植物叶面积指数反演方法及存储介质

1.本技术属于高光谱遥感技术领域，具体为一种植物叶面积指数反演方法及存储介质。


背景技术：

2.叶片是植物光合、呼吸以及蒸腾作用的主要器官，叶片面积是植物生长发育中的重要考察指标。叶面积指数(leaf area index，lai)指单位地表面积上叶片总面积的一半，常用于精准农业种植中的植物长势评价、产量预测、种植结构调整以及水肥管理等工作，植物叶面积指数高光谱反演模型的建立，对农业生产具有重要意义。
3.叶面积测量方法主要分为两类，一类是传统的直接测定方法，这类方法具有一定的破坏性，需人工采集植物叶片，工作效率低，且无法对同一植物进行连续动态监测。另一类是间接测定方法，它是用一些测量参数或用光学仪器得到叶面积指数，较为常用的是基于图像测量的方法和基于遥感的方法，其中，基于图像测量的方法测量速度相对较慢，需对图像进行后期处理，计算参数进而推算有效叶面积指数；卫星遥感易受过境时间及云雾水气影响，且空间分辨率较低。因此，如何在不破坏叶片的前提下，准确反演植物叶面指数，可以精准判断植物生长状况，成为亟待解决的问题。


技术实现要素：

4.本说明书一个或多个实施例的目的是提供一种植物叶面积指数反演方法，避免植物破坏的前提下准确反演植物叶面积指数，提高对植物生长状况的精准判断。
5.为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
6.第一方面，提供了一种植物叶面积指数反演方法，包括以下步骤：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，所述融合图像的每一个像素点为具有光谱特征和纹理特征的特征向量；将所述融合图像数据作为二维卷积2d-cnn叶片识别模型的输入，实现所述2d-cnn叶片识别模型的输出结果为包括叶片和背景的二值图像；基于所述输出结果计算植物叶面积指数。
7.第二方面，提供了一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行时，实现如根据上文所述的植物叶面积指数反演方法。
8.由以上本说明书一个或多个实施例提供的技术方案可见，本发明实施例提供的植物叶面积指数反演方法提取无人机植物高光谱成像数据的光谱特征和纹理特征融合处理后作为2d-cnn叶片识别模型的输入，该模型出的输出结果包括叶片和背景的二值图像，最后基于该输出结果计算植物叶面积指数。相比于常规监测数据，本发明实施例提供的植物叶面积指数反演方法具有无破坏性、分辨率较高、获取数据特征信息多、监测地点灵活、可以大面积连续动态监测、实时获取数据等优点。进一步地，本发明实施例采用植物图像间接测量法计算叶面积指数，结合将无人机植物高光谱成像数据标注为二值图标注数据作为建
模标准值进行建模有效避免了破坏植物的问题。
附图说明
9.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对一个或多个实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
10.图1是根据本发明实施例提供植物叶面积指数反演方法的流程示意图；
11.图2是根据本发明实施例提供的植物叶面积指数反演方法中基于融合图像数据构建cnn叶片识别模型的示意图。
具体实施方式
12.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
13.本发明实施例提供的植物叶面积指数反演方法，是基于无人机高光谱成像数据的植物叶面积指数反演方法，有别于卫星遥感、图像测量和传统叶面积测定法，具有无破坏性、分辨率较高、监测地点灵活、可以大面积实时连续动态监测的优点。下面将详细地描述本说明书实施例提供的植物叶面积指数反演方法及其各个步骤。
14.实施例一
15.参照图1所示，为本发明实施例提供的植物叶面积指数反演方法，包括以下步骤：s10：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像数据的每一个像素点为具有光谱特征和纹理特征的特征向量；s20：将融合图像数据作为二维卷积2d-cnn叶片识别模型的输入，实现2d-cnn叶片识别模型的输出结果为包括叶片和背景的二值图像；s30：基于输出结果计算植物叶面积指数。
16.本发明实施例提供的植物叶面积指数反演方法是基于对无人机高光谱成像数据进行图像处理实现，可以对植物叶面积指数准确实时的反演监测，实现对植物生长状况的及时精准判断。相对于现有技术具有无破坏性、分辨率较高、获取数据特征信息多、监测地点灵活、可以大面积连续动态监测、实时获取数据等优点。无人机高光谱遥感技术具有飞行灵活、成本较低、空间分辨率高、监测范围广、数据获取便捷等优势，更适用于农业生产应用。
17.可选地，本发明实施例提供的植物叶面积指数反演方法中，s10：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像数据的每一个像素点为具有光谱特征和纹理特征的特征向量之前，还包括对无人机植物高光谱成像数据提取光谱特征，具体包括：对无人机植物高光谱成像数据进行降维，计算光谱特征的累计贡献率；当累计贡献率达到设定阈值，确定贡献率排名靠前的光谱特征主成分的数量；将无人机植物高光谱成像数据降维至主成分的数量。
18.采用主成分分析法(pca)对无人机植物高光谱成像数据进行降维，计算光谱特征的累计贡献率，当累计贡献率达到设定阈值，比如大于80％时，选取贡献率排名前m个光谱特征的主成分，将无人机植物高光谱成像数据由初始n维降维至m维，0＜m＜n。比如原无人机植物高光谱数据有300个光谱特征，经过pca降维后，剩下贡献率排名前5个光谱特征的主成分，且这5个主成分的累计贡献率为98％，因此可以降维至5。
19.可选地，本发明实施例提供的植物叶面积指数反演方法中，s10：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像的每一个像素点为具有光谱特征和纹理特征的特征向量之前，还包括对无人机植物高光谱成像数据提取纹理特征，具体包括：对无人机植物高光谱成像数据630nm、520nm、460nm波段合成彩色图像进行灰度级压缩；对灰度级压缩后的无人机植物高光谱成像数据进行灰度化，计算灰度共生矩阵；计算灰度共生矩阵在多个方向的均值作为纹理特征。
20.将无人机植物高光谱成像数据630nm、520nm、460nm波段合成彩色图像进行灰度化，计算灰度共生矩阵。为减少灰度共生矩阵的计算量，在计算矩阵前，对合成的彩色图像进行灰度化后的数据进行灰度级压缩。计算灰度共生矩阵是计算灰度图像从灰度级为i的像素点移动某个固定位置关系d＝(δx，δy)到达灰度级为j的像素点的概率，可用p(i，j)，(i，j＝0，，2
…
，l-1)表示，其中l表示灰度级压缩后灰度图像灰度级，δx和δy的范围由像素间距d和角度θ两个参数确定。本专利使用能量(asm)、对比度(con)、熵(ent)、均匀性(idm)。这是灰度共生矩阵的四个常用统计量，公式如下所示，分别求这四个常用统计量在0
°
、45
°
、90
°
和135
°
四个方向的均值，用作最终的纹理特征进行叶面积指数的反演。
21.asm＝∑i∑jp2(i，j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
22.con＝∑i∑j(i-j)2p(i，j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
23.ent＝-∑i∑jp(i，j)lgp(i，j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024][0025]
然后将对无人机植物高光谱数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像数据的每一个像素点为具有光谱特征和纹理特征的特征向量。这里的光谱特征与纹理特征可以以向量的形式表示，每一个像素点具有(m 4)维的特征向量，其中m为光谱特征的数量，4为纹理特征的数量。
[0026]
可选地，本发明实施例提供的植物叶面积指数反演方法，s20：将融合图像数据作为2d-cnn叶片识别模型的输入，实现2d-cnn叶片识别模型的输出结果为包括叶片和背景的二值图像之前，还包括：基于融合图像数据构建2d-cnn叶片识别模型。采用无人机植物高光谱数据处理得到的光谱特征与纹理特征融合为融合图像数据，将融合图像数据输入至2d-cnn叶片识别模型，相比于传统光学植被叶面积指数的测量方法，本发明实施例不仅利用了样本的光谱信息，还结合了样本的图像信息，获取的样本特征信息更加全面，并且只利用了少数几个特定波段完成建模，进而计算叶面积指数，实现对植物叶面积指数的高精度反演。
[0027]
本发明实施例提供的植物叶面积指数反演方法中，s10：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像数据的每一个像素点为具有光谱特征和纹理特征的特征向量之前，还包括：基于无人机植物高光谱成像数据采用植物图像间接测量法获得包括叶片和背景的二值图像；采用包括叶片和背景的二值图像
对无人机植物高光谱成像数据进行数据集标注得到二值图标注数据。采用植物图像间接测量法对无人机植物高光谱成像数据处理为包括叶片和背景的二值图像。可以利用得到的精准二值图对无人机植物高光谱成像数据的叶片与背景进行标注，作为2d-cnn叶片识别模型建模的标准值。
[0028]
可选地，本发明实施例提供的植物叶面积指数反演方法中，基于无人机植物高光谱成像数据采用植物图像间接测量法获得包括叶片和背景的二值图像，具体包括：提取无人机植物高光谱成像数据的三个波段数据合成彩色图像；对彩色图像进行预处理；对预处理后的彩色图像进行形态学处理，初步得到二值图像；经过修正后得到最终的二值图像。
[0029]
可选地，本发明实施例提供的植物叶面积指数反演方法中，基于融合图像数据构建2d-cnn叶片识别模型之前，还包括：将二值图标注数据作为建模标准值。提取高光谱成像数据的630nm、520nm、460nm波段分别作为rgb的三个通道合成彩色图像；对该彩色图像进行预处理包括图像滤波、对比度变化等；之后对预处理后的彩色图像进行形态学处理，利用otsu最大类间方差法进行阈值分割，结合膨胀腐蚀算法，初步得到叶片和背景的二值图像；对该二值图像进行手动修正得到最终的二值图像。利用该准确的二值图像对高光谱成像数据的叶片与背景进行标注得到二值图标注数据作为建模的标准值。本发明实施例提出的采用植物图像间接测量法计算叶面积指数作为标准值，结合植物光谱特征及纹理特征进行建模，无需破坏植物叶片，有效避免了植物的破坏问题。
[0030]
可选地，本发明实施例提供的植物叶面积指数反演方法中，基于融合图像数据构建2d-cnn叶片识别模型，具体包括：对融合图像数据进行图像尺寸预处理，使得融合图像数据中的每一幅图像裁剪成多幅设定尺寸的子图像，子图像的每个像素点具有光谱特征和纹理特征的特征向量；基于lenet网络模型搭建2d-cnn叶片识别模型，输入层对应具有(m 4)个图像通道。
[0031]
将融合图像数据的每一幅图像裁剪成多幅子图像，并将子图像缩放至32
×
32尺寸，子图像的每个像素点有(m 4)维的特征向量，因此每个子图像的尺寸为(32，32，m 4)。
[0032]
参见图2所示，本发明实施例在经典的lenet网络模型基础上调参构建2d-cnn叶片识别模型，lenet网络包含基本的卷积层模块、池化层模块和全连接层模块，除输入外共有7层。由于输入的子图像的图片为(m 4)个通道图像，因此c1层的卷积核尺寸为5
×5×
(m 4)，即在每个通道上分别执行二维卷积，然后将(m 4)个通道的加起来得到该位置即每一个像素点的二维卷积输出。对于叶片识别来说，其最终识别标签类别数为2，即叶片和非叶片，因此将最后一个全连接层的节点设置为2。本发明实施例提出用pca降维后的光谱特征向量与利用灰度共生矩阵法提取的纹理特征向量相融合后得到的融合图像数据输入到2d-cnn叶片识别模型中，相比于传统植被指数法提取到的特征信息更丰富。
[0033]
可选地，本发明实施例提供的植物叶面积指数反演方法中，s30：基于输出结果计算植物叶面积指数，具体包括：采用有限长度平均法计算植物叶面积指数：
[0034][0035]
其中，θ为太阳天顶角；p(θ)为间隙率，根据叶片图像数据和非叶片图像数据计算得到每个子图像的间隙率；g(θ)代表单位体积叶面积在垂直于θ方向平面上的平均投影面积，与叶倾角分布有关。
[0036]
叶面积指数地面间接测量方法的理论基础为beer定律，本发明实施例使用有限长度平均法可推导得到植物叶面积指数的计算公式：
[0037][0038]
p(θ)为间隙率，表示一束光线沿天顶角θ方向穿过植被冠层的概率；p(θ)代表单位体积叶面积在垂直于o方向平面上的平均投影面积，与叶倾角分布有关，一般g(θ)＝0.5；ω(θ)为聚集指数，依赖于叶片的空间分布，ω(θ)＞1代表规则分布ω(θ)＝1代表随机分布，ω(θ)＜1代表丛生分布。
[0039][0040]
采用有限长度平均法得到的叶面积指数的计算公式为：
[0041][0042]
式中，p(θ)为将融合图像数据中的每一幅图像切分成不同子图像，每个子图像的间隙率，计算方法如下：
[0043][0044]
综上所述，基于2d-cnn叶片识别模型的输出结果统计每个子图像中非植被像素总数和子图像中像素总数，求得每个子图像的间隙率，将拍摄高光谱成像图像时所测的太阳天顶角θ和g(θ)＝0.5输入计算公式(7)得到植物叶面积指数。
[0045]
通过以上分析可以看出，本发明实施例提供的植物叶面积指数反演方法基于图像技术对无人机植物高光谱成像数据提取光谱特征和纹理特征融合处理后作为2d-cnn叶片识别模型的输入，该模型出的输出结果仅为包括叶片和背景的二值图像，最后基于该输出结果计算植物叶面积指数。相比于常规监测数据获取叶片面积的，本发明实施例提供的植物叶面积指数反演方法具有无破坏性、分辨率较高、获取数据特征信息多、监测地点灵活、可以大面积连续动态监测、实时获取数据等优点。进一步地，本发明实施例采用植物图像间接测量法计算叶面积指数，结合其将高光谱成像数据标注的二值图像作为标准值进行建模有效避免了破坏植物的问题。
[0046]
实施例二
[0047]
本发明实施例提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行时，实现如根据上文所述的植物叶面积指数反演方法。
[0048]
如图1所示，该发明实施例提供的植物叶面积指数反演方法，包括以下步骤：s10：对无人机植物高光谱成像数据的光谱特征和纹理特征做融合处理得到融合图像数据，融合图像的每一个像素点为具有光谱特征和纹理特征的特征向量；s20：将融合图像数据作为2d-cnn叶片识别模型的输入，实现2d-cnn叶片识别模型的输出结果为包括叶片和背景的二值图像；s30：基于输出结果计算植物叶面积指数。
[0049]
本发明实施例提供的植物叶面积指数反演方法是基于对无人机高光谱成像数据
进行图像处理实现，可以对植物叶面积指数准确实时的反演监测，实现对植物生长状况的及时精准判断。相对于现有技术具有无破坏性、分辨率较高、获取数据特征信息多、监测地点灵活、可以大面积连续动态监测、实时获取数据等优点。无人机高光谱遥感技术具有飞行灵活、成本较低、空间分辨率高、监测范围广、数据获取便捷等优势，更适用于农业生产应用。进一步地，本发明实施例提供的植物叶面积指数反演方法采用植物图像间接测量法计算叶面积指数，并将对无人机高光谱成像数据标注的二值图像作为标准值据进行建模，有效避免了破坏植物的问题。
[0050]
通过以上分析可以看出，本发明实施例提供的植物叶面积指数反演方法基于图像技术对无人机植物高光谱成像数据提取光谱特征和纹理特征融合处理后作为2d-cnn叶片识别模型的输入，该模型出的输出结果仅为包括叶片和背景的二值图像，最后基于该输出结果计算植物叶面积指数。相比于常规监测数据获取叶片面积的，本发明实施例提供的植物叶面积指数反演方法具有无破坏性、分辨率较高、获取数据特征信息多、监测地点灵活、可以大面积连续动态监测、实时获取数据等优点。进一步地，本发明实施例采用植物图像间接测量法计算叶面积指数，结合其将高光谱成像数据标注的二值图像作为标准值进行建模有效避免了破坏植物的问题。
[0051]
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
[0052]
上述一个或多个实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0053]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0054]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。