[发明专利]基于D‑S理论的多源数据融合柑橘黄龙病检测分类方法

权利要求书

1.基于D-S理论的多源数据融合柑橘黄龙病检测分类方法，其特征在于包括以下步骤：

1)利用高光谱图像采集平台、可见光谱图像采集平台和荧光谱图像采集平台采集到柑橘叶片样品的图像信息，对每种光谱采集的图像信息进行黄龙病症状的分类，得到三种光谱每一类症状的识别率；

所述可见光谱图像采集平台包括CCD相机和计算机，利用CCD相机直接对样品台上的柑橘叶片样品进行拍摄，将拍摄的图像传输到计算机中，在计算机中对所采集的可见光谱图像进行黄龙病症状的分类，得到可见光谱每一类症状的识别率；

对所采集的可见光谱图像进行黄龙病症状的分类，具体如下：

a)利用彩色图像的灰度化，采用灰色共生矩阵获取可见光图像的纹理特征，计算4个灰度共生矩阵，取距离为1，角度分别为0度、45度、90度和135度，并计算出能量、熵、惯性矩、相关度4个特征值；

b)利用HSV颜色空间下，染病叶片与正常叶片之间的颜色区别，提取能有效反映图像颜色特征的颜色矩，分别是一阶矩、二阶矩和三阶矩来表达叶片的颜色分布；并加入HSI空间的颜色矩；其中，一阶矩为均值，二阶矩为方差，三阶矩为斜度；

c)将上述染病叶片与正常叶片的数据输入BP神经网络进行训练和学习，实现均匀黄化、花叶、健康、斑驳的分类，再将非黄龙病导致的黄化与均匀黄化、花叶、健康、斑驳这四个分类进行对比，最终实现均匀黄化、花叶、健康、斑驳与非黄龙病黄化的分类；

2)将三种光谱的识别率作为证据源，给证据识别框各命题分配BPA值，建立证据源的可信度向量，具体如下：

设同时提供证据的证据源有n个，证据集为E＝(e₁,e₂,…,e_n)；定义可信度向量：给识别框架各命题分配BPA值，建立证据源的可信度向量R＝(r₁,r₂,..,r_n)；式中，r_i的范围是[0,1]，r_i＝0表示证据源e_i是完全不可靠的，r_i＝1表示证据源e_i是完全可靠的，其中1≤i≤n；

3)将可信度作为折扣因子对证据识别框内各命题的BPA值进行调整，具体如下：

令证据i的基本概率分配值的折扣率α_i＝r_i(i＝1,2,…,n)；令m_αi表示利用折扣率α_i对证据源e_i调整后的BPA值，方法如下：

m_αi(A)＝α_i m_i(A)

m_αi(θ)＝1-α_i+α_im_i(θ)

∀A⊆θ]]>

满足BPA函数定义的3个条件，且0≤α_i≤1；

4)采用Dempster组合规则将调整后的BPA值进行融合，得到对黄龙病症状的综合识别率，实现对黄龙病症状的正确诊断，具体如下：

将调整后的BPA值m_αi代入Dempster组合规则，计算最终的融合结果：

令其中，K表示融合过程中各证据之间冲突程度，1-K称为归一化因子，避免在组合过程中将非零的概率分配给空集；

所述可信度向量的确定方法，具体如下：

令m₁、m₂为识别框架θ上的BPA函数，其中θ中包括N个基本假设，则m₁、m₂之间的距离为其中D为2^N*2^N的矩阵，其元素计算为且A和B已经证明0≤d_BPA(m₁,m₂)≤1；

d_BPA(m_i,m_j)表示m_i和m_j之间的距离，则m_i和m_j之间的相似性表示为S_ij＝1-d_BPA(m_i,m_j)，显然0≤S_ij≤1，表明证据距离越大，相似距离越小，通过计算所有相似性，组建证据距离相似矩阵如下：

S=1...S1j...S1n...............Si1...Sij...Sin...............Sn1...Snj...Snn]]>

令SP(mi)表示其它证据对证据m_i的总支持程度，定义如下：

SP(mi)=Σj=1nS(mi,mj)]]>

通过上述定义，利用下式来计算证据m_i的可信度：

ri=SP(mi)max{SP(mi),i=1,2,...,n}]]>

由此组成可信度向量R＝(r₁,r₂,r₃,…,r_n)。