1.一种小麦白粉病中晚期病害严重度自动分析方法,其特征在于:该方法包括以下步骤:(1)选取小麦白粉病中晚期的冬小麦叶片作为叶片样本,采集叶片样本的高光谱数据,并对采集到的叶片样本的高光谱数据进行校正;
(2)对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理,得到试验数据,并根据整个叶片和病斑区域的像素数计算病斑占叶片面积的百分比,求得叶片样本的病情严重度a0;
(3)对试验数据进行降维处理:
(31)构造近邻图G:在高维空间中,计算各样本点彼此之间的欧氏距离,选取欧氏距离最近的10个样本点作为近邻点,并将这10个样本点相互连接,设dx(i,j)为样本点xi和样本点xj之间的欧式距离,dx(i,j)即为样本点xi和样本点xj之间连线的权重大小;
(32)计算最短路径:设样本点总数为M,则采用公式dG(i,j)=min{dG(i,j),dG(m,j)+dG(m,j)}计算所有点的最近距离,由此得到所有样本点的测地距离矩阵DG=dG(i,j);若样本点xi和样本点xj是相连的,则二者之间的最短路径dG(i,j)=dx(i,j),否则二者之间的距离设为无穷远;
(33)计算最终d维坐标:利用多维标度法,在测地距离矩阵DG上,计算下式最小值来获得样本的d维嵌入空间Y:其中,DY表示降维后的样本点之间的欧式距离矩阵,τ(D)=-HSH/2,S是平方距离矩阵H是中心化矩阵Hij=δij-1/N;假设λP和VP分别是τ(DG)的第P个特征向量和特征值,则 时,上式得到全局最小;
(4)在降维之后,选取m个样本中的m1个样本作为训练样本,将d维特征作为自变量,对应的类别作为因变量输入到概率神经网络模型中进行训练,得到预测模型;将剩余的m-m1个样本作为测试样本进行模型准确率验证,将这m-m1个样本的d维特征作为自变量输入到概率神经网络模型中,得到叶片样本的病情严重度的预测结果a1,并将a1与a0进行比较。
2.根据权利要求1所述的一种小麦白粉病中晚期病害严重度自动分析方法,其特征在于:步骤(1)中,所述的“采集叶片样本的高光谱数据并对采集到的叶片样本的高光谱数据进行校正”的具体步骤为:(11)采用成像光谱仪采集叶片样本的高光谱数据;
(12)对采集到的叶片样本的高光谱数据进行校正:在所有样本图像采集完成之后,不调动系统设置,获取标准参考白板的反射率,然后盖起镜头盖,得到全黑图像的反射率。
3.根据权利要求2所述的一种小麦白粉病中晚期病害严重度自动分析方法,其特征在于:步骤(2)中,所述的“对校正后的叶片样本的高光谱数据进行反射率转换及归一化处理”具体包括以下步骤:(21)采用以下公式计算校正后图像的反射率值R:
其中,R0为样本原始的高光谱反射率值,RD为获取到的全黑图像反射率值,RW为获取到的参考白板反射率值,R为校正后的反射率值;
(22)采用以下公式对所有采集样本的面状光谱数据做消除光照差异的归一化处理:其中, 表示转化后的归一化反射率,Ri表示的是在样本中某一波段i的光谱反射率值,∑Ri表示某一样本的所有光谱反射率的总和,N为样本中总的波段数。
4.根据权利要求1所述的一种小麦白粉病中晚期病害严重度自动分析方法,其特征在于:步骤(4)中的d等于2。