基于高光谱成像和主成分分析的水稻茎叶分割

合集下载

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究一、概要本文主要探讨了基于高光谱成像技术的作物叶绿素信息诊断机理及方法。

随着光谱技术的发展，高光谱成像技术在农业领域的应用逐渐受到关注。

本文通过对水稻、小麦等作物叶片的高光谱成像数据分析，研究了作物叶绿素含量的空间分布特征及其与作物生长指标的关系；建立了基于高光谱成像技术的作物叶绿素含量预测模型，并对模型的准确性进行了验证。

高光谱成像技术可以准确地区分作物的健康状态和健康状况的变化，为农业生产提供有力支持。

本文还提出了针对不同作物、不同生长阶段的叶绿素含量预测方法，为农业生产提供了科学依据。

本研究对于推动高光谱成像技术在农业领域的应用和发展具有重要意义。

1. 高光谱成像技术的发展与应用背景随着科技的不断发展，高光谱成像技术在植物学领域中的应用越来越广泛。

高光谱成像技术是一种能够同时获取物体光谐波段信息的技术，通过对生物组织在红外、可见光和短波段范围内的吸收情况进行测量，可以获取植物生长状况、养分含量、病虫害等多种信息，为农业生产提供科学依据和技术支持。

在过去几十年中，研究者们已经开展了许多关于高光谱成像技术在农业领域应用的研究。

叶绿素信息诊断是一种重要的应用方向。

叶绿素是植物进行光合作用的必需元素，其含量的变化直接影响到植物的生长和发育，通过对植物叶片中叶绿素的含量和分布进行准确测量，可以为农作物栽培管理提供重要指导。

传统的叶绿素检测方法如分光光度法、荧光法等虽然在一定程度上能够满足需求，但存在操作复杂、精度低等问题。

随着高光谱成像技术的发展，这些问题逐渐得到解决。

通过高光谱成像技术，可以实现同时对植物叶片中多种成分进行定量测量和分析，提高叶绿素检测的准确性和效率。

高光谱成像技术在作物叶绿素信息诊断方面的应用前景广阔。

除了叶绿素含量与分布的测量外，还可以应用于作物生长速度、产量预测、抗病性评价等方面。

通过对高光谱图像数据进行分析和处理，可以实现作物生长信息的实时监测和评估，为农业生产提供更加智能、精准的管理服务。

一种基于红外图像的水稻植株分割方法[发明专利]

专利名称：一种基于红外图像的水稻植株分割方法专利类型：发明专利
发明人：杨万能,冯慧,陈晓茜
申请号：CN202110538458.2
申请日：20210513
公开号：CN113269793B
公开日：
20220208
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于红外图像的水稻植株分割方法，包括如下步骤：红外图像归一化，滑动窗口设置，横向及纵向移动步长设置；对滑动窗口内的图像利用OTSU算法进行前景判断，全图像判断，窗口按既有设定滑动以确保遍历整张图像；滑动过程中，累加像素点单次判断结果和判断次数；将结果聚合，对前景判断结果进行评估，将判定结果转化为灰度图像素值；再去除小区域、移除粒子面积阈值小于自定义阈值的部分；图像二值化，得到分割结果图。

该方法可解决基于红外图像的水稻植株分割过程中，前景部分与背景部分关系模糊的问题，通过滑动窗口多次判断后聚合结果，降低了前景部分的分割误差。

申请人：华中农业大学,上海市农业生物基因中心
地址：430070 湖北省武汉市洪山区狮子山街1号
国籍：CN
更多信息请下载全文后查看。

基于高光谱成像技术的稻谷中霉菌定量检测及模型建立

Grain Science And Technology And Economy粮食科技与经济2021 年10月第46卷第5期Oct. 2021Vol.46, No.5我国是稻谷生产大国，稻谷年产量占全国粮食总量的31%[1]。

新鲜稻谷本身营养较为丰富，在储藏的过程中，极易受到霉菌的污染而霉变，稻谷霉变后食用品质大大降低[2]。

感染产毒霉菌的稻谷还会产生一些对人体健康有害的真菌毒素，造成极大的健康隐患[3-4]。

因此，研究能够快速检测出稻谷储藏过程中的霉菌污染，并对稻谷霉变程度进行有效判别的快速检测技术，在延长稻谷储藏期、保证稻谷产品质量和食用品质方面显得尤为重要。

目前，稻谷中霉菌含量的检测方法主要包括平板计数法、选择性和鉴别培养基法、荧光分析法、微生物活性测定法、分子生物学方法等[5-6]。

这些稻谷中霉菌含量检测的常规方法检测准确度较高，但往往需要花费大量时间进行制样和检测，不仅无法做到对储藏稻谷霉变程度的快速检测，还会对检测样品的结构造成破坏[5]。

因此，建立一种快速、无损、定量检测储藏稻谷霉变程度的检测方法，对促进稻谷安全储藏和确保消费安全具有重要意义。

高光谱成像技术是一种通过同时采集样品的2D空间信息和1D 光谱信息，在获取到样品的3D 光谱数据立方体后，再利用高光谱成像系统的空间像元间成分差异辨识能力和光谱分析能力，提取样品图像和光谱信息特征，将样品内外品质指标之间建立联系，实现对样品内外综合品质评价的快速、无损检测的光谱技术[7]。

高光谱成像技术由于检测精度高，速度快，不仅能对样品的光谱特征进行区分，还能够对样品中的成分进行分析，现已被广泛应用于农产品中霉菌以及真菌毒素的检测。

Del Fiore 等[8]使用高光谱成像技术建立了一种无损检测玉米籽粒中产毒真菌的方法，结果表明，使用高光谱成像技术，可以对接种黑曲霉或黄曲霉48 h 后的商品玉米籽粒与未被侵染的玉米籽粒进行有效区分。

Singh 等[9]建立了基于高光谱技术的小麦粒中3种真菌的判别模型，模型正确率为97.3%～100%。

一种基于多目标水稻育种算法的高光谱图像波段选择方法[发明专利]

专利名称：一种基于多目标水稻育种算法的高光谱图像波段选择方法
专利类型：发明专利
发明人：叶志伟,陈璇,刘诗芹,闫春艳,舒哲,李瑞成,刘畅,杨光泽
申请号：CN202011511878.3
申请日：20201218
公开号：CN112633457A
公开日：
20210409
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于多目标水稻育种算法的高光谱图像波段选择方法，对基本水稻育种算法的种群划分机制进行改进，提出基因重组控制因子的概念，对恢复系个体更新方式进行了改进，从而达到更完善的重组性能，使其表现出更佳的综合寻优性能。

本发明将水稻育种算法拓展到多目标优化领域内，首先输入原始遥感图像数据，随机生成初始波段组合，产生初始种群；然后根据平均熵和KL散度两个目标函数公式计算种群个体的目标函数值。

按照多目标水稻育种算法步骤进行种群更新与筛选直至最终得到最佳优化波段组合为止。

该方法选择出的波段集合可以有效的平衡波段信息量和波段之间相关性的关系，为降低高光谱图像的数据维度及冗余信息提供更有效的技术方法。

申请人：湖北工业大学
地址：430068 湖北省武汉市洪山区南李路28号
国籍：CN
代理机构：武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：鲁力
更多信息请下载全文后查看。

高光谱图像和独立分量分析植物叶面叶绿素分布的方法[发明专利]

专利名称：高光谱图像和独立分量分析植物叶面叶绿素分布的方法
专利类型：发明专利
发明人：赵杰文,邹小波,殷晓平,石吉勇,黄星奕,蔡健荣,陈全胜
申请号：CN200910034792.3
申请日：20090908
公开号：CN101692037A
公开日：
20100407
专利内容由知识产权出版社提供
摘要：高光谱图像和独立分量分析植物叶面叶绿素分布的方法，涉及一种植物叶面叶绿素分布的预测方法。

按照下述步骤进行：高光谱图像预处理、独立分量分析和选择、计算植物叶面叶绿素分布。

其中所述的高光谱图像预处理包括高光谱图像标定和光谱提取；所述的独立分量分析和选择包括：利用独立分量法分析计算出独立分量，然后根据回归分析结果选择最佳独立分量；所述的植物叶面叶绿素分布的计算指利用选择的最佳独立分量和模型，计算出叶面各点的叶绿素含量值，组成叶绿素分布图。

本发明在不损伤叶面的前提下，得到的叶绿素含量的分布图，不仅可以体现叶片局部的叶绿素含量，而且可以获得到整个叶面叶绿素的分布情况，为植物的营养状况智能判断提供了依据。

申请人：江苏大学
地址：212013 江苏省镇江市学府路301号
国籍：CN
代理机构：南京知识律师事务所
代理人：汪旭东
更多信息请下载全文后查看。

基于无人机高光谱影像的水稻叶片SPAD_值反演方法研究

2024 ，44（1） : 120J.SHANXI AGRIC, UNIV . （ N atural Science Edition ）学报（自然科学版）04252基于无人机高光谱影像的水稻叶片SPAD 值反演方法研究谢东1，何敬1*，何嘉晨1，王彬1，林远杨1，刘刚1，2（1.成都理工大学地球科学学院，四川成都 610059；2.成都理工大学地质灾害防治与地质环境保护国家重点实验室，四川成都 610059）摘要：［目的］通过无人机高光谱影像实现对水稻叶绿素含量高效、无损监测是现代化精准农业发展的重要手段。

研究水稻叶片原始光谱的不同预处理方法及其组合，构建不同光谱参数进行模型反演，得到研究区水稻叶片SPAD 值的最佳反演模型，可为高效无损监测水稻叶绿素含量提供参考。

［方法］以四川省成都市青白江区姚渡镇水稻种植区的水稻为研究对象，分别测定其叶片SPAD 值和500~900 nm 范围内的高光谱反射率，对原始反射率进行一阶微分（D1）、Savitzky‐Golay 卷积平滑（SG 平滑）、标准正态变换（SNV ）和多元散射校正（MSC ）及其组合的预处理方式，通过相关系数筛选出p<0.1的特征波段作为第1种光谱参数，在特征波段的基础上进行主成分分析（PCA ）降维，将得到的主成分作为第2种光谱参数。

将2种参数分别作为Extra Trees 模型的输入变量，建立研究区水稻SPAD 值的反演模型。

［结果］相比于利用相关系数筛选的特征波段所建的模型，通过PCA 对特征波段进行降维，得到的光谱参数建模精度更高，其中，ET_D1和ET_SG_MSC 的R 2分别由0.769和0.782增加到0.793和0.825，提升幅度为3%和5.5%；ET_SG_SNV 的R 2由0.754增加到0.796，提升幅度为5.6%；模型ET_PCA_特征_SG_MSC 精度最高，R 2和RMSE 分别为0.825和0.984，是研究区水稻SPAD 值的最佳反演模型。

基于高光谱的双季稻分蘖数监测模型

doi ：
10.11975/j.issn.1002-6819.2020.04.022
0 引言
发展双季稻生产对于保障国家粮食安全和社会稳定具有十分重要的战略意义。分蘖是水稻生长发育过程中形成的一种特殊分枝[1]，其数量是表征水稻长势和群体质量优劣的重要指标[2-3]。因此，快速准确获取水稻分蘖动态对于科学、实时和精确调控肥水管理，提高群体质量具有重要作用[4-6]。水稻分蘖数观测的常规方法，主要依靠人工下田观测[7]，费时耗工，劳动力成本高，不能满足大范围水稻分蘖数快速观测的需要。因此，探索一种高效、准确的水稻分蘖数获取方法十分必要。近年来，具有快速、无损、准确等特征的光谱遥感技术快速发展，已成为监测作物实时长势的一种重要手段。国内外许多学者利用光谱遥感技术实现了对水稻叶绿素含量、氮素营养、叶面积指数和生物量等生长指标的快速精确监测[8-10]。同时，也有许多学者利用光谱遥感技术对作物分蘖数开展了无损监
HandHeld 2 型高光谱仪采集早、晚稻冠层反射高光谱数据，分别利用光谱指数法和连续小波变换构建新型光谱指数和敏
感小波特征对双季稻分蘖数进行监测，建立双季稻分蘖数光谱监测模型，并用独立试验数据进行检验。结果表明，新型
光谱指数和敏感小波特征对双季稻分蘖数的监测效果优于其他类型光谱参数（植被指数和“三边”参数），其中位于红边
报，2020，36(4)：185－192. doi：10.11975/j.issn.1002-6819.2020.04.022
Cao Zhongsheng, Li Yanda, Ye Chun, Shu Shifu, Sun Binfeng, Huang Junbao, Wu Luofa. Model for monitoring tiller number of

基于高光谱图像技术的农产品品质无损检测

基于高光谱图像技术的农产品品质无损检测田有文;王晓娟【摘要】高光谱图像技术结合了计算机图像与光谱技术两者的优点,是农产品品质无损检测技术的发展趋势.为此,阐述了农产品品质检测中高光谱图像技术的基本原理;介绍了高光谱图像技术在农产品外部品质和内部品质检测中的应用现状及信息处理方法;并对高光谱图像技术应用于农产品品质检测技术的发展提出了建议.【期刊名称】《农机化研究》【年(卷),期】2009(031)010【总页数】4页(P220-222,226)【关键词】高光谱图像;农产品品质;无损检测【作者】田有文;王晓娟【作者单位】沈阳农业大学,信息与电气工程学院,沈阳110161;沈阳农业大学,信息与电气工程学院,沈阳110161【正文语种】中文【中图分类】TP274+.5;S1260 引言农产品品质关系到人民生命安全和国民经济发展，因此农产品的检测技术一直是农业工程领域的重要研究课题。

农产品的品质包括内部品质和外部品质。

目前，对农产品的外部品质检测主要采用可见光图像检测和红外图像检测等较成熟的技术，但是这些检测技术无法获取农产品内部品质有效信息。

近红外光谱技术可在线实时无损检测农产品的内部品质，而近红外光谱技术只提供对检验客体一个小区域的检测。

由于农产品的品质在空间上存在差异 ,所以该方法还存在一定的局限。

近年来, 高光谱图像技术在农产品品质无损检测中的应用是一个重要的发展趋势。

由于高光谱图像技术检测的农产品品质信息包含光谱和图像信息，光谱技术能检测水果的物理结构和化学成分等, 图像技术又能全面反映农产品的外在特征、表面缺陷及污染情况, 所以通过提取农产品高光谱图像中各检测参数所对应的特征波长,能对农产品的综合品质进行全面、快速的检测。

1 高光谱图像基本原理高光谱图像是一系列光波波长处的光学图像。

光谱范围可以在紫外(200～400nm )、可见光(400～760nm )、近红外(760～ 2 560nm ) 以及波长大于2 560nm 的区域。

高光谱遥感数据分析在农作物识别中的应用研究

高光谱遥感数据分析在农作物识别中的应用研究引言：随着农业现代化的推进和科技的不断发展，高光谱遥感技术在农作物识别中的应用日益广泛。

高光谱遥感是一种通过检测物体在不同波长下的反射或辐射，获得其光谱特性，从而对物体进行识别和分析的技术。

本文将探讨高光谱遥感数据分析在农作物识别中的应用研究，并介绍其原理、方法和现状，以及未来的发展方向。

一、高光谱遥感数据分析的原理高光谱遥感数据分析是基于光谱特性差异的原理进行的。

光谱特性是指物体在不同波长下的反射、吸收和辐射等性质。

农作物在生长过程中会吸收和反射不同波长的光，形成独特的光谱特征。

通过高光谱遥感技术可以获取农田的大量光谱数据，进而分析和识别农作物的类型和状态。

二、高光谱遥感数据分析的方法1. 光谱特征提取：高光谱遥感数据可以采集每一个像素点的光谱信息，这些信息可以通过光谱特征提取方法进行分析。

常用的方法包括主成分分析（PCA）、线性光谱混合模型（LSMM）等。

通过这些方法可以提取出反映不同农作物光谱特征的指标，如NDVI指数、EVI指数等。

2. 农作物分类与识别：利用高光谱数据的光谱特征差异，可以建立分类和识别模型，实现对不同农作物的自动识别。

常见的分类方法包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。

这些方法可以利用光谱特征和已知样本进行模型训练，从而实现对新样本的分类和识别。

3. 农作物生长监测：高光谱遥感数据不仅可以用于农作物的分类和识别，还可以用于农作物的生长监测。

通过分析不同时间点的高光谱数据，可以评估农作物的生长状态、生长速度、病虫害等情况，为农民提供科学的决策依据。

三、高光谱遥感数据分析在农作物识别中的应用现状高光谱遥感数据分析在农作物识别中已经取得了一些重要的研究成果。

例如，在水稻、小麦、玉米等主要农作物的识别和监测方面，高光谱遥感技术已经取得了很大的进展。

研究表明，高光谱数据的使用可以提高农作物分类和识别的准确度，同时可以提高对农作物生长状态的监测精度。

利用计算机视觉和光谱分割技术进行水稻叶片钾胁迫特征提取与诊断研究

些人类视觉上无法获取的信息，可避免传统方法中由于人
认识差异及视觉疲劳带来的影响，具有数据量大、速度快、
精度高等显著的特点和优势。近年来，随着数字图像处理技术的不断发展，将计算机视觉技术应用在作物营养诊断和生长状况监测已成为研究热点ｌ５。随着传感器性能、光谱分】ｌ＿
一
薄，栅栏、海绵组织局部破裂使得缺钾叶片上产生坏死斑点。同时，相关研究中［用到的数字图像大多采用数码相机获得，虽然具有获取方式简单、分辨率高等优点，但是图像获取的过程易受外界条件影响，而且获取的图像一般背
景复杂，分析过程容易产生误差。描图像的获取足在一个扫相对封闭的系统内进行，可能地避免周围环境对图像采集尽
些科学家利用数码相机直接获取的图像来检测作物的氮胁迫＿ｊ而应用数字图像进行作物钾营养状况分析的文章ｌ。
比较少见，钾素营养的缺乏不仅影响水稻正常的生理代谢，而且也使水稻正常的形态征状和组织结构发生变化。有研究
收稿日期：２０２２，修订日期：２０ —５２０９０６０９０ —８
第３卷，１０第期２０ｌ０年１月
光
谱
学
与
光
谱
分
析 ห้องสมุดไป่ตู้
Ｖｏ．０Ｎｏ１ｐ２４２９１３，．，ｐ１ —１
ＳｅｔｏｃｐｎｐｃｒｌＡｎｌｓｓｐｃｒｓｏｙａｄＳｅｔａａｙｉ

基于高光谱影像特征的作物品种分类

基于高光谱影像特征的作物品种分类随着遥感技术的不断发展，高光谱影像已经成为农业遥感的重要工具之一。

利用高光谱影像进行作物品种分类已经成为了一种非常有效的方法。

在这篇文章中，我们将探讨基于高光谱影像特征的作物品种分类。

一、高光谱影像简介高光谱影像是通过光谱仪在不同波段采集的数据经过处理和分析形成的图像。

它包含了每个像元在不同波段下的反射率。

高光谱影像中包含了丰富的光谱信息，可以用于植被监测、土地利用变化等方面的研究。

二、高光谱影像在作物品种分类中的应用作物品种分类是指根据作物在不同生长阶段的变化和特征，将其划分为不同的品种。

传统的作物品种分类方法主要依赖于人工观察和统计分析，在成本和时间上都具有较大的局限性。

而基于高光谱影像的作物品种分类方法则可以通过对作物在不同波段下的反射率进行分析，识别出不同的品种。

该方法具有识别效率高、准确度较高、自动化程度高等优点。

三、作物品种分类方法1. 特征提取高光谱影像中包含的信息非常丰富，需要进行特征提取才能有效地参与作物品种分类。

特征提取可以通过多种方法进行，例如主成分分析、小波变换等。

在特征提取过程中，需要将高光谱影像进行预处理，例如大气校正、图像平滑等。

2. 特征选择在得到一系列特征后，需要对这些特征进行选择。

特征选择可以通过多种方法进行，例如相关性分析、方差分析等。

选择出与作物品种分类最为相关的特征，可以有助于提高分类的准确度。

3. 分类模型在进行作物品种分类时，需要使用分类模型进行处理。

分类模型可以有多种，例如支持向量机、随机森林等。

在选择分类模型时，需要考虑其分类效果、运算速度等因素。

四、应用现状基于高光谱影像的作物品种分类方法已经得到了广泛的应用。

例如，在小麦、水稻、玉米等作物品种分类中，都取得了较为显著的成果。

相比传统的作物品种分类方法，高光谱影像方法具有更高的识别效率和准确性，可以更好地满足现代农业的需求。

五、总结基于高光谱影像特征的作物品种分类，是目前较为先进的作物品种分类方法。

水稻叶片SPAD值的高光谱估算模型

水稻叶片SPAD值的高光谱估算模型作者：孙玉婷杨红云孙爱珍梅芳易文龙来源：《南方农业学报》2020年第05期摘要：【目的】构建水稻叶片SPAD值的高光谱精确估算模型，为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据。

【方法】利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值，以FieldSpec 4光谱仪采集水稻叶片光谱数据。

通过分析光谱植被指数、位置参数与SPAD值的相关性，构建4个水稻叶片SPAD值高光谱估测模型，即逐步多元线性回归（SMLR）模型、支持向量机回归（SVR）模型、基于主成分分析的支持向量机回归（PCA+SVR）模型和以逐步多元线性回归确定最佳参数的支持向量机回归（SMLR+SVR）模型;并采用均方根误差（RMSE）、平方相关系数（R2）、相对分析误差（RPD）和平均相对误差（MRE）等指标对模型进行评价。

【结果】在分析的15个光谱特征参数中，除黄边位置（λy）无显著相关外（P>0.01），水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性，选择相关系数大于0.800的5个植被指数参数（VOG1、VOG2、VOG3、CARI 和PRI）和7个光谱位置参数[蓝边面积（SDb）、黄边振幅（Dy）、黄边面积（SDy）、绿峰反射率（Rg）、红谷净深度（Hr）、蓝边振幅（Db）和红边位置（λh）]作为输入变量构建水稻叶片SPAD值的估测模型。

R2和RPD值越大，RMSE和MRE值越小，则表明模型的性能越好，估算精度高。

比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知，在模型估算精度上，SMLR+SVR模型高于SMLR模型，PCA+SVR模型高于SVR模型。

总体上，SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测，其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550。

【建议】进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系，提出新的光谱特征参数或优化特征参数选择组合方法，增加回归建模算法，提高高光谱对水稻叶片SPAD值的有效估算。

一种基于近地面高光谱影像的水稻阴阳叶穗识别方法[发明专利]

专利名称：一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
专利类型：发明专利
发明人：朱艳,周凯,程涛,曹卫星,姚霞,田永超
申请号：CN201611020653.1
申请日：20161121
公开号：CN106568730A
公开日：
20170419
专利内容由知识产权出版社提供
摘要：本发明提出一种基于近地面高光谱影像的水稻阴阳叶穗识别方法，通过对水稻冠层内部不同器官组分光谱特征进行差异分析，获得阴阳叶穗分类决策树并区分阴叶、阳叶、阴穗、阳穗。

该识别方法具有较高的识别精度，操作步骤简单易行，运算速度快，适用于不同水稻品种、不同栽培处理、不同生育时期，可广泛用作水稻冠层内部不同器官组分像元的识别分类。

申请人：南京农业大学
地址：210095 江苏省南京市玄武区卫岗1号
国籍：CN
代理机构：南京天华专利代理有限责任公司
更多信息请下载全文后查看。

基于高光谱的水稻叶片氮素估测与反演模型

基于高光谱的水稻叶片氮素估测与反演模型
张国圣，许童羽*,于丰华，陈春玲,王洋
【摘要】快速、无损、准确地监测水稻叶片氮素状况，对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义。

利用无人飞行平台搭载高光谱成像系统获取水稻冠层高光谱数据,分析了试验点水稻分篥期叶片氮素与冠层高光谱信息之间的关系。

结果表明,水稻分篥期叶片氮素含量与同期归一化差值植被指数(NDVI)之间有良好的相关性,可以建立水稻分篥期叶片氮素含量反演的相关统计模型。

【期刊名称】浙江农业学报
【年(卷)，期】2017(029)005
【总页数】5
［关键词］水稻氮素；高光谱；统计模型；归一化植被指数
大米是我国传统主食之一，而作为大米的产出者——水稻，则在我国粮食种植中占据了重要地位。

鉴于我国对环境问题的日益重视，以及退耕还林等一系列环境保护措施的实施，新世纪水稻栽培科学的发展已经由追求高产的单一目标, 发展为追求高产、优质、高效、生态、安全的综合目标。

面对这一新的目标，水稻栽培科学要有新的发展、大的作为,必须走精确定量的发展方向［1］。

氮元素在植物的生长过程中起重要作用,因此氮肥在农业生产与应用中具有重要作用,如何针对性施肥,在最大程度上减少化肥使用量，既能够降低其对环境的危害，又能够使农作物不会因此而减产成为"精细农业"中一个亟待解决的问题。

传统的作物氮素诊断方法主要有常规室内化学定量检测分析及〃看苗施肥〃.。

基于高光谱成像和主成分分析的水稻茎叶分割

基于高光谱成像和主成分分析的水稻茎叶分割冯慧;熊立仲;陈国兴;杨万能;刘谦【摘要】在单株水稻表型测量研究中，为了实现绿叶面积和茎叶相关表型参数的准确计算提供技术保障，茎叶的分割是非常重要的一步。

传统的人工测量方法费时费力，且主观性较强，而基于普通相机拍摄的彩色图像进行分割效果很差。

本研究介绍了一种使用可见光-近红外高光谱成像系统自动区分单株盆栽水稻茎叶的方法。

首先将各波长下的图像从原始二进制数据中提取出来，接着使用主成分分析所有波长下的图像，并提取出主要的主成分图像，再基于数字图像处理技术将茎叶区分开。

实验结果表明，本系统以及文中所用方法对分蘖盛期的水稻茎叶有很好的分割效果，这为后续水稻茎叶表型性状高通量、数字化、无损准确提取提供了重要的技术保障，并进一步促进植物表型组学的发展。

%In the study of phenomics,the segmentation of leaf and stem of individual rice plant is very important, which can be used to provide basis for the calculation of phenotypic parameters,such as green leaf area and biomass.Traditional methods are subjective,time-consuming,and labor-intensive.The segmentation with color image,acquired by CCD camera,has shown a poor result.This study introduced an automatic segmentation method of leaf and stem with a hyperspectral imaging system.First,the images of individual rice plant under different wavelength were extracted from original binarystream.Then the principal component analysis (PCA)was used to analyze all the images and extract main principal component images.At last,these main images were used to segment the leaf and stem with digital image processing.The result has shown that this hyperspectral imaging systemand method that was used in this study has good segmentation outcome for the leaf and stem of individual rice plant on the tillering stage.Thiswork provides a break-through for high-throughput,non-destructive,and accurate extracting the leaf and stem of rice,and promotes the devel-opment of the plant phenomics.【期刊名称】《激光生物学报》【年(卷),期】2015(000)001【总页数】7页(P31-37)【关键词】高光谱成像;图像分割;主成分分析【作者】冯慧;熊立仲;陈国兴;杨万能;刘谦【作者单位】华中科技大学生命科学与技术学院生物医学光子学教育部重点实验室，湖北武汉 430074;华中农业大学作物遗传与改良国家重点实验室，湖北武汉430070;华中农业大学农业部长江中游作物生理生态与耕作重点实验室，湖北武汉 430070;华中农业大学作物遗传与改良国家重点实验室，湖北武汉 430070;华中科技大学生命科学与技术学院生物医学光子学教育部重点实验室，湖北武汉430074【正文语种】中文【中图分类】O657.3;TPS71doi：10.3969/j.issn.1007-7146.2015.01.005植物表型组学是在基因组水平下系统研究植物在不同生长环境条件下所有表型的新兴学科［1］。

基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究

基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究摘要：磷的缺乏对水稻产量有很大影响,磷的无损快速营养诊断对缺磷水稻生产有十分重要的意义.该文以水稻不同磷营养水平的顶部三张完全展开叶图像为研究对象,综合提取图像光谱信息表现出的颜色、纹理和形状三类共26个叶片特征指数并进行单因子特征分析,结合CfsSubsetEval+Scattersearch方法对26个特征属性进行优化组合、评价和选择,根据不同叶位的特征指数选择结果,利用粗糙集理论将不同磷营养水平叶片图像样本分为三类:极缺、微缺、正常.由识别精度可知,严重缺磷样本识别率最高,第三叶为水稻磷营养诊断的`最佳叶位. 作者：丁晓东石媛媛路雪邓劲松沈掌泉王珂Author：DING Xiao-dong SHI Yuan-yuan LU Xue DENG Jin-song SHEN Zhang-quan WANG Ke 作者单位：浙江大学农业遥感与信息技术应用研究所,环境修复与生态健康教育部重点实验室,浙江省农业遥感与信息技术应用重点实验室,浙江杭州310029 期刊：光谱学与光谱分析ISTICEISCIPKU Journal：SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： 2011, 31(5) 分类号： S123 S127 关键词：扫描图像光学特征缺磷诊断机标分类号： TP7 O43 机标关键词：扫描图像光谱特征和模式识别水稻叶片磷素诊断研究 Pattern Recognition Image Scan Features Based Rice 营养诊断营养水平特征指数粗糙集理论指数选择优化组合叶片图像基金项目：国家自然科学基金项目，浙江大学青年科研创新专项项目，国家(863计划)项目基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究[期刊论文] 光谱学与光谱分析 --2011, 31(5)丁晓东石媛媛路雪邓劲松沈掌泉王珂磷的缺乏对水稻产量有很大影响,磷的无损快速营养诊断对缺磷水稻生产有十分重要的意义.该文以水稻不同磷营养水平的顶部三张完全展开叶图像为研究对象,综合提取图像光谱信息表现出的颜色、纹理和形状三类共26个叶片特征指...。

基于可见光谱色彩指标Otsu法的水稻冠层图像分割

基于可见光谱色彩指标Otsu法的水稻冠层图像分割黄巧义;张木;黄旭;李苹;付弘婷;张发宝;唐拴虎【摘要】水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提.最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法.通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果.结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标.%Digital image analysisof rice canopy has been widely for monitoring rice growth,diagnosis rice N status,and predicting rice yield. The accuracy,stability,and reliability of the rice canopy digital image analysis result were based on the premise of precise segmentation of rice pixels. Otsu's method was the frequently used thresholding method in image segmentation,for its stability and self-adaptation. This paper extracted and calculated 9 image color indices from digital camera images using three color models: R,G,B,L*,a*,b* components of CIEL*a*b* color space,H,visible-spectrum green leaf algorithm (GLD) and vegetation index(VIGreen). The segmentation of rice pixel from soilbackground was conducted by the Otsu's method based on different color indices,and the accuracy of the segmentation was evaluated. The results showed that there were obvious bimodality and little overlap in a*,b* components of CIEL*a*b* color space,GLD,and VIGreenbetween rice and soil pixels, which mean that these color indices should be the candidate color indices for rice canopy image segmentation. The Otsu's method based on a* components of CIEL*a*b* color space,GLD,and VIGreenhad higher segmentation accuracy in comparison with which based on b* components of CIEL*a*b* color space. The highest signal-noise ratio and lowest error rate of rice canopy image segmentation was arrived by the Otsu's method based on a* components of CIEL*a*b* color space. The signal-noise ratio and error rate of rice canopy image segmentation by the Otsu's method based on VIGreenwere next only to the Otsu's method based on a* components of CIEL*a*b* color space. In conclusion,a* components of CIEL*a*b* color space was the optimum image color index for rice canopy image segmentation by the Otsu's method.【期刊名称】《广东农业科学》【年(卷),期】2018(045)001【总页数】7页(P120-125,前插1)【关键词】最大类间方差法(Otsu法);水稻;数字图像;图像分割【作者】黄巧义;张木;黄旭;李苹;付弘婷;张发宝;唐拴虎【作者单位】广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640;广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室,广东广州 510640【正文语种】中文【中图分类】S126;O433.4随着我国农村人口流动和农村土地流转，传统分散经营的家庭承包耕作制逐渐被规模化、集约化、机械化的大中型农场所代替。

光谱及高光谱成像技术在作物特征信息提取中的应用研究共3篇

光谱及高光谱成像技术在作物特征信息提取中的应用研究共3篇光谱及高光谱成像技术在作物特征信息提取中的应用研究1光谱及高光谱成像技术在作物特征信息提取中的应用研究摘要：随着现代农业技术的发展，通过高光谱成像技术获取的数据为作物特征信息提取提供了新的途径。

本文对光谱及高光谱成像技术在作物特征信息提取中的应用进行了综述，同时探讨了这些技术在农业领域的发展前景。

关键词：光谱、高光谱成像、作物特征、信息提取、发展前景引言在现代化的农业生产中，不仅需要依靠高新技术对作物进行精细化管理，还需要对农田中作物的特征信息进行精准提取。

其中，光谱及高光谱成像技术成为作物特征信息提取的主要手段之一，其有效地提升了农业管理的水平。

一、光谱成像技术在作物特征信息提取中的应用光谱成像技术是指在特定波段范围内对微弱光进行有效采集和成像，并根据所获得的光谱信息来确定物体的性质和结构。

该技术可用于获取作物的生理生化信息、生长状态和气候状况等特征信息，进而为农业管理提供多方位数据支持。

1.1 光谱成像技术在农作物品种识别中的应用农作物品种的识别对于区分田间作物、优化作物生产管理和提高作物产量水平具有重要意义。

利用光谱成像技术可获取作物叶片、花朵等有色组织的非接触式图像，通过建立光谱特征库并采用专门的算法进行图像识别，可以快速准确地实现作物品种识别。

1.2 光谱成像技术在作物发育状况监测中的应用作物发育状况的监测对于作物生长动态分析和种植策略调整至关重要。

光谱成像技术可实时地对农作物的生长结构、营养情况和生理代谢活动进行检测。

比如，通过对植物的叶绿素荧光光谱进行监测，可以准确反映作物光合作用的活跃程度，为作物管理提供科学依据。

1.3 光谱成像技术在农业病虫害预测中的应用病虫害是影响作物产量和品质的一大因素，及时预测和防控病虫害对于保证农业生产重要。

利用光谱成像技术可以对病虫害所造成的组织损伤和代谢异常进行检测，比如温度异常和剧烈变化等。