基于高光谱图像离群检测的松材线虫病变检测方法

技术领域

本发明涉及松材线虫病变检测技术领域，尤其涉及基于高光谱图像离群检测的松材线虫病变检测方法。

背景技术

松材线虫病又称松枯萎病，是一种毁灭性虫害，已对我国松林造成了严重破坏。它最早起源于北美，我国于1982年在南京首次发现。至今我国被松材线虫感染的森林面积已达7.7万hm

目前对松材线虫病变的检测识别主要是通过人工采样的方式进行，这种工作方式效率低，滞后性高，且开销大。

为了解决目前人工检测识别松材线虫病变的弊端，我们提出了本发明的基于高光谱图像离群检测的松材线虫病变检测方法。

发明内容

本发明的目的是提供基于高光谱图像离群检测的松材线虫病变检测方法，用于解决现有技术中人工检测的效率低，滞后性高，且开销大。

为了实现上述目的，本发明采用了如下技术方案：

本发明提供一种基于高光谱图像离群检测的松材线虫病变检测方法，其特征在于，包括：

S1.采集高光谱图像，并进行辐射校正等预处理；

S2.利用自然邻居搜索算法，搜索出所述高光谱图像中所有样本点的自然最近邻居；

S3.将所述样本点的自然最近邻居划分为自然密邻居和自然稀邻居；

S4.计算高光谱图像中各样本点的密度转折度和邻域转折度；

并通过密度转折度和邻域转折计算各样本点的病变转折度；

S5.按照病变转折度大小对所有样本点进行排序；

选取病变转折度最大的样本点作为病变样本点，并将病变样本点的自然稀邻居也作为病变样本点。

进一步地，S2中利用自然邻居搜索算法，搜索出所述高光谱图像中所有样本点的自然最近邻居，包括：

S21.设高光谱图像中的样本点总数为M，初始化令r＝1、N(0)＝M；

S22.针对每一个样本点，搜索r个最近邻居，并统计没有逆邻居的样本点数量，并赋值给N(r)；

S23.判断N(r)-N(r-1)是否为0；

如果N(r)-N(r-1)不等于0，则令r＝r+1，并返回到S22进行迭代；

如果N(r)-N(r-1)等于0，则输出终止搜索，并输出每一个样本点的最近邻居，记为自然最近邻居，表示为NaN，每一个样本点的所有自然最近邻居，构成该样本点的自然邻域。

进一步地，S3中将所述样本点的自然最近邻居划分为自然密邻居和自然稀邻居，包括：

记高光谱图像中所有的样本点的数据集为X＝{x

对于两个样本点x

其中，cov(x

将样本点x

所有样本点的扫描半径的平均值作为最终的扫描半径R，表达如下：

采用高斯核密度方法计算高光谱图像所有样本点的密度：

其中，

如果样本点x

x

进一步地，所述密度转折度的计算方法如下：

对于密度转折度DTF(x

进一步地，所述邻域转折度的计算方法如下：

其中，K是通过自然邻居自适应得到的邻域参数，RK(x

对于邻域转折度NTF(x

进一步地，所述病变转折度的计算方法如下：

TF(x

对于样本点x

本发明至少具备以下有益效果：

本发明通过采用高光图像离群检测技术，可以有效检测出松材线虫病变的检测，避免了人工检测的效率低、滞后性高且成本大的问题；

本发明通过将自然邻居思想引入高光谱图像离群检测中，充分考虑了高光谱图像样本点的空间领域和密度信息，自适应的获得高光谱图像中的自然邻居关系，并将自然邻居关系分为自然密邻居和自然稀邻居，同时结合密度转折度和邻域转折度概念，提出了能够有效反映出样本点是否病变的病变转折度，用于检测高光谱图像中的病变样本点，从而使得高光谱图像离群检测方法能够有效地应用于松材线虫病变检测中，且取得了较好的检测结果。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为自然最近邻居的获取过程示意图；

图3为具体一实施例中高光谱图像数据分布示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

高光谱图像具有很高的光谱分辨率，不仅包含空间结构信息，同时还涵盖了丰富的光谱信息，因此能够大大提高地物类类别的识别能力。本发明利用高光谱图像的这一优势，从而有效地对松材线虫病变进行检测和控制。但是现有的高光谱图像离群检测模型直接将密度低于某个阈值的样本点作为离群点处理，未考虑样本点之间的邻域关系和局部密度变化等信息，因此对高光谱图像中的局部离群点和离群簇检测效果不佳，且对人为设置的邻域参数敏感。为此，我们对其进行了相应的优化设置，建立一种新的基于高光谱图像离群检测的松材线虫病变检测方法，从而提高松材线虫病变检测效率，同时降低人工检测成本。

具体技术方案如图1所示，步骤如下：

S1.首先是采集用于检测松材线虫病变的高光谱图像，并进行辐射校正等预处理。

S2.利用自然邻居无参特性，提出适用于高光谱图像的自然邻居搜索算法，进而自适应获得高光谱图像的自然最近邻居；

S3.将自然最近邻居分为自然密邻居和自然稀邻居；

S4.基于高光谱图像同一类中数据对象的局部密度和邻居关系不会发生突变的特性，提出密度转折度和邻域转折度；

结合这两个概念搜索高光谱图像中的离群转折点，即局部离群点；

S6.将离群转折点最大的样本点及其自然稀邻居作为离群簇，作为从而检测出高光谱图像中的局部离群点和离群簇，并作为最终的病变样本点。

由此，可以进而提高基于高光谱图像离群检测的松材线虫病变检测效果。

更具体的：

1.自然最近邻居

自然邻居能够自适应获得高光谱图像中所有样本点的邻域关系和密度等信息，且不需要人为设置参数。自然邻居初始搜索每个样本点的r(r>＝1)最近邻居，然后统计高光图像中没有逆邻居的样本点数量N(r)；迭代搜索每个样本点的r+1最近邻居，并再次统计出没有逆邻居(如果样本点a是样本点b的最近邻居，那个样本点b就是a的逆邻居)的样本点数量N(r+1)；当N(r)-N(r-1)＝0时终止搜索过程。自然邻居的自适应过程如图2所示。

2.自然密邻居和自然稀邻居

假设X＝{x

对于两个样本点x

其中，cov(x

基于公式1，利用自然邻居搜索模型，获得高光谱图像中所有样本点之间的自然邻域(NaN)。本发明将样本点x

因此，为了统一扫描半径，本发明将所有样本点的扫描半径的平均值作为最终的扫描半径R，可用公式2得到。

然后采用高斯核密度方法计算高光谱图像所有样本点的密度

如果样本点x

3.密度转折度和邻域转折度

本发明基于以下原理：高光谱图像中同一类别中的正常样本点的密度分布和邻域关系应具有延续性，在局部范围内不应出现巨大变化。因此，如果在某个样本点x

根据公式4可知，由于样本点x

公式5中，K是通过自然邻居自适应得到的邻域参数，RK(x

4.病变转折度

结合密度转折度和邻域转折度，本发明利用公式6得到的病变转折度来检测高光谱图像中的松材线虫病变样本点。

TF(x

样本点x

以下，提供一个具体的应用实施例：

假设高光谱图像数据分布如图3所示，样本点p和{a,b,c,…,f}为离群点(即松材线虫病变样本点)。本发明首先通过公式1求得数据集中所有样本点之间的距离，然后根据自然邻居搜索模型，自适应地获得每个样本点的自然邻域关系和密度信息，图3(a)中蓝色的点即为样本点p的自然邻域，并将自然邻域分为自然密邻域和自然稀邻域，图3(b)中黄色的样本点为p的自然密邻域，绿色的样本点为p的自然稀邻域，然后通过公式4和公式5求出所有样本点的密度转折度和邻域转折度，进而通过公式6求出所有样本点的病变转折度，并由小到大进行排序。本发明发现，样本点p的病变转折度在数据集中为最大，然后将样本点p及其自然稀邻域{a,b,c,…,f}检测为松材线虫病变样本点。

由此，本发明通过以上内容，本发明通过采用高光图像离群检测技术，可以有效检测出松材线虫病变的检测，避免了人工检测的效率低、滞后性高且成本大的问题；通过将自然邻居思想引入高光谱图像离群检测中，充分考虑了高光谱图像样本点的空间领域和密度信息，自适应的获得高光谱图像中的自然邻居关系，并将自然邻居关系分为自然密邻居和自然稀邻居，同时结合密度转折度和邻域转折度概念，提出了能够有效反映出样本点是否病变的病变转折度，用于检测高光谱图像中的病变样本点，从而使得高光谱图像离群检测方法能够有效地应用于松材线虫病变检测中，且取得了较好的检测结果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。