斑；
[0041] A1、A2为真彩色图片；B1、B2为掩模图片；C1、C2为波段比运算图片；D1、D2和EU E2为波段差分运算图片。
[0042] 图7为波段比运算图像的分类结果；
[0043] 其中，左侧为发病后第1天、第2天和第3天的波段比运算图像的ROC曲线；右侧 为发病后第1天、第2天和第3天的波段比运算图像的分类精度曲线。
[0044] 图8为波段差分运算图像的分类结果；
[0045] 其中，左侧为发病后第1天、第2天和第3天D的波段差分运算图像的ROC曲线； 右侧为发病后第1天、第2天和第3天的波段差分运算图像的分类精度曲线。
[0046] 图9为油菜菌核病和灰霉病病斑高光谱图像的前3个主成分的散点图。
【具体实施方式】
[0047] 下面结合【具体实施方式】和附图对本发明做进一步的阐述。
[0048] 实验前的准备工作
[0049] 1、实验材料的准备
[0050] 为了模拟自然发病状态，本实验用尽量小的菌丝块为叶片接种病菌。用培养基 (Potatodextroseagarmedium，PDA)培养菌核病菌丝和灰霉病菌丝，制成直径5毫米的 圆形菌丝块。用菌丝块将两种病害接种到同一生长时期的油菜叶片上，选取每一个叶片上 的相似位置为菌丝块贴敷点。
[0051] 本实验准备了 60个叶片样本，其中30个用于接种菌核病，30个用于接种灰霉病， 均采用非离体接种方式。用人工培养箱保持油菜植株恒温25°C、恒湿85%，经过24小时后 菌丝块的周围开始显现病征，在发病后3天内病斑的面积都非常小且两种病斑非常相似， 即：发病初期都显示为水渍状病斑，难以区别。
[0052] 2、高光谱图像系统的组成
[0053] 本实验所用的高光谱成像系统主要由光谱仪（ImspectorV10E，SPE(HM，Finland， 抽样间隔lnm，光谱分辨率6nm)，一帧像素为1392X1040的CXD摄像机（Hamamatsu， Japan)，滤光片（0BF570,SPECHM，Finland)，镜头（SCHNEIDER，Germany)，一套 150W全光谱 二分支光纤线光源（Illumination，USA)，一组电控位移台及配套图像采集软件构成，如图 1所示。采集的高光谱图像是一个大小为672X409 (空间维）X512 (光谱维）的三维数据 结构，光谱范围为380~1030nm，共512个波段。
[0054]3、高光谱图像校准方法
[0055] 在获取样本图像之前，先采集一组白标准图像和黑标准图像，白标准图像通过扫 描反射率为99 %的标准白矫正板获得，黑标准图像通过盖上图像采集器镜头盖扫描获得。 采集到的所有原始高光谱图像通过公式（1)计算得到校准图像。
[0056] R= (I-Idark)/(Iwhite-Idark) (1)
[0057] 其中，R是样本的校准图像，I是样本的原始图像，1,_是黑标准图像，Iwhlta是白标 准图像。
[0058] 4、光谱特征分析
[0059] 通过上述高光谱图像采集系统获得油菜高光谱图像，如图2所示，图2是取图像数 据中640nm、550nm和460nm组成的病斑部位真彩色高光谱图像，其中，图2(1)为接种菌核 病斑的油菜叶片，图2(11)为接种灰霉病斑的油菜叶片。
[0060] 为了能使本发明方法能够更好地在生产实践中推广，每一幅高光谱图像中俯视采 集一个完整的油菜植株，再针对叶片上的病斑部位进行分析。
[0061] 染病初期叶片上的病斑很小，需要将图像放大以便清晰显示病斑，图2(111)和图 2 (IV)分别为图2 (I)和图2 (II)的局部放大图，图2 (III)和图2 (IV)中的A点为病斑区域 内的一个点，B点为菌丝块区域内的一个点，图2(111)中的C点为菌丝块边缘生长出来的 菌丝区域的一个点。
[0062] 由于温湿度条件合适，图2中的菌丝生长较快。图2中，菌核病与灰霉病的菌丝块 形状大小完全相同，在培养皿中培养的时间相同，菌丝量相似，形成的病斑形状不同可能是 因为叶面微小的凹凸和叶片的自然形态使菌丝块与叶面贴合的紧密程度有细微差别，致使 菌丝在叶片上的蔓延方向有差别，并不影响实验的进行。
[0063] 油菜菌核病与灰霉病病斑在发病后3天内都不会有明显区别，研究这段时间内的 病斑分类技术都是有意义的。所以，本实验分别分析了高光谱图像技术对这两种病发病后 第1天、第2天和第3天的鉴别能力。油菜菌核病与灰霉病1~3天内病斑像素的平均光 谱如图3所示。
[0064] 5、感兴趣区域的提取
[0065] 本发明系统采集到的样本高光谱信息在波长380~1030nm的范围内，由于靠近两 端波长范围内的数据有较大噪声，影响后期数据处理，所以只抽取波长400~850nm的359 个波段的高光谱信息加以分析。
[0066] 感兴趣区（Regionsofinterest，R0I)用于将感兴趣的研究对象像素与其他对象 像素区分开来，使下一步工作只对感兴趣的区域展开。
[0067] 本实验的感兴趣区域是叶肉的受感染部位，所以需要将感兴趣区从健康叶肉和菌 丝块区域中分离出来。
[0068]由于菌丝块像素的光谱曲线与健康或受感染的叶肉像素的光谱曲线在形状上都 存在明显差异，叶肉像素光谱曲线在549.IOnm至679. 42nm范围内呈单调递减，而菌丝块像 素光谱曲线在该范围内呈单调递增，如图4A所示。所以，本实验先用549.IOnm波段数据减 去679. 42nm波段数据，使得叶肉和菌丝块像素呈现明显差异，以便将菌丝块区分出来。
[0069] 接下来区分健康叶肉和受两种病害感染的叶肉像素。从受感染的叶肉和健康叶肉 像素的光谱曲线中观察得知，在450nm至525nm以及580nm至700nm两个波段范围内，健康 和受感染叶肉光谱数据没有重叠（如图4B)，所以可以用于区分健康叶肉和受两种病害感 染的叶肉像素，为了使两类像素的光谱值区别尽量大，本实验选用512. 05nm波段来区分两 类叶肉像素（阈值=〇. 16)。
[0070] 实施例1波段运算和特征波段-最小二乘支持向量机（LS-SVM)
[0071]通过观察菌核病和灰霉病光谱差值（如图5)，发现在675-750nm区域内菌核病和 灰霉病光谱曲线的斜率存在较大区别，可以利用这个区别来区分它们。同时菌核病与灰霉 病光谱差值的最大值出现在748. 23nm处，最小值出现在681. 95nm处，因此，对这两个波段 做波段比运算和波段差分运算可以有效的区分两种病斑。
[0072] 选取这两个波段进行运算，公式如下：
[0073] bandratio=R748. 23/R681. 95 (2)
[0074] difference=R748. 23-R681. 95 (3)
[0075] 式中，bandratio是图像波段比运算的结果，difference是图像差分运算的结果， R748. 23是748. 23nm单波段图像像素的光谱反射值，R681. 95是681. 95nm单波段图像像素 的光谱反射值。
[0076] 在植物光谱中，绿光波长550nm左右的光谱区域可以有效描述植物叶片的特征。 如图5所示，油菜叶片两种病斑的光谱曲线在555. 29nm处形成一个反射峰，且两种病斑光 谱差值曲线的波峰也出现在该波段处，所以这个波段可以作为特征波段鉴别两种病斑。
[0077] 为进一步提高鉴别的精度，本文用两种病斑的波段比运算值、波段差分运算值和 555. 29nm处的光谱反射值作为特征向量输入模块中进行分类建模，期望能够得到更高的分 类精度。
[0078]为了使本实施例中的鉴别方法具有可比性，建模算法采用最小二乘支持向量机 (LS-SVM)，核函数采用径向基函数（RBFKernal)，通过交互验证法得到y和S2的最佳组 合：y= 0. 79214,S2= 4. 4687。油菜叶片菌核病和灰霉病发病第1、2、3天病斑的鉴别精 度，如表1所示。
[0079] 表1基于波段比值、波段差分值和555. 29nm反射值的油菜病斑鉴别精度
[0080]
[0081 ] 实施例2波段运算-接收机操作特征曲线（BandMath-ROC)
[0082] 为了便于后序图像分析，将感兴趣区域提取的结果做成掩模数据，设置感兴趣区 域为1，其它区域为0。
[0083] 本实施例提出波段运算-接收机操作特征曲线（BandMath-ROC)算法来鉴别两种 病斑，该波段运算分为波段比算法和波段差分算法，只需要2个波段参与运算，可以大大降 低计算量。
[0084] 对波段比和波段差分运算结果套用掩模后进行分析，如图6所示。本实施例尝试 对波段比和波段差分运算的结果进行阈值分割来区分两种病斑。阈值的选择是一个重要的 步骤，选择的阈值接近第一类，那么第二类能被正确识别的几率就高，同时第一类能被正确 识别的几率会低；若阈值接近第二类，则结果相反。所以应该在尽量保证两类都能被正确分 类的情况下选取一个折衷的值。
[0085] 接收机操作特征曲线（Receiveroperatingcharacteristiccurve，R0C)可以有 效描述整个选择范围内的任意判断标准的类区分能力。曲线上各点反映着相同的感受性， 它们都是在几种不同的判断标准下对同一信号刺激的反应；以假阳性率（虚报概率P(y/