本發(fā)明涉及一種檀香樹干蟲害損傷程度等級(jí)圖像判別方法,屬于森林經(jīng)理和森林經(jīng)營領(lǐng)域。
背景技術(shù)：
檀香是稀有的珍貴樹種之一，具有非常好的藥用、心理、生理、美容等功效，近年來華南等地得到了大量栽植。但檀香樹是一種半寄生植物，必須有其它寄主植物才能健康生長，而且在氣溫或者環(huán)境不宜等情況下，檀香易受到危害根部的苗立枯病、根腐病以及危害葉片的葉灰斑病、白粉病、桑寄生粉蝶、金龜子和危害莖干的咖啡豹蠹蛾等的危害，因此，實(shí)時(shí)監(jiān)測(cè)檀香健康狀態(tài)并及時(shí)采取相應(yīng)措施是關(guān)系到檀香經(jīng)營成敗的重要手段。
近些年來，物聯(lián)網(wǎng)技術(shù)的發(fā)展為林業(yè)監(jiān)測(cè)提供了新的方法，在檀香生長林內(nèi)布設(shè)有多臺(tái)Filed Server，每臺(tái)設(shè)備上的相機(jī)在水平方向可以進(jìn)行360°旋轉(zhuǎn)，垂直方向可以進(jìn)行270°旋轉(zhuǎn)。儀器設(shè)置為每10s獲取一組圖像數(shù)據(jù)。這樣的方式使得經(jīng)營者可以獲取大量的數(shù)據(jù)，但是計(jì)算機(jī)無法做到對(duì)檀香做蟲害等級(jí)預(yù)估。所以充分利用這些大量的圖像數(shù)據(jù)成為研究的重點(diǎn)。由于檀香樹干受到蟲害的侵蝕，通常會(huì)造成沖孔或樹皮脫落等情況，使得受蟲害破壞的樹干紋理與正常紋理之間有很大的差別。如何利用獲取的圖像進(jìn)行圖像分割以及如何建立受蟲害損傷程度與所提取參數(shù)之間的函數(shù)關(guān)系成為兩大難點(diǎn)。
圖像分割是指將目標(biāo)從背景中提取出來，是進(jìn)行圖像理解和視覺技術(shù)的基礎(chǔ)，經(jīng)過幾十年的發(fā)展，圖像分割技術(shù)有成千上萬種算法，但總體可以歸為四類：閾值分割算法、空間聚類分割算法、基于區(qū)域的分割算法和基于活動(dòng)輪廓模型的分割算法。
閾值分割算法中最簡(jiǎn)單的是單閾值分割，是指在圖像的灰度范圍內(nèi)選擇一個(gè)灰度閾值，將圖像中每個(gè)像素的灰度值與該閾值做比較，大于該閾值的歸為一類，小于該閾值的歸為另一類，等于該閾值的像素可以歸為任意一類，但是要統(tǒng)一。常見的閾值分割算法有大津法、迭代式閾值法、全局閾值法等。
空間聚類分割算法是把圖像分割的過程看做是在由原始圖像的灰度、紋理以及其他統(tǒng)計(jì)參數(shù)共同構(gòu)成的多維特征空間中進(jìn)行聚類分析。通過對(duì)不同特征變量的選擇，被識(shí)別的對(duì)象點(diǎn)就會(huì)在特征空間中聚集成團(tuán)。聚類分析的一般過程為用適當(dāng)?shù)南嗨菩詼?zhǔn)則對(duì)圖像像素分類，用類間距離等測(cè)度對(duì)所分的子類檢測(cè)，看彼此是否能明顯分開，如果不能，就要對(duì)某些子類進(jìn)行合并。反復(fù)對(duì)生成的結(jié)果再分類、檢測(cè)和合并，直到?jīng)]有新的子類生成或滿足某一條件為止。聚類的方法很多，最常見的是K-均值聚類和ISODATA聚類。
基于區(qū)域的分割算法是利用圖像的若干性質(zhì)，比如顏色、紋理、空間位置關(guān)系等，分割出來的屬于同一區(qū)域的像素應(yīng)具有相似的性質(zhì)。它在復(fù)雜對(duì)象的分割方面往往能顯示較好的性能。傳統(tǒng)的基于區(qū)域的分割法有區(qū)域生長法和區(qū)域分裂合并法。
基于活動(dòng)輪廓模型分割算法的初始模型是在圖像上給出的一條對(duì)應(yīng)對(duì)象邊界大概位置的閉曲線(二維)或閉曲面(三維)，然后曲線在由輪廓自身特征決定的內(nèi)部能量(內(nèi)部力)和圖像特征決定的外部能量(外部力)共同作用下移動(dòng)，當(dāng)能量最小時(shí)最終停止于所要尋找的物體邊緣附近。形變模型正是融合了外部輪廓線的知識(shí)和內(nèi)部圖像自身的特征，使得它成為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。常用的模型有參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型。
盡管圖像分割有上千種算法，但是由于圖像的千差萬別，沒有一種通用的算法，尤其林業(yè)圖像相對(duì)復(fù)雜，不僅具有復(fù)雜的生物屬性，也包含了多變的自然屬性。同時(shí)，大部分圖像分類算法使用于分布比較均勻的基準(zhǔn)紋理或者比較宏觀的遙感影像，用于林木病蟲害圖像方面研究則比較少，加之檀香是半寄生樹種，寄主植物會(huì)對(duì)前景分割造成巨大的影響，更增加了分割的難度。而且很少有從圖像的角度建立模型估計(jì)檀香受蟲害破壞程度，所以急需一種成本低、易操作、精度高的方法從圖像的角度對(duì)檀香樹蟲害等級(jí)進(jìn)行判別。
技術(shù)實(shí)現(xiàn)要素：
為了克服現(xiàn)有技術(shù)的不足,本發(fā)明提供一種檀香樹干蟲害損傷程度等級(jí)圖像判別方法。
一種檀香樹干蟲害損傷程度等級(jí)圖像判別方法，含有以下步驟；
檀香樹干蟲害損傷程度預(yù)估模型的建立；
檀香樹干蟲害損傷程度預(yù)測(cè)目的的自變量提取；
檀香樹干蟲害損傷程度等級(jí)的判斷。
本發(fā)明的優(yōu)點(diǎn)是經(jīng)營者可以通過獲取的檀香圖像來估算檀香樹干的受蟲害程度，科學(xué)的針對(duì)每一棵檀香樹進(jìn)行防止，進(jìn)而保證檀香的存活率和生長質(zhì)量。此方法從圖像分析角度實(shí)現(xiàn)了檀香樹干蟲害程度的估測(cè)，速度快，精度高，及其使用于當(dāng)前的檀香珍貴樹種的栽培。
附圖說明
當(dāng)結(jié)合附圖考慮時(shí)，通過參照下面的詳細(xì)描述，能夠更完整更好地理解本發(fā)明以及容易得知其中許多伴隨的優(yōu)點(diǎn)，但此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定，如圖其中：
圖1為本發(fā)明的流程圖。
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。
具體實(shí)施方式
顯然，本領(lǐng)域技術(shù)人員基于本發(fā)明的宗旨所做的許多修改和變化屬于本發(fā)明的保護(hù)范圍。
本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式“一”、“一個(gè)”、“所述”和“該”也可包括復(fù)數(shù)形式。本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語(包括技術(shù)術(shù)語和科學(xué)術(shù)語)具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。
實(shí)施例1：如圖1所示，本發(fā)明的實(shí)施例提供了一種檀香樹干蟲害損傷程度等級(jí)圖像判別方法，可以科學(xué)的針對(duì)每一棵檀香樹進(jìn)行的防止，進(jìn)而保證檀香的存活率和生長質(zhì)量。
一種檀香樹干蟲害損傷程度等級(jí)圖像判別方法，包括：建立檀香樹干受蟲害損傷程度預(yù)估模型；對(duì)檀香樹干圖像隨機(jī)進(jìn)行圖像取樣xi(i＝1,2,…,n)，大小為64×64像素；代入模型計(jì)算受蟲害損傷程度估計(jì)值(i＝1,2,…,n)；計(jì)算整棵樹的估計(jì)受蟲害損傷程度(i＝1,2,…,n)。
所述建立檀香樹干受蟲害損傷程度預(yù)估模型具體包括：
使用Photoshop CS5手動(dòng)截取檀香樹干部分的圖像80張，其中40張作為訓(xùn)練樣本，40張作為測(cè)試樣本，每張圖像大小為64×64像素；
使用Photoshop CS5手動(dòng)將正常蟲害部分區(qū)分開，計(jì)算蟲害統(tǒng)計(jì)蟲害和正常的像素個(gè)數(shù)，計(jì)算蟲害像素占總像素的比例。
對(duì)原圖像RGB像素統(tǒng)計(jì)，計(jì)算R分量占RGB的比例，即計(jì)算R/R+G+B。
確定所用紋理特征，計(jì)算訓(xùn)練樣本的灰度共生矩陣值；
對(duì)所有訓(xùn)練樣本紋理特征的灰度共生矩陣值做主成分分析，確定所取主成分的數(shù)量；
建立一元非線性回歸方程，找出所取主成分與受蟲害損傷程度之間的函數(shù)關(guān)系；
使用測(cè)試樣本檢驗(yàn)?zāi)Ｐ偷木取?/p>
所述確定所用紋理特征，計(jì)算灰度共生矩陣值具體包括：
灰度共生矩陣可以提取出14種紋理特征，分別為紋理二階距、紋理熵、紋理對(duì)比度、紋理均勻性、紋理相關(guān)、逆差分距、最大概率、紋理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。對(duì)這些紋理特征進(jìn)行了測(cè)試，最終選出較好的能量值、熵值、對(duì)比度、相關(guān)性四種紋理特征作為進(jìn)一步研究的參數(shù)；
在利用灰度共生矩陣計(jì)算特征值時(shí)，使用MATLAB R2012a工具首先將彩色圖像轉(zhuǎn)換為灰度圖像，然后進(jìn)行灰度級(jí)稀疏化和紋理參數(shù)計(jì)算。由于圖像灰度共生矩陣的計(jì)算量是由圖像的灰度級(jí)以及圖像的大小決定的，而試驗(yàn)選取的訓(xùn)練樣本均為64×64像素大小，所以在不影響紋理特征的前提下需要將灰度級(jí)進(jìn)行壓縮，通常將256級(jí)壓縮為8級(jí)或16級(jí)，在本研究中壓縮到16級(jí)。對(duì)圖像作為預(yù)處理后，進(jìn)行灰度共生矩陣特征值的計(jì)算。選擇步長為1，方向分別為1°、45°、90°、135°。對(duì)共生矩陣進(jìn)行歸一化，求出能量值、熵值、對(duì)比度、相關(guān)性四個(gè)紋理特征值，但是為了避免特征值在某一方向具體片面性，而且對(duì)4個(gè)方向上的4個(gè)紋理特征值進(jìn)行分析的過程過于冗長，所以選擇計(jì)算能量值、熵值、對(duì)比度、相關(guān)性的均值和方差作為最終的8維紋理特征。
所述對(duì)所有紋理特征的灰度共生矩陣值做主成分分析，確定所取主成分的數(shù)量具體包括：
首先將獲取的8維紋理特征值進(jìn)行標(biāo)準(zhǔn)化；
對(duì)標(biāo)準(zhǔn)化后的8維紋理特征值做主成分分析，觀察得到前三個(gè)主成分累積貢獻(xiàn)率達(dá)到92％，超過85％，則說明前三個(gè)主成分具有代表性；
將每一組數(shù)據(jù)的主成分坐標(biāo)記錄下來，生成新的數(shù)據(jù)；
所述建立一元非線性回歸方程，找出所取主成分與受蟲害損傷程度之間的函數(shù)關(guān)系具體包括：
自變量為樹干受蟲害程度(Y值)，因變量有4個(gè)，分別為前三個(gè)主成分和R/R+G+B，模型的形式為
其中x1為主成分1的值，x2為主成分2的值，x3為主成分3的值，x4為紅色分量占整個(gè)RGB系統(tǒng)的比值，即R/R+G+B。
該模型中A＝0.095896，B＝-0.168075，C＝-0.232601，D＝15.453892，a1＝174.918924，a2＝-120.939118，a3＝0.000708，a4＝0.709927，a5＝0.178487，a6＝-0.913193，a7＝0.054477，a8＝111.449919。使用該模型得到的相關(guān)系數(shù)可以達(dá)到91％，具有較高的擬合程度。
實(shí)施例2：如圖1所示，圖像分類在各個(gè)領(lǐng)域都有應(yīng)用，但不同的圖像分類算法針對(duì)不同的應(yīng)用情況，在判斷檀香生長是否正常方面沒有比較好的分類算法，并且在區(qū)分檀香蟲害的受害等級(jí)方面的研究很少。本實(shí)例利用正常檀香樹干圖像和蟲害樹干圖像在紋理方面的不同，進(jìn)行特征提取和變換，建立檀香樹干蟲害程度損傷模型。
對(duì)檀香的樹干圖像進(jìn)行隨機(jī)的圖像取樣xi(i＝1,2,..,n)，大小為64×64像素，代入到檀香樹干蟲害損傷模型中得到預(yù)估值最后求平均得到整棵樹的估計(jì)受蟲害損傷程度
如圖1所示，本實(shí)施例提供了一種檀香樹蟲害等級(jí)圖像判斷方法和裝置，包括如下步驟：
步驟101、建立檀香樹干受蟲害損傷程度預(yù)估模型；
步驟102、對(duì)檀香樹干隨機(jī)進(jìn)行圖像取樣xi(i＝1,2,..,n)；圖像為檀香樹干圖像，大小為64×64像素。
步驟103、代入模型計(jì)算受蟲害損傷度估計(jì)值
步驟104、估計(jì)整棵樹的估計(jì)受蟲害損傷度
下面分別介紹上述各個(gè)步驟。
在步驟101中，首先需要手動(dòng)截取40張64×64像素的圖像，將蟲害部分與正常部分分割開，計(jì)算蟲害部分占整個(gè)圖像的像素比例，得出受蟲害程度作為建模所需的因變量。
圖像特征的選擇。由于正常檀香樹干圖像和蟲害檀香樹干圖像在紋理方面有比較明顯差異，使用灰度共生矩陣提取紋理特征。雖然紋理特征有14種，但常用的有4種，分別為能量、熵值、對(duì)比度和相關(guān)性。首先需要將彩色圖像轉(zhuǎn)換為灰度圖像，為了減少計(jì)算量，需要將256級(jí)灰度級(jí)壓縮為16級(jí)，步長選擇1。方向?yàn)?°，45°，90°，135°，但是為了避免片面性，最終選擇4個(gè)方向的均值和方差組成8維紋理特征向量。
將計(jì)算得到的8維紋理特征進(jìn)行主成分分析進(jìn)行降維處理。首先進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的數(shù)據(jù)做主成分分析，前三個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到96％，則可以將8維紋理特征降為3維，取3維主成分作為3個(gè)自變量。
統(tǒng)計(jì)訓(xùn)練樣本RGB像素個(gè)數(shù)。由于蟲害致使檀香樹皮脫落，與正常生長的檀香樹干圖像相比，蟲害圖像的R分量比例明顯比較大。計(jì)算R/R+G+B作為第4個(gè)自變量。
建立檀香樹干蟲害損傷程度模型。根據(jù)計(jì)算得到的4個(gè)自變量和1個(gè)因變量進(jìn)行一元非線性回歸，模型公式為:
其中x1為主成分1的值，x2為主成分2的值，x3為主成分3的值，x4為紅色分量占整個(gè)RGB系統(tǒng)的比值，即R/R+G+B。
該模型中A＝0.095896，B＝-0.168075，C＝-0.232601，D＝15.453892，a1＝174.918924，a2＝-120.939118，a3＝0.000708，a4＝0.709927，a5＝0.178487，a6＝-0.913193，a7＝0.054477，a8＝111.449919。使用該模型得到的相關(guān)系數(shù)可以達(dá)到91％，具有較高的擬合程度。
在步驟102中的圖像在檀香樹干圖像上隨機(jī)所取，需要計(jì)算能量均值、能量方差、熵值均值、熵值方差、對(duì)比度均值、對(duì)比度方差、相關(guān)性均值、相關(guān)性方差，做主成分分析，提取前三個(gè)主成分。并需要計(jì)算R分量在RGB中所占比例R/R+G+B。
如上所述，對(duì)本發(fā)明的實(shí)施例進(jìn)行了詳細(xì)地說明，但是只要實(shí)質(zhì)上沒有脫離本發(fā)明的發(fā)明點(diǎn)及效果可以有很多的變形，這對(duì)本領(lǐng)域的技術(shù)人員來說是顯而易見的。因此，這樣的變形例也全部包含在本發(fā)明的保護(hù)范圍之內(nèi)。