韓巧玲，趙 玥，姚立紅

(北京林業(yè)大學(xué) 工學(xué)院，北京 100083)

基于凍融循環(huán)的土壤物理狀態(tài)的自動(dòng)判別

韓巧玲，趙 玥，姚立紅*

(北京林業(yè)大學(xué) 工學(xué)院，北京 100083)

以東北典型黑土區(qū)土壤為研究對(duì)象，采用CT掃描技術(shù)與圖像處理相結(jié)合的方法，通過(guò)灰度共生矩陣和主成分分析法提取圖像特征，計(jì)算測(cè)試圖像特征向量與訓(xùn)練圖像特征向量間的歐氏距離，以此為依據(jù)，實(shí)現(xiàn)對(duì)經(jīng)歷不同凍融循環(huán)次數(shù)土壤的自動(dòng)判別。研究結(jié)果表明：面向土壤CT圖像數(shù)據(jù)庫(kù)，基于灰度共生矩陣和主成分分析提取的圖像特征，均能實(shí)現(xiàn)對(duì)土壤的自動(dòng)判別，但灰度共生矩陣法的判別正確率要高于主成分分析法。

土壤CT圖像；灰度共生矩陣；主成分分析；歐氏距離；判別正確率

土壤物理主要包括土壤固、液、氣三相體系所產(chǎn)生的各種物理現(xiàn)象和過(guò)程。土壤物理性質(zhì)的變化制約著土壤肥力水平，影響土壤養(yǎng)分的保持與運(yùn)移，是合理耕作和灌排的重要依據(jù)[1-2]。對(duì)土壤不同物理狀態(tài)進(jìn)行判別分析，不僅有利于加深對(duì)土壤內(nèi)部結(jié)構(gòu)的研究，也可為耕作區(qū)植物的健康生長(zhǎng)提供科學(xué)依據(jù)。

在我國(guó)東北黑土區(qū)，凍融循環(huán)是改變土壤物理性質(zhì)的關(guān)鍵因素。在凍融過(guò)程中，土壤水分的相變與變遷會(huì)改變土壤顆粒組成、團(tuán)聚體的穩(wěn)定性和土壤導(dǎo)水率等物理因子，從而影響土壤水熱傳導(dǎo)和養(yǎng)分運(yùn)移等特性[3-4]。齊吉琳等[5]通過(guò)對(duì)孔隙的量化分析，發(fā)現(xiàn)凍融循環(huán)能夠改變土壤孔隙的結(jié)構(gòu)；鄧西民等[6]研究發(fā)現(xiàn)，凍融循環(huán)會(huì)降低土壤容重，增加土壤孔隙度和飽和導(dǎo)水率?？傮w來(lái)看，現(xiàn)有成果大多研究?jī)鋈谘h(huán)引起的土壤結(jié)構(gòu)的改變，鮮有人研究基于凍融循環(huán)的土壤物理狀態(tài)的自動(dòng)判別?，F(xiàn)有的判別方法主要由人工實(shí)現(xiàn)，對(duì)于判斷者有著極為嚴(yán)格的要求，不僅耗費(fèi)大量的人力物力，而且結(jié)果也會(huì)因?yàn)橹饔^判斷存在一定的偏差。為了克服這一缺陷，本研究基于土壤CT圖像，運(yùn)用數(shù)字圖像處理技術(shù)，完成對(duì)土壤結(jié)構(gòu)特征的提取與描述，以期實(shí)現(xiàn)對(duì)基于凍融循環(huán)的土壤不同物理狀態(tài)的自動(dòng)判別，以便于及時(shí)了解土壤狀態(tài)的變化，為農(nóng)林業(yè)的健康發(fā)展和生態(tài)環(huán)境保護(hù)提供基礎(chǔ)數(shù)據(jù)。

1 材料與方法

1.1 土壤樣本制備

所用土壤選自黑龍江省克山農(nóng)場(chǎng)，土壤類型以黏化濕潤(rùn)均腐土為主，采用自制內(nèi)徑和高分別為10 cm的有機(jī)玻璃管于0～40 cm層深的侵蝕溝壁進(jìn)行原狀土取樣，每層重復(fù)取樣3次。將樣本進(jìn)行飽和水處理后[7]，共得到原狀飽和水(3個(gè))、原狀非飽和水(3個(gè))、填充飽和水(3個(gè))、填充非飽和水(3個(gè))等共計(jì)12個(gè)樣本，以供后續(xù)CT掃描所用。

1.2 土壤CT圖像獲取

選用黑龍江省中醫(yī)藥大學(xué)的Lightspeed16排螺旋CT掃描儀對(duì)原狀樣本進(jìn)行掃描處理。CT掃描儀選用參數(shù)分別為：電壓140 kV，電流60 mA，掃描間隔1.5 s，掃描層厚2 mm，窗寬(顯示CT圖像是所選用的CT值范圍)和窗位(窗寬上、下限CT值的平均數(shù)) 均為1 300，對(duì)每個(gè)土柱樣品進(jìn)行7次橫斷面掃描。

本研究的單個(gè)掃描樣本分別經(jīng)歷0、1、3、6、9次凍融循環(huán)，每次凍融循環(huán)后進(jìn)行1次掃描，每次掃描可得7張土壤CT圖像，故單個(gè)樣本凍融循環(huán)后共需5次掃描，得35幅土壤CT圖像。本研究合計(jì)獲得420幅土壤CT斷層掃描圖像，用于建立土壤CT圖像數(shù)據(jù)庫(kù)，作為測(cè)試圖像庫(kù)。

1.3 土壤CT圖像特征提取

1.3.1 土壤CT圖像處理

原始土壤CT圖像以醫(yī)療圖像的格式存儲(chǔ)，并不便于計(jì)算機(jī)的后續(xù)處理。同時(shí)，由于CT機(jī)器硬件技術(shù)缺陷的存在，使得圖像邊界會(huì)產(chǎn)生畸變，而且，數(shù)字圖像在獲取和傳輸?shù)倪^(guò)程中也會(huì)受到噪聲影響，這就決定了基于原始圖像的特征提取可能會(huì)影響試驗(yàn)結(jié)果的精確性[8-9]。因此，須針對(duì)土壤CT圖像首先進(jìn)行一些處理。

如圖1-a所示的原始圖像中包含了與土壤分析無(wú)關(guān)的CT機(jī)器掃描參數(shù)的基本信息，因此，本試驗(yàn)基于Matlab編程軟件，采用最大內(nèi)切正方形的方法，剪裁得到有效土壤CT圖像，并保存為*.bmp格式文件。通過(guò)自適應(yīng)中值濾波算法消除噪聲對(duì)后續(xù)特征提取的干擾，以此來(lái)抑制無(wú)用信息，突出有效信息，得到用于結(jié)果分析的試驗(yàn)用圖像，如圖1-b所示。

a. 原始土壤CT圖像 b. 有效CT圖像a. The original soil CT images b. Effective CT images圖1 土壤CT圖像預(yù)處理Fig.1 Preprocessing of soil CT image

1.3.2 灰度共生矩陣法

紋理是土壤CT圖像中每個(gè)像素的CT值或灰度值在空間中以某種方式變化而產(chǎn)生的，是圖像客觀存在的一種屬性，反映了圖像中灰度的空間相關(guān)特性[10]。灰度共生矩陣法是通過(guò)研究灰度的空間相關(guān)特性來(lái)描述圖像紋理變化的方法，反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，是分析圖像的局部模式和排列規(guī)則的基礎(chǔ)。

灰度共生矩陣定義為：灰度值為i的像素沿θ方向，到達(dá)與其相隔距離為d的像素點(diǎn)(灰度值為j)的概率。設(shè)g(x，y)為圖像中位于(x，y)像素點(diǎn)的灰度值，則其數(shù)學(xué)表達(dá)式為：

P(i，j，d，θ)=#{(x1，y1)，(x2，y2)|f(x1，y1)=i，f(x2，y2)=j，|(x1，y1)-(x2，y2)|=d，∠(x1，y1)，(x2，y2)=θ}。

(1)

式(1)中，#表示根據(jù)式(1)的條件，圖像中位于(x1，y1)灰度值是i，位于(x2，y2)灰度值是j的像素對(duì)個(gè)數(shù)。通常，d={1，2，3，4}，θ={0°，45°，90°，135°}。

為了便于二次統(tǒng)計(jì)特征的提取，需對(duì)灰度共生矩陣進(jìn)行歸一化處理：

(2)

Haralick等[11]根據(jù)紋理信息的特點(diǎn)，提出了用于分析灰度共生矩陣的多個(gè)特征，用于挖掘圖像深層信息。常用的特征參數(shù)簡(jiǎn)述如下。

(1)角二階矩

(3)

式(3)中，k為灰度級(jí)[式(4)～(6)同]。角二階矩也稱為能量，是灰度共生矩陣各個(gè)元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。

(2)對(duì)比度

(4)

對(duì)比度，也稱主對(duì)角線慣性矩，代表檢測(cè)像素灰度值與其領(lǐng)域像素灰度值的亮度反差，反映了圖像的清晰度和紋理溝紋深淺的程度。

(3)逆差矩

(5)

逆差矩用于度量圖像紋理局部變化的多少，反映圖像紋理的同質(zhì)性，其值大說(shuō)明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。

(4)熵

(6)

熵是圖像所具有的信息量的隨機(jī)性度量，反映了圖像中紋理的非均勻程度或復(fù)雜程度。

1.3.3 主成分分析法

主成分分析是通過(guò)線性變換將多個(gè)指標(biāo)簡(jiǎn)化為少數(shù)指標(biāo)的統(tǒng)計(jì)分析方法，用少數(shù)互不相關(guān)的指標(biāo)盡可能多地表征圖像信息，以保證原始信息損失量最小[12]。其基本原理是：將原始具有相關(guān)性的多個(gè)指標(biāo)X1，X2，…，Xp(p個(gè)指標(biāo))，重新組合成一組互不相關(guān)的綜合指標(biāo)Fm來(lái)代替原來(lái)指標(biāo)。

設(shè)X=(X1，X2，…，Xp)T是p維隨機(jī)向量，其線性變化為：

(7)

采用新變量F1來(lái)表征原始p個(gè)向量，F(xiàn)1所包含的信息應(yīng)盡可能多地反映所有變量信息，則其為第一主成分。若第一主成分不足以代表足夠多的原始信息，則引入第二主成分，以此類推。其中，新變量F1，F(xiàn)2，…，F(xiàn)m要求滿足以下條件：

(1)變量所提取的信息量由方差度量，即要求方差Var(Fm)盡量大；

(2)Fi與Fj互不相關(guān)，即COV(Fi，F(xiàn)j)=0。

主成分分析的主要目的是簡(jiǎn)化數(shù)據(jù)量，因此，所提取的主成分個(gè)數(shù)m應(yīng)小于p。m的值依據(jù)各主成分的累計(jì)方差貢獻(xiàn)率P(m)來(lái)確定。其數(shù)學(xué)表達(dá)式為：

(8)

式(8)中：λ為各個(gè)主成分對(duì)應(yīng)的特征值；k為全部的主成分個(gè)數(shù)；i為選定主成分個(gè)數(shù)。

一般地，當(dāng)累積貢獻(xiàn)率大于85%時(shí)，就認(rèn)為足夠反映原來(lái)變量的信息[13]，也可根據(jù)實(shí)際應(yīng)用的需求自主選擇累積貢獻(xiàn)率的范圍。

1.4 識(shí)別正確率的計(jì)算

1.4.1 驗(yàn)證方法確定

由于土壤CT掃描圖像數(shù)據(jù)庫(kù)中單個(gè)樣本單次凍融循環(huán)的圖像為7幅，數(shù)據(jù)量相對(duì)較少，需選用適合于小樣本的驗(yàn)證方法。留一驗(yàn)證法的思想是選擇一幅作為測(cè)試圖像，剩余的作為訓(xùn)練圖像，以此循環(huán)，直至所有圖像都參與測(cè)試與訓(xùn)練。該方法對(duì)圖像的利用率高，能提高實(shí)驗(yàn)結(jié)果的精確度，故本研究選用該方法用于對(duì)土壤CT圖像的判別與分類[14]。

1.4.2 歐氏距離計(jì)算

歐氏距離指的是在m維空間中2個(gè)點(diǎn)之間的真實(shí)距離，通過(guò)歐氏距離的數(shù)值可準(zhǔn)確定義2個(gè)特征向量間的相似度。

1.4.3 識(shí)別正確率計(jì)算

若測(cè)試圖像對(duì)于本組內(nèi)歐氏距離較其他組小，則為判別正確，反之則為錯(cuò)誤，最終正確判斷個(gè)數(shù)與總判斷數(shù)的比值即為識(shí)別正確率。

2 結(jié)果與分析

2.1 特征提取

2.1.1 灰度共生矩陣特征

灰度共生矩陣法的主要變量是方向和特征個(gè)數(shù)。選定0°、45°、90°、135°，提取能量、熵、對(duì)比度、逆差矩共4個(gè)特征對(duì)土壤CT圖像紋理信息進(jìn)行描述。由于篇幅有限，隨機(jī)選取經(jīng)歷不同凍融次數(shù)的同一土壤CT圖像進(jìn)行部分特征數(shù)據(jù)的展示，結(jié)果如圖2所示。

能量和逆差距主要反映土壤紋理信息的同質(zhì)性。由圖2可知，不同方向的能量和逆差距先隨著凍融次數(shù)的增加而增加，當(dāng)凍融次數(shù)達(dá)到6次后趨于減小，說(shuō)明土壤內(nèi)部結(jié)構(gòu)在前6次凍融過(guò)程中變化比較強(qiáng)烈，之后變化減弱，內(nèi)部物質(zhì)結(jié)構(gòu)漸趨均勻。兩個(gè)方向的熵和對(duì)比度數(shù)值較小，且呈現(xiàn)相反的變化趨勢(shì)，這說(shuō)明當(dāng)土壤圖像紋理信息趨于隨機(jī)時(shí)，土壤內(nèi)部物質(zhì)之間具有一定相似性。4個(gè)特征綜合起來(lái)表征了土壤內(nèi)部物質(zhì)隨著凍融次數(shù)的變化，在第9次凍融循環(huán)后內(nèi)部物質(zhì)趨于均勻化。

圖2 灰度共生矩陣特征值Fig.2 The eigenvalue of gray symbiotic matrix

2.1.2 主成分分析特征

采用主成分分析方法，對(duì)不同凍融循環(huán)次數(shù)的土壤CT圖像進(jìn)行主要特征分量的提取。選用4種凍融循環(huán)次數(shù)下的圖像，分別記為A1、A2、A3、A4，設(shè)定各主成分的累計(jì)方差貢獻(xiàn)率大于0.85，最多選取16維主成分特征。由于篇幅有限，選取4幅圖像的10維特征的貢獻(xiàn)率進(jìn)行展示，如表1所示，ai表示提取的第i維特征。

由于圖像所包含的信息不同，圖像提取的每維主成分貢獻(xiàn)率亦不相同，累計(jì)方差貢獻(xiàn)率大于0.85的主成分特征維數(shù)也不相同，最大有16維，最小12維。為保證圖像識(shí)別的正確率，所有圖像均選取16維主成分特征參與后續(xù)的計(jì)算分析。

2.2 判別正確率

由于篇幅有限，僅舉一例用于說(shuō)明判別過(guò)程。首先，將原狀飽和水樣本經(jīng)歷1、3、6、9次凍融循環(huán)的掃描圖像分別編組，標(biāo)記為Y1、Y3、Y6、Y9，下標(biāo)中的數(shù)字代表其所經(jīng)歷的凍融次數(shù)；然后，選擇Y3組中的7幅圖像(即經(jīng)歷3次凍融的原狀土圖像)，依次命名為I1～I(xiàn)7，作為測(cè)試樣本，分別測(cè)算其每一幅圖片的灰度共生矩陣特征向量與Y1、Y3、Y6、Y9組均值特征向量之間的歐式距離，與哪一組的歐式距離數(shù)值最小，則自動(dòng)判別其屬于該組。如表2所示，屬于Y3組的7幅圖像中，除I4被自動(dòng)判別為Y9組(即經(jīng)歷9次凍融)，判別錯(cuò)誤外，其他判斷均正確，則該測(cè)試樣本的判別正確率為(6÷7)×100%=85.7%。

基于本研究所用土壤CT圖像數(shù)據(jù)庫(kù)，對(duì)全部樣本進(jìn)行自動(dòng)判別，最后測(cè)定得出采用灰度共生矩陣法自動(dòng)判別的正確率是81.4%，主成分分析法自動(dòng)判別的正確率是61.0%。

表1 主成分特征貢獻(xiàn)率

Table 1 Contribution rate of principal component

圖像Imagea1a2a3a4a5a6a7a8a9a10A101915017870092300519004630043900419003290032400276A302647019800063100483004060038600312002780027200242A602732016290088900757006630045400336003160025800221A902922016830092900651005160036400316002720025500248

表2 樣本歐氏距離

Table 2 The Euclidean distance of samples

組別GroupI1I2I3I4I5I6I7Y1997946699885730921611140599198895257Y360742?50340?56900?6618857590?69309?60481?Y6107891675129323610452311143499628110759Y960932528565772160670?679397030660547

每列中加*的表示所在列圖像與該組的歐氏距離最小。

* indicated the smallest Euclidean distance within the image tested in the column and the corresponding groups.

3 討論

本研究以東北典型黑土區(qū)土壤為研究對(duì)象，合計(jì)獲得420幅經(jīng)歷不同凍融次數(shù)的土壤CT斷層掃描圖像，建立土壤CT圖像數(shù)據(jù)庫(kù)，通過(guò)灰度共生矩陣和主成分分析法提取圖像特征，計(jì)算測(cè)試圖像特征向量與訓(xùn)練圖像特征向量間的歐氏距離，以此為依據(jù)，實(shí)現(xiàn)對(duì)經(jīng)歷不同凍融次數(shù)土壤的自動(dòng)判別。對(duì)比2種特征提取方法對(duì)土壤的自動(dòng)判別正確率可知，灰度共生矩陣的判別正確率較高，其判別效果優(yōu)于主成分分析法。這主要是因?yàn)椋?1)空間分辨率的限制使得土壤CT圖像成像出現(xiàn)部分容積效應(yīng)，即圖像某點(diǎn)的像素值由鄰域內(nèi)像素值的均值來(lái)體現(xiàn)，即像素點(diǎn)的灰度值會(huì)受到鄰域空間內(nèi)灰度值的影響。由于灰度共生矩陣法正是通過(guò)灰度值的空間特性來(lái)表征圖像的紋理信息，能夠較好地表征出像素值之間的聯(lián)系，因此，用于土壤CT掃描圖像的特征提取時(shí)能夠獲得較高的正確率；(2)本研究采用灰度共生矩陣法提取出了四維特征向量，通過(guò)將其融合豐富了特征向量的信息，使其能夠全面反映土壤CT圖像的內(nèi)部結(jié)構(gòu)信息，有助于提高其識(shí)別正確率。這說(shuō)明，多種特征提取方法的融合是后期進(jìn)行土壤物理狀態(tài)判別的有效技術(shù)手段。而主成分分析法是用較少的數(shù)據(jù)量來(lái)盡可能地表征最多的信息，且各指標(biāo)之間不具有相關(guān)性，這樣做雖然避免了數(shù)據(jù)的重復(fù)使用，可以極大地減少計(jì)算量，具有一定的運(yùn)算優(yōu)勢(shì)，但也丟失了土壤CT圖像中的部分細(xì)節(jié)信息。土壤具有多重復(fù)雜的結(jié)構(gòu)，表現(xiàn)在圖像上的細(xì)微的差異，都會(huì)對(duì)應(yīng)土壤內(nèi)部物質(zhì)結(jié)構(gòu)的變化，因此，在實(shí)際應(yīng)用中其辨別效率較低。

本研究表明，灰度共生矩陣法能夠表征灰度空間變化關(guān)系，其特征具有不同的土壤物理含義，通過(guò)建立該特征與土壤凍融次數(shù)、土壤含水率等的關(guān)系，有利于圖像深層次信息的挖掘，不僅為研究土壤內(nèi)部結(jié)構(gòu)提供了有效方法，而且還能為后期研究?jī)鋈谘h(huán)和含水率對(duì)土壤內(nèi)部結(jié)構(gòu)的影響奠定基礎(chǔ)。

[1] HORN R， TAUBNER H， WUTTKE M， et al. Soil physical properties related to soil structure[J].Soil&TillageResearch， 1994， 30(2/3/4):187-216.

[2] KONRAD J M. Physical processes during freeze-thaw cycles in clayey silts[J].ColdRegionsScience&Technology， 1989， 16(3):291-303.

[3] GATTO L W. Soil freeze-thaw-induced changes to a simulated rill: potential impacts on soil erosion[J].Geomorphology， 2000， 32(1):147-160.

[4] 安樂(lè)生， 劉春， 廖凱華. 一種改進(jìn)的土壤水分特征曲線模型及其驗(yàn)證[J]. 浙江農(nóng)業(yè)學(xué)報(bào)， 2015， 27(5):837-840. AN L S， LIU C， LIAO K H. An improved model for prediction of soil water retention properties and its validation[J].ActaAgriculturaeZhejiangensis， 2015， 27(5): 837-840. (in Chinese with English abstract)

[5] 齊吉琳， 張建明， 朱元林. 凍融作用對(duì)土結(jié)構(gòu)性影響的土力學(xué)意義[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2003， 22(增刊2):2690-2694. QI J L， ZHANG J M， ZHU Y L. Influence of freezing-thawing on soil structure and its soil mechanics significance[J].ChineseJournalofRockMechanicsandEngineering， 2003， 22(Supp. 2): 2690-2694. (in Chinese with English abstract)

[6] 鄧西民， 王堅(jiān)， 朱文珊， 等. 凍融作用對(duì)犁底層土壤物理性狀的影響[J]. 科學(xué)通報(bào)， 1998， 43(23):2538-2541. DENG X M， WANG J， ZHU W S， et al. Influence of the freeze-thaw action on physical properties in plow pan soil[J].ChineseScienceBulletin， 1998， 43(23): 2538-2541. (in Chinese)

[7] 夏祥友， 王恩姮， 楊小燕， 等. 模擬凍融循環(huán)對(duì)黑土黏化層孔隙結(jié)構(gòu)的影響[J]. 北京林業(yè)大學(xué)學(xué)報(bào)， 2015， 37(6):70-76. XIA X Y， WANG E H， YANG X Y， et al. Pore characteristics of mollisol argillic horizon under simulated freeze-thaw cycles[J].JournalofBeijingForestryUniversity， 2015， 37(6): 70-76. (in Chinese with English abstract)

[8] 王艷麗， 程展林. CT掃描技術(shù)在我國(guó)土工試驗(yàn)中的應(yīng)用研究進(jìn)展[J]. 地震工程學(xué)報(bào)， 2015， 37(增刊1):35-39. WANG Y L， CHENG Z L. Progress in the application of CT scanning technology in Chinese soil tests[J].ChinaEarthquakeEngineeringJournal， 2015， 37(Supp. 1): 35-39. (in Chinese with English abstract)

[9] ZELELEW H M， ALMUNTASHRI A， AGAIAN S， et al. An improved image processing technique for asphalt concrete X-ray CT images[J].RoadMaterials&PavementDesign， 2013， 14(2):341-359.

[10] 劉志剛， 李德仁， 秦前清， 等. 支持向量機(jī)在多類分類問(wèn)題中的推廣[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40(7):10-13. LIU Z G， LI D R， QIN Q Q， et al. An analytical overview of methods for multi-category support vector machines[J].ComputerEngineering&Applications， 2004， 40(7):10-13. (in Chinese with English abstract)

[11] HARALICK R M， SHANMUGAN K， DINSTEN I. Textural features for image classification[J].IEEETransactionsonSystem，ManandCybernetics， 1973， 3(6):610-621.

[12] 高惠璇. 應(yīng)用多元統(tǒng)計(jì)分析[M]. 北京：北京大學(xué)出版社，2005.

[13] PATRAS A， BRUNTON N P， DOWNEY G， et al. Application of principal component and hierarchical cluster analysis to classify fruits and vegetables commonly consumed in Ireland based oninvitroantioxidant activity[J].JournalofFoodComposition&Analysis， 2011， 24(2):250-256.

[14] CAWLEY G C， TALBOT N L C. Efficient leave-one-out cross-validation of kernel fisher discriminant classifiers[J].PatternRecognition， 2003， 36(11):2585-2592.

(責(zé)任編輯 高 峻)

Automatic identification of different soil physical state caused by freeze-thaw

HAN Qiaoling， ZHAO Yue， YAO Lihong*

(SchoolofTechnology，BeijingForestryUniversity，Beijing100083，China)

In the present study， typical black soil in northeastern China was selected as the test object， and the simulated image processing was adopted combined with computerized tomography (CT) scanning. With the extracted image feature by gray level co-occurrence matrix and principal component analysis (PCA)， the Euclidean distance between the feature vector of test image and verify image was calculated， which built the basis for automatic discrimination of different soil physical states caused by freeze-thaw. It was shown that it could realize automatic identification of different soil physical state by image features extracted by either gray level co-occurrence matrix or PCA. And the identification accuracy of gray-level co-occurrence matrix method was higher than that of principal component analysis method for the same soil CT tomography image database.

soil computed tomography images; gray level co-occurrence matrix; principal component analysis; Euclidean distance; identification accuracy

http://www.zjnyxb.cn

10.3969/j.issn.1004-1524.2017.07.18

2017-01-13

國(guó)家自然科學(xué)基金項(xiàng)目(41501283)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(BLX2015-36)

韓巧玲(1990—)，女，河南安陽(yáng)人，碩士研究生，主要從事圖像處理與模式識(shí)別方向研究。E-mail: hanqiaoling0@163.com

*通信作者，姚立紅，E-mail: yaolihong@bjfu.edu.cn

S1

A

1004-1524(2017)07-1189-06

浙江農(nóng)業(yè)學(xué)報(bào)ActaAgriculturaeZhejiangensis， 2017，29(7): 1189-1194

韓巧玲，趙玥，姚立紅. 基于凍融循環(huán)的土壤物理狀態(tài)的自動(dòng)判別[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2017，29(7)： 1189-1194.