉片的可識別度；然后對蓮花白葉片的可識別度進行大小排序，綜合圖像的信息特征和可識別度，得出555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm 9個波段有較好的識別度；最后根據歐氏距離法和光譜角度匹配法分別對蓮花白葉片的特征波段的分類精度予以統計，得到兩種方法的分類精度分別為95.56%和93.13%。實驗證明，選取的9個波段對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： O 439 文獻標志碼： 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

我國地域遼闊，蔬菜種類繁多，蓮花白因其營養豐富已在全國大面積種植，且產量喜人。如何快速遠距離、大面積地獲取蓮花白信息，對及時指導和調控作物生長及產量意義重大[1 2]。多光譜成像技術以其實現簡單、圖譜合一等特點在信息獲取與處理[3 5]領域顯得尤為有用。多光譜成像系統能夠以較多的通道為作物特征識別提供豐富的光譜維和空間維信息，但波段過多往往使得數據冗余度大、波段間相關性強、計算耗時等。因此，必須從大量的成像光譜數據中選擇出有效的特征波段才能對農作物進行快速識別和分類。圖像亮度信息法能夠從大量成像光譜數據中獲取有效特征信息，近年來已在信息獲取與處理領域得到廣泛應用[6 9]，液晶可調諧濾波器（liquid crystal tunable filter，LCTF）和CMOS黑白數字相機結合能夠獲取目標的多光譜信息，近年來已逐步應用于農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 實驗原理和分類方法

1.1 特征波段選取原理

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

成像系統主要由光學鏡頭、LCTF、CMOS黑白數字相機、計算機軟件和硬件等部分組成。其中LCTF使用美國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°，響應時間為50 ms；CMOS相機的型號為SunTime 500 B，其有效像素為2 592×1 944，像元尺寸為2.2 μm×2.2 μm。在一定環境下，通過計算機軟件系統調整參數，利用LCTF調諧波段，用CMOS對實驗樣本成像，將成像數據傳至計算機存儲，對存儲數據利用圖像亮度信息法進行處理得到特征波段，最后統計出特征波段的分類精度。

（3） 分類精度評價

分類精度評價是在所有樣本分類后進行的，根據目標真實的數據，統計分類的準確性。每個類別參與統計的像元數量難以統一規定，參與統計的像元應盡量多，至少要有50個[13]。分類的精度指標包含分類精度、使用者與生產者精度和Kappa系數，在實際評價時可根據需要采用不同的精度指標。

2 結果與分析

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#葉片區域及白板區域。得到參考白板和蓮花白葉片選取區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蓮花白葉片數據進行定量分析，根據式（4）分別計算了5個選取樣本的可識別度Di。考慮到計算結果數據量大，只給出有較大可識別度的部分波段的樣本，如表1所示。對每個樣本按各波段識別度由大到小進行排序，結果見表2。

根據表2中可識別度排序，并與其他可識別度較小的波段相比，有9個波段的可識別度較大，其中波段555 nm、715 nm和710 nm具有最佳的識別度，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，即可識別度均較低。因此，根據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。

數據用作對蓮花白葉片進行分類。對實驗數據分為訓練樣本集和測試樣本集，分別計算每一個測試樣本與所有訓練樣本的歐氏距離和角度；根據最短距離和最小角度，從全波段和特征波段對蓮花白葉片測試樣本予以分類，其分類精度統計結果如表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，實驗獲取的特征波段對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蓮花白葉片的分類精度比較理想。

3 結 論

利用自行搭建的多光譜成像系統對蓮花白葉片進行多光譜圖像采集，通過圖像亮度信息法對400～720 nm波段范圍的多光譜圖像進行特征波段選取。根據圖像中各波段的可識別度計算和排序，從大量的多光譜數據中得出特征波段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，可識別度較高。因此，通過圖像亮度信息法選取特征波段為蓮花白葉片的快速識別提供了一種方法，也為農作物的研究提供了參考。

參考文獻：

[1] 馮潔，廖寧放，趙波，等.多光譜成像技術診斷植物病蟲害的人工神經網絡模型[J].光學技術，2008，34（5）：717 720.

[2] 林文鵬，王長耀，儲德平，等.基于光譜特征分析的主要秋季作物類型提取研究[J].農業工程學報，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].中國激光，2011，38（增刊1）：S109003.

[7] 曹鵬飛.基于光譜成像技術的農作物特征波段提取與分類研究[D].昆明：云南師范大學，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].激光與光電子學進展，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，嚴衛東.SAM法在多光譜圖像分類中的應用[J].中國體視學與圖像分析，2005，10（1）：55 60.

[13] 趙時英.遙感應用分析原理與方法[M].北京：科學出版社，2003.

（編輯：劉鐵英）