[发明专利]一种基于成像高光谱分析的水稻纹枯病病斑提取方法

说明书

本发明公开了一种基于成像高光谱分析的水稻纹枯病病斑提取方法。传统的病害表型测量与调查主要依靠人工，劳动量大，效率低。本发明的步骤如下：1、用成像光谱仪拍摄目标作物，得到成像高光谱数据。2、去除步骤1所得成像高光谱数据中的非植物背景。3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。4、基于病斑扫描的非病斑异常区域去除。本发明独创的图像识别方法，能够识别对茎杆上的纹枯病病斑，克服了现有技术中仅能高效提取叶部病斑的缺陷。本发明能够对图像中的病斑和枯叶进行区别，以达到较高的识别精度。

技术领域

本发明属于农业光谱技术领域，具体涉及一种基于成像高光谱分析的水稻纹枯病病斑提取方法。

背景技术

我国作为世界上最大的稻米生产和消费国，水稻的播种面积和产量分别约占全国粮食作物的29％和40％。水稻的生产问题对中国的意义尤为重大。伴随着我国人口不断增长、耕地质量退化、环境恶化及农村劳动力不足等压力,粮食产量增速明显放缓,严重威胁着我国的粮食安全,培育优良水稻品种、提高水稻单产一直是我国重要战略目标。而水稻病害是影响水稻产量的重要因素，而水稻纹枯病是我国水稻生产中发生范围最广的一种主要的病害，发病时水稻植物组织破坏呈半透明状，边缘暗褐，多发生在水稻茎秆以及叶鞘部位，严重时叶片也会染病。

在基因组学研究中,往往需要大批量的表型检测,从而筛选突变植株并识别相应的遗传基因，水稻病害表型数据是水稻表型的重要组成部位，水稻病害表型数据的质量很大程度上影像在基因组学中对水稻抗病性的研究。传统的病害表型测量与调查主要依靠人工，劳动量大，效率低，对大批量样本的生长发育测量几乎不可行，表型数据的质量受人工主观因素影响也较大。这对于非专业人员往往会引起人为误判，而且效率低下容易造成调查数据的不准确性。且劳动力成本的上升,将大大增加病害表型调查的成本。目前国内外基于叶面型病害表型信息的提取方法较多，例如发生在茶叶叶面的炭疽病，小麦叶面的白粉病，黄瓜叶面的白粉病，角斑病等。但针对水稻纹枯病这种分布于茎杆，叶鞘等部位的病害表型信息提取方法缺乏。因此，急需发展无损、客观准确的水稻纹枯病表型调查和测量技术来精确且迅速的完成对病害表型数据的调查分析。

发明内容

本发明的目的在于提供一种基于成像高光谱分析的水稻纹枯病病斑提取方法。

本发明的具体步骤如下：

步骤1、用成像光谱仪拍摄目标作物，得到成像高光谱数据。

步骤2、去除步骤1所得成像高光谱数据中的非植物背景。

步骤3、在666nm和494nm波段反射率下对步骤2所得的成像高光谱数据中的水稻叶片茎杆与异常区域进行分类。

步骤4、基于病斑扫描的非病斑异常区域去除

4-1.对步骤3所得的各个异常区域进行15×15矩形结构元素的图像膨胀操作。

4-2.对步骤4-1所得各异常区域进行6×6模板的均值滤波。

4-3.对步骤4-1所得的各个异常区域在854波段反射率下进行横向扫描，得到扫描后横向阈值曲线组。

4-4.计算各横向阈值曲线组的病斑特征比n为步骤三所得异常区域的个数；其中，a_i为第i个横向阈值曲线组中病斑特征曲线的条数；m_i为第i个横向阈值曲线组中横向阈值曲线的总条数；若一条横向阈值曲线中病斑特征曲线段的数量大于或等于2，则该条横向阈值曲线是病斑特征曲线。病斑特征曲线段为所有位置的导数绝对值均小于0.01且覆盖像素数量大于或等于3的曲线段。

若一个横向阈值曲线组的病斑特征比s_i≥0.2，则该横向阈值曲线组对应的异常区域为疑似区域；否则，该横向阈值曲线组对应的异常区域为非病斑异常区。

进一步地，步骤4后执行步骤5；步骤5具体如下：