1.一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,包括以下步骤:
11)高光谱数据的获取:获取直立角度下的冬小麦单穗样本的反射率光谱;
12)赤霉病病情严重度的计算:采用病情严重度计算公式求出每个冬小麦单穗样本的病情严重度,并根据病情严重度将冬小麦单穗样本进行分类;
13)原始光谱波段特征的筛选:对冬小麦单穗样本的反射率光谱和病情严重度进行相关性分析,筛选出相关性高的原始光谱波段特征;
14)最优小波特征的筛选:对冬小麦单穗样本的反射率光谱进行连续小波变换求得相应小波特征,并从相应小波特征中筛选出与病情严重度相关性高且严重度类间差异显著的小波特征作为最优小波特征;
15)冬小麦麦穗赤霉病识别模型的构建:利用SVM算法构建冬小麦麦穗赤霉病识别模型;
16)冬小麦麦穗赤霉病识别模型的训练:利用筛选出的原始光谱波段特征和最优小波特征作为冬小麦麦穗赤霉病识别模型的输入变量,对冬小麦麦穗赤霉病识别模型进行训练;
17)冬小麦麦穗赤霉病识别结果的获得:将筛选出的原始光谱波段特征和最优小波特征组成冬小麦赤霉病敏感特征集输入冬小麦麦穗赤霉病识别模型,得到冬小麦麦穗赤霉病识别结果。
2.根据权利要求1所述的一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,所述赤霉病病情严重度的计算包括以下步骤:
21)采用以下公式计算出每个冬小麦单穗样本的赤霉病病情严重度:
y=a/b*(1+c/a)
其中,a表示单麦穗中病麦粒个数,b表示单麦穗中全部麦粒个数,c表示干瘪皱缩病变程度严重的麦粒个数,y表示冬小麦麦穗赤霉病病情严重度;
22)根据每个冬小麦单穗样本的病情严重度,将冬小麦单穗样本分成健康或染病二类,或者分成健康、轻度和重度三类。
3.根据权利要求2所述的一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,所述原始光谱波段特征的筛选包括以下步骤:
31)根据冬小麦单穗样本反射率光谱中的光谱辐射值和对应波段白板光谱辐射值的比值,求得冬小麦麦穗反射率光谱曲线,得出350nm-950nm之间每个波段的光谱反射率;
32)采用以下公式对每个冬小麦单穗样本在350nm-950nm之间每个波段的光谱反射率和与其对应的病情严重度进行相关性分析,求出光谱反射率与病情严重度之间的相关系数R1;
其中,xi和yi分别表示冬小麦单穗样本的350nm-950nm之间每个波段的光谱反射率和冬小麦单穗样本的赤霉病病情严重度两个变量,表示相同波段所有样本光谱反射率的平均值, 表示样本病情严重度的平均值,n表示样本数量,R1的绝对值介于0-1之间,R1值越接近1,表示两个变量之间的相关程度越强,反之越接近0,两变量之间的相关程度越弱;
33)在400nm-500nm和600nm-700nm两个不同波段范围内,选取与病情严重度相关性最大的两个特征波段491nm和699nm作为冬小麦单穗样本反射率光谱的原始光谱波段特征。
4.根据权利要求3所述的一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,所述最优小波特征的筛选包括以下步骤:
41)采用高斯函数作为母小波函数,利用以下公式对冬小麦单穗样本的反射率光谱进行连续小波变换,求得350-950nm之间601个不同波段、10个不同尺度的小波能量系数Wf(a,b):其中,Ψ(λ)表示母小波函数,f(λ)表示冬小麦单穗样本的反射率光谱,a和b分别表示小波的分解尺度和时间平移因子;每一个冬小麦单穗样本均得到601波段×10尺度个不同波段和尺度的小波能量系数。
42)采用以下公式对小波能量系数Wf(a,b)和病情严重度进行相关性分析,获得相关系数R2,并利用阈值法筛选出与赤霉病相关性大于0.65的小波特征集一;
其中,zi和yi分别表示某个波段尺度的小波能量系数和冬小麦单穗样本赤霉病病情严重度两个变量,表示相同波段相同尺度的所有样本的小波能量系数的平均值, 表示样本病情严重度的平均值,n表示样本数量,R2的绝对值介于0-1之间;R2绝对值越接近1,表示两个变量之间的相关程度越强,反之越接近0,两变量之间的相关程度越弱;
43)分别对健康、轻度和重度三类冬小麦麦穗样本两两组合,采用spss软件中的独立T检验功能筛选出三个类别组合中均呈现显著性差异的小波特征集二;
44)将小波特征集一和小波特征集二进行相交得到最优小波特征。
5.根据权利要求1所述的一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,所述利用SVM算法构建冬小麦麦穗赤霉病识别模型采用的决策函数为:其中,αi,i=1,...,n是训练样本对应的Lagrange乘子;ei表示冬小麦麦穗样本原始光谱波段特征和小波特征组合在一起得到的冬小麦赤霉病敏感特征集;fi∈{-1,1};K(ei.e)为径向基函数,且满足Mercer条件;b为阈值;f(e)值用于确定预测冬小麦麦穗赤霉病的病情严重度。
6.根据权利要求1所述的一种基于近地高光谱技术冬小麦赤霉病遥感识别方法,其特征在于,所述冬小麦麦穗赤霉病识别模型的训练包括以下步骤:
61)训练二分类冬小麦麦穗赤霉病识别模型:
611)将全部冬小麦单穗样本数据分为健康和染病两类,随机选取73个样本作为训练样本集D,D={(e1,f1),(e2,f2),...,((em,fm))},其中,任意样本ei为n维向量,fi∈{-1,1};fi为其对应的分类结果,fi等于1表示健康的冬小麦,fi等于-1表示染病的冬小麦;
612)将冬小麦单穗样本的原始光谱波段特征和小波特征组合在一起得到冬小麦赤霉病敏感特征集,冬小麦赤霉病敏感特征集作为样本变量ei;
613)将训练样本集D={(e1,f1),(e2,f2),...,((em,fm))}输入到冬小麦麦穗赤霉病识别模型中,获得训练后的二分类冬小麦麦穗赤霉病识别模型;
62)训练三分类冬小麦麦穗赤霉病识别模型:
621)将冬小麦麦穗赤霉病严重度分为健康,轻度,重度三类样本,将三类样本中的每两类分别构造一个二分类冬小麦穗的赤霉病识别模型分类器svmi-j,得到SVM健康-轻度、SVM健康-重度和SVM轻度-重度;
622)将全部冬小麦单穗样本数据分为健康、轻度以及重度三类,其中随机选取73个样本作为训练样本集D,D={(e1,f1),(e2,f2),...,((em,fm))},其中,任意样本ei为n维向量,fi∈{-1,1};fi即为其对应的分类结果,fi等于-1表示i类,fi等于1表示j类;
623)将冬小麦单穗样本的原始光谱特征和最优小波特征组合在一起得到冬小麦赤霉病敏感特征集作为样本变量ei;
624)将训练样本集D={(e1,f1),(e2,f2),...,((em,fm))}分别输入到三个分类器中,每个分类器对样本的分类进行统计,样本的分类在某个类别得到的票数最多,则将该样本判别给这类,最终获得训练后的三分类冬小麦麦穗赤霉病识别模型。