植物葉片可見與近紅外光譜反射率數(shù)據(jù)庫的建立與主成分分析

蔣萬里， 石俊生*， 季明江

1. 云南師范大學(xué)物理與電子信息學(xué)院， 云南 昆明 650504

2. 云南省光電信息技術(shù)重點實驗室， 云南 昆明 650504

引 言

光譜反射率是物體表面的固有屬性， 不僅全面地記錄了物體的顏色信息， 而且是物體表面材質(zhì)的表示方式； 可見與近紅外波段在物體反射光譜重建、 多光譜成像和遙感目標(biāo)地物分類識別等領(lǐng)域有廣泛的應(yīng)用。 不同波段有不同的應(yīng)用， 人眼感知的可見波段主要與顏色應(yīng)用相關(guān)， 決定著自然和人造物體在不同光源下的顏色， 除了人們?nèi)粘Ｉ钪薪ㄖ?環(huán)境、 照明、 服飾、 媒體等方面， 而且涉及光源設(shè)計、 各種顯示設(shè)備同色異譜， 以及顏色恒常等科學(xué)技術(shù)領(lǐng)域； 相關(guān)場景中物體的光譜反射率是必須獲得的信息[1]。 近紅外波段超出了人眼感知的范圍， 但其利用越來越受到關(guān)注。

隨著科技的發(fā)展， 包含可見和近紅外的多光譜得到廣泛應(yīng)用。 在遙感應(yīng)用中, 由于各波段所提供的信息不同， 光譜波段被選擇性地利用。 如區(qū)分不同植被種類， 探測植物葉綠素濃度植物活力， 監(jiān)測作植物健康狀況及農(nóng)作物長勢等。 在環(huán)境保護(hù)領(lǐng)域中， 通過獲取植物的高光譜影像來調(diào)查植物光譜反射率， 可以測量水域生物量， 可以對地下天然氣的泄露進(jìn)行檢測[2]。 在顏色圖像領(lǐng)域， 可以用于近紅外波段圖像增強可見光圖像[3]、 去霧[3-4]和真彩色復(fù)原[5]等一系列應(yīng)用。

建立可見與近紅外光譜反射率數(shù)據(jù)庫對科學(xué)研究和技術(shù)應(yīng)用都非常重要。 在遙感應(yīng)用領(lǐng)域， 美國在20世紀(jì)60年代末到70年代初建立了包含植物、 土壤、 巖石礦物和水體等4大類地物的電磁波波譜特性的數(shù)據(jù)庫—地球資源信息光譜數(shù)據(jù)庫。 美國地質(zhì)調(diào)查局(USGS)對各種巖石類型和部分植被類型進(jìn)行了較系統(tǒng)的光譜測量， 建立了USGS光譜數(shù)據(jù)庫[6]。 包含人造材料、 涂料、 液體、 礦物質(zhì)、 有機化合物、 土壤、 混合物和植被共計2 467條光譜。 約翰霍普金斯大學(xué)(JHU)建立了包含巖石、 礦物、 地球土壤、 月球土壤、 人工材料、 隕石、 植被、 水體、 雪和冰、 以及人工目標(biāo)的光譜數(shù)據(jù)庫。 美國噴氣推進(jìn)實驗室(JPL)建立了160種礦物巖石在125～500， 45～152 μm和<45 μm三種波段ASTER光譜庫。 該光譜庫在2009年加入了來自JHU、 USGS等數(shù)據(jù)庫的光譜， 共計2300多條[6]。 我國數(shù)據(jù)庫的建立與研究起步較晚， 直到20世紀(jì)90年代初， 我國才建立了第一個綜合性“地物波譜特性數(shù)據(jù)庫”。 1998年， 國土資源部航遙中心建立了主要針對巖石礦物的地物光譜數(shù)據(jù)庫(GOSDBS)[7]。 2003年—2004年期間建立了中國巖礦標(biāo)準(zhǔn)波譜庫[6]。 2006年， 彭妮娜等通過測量植被、 土壤、 巖石、 水體、 人工目標(biāo)和大氣信息6類物體的波譜特性， 建立了大氣及典型地物光學(xué)特性數(shù)據(jù)庫[7]。 2013年—2014年期間通過測量建立了太湖、 巢湖、 滇池等中國典型內(nèi)陸水體不同季節(jié)的光學(xué)量數(shù)據(jù)庫[6]。

在顏色應(yīng)用領(lǐng)域， 2006年Kohonen等人從光譜顏色科學(xué)的角度簡要介紹了一些應(yīng)用于顏色分析和表示的多種光譜數(shù)據(jù)庫[8]， 如： 由1 600條以1 nm為間隔、 380～780 nm波段的Munsell色卡光譜反射率數(shù)據(jù)庫； 1 750條以10 nm為間隔， 400～700 nm波段的瑞典自然色系統(tǒng)(natural color system, NCS)數(shù)據(jù)庫； 由花、 葉和各種彩色植物共計218條以5 nm為間隔、 400～700 nm波段的光譜反射率組成的自然色卡數(shù)據(jù)庫等。

主成分分析(PCA)在光譜領(lǐng)域有廣泛的應(yīng)用， 如數(shù)據(jù)降維、 光譜特征提取及光譜重建等。 在顏色領(lǐng)域應(yīng)用方面， 2014年Chen等提出了在PCA的基礎(chǔ)上使用深度學(xué)習(xí)對高光譜圖像進(jìn)行分類[9]。 2016年Xiao等利用相機對人類皮膚進(jìn)行光譜反射率重建[10]。 2017年Hajipour和Shams-Nateri把Munsell 色卡作為訓(xùn)練樣本[1]， Macbeth色卡作為測試樣本， 使用競爭神經(jīng)網(wǎng)絡(luò)先進(jìn)行分類， 再用PCA進(jìn)行光譜反射率重建。 同年， Liu等以LOPEX93和ANGERS數(shù)據(jù)庫為基礎(chǔ)[11]， 利用PCA重建植物葉片的光譜反射率并且檢索葉片的生化成分。 2018年Otsu等基于聚類算法和PCA利用給定的光譜三刺激值進(jìn)行光譜反射率重建[12]。 2019年Dadon等提出了一種新穎的基于PCA的分類方法[13]， 對隨機選擇植物樣本進(jìn)行分類。 同年， Lewis D Griffin對基于PCA重建的光譜和其顏色真實性進(jìn)行了評估。

近年來， 低照度彩色成像受到關(guān)注。 物體的光譜反射率是彩色成像的基礎(chǔ)。 如果知道圖像中物體的光譜反射率， 就可以計算圖像在任意光源下的顏色。 為此針對每一類物體都需要一個數(shù)據(jù)庫用以光譜重建。 如何將光譜反射率應(yīng)用到解決低照度條件下真彩色復(fù)原一直都是國內(nèi)外研究的熱點。 單純利用可見光獲取低照度條件下的圖像會發(fā)現(xiàn)因為光譜相對功率分布過低而無法分辨顏色， 加上近紅外獲取的圖片雖然細(xì)節(jié)會提高很多， 但是圖像整體會偏粉。 因此建議使用包含近紅外的可見光對物體進(jìn)行識別， 然后利用可見光對物體進(jìn)行真彩色重建。 國內(nèi)外研究光譜反射率重建大多基于色卡而非實際物體， 例如Hajipour等的實驗[1]。 而Chen等的實驗都是基于高光譜圖像而非光譜反射率[9, 13]， 在低照度條件下所獲取的植被在可見光范圍內(nèi)的圖像很難分辨出顏色。 但是如果能知道植被的光譜反射率， 就能重建任意光源條件下的真彩色圖像。

各種應(yīng)用研究需要不同物體的光譜反射率， 國內(nèi)外已經(jīng)建立了各式各樣的數(shù)據(jù)庫， 但目前存在的問題是： (1)在遙感領(lǐng)域， 數(shù)據(jù)不完整或沒有公開； (2)在顏色領(lǐng)域， 僅僅存在標(biāo)準(zhǔn)色卡數(shù)據(jù)， 沒有公開自然物體數(shù)據(jù)， 而且光譜范圍在可見波段， 不包含近紅外波段。 這些不足限制了數(shù)據(jù)庫不同領(lǐng)域的研究與應(yīng)用。

我們在研究低照度條件下利用近紅外獲得真彩色圖像中， 萌生了建立自然物體光譜反射率數(shù)據(jù)庫的愿望。 因而測量并建立了紅邊龍血樹、 藍(lán)花楹、 云南山楂等48種植物葉片從可見光到近紅外波段光譜反射率數(shù)據(jù)庫， 波長范圍380～1 068 nm、 間隔4 nm。 分別對可見與可見到近紅外兩種波段范圍進(jìn)行了PCA， 為遙感和顏色領(lǐng)域應(yīng)用提供數(shù)據(jù)和分析參考。

1 實驗部分

1.1 測量器材和測量條件

(1)實驗室標(biāo)準(zhǔn)燈箱。 采用便攜式地物光譜儀在戶外采集自然物體時發(fā)現(xiàn)， 光譜反射率在近紅外波段會出現(xiàn)很強的噪聲影響測量。 為了測量更準(zhǔn)確， 采用采集植物葉片后迅速帶回實驗室在標(biāo)準(zhǔn)燈箱下測量的實驗方法， 如圖1(a)。

圖1 測量器材與測量條件

(2)照明光源選擇A光源。 由于物體光譜反射率不隨照明光源變化， 可以選擇標(biāo)準(zhǔn)燈箱中D65， A， UV和CWF四種照明光源中的任何一種測量， 實驗發(fā)現(xiàn)， 四種光源在可見光范圍內(nèi)的測量精度和重復(fù)率有較好的一致性。 但在近紅外波段， A光源的測量精度和重復(fù)率效果較好。 原因是A光源的光譜功率在近紅外波段呈上升趨勢, 如圖1(b)， 而其他光源光譜功率分布在近紅外波段非常小， 導(dǎo)致測量結(jié)果跳躍、 不穩(wěn)定， 重復(fù)率差， 精度不高， 甚至是錯誤。

(3)測量儀器使用Photo Research公司PR-715光譜輻射亮度計， 可以測量波長范圍380～1 068 nm， 4 nm為間隔的光譜反射率。

(4)測量在暗室環(huán)境中0°/45°測量條件。 光源垂直于物體， 而PR-715呈45°角, 如圖1(c)。 在每種情況下， 都試圖對物體進(jìn)行定向， 以減少物體被測部分的鏡面反射[8]。 在測量每個樣品之前， 將校準(zhǔn)的標(biāo)準(zhǔn)漫反射板放置在物體位置測量其光譜功率分布。 選擇葉片中顏色均勻的部分多次測量， 當(dāng)一片葉子上存在多種顏色時， 就會測量多個部位， 加上葉片的顏色多樣， 因此48種植物測量了150條光譜反射率。

1.2 數(shù)據(jù)庫數(shù)據(jù)形式

對于公開數(shù)據(jù)庫， 國際上有專門網(wǎng)站可以下載使用， 也有以文件的形式提供下載使用。 我們數(shù)據(jù)庫數(shù)據(jù)是采用文件“xlsx”， 同時附上植物圖像和測量葉片及光譜反射系數(shù)曲線， 如圖2。 保存和顯示測量的光譜反射系數(shù)是沒有處理的原始數(shù)據(jù)， 保留4位小數(shù)點。 對于同一植物不同葉片或同葉片顏色差距較為明顯的不同部位， 分別測量其光譜反射系數(shù)。 如圖2(a)是在同一季節(jié)采集的紅花檵木10種不同顏色葉片的10條光譜反射系數(shù)。 因此， 48種植物得到了150條光譜反射率(數(shù)據(jù)庫數(shù)據(jù)將公開提供使用)。

1.3 測量結(jié)果

采集數(shù)據(jù)的葉片都來自云南省昆明市呈貢區(qū)云南師范大學(xué)和盤龍區(qū)昆明植物園。 采集時間從2020年10月30號開始到2021年6月9號截止包含春、 秋、 冬三個季節(jié)。 圖3是測量的48種植物圖像， 每個圖像右下角是被測葉片。 從左向右， 第1行： 刺柏、 藍(lán)花楹、 竹葉、 桃花、 荷花玉蘭、 云南山楂； 第2行： 玉蘭、 銀杏、 龍柏、 決明、 紫絨鼠尾草、 木犀； 第3行： 木茼蒿、 櫸樹、 女貞、 春羽、 高山榕、 石楠； 第4行： 常春藤、 云南黃素磬、 黃楊、 火炬樹、 燈籠花、 八角金盤； 第5行： 紅花檵木、 四季海棠、 金邊黃楊、 紅邊龍血樹、 火棘、 胡頹子； 第6行： 高盆櫻桃、 柳樹、 炮仗花、 樟、 碧桃、 蔓長春藤； 第7行： 楓香樹、 油菜、 天門冬、 薰衣草、 一串紅、 河津櫻； 第8行： 蒲葦、 金邊吊蘭、 尖尾芋、 幸福樹、 棕桐、 槭樹。

圖3 48種植物和測量葉片圖像

圖4是48種植物葉片圖像測得的光譜反射率， 共有150條譜線。 鑒于在波長兩端380 和1 068 nm附近測量噪音較大， 取值400～1 000 nm波長范圍。 從圖4可以看出， 48種植物葉在400～680 nm波段， 光譜反射率存在一個位置和大小各不相同的反射峰， 這是因為植物體內(nèi)葉綠素、 葉黃素、 葉紅素和花青苷含量的不同而導(dǎo)致的。 在680～750 nm波段， 植物葉片的光譜反射率急劇增大， 出現(xiàn)一個“陡坡”， 形成植物的獨有特征， 并且不同植物的光譜位置和反射率斜率基本一致。 在750～950 nm波段， 有著較高的反射率， 而且趨于平穩(wěn)， 這是因為葉面反射光譜特征主要受葉內(nèi)細(xì)胞結(jié)構(gòu)和葉冠結(jié)構(gòu)控制， 由于光在葉內(nèi)散射， 光譜反射率非常高， 出現(xiàn)“紅外高臺階”。 在975 nm附近存在一個吸收峰， 這是由于植被體內(nèi)水的吸收和冠層結(jié)構(gòu)所導(dǎo)致。 正是因為葉片的光譜反射率呈現(xiàn)這樣一種分布， 因此在晚上拍攝植物葉片時圖像會偏暗， 但是加上近紅外鏡頭之后圖像會偏亮。

圖4 48種植物葉片在400～1 000 nm范圍內(nèi)的光譜反射率

如圖5所示， 我們將不同植物顏色相近的葉片的光譜反射率放在一起， 可以發(fā)現(xiàn)不同植物， 顏色相近葉片的光譜反射率曲線形狀基本相似。 圖6是多種顏色紅花檵木葉片的光譜反射率圖像， 從中可以發(fā)現(xiàn)同一種植物不同顏色葉片的光譜反射率形狀有較大的差異。

圖5 不同植物相近顏色葉片的光譜反射率

圖6 多種顏色紅花檵木葉片

2 光譜反射率PCA分析

對光譜反射率數(shù)據(jù)庫進(jìn)行PCA分析， 通過一組本征矢來近似表示大量植物葉片的光譜反射率， 可以實現(xiàn)光譜數(shù)據(jù)的低重構(gòu)誤差。 為了能使重建的光譜反射率更好的體現(xiàn)出植物的生化特性， 需要在重建時加上光譜反射率的平均值。 分別對150個光譜樣本在400～700和400～1 000 nm波段進(jìn)行PCA分析。 表1和表2分別給出了可見波段和從可見到近紅外波段150個光譜反射率的平均值和前六個主成分?jǐn)?shù)據(jù)。

平均值和前三個主成分如圖7所示。

表3給出前六個主成分對應(yīng)貢獻(xiàn)率及累積貢獻(xiàn)率。 對于400～1000 nm波段， 它的第一個主成分的貢獻(xiàn)率為71.46%， 前三個主成分的累積貢獻(xiàn)率為94.97%， 前六個主成分的累積貢獻(xiàn)率達(dá)到了99.42%。 而對于400～700 nm波段， 它的第一個主成分的貢獻(xiàn)率為87.74%， 前三個主成分的累積貢獻(xiàn)率達(dá)到了98.62%， 前六個主成分的累積貢獻(xiàn)率達(dá)到了99.84%。 也就是說在通常情況下， 使用前三個主成分就可以描述葉片絕對大多數(shù)的特征了。 從圖中也可以看出在400～700 nm波段兩者的前三個主成分曲線形狀有著很大的差異。

表1 150個光譜樣本在可見波段400～700 nm平均值和前六個主成分?jǐn)?shù)據(jù)

表2 150個光譜樣本在可見到近紅外波段400～1 000 nm平均值和前六個主成分?jǐn)?shù)據(jù)

圖7 光譜平均值和PCA前三個主成分

表3 前六個主成分對應(yīng)貢獻(xiàn)率及累積貢獻(xiàn)率

3 結(jié) 論

測量并建立了紅邊龍血樹、 藍(lán)花楹、 云南山楂等48種植物150條葉片從可見光到近紅外波段光譜的反射率數(shù)據(jù)庫， 波長范圍400～1 000 nm、 間隔4 nm。 分別對可見與可見到近紅外兩種波段范圍進(jìn)行了PCA研究。 結(jié)果表明： 不同植被葉片在相同色相內(nèi)的光譜反射率曲線基本上有相同的波形。 即使是同一種植物， 因為體內(nèi)葉綠素、 葉黃素、 葉紅素和花青苷含量的不同， 波形可以出現(xiàn)很大的差異。 通過分析葉片光譜反射率的一階導(dǎo)數(shù)和紅邊特征參數(shù)可以為植被的識別與分類提供基礎(chǔ)。 PCA結(jié)果表明： 可見和可見與近紅外兩種波段前三個主成分的累積貢獻(xiàn)率分別為98.62%和94.97%。 因此通過前三個主成分就能很好的重建植物葉片的光譜反射率， 并且通過色相進(jìn)行分類可以有效地提高主成分的貢獻(xiàn)率。 我們通過建立數(shù)據(jù)庫并計算出植物葉片的本征矢可能對遙感領(lǐng)域植物的識別與分類以及顏色科學(xué)領(lǐng)域在不同照明條件下實現(xiàn)顏色再現(xiàn)等提供幫助。

從光譜反射率和PCA的角度分析了數(shù)據(jù)庫， 通過對數(shù)據(jù)庫進(jìn)行不同的處理和分析， 可以應(yīng)用于不同的領(lǐng)域。 本工作只采集了48種植物， 對于建立數(shù)據(jù)庫來說還需要更多的數(shù)據(jù)， 因此后續(xù)將繼續(xù)擴(kuò)大數(shù)據(jù)庫的內(nèi)容。