基于計(jì)算機(jī)視覺(jué)的水稻葉綠素含量測(cè)定

吳少俊

(浙江長(zhǎng)征職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)與信息技術(shù)系,杭州 310023)

0 引言

葉綠素是高等植物體內(nèi)的色素,能夠進(jìn)行光合作用,為植物的生長(zhǎng)發(fā)育提供能量。葉綠素含量能影響植物的各種生理機(jī)能,了解葉綠素含量對(duì)預(yù)測(cè)植物的生長(zhǎng)狀況具有參考價(jià)值。水稻是重要的糧食作物,產(chǎn)量的形成與光合作用能力密切相關(guān)。研究表明:葉綠素a與葉綠素b的比值會(huì)明顯影響水稻的光合活性,而總的葉綠素含量與光合速率之間呈緊密的正相關(guān)[1]。因此,準(zhǔn)確地測(cè)定水稻葉綠素含量有利于了解水稻的光合作用能力,從而為高產(chǎn)育種和栽培提供依據(jù)。

葉綠素含量的測(cè)定方法有很多,傳統(tǒng)的方法是剪取水稻葉片,用含有各種化學(xué)物質(zhì)的抽提液浸泡,將樣品中的葉綠素萃取出來(lái)進(jìn)行比色測(cè)定并計(jì)算濃度[2]。這種方法對(duì)設(shè)備的要求不高,但步驟相對(duì)繁瑣,耗時(shí)費(fèi)力,測(cè)定結(jié)果的穩(wěn)定性也不高。后來(lái),美國(guó)、日本等國(guó)家相繼設(shè)計(jì)制造出便攜式的葉綠素含量測(cè)定儀器,以日本的柯尼卡美能達(dá)SPAD-501型葉綠素含量測(cè)定儀為代表[3]。該型儀器一次測(cè)定針對(duì)的是水稻葉片上的一個(gè)點(diǎn),測(cè)定結(jié)果用SPAD值表示。SPAD值反映該點(diǎn)上葉綠素含量的相對(duì)大小,不能表示葉綠素的實(shí)際含量。葉綠素儀能夠?qū)崿F(xiàn)無(wú)損檢測(cè),因此可以對(duì)相同葉片的葉綠素含量變化情況進(jìn)行跟蹤分析和研究。但是,同一水稻葉片不同部位的葉綠素含量是不同的,葉綠素儀是針對(duì)葉片上的一個(gè)點(diǎn)測(cè)定,因此測(cè)定值的變化較大。若要準(zhǔn)確反映葉片整體的葉綠素含量,則需要進(jìn)行多次測(cè)定,極大地增加了工作量。此外,該類儀器目前已經(jīng)發(fā)展至SPAD-502型,屬于精密儀器,價(jià)格較為昂貴,限制了應(yīng)用范圍。

遙感技術(shù)的發(fā)展為利用光譜特征估測(cè)植物的葉綠素含量提供了技術(shù)支持,目前基于各類光譜儀和高光譜傳感器的葉綠素含量測(cè)定已經(jīng)是農(nóng)業(yè)遙感領(lǐng)域的研究熱點(diǎn)。孫雪梅等和楊杰等分別利用高光譜參數(shù)建立模型,準(zhǔn)確地預(yù)測(cè)了水稻葉片中的葉綠素含量[4-5]。田明璐等利用無(wú)人機(jī)搭載的成像光譜儀,構(gòu)建了棉花葉片葉綠素含量的反演模型[6]。與葉綠素儀相比,光譜儀的價(jià)格更為昂貴,有的甚至需要無(wú)人機(jī)搭載,主要應(yīng)用范圍被限制在了科學(xué)研究和產(chǎn)量普查上。

水稻的葉綠素含量除具有光譜特征外,還會(huì)體現(xiàn)肉眼可見(jiàn)的顏色特征,因此可以通過(guò)對(duì)圖像的處理來(lái)測(cè)量分析。計(jì)算機(jī)視覺(jué)是一種快速、便捷的圖像處理技術(shù),可以用于色素含量測(cè)定和營(yíng)養(yǎng)狀況診斷,成為作物生長(zhǎng)信息實(shí)時(shí)無(wú)損檢測(cè)的新方法[7-9]。陳誠(chéng)等通過(guò)計(jì)算機(jī)視覺(jué)采集水稻葉片的多種顏色參數(shù),結(jié)合神經(jīng)網(wǎng)絡(luò)的回歸方程,建立了葉綠素相對(duì)含量的計(jì)算模型,模擬預(yù)測(cè)值與大田實(shí)測(cè)數(shù)據(jù)之間的誤差極小[10]。除了水稻外,計(jì)算機(jī)視覺(jué)還被用在了番茄、大豆、錦橙和棉花等作物的葉片葉綠素含量測(cè)定上,且表現(xiàn)出較高的準(zhǔn)確度[11-14]。針對(duì)不同作物葉片的葉綠素含量測(cè)定,計(jì)算機(jī)視覺(jué)一般需要根據(jù)葉片的外觀特征采用相應(yīng)的圖像處理方法,同時(shí)選擇不同的顏色參數(shù)用于回歸分析,才能獲得準(zhǔn)確的測(cè)定結(jié)果。

水稻的葉位較多,不同位置上葉片的葉綠素含量存在很大的差異,在生長(zhǎng)發(fā)育過(guò)程中也是不斷變化的,給準(zhǔn)確測(cè)定葉綠素含量帶來(lái)了困難。另外,大部分研究中的計(jì)算機(jī)視覺(jué)一次僅分析一個(gè)葉片,拍攝時(shí)的環(huán)境影響對(duì)測(cè)定結(jié)果的干擾也是客觀存在的。針對(duì)這些問(wèn)題,本文設(shè)計(jì)一種基于計(jì)算機(jī)視覺(jué)的水稻葉綠素含量測(cè)定方法,利用掃描儀一次獲得多個(gè)待測(cè)葉片的圖像,完成圖像處理并提取顏色特征后選擇合適的參數(shù)建立葉綠素含量的預(yù)測(cè)模型,以實(shí)現(xiàn)對(duì)水稻葉綠素含量的準(zhǔn)確測(cè)定。

1 儀器設(shè)備

水稻葉片圖像的采集設(shè)備是杭州萬(wàn)深MICROTEK ScanMaker i800 plus型掃描儀,光學(xué)分辨率為800×1 600dpi,具有48位的色彩深度。掃描儀以白色冷陰極燈作為光源,掃描范圍305mm×432mm,單幅圖像耗時(shí)15s;掃描的速度穩(wěn)定,成像效果清晰,形成的圖像由USB2.0高速接口發(fā)送給計(jì)算機(jī)?？刂茠呙鑳x的是戴爾XPS8910型臺(tái)式電腦,配件為Intel i7處理器、GTX1070型顯卡和16G內(nèi)存;兼容性強(qiáng),運(yùn)算速度快,性能穩(wěn)定。計(jì)算機(jī)中安裝ScanWizard EZ掃描軟件,在Windows10操作系統(tǒng)中運(yùn)行。視覺(jué)分析軟件為MatLab工具箱,可以快速處理掃描獲得的圖像。葉綠素的實(shí)際含量用SPAD-502型葉綠素儀測(cè)定,表示為相對(duì)含量(即SPAD值)。

2 圖像處理

掃描得到的水稻葉片圖像為大小640×480的JEPG格式,目標(biāo)為綠色夾雜少量黃色,背景完全為白色,二者之間的區(qū)別明顯。圖像中沒(méi)有其它顏色干擾對(duì)目標(biāo)的識(shí)別,也不存在畸變,因此無(wú)需對(duì)圖像的色彩做特殊處理。水稻葉中原始圖像如圖1所示。

圖1 水稻葉片的原始圖像Fig.1 Original image of rice leaves

圖像中的識(shí)別目標(biāo)與背景顏色之間差異明顯,可以基于RGB色彩模型對(duì)圖像進(jìn)行分析。水稻葉片的基本顏色為綠色,因此在RGB色彩空間中G分量的特征峰值最為顯著,以G分量作為顏色參數(shù)可以得到準(zhǔn)確的目標(biāo)識(shí)別結(jié)果?；贕分量對(duì)圖像做灰度化處理后,圖像黑白效果更加明顯,顏色差異也得到增強(qiáng),有利于對(duì)目標(biāo)區(qū)域的提取。水稻葉片灰度化圖像如圖2所示。

圖2 水稻葉片的灰度化圖像Fig.2 Gray image of rice leaves

灰度化圖像經(jīng)過(guò)HIS加權(quán)的二值化處理,可以消除小塊陰影和微弱噪音,然后根據(jù)水稻葉片的顏色特征將其從背景中分離出來(lái)。圖像分割是利用顏色或亮度特征識(shí)別目標(biāo)的關(guān)鍵步驟,一般需要根據(jù)目標(biāo)特征選擇合適的分割方法。閾值分割法的模型簡(jiǎn)單,運(yùn)行速度較快,被用于本文的目標(biāo)識(shí)別。閾值是通過(guò)分析直方圖獲得的,合適的閾值對(duì)圖像分割效果有著重要影響。水稻葉片的顏色特征可以通過(guò)亮度來(lái)反映,因此在RGB色彩空間中分析灰度化圖像G分量的直方圖,獲得目標(biāo)特征的閾值,然后依照最大閾值分割圖像。分割獲得的圖像中背景表示為白色,水稻葉片表示為黑色,如圖3所示。

圖3 水稻葉片的分割圖像Fig.3 Segmented image of rice leaves

3 顏色特征參數(shù)選擇和模型構(gòu)建

參考之前的研究,本文選擇G-R、B-R和R/(G+B)等3個(gè)顏色特征參數(shù)。其中,R、G、B分別表示在RGB色彩空間中彩色圖像紅、綠、藍(lán)3種基本顏色的亮度值。通過(guò)改變?nèi)南鄬?duì)數(shù)量,可以混合出其它的各種顏色。針對(duì)單個(gè)葉片,上述值表示該葉片圖像區(qū)域中所有像素點(diǎn)的均值。取20個(gè)水稻葉片,在每個(gè)葉片上均勻選擇5個(gè)點(diǎn),用葉綠素儀測(cè)定SPAD值,以5個(gè)點(diǎn)的平均數(shù)作為該葉片葉綠素相對(duì)含量的實(shí)際值;然后,用計(jì)算機(jī)視覺(jué)提取各個(gè)葉片的顏色特征參數(shù),分析特征參數(shù)與SPAD值的相關(guān)性。

隨機(jī)選取10個(gè)樣本組成建模集,用于構(gòu)建預(yù)測(cè)模型;剩余的10個(gè)樣本組成檢驗(yàn)集,用于檢驗(yàn)估算的精度。SPAD值的顏色特征參數(shù)估算模型通過(guò)SPSS軟件中的一元線性回歸建立,然后在ENVI環(huán)境中反演檢驗(yàn)樣本的SPAD值。特征參數(shù)與SPAD值的相關(guān)性及模型對(duì)檢驗(yàn)樣本的估算精度以擬合方程的決定系數(shù)R2衡量,R2值越大,代表相關(guān)性和估算精度越高。

4 結(jié)果與分析

建模樣本的3個(gè)顏色特征參數(shù)與SPAD值回歸分析結(jié)果如圖4所示。由圖4可知:所有顏色特征參數(shù)的回歸方程都達(dá)到了顯著水平,表明這3個(gè)參數(shù)都可以用來(lái)估算SPAD值;3個(gè)參數(shù)中基于G-R和R/(G+B)建立的模型精度較高,建模決定系數(shù)R2分別為0.840和0.884,可以用于檢驗(yàn)樣本SPAD實(shí)測(cè)值和估算值的擬合分析。

圖4 顏色特征參數(shù)與水稻葉片SPAD值的相關(guān)性Fig.4 The correlation between color characteristic indexes and rice leaf SPAD value

分別用基于G-R和R/(G+B)建立的模型對(duì)10個(gè)檢驗(yàn)樣本的SPAD實(shí)測(cè)值和估算值進(jìn)行擬合分析,擬合方程的決定系數(shù)R2和斜率越接近1,表明模型的精度越高。分析結(jié)果如圖5所示。

圖5 檢驗(yàn)樣本SPAD估算值與實(shí)測(cè)值的擬合Fig.5 Regression of estimated and measured SPAD values for samples for validation

由圖5可知:兩個(gè)模型的斜率分別為1.032和0.918,R2都超過(guò)0.9,具有較高的精度,可以用于估算SPAD值。

5 結(jié)論

為了解決傳統(tǒng)方法測(cè)定水稻葉綠素含量步驟繁瑣且耗時(shí)費(fèi)力且便攜式葉綠素儀只能進(jìn)行點(diǎn)測(cè)定的問(wèn)題,設(shè)計(jì)了一種基于計(jì)算機(jī)視覺(jué)的水稻葉綠素含量測(cè)定方法。葉片圖像通過(guò)掃描獲得,經(jīng)過(guò)處理并提取葉片輪廓后選擇G-R、B-R和R/(G+B)等3個(gè)顏色特征參數(shù)建立葉綠素含量的估算模型?；贕-R和R/(G+B)建立的模型精度較高,對(duì)檢驗(yàn)樣本SPAD值的擬合方程決定系數(shù)和斜率都接近1,可以用來(lái)準(zhǔn)確測(cè)定水稻的葉綠素含量。