摘 要

本次设计的主要内容是基于多光谱成像的植物健康状况监测技术，内容为使用多光谱相机拍摄植物生长和病变的光谱图像，用Matlab对光谱图像进行图像特征提取处理，从而达到对植物生长和病变变化的趋势的监测，通过阈值化处理将植物的叶片和背景图像分割开，对叶片面积占图像比进行计算，对比输入图像的前后植物面积变化达到对植物生长进行监测的目的；而对于病变植物的监测，同样先通过阈值化处理将植物叶片与背景图像分割，然后对病变区域的特征进行提取，相比于常规的区域生长算法，考虑到病变区域在图像上的不连续性，采用K-means聚类算法对病变区域进行特征提取，取得了比使用区域生长算法更好的效果；最后基于两种图像处理算法得到的数据和图像，使用Matlab的GUI设计功能，设计了一个对植物光谱图像生长和病变情况监测的应用程序模型。

关键词：多光谱；植物生长；植物病变；Matlab；

Abstract

The main content of this design is the monitoring technology of plant health based on multispectral imaging，The content is to use a multispectral camera to take spectral images of plant growth and lesions，Matlab is used to extract image features from spectral images，So as to monitor the trend of plant growth and pathological changes，The leaf and background images of plants were segmented by threshold processing, and the ratio of leaf area to image was calculated. The plant area changes before and after the input image were compared to achieve the purpose of monitoring plant growth.For the monitoring of diseased plants, the plant leaves and background images were segmented by threshold processing, and then the characteristics of the diseased areas were extracted，Compared with the conventional regional growth algorithm, considering the discontinuity of the lesion region in the image, k-means clustering algorithm is adopted to extract the characteristics of the lesion region, which achieves better results than the regional growth algorithm，Finally, based on the data and images obtained by the two image processing algorithms, the GUI design function of Matlab was used to design an application program model for the monitoring of plant spectral image growth and pathological changes.

Keywords：Multispectral; Plant growth; Plant disease; Matlab;

目录

第一章 绪论 1

1.1研究背景及意义 1

1.2多光谱成像技术在国内外的研究现状 1

1.3本文内容结构 4

第二章 系统理论基础和方案设计 3

2.1多光谱相机成像原理 3

2.2 阈值化算法原理 3

2.3 K-means聚类算法原理 4

2.4系统总体方案设计 5

2.4.1系统功能设计 5

2.4.2 系统方案设计 5

2.4.3 系统可行性分析 9

第二章 系统硬件说明 11

3.1多光谱相机简介 11

3.2性能特点 12

3.3 技术指标 13

3.4 基本规格参数 13

第四章 系统软件设计 15

4.1植物生长变化算法 17

4.2植物病变变化算法 18

4.3 GUI设计 19

4.3.1植物生长变化监测GUI设计 19

4.3.2植物病变变化监测 21

第五章 测试结果分析 23

5.1 误差分析 23

5.2 系统测试结果 23

第六章 总结与展望 27

6.1 总结 27

6.2 对未来的展望 27

参考文献 29

附录A 植物生长变化监测核心算法 31

附录B 植物病变变化监测核心算法 32

附录C GUI设计主程序 33

致谢 37

绪论

1.1研究背景及意义

农林业作为我国根本行业，一直是我国的重点发展行业之一，但我国农林业现阶段的整体发展水平偏低，主要体现在整体机械化水平较低，对农林业的发展主要以人工进行栽种和维护为主，人力资源浪费严重，土地资源也无法得到充分利用等诸多方面。

农林业的精细化和机械化是我国农林业的未来发展方向和必经之路，不同于传统农林业的依靠人工作业，精细化的农林业以借用多种科学及工程技术为主，通过各种各样的科学仪器获取目标地点的诸多生态信息，通过分析生态信息所代表的地理环境信息，因地制宜地制定对应的发展方针，从而达到最大化利用土地的目的。

在农林业中，人工作物的生长与自然条件、人工因素密切相关，而在大规模的作物种植过程中，病虫害的侵袭也会随之而来，这也是我国农林业所面临的主要灾害之一，因此，对植被生长状况和病虫害的实时监测便显得尤为重要，而对于植物生长监测技术而言，多光谱成像技术通过其实时、快速、无损、准确的优点，在农作物生长信息采集中得到了广泛的研究和应用。

光谱成像技术是在二十世纪多光谱遥感成像技术的基础上发展而来的，其原理是通过拍摄不同光谱波段的目标照片，获得相比肉眼观察可见光照条件下更多的目标信息，由于其拥有卓越的信息获取能力，在航空航天，农业、林业、环境与灾害监测、大气监测、军事、海洋监测、生物医药等领域都得到了广泛应用。在农林业监测中，植物由于自身对不同光谱波段吸收效率不同的原因，在多光谱相机的拍摄下，相比可见光条件下的观察，人们可以从多光谱图像中获取更多的植物生长信息，从而更好地对植物生长进行人为调节。

1.2多光谱成像技术在国内外的研究现状

目前国内外对多光谱技术的研究整体处于发展水平，多光谱技术由于自身可以在不损害观察目标的前提下，获得比常规观测手段更多信息的优点，在诸多领域都有较为广泛的应用，近年来在植物病虫害及生长状况监控方面更是发展迅猛。

国内外对多光谱成像技术的研究主要分为三类。

第一类为目标光谱特性研究。它是多光谱遥感应用的基础性工作，包括研究目标辐射和反射电磁波的特性、电磁波在大气中的传播以及和物体相遇时会发生的现象等。通过实验，测量收集和分析大量目标物体的特定光谱特征，如色彩、强弱等，找出不同物体之间光谱信息的细微差异，为目标的识别提供科学依据。“中国科学院研究生院的刘波同学在论文《基于成像光谱技术的作物杂草识别研究》中提出了通过多光谱成像技术的波段识别能力，研发出了具有高精确度的杂草识别模型，能够快速识别作物和杂草的区别，达到高效标记杂草的作用^[1]”；“张初的《基于光谱与光谱成像技术的油菜病害检测机理与方法研究》采用高光谱成像技术(hyperspectral imaging)、叶绿素荧光成像技术(chlorophyll fluorescence imaging)、激光诱导激发光谱(laser induced breakdown spectroscopy,LIBS)、中红外光谱技术(mid-infrared spectroscopy, MIR)和激光共聚焦显微拉曼光谱成像技术(laser confocal micro-Raman imaging)对油菜菌核病进行检测，成功达到了对油菜的病虫害进行准确实时监测的目的^[2]”。

第二类是对信息获取设备进行优化改造。信息获取设备主要用来接收目标和背景辐射或反射的电磁波信号，并将其以电信号和图像形式转换为人们可以接收的信息，是光电遥感技术最重要的部分，主要包括各种相机、扫描仪、成像光谱仪及各种信息记录设备等。此外，还包括把这些设备运送到适合进行探测的高度和位置的运载平台。“祝思君的《基于深度学习的无人机遥感图像目标识别方法研究》研究无人机遥感图像处理以及卷积神经网络在无人机遥感图像分类识别中的应用,通过建立完善的无人机图像知识库,能够提高图像理解的自动化和智能化,从而提高无人机图像自动分类识别的精度^[3]”；“陕西师范大学2015届研究生汪朝的《视频多光谱相机数据采集与处理技术研究》中对多光谱相机的数据采集和处理功能进行了详尽的介绍，通过阅读该文章，可以很好的理解多光谱相机在这方面的使用方法，从而提高对多光谱相机的使用效率^[4]”。

第三类为对图像的处理和判读。对已获得的信息进行各种校正，去除某些失真、偏差、虚假的信号，还原成一个比较接近真实景象的信号，然后人工辨别或借助光学设备、计算机进行光谱特征分析比较，找出感兴趣的目标。“马云鹏的《基于多光谱数据融合的图像显著性检测》在通用的多光谱数据处理技术的基础上，提出了基于协同图模型和基于多尺度深度网络的多光谱显著性检测算法,以提高复杂场景下视觉显著性检测的精度与鲁棒性，有利于目标的准确定位与内容的快速检索，应用于农林业时，对大规模种植区域的目标选定具有重大意义^[5]”；“刘鑫的《基于多光谱成像技术的马铃薯晚疫病多角度辨识研究》中，基于光谱成像技术其图谱合一的特点，在传统单角度观测的模式下增加角度维信息,获取更多维度的光谱成像信息，从而达到对马铃薯成长过程中病虫害状况的监测^[6]”；“王娣的《高光谱与多光谱遥感水稻估产研究》中，通过观测武穴梅川镇实验区内的水稻,利用地面高光谱数据和无人机平台多光谱数据,提取植被指数、端元丰度和纹理特征等信息,使用逐步线性回归、BP神经网络和随机森林算法进行水稻估产研究,是农林业使用多光谱图像判定农作物产量的典型案例^[7]”。

总的来说，多光谱成像技术作为一项发展趋于成熟的技术，尤其是在农林业中，多光谱成像技术以其无损、快速、实时、精确的特点，显著优于其他检测手段。近年来，越来越多的人将农林业的监测技术转向多光谱成像技术，这也导致有更多人将研究方向放在多光谱成像技术中，近年来展现在大众眼前的成品也越来越多，可以预见的是，多光谱技术必将成为21世纪的新兴发展技术之一。

1.3 系统理论基础

多光谱图像是指多光谱相机通过植物多光谱图像在不同波段的图像中，会将一些生长状况的信息显著化，使观察者通过观察多光谱图像的得到相比自然光环境下更多的信息，基于这样的特点，本设计计划使用阈值化算法和k-means聚类算法分别对植物多光谱图像的生长和病变图像进行特征提取，通过将特征区域伪彩色化及面积曲线化的方式将植物的生长及病变情况直观的表达出来，利于观察者直观地对植物的生长和病变情况进行掌握。本章主要讲了多光谱相机成像的原理，阈值化算法及k-mean聚类算法的原理，基于以上条件对系统整体方案进行设计。

1.3.1多光谱相机成像原理

人眼所能能识别的光谱区间为可见光区间，波长从400nm到700nm；普通数码相机的光谱响应区间与人眼识别的光谱区间相同，包含蓝、绿、红、 三个波段；而多光谱相机的工作谱段范围在其基础上，可以分可见光、近红外光、紫外光等多种光谱波段，每台多光谱相机的分辨率不同，所应用的领域也不同。而多光谱相机一般由光学会聚单元、分光单元、探测与信号处理单元以及信息记录或传输单元构成

1.3.2 阈值化算法原理

阈值分割法是一种基于区域分割的图像分割技术，其基本原理是把图像的象素点根据灰度值分级，设置阈值对图像进行分割。图像阈值化分割是一种传统的最常用的图像分割方法，因其计算量小、实现简单、性能稳定而成为图像分割中应用最广泛和最基本的图像分割技术。该分割方式主要适用于目标和背景占据不同灰度级范围的图像，使用阈值分割算法不仅可以极大的压缩数据量，还能极大地简化分析和处理步骤，因此在很多情况下都作为进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。

1.3.3 K-means聚类算法原理

K-Means算法的基本原理理解起来比较容易，主要是通过对给定的样本按照样本之间的距离，将样本集划分为K个部分。让每个部分内的点紧密的连在一起，而让部分之间的距离相对拉大。

如果用数学公式表达，就是将每个部分标记为(C1,C2,...Ck)，求出最小化平方误差E：

（2.1）

其中式子中的μi是每个部分Ci的平均值，其表达式为：

（2.2）

1.4本文内容结构

本文主要内容为基于阈值化算法和k-mean算法设计的一款植物多光谱图像特征提取设计，设计以植物生长多光谱图像为基础，以阈值化和k-means算法为核心，通过Matlab编写程序对多光谱图像进行生长及病变特征提取，使用Matlab设计一个简单的GUI用户操作界面，使用户可以通过该界面输入植物的多光谱图像，经过算法处理，输出特征变化曲线图和植物叶片的伪彩色图，实现对植物多光谱图像的特征提取以及生长和病变的趋势表达。主要内容如下：

第一章主要结合多光谱技术研究背景和对农林业发展的重要性，对国内外的相关研究现状以及部分研究成果进行说明，对比了三类主流的多光谱成像技术研究，对本设计的理论基础，即多光谱相机的成像原理及组成、阈值化算法提取植物轮廓的原理以及K-mean聚类算法的原理进行描述，同时对本文的整体结构进行概述。

第二章主要介绍了本设计整体设计框架的过程，包括系统的功能设计分析，根据需要实现的功能进行方案设计，并对方案的可行性进行分析

第三章主要介绍了本设计的硬件组成部分，其主体多光谱相机的各种主要参数及相关应用参数，这些参数为后续进行软件程序编写提供了参数基础。整个设计的样本采集便是通过该多光谱相机进行采集。

第四章主要介绍了本设计的软件组成部分，通过各种流程图和算法介绍了植物生长变化算法以及植物病变变化算法的结构，通过阈值化算法和面积计算得到植物叶片的面积数据，通过K-means聚类算法对病变植物样本的病变区域进行特征提取，使用伪彩色图像表达植物生长和病变区域的图像。同时介绍了预期使用Matlab设计的GUI用户界面的结构设计流程。

第五章对整个设计进行成果测试，主要进行了误差分析及系统图像处理测试。误差分析对系统进行图像处理所产生的误差原因进行了解释。系统图像处理测试通过操作图像对整个GUI设计进行了详尽的介绍，并对整个设计进行了实际验证，证明了整个系统达到了预期的设计要求。

第六章对整个设计进行总结以及对未来的展望，主要对本文的主要内容和设计的优点进行总结，提出了本设计的改进方向，对可提升的地方进行了讨论。

第二章 系统整体方案设计

2.1系统功能设计

本设计计划通过实现两个功能达到对植物健康状况的监测，一是通过对比拍摄图像的变化来监测植物是否正常生长，二是通过对植物叶片的病变区域的提取来判断植物的是否病变以及病变的趋势。

2.2 系统方案设计

本次设计的基于多光谱成像的植物健康状况监测技术，基于拍摄的植物生长及病变的多光谱图像，设计的硬件使用Matlab开发平台编写算法并设计的GUI用户界面主要拥有两个功能，一是对植物的生长图像进行面积提取，通过对植物叶片的面积变化及生长曲线来表达植物的生长状况的变化；二十对植物的病变图像进行病变特征区域提取，通过病变区域的变化曲线来表达植物病变情况的变化。

整个设计过程分为以下步骤。

第一步是对多光谱图像采集的硬件设备进行选型，最终选择使用MicaSense RedEdge M快照式多光谱相机对植物生长及病变样本进行数据采集。

第二步为多光谱植物图像样本的采集，其内容为使用多光谱相机定期采集各种各样的植物生长和病变的光谱图像，最终选定一组性状对比最为明显的植物作为观察和拍摄的样本，每天在固定时间和地点对作为植物生长和病变的两组标本进行拍摄。在采集数据期间发现在拍摄植物生长图像时，由于手持相机拍摄的缘故，无法做到定点拍摄固定的植物图像，导致拍摄图像时植物图像的占面积比会随着相机的远近、角度等问题发生较大的误差，经过一段时间的研究后，选择采取由远到近拍摄固定的植物标本的方式，模拟植物的生长过程，由此解决了手持相机拍摄所造成的误差问题。

第三步是对采集的植物多光谱图像设计算法进行图像处理。

经过调查表明，健康植物在红边光谱中叶片轮廓特征显著，而病变植物病变后叶片颜色改变，在红色光谱波段下病变区域特征显著，由此决定使用植物近红外光谱图像制作植物生长的素材，使用红色光谱波段的多光谱图像制作提取病变图像的素材。

对于植物生长状况监测，实现输入植物红边光谱图像后，经过算法处理，输出植物轮廓的伪彩色图，并显示叶片面积，输入多张图像时能通过曲线图显示叶片面积的变化情况。

对于植物病变情况监测，实现输入植物红色光谱图像后，经过算法处理，输出病变区域的伪彩色图像，并显示病变区域占叶片比例，输入多张病变图像时能通过曲线图表达病变区域的变化情况。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：