基于計算機視覺的棗葉含水率估算模型

勞東青+陳立平+鄔歡歡+郭麗峰+李發(fā)永

摘要：通過對棗葉圖像預(yù)處理、顏色特征提取及含水率測定，分析棗葉圖像顏色特征值與含水率的相關(guān)性。結(jié)果表明，棗葉G-R和H這2個顏色特征與含水率相關(guān)性顯著?；贕-R和H建立棗葉含水率估算模型為：y=0.877 2-0.001 5×（G-R）-0.101 3×H，復(fù)相關(guān)系數(shù)R為0.890 7，應(yīng)用計算機視覺技術(shù)進行棗葉含水率估算可行。

關(guān)鍵詞：圖像分析;葉片含水率;紅棗;中值濾波;估算模型;計算機視覺

中圖分類號： S126;TP391.4 文獻標(biāo)志碼： A

文章編號：1002-1302（2015）04-0384-02

收稿日期：2014-11-24

基金項目：國家自然科學(xué)基金（編號：51169024）;塔里木大學(xué)校長基金（編號：TDZKSS201208）。

作者簡介：勞東青（1983—），女，廣西靈山人，碩士，講師，從事圖像處理、節(jié)水灌溉研究。E-mail：dql904@126.com。

通信作者：李發(fā)永，碩士，副教授，從事節(jié)水農(nóng)業(yè)研究。E-mail：lisen8279@163.com。

紅棗是南疆地區(qū)的主要特色林果之一。近年來，隨著紅棗矮化密集栽培方式的推廣，兵團紅棗種植規(guī)模迅速擴大，需水量也節(jié)節(jié)攀升。棗農(nóng)為追求眼前效益，田間補水往往采用漫灌而非滴灌方式，這導(dǎo)致大量水資源浪費，使南疆水資源進一步緊缺，節(jié)水灌溉已經(jīng)成為南疆農(nóng)林業(yè)研究的重點之一。根據(jù)作物缺水信息實施精量控制灌溉，是提高水利用率和生產(chǎn)效率的重要途徑之一[1]，而葉片是作物水分虧缺時反應(yīng)最為敏感的外部形態(tài)器官，當(dāng)作物缺水，葉片的顏色、形狀和紋理會表現(xiàn)出一定的癥狀，如顏色變黃、變暗、葉片萎蔫、葉面積減少、葉角改變等[2]。圖像采集設(shè)備具有比人眼更為精細(xì)的分辨能力，能更客觀地描述肉眼不可能辨別出來的色澤、形態(tài)、紋理等相關(guān)特性，計算機視覺技術(shù)在作物水分檢測領(lǐng)域逐漸得到興起[3-5]，目前，在黃瓜、棉花、馬鈴薯、煙草等作物上有研究應(yīng)用。由于數(shù)碼相機具有圖像質(zhì)量好、成本低、易于開發(fā)與集成等優(yōu)點，被廣泛應(yīng)用于作物水分虧缺診斷研究圖像采集過程，并取得較好的效果[6-9]。 本試驗對棗葉含水率與棗葉圖像的顏色特征進行相關(guān)性分析，探討基于顏色特征的棗葉水分狀況診斷的可行性，為提高南疆水資源利用、實現(xiàn)南疆紅棗種植園的精量灌溉和自動化灌溉提供有益參考。

1 材料與方法

1.1 試驗設(shè)計

試驗在新疆維吾爾自治區(qū)塔里木大學(xué)精準(zhǔn)農(nóng)業(yè)重點實驗室的自動化節(jié)水灌溉實驗基地進行，供試品種為駿棗。試驗小區(qū)面積為40 m2，共計6個小區(qū)，采用完全隨機區(qū)組排列，各小區(qū)均設(shè)保護行，采用單獨的滴灌設(shè)備以便于試驗控制。試驗采用單因素水分處理，根據(jù)紅棗在各個生育期占整個生育期需水比例分配每次滴水量，并根據(jù)實際土壤含水量進行適當(dāng)調(diào)整。試驗設(shè)置3個處理水平，重復(fù)2次。

1.2 圖像采集

圖像采集使用有效像素高達1 620萬的尼康D7000單反相機，每次拍攝均采用自動曝光模式，圖像分辨率采用3 696×2 448，統(tǒng)一存儲為JPG格式。圖像于2014年7月4日14：00左右在田間自然光條件下采集，晴天，微風(fēng)，每試驗小區(qū)隨機挑選2株，選取植株冠層枝椏第3～10節(jié)位4張完全展開的葉片進行編號、拍攝。為減少后期處理工作量，在距樣本葉片垂直高度為0.3 m處垂直拍攝，以保證每次拍攝的光照強度基本一致;拍攝前，調(diào)整攝像者、樹枝和葉片的位置，以免造成陰影。此外，為便于后期圖像處理時人工剔除復(fù)雜背景，拍攝時在葉片下放置白板，使白板和葉片保持水平。

1.3 棗葉含水率測定

圖像采集后，迅速摘取樣本葉片裝入自封塑料袋，并放入保鮮盒帶回實驗室，采用傳統(tǒng)的烘干法測定棗葉含水率。烘干前，用型號為DENVER TP-214的分析天平稱量葉片鮮質(zhì)量（mF），精確到0.000 1 g;將葉片放入烘干器皿，置于光明101型電熱鼓風(fēng)干燥箱內(nèi)105 ℃殺青0.5 h;保持70 ℃恒溫，烘干葉片至恒質(zhì)量，稱量葉片干質(zhì)量（mD），計算棗葉含水率為：葉片含水率=（mF-mD）/mF×100%。

1.4 圖像處理

將葉片圖像導(dǎo)入到Photoshop CS6中，綜合運用裁剪工具和魔棒工具剔除葉片之外的復(fù)雜背景，使圖像只保留葉片部分，背景透明，并將圖片另存為PNG格式;采用中值濾波法[10]對圖像進行降噪處理，以減少圖像在采集和傳輸過程中的噪聲影響。

MATLAB圖像處理工具箱提供的medfilt2函數(shù)可對二維矩陣進行中值濾波處理，其基本語法格式為：B=medfilt2（A，[M N]），表示用指定大小為M×N的窗口對矩陣A進行中值濾波處理。濾波窗口通常為方形窗口，大小可取值為3×3、5×5、7×7或9×9，默認(rèn)為3×3。函數(shù)imread（）讀入彩色圖像時，返回1個M×N×3的三維矩陣C，3個面分別對應(yīng)紅、綠、藍3個通道信息，用C（：，：，1）、C（：，：，2）、C（：，：，3）表示。由于medfilt2函數(shù)只能對二維矩陣進行處理，對彩色圖像進行中值濾波時，通常分別提取圖像的R、G、B分量進行中值濾波處理，并將濾波后的3個分量通過多維矩陣構(gòu)造函數(shù)cat（）整合還原成三維矩陣。

1.5 顏色特征提取

由于RGB和HIS顏色系統(tǒng)對光源變化不敏感，易于區(qū)分不同顏色[9]，在圖像分析時常被使用。RGB系統(tǒng)中的R、G、B分量易于提取但不直觀，顏色分析時，通常用標(biāo)準(zhǔn)化后的色度坐標(biāo)r、g、b以消除外界光強對顏色的影響，其中，r、g、b分別表示R/（R+G+B）、G/（R+G+B）、B/（R+G+B），也可對R、G、B值進行多種組合變換如（G-R）、（G/R）等，并作為圖像的顏色特征進行分析。

HIS顏色系統(tǒng)比RGB系統(tǒng)更符合人的視覺特性，系統(tǒng)中的H、S具有光強不變性，可以作為顏色特征值直接使用[8，11]。HIS顏色系統(tǒng)與RGB系統(tǒng)可相互轉(zhuǎn)換，I、S、H值計算公式分別為：I=（R+G+B）/3;S=1-3[min（R，G，B）]/（R+G+B）;H=θ B≤Gendprint

360-θ B>G，其中，θ=cos-1{[（G-R）+（R-B）]/2[（R-G）2+（R-B）（G-B）]1/2}。

1.6 數(shù)據(jù)分析

對提取的顏色特征和葉片含水率進行相關(guān)性分析，根據(jù)P值的大小，篩選出與葉片含水率關(guān)系顯著的顏色特征量，通過回歸分析方法構(gòu)建棗葉含水率估算模型。

在MATLAB中，利用corrcoef函數(shù)求出數(shù)據(jù)的相關(guān)系數(shù)矩陣，數(shù)據(jù)的維度不同，corrcoef函數(shù)的調(diào)用格式也不同。分析2個一維向量的相關(guān)性時，corrcoef函數(shù)的調(diào)用格式為：[R，P]=corrcoef（x，y），其中，x和y是長度相同的一維列向量，對應(yīng)行上的數(shù)據(jù)為1個樣本。R是一個大小為2×2的矩陣，R（1，1）和R（2，2）分別表示x和y的自相關(guān)系數(shù)，其值恒為1;R（1，2）和R（2，1）分別表示y與x、x與y的相關(guān)系數(shù)，其值相等，大小在[-1，1]區(qū)間。當(dāng)x和y的相關(guān)系數(shù)值大于0時，表示x和y正相關(guān)，反之，x和y負(fù)相關(guān)。P也是一個2×2的矩陣，表示無效檢驗的實際顯著性水平P，其值越小，表示x和y的相關(guān)性越顯著。一般P小于0.05時，拒絕無效假設(shè)：系數(shù)=0，x和y關(guān)系顯著;小于0.01 時，x和y關(guān)系極顯著;大于0.05時，不能否定無效假設(shè)，x和y無顯著關(guān)系?；貧w分析可通過函數(shù)regress（）進行，其調(diào)用格式為：[b，bint，r，rint，stats]=regress（y，x），其中，x為m×n的自變量矩陣，y為m×1的因變量矩陣，b為回歸模型的系數(shù)矩陣，第一項為常數(shù)項，bint為b的置信區(qū)間，r為殘差矩陣，rint為r的置信區(qū)間，stats是用于檢驗回歸模型的統(tǒng)計量，包含相關(guān)系數(shù)R、F統(tǒng)計量值、與F對應(yīng)的概率P和殘差方差共4個值。

2 結(jié)果與分析

2.1 葉片含水率與顏色特征的相關(guān)性分析

由表1可見，棗葉含水率與G-R、H之間呈高度的負(fù)相關(guān)關(guān)系，達到顯著性檢驗水平（P<0.05），可用于構(gòu)建棗葉含水率估算模型。

2.2 棗葉含水率估算模型

通過自編的MATLAB程序腳本，對棗葉含水率、G-R、H進行多元線性回歸分析，建立基于G-R和H的 2個顏色特征棗葉含水率估算模型：y=0.877 2-0.001 5×（G-R）-0.101 3×H，R=0.890 7，P=0.019 4。其中，P<0.05，回歸模型成立。

表1 棗葉含水率與棗葉圖像顏色特征的相關(guān)性分析

顏色特征 顏色特征的定義 相關(guān)系數(shù)R P

r

紅光的標(biāo)準(zhǔn)化，表示紅光在圖像中所占的比例 0.660 0

0.074 9

g

綠光的標(biāo)準(zhǔn)化，表示綠光在圖像中所占的比例 -0.352 5

0.391 7

g-r

綠光與紅光之差在圖像中所占比例 -0.570 6

0.139 6

g-b

綠光與藍光之差在圖像中所占比例 -0.206 6

0.623 6

r-b

紅光與藍光之差在圖像中所占比例 0.178 1

0.673 1

R 圖像中的紅光均值 0.392 3 0.336 4

B 圖像中的藍光均值 0.160 5 0.704 2

G-R 綠光與紅光的差值 -0.758 2 0.029 2

R-B 紅光與藍光的差值 0.296 5 0.475 7

G/R 綠光與紅光的比值 0.634 9 0.090 8

G/B 綠光與藍光的比值 -0.169 3 0.688 6

H 圖像的色調(diào)大小 -0.716 0 0.045 8

I 圖像的顏色強度 0.254 0 0.543 8

H-S 圖像色調(diào)與色彩飽和度的差值 -0.302 2 0.466 9

H/I 圖像色調(diào)與顏色強度的比值 -0.368 3 0.369 4

I-H 圖像顏色強度與色調(diào)的差值 0.257 6 0.537 9

I/S

圖像顏色強度與色彩飽和度的比值 0.162 4

0.700 8

3 結(jié)論與討論

通過對棗葉圖像顏色特征的提取與分析，探討了水分脅迫條件下棗葉圖像顏色特征與棗葉含水率的相關(guān)性分析，發(fā)現(xiàn)G-R和H 2個顏色特征與棗葉含水率關(guān)系顯著，可用于棗葉含水率的預(yù)測與評價;應(yīng)用多元線性回歸分析方法建立基于G-R和H的棗葉含水率估算模型，其相關(guān)系數(shù)高達0890 7，無效檢驗的顯著性水平接近0.01，進一步說明應(yīng)用計算機視覺技術(shù)進行棗葉含水率的診斷與評價是可行的。

顏色是圖像最為直觀和相對重要的一種視覺特征，相對于紋理特征和形狀特征，在基于計算機視覺技術(shù)的水分診斷，探討顏色特征與葉片含水率關(guān)系的研究中更為常見，常常通過提取作物圖像的R、G、B、H、I、S分量值，對其進行多種組合變換，分析變量或變量組合與作物水分狀況的相關(guān)關(guān)系，并建立相應(yīng)估算模型。蔡鴻昌等應(yīng)用直方圖法提取黃瓜葉片的顏色特征，發(fā)現(xiàn)G/（R+G+B）和G-R可用于葉片干基含水量的估算[8];王方永等建立基于G-R參數(shù)的棉花水分含量及其指數(shù)的預(yù)測模型，預(yù)測精度分別達到90.71%和9102%[9];Zakaluk等通過試驗，同樣證明基于顏色特征進行馬鈴薯植株葉水勢的估算是可行的[12]。作物圖像的灰度梯度值用于作物水分狀況診斷效果也很好，于常樂等建立基于圖像灰度梯度的黃瓜葉片含水量的預(yù)測模型，實現(xiàn)了黃瓜葉片水分虧缺的無損檢測[6-7]。

總之，應(yīng)用計算機視覺技術(shù)進行作物水分狀況診斷是可行的，這為田間精量灌溉與自動化灌溉的實現(xiàn)提供了理論依據(jù)和技術(shù)支撐。本試驗篩選的顏色特征中，沒有與棗葉含水率關(guān)系極顯著的量，分析原因可能有3個方面：（1）新疆沙塵endprint

大，葉片上落灰多，影響棗葉圖像質(zhì)量和棗葉含水率的精確度;（2）部分葉片采集圖像時，局部反光，出現(xiàn)亮點，影響棗葉圖像顏色特征的提取;（3）棗葉圖像的降噪算法可能影響棗葉含水率估算模型的精度。在后續(xù)研究中，應(yīng)找出相關(guān)的解決辦法，優(yōu)化估算模型，也可變換角度，分析棗葉圖像的灰度特征與棗葉含水率的相關(guān)性，挖掘出與棗葉含水率關(guān)系更為顯著的特征量。

參考文獻：

[1]康紹忠，蔡煥杰，馮紹元.現(xiàn)代農(nóng)業(yè)與生態(tài)節(jié)水的技術(shù)創(chuàng)新與未來研究重點[J]. 農(nóng)業(yè)工程學(xué)報，2004，20（1）：1-6.

[2]彭 文，李慶武，霍冠英，等. 基于計算機視覺的植物水分脅迫狀況監(jiān)測方法[J]. 科學(xué)技術(shù)與工程，2013，13（9）：2313-2317，2330.

[3]Ahmad U，Mardison S，Tjahjohutomo R，et al. Development of automatic grading machine prototype for citrus using image processing[J]. Australian Journal Agricultural Engineering，2010，1（5）：165-169.

[4]梁改梅，楊錦忠，陳穩(wěn)良，等. 計算機圖像處理與分析技術(shù)在作物領(lǐng)域的應(yīng)用[J]. 科技情報開發(fā)與經(jīng)濟，2006，16（12）：222-224.

[5]Romano G，Baranyai L，Gottschalk K，et al. An approach for monitoring the moisture content changes of drying banana slices with laser light backscattering imaging[J]. Food and Bioprocess Technology，2008，1（4）：410-414.

[6]于常樂. 基于圖像處理的葉片含水量的無損檢測研究[D]. 長春：吉林大學(xué)，2007.

[7]孫瑞東，于海業(yè)，于常樂，等. 基于圖像處理的黃瓜葉片含水量無損檢測研究[J]. 農(nóng)機化研究，2008（7）：87-89.

[8]蔡鴻昌，崔海信，高麗紅，等. 基于顏色特征的葉片含水率與比葉重估算模型初探[J]. 中國農(nóng)學(xué)通報，2006，22（8）：532-535.

[9]王方永，王克如，王崇桃，等. 基于圖像識別的棉花水分狀況診斷研究[J]. 石河子大學(xué)學(xué)報：自然科學(xué)版，2007，25（4）：404-407.

[10]杜麗美.幾種常見的圖像去噪算法研究[J]. 山西大同大學(xué)學(xué)報：自然科學(xué)版，2012，28（5）：7-9.

[11]甘露萍，謝守勇，鄒大軍.基于計算機視覺的烤煙鮮煙葉含水量無損檢測及MATLAB實現(xiàn)[J]. 西南大學(xué)學(xué)報：自然科學(xué)版，2009，31（7）：166-170.

[12]Zakaluk R，Ranjan R S. Artificial neural network modelling of leaf water potential for potatoes using RGB digital images：a greenhouse study[J]. Potato Research，2006，49（4）：255-272.endprint