基于图像处理技术的小麦群体叶绿素状况估计研究

时　雷,庞晓丹,钱　诚,席　磊,马新明,2

(1.河南农业大学 信息与管理科学学院,郑州 450002;2.河南粮食作物协同创新中心,郑州 450002;3.南阳市第十五小学,河南 南阳 473000)



基于图像处理技术的小麦群体叶绿素状况估计研究

时雷1,庞晓丹1,钱诚3,席磊1,马新明1,2

(1.河南农业大学 信息与管理科学学院,郑州 450002;2.河南粮食作物协同创新中心,郑州 450002;3.南阳市第十五小学,河南 南阳 473000)

摘要:基于大田作物群体图像对小麦群体叶绿素状况进行估计。利用图像处理技术提取大田环境下6个小麦品种在3个施氮水平下的图像颜色特征,建立了小麦颜色特征与SPAD的估测模型。结果表明，不同品种小麦各颜色特征与SPAD值相关性不一致,需针对品种建立不同的估测模型;对6个品种的估测模型进行检验,各模型的实际值及估测值均达极显著相关,相对误差介于4.72%～14%之间。通过图像处理技术及小麦颜色特征可以有效地对小麦群体叶绿素状况进行估计。

关键词:图像处理技术; 小麦群体; 叶绿素状况

小麦是我国重要的粮食作物,及时监测小麦生长过程中的营养状况并采取适宜的农学措施对确保小麦优质高产意义重大。叶绿素是把光能转化为化学能的重要色素,是衡量小麦营养状况的重要指标,较低的叶绿素浓度会限制作物的光合作用能力。叶片颜色的浓淡能够反映叶片中叶绿素的含量和比例,可以作为诊断叶绿素含量的指标[1-3]。长期以来,小麦农业专家和种植者常常依靠肉眼对小麦叶色深浅进行评价,这种方法耗时费力,评价结果受观察者经验积累影响,定性且没有量化指标。计算机比人眼对颜色更加敏感,能更早地发现作物由于营养不足表现出的颜色变化[2，4]。前人研究发现,利用归一化rgb可以有效地识别3种不同施氮水平下玉米叶片的颜色变化[5]。KAWASHINGMA et al[6]发现(R-B)/(R+B)可以有效的估算植物叶片的叶绿素含量。MIGUEL et al[7]通过主成分分析法建立了大麦叶片颜色与SPAD读数及产量的关系模型,相关性达到了9.0以上。ADAMSEN et al[8]通过分析小麦冠层图像发现G/R与叶绿素有显著的相关关系。王方永等[9]发现G-R,G-R/G+R,r与g的组合等颜色参数和棉花叶片叶绿素含量、群体绿色指数之间极显著相关。王克如等[10]在实验室环境下建立棉花叶色与叶绿素含量估测模型,误差在7.8%～13.65%之间。宋振伟等[11]分析了不同施氮处理的小麦颜色特征发现叶片颜色变化持续在整个小麦生育期中。徐光辉等[12]建立了烤烟叶片叶绿素含量和颜色特征的关系,发现B/(R+G),b是影响烤烟叶叶绿素含量的重要特征参数。汪强等[13]建立了烟叶HSV颜色参数与叶绿素含量模型对烟叶成熟度进行判定,符合率达到90%以上。上述研究表明,可以使用颜色特征来对作物叶片的叶绿素状况进行监测研究。

目前，我国把图像处理技术应用于小麦生产方面的研究集中在叶面积指数[14-15]、茎数[16]、籽粒[17-18]等方面,主要利用图像的形态特性进行参数估算；而直接利用图像的颜色特征对大田作物群体的营养状况进行监测的应用较少。在根据图像信息对作物叶绿素状况进行监测方面,目前的研究主要集中在选取代表性固定样本和实验室环境下,其应用场景和方法的局限性使其很难推广到大田环境中。随着国家农村信息化工作的推进,土地种植者获取大田作物群体图像方便快捷,而依据群体图像对大田作物的叶绿素状况进行估计分析的研究目前还未见报道。笔者通过对大田环境下的小麦图像进行采集,使用图像处理技术提取小麦颜色信息,建立小麦颜色信息与群体SPAD的相关模型,对小麦群体的叶绿素状态进行估计,为后续大田小麦长势判断和农业生产指导奠定基础。

1材料与方法

1.1试验材料与试验设计

试验于2012—2013年,在河南农业大学科教园区进行,供试土壤质地为沙壤土。供试品种为矮早8,衡观35,新麦19,偃展4110,豫麦49-198,郑麦366,试验设3个施氮水平,分别为:N0(不施氮)，N8(纯N，120 kg/hm2)，N15(纯N，225 kg/hm2)。

1.2小麦群体图像获取

图像采集时间为小麦拔节期,均选择光照充沛、晴朗无风的天气，于11∶00-14∶00之间进行拍摄。图像采集相机型号为佳能5D,图像分辨率为5 616×3 744,图像格式为CR2(RAW格式),拍摄角度为逆光45°。本文进行试验分析的数据为小麦拔节期图像,样本采集日期分别为: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小麦群体叶绿素状况测定

作物叶片的叶绿素含量可以用SPAD值来进行衡量[1，13]。在进行图像数据采集时,同时在拍摄区域用SPAD-502叶绿素仪进行SPAD值测定。选取小麦冠层具有代表性的叶片,分别取叶尖、叶中部和叶基部的SPAD值,取平均值作为该叶片的叶绿素相对含量。每个区域测定三株,取平均值作为该区域图片对应的群体叶绿素状况。

1.4小麦群体图像处理

通过图像处理技术可以对图像中的信息进行过滤,消除无关干扰信息并提取目标信息进行分析。图像处理的常规处理方法有归一化、图像压缩、几何变换、图像分割、图像去噪等[19]。本文对小麦群体图像的处理有归一化、图像分割、图像去噪,处理流程见图1。

图1　图像处理流程Fig.1　Workflow of image processing

1.4.1图像归一化

笔者所用图像均在大田环境下采集,无法避免光照及阴影对图像造成的影响。归一化是一种无量纲的处理手段,对图像归一化可以克服部分光照变化及阴影对图像的影响,如式(1)所示。图2-b为归一化效果示例。

(1)

图2　原始图像和图像处理效果Fig.2　Original image and result of image processing

1.4.2图像分割

图像分割是将图像细分为构成它的子区域或物体,分割的程度取决于要解决的问题,分割的精度决定了分析结果的最终成败。目前图像处理领域的图像分割有基于灰度图像的分割和基于彩色图像的分割。分割的方法主要有直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络等[20-23]。基于彩色图像的分割大都是灰度图像分割的变换,不同的应用环境与待解决问题决定了分割方法的选择。

笔者所用图像分割方法是基于RGB颜色空间的模式识别,通过马氏距离(Mahalanobis distance)构建分类器,对每个RGB像素进行分类,如式(2)所示。向量z表示RGB空间中的任意一点,向量a为图像中选取的小麦颜色区域的一个平均颜色估计,C为选取的小麦颜色区域样本点的协方差矩阵。满足与向量a的马式距离D(z,a)≤D0的点的轨道描述了一个三维椭球体,如图3所示。在小麦图像中,对每一个像素点进行分类,落入到该椭球体内的像素点为小麦颜色进行保留,否则视为背景颜色并删除,分割效果如图2-c所示。

(2)

图3　RGB颜色空间分割区域Fig.3　Data area of RGB color space for segmentation

图像分割的处理过程非常消耗CPU资源,为了提高运算效率,本文在操作过程中对图像进行两次仿射变换,如式(3)所示。仿射变换在图像分割前与图像分割后进行,w，z和x，y分别表示每次变换前与变换后像素点在图像中的位置,t值分别取0.5和2。通过仿射变换,分割过程将减少3/4的CPU运算消耗。

(3)

1.4.3图像去噪

图像分割后的二值图像含有大量的噪声,本文通过形态学图像处理的开操作和闭操作对图像进行去噪。去噪后小麦图像的叶片形态更加平滑,而且消除了大量图像中的孔洞,处理效果如图2-d所示。

1.5小麦图像颜色特征提取

依据分割后二值图像所提供的像素位置信息,可以得到小麦叶片的颜色信息。本文提取图像中小麦叶片颜色原始信息的一阶矩(Mean)和二阶矩(Variance)及归一化图像的一阶矩(Mean)和二阶矩(Variance)共12项特征信息,这些信息反映了图像中小麦的颜色区间、比例及分布情况。

2结果与分析

2.1颜色特征分析

颜色特征R，G，B和r，g，b的一阶矩、二阶矩反映出原始图像和归一化图像中各颜色分量在图像中的比例及分布情况。表1给出了各品种小麦图像颜色特征的一阶矩和二阶矩。

分析发现：

表1　颜色特征的一阶矩与二阶矩

1) 归一化颜色分量r，g的一阶矩和二阶矩的差异均较小,说明小麦叶片颜色的r分量和g分量在不同图像中表现出类似的特征;

2) 归一化颜色分量b的一阶矩差异小,但二阶矩较大,说明小麦叶片颜色的b分量在不同的图像中波动剧烈,可以作为区分小麦叶片生长状况的主要参考特征;

3) 原始分量R，G，B的二阶矩均较大,说明在不同的图像中其颜色分布跨度大、波动剧烈,光照反射及阴影对图像的影响显著;

4) 对比颜色分量R，G，B和归一化颜色分量r，g，b发现归一化之后的颜色分量信息更加稳定,在一定程度上更适合进行叶色诊断。

2.2颜色特征与小麦群体叶绿素状况的相关分析

小麦图像颜色特征与对应SPAD值的相关性如表2所示。分析发现相关性在品种间差异较大,其中矮早8、偃展4110、豫麦49-198的归一化颜色特征与SPAD的相关性好;而衡观35、新麦19、郑麦366的原始颜色特征与SPAD相关性好;除郑麦366外,其它品种的一阶矩颜色特征与SPAD的相关性明显优于二阶矩;另外,所有品种一阶矩颜色特征的红绿分量(R,G,r,g)均与SPAD值负相关,而蓝色分量(B,b)与SPAD值显著正相关。

表2　颜色特征与SPAD的相关性

考虑到品种间的差异性,分析不同品种小麦的颜色特征与SPAD值的相关性,对不同的品种选取不同的颜色特征建立回归模型。本文中每个品种建模样本数为45,每幅图像对应有相应群体SPAD值。表3列出了本文选取的各品种相关性较高的颜色特征及建立的回归模型。

表3　颜色特征参数与SPAD(y)的定量关系

2.3模型检验

利用独立的检验样本检验上述颜色特征与SPAD值的估测方程,采用估测结果的相对误差(E)、均方根误差(ERMS)、精确度(R2)评定模型的估测能力,每种品种检验样本为18个。结果显示,各模型的估测值和实测值均达极显著相关,其相应的均方根误差小于4.4,相对误差介于4.72%～14%之间,其中矮早8、豫麦49-198、郑麦366的估测模型达到了极显著水平,如表4所示。

3讨论

利用图像处理技术对作物生长状况进行监测的难点在于目标识别和特征选择。本文基于RGB颜色空间与马氏距离的模式识别方法分割小麦冠层颜

表4　颜色特征参数与SPAD的回归模型检验

色信息,对比前人研究[3,14,24-25]通过

直方图等来区分作物与背景的方法,在算法效率上有一定的损失,但是精度更高,分割对象明确。在颜色特征选择上,基于品种差异考虑,本文选择多个特征向量进行建模,最大程度上考虑影响估测模型的因素。颜色特征的选择决定了模型的精度和估测结果的准确性,而单一的颜色特征无法准确的映射作物叶片叶绿素含量对叶片颜色的影响。

本文在进行颜色特征与SPAD的相关性研究时,发现颜色特征与SPAD相关性在不同品种间不一致,可能是由于不同品种小麦在叶片形态以及对光的反射率上有较大差异,从而导致了相同光照条件下图像颜色信息分布上的差异,影响了与SPAD的相关性。另外,部分图像颜色特征与SPAD相关性偏低,可能是因为图像均在大田开放环境下采集,叶片部分区域的R，G，B三个通道均受光照影响而值域变大,归一化后在图像显示上颜色变暗,并在图像分割中被算法拋弃,在此情况下提取的颜色信息不完备导致的。

本文的实验数据均来自小麦拔节期,可能不适合所有的小麦生育时期,对小麦整个生育期叶绿素状况的估测模型还需要更多的数据来实践验证。

4结论

1) 针对6个品种的小麦拔节期群体图像,通过图像处理技术对小麦群体图像进行处理,使用基于RGB颜色空间与马氏距离的模式识别方法,准确的分割出小麦冠层图像,并提取了小麦冠层颜色特征。

2) 通过分析小麦冠层颜色信息与群体叶绿素含量之间的相关性,发现其在品种间有较大的差异,并针对每个品种建立估测模型,模型均达到了较高的精度。对模型进行检验,各模型的实际值及估测值均达极显著相关,相对误差介于4.72%～14%之间。

3) 本研究将图像处理技术应用在大田小麦群体生长状况监测中,针对不同小麦品种建立了冠层颜色特征与叶绿素状况的估测模型,为实现实时无损测量小麦叶绿素状况奠定了基础,可为今后基于图像的大田群体作物生长实时监测体系提供技术支撑。

参考文献：

[1]王方永,王克如,李少昆,等.利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量[J].作物学报,2010,36(11):1981-1989.

[2]林开颜,徐立鸿,吴军辉.计算机视觉技术在作物生长监测中的研究进展[J].农业工程学报,2004,20(2):297-282.

[3]徐贵力,毛罕平,李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,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.基于机器视觉的棉花群体叶绿素监测[J].作物学报,2007,33(12):2041-2046.

[10]王克如,李少昆,王崇桃,等.用机器视觉技术获取棉花叶片叶绿素浓度[J]. 作物学报,2006,32(1):34-40.

[11]宋振伟,文新亚,张志鹏,等.基于数字图像处理技术的冬小麦不同施氮和灌溉处理颜色特征分析[J].中国农学通报,2010,26(14):350-355.

[12]徐光辉,虎晓红,马新明,等.烤烟叶片叶绿素含量与颜色特征的关系[J].河南农业大学学报,2007,41(6):600-604.

[13]汪强,席磊,马新明,等.基于计算机视觉技术的烟叶成熟度判定方法[J].农业工程学报,2012,28(4):175-179.

[14]李明,张长利,房俊龙.基于图像处理技术的小麦叶面积指数的提取[J].农业工程学报,2010,26(1):205-209.

[15]李少昆,索兴梅,白中英,等.基于BP神经网络的小麦群体图像特征识别[J].中国农业科学,2002,35(6):616-620.

[16]单成钢,廖树华,梁振兴,等.小麦群体图像特征识别方法的研究-小麦群体总茎数估测[J].作物学报,2004,30(12):

1281-1283.

[17]毕昆,姜盼,李磊,等.基于形态学图像处理的麦穗形态特征无损测量[J].农业工程学报,2010,26(12):212-216.

[18]龚红菊,姬长英.基于图像处理技术的麦穗产量测量方法[J].农业机械学报,2007,38(12):116-119.

[19]林开颜,吴军辉,徐立鸿.彩色图像分割方法综述[J].中国图像图形学报, 2005,10(1):1-10.

[20]刘华军,任明武,杨静宇.一种改进的基于模糊聚类的图像分割方法[J].中国图像图形学报,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]王艳华,管一弘.基于模糊集理论的医学图像分割的应用[J].计算机技术与发展,2008,18(11):223-225.

[23]朱艳丽,李晓明.基于BP神经网络的小型组足球机器人视觉子系统的图像分割技术[J].机电工程,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]纪寿文,王荣本,陈佳娟,等.应用计算机图像处理技术识别玉米苗期田间杂草的研究[J].农业工程学报,2001,17(2):

154-156.

(编辑：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

文章编号:1007-9432(2016)02-0223-05

*收稿日期：2015-04-06

基金项目：国家自然科学基金资助项目:基于物联网与遥感的冬小麦晚霜冻害监测研究(31501225)；河南省科技攻关资助项目：面向小麦生长环境监测的多元数据流时空异常监测研究(142102210054)；“十二五”国家科技支撑计划资助项目：粮食生产主环节信息服务集成及应用(2014BAD10B06)；河南省重大科技专项资助项目：河南省农村信息综合服务关键技术研究及应用(131100110400)

作者简介：时雷(1979-)，女，河南遂平人，博士，副教授，主要从事计算机农业应用和数据挖掘研究，(E-mail)sleicn@126.com通讯作者：马新明，教授，博士生导师，主要从事精准栽培和农业信息技术研究，(E-mail)xinmingma@126.com

中图分类号:TP391.41

文献标识码:A

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