楊愛萍,張 坤,段里成,汪建軍,白曉東,楊 軍

(1.江西省農(nóng)業(yè)氣象中心,江西 南昌 330096;2.江西省氣象科學(xué)研究所,江西 南昌 330096;3.南京郵電大學(xué),江蘇 南京 210023)

0 引言

植物葉片顏色可以指示植物養(yǎng)分、水分狀況、植物病害以及葉片的衰老程度,是精準(zhǔn)農(nóng)業(yè)中開展水肥管理、診斷植物長勢、預(yù)測產(chǎn)量等的重要依據(jù)。采用SPAD (Soil Plant Analysis Development)葉綠素儀測量植物葉片在紅光和近紅外光范圍內(nèi)的透光系數(shù)，可以獲得SPAD值,從而確定葉片的“綠色度”[1],具有無損、快速、便攜等特點,因此SPAD值常被用來反映植物葉片的葉綠素含量[2]或含氮量[3-5],成為定量診斷植物葉片顏色的重要指標(biāo)。但采用SPAD葉綠素儀只能逐點測量,無法快速獲得整個葉片的“綠色度”[2,6]。高光譜成像技術(shù)結(jié)合了圖像技術(shù)和光譜技術(shù),可以快速、無損地從葉片顏色中獲取整個植物葉片的圖像信息和生化信息[7,8],但普遍存在算法復(fù)雜、儀器成本高等缺點。因此,尋找一種易操作、低成本、便于推廣應(yīng)用的植物葉片顏色估測方法很有必要。

近年來,隨著計算機視覺技術(shù)的發(fā)展和低成本彩色數(shù)字相機的普及,國內(nèi)外開展了不少提取植物葉片圖像的顏色特征參數(shù)來反映植物生長狀況的研究,實現(xiàn)了對水稻、小麥、棉花等生長期的自動觀測[9,10]、葉面積指數(shù)的圖像估測[11-14]、株高和群體密度的測量[3,15,16]等,在植物的葉綠素含量預(yù)測方法[17-20]研究方面也取得了不少成果。孫愛珍等[21]研究認為,水稻葉片中部的SPAD值與對應(yīng)葉片部位圖像的R、G、B顏色特征參數(shù)存在顯著的非線性相關(guān)關(guān)系,其中葉片SPAD值與紅光值(R)和綠光值(G)具有顯著的相關(guān)性,與藍光值(B)不具有明顯的相關(guān)性。但現(xiàn)有的水稻葉綠素含量圖像反演研究一般只選擇RGB顏色空間進行圖像顏色分析。RGB顏色空間屬于CIE標(biāo)準(zhǔn)色度學(xué)系統(tǒng),是數(shù)字設(shè)備顯示顏色的基礎(chǔ)。而人們看到的顏色差異是物理意義上的變化與心理因素綜合作用的結(jié)果。僅在RGB顏色空間所得的圖像顏色分析結(jié)果,與人眼判識的顏色分析結(jié)果存在一定差異。HSV顏色空間是一種基于人對顏色的心理感受將RGB色彩空間中的點在倒圓錐體中的表示方法[22]。若在RGB顏色空間基礎(chǔ)上,增加HSV顏色空間對葉片顏色進行綜合分析,則有助于增強圖像分析的視覺效果真實感。目前,有在HSV顏色空間進行植物圖像分割和提取方面的研究[22],但尚未見同時在RGB顏色空間和HSV顏色空間中開展水稻葉綠素含量圖像反演的研究報道。此外,水稻抽穗期至成熟期是營養(yǎng)成分從莖葉向穗部輸送和轉(zhuǎn)化的關(guān)鍵時期。該時期葉片顏色的變化是水稻產(chǎn)量的重要表征之一。目前對水稻葉片顏色的圖像分析多集中在營養(yǎng)生長期,而對齊穗后水稻葉片顏色的圖像分析較少。

本文以齊穗期至成熟期的水稻葉片為研究對象,測量獲得水稻整個葉片的SPAD值,并利用計算機視覺技術(shù)提取水稻葉片圖像的RGB及HSV顏色空間中的顏色特征參數(shù),計算典型的顏色分量,分析水稻葉片顏色特征參數(shù)和顏色分量與SPAD值之間的相關(guān)關(guān)系;然后,采用線性回歸方法,分別建立了基于RGB顏色空間和基于RGB與HSV顏色空間的SPAD值估測模型,采用逐步回歸方法,分別建立了基于顏色特征參數(shù)和顏色分量的SPAD值估測模型;最后,對4種模型進行了檢驗和估測效果對比分析,以期得到一種快速、簡便的水稻葉片顏色估測方法,為水稻齊穗后葉片顏色的數(shù)字化和可視化研究提供科學(xué)依據(jù)。

1 材料與方法

1.1 試驗材料與設(shè)計

試驗于2018年在江西省南昌縣(116°12′6"E、28°38′58"N)進行。南昌縣地處南昌市南部,屬于亞熱帶季風(fēng)氣候,地勢平坦,為中國典型的水稻產(chǎn)區(qū)。試驗設(shè)在具有代表性的連片水稻產(chǎn)區(qū)之中,試驗田總面積為1.2 km×1.0 km;將試驗田劃分為兩個小區(qū),一個為分析建模小區(qū),另一個為模型檢驗小區(qū)。

試驗材料為雜交稻晶兩優(yōu)華占。播種期為5月5日,移栽期為6月1日,全生育期為128 d。移栽時株行距為20 cm×20 cm,每穴2株。移栽后的田間水、肥管理同大田常規(guī)。齊穗后每3 d取樣1次，直至成熟。在第1～10次采樣時,水稻依次處于播種后的第98、101、104、108、111、114、118、121、124、128天。每次取樣時,在分析建模小區(qū)挑選長勢一致且無病蟲害的水稻30株,在模型檢驗小區(qū)挑選15株。取樣后,以倒二葉為對象進行拍照,同時檢測SPAD值,得到分析建模的樣本數(shù)據(jù)30組和模型檢驗的樣本數(shù)據(jù)15組。至成熟期共計取樣10次,得到分析建模樣本300組、模型檢驗樣本150組。分析建模樣本的SPAD值平均值為27.9,標(biāo)準(zhǔn)差為7.24,模型檢驗樣本的SPAD值平均值為28.3,標(biāo)準(zhǔn)差為7.21,組內(nèi)組間不存在顯著性差異。

1.2 水稻葉片圖像的獲取

截取每株水稻的倒二葉,平展放在18%灰板上。使用佳能G16型數(shù)字相機,固定于葉片60 cm高度處垂直俯拍,以自動曝光模式控制曝光時間與色彩平衡,調(diào)整焦距使葉片清晰,并采用相同的光照強度進行多角度采光,令所拍的葉片圖像無陰影。圖像采用4000×3000像素分辨率,以JPEG格式保存。

1.3 水稻葉片SPAD值的測定

拍照后,參考張建等的研究方法[6],使用SPAD502葉綠素計從水稻葉片的葉枕到葉尖,逐點檢測SPAD值。檢測點以1 cm為間距,等間隔均勻分布于整個葉片。然后將所有檢測點位的SPAD值取平均,作為整個葉片的SPAD值。

1.4 顏色特征參數(shù)的提取

在MATLAB 2010中開發(fā)處理水稻葉片的計算程序。由于待檢測葉片被放置于灰板上面拍攝來獲取圖像,因此簡單的圖像閾值分割方法便可以將葉片之外的背景區(qū)域去除,并將葉片像素區(qū)域保留下來。圖像分割的具體過程為：計算原始圖像中各個像素點的紅光值(R)、綠光值(G)、藍光值(B),當(dāng)某個像素對應(yīng)的G>B且G>R時,將該像素判定為葉片像素區(qū)域;反之,則將其判定為灰板背景區(qū)域[23]。程序中,通過以上方法自適應(yīng)地對圖像進行分割，去除圖像中的灰色背景(灰板)部分,僅留下綠色葉片主體部分。完成圖像分割后,進一步提取綠色葉片主體部分的圖像顏色特征參數(shù),獲得圖像中RGB顏色空間中的紅光值(R)、綠光值(G)、藍光值(B)和HSV顏色空間中的色相(H)、飽和度(S)、亮度(V)。獲得的R、G、B和H、S、V值為各個像素點的平均值。S、V的變化范圍是0～1,H的變化范圍是0～360;為了統(tǒng)一量綱,把H進行歸一化處理。灰板校正方法見參考文獻[19]。

2 結(jié)果與分析

2.1 水稻葉片SPAD值的變化特征及其與顏色特征參數(shù)的關(guān)系

水稻齊穗至成熟期的10次取樣中,第1～4次取樣時水稻處灌漿前期,第5～7次取樣時水稻處灌漿后期,第8～10次取樣時水稻處成熟期。隨著成熟度的增加,水稻葉片的SPAD值呈下降趨勢(見圖1);其中,灌漿前期的SPAD值由35緩慢下降為33,灌漿后期的SPAD值穩(wěn)定在29～28之間,成熟期的SPAD值由28快速下降至19。在6個顏色特征參數(shù)中,R、G、S、V呈上升趨勢,H呈下降趨勢,B變化不明顯。

圖1 齊穗期至成熟期水稻倒二葉的SPAD值和顏色特征參數(shù)的變化特征

對RGB顏色空間和HSV顏色空間中的顏色特征參數(shù)進行簡單相關(guān)分析,結(jié)果見表1。由表1可以看出,除了顏色特征參數(shù)B以外,其余5種顏色參數(shù)均與SPAD值呈極顯著的相關(guān)關(guān)系。從相關(guān)系數(shù)的絕對值來看,顏色特征參數(shù)H與SPAD值之間的相關(guān)關(guān)系最密切,其次是S、R、V。

表 1 顏色特征參數(shù)與葉片SPAD值之間的相關(guān)系數(shù)(n=300)

注：“*”和“**”分別表示相關(guān)系數(shù)達到了顯著和極顯著水平。下同。

將R、G、B和H、S、V分別作為一個整體,采用典型相關(guān)分析(canonical correlation analysis,簡稱CCA)方法,比較分析兩個顏色空間對水稻葉片SPAD值的整體影響。CCA分析結(jié)果表明：RGB顏色空間和HSV顏色空間均與SPAD值有極顯著的相關(guān)關(guān)系,但HSV顏色空間與SPAD值的典型相關(guān)系數(shù)為0.9594,略高于RGB顏色空間與SPAD值的典型相關(guān)系數(shù)0.9520,說明HSV顏色空間與水稻葉片SPAD值的關(guān)系相對于RGB顏色空間而言更為密切。

2.2 顏色分量與水稻葉片SPAD值的相關(guān)性分析

對R、G、B和H、S、V顏色特征參數(shù)進行組合運算，得到不同的顏色分量。依據(jù)已有研究成果及水稻葉片SPAD值和可見光植被指數(shù)之間的關(guān)系,選擇18個顏色分量(見表2)進行分析。

利用300張用于建模分析的水稻葉片圖像,提取圖像顏色特征參數(shù),然后按照表3計算得到每張圖像的18個顏色分量。結(jié)合每張圖像中葉片的SPAD值,采用簡單相關(guān)分析方法,對300組顏色分量和SPAD值數(shù)據(jù)進行相關(guān)分析,其結(jié)果如表3所示。從表3可知,除了X2、X9、X11、X13、X15、X16、X17以外,其余11種顏色分量和SPAD值的相關(guān)系數(shù)絕對值均達到0.80以上,達到極顯著相關(guān)水平。從相關(guān)系數(shù)的絕對值來看,顏色分量r/b與SPAD值之間的相關(guān)關(guān)系最密切,其次是R-B、b、r。

表2 顏色分量與水稻葉片SPAD值的相關(guān)性分析結(jié)果

注:“√”表示經(jīng)驗的可見光植被參數(shù)。

表3 水稻葉片顏色分量與SPAD值間的相關(guān)系數(shù)(n=300)

2.3 水稻葉片SPAD值估測模型的構(gòu)建

以R、G、B為自變量,采用線性回歸分析方法,建立水稻葉片SPAD值的估測模型M1;然后,以R、G、B和H、S、V為自變量,采用線性回歸分析方法,建立綜合RGB和HSV顏色空間的水稻葉片SPAD值的估測模型M1′。結(jié)果如式(5)～式(6)所示。

同時,分別以6種顏色特征參數(shù)和18種顏色分量為自變量,采用逐步回歸分析方法,建立水稻葉片SPAD值的估測模型M2和M2′。結(jié)果如式(7)～式(8)所示。

M1=28.1688-0.4649R-0.1373G+1.0414B

(5)

M1′=32.0681-0.1253R+0.5760G-0.0030B+92.0293H-49.6909S-123.8591V

(6)

M2=21.8648+0.6020G+121.6191H-41.9136S-159.5131V

(7)

M2′=-192.8294+266.0845X3+21.2780X6+173.1180X7+1.0276X9

(8)

式(5)～式(8)均通過了顯著性水平檢驗。此外,式(7)表明,估測水稻葉片SPAD值的關(guān)鍵顏色特征參數(shù)包含了HSV顏色空間內(nèi)的所有顏色特征參數(shù)，由此可見,HSV顏色空間的分析應(yīng)用對估測水稻葉片SPAD值是很有必要的。

將另外150組用于模型檢驗的數(shù)據(jù)作為樣本,代入式(5)～式(8)中,計算模型M1、M1′、M2、M2′的確定系數(shù)(R2)、均方根誤差(RMSE),對模型的擬合優(yōu)度和精度進行比較分析，結(jié)果如圖2所示。

圖2表明,綜合RGB和HSV顏色特征參數(shù)的SPAD值估測模型(M1′)的R2大于單純基于RGB顏色特征參數(shù)的SPAD值估測模型(M1)的R2,說明在RGB顏色空間的基礎(chǔ)上綜合考慮HSV顏色空間,可提高SPAD值估測模型的擬合優(yōu)度;同時,均方根誤差(RMSE)下降了9%,擬合精度更高,誤差更小。采用逐步回歸分析方法得到的綜合RGB和HSV顏色特征參數(shù)的估測模型(M2)的擬合優(yōu)度與采用線性回歸方法得到的模型(M1′)的擬合優(yōu)度相差不大,但模型M2的均方根誤差(RMSE)比模型M1′下降了13%,比模型M1下降了21%，可見綜合RGB和HSV顏色特征參數(shù)后,采用逐步回歸方法可進一步提高模型的擬合精度。利用6種顏色特征參數(shù)建立的18種顏色分量,采用逐步回歸分析方法得到的模型M2′的擬合優(yōu)度和擬合精度進一步提高(R2達到0.9248,RMSE比模型M1下降了24%),模型擬合效果優(yōu)于前3種模型。

a.M1模型；b.M1′模型；c.M2模型；d.M2′模型。

3 結(jié)論

RGB顏色空間和HSV顏色空間均與齊穗后的水稻葉片SPAD值有極顯著的相關(guān)關(guān)系,但綜合簡單相關(guān)分析、典型相關(guān)分析和逐步回歸分析結(jié)果可知,HSV顏色空間與水稻葉片SPAD值的相關(guān)關(guān)系相對于RGB顏色空間而言更為密切。其中,在6種顏色特征參數(shù)中,顏色特征參數(shù)H與SPAD值之間的相關(guān)關(guān)系最密切,其次是S、R、V;在18種顏色分量中,顏色分量r/b與SPAD值之間的相關(guān)關(guān)系最密切,其次是R-B、b、r。因此,估測水稻葉片的SPAD值時,需要綜合分析RGB顏色空間和HSV顏色空間對水稻葉色反演的影響。

在RGB顏色空間的基礎(chǔ)上,引入HSV顏色空間,構(gòu)建水稻齊穗后葉片SPAD值的估測模型,可以提高SPAD值估測模型的擬合優(yōu)度,降低模型的擬合誤差。在6種顏色特征參數(shù)的基礎(chǔ)上建立18種顏色分量后,采用逐步回歸分析方法得到的模型M2′的擬合效果在4個模型中最好,其均方根誤差比單純在RGB顏色空間構(gòu)建的線性回歸模型M1下降了24%。

綜上所述,HSV顏色空間與RGB顏色空間、18%灰板的綜合應(yīng)用,不僅可以消除由不同光照條件引起的圖像間的差異,提高計算機視覺技術(shù)對植物葉片SPAD值的估測精度,還可以將植物圖像的真實感效果與其生理生態(tài)信息在計算機上進行表達。本文提出的水稻葉片SPAD值估測方法,可快速得到整片水稻葉片的SPAD值數(shù)據(jù),估測結(jié)果精度較高、誤差小。

4 討論

孫愛珍等[21]研究認為,水稻葉片的SPAD值與紅光值(R)和綠光值(G)具有顯著的相關(guān)性,與藍光值(B)不具有明顯的相關(guān)性。本文在RGB顏色空間的基礎(chǔ)上引入HSV顏色空間后,發(fā)現(xiàn)在6種顏色特征參數(shù)中,色相(H)與SPAD值之間的相關(guān)關(guān)系最密切,其次是飽和度(S)、紅光值(R)和亮度(V),該結(jié)果與人對水稻葉片顏色的心理感受更加吻合。此外,馬明洋等[31]應(yīng)用無人機高清影像在RGB顏色空間反演東北粳稻分蘗期、拔節(jié)孕穗期、抽穗灌漿期的葉片SPAD值,研究表明,r、B/R、R-B這3種參數(shù)與SPAD值高度相關(guān)。本文得出的與水稻葉片SPAD值密切相關(guān)的顏色分量與馬明洋等的研究結(jié)果基本一致,說明不同水稻品種、不同生育期之間水稻圖像顏色分量與SPAD值的關(guān)系具有較高的共性。但本文認為,標(biāo)準(zhǔn)化后的紅光與藍光亮度比值(r/b)與齊穗后的葉片SPAD值之間的相關(guān)關(guān)系最密切,其次是R-B、b、r,說明水稻齊穗后圖像的藍光值B與葉片SPAD值之間的關(guān)系更加顯著。本文應(yīng)用了典型相關(guān)分析方法,分析結(jié)果進一步說明了HSV顏色空間與水稻葉片SPAD值的關(guān)系更為密切。同時,綜合RGB和HSV顏色特征參數(shù)的估測模型(M1′和M2)也表明,顏色特征參數(shù)H、S、V對提高水稻葉片SPAD值的估測精度起到了重要作用。

然而,本文是以無病蟲害、無氣象災(zāi)害、統(tǒng)一水肥管理水平的水稻葉片為樣本進行分析的,而在不同程度的病蟲害、氣象災(zāi)害或不同水平的水肥管理條件下,水稻葉片顏色的變化特點以及SPAD值的圖像估測方法尚未涉及。定量、準(zhǔn)確診斷病蟲害、氣象災(zāi)害對水稻生產(chǎn)的影響,科學(xué)評估水稻田塊的水肥條件,進而采取合理的、有針對性的管理措施是精準(zhǔn)農(nóng)業(yè)發(fā)展的需要。后期擬將開展相關(guān)的田間對比試驗,進行更為全面的分析研究。