基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究

《基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、2结果与分析2.1单因子特征分析根据样本图像提取水稻叶片纹理、顔色、形状特征.然后对特征指数进行!H•化处理.统计結果见图1，极度缺磷、微处缺磷、止常磷的匚个水平分别以Pl,P2和P3表示.不同磷索水平和不同位55的水稻叶片样木特征之间存在羞异.12345678910111213141516!7181920212223242526—PI——-PJFig.1Analysisofdifferentfeatureindices1：R;2：G；3：B；4：H；5,St6,h7：G/Bi8：均值；9：方差；10：傾斜度;II：第度；12：

2、能g：13t对比度：14：二阶炉；⑸爛；16,尺轴「7：短轴：18：面积$19：周长$20：偵心竹21：矩形度&22,面积凹凸比；23：圖形度；24「形状参数；25：周长WI形度；26：面积/周长各类别的指数中.形状指数儿F对所冇磷索水乎和叶位的叶片祁仃吏好的区分度；纹理指数对于区分P1水¥作用较为明显・并瞬索水平的水稻叶片中，P1水平在人部分形状描数•部分纹理和颜色指数方而滋杲期#・说明严朿缺硯的水稻叶片皿容易区分；P2与P3水平的区分哎较小•但吋作为区分曲个磷索水平的依据.各叶位的水稻叶片中.R・G和I滋色指数对三个水半都右

3、一崔的区分发，这可鹿会对区分三个水半起到匝要作用。此外第三叶在形状持征方而的与氏他两个位置的叶片龙界较大.H•体丧现点偏心率.矩形度、面积凸凹比等指数方面。颜色、纹理和形状指数能够区分不同叶位和不同磷索水半的水稻叶片，但是山于因子众多.很堆将冗余的指数左除來归纳对侮个叶位的叶片址敏感的指数，而II备指数之间町能“在相4内住联系，不能根据单个指数效果的优劣而融盘剧减指数.因此・需要结合有效的指数约简方法选择最冇效的指数集合・以达到对磷索缺失程度进行分类，进而进行评价的目的.2.2特征组合的优化与迭择利用CfsSubsetEval4

4、-Scattcrscarch方法対持征选择在木质卜是一个航新组合优化的问题.在原冇多种舒征组合中根据兼顾解的质帚和多样性的原则选择出较优的几个特征子集（表2）。H2中子集的特征指数以数字代桥.具体参照图1.从待征属性选择来看.颜色、纹理和形状指数对特征子集的选择都起到一定的作用.第一叶所选特征子集中各类指数的比例较为均術・经优化的第二叶特征孑集主要通过顔色和形状指数反映出來；第三叶待征了•集中则足顏色和纹理指数的作用明显大于形状指数.说明第1叶在光7和光谱转性方面较其他叶位的叶片更为明显°2.3樓式识别与精度评价根据特征屈件选抒

5、的站果.本文利用榊糙集的数据分折方法对不同硯背荷屛水卩的水稻叶片图像待征数据进行模式硕別•分为三种枫式：极缺、微缺、正仏打描数据分成闻部分••部分作为训练样术.另外•部分作为测试样机用来对生成的识别规则进行检脸，识别将度见表3.Table2Sekvledfeaturesuijsetofriceleavesindifferentposition第一叶第二叶第三叶Merit子集Merit子袈Merit子集a6375[10]0.7937[2.6.14]0.7284[4.10]0.6163[10.13.14]0.7929[2.6.12J

6、4]0.6805[1.3.4.10]0.56310.7771L2.13.14•⑸0.6793[4]0.44690.7642[12.14]0.5894[1.4.5el5]0.4223[8J214]0.7501[2J2J3]0.4569[1<3]0.3925[2.5.6.I5]0.7276[2.15]0.4203[6.7]Table3AccuracjofpatternrecognitionPl/%P2/%P3/%第•叶1005&841.2第二叶10080.06&4第三叶10082.373.7丧3中识别榕度的结果弘爪：不同叶位.极度缺

7、磷状态的叶片识别率均为100%.飯缺和止常叶片的识别率从第•叶至第三叶的順序递增.因此.严鱼缺磷时.頂部三张叶片的衣现症状均吋作为诊斷依据.也就是说.三个叶位的叶片均能识別出极度缺瞬的状态•向傲域缺供或咅止常状态时,用為叶位的叶片进行识别的准呦率较髙；从不同缺磷水平来看，2个叶位的识别率都是从极缺到止常状态依次降低，由此町知,缺磷程度越严重.齐个叶位的症状表现也越明显.而对微蛍缺磷和正常状态的水稻叶片.识别率也越低.3结果与讨论本文以不同耀背养水半卜水稻顶部询•:张完全展开叶为研究对象・综合叶片图像的光谱信山提取缺确及止常营养状

8、态下叶片特征.分析不同磷素水平F，叶片顔色、纹理和形状待征的敏感性总#・并结合CfsSubsetEval+Scat-tcrscaruh方法对26种恃征进行优化组合和选择•由结泉町刘不同顔色、纹理和形状因子都对特征子集的选择提供了匝要依据.根据不同叶位的不同特征组