具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

通过上述介绍可知，现有技术中通常是基于光谱指数对小麦患赤霉病的情况进行监测，但是该种方式对赤霉病的检测精度较低。

为了提升对赤霉病的检测精度，采用多种特征相结合的方式对赤霉病进行检测，技术人员经研究发现，小麦感染了赤霉病后，除了光谱指数发生变化外，图像本身的纹理特征也会发生变化，由此，本实施例中，通过光谱指数和纹理特征相结合的方式对赤霉病进行检测，经实验证明，该种方式相较于单一的采用光谱指数的方法大大提升了检测的精度。

但是，申请人还发现，在采用不同尺度的纹理特征的情况下，对赤霉病检测的准确度不稳定。基于上述问题，申请人经研究发现田间赤霉病的感染具有明显的空间聚集性，在前期及后期呈现不同的分布模式，即小麦赤霉病在初期呈线点分布，随后开始扩散，后期呈现片状分布。为了进一步的提升对赤霉病检测的准确度，本实施例中，通过多个不同尺度的纹理特征对待训练的赤霉病检测模型进行训练，得到多个第一赤霉病检测模型，对多个第一赤霉病检测模型进行分析，从而确定纹理特征的最佳尺度。基于此，本实施例中公开了一种小麦赤霉病的检测方法，包括：

获取待检测的高光谱影像；该待检测的高光谱影像中包含小麦的生长信息；基于该待检测的高光谱影像中不同波长的反射率，计算目标光谱指数；从待检测的高光谱影像中提取目标尺度的纹理特征；该目标尺度的纹理特征为通过对由多个不同尺度的纹理特征分别对待训练的赤霉病检测模型进行训练后得到的多个第一赤霉病检测模型进行分析后确定的；将多个光谱指数和目标尺度的纹理特征输入到第二赤霉病检测模型中，得到小麦感染赤霉病的严重程度，该第二赤霉病检测模型是通过从第一训练样本集中提取的多个光谱指数和目标尺度的纹理特征对待训练的赤霉病检测模型进行训练后得到的，所述第一训练样本为包含感染赤霉病的小麦的生长信息的高光谱影像。

由此，本实施例中，不仅结合了光谱指数和图像的纹理特征，而且通过预先确定了目标尺度(最佳尺度)，由此，通过由目标尺度的纹理特征和光谱指数训练的第二赤霉病检测模型进行赤霉病检测，大大提升了赤霉病检测的精度。

下文中会对具体的小麦赤霉病的检测方法进行具体的说明：

参考图1，示出了本发明实施例1提供的一种小麦赤霉病的检测方法的流程示意图，在本实施例中，该方法包括：

S101：获取待检测的高光谱影像；所述待检测的高光谱影像中包含小麦的生长信息；

本实施例中，对小麦赤霉病的监测通常是对田间一定区域范围内的小麦的生长情况进行监测，获取的高光谱影像例如可以为对一定范围内的生长有小麦的田块进行拍摄得到的，其中，拍摄得到的高光谱影像包含有小麦的生长信息。

本实施例中，高光谱影像中包含的小麦的生长信息，例如可以包括：能够表征植被长势、病害胁迫的光谱特征。

S102：基于所述待检测的高光谱影像中不同波长的反射率，计算目标光谱指数；

本实施例中，目标光谱指数为对小麦赤霉病的敏感性较高且互相之间的相关性较小的光谱指数。

其中，目标光谱指数是从多个光谱指数中筛选出的对小麦赤霉病的敏感性较高，且互相之间的相互性较小的光谱指数，筛选过程包括：

获取第三训练样本集；所述第三训练样本集为包含感染赤霉病的小麦的生长信息的高光谱影像；

基于所述第三训练样本集中高光谱影像的不同波长的反射率，计算多个光谱指数；

对所述多个光谱指数之间的相关性、与小麦的病穗率和每个光谱指数对赤霉病的敏感程度进行分析，并从多个光谱指数中筛选出目标光谱指数。

本实施例中，高光谱影像中包含不同波长下的反射率，基于预设的公式，可以通过相应的波长的反射率计算光谱指数。

其中，各个光谱指数的计算方法如下表1所示：

表1

其中，表1中，R_n表示不同波长下的反射率，例如R₈₀₀表示800波长下的反射率。

本实施例中，可以通过多种方法计算相关性，本实施例中不进行限定，优选的，可以采用Kendall相关系数计算光谱指数之间的相关性以及光谱指数与病穗率的相关性。

其中，可以通过多种方法计算每个光谱指数对赤霉病的敏感程度，具体的，本实施例中不进行限定，优选的，可以采用Relief算法计算每个光谱指数与赤霉病的敏感程度。

举例说明：从多个光谱指数中筛选出的目标光谱指数可以包括：花青素反射指数(ARI),红边参数(Red-edge position)和红谷深度(Red Depth)四个光谱特征。

本实施例中，通过上述的方法从多个与植被相关的光谱指数中筛选出了多个对赤霉病的敏感性较高、光谱指数之间的相关性较低、且与病穗率的相关性较高的光谱指数，由此，可以通过最少的光谱指数对小麦赤霉病进行监测，进而大大降低了运算量，提高了数据处理的效率。

S103：从所述待检测的高光谱影像中提取目标尺度的纹理特征；

所述目标尺度的纹理特征为通过对多个第一赤霉病检测模型进行分析后得到的，多个第一赤霉病检测模型是通过从第一训练样本集中提取的不同尺度的纹理特征分别对待训练的赤霉病检测模型进行训练后得到的；

本实施例中，从图像中提取的纹理参数可以包括多种，例如包括均值，方差，同质性，对比度，相异性，熵，二阶矩，相关性等，若要将所有的纹理参数用于赤霉病检测，一方面工作量大、影响数据的处理效率，另一方面也不是每一个纹理参数与赤霉病的关联性都很大，因此，为了提升数据处理效率和准确度，本实施例中从多个纹理参数中筛选出了目标纹理特征，其中，目标纹理特征为与赤霉病的病穗率相关性较高的纹理参数，具体的筛选方法可以包括：

基于不同波长对赤霉病的敏感程度，确定第一目标波段；

基于不同波长包含的图像信息的丰富程度，确定第二目标波段；

从所述第四训练样本集中获取第一目标波段和第二目标波段的多个纹理参数；所述第四训练样本集为多个包含患赤霉病的小麦的生长信息的高光谱影像；

将第一目标波段和第二目标波段中相同纹理参数进行主成分分析，得到每个纹理参数的主成分；

计算每个纹理参数的主成分与所述第四训练样本的病穗率的相关性；

将所述相关性进行比较，筛选出符合第一预设条件的多个相关性；

将符合预设条件的多个相关性对应的纹理参数作为纹理特征。

本实施例中，第一目标波段包括至少一种波长，并且，第一目标波段中包含的波长为对赤霉病较为敏感的波长。其中，第一目标波段的筛选过程可以包括多种，本实施例中不进行限定。

举例说明：筛选出的第一目标波段的波长包括：700nm(ARI)、720nm(红边位置)。

第二目标波段包括至少一种波长，并且，第二目标波段中包含的波长包含较多图像信息的波段，其中，第二目标波段的筛选过程可以包括多种，本实施例中不进行限定，优选的，可以采用如下的方法：

依据主成分分析法，得到图像所有波段在第一主成分的权重；

提取权重大于第一预设阈值的波段的主成分；

从权重大于第一预设阈值的波段中选取波段之间的相关性小于第二预设阈值的波段。

举例说明：筛选出的第二目标波段的波长包括：582nm、674nm、694nm。

本实施例中，从训练样本中获取多个波段的纹理参数的方法可以包括多种，本实施例中不进行限定，例如可以采用灰度共生矩阵法，提取的多个纹理参数可以包括：均值，方差，同质性，对比度，相异性，熵，二阶矩，相关性等。

本实施例中，第一预设条件为纹理参数的主成分与病穗率的相关性大于第二预设阈值，或者第一预设条件为纹理参数的主成分与病穗率的相关性较大，并将筛选出的符合第一预设条件的多个纹理参数表示为纹理特征。

举例说明：筛选出的纹理特征包括：均值、同质性、对比度、相异性和相关性。

本实施例中，目标尺度是通过多个不同尺度的纹理特征对第一赤霉病检测模型进行训练，对训练好的第一赤霉病检测模型进行对比分析，从而确定出符合预设的第一条件的第一赤霉病检测模型。本实施例中，筛选出的第一赤霉病检测模型满足多个预设的指标。

其中，多个预设的指标包括：平均精度、F1分数和ROC曲线。

技术人员还发现，田间赤霉病的感染具有明显的空间聚集性，在前期及后期呈现不同的分布模式，即小麦赤霉病在初期呈现点分布，随后开始扩散，后期呈现出片状分布，为了找到感染赤霉病前期和后期的最佳尺度，即用于对赤霉病检测模型进行训练的图像的最佳尺度，本实施例中，分别通过感染赤霉病前期的图像和感染赤霉病后期的图像对赤霉病检测模型进行训练。具体的，训练过程会在下文中进行详细的介绍，本实施例中不再赘述。

本实施例中，由于小麦感染赤霉病的前期和后期所采用的图像的最佳尺度不同，则从待检测的高光谱影像中提取的目标尺度的纹理特征也与当前感染赤霉病的情况有关，若待检测的高光谱影像拍摄时小麦处于感染赤霉病前期，则从待检测的高光谱影像中提取第一尺度的纹理特征，例如提取尺度为5窗口的纹理特征；若待检测的高光谱影像拍摄时小麦处于感染赤霉病后期，则从待检测的高光谱影像中提取第二尺度的纹理特征，例如提取尺度为17窗口的纹理特征。

S104：将所述多个光谱指数和目标尺度的纹理特征输入到第二赤霉病检测模型中，得到小麦感染赤霉病的严重程度；所述第二赤霉病检测模型是通过从第二训练样本中提取的多个光谱指数和预设尺度的纹理特征进行训练后得到的，且所述赤霉病检测模型具备预测小麦感染赤霉病的严重程度的能力，所述第二训练样本为包含感染了赤霉病的小麦的生长信息的高光谱影像；

本实施例中，第二赤霉病检测模型可以是通过从第二训练样本中提取的多个光谱指数和预设尺度的纹理特征对待训练的第二赤霉病检测模型进行训练后得到的，也可以是筛选最佳尺度的过程中得到的，最佳尺度(目标尺度)对应的第二赤霉病检测模型则为第二赤霉病检测模型。

通过上述介绍可知，小麦在感染赤霉病前期和后期时，用于对模型进行训练的训练样本不同，一个是将包含感染赤霉病前期的小麦的生长信息的高光谱影像作为训练样本，一个是将包含感染赤霉病后期的小麦的生长信息的高光谱影像作为训练样本。那么第二赤霉病检测模型也包含两个，一个用于对感染前期的小麦的图像进行检测，一个用于对感染后期的图像进行检测。

其中，若待检测的高光谱影像为感染赤霉病前期的影像，则从待检测的高光谱影像中提取第一尺度的纹理特征，例如提取尺度为5窗口的纹理特征；

若待检测的高光谱影像为感染赤霉病后期的影像，则从待检测的高光谱影像中提取第二尺度的纹理特征，例如提取尺度为17窗口的纹理特征。

本实施例中，第二赤霉病检测模型预测小麦感染赤霉病的严重程度可以包括多个等级，本实施例中不进行限定，例如可以包括：感染的等级为轻度，感染的等级为重度。

本实施例中，结合光谱指数和图像的纹理特征用于小麦赤霉病的检测，并且，通过对由多个不同尺度的纹理特征训练后得到的第一赤霉病检测模型进行分析，得到了用于检测小麦赤霉病严重程度时，或者用于训练第二赤霉病检测模型时所采用的纹理特征提取的最佳尺度，表示为目标尺度。由此，通过由最佳尺度的纹理特征训练后得到的第二赤霉病检测模型对待检测的高光谱影像进行预测，预设的准确度得到了大大的提升。

本实施例中，申请人经研究发现田间小麦赤霉病的感染具有明显的空间聚集性，在前期及后期呈现不同的分布模式，即小麦赤霉病在初期呈线点分布，随后开始扩散，后期呈现片状分布。针对感染前期的表现，若采用较大的尺度，则无法准确的表现“点”分布的特点；对于感染后期的表现，若采用较小的尺度，也无法准确的表现“片”状分布的特点。由此，为了找到能准确描述感染赤霉病前期和后期的特点的最佳尺度，分别通过如下的实施例2和实施例3确定：

参考图2，示出了本发明实施例2提供的一种目标尺度的筛选方法的流程示意图，在本实施例中，该方法包括：

S201:获取第五训练样本集；所述第五训练样本集为包含感染赤霉病前期的小麦的生长信息的高光谱影像；

S202：基于所述第五训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

本实施例中，通过上述介绍可知，目标光谱指数为对小麦赤霉病的敏感性较高且互相之间的相关性较小的光谱指数，目标光谱指数的筛选方法，在上文中已经介绍，本实施例中不再赘述。

S203：从所述第五训练样本集中高光谱影像中提取多个不同尺度的纹理特征；

S204：将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对对待训练的赤霉病检测模型进行训练，得到多个已训练的第一赤霉病检测模型；

本实施例中，为了选取出最佳的尺寸，本实施例中，将每一个尺度的纹理特征分别对待训练的赤霉病检测模型进行训练，为了提升训练精度，本实施例中，将每个一尺度的纹理特征和目标光谱指数作为一个特征对，分别对待训练的赤霉病检测模型进行训练。

S205：通过预设的多个第一指标对多个已训练的第一赤霉病检测模型进行分析；

S206：基于多个已训练的第一赤霉病检测模型的分析结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；

S207：将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为感染赤霉病前期所选用的目标尺度。

本实施例中，预设的多个第一指标可以包括多种，本实施例中不进行限定，例如第一指标可以包括：平均精度、F1分数和ROC曲线。

本实施例中，采用多个包含患赤霉病的小麦的生长信息的高光谱影像的测试集计算第一赤霉病检测模型的精度，例如可以采用混淆矩阵计算第一赤霉病检测模型的总体精度。

其中，当纹理特征提取的尺度越接近最佳尺度时，则模型的精度越高。

本实施例中，F1分数计算公式如下公式1)-公式3)所示：

公式1)Precision＝TP/(TP+FP)；

公式2)Recall＝TP/(TP+FN)；

公式3)F1＝2*Precision*Recall/(Precision+Recall)；

其中，Precision：查准率，表示预测值为真(患病)且真实值也为真(患病)的样本在预测值为真的所有样本中所占的比例；TP：预测值为真且真实值也为真的个数；FP：预测值为真但真实值为假(不患病)的样本个数；Recall：召回率，指的是预测值为真且真实值也为真的样本在真实值为真的所有样本中所占的比例；FN：预测值为假但真实值为真的样本个数。

本实施例中，F1分数能够对模型的敏感性及特异性进行综合判断，F1分数越高，则表示模型的敏感性及特异性越好。

本实施例中，通过如下的公式4)和5)以及第一赤霉病检测模型对测试集的预测结果，多次计算假正例率和真正例率，并计算假正例率和真正例率的平均值，得到不同尺度的纹理特征的平均ROC(英文全称：Receiver Operating Characteristic Curve，中文全称：受试者工作特征曲线)曲线，并计算ROC曲线下的面积(AUC)。

4)FPR＝TP/(TP+FP)；

5)TPR＝TP/(TP+FN)；

其中，ROC曲线可以体现模型的泛化能力，ROC曲线下的面积越大，则表示泛化能力越好。

举例说明：如下表1为对第一赤霉病检测模型进行筛选时，不同窗口下第一赤霉病检测模型不同指标的情况：

由此可以综合上述三个指标，从而筛选出预测效果最佳的第一赤霉病检测模型，表示为第一目标赤霉病检测模型，并将第一目标赤霉病检测模型对应的尺度作为目标尺度。

本实施例中，通过包含感染赤霉病前期的小麦的生长信息的高光谱影像作为训练样本对待训练的赤霉病检测模型进行训练，得到多个第一赤霉病检测模型，再通过多个指标对第一赤霉病检测模型进行评价，从而得到最优的第一赤霉病检测模型，并将用于对最优的第一赤霉病检测模型进行训练的纹理特征的尺度作为感染赤霉病前期的目标尺度。由此，将该最佳尺度用于赤霉病检测时，能够大大提升对赤霉病检测的准确度。

参考图3，示出了本发明实施例2提供的一种目标尺度的筛选方法的流程示意图，在本实施例中，该方法包括：

S301：获取第六训练样本集；所述第六训练样本集为包含感染赤霉病后期的小麦的生长信息的高光谱影像；

本实施例中，通过上述介绍可知，目标光谱指数为对小麦赤霉病的敏感性较高且互相之间的相关性较小的光谱指数，目标光谱指数的筛选方法，在上文中已经介绍，本实施例中不再赘述。

与上述实施例2不同的是，本实施例中采用的第六训练样本为包含感染赤霉病后期的小麦的生长信息的高光谱影像，实施例2中采用的第五训练样本为包含感染赤霉病前期的小麦生长信息的高光谱影像。

S302：基于所述第六训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

S303：从所述第六训练样本集中的高光谱影像中提取多个不同尺度的纹理特征；

S304：将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对待训练的赤霉病检测模型进行训练，得到多个已训练的第一赤霉病检测模型；

本实施例中，为了选取出最佳的尺寸，本实施例中，将每一个尺度的纹理特征分别对待训练的赤霉病检测模型进行训练，为了提升训练精度，本实施例中，将每个一尺度的纹理特征和目标光谱指数作为一个特征对，分别对待训练的赤霉病检测模型进行训练。

S305：通过预设的第二指标对多个已训练的第一赤霉病检测模型进行分析；

S306：基于对多个已训练的第一赤霉病检测模型进行分析的结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；

S307：将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为患赤霉病前期所选用的目标尺度。

本实施例中，预设的第二指标可以包括一种或者多种，本实施例中不进行限定，例如第一指标可以包括：平均精度、F1分数和ROC曲线。

其中，平均精度、F1曲线和ROC曲线的计算方法已在上述实施例2中进行了介绍，本实施例中不再赘述。

其中，当纹理特征提取的尺度越接近最佳尺度时，则模型的精度越高。

F1分数能够对模型的敏感性及特异性进行综合判断，F1分数越高，则表示模型的敏感性及特异性越好。

ROC曲线可以体现模型的泛化能力，ROC曲线下的面积AUC越大，则表示泛化能力越好。

举例说明：如下表2为对第一赤霉病检测模型进行筛选时，不同窗口下第一赤霉病检测模型不同指标的情况：

表2

由此可以综合上述三个指标，从而筛选出预测效果最佳的第一赤霉病检测模型，表示为第一目标赤霉病检测模型，并将第一目标赤霉病检测模型对应的尺度作为目标尺度。

本实施例中，通过包含感染赤霉病前期的小麦的生长信息的高光谱影像作为训练样本对待训练的赤霉病检测模型进行训练，得到多个第一赤霉病检测模型，再通过第二指标对第一赤霉病检测模型进行评价，从而得到最优的第一赤霉病检测模型，并将用于对最优的第一赤霉病检测模型进行训练的纹理特征的尺度作为感染赤霉病后期的目标尺度。由此，将该最佳尺度用于赤霉病检测时，能够大大提升对赤霉病检测的准确度。

本实施例中，上述提到的待训练的赤霉病检测模型可以为任何一种机器学习模型，本实施例中不进行限定，例如可以为Logistic模型。

参考图4，示出了本发明实施例4公开的一种小麦赤霉病的检测装置的结构示意图，在本实施例中，该装置包括：

获取单元401，用于获取待检测的高光谱影像；所述待检测的高光谱影像中包含小麦的生长信息；

计算单元402，用于基于所述待检测的高光谱影像中不同波长的反射率，计算目标光谱指数；

提取单元403，用于从所述待检测的高光谱影像中提取目标尺度的纹理特征；所述目标尺度的纹理特征为通过对多个第一赤霉病检测模型进行分析后得到的，多个第一赤霉病检测模型是通过从第一训练样本集中提取的不同尺度的纹理特征分别对待训练的赤霉病检测模型进行训练后得到的，所述第一训练样本为包含感染赤霉病的小麦的生长信息的高光谱影像；

检测单元404，用于将所述多个光谱指数和目标尺度的纹理特征输入到第二赤霉病检测模型中，得到小麦感染赤霉病的严重程度；所述赤霉病检测模型是通过从第二训练样本集中提取的多个光谱指数和预设尺度的纹理特征对待训练的赤霉病检测模型进行训练后得到的，且所述赤霉病检测模型具备预测小麦感染赤霉病的严重程度的能力，所述第二训练样本为包含患有赤霉病的小麦的生长信息的高光谱影像。

可选的，还包括：目标光谱指数筛选单元，用于：

获取第三训练样本集；所述第三训练样本集为多个包含感染赤霉病的小麦的生长信息的高光谱影像；

基于所述第三训练样本集中高光谱影像的不同波长的反射率，计算多个光谱指数；

对所述多个光谱指数之间的相关性、所述多个光谱指数与小麦的病穗率之间的关系以及每个光谱指数对赤霉病的敏感程度进行分析，并从多个光谱指数中筛选出目标光谱指数。

可选的，还包括：纹理特征筛选单元，用于：

基于不同波段对赤霉病的敏感程度，确定第一目标波段；

基于不同波段包含的图像信息的丰富程度，确定第二目标波段；

从所述第四训练样本集中获取第一目标波段和第二目标波段的多个纹理参数；所述第四训练样本集为多个包含患赤霉病的小麦的生长信息的高光谱影像；

将第一目标波段和第二目标波段中相同纹理参数进行主成分分析，得到每个纹理参数的主成分；

计算每个纹理参数的主成分与所述第四训练样本的病穗率的相关性；

将所有的相关性进行比较，筛选出符合第一预设条件的多个纹理参数；

将符合第二预设条件的多个纹理参数对应的纹理参数作为纹理特征。

可选的，还包括：

第一目标尺度筛选单元，用于：

获取第五训练样本集；所述第五训练样本为包含感染赤霉病前期的小麦的生长信息的高光谱影像；

基于第五训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

从所述高光谱影像中提取多个不同尺度的纹理特征；

将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对待训练的赤霉病检测模型进行训练，得到多个已训练的第一赤霉病检测模型；

通过预设的多个第一指标对多个已训练的第一赤霉病检测模型进行分析；

基于对多个已训练的第一赤霉病检测模型进行分析的结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为患赤霉病前期所选用的目标尺度。

可选的，第二目标尺度筛选单元，用于：

获取第六训练样本集；所述第五训练样本为包含患赤霉病后期的小麦的生长信息的高光谱影像；

基于第六训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

从所述高光谱影像中提取多个不同尺度的纹理特征；

将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对待训练的赤霉病检测模型进行训练，得到多个训练好的第二赤霉病检测模型；

通过预设的第二指标对多个已训练的第一赤霉病检测模型进行分析；

基于对多个已训练的第一赤霉病检测模型进行分析的结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为患赤霉病前期所选用的目标尺度。

可选的，所述提取单元，包括：

第一提取子单元，用于若所述待检测的高光谱影像为感染赤霉病前期的影像，则从待检测的高光谱影像中提取尺度为5窗口的纹理特征；

第二提取自单元，用于若所述待检测的高光谱影像为感染赤霉病后期的影像，则从待检测的高光谱影像中提取尺度为17窗口的纹理特征。

本实施例的装置，在对赤霉病进行检测时，不仅结合了光谱指数和图像的纹理特征，而且通过预先确定了目标尺度(最佳尺度)，由此，通过由目标尺度的纹理特征和光谱指数训练的第二赤霉病检测模型进行赤霉病检测，大大提升了赤霉病检测的精度。

参考图5示出了本发明实施例5提供的一种电子设备的结构示意图，在本实施例中，该电子设备包括：存储器和处理器；

所述存储器存储有程序，所述处理器用于在执行所述存储器中的程序时执行下述所述的小麦赤霉病的检测方法：

获取待检测的高光谱影像；所述待检测的高光谱影像中包含小麦的生长信息；

基于所述待检测的高光谱影像中不同波长的反射率，计算目标光谱指数；

从所述待检测的高光谱影像中提取目标尺度的纹理特征；所述目标尺度的纹理特征为通过对多个第一赤霉病检测模型进行分析后得到的，多个第一赤霉病检测模型是通过从第一训练样本集中提取的不同尺度的纹理特征分别对待训练的赤霉病检测模型进行训练后得到的，所述第一训练样本为包含感染赤霉病的小麦的生长信息的高光谱影像；

将所述多个光谱指数和目标尺度的纹理特征输入到第二赤霉病检测模型中，得到小麦感染赤霉病的严重程度；所述赤霉病检测模型是通过从第二训练样本集中提取的多个光谱指数和预设尺度的纹理特征对待训练的赤霉病检测模型进行训练后得到的，且所述赤霉病检测模型具备预测小麦感染赤霉病的严重程度的能力，所述第二训练样本为包含患有赤霉病的小麦的生长信息的高光谱影像。

可选的，还包括：

获取第三训练样本集；所述第三训练样本集为多个包含感染赤霉病的小麦的生长信息的高光谱影像；

基于所述第三训练样本集中高光谱影像的不同波长的反射率，计算多个光谱指数；

对所述多个光谱指数之间的相关性、所述多个光谱指数与小麦的病穗率之间的关系以及每个光谱指数对赤霉病的敏感程度进行分析，并从多个光谱指数中筛选出目标光谱指数。

可选的，还包括：

基于不同波段对赤霉病的敏感程度，确定第一目标波段；

基于不同波段包含的图像信息的丰富程度，确定第二目标波段；

从所述第四训练样本集中获取第一目标波段和第二目标波段的多个纹理参数；所述第四训练样本集为多个包含患赤霉病的小麦的生长信息的高光谱影像；

将第一目标波段和第二目标波段中相同纹理参数进行主成分分析，得到每个纹理参数的主成分；

计算每个纹理参数的主成分与所述第四训练样本的病穗率的相关性；

将所有的相关性进行比较，筛选出符合第一预设条件的多个纹理参数；

将符合第二预设条件的多个纹理参数对应的纹理参数作为纹理特征。

可选的，还包括：

获取第五训练样本集；所述第五训练样本为包含感染赤霉病前期的小麦的生长信息的高光谱影像；

基于第五训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

从所述高光谱影像中提取多个不同尺度的纹理特征；

将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对待训练的赤霉病检测模型进行训练，得到多个已训练的第一赤霉病检测模型；

通过预设的多个第一指标对多个已训练的第一赤霉病检测模型进行分析；

基于对多个已训练的第一赤霉病检测模型进行分析的结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为患赤霉病前期所选用的目标尺度。

可选的，还包括：

获取第六训练样本集；所述第五训练样本为包含患赤霉病后期的小麦的生长信息的高光谱影像；

基于第六训练样本集中高光谱影像的不同波长反射率，计算目标光谱指数；

从所述高光谱影像中提取多个不同尺度的纹理特征；

将目标光谱指数和一个尺度的纹理特征作为一个特征对，分别通过每个特征对待训练的赤霉病检测模型进行训练，得到多个训练好的第二赤霉病检测模型；

通过预设的第二指标对多个已训练的第一赤霉病检测模型进行分析；

基于对多个已训练的第一赤霉病检测模型进行分析的结果，从所述多个已训练的第一赤霉病检测模型中筛选出第一目标赤霉病检测模型；将用于对第一目标赤霉病检测模型进行训练的纹理特征的尺度作为患赤霉病前期所选用的目标尺度。

可选的，所述从所述高光谱影像中提取目标尺度的纹理特征，包括：

若所述待检测的高光谱影像为感染赤霉病前期的影像，则从待检测的高光谱影像中提取尺度为5窗口的纹理特征；

若所述待检测的高光谱影像为感染赤霉病后期的影像，则从待检测的高光谱影像中提取尺度为17窗口的纹理特征。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。