基于高光谱图像光谱与纹理信息的生菜氮素含量检测

查看全文 作　　者：[1,2]孙俊索引[1]金夏明 [3]毛罕平索引[1]武小红索引[3]朱文静 [3]张晓东 [3]高洪燕

机构地区：[1]江苏大学电气信息工程学院,镇江212013;[2]农业部农业信息服务技术重点实验室,北京100081;[3]江苏大学江苏省现代农业装备与技术重点实验室,镇江212013

出　　处：《农业工程学报》索引2014年第30卷第10期,共7页

基　　金：国家自然科学基金资助项目(No.31101082);江苏高校优势学科建设工程资助项目PAPD(苏政办发2011 6号);农业部农业信息服务技术重点实验室课题(No.2014-AIST-03) 摘　　要：高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390-1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。 关键词：氮素主成分分析支持向量机高光谱图像生菜特征波长纹理特征

相关文献

参考文献（20）
引证文献（54）
耦合文献（260）

参考文献(20)

引证文献(54)

耦合文献(260)

互联网出版许可证新出网证(渝)字10号全国400电话 - 免长途话费

基于高光谱图像光谱与纹理信息的生菜氮素含量检测

参考文献(20)

引证文献(54)

耦合文献(260)

用户提示