[发明专利]采用模型传递识别不同品种柑橘黄龙病的方法

权利要求书

1.一种采用模型传递识别不同品种柑橘黄龙病的方法，包括如下步骤：

(a)采集在不同时间的品种A的柑橘叶片，所述的柑橘叶片包括健康叶片和染病叶片；

(b)使用高光谱成像系统采集每片柑橘叶片380-1024nm波长范围内的高光谱图像，获得高光谱图像中的感兴趣区域在各个波段的平均光谱反射率；

(c)删除步骤(b)获得的波段中部分信噪比低的波段，剩余波段的反射率采用Savitsky-Golay卷积平滑法进行平滑滤波，降低噪声对信号的干扰；

(d)利用连续投影算法从经过步骤(c)处理的波段中筛选出对柑橘黄龙病最为敏感的波段；再利用相关性分析求出所有被SPA选中的敏感波段的两两相关系数，当两个敏感波段光谱反射率之间的相关系数达到0.9以上时，判定两者存在很强的相关性，去除其中一个敏感波段，根据该原则，最终确定用于构建柑橘黄龙病的判别模型的特征波段；

(e)提取步骤(d)所确定的特征波段的平均光谱反射率；并对特征波段的光谱图像进行主成分分析，获得第二主成分图像，并从特征波段的光谱图像以及对应的第二主成分图像中提取基于灰度共生矩阵的纹理特征；

(f)以品种A的柑橘叶片在特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征融合后的特征作为LS-SVM(最小二乘向量机)判别模型的输入，建立LS-SVM判别模型；

(g)将步骤(f)的判别模型的所有建模集作为品种A的标样集；

(h)采集品种B的柑橘叶片的高光谱图像，分成标样集和预测集；

(i)采用PDS对品种B的标样集和预测集的光谱数据进行转换，消除因样品不同引起的光谱差异，得到转换后的品种B的标样集和预测集；

(i)向品种A的标样集中添加不同标样集数的转换后的品种B的标样集，更新训练集数据，同样以特征波段的平均光谱反射率、特征波段光谱图像的纹理特征以及对应的第二主成分图像的纹理特征融合后的特征作为LS-SVM判别模型的输入，建立不同的判别模型；

(j)利用步骤(i)获得的不同的判别模型对转换后的品种B的预测集进行识别，以达到最好识别效果的品种B的标样集的标样集数和校正窗口作为最后的标样集数和校正窗口，获得LS-SVM分类模型；

(k)利用步骤(j)获得的LS-SVM分类模型对待测的品种B的柑橘植株是否感染黄龙病进行识别。

2.如权利要求1所述的方法，其特征在于：步骤(a)中，所述的染病叶片为染病未显症和/或染病显症叶片。

3.如权利要求1或2所述的方法，其特征在于：步骤(a)中，所述的品种A的柑橘叶片来自至少两个生长环境不同的果园。

4.如权利要求1-3之一所述的方法，其特征在于：步骤(a)中，从每棵柑橘树的东南西北的四个方位进行采样。

5.如权利要求1-3之一所述的方法，其特征在于：步骤(b)中，以整个叶片当作感兴趣区域。

6.如权利要求1-3之一所述的方法，其特征在于：在步骤(c)中删除512个波段中前43个信噪比低的波段，剩余469个波段的平均反射率采用SG卷积平滑法进行平滑滤波。

7.如权利要求1-3之一所述的方法，其特征在于：步骤(d)中，所述的利用连续投影算法从经过平滑滤波处理的波段中筛选出对柑橘黄龙病最为敏感的波段按照如下操作：首先利用连续投影算法从不同采集时间中选择能够反映各自采集时间的黄龙病特征的敏感波段子集，接着将所有采集时间的子集进行合并，构成能够反映不同季节柑橘黄龙病特征的敏感波段。

8.如权利要求1-3之一所述的方法，其特征在于：步骤(d)所述的特征波段为：493nm、515nm、665nm、716nm和739nm。

9.如权利要求1-3之一所述的方法，其特征在于：步骤(e)中，所述基于灰度共生矩阵的纹理特征包括：均值、方差、逆差矩、对比度、相关性、和熵、和方差、差方差、差熵、差平均。

10.如权利要求1-3之一所述的方法，其特征在于：步骤(e)和(i)中，以径向基核函数作为LS-SVM模型的核函数。