• 引言

小麥?zhǔn)鞘澜绶植挤秶?/span>廣泛的糧食作物之一，2011年，我國冬小麥播種面積達(dá)2.46億公頃，冬小麥產(chǎn)量128188萬噸(中華人民共和國統(tǒng)計局，2011)，在我國小麥的種植面積和產(chǎn)量僅次于水稻。小麥種子的發(fā)芽率對小麥的增產(chǎn)增收至關(guān)重要，而小麥種子的發(fā)芽率與小麥種子的儲藏年份有著密切關(guān)系，一般而言，隨著儲藏年份的增加，小麥種子的發(fā)芽率降低，因此小麥種子的儲藏年份的鑒別研究具有重要意義。傳統(tǒng)鑒別小麥種子儲藏年份的方法靠經(jīng)驗豐富的農(nóng)藝家聞種子的味道，看種子的成色，這樣的方法費時費力，而且誤差較大。成像高光譜技術(shù)融合了圖形技術(shù)和光譜技術(shù)的優(yōu)勢，能夠同時獲取反映待測樣本外部特征、內(nèi)部物理結(jié)構(gòu)及化學(xué)成分的圖像信息和光譜信息，已經(jīng)被廣泛應(yīng)用到農(nóng)產(chǎn)品無損檢測領(lǐng)域，在農(nóng)藥殘留檢測、內(nèi)外部品質(zhì)預(yù)測等應(yīng)用領(lǐng)域涌現(xiàn)了大量研究成果，但運用成像高光譜技術(shù)對作物種子年份的鑒定研究鮮有報道。本研究以小麥種子為例，利用成像高光譜技術(shù)鑒定小麥種子的年份，為農(nóng)產(chǎn)品時間鑒定提供一種新的技術(shù)參考。

二、材料分析

本文以四川糧食所提供的小麥種子為研究對象，利用江蘇雙利合譜科技有限公司的高光譜分選儀Gaia sorter（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數(shù)據(jù)，以鑒別不同年份的小麥種子。

2.1  成像高光譜設(shè)備

 高光譜成像數(shù)據(jù)采集采用江蘇雙利合譜科技有限公司的 GaiaSorter高光譜分選儀系統(tǒng)。該系統(tǒng)主要由高光譜成像儀(V10E)、CCD 相機、光源、暗箱、計算機組成，結(jié)構(gòu)圖與實景圖如圖1。實驗儀器參數(shù)設(shè)置如表1。

表1   GaiaSorter 高光譜分選儀系統(tǒng)參數(shù)

圖 1  GaiaSorter 高光譜分選儀結(jié)構(gòu)圖與實景圖

2.2  圖像預(yù)處理

對成像高光譜分選儀采集的小麥原始影像數(shù)據(jù)進行數(shù)據(jù)的預(yù)處理，預(yù)處理過程主要包括兩部分。第一部分是輻射定標(biāo)；第二部分為噪聲去除。

首先進行輻射定標(biāo)。輻射定標(biāo)的計算公式如1所示。

                   (1)

其中，Ref_target為目標(biāo)物的反射率，Ref_panel為標(biāo)準(zhǔn)參考板的反射率，DN_target為原始影像中目標(biāo)物的的數(shù)值，DN_panel為原始影像中標(biāo)準(zhǔn)參考板的數(shù)值，DN_dark為成像光譜儀系統(tǒng)誤差。

其次是噪聲去除，本文運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。最小噪聲分離工具用于判定圖像數(shù)據(jù)內(nèi)在的維數(shù)（即波段數(shù)），分離數(shù)據(jù)中的噪聲，減少隨后處理中的計算需求量。MNF本質(zhì)上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協(xié)方差矩陣）用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，這步操作使變換后的噪聲數(shù)據(jù)只有最小的方差且沒有波段間的相關(guān)。第二步是對噪聲白化數(shù)據(jù)（Noise-whitened）的標(biāo)準(zhǔn)主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關(guān)圖像來判定數(shù)據(jù)的內(nèi)在維數(shù)。數(shù)據(jù)空間可被分為兩部分：一部分與較大特征值和相對應(yīng)的特征圖像相關(guān)，其余部分與近似相同的特征值以及噪聲占主導(dǎo)地位的圖像相關(guān)。圖2為MNF降噪前后的光譜反射率變化。

圖2  MNF變換前(左)后(右)高光譜影像反射率的變化

三、數(shù)據(jù)分析與結(jié)果

     圖3為不同年份的小麥種子的高光譜圖像RGB合成圖。左圖為1995、2008、2009、2010、2011、2012、2013、2014共8年的小麥種子，右圖為2010、2011、2012、2013、2014共5年的小麥種子.

圖3 小麥種子的RGB圖像

根據(jù)數(shù)據(jù)分析的需要，分別截圖含小麥區(qū)域的高光譜影像數(shù)據(jù)，并利用小麥種子與背景的光譜差異性，提取純小麥種子，如圖4所示。

圖4  純小麥種子的RGB圖像

為了更為客觀地不同年份的小麥種子的內(nèi)部信息，對經(jīng)預(yù)處理后的高光譜數(shù)據(jù)進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個轉(zhuǎn)換波段下。一般情況下，第一主成分包含波段中的80%的方差信息，前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關(guān)，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。圖5為不同年份小麥種子高光譜影像PCA的合成彩色圖。從左圖可知，除2011年外，其他年份的小麥種子總體顏色呈規(guī)律變化；從右圖可知，除2012年外，其他年份的小麥種子總體顏色也呈規(guī)律變化。

圖5 小麥種子的PCA合成圖（前三主成分）

PCA變換的RGB彩色合成，讓我們更客觀地看到不同年份小麥種子在圖像顯示上的差別，為了進一步分析不同年份小麥種子的差別，分別提取不同年份的小麥種子，在提取不同年份小麥種子的基礎(chǔ)上分別提取其均值、標(biāo)準(zhǔn)差等特征，不同年份的小麥種子的均值、標(biāo)準(zhǔn)差變化如圖6所示。從圖6可知，無論是小麥種子的均值或標(biāo)準(zhǔn)差，其不同年份的小麥種子光譜曲線非常一致。從均值來看，在500 nm處不同年份的小麥種子區(qū)分相對明顯；從標(biāo)準(zhǔn)差來看，700 nm處不同年份的小麥種子區(qū)分相對明顯。因此本研究利用這兩波段分別構(gòu)建NDVI和EVI光譜指數(shù)，NDVI和EVI的計算公式如下所示：

                                     （2）

                                      （3）

圖 6  不同年份小麥均值、標(biāo)準(zhǔn)差的光譜特征變化

以NDVI光譜指數(shù)為例，分析不同年份小麥種子之間的圖像顯示差異。從圖7可知，作圖除2011年，右圖除2012年，其他年份的小麥種子圖像顯示顏色呈規(guī)律變化。以NDVI圖為例，年份越久的小麥種子呈藍(lán)色，年份處于中間年份為綠色，最近年份的成紅色。

分別分析NDVI、EVI兩個光譜指數(shù)與其相對應(yīng)年份的曲線變化圖，如圖8所示。從圖8可知，無論是NDVI還是EVI，隨著小麥種子收藏年份的增加，從總體變化趨勢來看，其NDVI和EVI值增加。

圖 7   不同年份小麥種子的NDVI密度分割圖

圖 8  不同年份小麥種子NDVI、EVI隨年份的變化規(guī)律

    從PCA的彩色合成、NDVI圖以及NDVI、EVI與年份之間的變化曲線可知，作圖的2011年小麥種子，右圖的2012年小麥種子，與整體的變化趨勢不一樣，故在分析NDVI、EVI與年份之間的關(guān)系時，刪除異常年份數(shù)據(jù)。下面以左圖7年的小麥種子為建模數(shù)據(jù)，右圖4年的小麥種子為檢驗數(shù)據(jù)，根據(jù)建模數(shù)據(jù)的建模模型，驗證模型的可靠性。如圖9為NDVI、EVI與其相對應(yīng)年份的的散點圖及其趨勢線，從圖9可知，NDVI與其對應(yīng)年份的決定系數(shù)為0.7624，EVI與其對應(yīng)年份的決定系數(shù)為0.8585，從中可知，EVI與其相對應(yīng)年份構(gòu)建的模型的決定系數(shù)高于NDVI。

圖 9 NDVI、EVI與其相對應(yīng)年份的散點圖

利用圖9所得到的NDVI的建模模型y=-118.48x + 2051.5和EVI的建模模型y=-9.312x +2027.7來預(yù)測右圖2010、2011、2013、2014共4年的小麥種子的年份，預(yù)測年份與實際年份的1:1圖如圖10所示，從圖10可知，預(yù)測年份取整數(shù)部分，無論是NDVI還是EVI，其預(yù)測年份與實際年份一致，如取四舍五入取整，NDVI構(gòu)建的模型有兩年的預(yù)測年份超過實際年份1年，EVI構(gòu)建的模型則有1年的預(yù)測年份超過實際年份1年。

圖 10  NDVI、EVI模型的預(yù)測年份與實際年份的1:1圖

備注：由于數(shù)據(jù)量有限，本研究的結(jié)果只能用于參考，非論文發(fā)表數(shù)據(jù)！