一種基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取方法

李楊先，張慧春，楊旸

(南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院，南京 210037)

植物表型是指能夠反映植物結(jié)構(gòu)和組成，或能反映植物生長(zhǎng)發(fā)育過程和結(jié)果，由基因型與環(huán)境互作所產(chǎn)生的部分或全部可辨識(shí)植物物理、生理和生化特征及性狀[1]。傳統(tǒng)表型測(cè)量方法具有樣本量小、效率低、誤差大、適應(yīng)性差等缺點(diǎn)，已成為制約植物表型發(fā)展的重要因素[2]。

面對(duì)植物表型測(cè)量技術(shù)發(fā)展滯后的現(xiàn)狀，基于生物、傳感器、機(jī)器視覺技術(shù)以及高性能計(jì)算機(jī)的表型分析平臺(tái)能夠?yàn)橹参锉硇偷木_化和高效化測(cè)量鋪平道路。目前，針對(duì)農(nóng)作物的表型監(jiān)測(cè)技術(shù)已得到了較好的發(fā)展。與農(nóng)作物相比，林木較高大、多枝葉密、生長(zhǎng)周期長(zhǎng)、根系發(fā)達(dá)和株型較大等特點(diǎn)決定了對(duì)其進(jìn)行表型采集和分析的難度較大。但從林木的經(jīng)濟(jì)價(jià)值及生態(tài)價(jià)值考慮，有必要通過研究林木的表型，培育出有利于提高經(jīng)濟(jì)價(jià)值和提升人類生存環(huán)境的樹種，從而完善表型信息采集系統(tǒng)在植物領(lǐng)域的應(yīng)用。倪超等[3]設(shè)計(jì)了一套基于多目立體視覺的非接觸式馬尾松苗木形態(tài)學(xué)參數(shù)提取系統(tǒng)，利用該系統(tǒng)提取了苗木的根系體積參數(shù)，為苗木質(zhì)量的評(píng)價(jià)提供了更加精確的形態(tài)指標(biāo)。束義平等[4]采用車載二維激光掃描儀獲取樹木的點(diǎn)云數(shù)據(jù)，并基于點(diǎn)云數(shù)據(jù)檢測(cè)分割樹冠、識(shí)別樹干，實(shí)現(xiàn)了樹冠體積的在線測(cè)量；同時(shí)，李秋潔等[5]實(shí)現(xiàn)了基于移動(dòng)二維激光掃描的單木三維綠量測(cè)定，真實(shí)反映了樹冠內(nèi)部體積及空隙。南玉龍等[6]搭建了一套植物冠層超聲回波信號(hào)檢測(cè)系統(tǒng)，實(shí)現(xiàn)了植物冠層密度超聲量化。張慧春等[7]設(shè)計(jì)了一套植物表型測(cè)量系統(tǒng)，利用該系統(tǒng)可以獲取植物的三維形態(tài)特征并建立植物時(shí)序生長(zhǎng)可視模型。林木的株高、基徑和分枝數(shù)等表型參數(shù)能夠直接反映林木的生長(zhǎng)發(fā)育情況，而葉片面積和分枝角對(duì)光合作用的強(qiáng)弱具有直接影響，但是目前鮮見有關(guān)林木這方面形態(tài)表型參數(shù)的研究。

簸箕柳(SalixsuchowensisCheng)作為模式樹種楊樹的姊妹種，已完成全基因組測(cè)序，且個(gè)體相對(duì)較小、幼齡期相對(duì)較短[8-9]，易于開展大規(guī)模田間試驗(yàn)，非常適合作為林木表型研究的對(duì)象。本研究以簸箕柳為研究對(duì)象，設(shè)計(jì)了一種基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取系統(tǒng)，能夠?qū)π螒B(tài)表型參數(shù)進(jìn)行快速、精確、非破壞性測(cè)量，與傳統(tǒng)測(cè)量方法相比優(yōu)勢(shì)突出，為簸箕柳等林木的生長(zhǎng)發(fā)育狀況研究提供了更精確的形態(tài)性狀指標(biāo)。

1 材料與方法

1.1 試驗(yàn)材料

選取簸箕柳為試驗(yàn)植株，剪取15段直徑(4±0.2)mm、高(12±0.3)cm的簸箕柳枝條(親本從江蘇省新沂市采集)進(jìn)行扦插式種植，基質(zhì)選用南京林業(yè)大學(xué)林區(qū)有機(jī)土壤。過篩后裝入規(guī)格相同的圓柱形黑色陶瓷花盆(口徑10 cm、高11.5 cm)中。簸箕柳枝條扦插后，手動(dòng)澆水至土壤飽和，并置于RXZ型人工氣候箱(寧波江南制造廠)中培養(yǎng)。人工氣候箱的環(huán)境參數(shù)設(shè)置為相對(duì)濕度80%、溫度28 ℃、光照強(qiáng)度278 μmol/(m2·s)、晝夜時(shí)間比為16∶8。在此環(huán)境條件下，簸箕柳存活率高，生長(zhǎng)速度較快，有利于試驗(yàn)的進(jìn)行。

1.2 圖像采集平臺(tái)設(shè)計(jì)與構(gòu)建

為獲取植株二維圖像序列，構(gòu)建了一套植物形態(tài)表型圖像采集平臺(tái)(圖1)，該平臺(tái)主要由密閉采集環(huán)境和光源、旋轉(zhuǎn)平臺(tái)和豎直移動(dòng)平臺(tái)、圖像采集模塊三部分組成。整個(gè)暗箱環(huán)境框架選用鋁型材構(gòu)建，高角度打光的LED光源[10]和覆蓋在框架上的黑色植絨布能夠盡量減小拍照的噪音干擾。相機(jī)旋轉(zhuǎn)平臺(tái)和豎直移動(dòng)平臺(tái)、圖像采集模塊的三維示意圖見圖2a，旋轉(zhuǎn)平臺(tái)實(shí)現(xiàn)相機(jī)圍繞簸箕柳進(jìn)行圓周運(yùn)動(dòng)，從而獲取簸箕柳的二維圖像序列；豎直移動(dòng)平臺(tái)通過步進(jìn)電機(jī)控制絲杠導(dǎo)軌改變相機(jī)在豎直方向上的高度(相機(jī)位置見圖2b，根據(jù)植株的高度不同取H=45～70 cm、h=20～40 cm)，在每個(gè)相機(jī)位置調(diào)節(jié)相機(jī)角度(相機(jī)軸線與絲杠導(dǎo)軌軸線的夾角為15°～75°)，保證簸箕柳和標(biāo)定板完全處于相機(jī)視野范圍內(nèi)，以獲取2組不同高度下較為完整的圖像信息；圖像采集模塊由高分辨率GO-5000C-PGE型RGB相機(jī)和LM8HC型鏡頭組成。簸箕柳形態(tài)表型參數(shù)獲取平臺(tái)需要滿足能夠自動(dòng)從2個(gè)高度位置獲取簸箕柳形態(tài)信息且具有較高圖像質(zhì)量的要求，因此，本平臺(tái)使用LabVIEW 2016軟件設(shè)計(jì)了一個(gè)具有相機(jī)啟停、對(duì)焦顯示窗口、圖像自動(dòng)存儲(chǔ)、數(shù)量調(diào)整、拍攝時(shí)間間隔等功能的相機(jī)控制程序，圖像采集控制界面程序如圖3所示。本試驗(yàn)控制相機(jī)旋轉(zhuǎn)一周的時(shí)間為195 s，每個(gè)相機(jī)高度拍攝30張簸箕柳二維圖像，共60張。因此，控制相機(jī)每隔 6.5 s拍攝一張簸箕柳圖像。

1. 棋盤格標(biāo)定板；2. 暗箱框架；3. 豎直移動(dòng)導(dǎo)軌；4. RGB相機(jī)；5. 暗箱采集背景；6. LED光源；7. 軌道板；8. 步進(jìn)電機(jī)；9. 旋轉(zhuǎn)圓臺(tái)；10. 圖像采集控制系統(tǒng)；11. 電機(jī)控制系統(tǒng)；12. 電機(jī)驅(qū)動(dòng)系統(tǒng)。圖1 簸箕柳形態(tài)表型圖像采集平臺(tái)Fig. 1 Morphological phenotype image acquisition platform of Salix suchowensis Cheng

1. 相機(jī)鏡頭；2. 相機(jī)采集卡；3. 角度調(diào)節(jié)裝置；4. 絲杠導(dǎo)軌滑塊；5. 絲杠導(dǎo)軌步進(jìn)電機(jī)；6. 滑輪；7. 絲杠導(dǎo)軌；8. 定滑輪；9. 旋轉(zhuǎn)臺(tái)；10. 旋轉(zhuǎn)臺(tái)步進(jìn)電機(jī)。圖2 相機(jī)移動(dòng)平臺(tái)三維示意圖Fig. 2 Three-dimensional diagram of camera moving platform

1. 圖像路徑存儲(chǔ)；2. 圖像命名；3. 相機(jī)選擇；4. 拍攝間隔設(shè)置；5. 拍攝張數(shù)設(shè)置；6. 時(shí)間顯示；7. 取消；8. 顯示窗口。圖3 使用LabVIEW設(shè)計(jì)的簸箕柳圖像采集界面Fig. 3 Image acquisition interface of Salix suchowensis Cheng designed by LabVIEW

平臺(tái)工作流程如下：首先基于圖像采集平臺(tái)進(jìn)行標(biāo)定板圖像的采集，然后采用“張正友標(biāo)定法”[11]基于MATLAB軟件對(duì)相機(jī)進(jìn)行標(biāo)定，得到相機(jī)的內(nèi)外參數(shù)及畸變參數(shù)。相機(jī)標(biāo)定完成后，將簸箕柳擺放在平臺(tái)內(nèi)相機(jī)拍攝圓周圓心處，通過中控計(jì)算機(jī)的相機(jī)控制系統(tǒng)設(shè)置拍攝圖像數(shù)量、拍攝間隔時(shí)間、存儲(chǔ)路徑等參數(shù)。啟動(dòng)圖像采集平臺(tái)，由圖像采集平臺(tái)搭載相機(jī)圍繞簸箕柳旋轉(zhuǎn)，相機(jī)控制系統(tǒng)控制相機(jī)拍攝，通過平臺(tái)獲取2組不同高度的圖像；基于相機(jī)標(biāo)定得到的標(biāo)定參數(shù)對(duì)平臺(tái)采集的簸箕柳二維圖像序列進(jìn)行畸變糾正。畸變糾正后，基于HSV(hue, saturation, value)模型進(jìn)行閾值分割，目的是將植物和標(biāo)定板從圖像中提取出來(lái)。使用SFM(structure from motion)算法對(duì)采集平臺(tái)獲取的二維圖像序列重建出三維點(diǎn)云，在此基礎(chǔ)上使用PMVS(patch-based multi view system)算法重建出稠密三維點(diǎn)云。最后利用PCL(point cloud library)點(diǎn)云庫(kù)、MATLAB軟件等對(duì)生成的簸箕柳點(diǎn)云信息進(jìn)行操作和計(jì)算，分別提取出簸箕柳株高、基徑、葉面積、分枝數(shù)和分枝角參數(shù)。本平臺(tái)可以穩(wěn)定地獲取簸箕柳二維圖像，且圖像質(zhì)量清晰，符合平臺(tái)的預(yù)期功能。平臺(tái)獲取的一幅細(xì)節(jié)圖見圖4。

圖4 平臺(tái)獲取的圖像Fig. 4 Image acquired by the platform

1.3 植株點(diǎn)云獲取方法

1.3.1 圖像預(yù)處理

圖像預(yù)處理是為了將感興趣的部分與背景等其他干擾像素分割，以此提高圖像的匹配效率和后期的測(cè)量精度。由圖4可知，所需保留的部分為簸箕柳和棋盤格標(biāo)定板，花盆、泥土、背景幕布等信息為干擾因素。本研究使用HSV顏色模型并結(jié)合OpenCV庫(kù)對(duì)圖像進(jìn)行分割[12]。棋盤格標(biāo)定板的作用為求解點(diǎn)云坐標(biāo)系中距離與世界坐標(biāo)系中真實(shí)距離的轉(zhuǎn)換。

使用HSV模型分割首先要將圖像轉(zhuǎn)換為HSV模型再進(jìn)行分割操作，HSV顏色模型中綠色的閾值區(qū)間為[35，43，46]～[77，255，255]，白色的閾值區(qū)間為[0，0，221]～[188，30，255]。由于光照等因素的影響，簸箕柳和標(biāo)定板不完全是標(biāo)準(zhǔn)色的閾值區(qū)間。試驗(yàn)結(jié)果表明，簸箕柳選取閾值區(qū)間[30，120，130]～[60，190，255]，標(biāo)定板選取閾值區(qū)間[0，0，100]～[90，70，255]得到的分割效果較好?；贖SV顏色模型的分割效果見圖5。由圖5可知，基于HSV的分割效果干擾信息少，簸箕柳信息保留完整。

圖5 閾值分割圖像Fig. 5 Threshold segmentation of the image

1.3.2 基于圖像序列的植株三維點(diǎn)云獲取與處理

圖6 簸箕柳稀疏點(diǎn)云重建效果圖Fig. 6 Rebuilding effect map of sparse point cloud of Salix suchowensis Cheng

植株三維點(diǎn)云使用基于多視覺立體運(yùn)動(dòng)中恢復(fù)結(jié)構(gòu)(structure from motion with multi-view stereo，SFM-MVS)的開源軟件VisualSFM生成。VisualSFM封裝了基于SIFT圖像特征匹配、相機(jī)參數(shù)確定及稀疏點(diǎn)云重建等算法[13]，通過導(dǎo)入2組不同視角的植株二維圖像實(shí)現(xiàn)植株稀疏點(diǎn)云的重建。其中，每組圖像數(shù)量分別為30張，共60張。2019年3月19日采集的編號(hào)為1的簸箕柳稀疏點(diǎn)云重建效果圖見圖6，其中，虛線局部放大圖表示每一張二維圖像的拍攝位置和角度，即拍攝時(shí)相機(jī)所在位置。

利用SFM重建得到的是稀疏三維點(diǎn)云，為獲得更好的重建效果，需對(duì)目標(biāo)重建出稠密三維點(diǎn)云。使用基于片面的三維多視角立體視覺算法(patch-based multi view system，PMVS)生成的植株稠密點(diǎn)云效果見圖7。

從圖7中可以看出，獲得的簸箕柳三維稠密點(diǎn)云包含植株相應(yīng)的紋理和顏色信息，表明此方法在簸箕柳形態(tài)構(gòu)建上具有較好的效果，能夠較真實(shí)反映植株形態(tài)。

圖7 生成的稠密點(diǎn)云效果圖Fig. 7 Generated dense point cloud renderings

將生成的三維稠密點(diǎn)云進(jìn)行濾波預(yù)處理以去除噪聲點(diǎn)和離群點(diǎn)，獲取較為平滑的稠密點(diǎn)云；之后利用標(biāo)定板進(jìn)行比例縮放，標(biāo)定板中每個(gè)方格尺寸為50 mm×50 mm，總體尺寸為150 mm×150 mm。在世界坐標(biāo)系中，原點(diǎn)O坐標(biāo)為(0,0,0)，標(biāo)定板平面中心白方格右上角q1點(diǎn)坐標(biāo)為(0,50,0)，中心白方格左下角q2點(diǎn)坐標(biāo)為(50,0,0)，中心白方格右下角q3點(diǎn)坐標(biāo)為(50,50,0)。在生成的點(diǎn)云坐標(biāo)系中，原點(diǎn)Q在點(diǎn)云坐標(biāo)系中的坐標(biāo)為(x,y,z)，選取點(diǎn)p1(x1,y1,z1)、p2(x2,y2,z2)和p3(x3,y3,z3)。通過式(1)計(jì)算出坐標(biāo)位置的縮放關(guān)系K，利用K即可進(jìn)行點(diǎn)云坐標(biāo)系中距離與世界坐標(biāo)系中真實(shí)距離的轉(zhuǎn)換。

(1)

2 簸箕柳表型三維形態(tài)參數(shù)提取

為研究簸箕柳的生長(zhǎng)發(fā)育和光合作用等情況，需要選擇合理的形態(tài)參數(shù)用于分析，本研究選取了株高、基徑、葉面積、分枝數(shù)和分枝角等表型形態(tài)參數(shù)進(jìn)行測(cè)量。利用手工測(cè)量方式選取的基徑、葉面積、分枝角測(cè)量點(diǎn)和測(cè)量部位如圖8所示，其中，去除頂部第一個(gè)展開的葉片，從上至下選取3個(gè)葉片進(jìn)行葉面積測(cè)量。

圖8 形態(tài)參數(shù)手工測(cè)量部位Fig. 8 Manual measurement location of morphological parameters

2.1 株高與基徑參數(shù)提取

植物株高的生長(zhǎng)速度能夠反映植物長(zhǎng)勢(shì)情況，楊柳科屬植物的株高一般是指植株與土壤交接點(diǎn)到植株頂部葉片自然伸展至最高處的垂直高度。傳統(tǒng)株高測(cè)量方式是使用直尺量取生長(zhǎng)點(diǎn)到植株頂部豎直方向的距離，該方法屬于接觸式測(cè)量，容易對(duì)植物造成損傷[14]。本研究中簸箕柳株高參數(shù)的提取方法如下：首先利用主成分分析法(principal component analysis，PCA)大致確定簸箕柳植株的主徑方向(圖9中箭頭方向)，然后基于此方向做簸箕柳植株的最小包圍盒，包圍盒高度即為簸箕柳株高。PCA的實(shí)現(xiàn)方法如下：

1)求取中心點(diǎn)。假設(shè)輸入點(diǎn)集為P={pi|i=1,2,…,n}，點(diǎn)云中點(diǎn)的數(shù)量為n，則點(diǎn)云中心點(diǎn)(pm)為：

(2)

2)求特征協(xié)方差矩陣。通過式(2)求得的pm求取協(xié)方差3×3矩陣Cp：

(3)

3)求協(xié)方差矩陣的特征值和特征向量。由于Cp是對(duì)稱實(shí)矩陣，可得到3個(gè)非負(fù)特征值λ0、λ1、λ2，從而計(jì)算出相應(yīng)的特征向量e0、e1和e2：

Cpei=λiei，i∈{0,1,2}

(4)

其中，e0代表點(diǎn)云中最密集方向(植株主徑方向)。

圖9 植株高度最小包圍盒Fig. 9 Minimum bounding box of plant height

通過人工獲取的株高參數(shù)記錄了15株簸箕柳快速生長(zhǎng)期內(nèi)株高的變化，采集時(shí)間為2019年2月20日至2019年3月16日，每隔6 d記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)。由簸箕柳形態(tài)表型參數(shù)獲取平臺(tái)提取的簸箕柳株高參數(shù)，分別選取3組數(shù)據(jù)的平均值作為一次測(cè)量結(jié)果，測(cè)量日期和間隔都與手工測(cè)量相同。

平臺(tái)提取基徑的方法為：首先截取簸箕柳的生長(zhǎng)枝條，通過確定簸箕柳生長(zhǎng)點(diǎn)處基徑邊緣坐標(biāo)(x1,y1,z1)與水平方向上另一邊緣處坐標(biāo)(x2,y2,z2)，計(jì)算兩點(diǎn)之間的歐式距離。

通過手工測(cè)量的方法記錄15株簸箕柳快速生長(zhǎng)期內(nèi)基徑的變化。由于扦插后第一周萌芽的枝條較短，基徑較小，手工測(cè)量和平臺(tái)都不易提取基徑參數(shù)，因此，選擇簸箕柳扦插后的第二周開始測(cè)量，采集時(shí)間為2019年3月1日—25日，每隔6 d記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)。

2.2 葉片面積提取

葉片是植物進(jìn)行光合作用合成有機(jī)物的重要器官，葉片面積大小直接決定了光合作用的強(qiáng)弱，對(duì)農(nóng)作物產(chǎn)量具有重要影響[15]。傳統(tǒng)葉片面積測(cè)量方法有方格法、描形稱質(zhì)量法和儀器測(cè)定法等[16]，本試驗(yàn)中手工測(cè)量數(shù)據(jù)使用YMJ-D型葉面積儀(浙江托普云農(nóng)科技股份有限公司)測(cè)量獲得。由于SFM-MVS算法生成點(diǎn)云的規(guī)則特征和植株的形態(tài)差異，獲取的點(diǎn)云數(shù)據(jù)通常分布不均且含有一定誤差[17]。本研究采用最小二乘法對(duì)葉片的原始點(diǎn)云數(shù)據(jù)進(jìn)行處理，以獲取較好的曲面擬合效果。最小二乘法是一種數(shù)學(xué)優(yōu)化算法，即利用最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配[18]。葉片擬合前后曲面重建的對(duì)比效果見圖10。

圖10 葉片擬合前后效果對(duì)比Fig. 10 Comparison of the effects before and after leaf fitting

計(jì)算葉片面積須將葉片點(diǎn)云剖分為三維三角形網(wǎng)格，所有三角剖分后三角形網(wǎng)格的面積之和即為葉片面積。由于分割出的各個(gè)葉片坐標(biāo)系存在差異性，因此需要調(diào)整葉片點(diǎn)云，使之處于統(tǒng)一測(cè)量坐標(biāo)系。定義的葉片標(biāo)準(zhǔn)測(cè)量坐標(biāo)系以葉片的點(diǎn)云重心為坐標(biāo)原點(diǎn)，X、Y、Z軸方向分別與葉片的長(zhǎng)度、寬度、厚度方向一致，X、Y、Z軸的正方向符合右手法則。統(tǒng)一測(cè)量坐標(biāo)系的目標(biāo)是使葉片點(diǎn)云在空間中具有相同的朝向，利用主成分分析法調(diào)整葉片點(diǎn)云坐標(biāo)系至本研究定義的標(biāo)準(zhǔn)測(cè)量坐標(biāo)系，使葉片點(diǎn)云具有相同的朝向。

葉片點(diǎn)云經(jīng)過坐標(biāo)轉(zhuǎn)換和最小二乘法擬合后，利用Delaunay三角剖分算法(一種特殊的三角剖分算法，符合空?qǐng)A特征和最大化最小角特征2個(gè)重要準(zhǔn)則)生成三角形網(wǎng)格，三角剖分后任一三角形的外接圓范圍內(nèi)不會(huì)有其他點(diǎn)存在[19]。Delaunay三角剖分算法主要通過以下2個(gè)步驟完成：首先，將葉片點(diǎn)云投影到XY平面上，由于對(duì)葉片點(diǎn)云進(jìn)行了坐標(biāo)轉(zhuǎn)換，因此點(diǎn)云投影到XY平面不會(huì)造成點(diǎn)的重合，對(duì)投影過的二維點(diǎn)進(jìn)行Delaunay三角剖分；然后，根據(jù)投影前x、y對(duì)應(yīng)的z值將三角剖分后的三角形網(wǎng)格返回到三維坐標(biāo)系中。上述2個(gè)步驟主要通過MATLAB軟件中的Delaunay和trisurf函數(shù)(用于創(chuàng)建三角剖分曲面圖)完成。

簸箕柳葉面積參數(shù)的測(cè)量時(shí)間選擇為簸箕柳扦插后的第2周，此時(shí)簸箕柳葉片生長(zhǎng)較好，也達(dá)到了葉面積測(cè)量?jī)x所能測(cè)量的最小值。采集時(shí)間為2019年3月1日—25日，每隔6天記錄一組數(shù)據(jù)，記錄5次共75組數(shù)據(jù)，其中，每組包含3片葉子的測(cè)量值。同時(shí)，使用葉面積測(cè)量?jī)x記錄了15株簸箕柳快速生長(zhǎng)期內(nèi)葉面積的變化，每次測(cè)量去除頂部第1個(gè)展開的葉片，從上至下依次選取3個(gè)葉片。

2.3 分枝數(shù)與分枝角提取

簸箕柳分枝數(shù)是單株簸箕柳從主干上生長(zhǎng)出的枝條數(shù)。簸箕柳的分枝方式為單軸分枝，主干單一且較為明顯，簸箕柳分枝數(shù)等于自身葉片數(shù)量，每一個(gè)分枝上僅有1個(gè)葉片，因此提取簸箕柳分枝數(shù)即對(duì)簸箕柳葉片數(shù)進(jìn)行提取。將背景、花盆與主干部分進(jìn)行分割，只留下葉片部分，并利用分割后的葉片進(jìn)行三維重建，對(duì)于主干分割不理想的情況則后期在點(diǎn)云中進(jìn)行人為分割處理。在三維空間中，每一個(gè)葉片點(diǎn)云之間無(wú)交集，可將每個(gè)葉片點(diǎn)云看做一個(gè)點(diǎn)云團(tuán)，且每個(gè)點(diǎn)云之間的距離小于葉片點(diǎn)云團(tuán)之間的距離。因此，本研究采用基于歐式距離聚類分割的思想對(duì)點(diǎn)云團(tuán)進(jìn)行計(jì)數(shù)，并設(shè)定閾值，將噪點(diǎn)信息排除。

由于簸箕柳前期分枝不明顯，因此，選擇扦插后第2周開始對(duì)15株簸箕柳進(jìn)行分枝數(shù)的測(cè)量，采集時(shí)間為2019年3月1日—19日，每隔6天記錄一組數(shù)據(jù)，記錄4次共60組數(shù)據(jù)。

分枝角對(duì)樹形結(jié)構(gòu)的形成具有決定性作用，分枝角的大小對(duì)簸箕柳枝條間的生長(zhǎng)和光照效果有一定影響[20]。傳統(tǒng)的分枝角測(cè)量方式為使用量角器測(cè)量主干與分枝之間的角度θ。本研究提取分枝角的方法為提取兩個(gè)向量之間的夾角，在點(diǎn)云中選取主干上兩點(diǎn)設(shè)置為向量a，分枝上選取兩點(diǎn)設(shè)置為向量b。分枝上選取的第1個(gè)點(diǎn)位于分枝與主干的交接處，第2個(gè)點(diǎn)與第1個(gè)點(diǎn)的連線應(yīng)盡可能沿分枝初始伸長(zhǎng)的切線方向，在保證上述選點(diǎn)的條件下，兩點(diǎn)間的距離應(yīng)盡可能遠(yuǎn)。利用式(5)求得分枝角θ：

(5)

簸箕柳頂部分枝角基本呈銳角，底部分枝角基本呈鈍角，因此，分別提取頂部和底部?jī)刹糠值姆种沁M(jìn)行測(cè)量。頂部分枝角的選擇為去除頂部3個(gè)分枝后的第1個(gè)分枝，底部分枝角的選擇為去除底部3個(gè)分枝后的第1個(gè)分枝。選擇扦插后第3周開始對(duì)15株簸箕柳進(jìn)行分枝數(shù)的測(cè)量，采集時(shí)間為2019年3月7日—19日，每隔6天記錄一組數(shù)據(jù)，記錄3次共45組數(shù)據(jù)。

2.4 試驗(yàn)數(shù)據(jù)對(duì)比

簸箕柳形態(tài)表型參數(shù)提取值與人工測(cè)量值的比較如圖11所示。簸箕柳形態(tài)表型參數(shù)提取效果通過使用形態(tài)表型參數(shù)提取的結(jié)果誤差來(lái)評(píng)價(jià)，估計(jì)誤差由決定系數(shù)(R2)、誤差均方根(RMSE)和平均絕對(duì)百分比誤差(MAPE)衡量。本系統(tǒng)提取的簸箕柳各表型參數(shù)與人工測(cè)量值的吻合程度較好，能夠較真實(shí)地反應(yīng)簸箕柳的形態(tài)屬性。株高、基徑、葉片面積、分枝數(shù)以及分枝角的人工測(cè)量值與本系統(tǒng)測(cè)量值的RMSE分別為 8.91 mm、0.54 mm、63.65 mm2、1.36和 5.81°；MAPE分別為7.69%，13.94%，9.99%，5.32%和9.30%。

由圖11a可知，與人工測(cè)量值相比，該系統(tǒng)提取的株高整體偏高，結(jié)合系統(tǒng)獲取株高的方法進(jìn)行分析可知，系統(tǒng)獲取的株高值普遍高于人工測(cè)量值的原因在于所生成的簸箕柳三維點(diǎn)云數(shù)據(jù)受到噪點(diǎn)的影響，在植株頂端存在噪點(diǎn)干擾，導(dǎo)致生成的包圍盒產(chǎn)生了一定誤差；簸箕柳生長(zhǎng)點(diǎn)處一般會(huì)萌發(fā)新葉片，生長(zhǎng)點(diǎn)處會(huì)出現(xiàn)葉片遮擋情況，使生長(zhǎng)點(diǎn)處點(diǎn)云重建效果不理想，影響包圍盒的大小。由圖11b可知，系統(tǒng)基徑測(cè)量值普遍大于人工測(cè)量值，且誤差隨著基徑的增大逐漸減小。結(jié)合試驗(yàn)分析，由平臺(tái)獲取的基徑測(cè)量值平均絕對(duì)百分比誤差較大，主要是因?yàn)轸せ鶑匠叽巛^小，一般為2～7 mm。系統(tǒng)基徑測(cè)量誤差來(lái)源主要是基徑選取點(diǎn)與人工選取點(diǎn)存在一定的偏差，此外，基徑選取點(diǎn)的偏離也是導(dǎo)致誤差產(chǎn)生的主要原因，而基徑邊緣噪點(diǎn)的干擾也會(huì)導(dǎo)致測(cè)量值普遍大于人工測(cè)量值。

圖11 形態(tài)表型參數(shù)測(cè)量準(zhǔn)確性評(píng)價(jià)Fig. 11 Accuracy evaluation of measurements of morphological phenotype parameters

由圖11c可知，與人工測(cè)量值相比，該系統(tǒng)提取的葉片面積值整體偏低。簸箕柳的葉片表面有褶皺結(jié)構(gòu)，利用SFM和CMVS算法生成的植株三維點(diǎn)云不能很好地體現(xiàn)這些細(xì)節(jié)，且通過最小二乘法進(jìn)行擬合會(huì)平滑葉片點(diǎn)云，導(dǎo)致葉片面積的計(jì)算值偏小。由圖11d可知，系統(tǒng)測(cè)量分枝數(shù)與人工測(cè)量分枝數(shù)大多重合或較為接近，對(duì)于分枝數(shù)較少的階段有部分?jǐn)?shù)據(jù)偏低，分枝數(shù)較多的階段有部分?jǐn)?shù)據(jù)偏高。經(jīng)過對(duì)產(chǎn)生誤差的數(shù)據(jù)分析可知，產(chǎn)生誤差的主要原因在于圖像的分割質(zhì)量。雖然該方法對(duì)圖像邊緣要求較低，但圖像內(nèi)部不能存在缺失部分，如果存在缺失部分就會(huì)導(dǎo)致生成的點(diǎn)云之間存在較大間隙，葉片數(shù)會(huì)增大，從而導(dǎo)致分枝數(shù)增加。而在分枝數(shù)較少時(shí)，主要也是因?yàn)槿~片存在重疊導(dǎo)致分割效果不理想，使葉片無(wú)法區(qū)分，葉片數(shù)減少，導(dǎo)致分枝數(shù)也減少。由圖11e可知，系統(tǒng)測(cè)量得到的分枝角基本都比人工測(cè)量得到的分枝角大。結(jié)合實(shí)際試驗(yàn)對(duì)此結(jié)果進(jìn)行分析可知，測(cè)量誤差主要來(lái)源于主干向量與分枝向量的選取，對(duì)于點(diǎn)云重建效果不理想的分枝部位進(jìn)行向量選取時(shí)會(huì)產(chǎn)生相對(duì)較大的誤差；同時(shí)，對(duì)于分枝較細(xì)的部位也會(huì)產(chǎn)生較大誤差，分枝較細(xì)時(shí)，線段的選取不夠準(zhǔn)確。

3 結(jié) 論

本研究提出了一種基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取方法，以模式樹種楊樹的姊妹種簸箕柳作為研究對(duì)象，設(shè)計(jì)了一套基于RGB相機(jī)傳感器的形態(tài)表型參數(shù)獲取平臺(tái)，結(jié)合二維圖像恢復(fù)物體幾何外形的方法無(wú)損提取了簸箕柳的株高、基徑、葉片面積、分枝數(shù)和分枝角表型參數(shù)。結(jié)果表明：

1)通過對(duì)相機(jī)高度的調(diào)節(jié)獲取2組不同高度的圖像序列，補(bǔ)充一部分被遮擋部分的信息，能夠在一定程度上減少葉片等器官相互遮擋帶來(lái)的影響，提高生成的植株點(diǎn)云數(shù)據(jù)的精度。

2)基于HSV閾值分割的方法能夠較好地將目標(biāo)植物與干擾背景進(jìn)行分割，簸箕柳自身信息保留較為完整，有利于提高特征匹配速度和形態(tài)表型參數(shù)的提取。

3)基于二維圖像恢復(fù)物體幾何外形的方法可以較精確獲得植株點(diǎn)云數(shù)據(jù)，提取的株高、基徑、葉面積、分枝數(shù)和分枝角參數(shù)除基徑外平均絕對(duì)百分比誤差均在10%以內(nèi)。基徑由于數(shù)值較小，因此誤差相對(duì)偏大，但能夠滿足植株實(shí)際測(cè)量和生長(zhǎng)觀測(cè)的需求， 同時(shí)，經(jīng)過預(yù)處理后三維點(diǎn)云的生成速率比使用原圖像提高20%左右。

本研究中基于圖像處理技術(shù)的植物形態(tài)表型參數(shù)獲取方法適用于林木表型信息測(cè)量，為林木生長(zhǎng)監(jiān)測(cè)、育種改良等提供了一種新的表型測(cè)量方法，今后將探討該方法用于楊樹等其他林木性狀參數(shù)測(cè)量的可行性，為植物表型性狀提取與測(cè)量提供新的技術(shù)手段。本研究設(shè)計(jì)的植物形態(tài)表型參數(shù)獲取平臺(tái)在自動(dòng)化程度和參數(shù)提取效率上仍有提高的空間，在植株器官分割上未能實(shí)現(xiàn)自動(dòng)分割。因此，提高平臺(tái)的自動(dòng)化程度和采集數(shù)據(jù)的多源性能夠?qū)崿F(xiàn)大規(guī)模的植物形態(tài)表型參數(shù)提取，為植物學(xué)提供有力的研究平臺(tái)。