基于SVM算法和超色调的高光谱图像中的绿色植物分割
绿色植物分割在基于高光谱的植物表型分析中起着重要的作用,然而,这一主题并没有得到足够的重视。现有的图像分割方法依赖于数据类型、植物和背景,可能没有利用高光谱数据的能力。本文提出了一种单类支持向量机分类器,结合超色调预处理方法对高光谱图像中的绿色植物像素进行分割。实验结果表明,该方法能够以较小的误差从背景中分割出绿色植物,因此可以作为基于高光谱的绿色植物分割的通用方法。
为了评估步骤4中超色调的贡献,应用了另一个使用类似训练过程而忽略步骤4的模型,在本文中被命名为REF。首先,使用验证数据对模型进行验证,误差列于表 1,其中 FP、FN 和 MIS 分别代表假阳性率、假阴性率和误分类率。表 1 表明,与 REF 方法相比,HH 方法可以将误差降低到较低阶的水平。超色调与饱和度和强度无关,因此受局部表面角度偏差和植物自身阴影不稳定照明的影响较小。此外,超色调可以增加类间距离。接下来,使用小麦、大麦、棉花、箭叶三叶草和澳大利亚金丝雀草的高光谱图像对模型进行了测试。对于每个物种,随机选择独立于训练和验证数据的高光谱图像进行测试。首先使用Photoshop软件对图像进行手动分割,然后与自动分割进行比较。在 VNIR 数据中,比较了几个广为接受的植被指数,包括 NDVI、GNDVI、EVI等,发现使用阈值为0.3的 EVI 的方法可以提供最佳分割。在VNIR数据中测试了EVI、REF和HH方法的性能,而在SWIR数据中仅测试了REF和HH方法的性能。误分类率绘制在图1和图2中,它们表明HH方法显著减少了误差。图3显示了REF和HH方法在SWIR数据中分割大麦的测试图像。
表1.SVM 模型验证的误差率
图1.VNIR 测试数据中的错误分类率
图2.SWIR 测试数据中的错误分类率
在测试数据中,错误率高于验证数据。有几个因素可能导致测试数据的错误率较高。首先,在人工分割中,叶子边缘的像素被分类为前景,而在自动分类中,这些像素可以被分类为背景,因为这些像素的光谱特征是背景和植物的混合。其次,手动分割可能会有错误,特别是对于小麦和大麦这种窄叶植物。分割后的图像将被进一步处理,以分析植物中的营养分布,包括氮、磷等。分割的精度可以满足这一要求。使用较大的训练数据来训练更复杂的模型,如人工神经网络(ANN)或深度ANN,将获得相同或更好的结果,但是,当考虑到劳动力和数据收集成本时,最好使用较小的数据集来训练具有可接受精度的模型。
图3.SWIR数据中大麦分割REF和HH方法的测试图像(红色标记为植物轮廓)
更多
博普特合作伙伴Videometer参加ISTA成立100周年种子会议
厂商
2024.07.29
科学家利用博普特合作伙伴Videometer的多光谱成像系统发表糖衣替代物研究文章
厂商
2024.06.04
博普特成功参展2024植物表型组学青年科学家论坛
厂商
2024.05.31
博普特合作伙伴STEPS成功参展第26届中国国际花卉园艺展览会
厂商
2024.05.29