基于高光谱图像的小麦种子年份鉴别分析

一、 引言

小麦是世界分布范围最广的粮食作物之一，2011年，我国冬小麦播种面积

达2.46亿公顷，冬小麦产量128188万吨(中华人民共和国统计局，2011)，在我国小麦的种植面积和产量仅次于水稻。小麦种子的发芽率对小麦的增产增收至关重要，而小麦种子的发芽率与小麦种子的储藏年份有着密切关系，一般而言，随着储藏年份的增加，小麦种子的发芽率降低，因此小麦种子的储藏年份的鉴别研究具有重要意义。传统鉴别小麦种子储藏年份的方法靠经验丰富的农艺家闻种子的味道，看种子的成色，这样的方法费时费力，而且误差较大。成像高光谱技术融合了图形技术和光谱技术的优势，能够同时获取反映待测样本外部特征、内部物理结构及化学成分的图像信息和光谱信息，已经被广泛应用到农产品无损检测领域，在农药残留检测、内外部品质预测等应用领域涌现了大量研究成果，但运用成像高光谱技术对作物种子年份的鉴定研究鲜有报道。本研究以小麦种子为例，利用成像高光谱技术鉴定小麦种子的年份，为农产品时间鉴定提供一种新的技术参考。

二、材料分析

本文以四川粮食所提供的小麦种子为研究对象，利用四川双利合谱科技有限公司的高光谱分选仪Gaia sorter（光谱范围400 nm - 1000 nm）采集测试对象的高光谱数据，以鉴别不同年份的小麦种子。

2.1  成像高光谱设备

 高光谱成像数据采集采用四川双利合谱科技有限公司的 GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪(V10E)、CCD 相机、光源、暗箱、计算机组成，结构图与实景图如图1。实验仪器参数设置如表1。

表1   GaiaSorter 高光谱分选仪系统参数

图 1  GaiaSorter 高光谱分选仪结构图与实景图

2.2  图像预处理

对成像高光谱分选仪采集的小麦原始影像数据进行数据的预处理，预处理过程主要包括两部分。第一部分是辐射定标；第二部分为噪声去除。

首先进行辐射定标。辐射定标的计算公式如1所示。

                   (1)

其中，Ref_target为目标物的反射率，Ref_panel为标准参考板的反射率，DN_target为原始影像中目标物的的数值，DN_panel为原始影像中标准参考板的数值，DN_dark为成像光谱仪系统误差。

其次是噪声去除，本文运用国外较为常用的最小噪声分离方法(Minimum Noise Fraction Rotation， MNF)进行噪声去除。最小噪声分离工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。图2为MNF降噪前后的光谱反射率变化。

图2  MNF变换前(左)后(右)高光谱影像反射率的变化

三、数据分析与结果

     图3为不同年份的小麦种子的高光谱图像RGB合成图。左图为1995、2008、2009、2010、2011、2012、2013、2014共8年的小麦种子，右图为2010、2011、2012、2013、2014共5年的小麦种子.

图3 小麦种子的RGB图像

根据数据分析的需要，分别截图含小麦区域的高光谱影像数据，并利用小麦种子与背景的光谱差异性，提取纯小麦种子，如图4所示。

图4  纯小麦种子的RGB图像

为了更为客观地不同年份的小麦种子的内部信息，对经预处理后的高光谱数据进行主成分分析（Principal Component Analysis, PCA），去除波段之间的多余信息、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下。一般情况下，第一主成分包含波段中的80%的方差信息，前三个主成分包含了所有波段的中95%以上的信息量。由于各波段之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像。图5为不同年份小麦种子高光谱影像PCA的合成彩色图。从左图可知，除2011年外，其他年份的小麦种子总体颜色呈规律变化；从右图可知，除2012年外，其他年份的小麦种子总体颜色也呈规律变化。

图5 小麦种子的PCA合成图（前三主成分）

PCA变换的RGB彩色合成，让我们更客观地看到不同年份小麦种子在图像显示上的差别，为了进一步分析不同年份小麦种子的差别，分别提取不同年份的小麦种子，在提取不同年份小麦种子的基础上分别提取其均值、标准差等特征，不同年份的小麦种子的均值、标准差变化如图6所示。从图6可知，无论是小麦种子的均值或标准差，其不同年份的小麦种子光谱曲线非常一致。从均值来看，在500 nm处不同年份的小麦种子区分相对明显；从标准差来看，700 nm处不同年份的小麦种子区分相对明显。因此本研究利用这两波段分别构建NDVI和EVI光谱指数，NDVI和EVI的计算公式如下所示：

图 6  不同年份小麦均值、标准差的光谱特征变化

以NDVI光谱指数为例，分析不同年份小麦种子之间的图像显示差异。从图7可知，作图除2011年，右图除2012年，其他年份的小麦种子图像显示颜色呈规律变化。以NDVI图为例，年份越久的小麦种子呈蓝色，年份处于中间年份为绿色，最近年份的成红色。

分别分析NDVI、EVI两个光谱指数与其相对应年份的曲线变化图，如图8所示。从图8可知，无论是NDVI还是EVI，随着小麦种子收藏年份的增加，从总体变化趋势来看，其NDVI和EVI值增加。

图 7   不同年份小麦种子的NDVI密度分割图

图 8  不同年份小麦种子NDVI、EVI随年份的变化规律

    从PCA的彩色合成、NDVI图以及NDVI、EVI与年份之间的变化曲线可知，作图的2011年小麦种子，右图的2012年小麦种子，与整体的变化趋势不一样，故在分析NDVI、EVI与年份之间的关系时，删除异常年份数据。下面以左图7年的小麦种子为建模数据，右图4年的小麦种子为检验数据，根据建模数据的建模模型，验证模型的可靠性。如图9为NDVI、EVI与其相对应年份的的散点图及其趋势线，从图9可知，NDVI与其对应年份的决定系数为0.7624，EVI与其对应年份的决定系数为0.8585，从中可知，EVI与其相对应年份构建的模型的决定系数高于NDVI。

图 9 NDVI、EVI与其相对应年份的散点图

利用图9所得到的NDVI的建模模型y=-118.48x + 2051.5和EVI的建模模型y=-9.312x +2027.7来预测右图2010、2011、2013、2014共4年的小麦种子的年份，预测年份与实际年份的1:1图如图10所示，从图10可知，预测年份取整数部分，无论是NDVI还是EVI，其预测年份与实际年份完全一致，如取四舍五入取整，NDVI构建的模型有两年的预测年份超过实际年份1年，EVI构建的模型则有1年的预测年份超过实际年份1年。

图 10  NDVI、EVI模型的预测年份与实际年份的1:1图

备注：由于数据量有限，本研究的结果只能用于参考，非论文发表数据！