農(nóng)田背景噪聲下的土壤結(jié)構(gòu)體數(shù)字圖像信息特征

冉穎杭　謝天鏵　霍連飛　孫克潤　丁啟朔　何瑞銀　汪小島

摘要：智慧農(nóng)業(yè)的技術(shù)基礎(chǔ)是基于機(jī)器主體的農(nóng)情信息獲取、加工與分析。土壤結(jié)構(gòu)管理是智慧農(nóng)業(yè)的重要子模塊，但目前尚不清楚農(nóng)田背景噪聲下土壤結(jié)構(gòu)體的圖像信息特征以及目標(biāo)信息的信噪分離、純化和加工方法。本研究逐級(jí)遞進(jìn)界定田間土壤結(jié)構(gòu)體的數(shù)字圖像信息特征，并針對(duì)自然光源、秸稈及有機(jī)質(zhì)混雜、土壤結(jié)構(gòu)體孔隙等噪聲源逐一處理，同時(shí)引入了線段法、體視概率法定量土壤結(jié)構(gòu)體信息。篩分法所得結(jié)果用于對(duì)照。結(jié)果表明農(nóng)田背景下土壤結(jié)構(gòu)體信息受多重環(huán)境背景噪聲影響，為此需要進(jìn)行系統(tǒng)補(bǔ)光噪聲過濾、土壤孔隙形態(tài)修補(bǔ)等技術(shù)處理才能夠?qū)崿F(xiàn)基于機(jī)器主體的土壤結(jié)構(gòu)體目標(biāo)信息獲取。運(yùn)用線段法和體視概率法均能較好地定量土壤結(jié)構(gòu)體的尺度分布信息，線段法與體視概率法所得到的土壤結(jié)構(gòu)體的累積分布數(shù)據(jù)與篩分?jǐn)?shù)據(jù)的相關(guān)性（R2）大于0.96、均方根誤差（RMSE）小于0.1mm。

關(guān)鍵詞：數(shù)字圖像;原位分析;土壤尺度分布;線段法;體視概率法

中圖分類號(hào)：TP751

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-4440（2019）02-0313-08

多維度農(nóng)情信息的獲取、管理、決策是精準(zhǔn)生產(chǎn)管理的基礎(chǔ)”。不過傳統(tǒng)農(nóng)業(yè)在獲取土壤、作物等農(nóng)情信息時(shí)多離不開專家經(jīng)驗(yàn)與主觀判斷，此類農(nóng)情信息處理模式不能適應(yīng)全過程無人干預(yù)的信息化農(nóng)業(yè)要求。因此智慧農(nóng)業(yè)的關(guān)鍵技術(shù)基礎(chǔ)是實(shí)現(xiàn)土壤、作物等農(nóng)情信息對(duì)象的機(jī)器自主識(shí)別與獲取。作物生產(chǎn)系統(tǒng)中的土壤質(zhì)量決定著土地生產(chǎn)力，是基礎(chǔ)且關(guān)鍵的資源要素，因此也是智慧農(nóng)業(yè)的一個(gè)關(guān)鍵農(nóng)情信息對(duì)象。

傳統(tǒng)的田間土壤結(jié)構(gòu)體信息靠篩分法獲取，但近年來基于專家現(xiàn)場(chǎng)視覺打分[VESS（Visual Evaluation of Soil Structure）[2-3]，VSA（Visual Soil Asess-ment）[4-5]等評(píng)價(jià)方法正受到廣泛關(guān)注。篩分法分析土壤結(jié)構(gòu)體信息[6]費(fèi)時(shí)費(fèi)力，也會(huì)因外力撞擊等因素造成土壤結(jié)構(gòu)體的破壞。VESS是由專業(yè)人員按照規(guī)范的土壤結(jié)構(gòu)體質(zhì)量打分表并結(jié)合自身感官打分評(píng)價(jià)，主觀因素難于消除。與傳統(tǒng)方法相比，信息農(nóng)業(yè)及智慧農(nóng)業(yè)愈加提倡農(nóng)情信息的獲取及加工全過程的自動(dòng)化和智能化，其最顯著的特征是脫離專家干預(yù)和人為干擾。計(jì)算機(jī)圖像分析技術(shù)具有定量準(zhǔn)確、處理快速、平臺(tái)兼容性強(qiáng)（可搭載手機(jī)[7-8]、無人機(jī)[9]、車載平臺(tái)[10]等）的特性，已被廣泛運(yùn)用于定量評(píng)價(jià)農(nóng)情信息和土壤質(zhì)量信息。相關(guān)學(xué)者運(yùn)用圖像法指標(biāo)化某些土壤結(jié)構(gòu)體的物理、化學(xué)特征，如表面幾何外形[11-13]、孔隙[14-15]、含水率[16-17]、粗糙度[18]、質(zhì)地[19]等信息。Fernlund等[20]和Kumara等[21]分析了人為分離和排列擺鋪的土壤結(jié)構(gòu)體的圖像，建立了土壤的二維圖像數(shù)據(jù)與篩分質(zhì)量信息之間的關(guān)系。Bogrekci等[22]針對(duì)無秸稈和雜草的純凈田間背景條件下的耕后土壤結(jié)構(gòu)體進(jìn)行圖像信息處理，獲取平均土塊粒徑信息。Chimi-chiadjeu等[23-24]和Taconet等[25]在復(fù)雜的田間環(huán)境研究原位土壤結(jié)構(gòu)體的外輪廓圖像分割和識(shí)別，旨在得到土壤結(jié)構(gòu)體的數(shù)量、位置以及輪廓粗糙度信息。

雖然近年來數(shù)字圖像技術(shù)在土壤結(jié)構(gòu)的微觀指標(biāo)評(píng)價(jià)方面取得了較好的效果，但其在解決田間實(shí)際問題方面仍然較為局限，很少涉及在生產(chǎn)實(shí)踐上的應(yīng)用。農(nóng)田環(huán)境的背景噪聲來源多樣.表現(xiàn)復(fù)雜，從不同層面干擾甚至淹沒農(nóng)情信息，田間條件基于機(jī)器視覺的土壤結(jié)構(gòu)體信息除了表現(xiàn)為土壤結(jié)構(gòu)體與背景顏色相近[22]、土壤結(jié)構(gòu)體形狀非結(jié)構(gòu)化等[1]，自然光照作物、秸稈雜草、土壤結(jié)構(gòu)孔隙等各種要素相互交織混雜，必然嚴(yán)重干擾甚至淹沒目標(biāo)信息對(duì)象。因此，為了實(shí)現(xiàn)基于機(jī)器主體的自主農(nóng)情信息獲取，必須提供一套基于田間生產(chǎn)環(huán)境的農(nóng)情信息描述、界定和信息處理技術(shù)規(guī)范。本研究從農(nóng)情信息獲取的角度研究最小化人為干預(yù)條件下基于原位機(jī)器視覺技術(shù)的土壤結(jié)構(gòu)體信息特征及相關(guān)技術(shù)。

1 材料與方法

1.1 試驗(yàn)區(qū)概況及田間試驗(yàn)

田間試驗(yàn)于2017年12月水稻收獲后進(jìn)行，試驗(yàn)地點(diǎn)位于南京市六合區(qū)八百橋試驗(yàn)田（118°59’E，31°98’N），試驗(yàn)田地勢(shì)平坦，土壤類型為壤質(zhì)黏土。土壤pH值7.6，土壤砂粒、壤粒、黏粒、有機(jī)物質(zhì)量分?jǐn)?shù)分別為24.06%、40.39%、35.55%和2.27%，液限41.94%，塑限25.18%。試驗(yàn)所在區(qū)域長期稻麥輪作，水稻收獲后全量秸稈還田，使用免耕開溝覆土復(fù)式作業(yè)方式，一次性完成旋耕滅茬開排水溝并完成播種施肥，因此屬于全量秸稈還田的稻茬麥輕簡栽培模式。作業(yè)后水稻秸稈均勻混雜在耕作層，土壤結(jié)構(gòu)體呈塊狀分布。

1.2 土壤結(jié)構(gòu)體數(shù)字圖像信息采集

試驗(yàn)田間隨機(jī)選取3個(gè)取樣點(diǎn)，將內(nèi)邊長為500mmx500mm的取樣框放置在地表，在三角支架的懸臂末端安裝數(shù)碼相機(jī)（圖1），相機(jī)型號(hào)為SONYILCE-6300，拍攝時(shí)光圈值設(shè)為3.5，曝光補(bǔ)償為-0.3，最大光圈為3.617，相機(jī)離地高度（h）為760mm。利用框架上兩側(cè)粘附的標(biāo)準(zhǔn)尺寸進(jìn)行圖像標(biāo)定，得到數(shù)字圖像的像素毫米換算系數(shù)（p）。為減小鏡頭畸變，使用鉛墜輔助，將相機(jī)位置調(diào)整到框架中心點(diǎn)的正上方。另外，為消除太陽偏角的影響，在朝向太陽偏角方向的取樣框一側(cè)使用2個(gè)主要光源消除土壤結(jié)構(gòu)體的陰影遮擋，同時(shí)在y軸兩側(cè)設(shè)置輔助光源平衡取樣框內(nèi)土壤結(jié)構(gòu)體的整體亮度。

1.3 土壤結(jié)構(gòu)體數(shù)字圖像的信息處理

1.3.1 圖像幾何矯正機(jī)器視覺所得目標(biāo)圖像的幾何畸變使用郭文川等[26]提出的矯正技術(shù)，以取樣框邊框作標(biāo)定基準(zhǔn)并依次進(jìn)行如下處理：獲取圖像的4個(gè)邊界點(diǎn)坐標(biāo)，坐標(biāo)變換還原至等比關(guān)系，得到其坐標(biāo)變化規(guī)律，將此坐標(biāo)變換規(guī)律應(yīng)用于土壤結(jié)構(gòu)體的數(shù)字圖像矯正，還原土壤結(jié)構(gòu)體的真實(shí)形狀和大小。

1.3.2 土壤結(jié)構(gòu)體目標(biāo)信息分割土壤結(jié)構(gòu)體圖像采用閾值分割法從背景中分離出來。但鑒于表層土壤結(jié)構(gòu)體大小不一、壘積排列無序，造成相鄰?fù)寥澜Y(jié)構(gòu)體并不滿足單-z軸方向輪廓貼合，形成高低落差的間隙。該間隙是人眼視覺分辨土壤結(jié)構(gòu)體的重要主觀依據(jù)，在圖像中則是呈現(xiàn)出不同的灰度特征：間隙越深，灰度值越低。在目標(biāo)信息分割過程中，可使用自動(dòng)計(jì)算或人工設(shè)定的閾值，將低于該閾值的田間背景及輪廓變?yōu)楹谏瑢⒏哂谠撻撝档谋韺油寥澜Y(jié)構(gòu)體變?yōu)榘咨?。本試?yàn)將Otsu自動(dòng)閾值法[27]所獲取的閾值與人工設(shè)定閾值（0.1、0.2、0.3、0.4）作比較，用以確定最佳閾值范圍。

1.3.3 土壤結(jié)構(gòu)體的形態(tài)信息過濾秸稈還田等保護(hù)性農(nóng)業(yè)條件下土壤結(jié)構(gòu)體的形態(tài)特征復(fù)雜，秸稈、根系等生物質(zhì)干擾，土壤孔隙、根系及土壤結(jié)構(gòu)的微觀表象豐富，且土壤、秸稈等對(duì)象隨自然光光照度、環(huán)境水分等條件的變化而變化。因此使用數(shù)字圖像的閉運(yùn)算處理，利用圓形且大小為5像素的結(jié)構(gòu)元素，填充土壤結(jié)構(gòu)體圖像中比結(jié)構(gòu)元素小的缺口、孔隙等形態(tài)學(xué)缺陷（圖像信息噪聲過濾）。相反，對(duì)于秸稈、雜草及根系導(dǎo)致的邊界毛刺等信號(hào)噪聲調(diào)用開運(yùn)算（結(jié)構(gòu)元素大小、形狀與閉運(yùn)算相同）處理進(jìn)行信息過濾提純[28]。

1.4 土壤結(jié)構(gòu)體數(shù)字圖像的信息分析

1.4.1 線段法分析線段法是一種蒙托-卡羅法，廣泛運(yùn)用于爆堆塊度的評(píng)價(jià)[29]。假設(shè)每一個(gè)土壤微粒都是按照相同方向排列的，有單位截面積（A）的棱柱組合，則每一組的體積可以看作該組內(nèi)每個(gè)土塊棱柱體的長度（lj）與A的乘積。則各組的相對(duì)含量可以用棱長之比表示，即土壤結(jié)構(gòu)體的徑級(jí)體積比關(guān)系：

式中：D;表示第i組土壤結(jié)構(gòu)體體積，V表示土壤總體積。

1.4.2 體視概率法分析體視概率法是張繼春等運(yùn)用體視學(xué)原理解決礦巖爆破塊度分布問題的另一種新方法，該方法從統(tǒng)計(jì)學(xué)角度出發(fā)，通過探究爆堆表面反映出的巖塊大小與爆堆塊度分布之間存在的概率關(guān)系，巖塊被隨機(jī)布線截出的線段長度與該巖塊的尺寸之間的關(guān)系，來測(cè)定爆堆塊度組成[30]。鑒于耕作層的土壤結(jié)構(gòu)體與巖塊類似的特征，因此借鑒該方法進(jìn)行分析，具體技術(shù)路線如下：

（1）土壤結(jié)構(gòu)體在各尺度區(qū)間的數(shù)量密度（Nv）與直徑為D的球體被截出的弦長數(shù)量密度（N，）之間的關(guān)系，即：

式中：i表示第i組，△表示組距。

（2）在相同尺度區(qū)間的土壤結(jié)構(gòu)體的體積（vi）：

0;=Cv（i△）3V0Nvi（3）

式中：V。為耕后土壤結(jié)構(gòu)體的總體積，C為土塊體積形狀修正系數(shù)。張繼春等[30]將塊度等距分組，但鑒于等距分組不能很好地反映土壤結(jié)構(gòu)體在各尺度區(qū)間的分布情況[31]]，因此按照2倍頻尺度分組修訂該公式。令第k組尺寸范圍為2*～2x2*mm（k=1，2，3，4，.，n），可將土壤結(jié)構(gòu)體大小分為：0～2*、2*～2x2*2x2*～3x2*，組數(shù)t=3組，組間距△=2*。則土壤結(jié)構(gòu)塊度在2“～2x2*mm內(nèi)的體積為i=2，即：

（3）得到各尺度區(qū)間的土壤結(jié)構(gòu)體徑級(jí)-體積關(guān)系為：

式中V，表示各組分體積之和。

1.5 土壤結(jié)構(gòu)體的數(shù)字圖像信息統(tǒng)計(jì)

1.5.1 圖像隨機(jī)布線在土壤結(jié)構(gòu)體形態(tài)信息過濾前、過濾后的圖像上分別隨機(jī)布上若干條直線，分為3種布線方法：①隨機(jī)布置600條水平直線，②隨機(jī)布置600條垂直直線，③布置水平和垂直直線各300條。

1.5.2 土壤結(jié)構(gòu)體尺度測(cè)定隨機(jī)線上的像素點(diǎn)灰度值持續(xù)等于1的像素個(gè)數(shù)則是該土壤結(jié)構(gòu)體切割線段得到的分段長度，而直線被土壤結(jié)構(gòu)體實(shí)際切割的長度則要乘以p（即標(biāo)尺上像素個(gè)數(shù)/標(biāo)尺長度）。

1.5.3 統(tǒng)計(jì)分析

（1）對(duì)于線段法：將圖像中隨機(jī)布線得到的所有被切割的線段長度，按照2.1～4.0mm.4.1～8.0mm、8.1～16.0mm、16.1～32.0mm、32.1～64.0mm、64.1～128.0mm梯度進(jìn)行分組，并將每組內(nèi)的所有線段求長度和：L;=21;各組長度和（L;）與總線段的長度和之比則為該組的相對(duì)含量。

（2）體視概率法：統(tǒng)計(jì)隨機(jī)線被土塊邊界截得的線段長度在2.1～4.0mm、4.1～6.0mm（k=1）;4.1～8.0mm8.1～12.0mm（k=2）;8.1～16.0mm、16.1～24.0mm（k=3）;16.1～32.0mm、32.1～48.0mm（k=4）;32.1～64.0mm64.1～96.0mm（k=5）范圍內(nèi)的線段數(shù)量[N.]，代入（5）式求得土壤結(jié)構(gòu)體的體積比。

1.6 土壤結(jié)構(gòu)體的篩分分析

使用傳統(tǒng)的篩分法獲取土壤結(jié)構(gòu)體的尺度信息作為檢驗(yàn)基準(zhǔn)，將拍照后的樣點(diǎn)耕層土壤結(jié)構(gòu)體取出。按2倍頻尺度篩分，篩孔直徑分別為2mm、4mm8mm、16mm、32mm、64mm，獲取土壤結(jié)構(gòu)體的尺度分布數(shù)據(jù)，進(jìn)而結(jié)合稱質(zhì)量得到各級(jí)土壤結(jié)構(gòu)體的徑級(jí)_質(zhì)量關(guān)系：

式中φ;為i級(jí)土壤結(jié)構(gòu)體的塊度比，m;為i級(jí)土壤結(jié)構(gòu)體的質(zhì)量。

2 結(jié)果與分析

2.1 土壤圖像處理

2.1.1 原位補(bǔ)光在僅通過自然光照、不進(jìn)行預(yù)處理的田間，其土壤結(jié)構(gòu)體的數(shù)字圖像信息受多重干擾噪聲影響。除日中短暫的太陽直射時(shí)段之外，因自然光線入射角動(dòng)態(tài)引起的田塊間陰影遮擋難于消除，人工光源補(bǔ)光處理是不可缺少的必要措施。自然光照條件下因太陽偏角引起原位土壤結(jié)構(gòu)體數(shù)字圖像陰影噪聲（圖2a），令后續(xù)信息處理難于實(shí)現(xiàn)。補(bǔ)光后的照片（圖2b）有效消除了原位陰影噪聲。

2.1.2 圖像幾何矯正機(jī)器視覺的鏡頭畸變?cè)斐赏寥澜Y(jié)構(gòu)體形態(tài)失真，因此，在田間加入取樣框的數(shù)字圖像幾何矯正是土壤結(jié)構(gòu)體數(shù)字圖像信息糾偏的重要環(huán)節(jié)（圖3）。

2.1.3 土壤結(jié)構(gòu)體目標(biāo)信息分割結(jié)果在MATLAB R2017a中進(jìn)行閾值分隔（level=0.3）后，土壤結(jié)構(gòu)體的形態(tài)邊界有突起結(jié)構(gòu)，不夠圓滑（圖4a），顯著有別于Bogrekci等[22]的研究結(jié)果（圖4b）以及旱作制的土壤結(jié)構(gòu)體。這是由于實(shí)際生產(chǎn)環(huán)境條件下秸稈、雜草等的影響，不便機(jī)器自動(dòng)識(shí)別，表明在這一階段不加入工處理的土壤結(jié)構(gòu)體信息復(fù)雜。

2.1.4 土壤結(jié)構(gòu)體的形態(tài)信息過濾經(jīng)形態(tài)學(xué)開運(yùn)算、閉運(yùn)算處理后所得土壤結(jié)構(gòu)體圖像信息見圖5a，此時(shí)的圖像信息特征表明稻茬田的耕層土壤結(jié)構(gòu)體形態(tài)復(fù)雜，極不規(guī)則。將所得結(jié)果（圖5a）疊加到原始圖像上得到復(fù)合疊加圖像（圖5b），可以發(fā)現(xiàn)經(jīng)由補(bǔ)光、畸變矯正、二值化、去噪、修補(bǔ)等技術(shù)處理后所得的數(shù)字土壤結(jié)構(gòu)體信息與原位土壤結(jié)構(gòu)體信息準(zhǔn)確的匹配和全覆蓋。

2.2 統(tǒng)計(jì)分析

對(duì)信息純化后的土壤結(jié)構(gòu)體數(shù)字圖像進(jìn)行Pear-son相關(guān)性分析及均方根誤差分析，每個(gè)樣品均分別采用3種布線處理，每種布線處理重復(fù)2次，將布線得到的數(shù)據(jù)分別用線段法、體視概率法計(jì)算。表1顯示其中1個(gè)樣點(diǎn)所得的12次試驗(yàn)結(jié)果。重復(fù)試驗(yàn)數(shù)據(jù)誤差控制在0.05以內(nèi)，表明試驗(yàn)數(shù)據(jù)穩(wěn)定。表1顯示線段法和體視概率法得到的數(shù)據(jù)與篩分?jǐn)?shù)據(jù)相比，R2>0.96，RMES<0.100mm，故2種方法都能很好地反映土壤結(jié)構(gòu)體尺度分布狀況;同時(shí)體視概率法（R2=0.991，RMSE=0.053mm）相較線段法（R2=0.986，RMSE=0.109mm）精度更高。圖6顯示體視概率法與篩分曲線吻合更好，尤其是在2～32mm尺度區(qū)間，故體視概率法計(jì)算出的土壤塊度分布數(shù)據(jù)更為精確。

對(duì)比水平布線、垂直布線、水平垂直共同布線3種布線方法可以得出，這3種方法沒有明顯的優(yōu)劣差異;但綜合評(píng)價(jià)結(jié)果表明水平垂直共同布線法獲得的數(shù)據(jù)更優(yōu)且穩(wěn)定。從表2中可以看出該試驗(yàn)田圖像分割的最佳閾值為0.2～0.4，可通過插值法在該范圍內(nèi)得出最佳閾值;Otsu法得出的閾值雖不是最佳閾值，但其R2>0.95，RMES<0.200mm。故對(duì)于精度要求不高的試驗(yàn)，可在0.2～0.4人工設(shè)定閾值或選用Otsu法計(jì)算出閾值。形態(tài)學(xué)處理前和處理后的圖像信息經(jīng)水平垂直布線后所得的體視概率數(shù)據(jù)見表3。與形態(tài)學(xué)處理前的數(shù)據(jù)相比較，形態(tài)學(xué)處理后的R2的平均值由0.906提升至0.990，RMES的平均值由0.274mm縮小至0.055mm，測(cè)量精度明顯有所提高。

3 討論

信息農(nóng)業(yè)或智慧農(nóng)業(yè)的技術(shù)基礎(chǔ)是在最小化人為干預(yù)前提下的智能裝備自主信息采集、加工和分析。本研究結(jié)果表明，基于生產(chǎn)環(huán)境條件的農(nóng)情信息受多元背景噪聲影響，目標(biāo)農(nóng)情信息被嚴(yán)重干擾或淹沒，因此需要針對(duì)不同的生產(chǎn)環(huán)境條件下的各類農(nóng)情信息對(duì)象進(jìn)行系統(tǒng)的描述和界定。以往針對(duì)土壤結(jié)構(gòu)體信息的研究通常對(duì)所處環(huán)境條件進(jìn)行過度的簡化處理（如取出土壤并擺放在白板上[5，7-9]）或者加入了很多人為經(jīng)驗(yàn)的修訂（如選擇性地理?xiàng)l件、刻意的耕作處理等），其結(jié)果不僅造成研究成果難于顯示出生產(chǎn)環(huán)境下農(nóng)情信息對(duì)象的真實(shí)特征及復(fù)雜性，而且也不便于推進(jìn)基于智能裝備自主化的農(nóng)情信息獲取與分析。本研究針對(duì)稻茬田耕層土壤結(jié)構(gòu)體的研究仍有一定的局限性，對(duì)田間自然光源動(dòng)態(tài)適應(yīng)性、耕作層土壤結(jié)構(gòu)體的表觀信息特殊性的成因分析、不同輪作制及氣候動(dòng)態(tài)條件的土壤結(jié)構(gòu)體數(shù)字圖像信息動(dòng)態(tài)等都缺乏系統(tǒng)的試驗(yàn)設(shè)計(jì)和深入探討。不過本研究的結(jié)果能夠反映出今后針對(duì)不同大田生產(chǎn)環(huán)境下各類農(nóng)情信息對(duì)象開展系統(tǒng)研究的緊迫性和復(fù)雜性，以及在技術(shù)設(shè)計(jì)過程中如何規(guī)避人為要素參與的重要性。

田間耕作層土壤結(jié)構(gòu)體的數(shù)字圖像信息摻雜了來源復(fù)雜的背景噪聲，自然光照、作物與雜草、土壤水分、儀器參數(shù)等各種噪聲源都需要一一梳理、界定和標(biāo)定。因此，土壤結(jié)構(gòu)體信息的分離、純化、信噪比增強(qiáng)等技術(shù)基礎(chǔ)不僅需要完善的多學(xué)科理論與技術(shù)集成，更需要數(shù)字圖像處理技術(shù)及指標(biāo)的定量表達(dá)。本研究采用原位補(bǔ)光、閾值分割、幾何矯正、形態(tài)學(xué)處理等方法將土壤結(jié)構(gòu)體的信息準(zhǔn)確的提取出來，同時(shí)為了從二維圖像中得到土壤結(jié)構(gòu)體三維的尺度特征，借鑒了爆破領(lǐng)域的線段法[29]、體視概率法[30]，以獲得土壤的尺度分布信息。

線段法和體視概率法得到的土壤結(jié)構(gòu)體的累積分布圖與篩分法得到的累積分布圖有相同的趨勢(shì)，且累積分布數(shù)據(jù)有較高的相似度（R2>0.96）。因此線段法和體視概率法均能很好地反映土壤尺度分布的情況。體視概率法比線段法精確度更高，尤其是在小尺度范圍內(nèi)，更能反映土壤結(jié)構(gòu)體的尺度分布情況。

水平和垂直共同布線的方法相比單垂直或單水平布線方法，獲得的數(shù)據(jù)更穩(wěn)定，能保證準(zhǔn)確獲取土壤結(jié)構(gòu)體的尺度分布情況。

采用Otsu自動(dòng)閾值法計(jì)算出的閾值或在0.2～0.4選取閾值能得到較高精度的試驗(yàn)結(jié)果。

通過形態(tài)學(xué)處理之后的圖像比僅閾值分割后的圖像精確度更高。

參考文獻(xiàn)：

[1]何勇，趙春江，吳迪，等.作物-環(huán)境信息的快速獲取技術(shù)與傳感儀器[J].中國科學(xué)（信息科學(xué)），2010（S1）：5-24.

[2]GUIMARAES R M L，JUNIOR A F N，SILVA W G，et al. The merits of the Visual evaluation of soil structure method （VESS）forassessing soil physical quality in the remote，undeveloped regionsof the Amazon basin[J]. Soil & Tillage Research，2016，173：75-82.

[3]ASKARI M S，CUI J，HOLDEN N. The visual evaluation of soil structure under arable management[J]. Soil & Tillage Research，2013，134：1-10.

[4]BALL B C，BATEY T，MUNKHOLM L J. Field assessment of soil structural quality-a development of the Peerlkamp test[J]. Soil Use&Management，2010，23（4）：329-337.

[5]MONCADAMP，GABRIELSD，LOBOD，etal.Visualfieldassessmentofsoilstructuralqualityintropicalsoils[J].Soil&Tll-ageResearch，2014，139（2）：8-18.

[6]中國機(jī)械工業(yè)部.旋耕機(jī)械試驗(yàn)方法：GB/T5668.3-1995[S].北京：中國標(biāo)準(zhǔn)出版社，1995

[7]姚青，張超，王正，等.分布式移動(dòng)農(nóng)業(yè)病蟲害圖像采集與診斷系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（S1）：184-191.

[8]周俊，王明軍，邵喬林.農(nóng)田圖像綠色植物自適應(yīng)分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（18）：163-170.

[9]楊超，蘇正安，馬菁，等.基于無人機(jī)影像快速估算礦山排土場(chǎng)邊坡土壤侵蝕速率的方法[J].水土保持通報(bào)，2016，36（6）：126-130.

[10]HASEGAWA H，TAKIGAWA T，KOIKE M，et al. Studies on visual recognition of an agricultural autonomous tractor ：detection ofthe field state by image processing[J]. Japanese Journal of FarmWork Research，2000，35（3）：141-147.

[11]高雅，丁啟朔，李毅念，等.土壤結(jié)構(gòu)的數(shù)字圖像分析方法與指標(biāo)[J].土壤通報(bào)，2015，46（3）：513-518.

[12]AL-ROUSAN T，MASAD E，TUTUMLUER E，et al. Evaluation of image analysis techniques for quantifying aggregate shape char-acteristics[J]. Construction & Building Materials，2007，21（5）：978-990

[13]畢利東，張斌，潘繼花.運(yùn)用Image J軟件分析土壤結(jié)構(gòu)特征[J].土壤，2009，41（4）：654-658.

[14]李德成，VELDEB，張?zhí)伊?利用土壤切片的數(shù)字圖像定量評(píng)價(jià)土壤孔隙變異度和復(fù)雜度[J].土壤學(xué)報(bào)，2003，40（5）：678-682.

[15]BIRDN，DIAZ MC，SAA A，et al. Fractal and multifractal anal-

ysis of pore- scale images of soil[J]. Journal of Hydrology，2006，322（1-4）：211-219.

[16]張榮標(biāo)，何加祥，吳濤，等.基于圖像處理的土壤表層含水率在線檢測(cè)方法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（10）：57-61.

[17]鮑艷松，劉良云，王紀(jì)華，等.利用ASAR圖像監(jiān)測(cè)土壤含水量和小麥覆蓋度[J].遙感學(xué)報(bào)，2006，10（2）：263-271.

[18]BRYK M. Evaluation of soil aggregate surface roughness by imageanalysis[J]. Soil Science Annual，2012，63（2）：9-13.

[19]SOFOU A，EVANGELOPOULOS G，MARAGOS P. Soil image segmentation and texture analysis：a computer vision approach[J].IEEE Geoscience & Remote Sensing Letters，2005，2（4）：394-398.

[20]FERNLUND J M R，ZIMMERMAN R W，KRAGIC D. Influence of volume/ mass on grain-size curves and conversion of image-anal-ysis size to sieve size[J]. Engineering Geology，2007，90（3/4）：124-137.

[21]KUMARA G，HAYANO K，OGIWARA K. Image analysis techniques on evaluation of particle size distribution of gravel[J]. In-ternational Journal of Geomate Geotechnique Construction Materials& Environment，2012，3（1）：290-297.

[22]BOGREKCI I，GODWIN R J. Development of an image-processing technique for soil tilth sensing[J]. Biosystems Engineering，2007 ，97（3）：323-331.

[23]CHIMI-CHIADJEU O，HEGARAT-MASCLE S L，VANNIER E，et al. Automatic clod detection and boundary estimation from digit-al elevation model images using different approaches[J]. Catena，2014，118：73-83.

[24]CHIMI-CHIADJEU 0，VANNIER E，DUSSEAUX R，et al. Influence of gradient estimation on clod identification on a seedbed dig-ital elevation model [J ]. Environmental & Engineering Geosci-ence，2012，17（4）：337-352.

[25]TACONET 0，VANNIER E，HEGARATMASCLES L. A contour-based approach for clods identification and characterization on asoil surface.[J]. Soil & Tillage Research，2010，109（2）：123-132.

[26]郭文川，周超超，韓文霆.基于Android手機(jī)的植物葉片面積快速無損測(cè)量系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（1）：275-280.

[27]OHTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[28]RAFAEL C G，RICHARDE W，STEVEN L E.數(shù)字圖像處理的MATLAB實(shí)現(xiàn)[M].北京：清華大學(xué)出版社，2013.

[29]林大澤.爆堆塊度評(píng)價(jià)方法研究的進(jìn)展[J].中國安全科學(xué)學(xué)報(bào)，2003，13（9）：9-13.

[30]張繼春，鈕強(qiáng)，徐小荷.測(cè)定爆堆塊度組成的新方法一體視概率計(jì)算法[J].中國有色金屬學(xué)報(bào)，1995（4）：25-30.

[31]丁啟朔，潘根興，丁為民.稻田耕后土壤結(jié)構(gòu)的描述方法與指標(biāo)——以南京江浦農(nóng)場(chǎng)為例[J].土壤通報(bào)，2011，42（1）：1-6.