病虫害遥感.ppt

一个PNN由三层神经元组成,即输入层、径向基层和竞争层。输入层对应对病虫害胁迫响应敏感谱段的光谱或经各种方法提取的新的光谱变量,第二层采用径向基神经元,该网络的隐层神经元个数与输入样本矢量的个数相同,第三层采用竞争层,也就是该网络的输出层,其神经元个数等于训练样本数据中需要进行分类的病虫害类别数。PNN的分类方式为:首先为网络提供一种输入模式向量,径向基层计算该输入向量同样本输入向量之间的距离“dist”,该层的输出为一个距离向量.竞争层接受距离向量为输入向量,计算每个模式出现的概率,通过竞争传递函数为概率最大的元素对应输出l这就是一类模式;否则输出0,作为其它模式。以水稻干尖线虫病为例,将健康叶片赋予类别`。1,而将受稻干尖线虫危害的叶片赋予类别`,2,输出结果非1即2。 水稻主要病虫害的商光谱遥感识别研究 学习矢量量化(learningvectorquantization,LVQ)算法是在有教师状态下对竞争层进行训练的一种学习算法,它是从Kohonen竞争算法演化而来的 水稻主要病虫害的商光谱遥感识别研究 一个LVQ神经网络由三层神经元组成,即输入层、隐含层和输出层.该网络在输入层与隐含层间为完全连接,而在隐含层与输出层间为部分连接,隐含神经元(又称Kohonen神经元)和输出神经元都具有二进制输出值.当某个模式被送至网络时,对隐含神经元指定的参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争,因而允许它产生一个,l”,其他隐含神经元都被迫产生`,0,。产生“1”的输出神经元给出输入模式的分类,每个输出神经元被表示为不同的类 水稻主要病虫害的商光谱遥感识别研究 * * 病虫害遥感 closeness to nature 基本原理 光谱特征分析 遥感识别与估算 前提：自然界的任何物体自身都具有反射、吸收、发射电磁波的能力和特征.由于不同物质的分子结构、原子组成、运动方式不同,每个物体都发射和吸收固定波长和频率的电磁波.相同的物体具有相同的电磁波谱特性,不同的物质由于物质组成和内部结构、表面状态不同,具有相异的电磁波谱特性 基本原理 所有的绿色植物包含的组分基本相同:叶绿素和其它色素(胡罗卜素、叶黄素等)、水、蛋白质、淀粉、木质素和纤维素等结构化的生物化学分子;但是在不同的生长状态下,各个组分的含量会发生变化。 水稻作为农作物的一种,其反射光谱特征具有植被的一般特征.通常,健康绿色植物的波谱特征主要取决于它的叶子,而健康叶片的光谱曲线呈现明显的“峰和谷”的特征 健康植被的光谱特征 植被病原体会引起植被细胞结构内部的化学变化或在植被表面的生长都可能改变叶片颇色.尤其是叶绿素等色素的浓度或含量下降,叶绿素在蓝、红波段的吸收减少反射增强,特别是红光反射率升高,绿色视觉效果就会减弱,以至于植物转为黄色(绿色+红色=黄色),导致叶片的光谱特性变化. 受胁迫植被的光谱特征 特征是对象所表现出来的各种属性和特点. 特征分析 有效是指在特征数目减少到某个数量时仍能够达到与原始特征数目相同的分类精度. 特征空间优化的方式通常可以概括为两种,即特征选择与特征提取 模式识别中要识别和分类对象,首先要采取各种信息获取手段对特征进行测度,形成原始的特征空间,再对原始的特征进行加工处理和优化,产生有效的特征空间,使之能更好的反应对象的本质,适合分类方法的处理。 数据平滑处理 光谱数据变换 分析谱段的确定 数据预处理 原始数据是所观测植被以及背景、环境信息的综合反映,难免包含有各 种噪声在内 数据平滑处理 对原始光谱求一定步长的移动平均,消除光谱数据中的仪器和环境噪声, 获取尽可能反映接近水稻生长状态的真实波谱信息 光谱微分处理可以剔除背景、大气散射等的影响,从而更加有效地进行数据分析 光谱数据变换 一阶微分能够消除光谱信息中部分线性或近线性背景、光谱噪声等对目标物光谱的影响,二阶微分可以去除独立部分的二次方影响,依此类推,四次微分可以消除大气的瑞利散射的影响 反对数光谱变换,即log(1/R)变换是由光谱学引入的,其物理含义是表示光谱吸收值,吸收成分与反射率的109(l/R)变换值之间存在着近似线性关系,通过对数运算可以有效地增强相似光谱之间的差别 由于仪器自身的问题,在紫外光波段和短波红外谱段的数据包含较多的噪音.因此,为了方便分析,保证室内、外光谱数据的一致性,进行分析谱段的确定。 去除原始光谱、对数光谱中的350一400nm、1301一1500nm、1751一2050nm和351一2500nm,保留1450个波段;去除一阶微分光谱中的350一400nm和851一2500nm,保留450个波段;去除二阶微分光谱中的350一500lun和751一2500nln,保留250个波段. 分析谱段的确定 特征选择或特征提取的任务是从n个特征中求出对