我国是农业大国,大面积种植着各类园艺作物^[1],地域广阔、种类繁多,同时作物的产量和质量还会受到病虫害的影响^{[2, 3, 4]}。因而如何快速、有效地对农作物进行准确的区分和识别^[5],对我国农业的发展有着指导性的意义^[6]。以往大多数是通过人眼视觉和主观经验,利用已知农作物的形状、颜色等来获取作物的识别信息,具有较大的主观性,往往带来了很大的缺陷和不足,造成大量的错误识别等。近年来光谱成像技术在农业中得到了广泛应用^[7],而基于液晶可调滤波器(liquid crystal tunable filter,LCTF)^{[8, 9]}和单色CCD组成的多光谱成像系统,可以快速有效地提取作物的图像光谱信息,具有较高的光谱分辨率和空间分辨率^[10],可以较好地对多光谱图像进行数据采集^[11]。但由于多光谱成像系统具有较多的波段,会使得数据的冗余度大,数据处理、计算耗时长,造成数据处理工作的繁琐和准确率的降低。

因此,本研究采用一种基于LCTF光谱成像系统的自适应波段选择(ABS)算法,对我国大部分居民食用的十字花科类蔬菜中具有抗癌、护眼、摄取维生素作用的小白菜叶片进行特征波段的提取,从大量丰富的波谱信息中提取具有代表性的特征波段^{[12, 13]},主要用于对小白菜叶片的正确识别、聚类分析^[14]和数据库的建立^[15]等。这种方法对数据的处理达到了快速、准确的作用,是一种非接触、安全、实用、有效的方法。

ABS算法^[16]对各个波段之间的空间相关性和谱间相关性大小做出了充分的考虑,并构造了相应的数学模型,对已求得的各个波段指数进行从大到小的顺序排列,并根据设定的阈值自适应地选择所需波段。该数学模型中的Index_i指数表示为:

ABS算法获得的波段指数充分考虑了每幅图像的信息量与相邻波段的相似性,Index_i越大,相应图像的信息量就越大,越具有代表性。将ABS算法得到的波段指数由大到小依次排序,排序靠前的7~8个波段即可作为该算法的有效特征波段。

本实验使用美国CRI公司生产的VariSpecTM液晶可调滤波器,与单色CCD相机^[17]和计算机控制软件组成的多光谱成像系统,其采集的波段范围为430~720 nm,带宽(FWHM)为10 nm,半角可视范围为7.5°,响应时间为50 ms,每间隔5 nm连续改变光谱透过中心波长,同时将采集到的小白菜叶片和参考白板的灰度图像传至计算机存储。本实验采用自行搭建的LCTF光谱成像系统,用于采集小白菜叶片的灰度图像,采用LCTF代替传统的机械滤光片转轮,以实现快速波段调谐。图 1为基于LCTF光谱成像系统选取的有效特征波段原理图。本实验用于数据处理的软件为Omnic 8.0和MATLAB 2010b软件。

图 1

Fig. 1

图 1 基于LCTF光谱成像系统选取有效特征波段的原理图 Fig. 1 Schematic of selecting valid feature bands on LCTF imaging system

实验选取广东省农科院的十字花科类-芸苔属健康小白菜(品种为“17号白菜”)作为实验样本,实验样本采集的环境是在温室大棚内且天气晴朗无风,光照强度均匀,平均气温为23.5 ℃,平均湿度为68%,小白菜生长时间为20~40 d,叶片成深绿色,叶脉清晰,生长状况良好。

新鲜生长的小白菜在特定的光源下和参考白板同时进行多光谱成像的图像采集,在435~720 nm波段范围内,每隔5 nm采集一幅灰度图像,共采集6组,每组58个波段,共计348组数据。以波段490 nm处的灰度图像为例说明选取小白菜叶片和参考白板区域,如图 2所示。

图 2

Fig. 2

图 2 小白菜叶片和参考白板选取的区域 Fig. 2 Selection of imaging areas of pakchoi leaves and reference whiteboard

利用C#语言编写程序,获取样本图像的平均灰度值,在各波段选定的区域获取小白菜叶片和参考白板图像的灰度值。对每个波段样本的5个不同叶片表面选取1个矩形区域进行灰度值提取,相当于对所选取的每一个叶片的特定区域进行了灰度平均,消除了叶片表面亮度不均匀等特征因素的影响。本实验在暗室内进行,采用D65光源,由于光源和实验样本的影响导致参考白板有个较小的峰值,其他波段是较为理想的平滑曲线,属正常情况。实验室光源如图 3所示,参考白板和小白菜叶片选取的区域的平均灰度值曲线如图 4所示。

图 3

Fig. 3

图 3 光源 Fig. 3 Light source

图 4

Fig. 4

图 4 平均灰度值曲线。 Fig. 4 Curves of average gray value

图 5为小白菜叶片在435 nm~720 nm范围内的反射比曲线,由图可以清晰地看到小白菜叶片的光谱曲线在460 nm、550 nm和680 nm附近存在两个吸收谷和一个反射峰。从图中可以得出所采集到小白菜叶片的光谱数据符合一般绿色植物的曲线走势图,因此本实验数据满足实验分析的要求。

图 5

Fig. 5

图 5 小白菜叶片的反射比曲线 Fig. 5 Reflectance curve of pakchoi leaves

利用ABS算法从实验中获取小白菜叶片不同波段的成像光谱数据(相关系数和标准差),表 1给出不同波段区间具有代表性的部分相关系数。在波段465 nm处相对于450 nm、565 nm、710 nm处的相对系数较小,而在635 nm和465 nm波段的相关系数达到了负值,其他波段之间的相关系数绝对值均在0.014-1.000之间。

表 1Table 1)

表 1 小白菜叶片的部分相关系数 Tab. 1 Parts of correlation coefficients for pakchoi leaves 波长/nm 相关系数 465 nm 490 nm 515 nm 660 nm 665 nm 670 nm 450 0.160 0.981 0.766 0.922 0.917 0.975 480 0.536 0.936 0.866 0.809 0.917 0.914 565 0.087 0.978 0.879 0.987 0.971 0.979 635 -0.038 0.944 0.846 0.999 0.958 0.969 680 0.383 0.872 1.000 0.862 0.945 0.857 710 0.014 0.847 0.837 0.883 0.841 0.805

表 1 小白菜叶片的部分相关系数 Tab. 1 Parts of correlation coefficients for pakchoi leaves

利用式(1)~(3)计算出小白菜叶片不同波段的Index值,得到表 2所示的指数排序表及图 6所示的Index指数图。根据表 2波段指数大小排序可以得出:在445 nm波段处具有最大的波段指数值1.355,其次分别是695 nm、680 nm、690 nm、710 nm、450 nm、455 nm和685 nm处。综合计算,上述波段中所含的光谱信息量较为丰富,故选择445 nm、450 nm、455 nm、680 nm、685 nm、690 nm、695 nm、710 nm波段作为本实验中小白菜叶片的整体最优特征波段。

表 2Table 2)

表 2 小白菜叶片成像光谱数据波段指数排序 Tab. 2 Sorting of band index for multi-spectral imaging data of pakchoileaves 波长/nm Index 波长/nm Index 445 1.355 710 0.347 695 0.482 450 0.334 680 0.402 455 0.325 690 0.350 685 0.316

表 2 小白菜叶片成像光谱数据波段指数排序 Tab. 2 Sorting of band index for multi-spectral imaging data of pakchoileaves

图 6

Fig. 6

图 6 小白菜叶片Index指数杆状图 Fig. 6 Index pole diagram of pakchoi leaves

本文以健康小白菜叶片的多光谱成像为例,利用ABS算法计算实验数据并讨论光谱特征,得出445 nm、450 nm、455 nm、680 nm、685 nm、690 nm、695 nm、710 nm波段能够更好地反映健康小白菜叶片的特征光谱信息,可以作为小白菜叶片的特征波段。实验结果表明,基于LCTF组成的多光谱成像系统和ABS算法为健康小白菜叶片所提取的特征波段,能够为农作物的病虫害监测、识别提供一种新的方法,同时该方法对地物的高光谱遥感识别、探测等也具有参考作用。