高光谱成像鉴别油菜和杂草的分类方法

油菜是我国重要的食用油来源，居5大油料作物之首。我国是世界油菜主产国，油菜面积、产量均居世界第一。然而，油菜在生长过程中杂草危害比较严重。传统的化学除草一方面污染农业生态环境，而且除草剂使用效率比较低，因此正确识别杂草的关键便是实现除草剂的精确喷洒。

高光谱成像技术是一种融合了图像处理及光谱分析的新型技术，其中图像数据对农作物的表面损伤及外部特征可进行真实展现，而光谱数据则反映了作物内部的结构及成分。因此，近几年高光谱成像技术被越来越多地应用于杂草分类识别、农产品品质无损检测方面。

本工作采用多种预处理方和特征波长提取方法对油菜和杂草冠层的高光谱图像数据进行处理，分别建立了基于全谱和特征波长的分类模型。通过分析比较不同分类模型的结果，可以得到不同光谱采集时间、不同油菜品种对杂草分类识别的影响。

1实验部分

1.1样本

实验所用的油菜样本和四种杂草，分别为稗子、和萌、苘麻和三叶鬼针草，均为油菜田内常见的影响较大的杂草品种，且与油菜的生长周期类似。图1为试验中所使用样本的图像。

1.2光谱图像采集

应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。

油菜和杂草的高光谱信息采集共分为3次，依次定义为1,2和3。另外每次数据采集过程中，由于油菜和杂草都在生长，因此都需要对相机曝光时间、采集高度等内部参数进行调节从而获取相对失真最小的高光谱图像。表1为3次试验时的高光谱成像仪的内部参数。

1.3数据特征提取

对所研究的油菜和杂草的高光谱图像，提取每株植株的感兴趣区域以整个去除背景之后的样本区域为ROI,对ROI内计算并统计各波段的平均光谱，实现图谱变换用于最终的数据处理。提取ROI的原则之一是尽可能地去除非植株冠层的区域，使得冠层区域图像与背景图像进行高程度的分割。分割冠层的方法如下：

(1)分析比较ROI区域和非ROI区域的像素点对应的光谱信息，寻找能够区分这些点的波段，最终选取800 nm波段图像作为掩膜，并设置阈值进行二值化构建掩膜；

(2)掩膜图像中，背景区域变为0,而样本信息区域变为1,对原始高光谱图像进行掩膜，从而实现将背景区域去除的效果。图2为基于高光谱662,554和450 nm三个波段下RGB伪彩图的ROI获取过程。

1.4数据处理方法

1.4.1预处理方法

采用正态变量变换、去趋势化、多元散射校正、移动平均平滑法、多项式卷积平滑法、基线校正及归一化对样本的高光谱数据进行预处理。

1.4.2特征波长提取方法

采用主成分载荷、载荷系数法、回归系数法、连续投影算法分别进行特征波长提取。主成分载荷挑选特征波长，主要是基于在不同的主成分下载荷值表明了波长的不同重要程度，因此选择主成分载荷图中的峰谷值为特征波长；载荷系数法(x-LW)根据x-LW曲线挑选特征波长，其中绝对值较大且为波峰的波长即为特征波长；RC曲线中的波峰、波谷和拐点即为通过回归系数法)选择的特征波长12]。SPA对数据组包含的向量多次连续的投影进行分析，降低数据含量的冗余度，提升计算的效率和速度。

2结果与讨论

2.1油菜和杂草的平均光谱曲线

采集了380～1034 nm波长范围的512个波段的近红外光谱数据，由于噪声明显影响光谱的前端和后端，因此去除掉前后端两部分的噪声波段，采用453～934 nm之间380个波段的光谱进行分析，建立油菜和杂草的平均反射光谱曲线如图3所示。从图可知，油菜和四种杂草趋势相似，杂草曲线较为分散，鬼针草和油菜有重合，但在550 nm波峰处反射率有明显区分。

将样本按照3:1的比例分成建模集和预测集，其中建模集72个油菜和48个杂草样本，预测集24个油菜和16个杂草样本。其中需要注意的是，四种杂草在建模集中每种12个样本，预测集中每种四个样本。

2.2主成分分析定性分析

对油菜和杂草光谱数据进行主成分分析可知，三次试验PC1和PC2累计贡献率为99%,PC1和PC2能够解释绝大部分的变量[4],三次试验主成分得分分布图如图4所示。由图可知，得分图中油菜和杂草分别聚集在一起，进一步表明油菜和杂草可进行有效的鉴别，接下来继续利用光谱数据进行分析和处理。

2.3基于全波段的分类识别结果

对光谱进行De-trending预处理，基于三种算法进行全谱建模，识别精度如表3所示。由表3可知，PLS算法第二次试验分类效果未达到90.00%,SVM和ELM算法效果比较好，尤其是ELM算法分类精度最优，3次试验均达到了100.00%。

2.4特征波长的分类识别结果

基于De-trending预处理，将上述四种方法提取出的特征波长所对应的反射率作为输入变量，由于基于全谱的ELM模型判别效果在不同批次实验之间效果较优，因此基于特征波长建立ELM判别分析模型。其分类结果如表4所示。

从表4可知，四种提取方法均得到了比较好的分类效果，采用PCA loadings,x-loading weights及SPA提取的特征波长建立的识别模型的分类效果非常好，建模集和预测集的分类效果均达到了100.00%。