基于可见光—近红外图像的幼龄檀香全磷含量诊断

摘要

【目的】檀香是一种典型珍贵树种,在幼龄期时,不合理的田间施肥会影响其正常生长,降低存活率。因此,本文提出了一种基于可见光-近红外图像的幼龄檀香全磷营养诊断方法,为实时监测珍贵树种生长状态及养分需求提供参考。【方法】通过将野外获取的檀香图像转换到HSI颜色空间,提取S和I通道,利用二者在使用Otsu分割后产生的优势互补,并结合形态学运算,从复杂背景中提取出檀香。计算出形状、纹理和光谱及植被指数特征后,分别使用显著性分析(ST)和平均影响值(MIV)方法进行变量筛选,并使用遗传算法(GA)初始化BP神经网络的权值和阈值,最终得到预测结果。【结果】(1)复杂背景下的檀香分割中,S通道和I通道相结合可以将大部分背景(天空、土壤、其他绿色植物)与目标檀香分割开,同时结合7×7中值滤波、形态学运算和超G因子,将其他毛刺去除。与常用的支持向量机相比,本文提出的分割算法结果更接近于目视解译,像素数和颜色误差更小。(2)对不同施磷水平下各特征进行分析发现,适当增加施磷量有利于促进叶绿素的形成,使得纹理更均匀清晰,加快叶片生长;当过量时则会破坏叶绿体,造成叶片组织出现变化,导致叶片黄化,叶片出现网状脉纹,增加了纹理复杂程度。(3) ST与MIV筛选出的变量差异较大,通过GA-BPNN训练结果可知,MIV方法筛选出的变量对全磷含量的影响更大,预测集得到的决定系数达到0. 801,平均残差为0. 032 g/kg,均方根误差为0. 666 g/kg。【结论】通过处理可见光-近红外图像,实现了幼龄檀香的全磷含量诊断,有效提高了磷肥利用率,同时也可以减小过量施肥引起的地下水污染等生态问题。