基于作物譜圖特征的植株分割與葉綠素分布檢測

龍耀威， 李民贊， 高德華， 張智勇， 孫 紅*， Qin Zhang

1. 中國農業(yè)大學現(xiàn)代精細農業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083 2. Center for Precision & Automated Agricultural System, Washington State University, Pullman WA 99350, USA

引 言

利用不同的平臺搭載可見光-近紅外光譜成像設備[1-2]， 分析作物冠層或葉片葉綠素[3]、 水分[4]、 氮素[5]等含量， 已經成為快速無損檢測田間作物長勢的重要手段和途徑[6-7]。 鍍膜型光譜成像傳感器與棱鏡分光和光柵線掃成像傳感器不同， 其應用半導體薄膜工藝原理， 是在探測器像元上鍍膜實現(xiàn)光信號窄帶選擇透過的一種新型多光譜成像方式。 它具有面陣直接成像速度快、 體積小、 成本低的優(yōu)點， 在農作物現(xiàn)場檢測中有較好的應用前景而備受關注[8]。

在可見光-近紅外區(qū)域， 棱鏡分光成像空間分辨率通常高于1 024×768像素， 作物數(shù)據以R(red), G(green), B(blue)和NIR共4波段圖像的處理為基礎。 有報道在NIR圖像分割的基礎上， 開展了基于區(qū)域標記的玉米圖像精準分割研究， 并基于歸一化植被指數(shù)(normalized vegetation index， NDVI)建立了大田玉米葉綠素指標診斷模型。 光柵線掃成像方式獲取數(shù)據光譜分辨率可達1 nm， 因而在可見光-近紅外光譜區(qū)作物含氫基團(O—H， N—H， C—H)振動合頻和各級倍頻的吸收特性[9]檢測中常利用相關性、 主成分分析和仿生學優(yōu)化等算法篩選特征波長和植被指數(shù)， 達到解析光譜變量、 剔除冗余數(shù)據、 壓縮計算數(shù)據、 提高診斷模型精度與魯棒性等目的[10-12]。 然而， 鍍膜型成像方式、 波段數(shù)、 圖像空間及光譜分辨率與上述兩種傳感器不同。 以美國XIMEA公司的IMEC4×4或5×5馬賽克式鍍膜傳感器為代表， 分別在470～630和673～951 nm范圍內探測16或25個波段帶寬大于10 nm的光學信號， 各波段圖像僅為409×217像素， 如何在提取馬賽克成像矩陣數(shù)據的基礎上， 充分利用其有限的空間圖像和光譜維數(shù)據開展作物營養(yǎng)檢測尚待深入研究。

本研究應用鍍膜型光譜成像傳感器， 在馬賽克分布陣列光學數(shù)據提取、 光譜與圖像標定與校準的基礎之上， 進一步深入開展田間玉米作物葉綠素分布檢測。 分別對空間圖像和光譜維數(shù)據進行分析和處理， 進行了玉米植株冠層圖像分割和葉綠素含量指標光譜特征變量篩選方法研究， 建立冠層葉綠素含量指標診斷模型， 并繪制作物冠層葉綠素含量分布圖， 以期為田間玉米葉綠素分布與生長動態(tài)可視化觀測提供技術支持。

1 實驗部分

1.1 玉米植株光譜圖像采集和葉綠素指標測定

試驗于2018年12月5日在北京市農林科學院溫室大棚內進行。 采集系統(tǒng)如圖1所示， 設置相機高度為2 m。 針對GET-B104品種苗期玉米采集了47株植株， 其生長高度為30～70 cm。 光譜圖像基于IMEC-5×5-CMOS多光譜成像單元拍攝視場角為50°， 灰度分辨率最高為10位， 可以采集673～951 nm范圍內的25個波長圖像， 帶寬約為10 nm。 從馬賽克陣列中提取的各波段圖像為409×217像素。 為實現(xiàn)圖像的采集控制與處理， 相機與搭載Linux操作系統(tǒng)的Jetson TX2開發(fā)板相連接。

圖1 采集系統(tǒng)示意圖

為避免破壞采樣后成分改變導致的測量誤差， 利用日本Konica Minolta公司SPAD-502型葉綠素儀， 測量葉片在紅色(650 nm)和近紅外區(qū)(940 nm)的光學信號計算葉綠素含量指標SPAD值。 試驗中分別對每株玉米冠層的葉中和葉尖葉片設置2～3個采樣點， 每點測量3次取平均值， 共242個數(shù)據。

1.2 多光譜圖像處理

對玉米冠層多光譜圖像處理， 流程如圖2所示。 為了避免利用唯一標準白板標定引起的縮小響應范圍的影響， 采用多灰度級標準板進行校正； 為了剔除圖像中土壤和培養(yǎng)盆背景的影響， 結合植物光譜和圖像特征， 提出了基于歸一化植被指數(shù)(NDVI)的植株冠層初步分割算法和基于區(qū)域標記的玉米植株冠層精細分割算法。 算法采用Matlab工具開發(fā)實現(xiàn)。

圖2 多光譜圖像處理算法流程圖

1.2.1 多光譜圖像校準與反射率提取

圖像校準采用美國Labsphere公司的Spectralon標準板， 由四個標準朗伯面灰度級并排排列， 各級標準板尺寸均為6 cm×25 cm， 反射光強與入射光強比值(反射率值)僅與波長相關。 采用最小二乘法擬合圖像灰度值和標準反射率之間的線性反演公式。 由于反射率和灰度值是線性描述標準灰度板的光照強度的參數(shù)， 對于某一波段反射率與灰度值為線性換算可以表示為式(1)

Ri=kigi+bi

(1)

式(1)中，Ri為第i波段的反射率，gi為第i波段的灰度值，ki是線性關系系數(shù),bi是常數(shù)。

1.2.2 基于NDVI的植株冠層初步分割算法

為了實現(xiàn)玉米植株與花盆、 土壤背景的初步分割， 首先對673 nm的光譜圖像計算背景與作物目標的類間方差確定分割閾值灰度值， 其次利用綠色植物在近紅外區(qū)反射率高而在紅色波段吸光度高的特征， 提出基于歸一化植被指數(shù)NDVI的玉米植株冠層圖像分割方法， 按照式(2)計算圖像各像素點的NDVI值， 通過計算圖像中背景噪聲與作物目標NDVI值差異進行分割。

(2)

式(2)中，F(xiàn)848 nm為848 nm的光譜反射率，F(xiàn)665 nm為665 nm的光譜反射率。

1.2.3 基于區(qū)域標記的玉米植株冠層精細分割算法

對初步分割算法后存在灰度板和相鄰不完整的玉米植株葉片等噪聲， 進一步采用基于區(qū)域標記的玉米植株冠層精細分割算法進行處理。

首先采用邊緣保持中值濾波算法剔除噪聲點。 其次， 采用區(qū)域標記方法標記出圖像中的連通區(qū)域， 并計算每個連通域的像素統(tǒng)計學參數(shù)， 包括各區(qū)域面積、 主軸長度和寬度等。 最后， 選取各連通區(qū)域面積作為檢測判別對象， 篩選保留圖像中面積最大的連通域， 得到玉米植株冠層的掩模圖像， 即可實現(xiàn)玉米植株葉片圖像的精細分割。

1.3 玉米植株冠層葉綠素指標光譜學檢測與可視化

1.3.1 葉綠素含量指標檢測特征波長與植被指數(shù)篩選方法

為了精簡模型， 提高模型精度， 通過特征波長與植被指數(shù)篩選兩步實現(xiàn)葉綠素含量指標檢測變量的選取。 首先， 對原始光譜分別利用統(tǒng)計相關分析(correlation analysis， CA)和基于仿生學的隨機蛙跳算法(random frog， RF)進行特征波長的篩選。 因為鍍膜型成像傳感器單個中心波長帶寬約為10 nm， 光譜分辨率不高導致無法依賴單一波段準確反映某一波長位置反射率高低與峰谷平移等細微特征， 所以將篩選出的特征波長分為近紅外(near infrared, NIR)集合和紅色(red， R)集合， 基于NIR和R組合計算植被指數(shù)如表1所示， 通過多個波段之間的相對變化來反映葉綠素含量變化。 然后， 再次利用CA和RF算法開展植被指數(shù)的篩選。

表1 植被指數(shù)的計算公式

1.3.2 葉綠素含量檢測建模與分布可視化方法

采用SPXY(sample set partitioning based on joint X-Y distance)算法對采樣數(shù)據劃分建模集和驗證集。 篩選后的植被指數(shù)與SPAD值建立偏最小二乘回歸(partial least squares regression， PLSR)模型， 使用建模集、 驗證集模型決定系數(shù)、 以及均方根誤差RMSEC, RMSEV為評價指標。

利用模型計算各像素點的葉綠素含量， 得到灰度圖像， 再使用Matlab軟件中偽彩色處理繪制玉米冠層的葉綠素含量的可視化分布圖。

2 結果與討論

2.1 玉米植株冠層光譜圖像處理

2.1.1 多光譜圖像采集與分析

利用鍍膜成像傳感器在673～951 nm范圍內， 采集盆栽玉米植株25波段冠層圖像， 基于4灰度級標準板按照式(1)校準后的圖像如圖3所示， 分別提取玉米植株、 花盆背景和土壤背景的光譜反射率曲線結果顯示， 花盆在整個波段范圍內呈現(xiàn)高反射率， 主要與花盆為白色和塑料材質有關； 土壤背景在整個波段范圍內呈現(xiàn)低反射率。 玉米植株在紅外區(qū)域反射率較低， 而在近紅外區(qū)域反射率較高， 主要與植物內部光合作用， 吸收紅光有關。

圖3 校準后的25波段多光譜圖像

2.1.2 玉米植株冠層多光譜圖像初步分割結果

為了實現(xiàn)玉米植株的提取， 首先對673 nm的光譜圖像基于最大類間方差自適應分割圖像結果如圖4(a)所示， 對土壤和地面有一定的剔除， 但是無法區(qū)分冠層、 花盆和部分標準板， 這是由于它們反射率較為接近， 體現(xiàn)于圖像灰度值差異不大使得分割困難。 分析圖3中近紅外和紅外區(qū)間不同對象的光譜反射率特征可知， 作物冠層近紅外和紅外區(qū)間反射率差異顯著， 而花盆、 土壤等差異較小， 其中848和665 nm中心波長處組合差異性最為顯著。 因而， 提出了基于848和665 nm計算NDVI圖像的冠層初步分割方法， 結果如4(b)所示， 與圖4(a)相比較， 該方法對花盆和部分標準板的剔除有一定的提升作用。

圖4 玉米植株冠層多光譜圖像初步分割算法結果

2.1.3 基于區(qū)域標記的玉米植株冠層精細分割結果

對初步分割算法后存在的部分灰度板和相鄰不完整的玉米植株葉片等噪聲， 研究進一步采用基于區(qū)域標記的玉米植株冠層精細分割算法。 處理過程與結果依次為， 圖5(a)所示采用邊緣保持中值濾波算法進行濾波， 圖5(b)所示標記出圖像中的連通區(qū)域， 圖5(c)所示保留圖像中面積最大的連通域得到掩模圖像， 即實現(xiàn)玉米植株葉片的提取。

圖5 基于區(qū)域標記的玉米植株冠層精細分割算法結果

2.2 玉米植株冠層葉綠素指標光譜學檢測與可視化結果

2.2.1 葉綠素含量指標檢測特征波長與植被指數(shù)篩選

為了探究玉米葉片在鍍膜型光譜傳感器響應特征并診斷葉片葉綠素含量指標， 首先分別采用CA算法和RF算法選取特征波長。 其中反射率與SPAD值相關性分析結果如圖6左側所示， 二者呈負相關關系， 在[-0.19, -0.45]區(qū)間， 按照相關系數(shù)絕對值大小排列， 篩選出絕對值高于0.3的8個波長以紅色標識。 RF算法計算個波長被選擇概率結果如圖6右側所示， 在[0.09, 0.97]區(qū)間， 設定0.28為閾值選出13個特征波長， 以右側紅色柱狀顯示。 比較分析可知， 由CA提取的8個特征波長有7個集中于823～894 nm區(qū)間， 對這7個波長進行相關系數(shù)分析， 自相關系數(shù)均高于0.906 8； 由RF算法提取的13個特征波長分散存在， 既包含如791和804 nm等相關性較低波長， 又包含如866和876 mn等較高相關性波長位置。

綜合兩種算法結果， 分別在750～951和673～750 nm區(qū)間建立NIR(791， 804， 823， 834， 844， 866， 876， 884， 894， 917， 941和951 nm)和R(673， 688和731 nm)備選集合， 然后遍歷NIR和R集合組合計算RVI、 NDVI、 DVI和植被指數(shù)， 共得到144個植被指數(shù)。

圖6 特征波長篩選結果

2.2.2 基于SPXY的樣本集劃分與葉綠素含量檢測建模

針對總體243個樣本， SPAD值在17.4～40.8區(qū)間， 平均值為30.76， 標準差為4.74。 根據SPXY算法劃分建模集和驗證集， 結果如表2所示， 其中建模集的葉片SPAD值取值范圍為17.4～40.8， 覆蓋了驗證集的葉片SPAD值， 說明建模集和驗證集可以用于后續(xù)的分析。

表2 建模集與驗證集劃分統(tǒng)計

表3 植被指數(shù)與葉片SPAD值PLSR模型

2.2.3 葉綠素含量檢測建模與分布可視化方法

基于CA+RF-PLSR診斷模型結果， 繪制SPAD值偽彩色分布圖如圖7所示， 在冠層坐標平面上， 各像素點的SPAD值用從藍色到黃色表示， 越接近藍色說明該位置SPAD值越低， 越接近黃色說明該位置SPAD值越高。 分析圖中玉米植株葉綠素含量分布特征可知， 單個葉片的葉綠素含量分布呈現(xiàn)階梯形式的分布， 距離植株中心越遠的位置葉綠素指標值越小， 且上層葉片高于下部葉片。 分析其原因可能是： 葉綠素是光吸收的物質也是重要的營養(yǎng)指征， 植株養(yǎng)分由莖稈向上， 經株心向葉片邊緣輸送， 因而株心部分略高于葉邊緣； 由于作物植株體上葉片分布的差異， 作物植株葉片上層葉片光吸收水平較高， 其干物質生長和光合作用活躍， 而下部葉片因為受到上層葉片遮蔭、 葉齡老化等因素的影響， 其葉綠素指標較低。

圖7 玉米冠層葉綠素含量分布圖

以上結果說明基于鍍膜型成像光譜數(shù)據， 開展作物植株葉綠素含量指標檢測研究的可行性， 但應用本方法開展作物葉綠素含量動態(tài)監(jiān)測研究時， 還需要進一步提升檢測模型精度以滿足高精度的要求。

3 結 論

應用鍍膜型光譜成像傳感器， 深入開展田間玉米作物葉綠素含量檢測與分布可視化研究， 主要結論如下：

(1) 應用鍍膜型光譜成像傳感器獲取玉米冠層多光譜圖像數(shù)據， 經反射率校準后， 結合玉米冠層反射光譜與圖像形態(tài)特征， 提出基于NDVI的玉米植株冠層初步分割算法剔除土壤背景的影響， 利用邊緣保持中值濾波消除異常噪聲點， 然后基于區(qū)域標記算法有效剔除花盆與灰度標定板的干擾， 實現(xiàn)了植株冠層的分割與提取。