基于圖像處理技術的小麥群體葉綠素狀況估計研究

時　雷,龐曉丹,錢　誠,席　磊,馬新明,2

(1.河南農業大學 信息與管理科學學院,鄭州 450002;2.河南糧食作物協同創新中心,鄭州 450002;3.南陽市第十五小學,河南 南陽 473000)

?

基于圖像處理技術的小麥群體葉綠素狀況估計研究

時雷1,龐曉丹1,錢誠3,席磊1,馬新明1,2

(1.河南農業大學 信息與管理科學學院,鄭州 450002;2.河南糧食作物協同創新中心,鄭州 450002;3.南陽市第十五小學,河南 南陽 473000)

摘要:基于大田作物群體圖像對小麥群體葉綠素狀況進行估計。利用圖像處理技術提取大田環境下6個小麥品種在3個施氮水平下的圖像顏色特征,建立了小麥顏色特征與SPAD的估測模型。結果表明，不同品種小麥各顏色特征與SPAD值相關性不一致,需針對品種建立不同的估測模型;對6個品種的估測模型進行檢驗,各模型的實際值及估測值均達極顯著相關,相對誤差介于4.72%～14%之間。通過圖像處理技術及小麥顏色特征可以有效地對小麥群體葉綠素狀況進行估計。

關鍵詞:圖像處理技術; 小麥群體; 葉綠素狀況

小麥是我國重要的糧食作物,及時監測小麥生長過程中的營養狀況并采取適宜的農學措施對確保小麥優質高產意義重大。葉綠素是把光能轉化為化學能的重要色素,是衡量小麥營養狀況的重要指標,較低的葉綠素濃度會限制作物的光合作用能力。葉片顏色的濃淡能夠反映葉片中葉綠素的含量和比例,可以作為診斷葉綠素含量的指標[1-3]。長期以來,小麥農業專家和種植者常常依靠肉眼對小麥葉色深淺進行評價,這種方法耗時費力,評價結果受觀察者經驗積累影響,定性且沒有量化指標。計算機比人眼對顏色更加敏感,能更早地發現作物由于營養不足表現出的顏色變化[2，4]。前人研究發現,利用歸一化rgb可以有效地識別3種不同施氮水平下玉米葉片的顏色變化[5]。KAWASHINGMA et al[6]發現(R-B)/(R+B)可以有效的估算植物葉片的葉綠素含量。MIGUEL et al[7]通過主成分分析法建立了大麥葉片顏色與SPAD讀數及產量的關系模型,相關性達到了9.0以上。ADAMSEN et al[8]通過分析小麥冠層圖像發現G/R與葉綠素有顯著的相關關系。王方永等[9]發現G-R,G-R/G+R,r與g的組合等顏色參數和棉花葉片葉綠素含量、群體綠色指數之間極顯著相關。王克如等[10]在實驗室環境下建立棉花葉色與葉綠素含量估測模型,誤差在7.8%～13.65%之間。宋振偉等[11]分析了不同施氮處理的小麥顏色特征發現葉片顏色變化持續在整個小麥生育期中。徐光輝等[12]建立了烤煙葉片葉綠素含量和顏色特征的關系,發現B/(R+G),b是影響烤煙葉葉綠素含量的重要特征參數。汪強等[13]建立了煙葉HSV顏色參數與葉綠素含量模型對煙葉成熟度進行判定,符合率達到90%以上。上述研究表明,可以使用顏色特征來對作物葉片的葉綠素狀況進行監測研究。

目前，我國把圖像處理技術應用于小麥生產方面的研究集中在葉面積指數[14-15]、莖數[16]、籽粒[17-18]等方面,主要利用圖像的形態特性進行參數估算；而直接利用圖像的顏色特征對大田作物群體的營養狀況進行監測的應用較少。在根據圖像信息對作物葉綠素狀況進行監測方面,目前的研究主要集中在選取代表性固定樣本和實驗室環境下,其應用場景和方法的局限性使其很難推廣到大田環境中。隨著國家農村信息化工作的推進,土地種植者獲取大田作物群體圖像方便快捷,而依據群體圖像對大田作物的葉綠素狀況進行估計分析的研究目前還未見報道。筆者通過對大田環境下的小麥圖像進行采集,使用圖像處理技術提取小麥顏色信息,建立小麥顏色信息與群體SPAD的相關模型,對小麥群體的葉綠素狀態進行估計,為后續大田小麥長勢判斷和農業生產指導奠定基礎。

1材料與方法

1.1試驗材料與試驗設計

試驗于2012—2013年,在河南農業大學科教園區進行,供試土壤質地為沙壤土。供試品種為矮早8,衡觀35,新麥19,偃展4110,豫麥49-198,鄭麥366,試驗設3個施氮水平,分別為:N0(不施氮)，N8(純N，120 kg/hm2)，N15(純N，225 kg/hm2)。

1.2小麥群體圖像獲取

圖像采集時間為小麥拔節期,均選擇光照充沛、晴朗無風的天氣，于11∶00-14∶00之間進行拍攝。圖像采集相機型號為佳能5D,圖像分辨率為5 616×3 744,圖像格式為CR2(RAW格式),拍攝角度為逆光45°。本文進行試驗分析的數據為小麥拔節期圖像,樣本采集日期分別為:3月15日,3月22日,4月2日,4月8日,4月15日,4月23日。

1.3小麥群體葉綠素狀況測定

作物葉片的葉綠素含量可以用SPAD值來進行衡量[1，13]。在進行圖像數據采集時,同時在拍攝區域用SPAD-502葉綠素儀進行SPAD值測定。選取小麥冠層具有代表性的葉片,分別取葉尖、葉中部和葉基部的SPAD值,取平均值作為該葉片的葉綠素相對含量。每個區域測定三株,取平均值作為該區域圖片對應的群體葉綠素狀況。

1.4小麥群體圖像處理

通過圖像處理技術可以對圖像中的信息進行過濾,消除無關干擾信息并提取目標信息進行分析。圖像處理的常規處理方法有歸一化、圖像壓縮、幾何變換、圖像分割、圖像去噪等[19]。本文對小麥群體圖像的處理有歸一化、圖像分割、圖像去噪,處理流程見圖1。

圖1　圖像處理流程Fig.1　Workflow of image processing

1.4.1圖像歸一化

筆者所用圖像均在大田環境下采集,無法避免光照及陰影對圖像造成的影響。歸一化是一種無量綱的處理手段,對圖像歸一化可以克服部分光照變化及陰影對圖像的影響,如式(1)所示。圖2-b為歸一化效果示例。

(1)

圖2　原始圖像和圖像處理效果Fig.2　Original image and result of image processing

1.4.2圖像分割

圖像分割是將圖像細分為構成它的子區域或物體,分割的程度取決于要解決的問題,分割的精度決定了分析結果的最終成敗。目前圖像處理領域的圖像分割有基于灰度圖像的分割和基于彩色圖像的分割。分割的方法主要有直方圖閾值法、特征空間聚類、基于區域的方法、邊緣檢測、模糊方法、神經元網絡等[20-23]。基于彩色圖像的分割大都是灰度圖像分割的變換,不同的應用環境與待解決問題決定了分割方法的選擇。

筆者所用圖像分割方法是基于RGB顏色空間的模式識別,通過馬氏距離(Mahalanobis distance)構建分類器,對每個RGB像素進行分類,如式(2)所示。向量z表示RGB空間中的任意一點,向量a為圖像中選取的小麥顏色區域的一個平均顏色估計,C為選取的小麥顏色區域樣本點的協方差矩陣。滿足與向量a的馬式距離D(z,a)≤D0的點的軌道描述了一個三維橢球體,如圖3所示。在小麥圖像中,對每一個像素點進行分類,落入到該橢球體內的像素點為小麥顏色進行保留,否則視為背景顏色并刪除,分割效果如圖2-c所示。

(2)

圖3　RGB顏色空間分割區域Fig.3　Data area of RGB color space for segmentation

圖像分割的處理過程非常消耗CPU資源,為了提高運算效率,本文在操作過程中對圖像進行兩次仿射變換,如式(3)所示。仿射變換在圖像分割前與圖像分割后進行,w，z和x，y分別表示每次變換前與變換后像素點在圖像中的位置,t值分別取0.5和2。通過仿射變換,分割過程將減少3/4的CPU運算消耗。

(3)

1.4.3圖像去噪

圖像分割后的二值圖像含有大量的噪聲,本文通過形態學圖像處理的開操作和閉操作對圖像進行去噪。去噪后小麥圖像的葉片形態更加平滑,而且消除了大量圖像中的孔洞,處理效果如圖2-d所示。

1.5小麥圖像顏色特征提取

依據分割后二值圖像所提供的像素位置信息,可以得到小麥葉片的顏色信息。本文提取圖像中小麥葉片顏色原始信息的一階矩(Mean)和二階矩(Variance)及歸一化圖像的一階矩(Mean)和二階矩(Variance)共12項特征信息,這些信息反映了圖像中小麥的顏色區間、比例及分布情況。

2結果與分析

2.1顏色特征分析

顏色特征R，G，B和r，g，b的一階矩、二階矩反映出原始圖像和歸一化圖像中各顏色分量在圖像中的比例及分布情況。表1給出了各品種小麥圖像顏色特征的一階矩和二階矩。

分析發現：

表1　顏色特征的一階矩與二階矩

1) 歸一化顏色分量r，g的一階矩和二階矩的差異均較小,說明小麥葉片顏色的r分量和g分量在不同圖像中表現出類似的特征;

2) 歸一化顏色分量b的一階矩差異小,但二階矩較大,說明小麥葉片顏色的b分量在不同的圖像中波動劇烈,可以作為區分小麥葉片生長狀況的主要參考特征;

3) 原始分量R，G，B的二階矩均較大,說明在不同的圖像中其顏色分布跨度大、波動劇烈,光照反射及陰影對圖像的影響顯著;

4) 對比顏色分量R，G，B和歸一化顏色分量r，g，b發現歸一化之后的顏色分量信息更加穩定,在一定程度上更適合進行葉色診斷。

2.2顏色特征與小麥群體葉綠素狀況的相關分析

小麥圖像顏色特征與對應SPAD值的相關性如表2所示。分析發現相關性在品種間差異較大,其中矮早8、偃展4110、豫麥49-198的歸一化顏色特征與SPAD的相關性好;而衡觀35、新麥19、鄭麥366的原始顏色特征與SPAD相關性好;除鄭麥366外,其它品種的一階矩顏色特征與SPAD的相關性明顯優于二階矩;另外,所有品種一階矩顏色特征的紅綠分量(R,G,r,g)均與SPAD值負相關,而藍色分量(B,b)與SPAD值顯著正相關。

表2　顏色特征與SPAD的相關性

考慮到品種間的差異性,分析不同品種小麥的顏色特征與SPAD值的相關性,對不同的品種選取不同的顏色特征建立回歸模型。本文中每個品種建模樣本數為45,每幅圖像對應有相應群體SPAD值。表3列出了本文選取的各品種相關性較高的顏色特征及建立的回歸模型。

表3　顏色特征參數與SPAD(y)的定量關系

2.3模型檢驗

利用獨立的檢驗樣本檢驗上述顏色特征與SPAD值的估測方程,采用估測結果的相對誤差(E)、均方根誤差(ERMS)、精確度(R2)評定模型的估測能力,每種品種檢驗樣本為18個。結果顯示,各模型的估測值和實測值均達極顯著相關,其相應的均方根誤差小于4.4,相對誤差介于4.72%～14%之間,其中矮早8、豫麥49-198、鄭麥366的估測模型達到了極顯著水平,如表4所示。

3討論

利用圖像處理技術對作物生長狀況進行監測的難點在于目標識別和特征選擇。本文基于RGB顏色空間與馬氏距離的模式識別方法分割小麥冠層顏

表4　顏色特征參數與SPAD的回歸模型檢驗

色信息,對比前人研究[3,14,24-25]通過

直方圖等來區分作物與背景的方法,在算法效率上有一定的損失,但是精度更高,分割對象明確。在顏色特征選擇上,基于品種差異考慮,本文選擇多個特征向量進行建模,最大程度上考慮影響估測模型的因素。顏色特征的選擇決定了模型的精度和估測結果的準確性,而單一的顏色特征無法準確的映射作物葉片葉綠素含量對葉片顏色的影響。

本文在進行顏色特征與SPAD的相關性研究時,發現顏色特征與SPAD相關性在不同品種間不一致,可能是由于不同品種小麥在葉片形態以及對光的反射率上有較大差異,從而導致了相同光照條件下圖像顏色信息分布上的差異,影響了與SPAD的相關性。另外,部分圖像顏色特征與SPAD相關性偏低,可能是因為圖像均在大田開放環境下采集,葉片部分區域的R，G，B三個通道均受光照影響而值域變大,歸一化后在圖像顯示上顏色變暗,并在圖像分割中被算法拋棄,在此情況下提取的顏色信息不完備導致的。

本文的實驗數據均來自小麥拔節期,可能不適合所有的小麥生育時期,對小麥整個生育期葉綠素狀況的估測模型還需要更多的數據來實踐驗證。

4結論

1) 針對6個品種的小麥拔節期群體圖像,通過圖像處理技術對小麥群體圖像進行處理,使用基于RGB顏色空間與馬氏距離的模式識別方法,準確的分割出小麥冠層圖像,并提取了小麥冠層顏色特征。

2) 通過分析小麥冠層顏色信息與群體葉綠素含量之間的相關性,發現其在品種間有較大的差異,并針對每個品種建立估測模型,模型均達到了較高的精度。對模型進行檢驗,各模型的實際值及估測值均達極顯著相關,相對誤差介于4.72%～14%之間。

3) 本研究將圖像處理技術應用在大田小麥群體生長狀況監測中,針對不同小麥品種建立了冠層顏色特征與葉綠素狀況的估測模型,為實現實時無損測量小麥葉綠素狀況奠定了基礎,可為今后基于圖像的大田群體作物生長實時監測體系提供技術支撐。

參考文獻：

[1]王方永,王克如,李少昆,等.利用數碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J].作物學報,2010,36(11):1981-1989.

[2]林開顏,徐立鴻,吳軍輝.計算機視覺技術在作物生長監測中的研究進展[J].農業工程學報,2004,20(2):297-282.

[3]徐貴力,毛罕平,李萍萍.缺素葉片彩色圖像顏色特征提取的研究[J].農業工程學報,2002,18(4):150-154.

[4]SEGINERI,ELSTERRT,GOODRUMJW，etal.Plantwiltdetectionbycomputer-visiontrackingofleaftips[J].TransactionsoftheASAE,1992,35(5)：1563-1567.

[5]AHMAKIS,REIDJF.Evaluationsofcolorrepresentationformaizeimage[J].JournalofAgriculturalEngineeringResearch,1996,63(3):185-196.

[6]KAWASHINGS,NAKATANIM.Analgorithmforestimatingcholorophyllcontentinleavesusingavideocamera[J].AnnBot,1998,81(1):49-54.

[7]MIGUELP,RUBENO,IGNACIOI,etal.NewmethodtoassessbarleynitrogennutritionstatusbasedonimagecolouranalysisComparisonwithSPAD-502[J].ComputersandElectronicsinAgriculture,2009,65(2):213-218.

[8]ADAMSENFJ,PRINTERPJ,BARNESEM,etal.Measuringwheatsenescencewithadigitalcamera[J].CropScience,1999,39(3):719-724.

[9]王方永,李少昆,王克如,等.基于機器視覺的棉花群體葉綠素監測[J].作物學報,2007,33(12):2041-2046.

[10]王克如,李少昆,王崇桃,等.用機器視覺技術獲取棉花葉片葉綠素濃度[J]. 作物學報,2006,32(1):34-40.

[11]宋振偉,文新亞,張志鵬,等.基于數字圖像處理技術的冬小麥不同施氮和灌溉處理顏色特征分析[J].中國農學通報,2010,26(14):350-355.

[12]徐光輝,虎曉紅,馬新明,等.烤煙葉片葉綠素含量與顏色特征的關系[J].河南農業大學學報,2007,41(6):600-604.

[13]汪強,席磊,馬新明,等.基于計算機視覺技術的煙葉成熟度判定方法[J].農業工程學報,2012,28(4):175-179.

[14]李明,張長利,房俊龍.基于圖像處理技術的小麥葉面積指數的提取[J].農業工程學報,2010,26(1):205-209.

[15]李少昆,索興梅,白中英,等.基于BP神經網絡的小麥群體圖像特征識別[J].中國農業科學,2002,35(6):616-620.

[16]單成鋼,廖樹華,梁振興,等.小麥群體圖像特征識別方法的研究-小麥群體總莖數估測[J].作物學報,2004,30(12):

1281-1283.

[17]畢昆,姜盼,李磊,等.基于形態學圖像處理的麥穗形態特征無損測量[J].農業工程學報,2010,26(12):212-216.

[18]龔紅菊,姬長英.基于圖像處理技術的麥穗產量測量方法[J].農業機械學報,2007,38(12):116-119.

[19]林開顏,吳軍輝,徐立鴻.彩色圖像分割方法綜述[J].中國圖像圖形學報, 2005,10(1):1-10.

[20]劉華軍,任明武,楊靜宇.一種改進的基于模糊聚類的圖像分割方法[J].中國圖像圖形學報,2006,11(9):1312-1316.

[21]TOLIASY A,PANAS S M.On applying spatial constraints in fuzzy image clustering using a fuzzy rule based system[J].IEEE Siganl Processing Letters,1998,5(10):245-247.

[22]王艷華,管一弘.基于模糊集理論的醫學圖像分割的應用[J].計算機技術與發展,2008,18(11):223-225.

[23]朱艷麗,李曉明.基于BP神經網絡的小型組足球機器人視覺子系統的圖像分割技術[J].機電工程,2011,28(1):79-82.

[24]WOEBBECKED M,MEYER G E,VON BARGEN K,et al.Color indices for weed identification under various soil,residue,and lighting conditions[J].American Society of Argicultural Engineers,1995,38(1):259-269.

[25]紀壽文,王榮本,陳佳娟,等.應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J].農業工程學報,2001,17(2):

154-156.

(編輯：朱倩)

Research on Estimation of Wheat Population Chlorophyll Status Using Image Processing Technology

SHI Lei1,PANG Xiaodan1,QIAN Cheng3,XI Lei1,MA Xinming1,2

(1.CollegeofInformationandManagementScience,HenanAgriculturalUniversity,Zhengzhou450002,China;2.CollaborativeInnovationCenterofHenanGrainCrops;Zhengzhou450002,China；3.TheFifteenthPrimarySchoolofNanyangCity,NanyangHenan473000,China)

Abstract:The estimation of wheat population chlorophyll status using field crops group image is researched in this paper.Image processing technology is used to extract the picture color features of six varieties at three nitrogen levels in wheat field environment.The estimation model of wheat color features and SPAD is established.The results show that the correlation between color characteristics of different wheat varieties and SPAD is inconsistent,and different estimating models for species need to be estabished.The estimation models of six varieties are tested.The actual value and the estimated value of each model are correlated with high significance,with relative error between 4.72%～14%.Therefore,wheat population chlorophyll status can be effectively estimated by using the image processing technology and wheat color characteristics.

Key words:image processing technology;wheat population;chlorophyll status

文章編號:1007-9432(2016)02-0223-05

*收稿日期：2015-04-06

基金項目：國家自然科學基金資助項目:基于物聯網與遙感的冬小麥晚霜凍害監測研究(31501225)；河南省科技攻關資助項目：面向小麥生長環境監測的多元數據流時空異常監測研究(142102210054)；“十二五”國家科技支撐計劃資助項目：糧食生產主環節信息服務集成及應用(2014BAD10B06)；河南省重大科技專項資助項目：河南省農村信息綜合服務關鍵技術研究及應用(131100110400)

作者簡介：時雷(1979-)，女，河南遂平人，博士，副教授，主要從事計算機農業應用和數據挖掘研究，(E-mail)sleicn@126.com通訊作者：馬新明，教授，博士生導師，主要從事精準栽培和農業信息技術研究，(E-mail)xinmingma@126.com

中圖分類號:TP391.41

文獻標識碼:A

DOI：10.16355/j.cnki.issn1007-9432tyut.2016.02.019