專(zhuān)利名稱(chēng)：一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種葉脈識(shí)別方法，尤其涉及一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法。
背景技術(shù)：
葉片葉脈包含了非常重要的植物生理信息，提取植物葉脈是進(jìn)行植物建模和識(shí)別的關(guān)鍵步驟，葉脈識(shí)別也一直是研究的熱點(diǎn)。在進(jìn)行各種數(shù)字圖像處理操作之前，對(duì)原高光譜圖像做降維處理是非常重要的，獨(dú)立成分分析和主成分分析同屬該范疇。獨(dú)立成分分析或獨(dú)立分量分析(Independent components analysis,縮寫(xiě):ICA)是一種利用統(tǒng)計(jì)原理進(jìn)行計(jì)算的方法。它是一個(gè)線性變換，這個(gè)變換把數(shù)據(jù)或信號(hào)分離成統(tǒng)計(jì)獨(dú)立的非高斯的信號(hào)源的線性組合。但獨(dú)立成分分析并不能完全恢復(fù)信號(hào)源的具體數(shù)值，也不能解出信號(hào)源的正負(fù)符號(hào)、信號(hào)的級(jí)數(shù)或者信號(hào)的數(shù)值范圍。而主成分分析(Principal component analysis,PCA)是一種多元統(tǒng)計(jì)分析技術(shù)，其主要目的是將數(shù)據(jù)降維，排除信息冗余。它將原變量進(jìn)行變換，使少數(shù)幾個(gè)新變量是原變量的線性組合，這些新變量要盡可能多地表征原變量的數(shù)據(jù)結(jié)構(gòu)特征而不丟失信息，同時(shí)新變量滿(mǎn)足正交原則。對(duì)高光譜圖像做主成分分析運(yùn)算可以增強(qiáng)信息含量、隔離噪聲及減少數(shù)據(jù)維數(shù)。高光譜圖像中的多波段數(shù)據(jù)經(jīng)PCA變換后，第一個(gè)PC分量的特征值最大，包含最大量的信息，特征值較小的PC分量則包含較少的有用信息和較多的噪聲。通常特征值最大的前十個(gè)PC分量圖像已包含了幾乎所有的有用信息。現(xiàn)有技術(shù)中有報(bào)道分別采用獨(dú)立成分分析和主成分分析法進(jìn)行葉脈提取，首先對(duì)高光譜圖像進(jìn)行降維，經(jīng)降維處理后，再根據(jù)葉肉和葉脈葉綠素含量的不同來(lái)鑒別葉脈像素，并建立了葉綠素含量預(yù)測(cè)多線性回歸模型，但該模型應(yīng)用范圍較窄，不能獲得預(yù)期的效果O在以往的相關(guān)研究中，采用的實(shí)驗(yàn)對(duì)象都是健康的葉片，除了葉脈和葉肉固有的色差外，不存在其他的色差區(qū)域，有利于葉脈的識(shí)別。但是在實(shí)際應(yīng)用中，葉片往往都會(huì)遭受各種病蟲(chóng)害的侵?jǐn)_。遭受蟲(chóng)害危害的葉片葉綠素分布會(huì)不均勻，形成色差，同時(shí)會(huì)有細(xì)小的蟲(chóng)孔，在執(zhí)行現(xiàn)有的邊緣識(shí)別算法時(shí)，這些色彩不均勻區(qū)域的邊界和細(xì)小蟲(chóng)孔的邊界很容易與葉脈的邊緣同時(shí)被識(shí)別出來(lái)，難以避開(kāi)。

發(fā)明內(nèi)容
本發(fā)明提供了一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法，利用該算法能獲得輕度蟲(chóng)害葉片的完整葉脈圖像。一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法，包括:
(I)對(duì)原高光譜圖像做主成分分析，取前三個(gè)主成分分量代入RGB彩色空間，組成RGB圖像；(2)對(duì)RGB圖像依次做彩色邊緣檢測(cè)和二維邊緣檢測(cè)，獲得初始葉脈圖像；(3)對(duì)初始葉脈圖像依次做孔洞填充、線性空間濾波、連通標(biāo)注操作和線性空間濾波，將非葉脈邊緣像素過(guò)濾掉；(4)對(duì)過(guò)濾掉非葉脈邊緣像素的初始葉脈圖像做數(shù)學(xué)形態(tài)學(xué)處理，獲得最終葉脈圖像。本發(fā)明中所述的輕度蟲(chóng)害葉片，是指葉脈完整、葉肉被害蟲(chóng)侵蝕但仍保留至少80%葉肉面積的葉片。步驟(I)中，對(duì)原高光譜圖像中400 IOOOnm的波段圖像做主成分分析。原高光譜圖像經(jīng)PCA變換后，前三個(gè)PC分量(PCl、PC2、PC3)包含了原高光譜圖像中約99%的信息，將PC1、PC2、PC3分別看作是RGB空間中的紅、綠、藍(lán)分量，組成RGB圖像，再做進(jìn)一步的葉脈識(shí)別運(yùn)算，可最大程度地提取葉脈邊緣。步驟(2)中，所述的彩色邊緣檢測(cè)(RGB空間邊緣檢測(cè))是在彩色向量空間直接計(jì)算邊緣，可通過(guò)公式(1)-(7)進(jìn)行:
權(quán)利要求
1.一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法，其特征在于，包括: (1)對(duì)原高光譜圖像做主成分分析，取前三個(gè)主成分分量代入RGB彩色空間，組成RGB圖像； (2)對(duì)RGB圖像依次做彩色邊緣檢測(cè)和二維邊緣檢測(cè)，獲得初始葉脈圖像； (3)對(duì)初始葉脈圖像依次做孔洞填充、線性空間濾波、連通標(biāo)注操作和線性空間濾波，將非葉脈邊緣像素過(guò)濾掉； (4)對(duì)過(guò)濾掉非葉脈邊緣像素的初始葉脈圖像做數(shù)學(xué)形態(tài)學(xué)處理，獲得最終葉脈圖像。
2.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(I)中，對(duì)原高光譜圖像中400 IOOOnm的波段圖像做主成分分析。
3.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(2)中，采用Canny算子進(jìn)行二維邊緣檢測(cè)。
4.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(3)中，孔洞填充完成后，采用3X3像素的模板進(jìn)行過(guò)濾。
5.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(3)中，采用八連通標(biāo)注法進(jìn)行連通標(biāo)注操作。
6.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(3)中，連通標(biāo)注操作完成后，采用36X36像素的模板進(jìn)行過(guò)濾。
7.如權(quán)利要求1所述的葉脈識(shí)別方法，其特征在于，步驟(4)中，所述的數(shù)學(xué)形態(tài)學(xué)處理為膨脹處理。
8.如權(quán)利要求7所述的葉脈識(shí)別方法，其特征在于，選取邊長(zhǎng)為6的矩形結(jié)構(gòu)元素進(jìn)行膨脹處理。
全文摘要
本發(fā)明提供了一種基于主成分分析的輕度蟲(chóng)害葉片的葉脈識(shí)別方法，包括(1)對(duì)原高光譜圖像做主成分分析，取前三個(gè)主成分分量代入RGB彩色空間，組成RGB圖像；(2)對(duì)RGB圖像依次做彩色邊緣檢測(cè)和二維邊緣檢測(cè)，獲得初始葉脈圖像；(3)對(duì)初始葉脈圖像依次做孔洞填充、線性空間濾波、連通標(biāo)注操作和線性空間濾波，將非葉脈邊緣像素過(guò)濾掉；(4)對(duì)過(guò)濾掉非葉脈邊緣像素的初始葉脈圖像做數(shù)學(xué)形態(tài)學(xué)處理，獲得最終葉脈圖像。與現(xiàn)有技術(shù)相比，本發(fā)明先對(duì)輕度蟲(chóng)害葉片的原高光譜圖像進(jìn)行主成分分析，再進(jìn)行葉脈提取運(yùn)算，獲得的最終葉脈圖像中主脈和側(cè)脈能夠被完整識(shí)別，大部分的細(xì)脈也能被完整識(shí)別。
文檔編號(hào)G06K9/00GK103207989SQ20131008692
公開(kāi)日2013年7月17日 申請(qǐng)日期2013年3月18日 優(yōu)先權(quán)日2013年3月18日
發(fā)明者趙蕓, 徐興 申請(qǐng)人:浙江科技學(xué)院