基于圖像的玉米葉傾角提取算法與應(yīng)用研究

包聰聰，張寶林，2，3，牛潘婷，潘麗杰

（1.內(nèi)蒙古師范大學(xué)化學(xué)與環(huán)境科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010020；2.內(nèi)蒙古節(jié)水農(nóng)業(yè)工程研究中心，內(nèi)蒙古呼和浩特 010020；3.內(nèi)蒙古自治區(qū)環(huán)境化學(xué)重點(diǎn)實(shí)驗(yàn)室，內(nèi)蒙古 呼和浩特 010020）

葉片是植物進(jìn)行光合和蒸騰作用的主要器官，對(duì)植物的生長(zhǎng)發(fā)育和農(nóng)作物的產(chǎn)量形成具有重要作用。光能是作物生產(chǎn)的主要驅(qū)動(dòng)因子，作物的光能截獲和利用能力決定著農(nóng)業(yè)生態(tài)系統(tǒng)的生產(chǎn)潛力。玉米是重要的糧食作物、飼料作物、經(jīng)濟(jì)作物和工業(yè)原料。研究玉米的冠層特征，對(duì)提高玉米的光能利用效率，實(shí)現(xiàn)增產(chǎn)增效有著重要意義。

葉傾角（Leaf inclination angle，0～90°）是葉片表面法線方向與天頂角方向的夾角，即葉片與水平方向的夾角。葉傾角是玉米群體冠層重要特征之一，是決定透光和受光姿態(tài)的重要指標(biāo)，為植物冠層能量交換提供結(jié)構(gòu)化的定量信息。葉傾角與葉片的直立程度呈正比，除了用于表征植被冠層結(jié)構(gòu)之外，也常被用來(lái)反映植物特征、生命活力以及環(huán)境效應(yīng)。根據(jù)葉傾角的大小，可以把玉米分成緊湊型和平展型，緊湊型玉米的葉傾角大于或者接近65°，平展型玉米的葉傾角接近或小于50°[1]。在高密高氮的條件下，緊湊型玉米能夠調(diào)控葉傾角，物質(zhì)轉(zhuǎn)化效率較高，從而實(shí)現(xiàn)群體增產(chǎn)，而平展型玉米在相同條件下會(huì)造成產(chǎn)量損失[2]。作物上層葉片大部分葉傾角為60～90°，頂層葉片葉傾角為90°，底部葉片葉傾角為0°時(shí)，冠層光合效率最高[3]。一般情況下，玉米上層葉片葉傾角為60～90°（占比47.3%），中層為30～60°（占比36.6%），下層為0～30°（占比16%）時(shí)，受光結(jié)構(gòu)最佳[4]。玉米超高產(chǎn)群體的冠層通常表現(xiàn)為株型緊湊，結(jié)構(gòu)分布合理；植株各層位受光適宜，上層葉片緊湊，透光性強(qiáng),下層葉片平展，光合有效輻射截獲較多，提高了各層葉片的光合速率[5]。過去一個(gè)世紀(jì)，美國(guó)玉米帶產(chǎn)量的提高與玉米育種中輻射利用效率的提高密切相關(guān)[6]。同一玉米植株不同葉位的葉片，葉傾角隨生長(zhǎng)進(jìn)程逐漸減小。增密[2，7]、施氮[8-10]、施磷[11]、覆膜[12]等栽培管理措施，會(huì)影響葉傾角，進(jìn)而影響作物的光能利用和產(chǎn)量。葉傾角隨密度增加而增大[2]，在不超過耐密閾值的情況下[13-14]，增加種植密度是提高作物單產(chǎn)的有效方法[15-17]。增密可以在群體水平上提高冠層的太陽(yáng)輻射捕獲量，最大限度地利用光資源，使單位面積產(chǎn)量最大化。直立型葉片的玉米品種較水平葉片品種產(chǎn)量可增加40%[18]。通過基因改造控制葉傾角[19-21]，可消除密植的不利影響。玉米葉傾角變化也是常見的干旱響應(yīng)機(jī)制之一[22]，干旱脅迫發(fā)生時(shí)，葉傾角會(huì)發(fā)生明顯變化[23]。此外，葉傾角與葉傾角分布（Leaf angle distribution，LAD）和葉面積指數(shù)（Leaf area index，LAI）[24]的關(guān)系密不可分，是影響光截獲量、光合效率的重要參數(shù)。

傳統(tǒng)的葉傾角測(cè)量方式是利用量角器進(jìn)行測(cè)量，費(fèi)時(shí)費(fèi)力，容易損傷植株。為克服這些問題，目前葉傾角的提取主要使用三維點(diǎn)云數(shù)據(jù)、深度圖像和二維圖像。使用激光雷達(dá)、三維激光掃描儀和Kinect 等可獲得三維點(diǎn)云數(shù)據(jù)，然后根據(jù)圖像計(jì)算三維信息重構(gòu)植株，常用聚類法進(jìn)行莖葉分割，進(jìn)一步獲得葉傾角及其分布密度。雷蕾[25]運(yùn)用激光雷達(dá)獲取玉米的三維點(diǎn)云數(shù)據(jù)，采用定量結(jié)構(gòu)模型計(jì)算葉傾角。馮可心[26]把玉米三維點(diǎn)云數(shù)據(jù)規(guī)則化后，計(jì)算葉傾角。KENCHANMANE 等[23]搭建高通量圖像處理平臺(tái)測(cè)量玉米葉傾角。SOUZA 等[27]利用玉米葉綠素?zé)晒鈭D像進(jìn)行高通量圖像分割和性狀提取，獲取葉尖和莖的夾角。深度圖像一般由深度相機(jī)獲得，屬于三維圖像，通過優(yōu)化骨架法可獲得更好的表型參數(shù)，宗澤等[28]通過改進(jìn)骨架化優(yōu)化葉傾角的提取精度。也有研究[29]采用哈里斯角點(diǎn)（Harris corner）方法識(shí)別植株的端點(diǎn)，提取葉傾角，但是該識(shí)別方法對(duì)于掃描窗口和核大小有依賴性，對(duì)于葉片末端的檢測(cè)效果不理想。近年來(lái)，隨著計(jì)算機(jī)性能的提升，圖像處理技術(shù)日益完善，并被應(yīng)用于獲取各類農(nóng)作物的信息[30-31]。利用二維圖像獲取葉傾角的算法，一般通過改進(jìn)骨架化的方法，以搜索窗口的形式直接提取玉米葉傾角概率密度函數(shù)。利用圖像處理技術(shù)，在快速提取植物表型的同時(shí)，可減少對(duì)植物的損傷。陳嘯等[32]對(duì)玉米植株的圖像進(jìn)行處理，得到玉米骨架后，通過搜索半徑獲得葉傾角。也有學(xué)者[33]通過改進(jìn)單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)CenterNet提取二維圖像中的葉傾角。

目前，葉傾角的獲取常利用三維點(diǎn)云數(shù)據(jù)，但高通量設(shè)備成本高昂，難以在大田試驗(yàn)中推廣應(yīng)用。三維點(diǎn)云數(shù)據(jù)大多為實(shí)驗(yàn)室中培育的單株植株表型信息，與自然狀態(tài)下的玉米植株存在差異。基于二維圖像的提取方法包括骨架化的改進(jìn)和目標(biāo)檢測(cè)的應(yīng)用，其中深度學(xué)習(xí)方法所需樣本量大，不易獲得。鑒于此，借鑒深度圖像的處理技術(shù)，利用二維圖像提取葉傾角，提出了一種使用Freeman鏈碼識(shí)別莖葉連接點(diǎn)、實(shí)現(xiàn)玉米葉傾角提取的非接觸測(cè)量方法，可減少植物損傷，實(shí)現(xiàn)不同氣候、地力、栽培條件下的葉傾角的快速診斷，為合理密植，提高光能利用率，實(shí)現(xiàn)增產(chǎn)增效提供依據(jù)。

1 材料和方法

1.1 數(shù)據(jù)采集

在不同地區(qū)（內(nèi)蒙古興安盟科爾沁右翼中旗、呼和浩特市、通遼市扎魯特旗、錫林郭勒盟西烏珠穆沁旗）對(duì)玉米植株進(jìn)行拍照，并使用圓形量角器測(cè)量葉傾角。測(cè)量時(shí)，在量角器的圓心處系一根細(xì)線，線的另一端使用重物進(jìn)行固定，當(dāng)量角器的0～180°線與測(cè)量葉片水平時(shí)，記錄細(xì)線指示的角度。每個(gè)地區(qū)選取10株玉米，記錄完全展開葉片的葉傾角。同時(shí)，使用手機(jī)相機(jī)對(duì)大田玉米植株拍照。拍照時(shí)，在植株正前方平視植株進(jìn)行拍照，避免俯視和仰視對(duì)葉傾角造成影響，對(duì)手機(jī)型號(hào)無(wú)特殊要求，這樣可以增加數(shù)據(jù)集的多樣性，增強(qiáng)算法的泛化能力。為降低后續(xù)計(jì)算量，統(tǒng)一將圖像大小設(shè)置為500×500（圖1）。玉米成熟期，在呼和浩特市周邊地區(qū)采樣時(shí)，依據(jù)Landsat 8 遙感影像提取成熟期玉米的歸一化植被指數(shù)（Normalized difference vegetation index，NDVI），在NDVI 的最大值（0.80）和最小值（0.60）處進(jìn)行采樣，測(cè)量葉傾角。利用量角器實(shí)地測(cè)量，共采集葉傾角數(shù)據(jù)583個(gè)。

圖1 玉米植株樣本Fig.1 Maize sampling images

1.2 研究方法

硬件環(huán)境為Intel（R）Core（TM）i7-10510U CPU @2.30 GHz，8.0 GB 內(nèi)存。軟件開發(fā)環(huán)境為Win10 家庭版，使用語(yǔ)言為Python 3.8.0 和開源計(jì)算機(jī)視覺庫(kù)OpenCV2。研究技術(shù)路線如圖2所示。

圖2 研究路線Fig.2 Research route

1.2.1 圖像預(yù)處理 在圖像采集過程中會(huì)受到各種因素的干擾，如拍照設(shè)備、光照不均產(chǎn)生的圖像噪聲等[34-35]。圖像噪聲會(huì)降低葉傾角識(shí)別算法效率，為提升圖像質(zhì)量，精簡(jiǎn)圖像信息，減少數(shù)據(jù)處理量，提高處理速度，需要對(duì)圖像進(jìn)行預(yù)處理。

首先對(duì)玉米圖像進(jìn)行平均值法灰度化，然后采用閾值法進(jìn)行二值化，刪除小面積的連通區(qū)域，保證圖片的最大連通，之后將植株圖像與背景進(jìn)行分割，采用Freeman[36]鏈碼識(shí)別玉米植株的葉尖和莖葉連接點(diǎn)，獲取葉傾角。圖像處理的偽代碼如表1所示，預(yù)處理流程如圖3所示。

表1 圖像預(yù)處理偽代碼Tab.1 Pseudo codes of image pre-processing

圖3 圖像預(yù)處理流程Fig.3 Image preprocessing

1.2.1.1 圖像灰度化 灰度化處理可縮短對(duì)圖像處理時(shí)間[37]，減少與夜間圖像的差異，提高圖像處理速度[38]，有利于圖像分割和識(shí)別[35]。常用方法包括加權(quán)平均值法、最大值法、平均值法。采用平均值法對(duì)玉米植株圖像進(jìn)行灰度化處理（圖3）。

1.2.1.2 圖像增強(qiáng) 采集圖像時(shí)由于光照不均，導(dǎo)致植株各部分明暗程度不一樣，圖像增強(qiáng)可以在一定程度上消除因拍攝角度不同產(chǎn)生的亮度差異[39]。本研究采用直方圖均衡化對(duì)圖像進(jìn)行增強(qiáng)（圖3），直方圖均衡化對(duì)過亮區(qū)域和過暗區(qū)域有很好的處理效果[40]。經(jīng)直方圖均衡化處理后，圖像更加清晰明朗，有利于CNN 特征提取[41]，可增強(qiáng)復(fù)雜光照下的圖像對(duì)比度[42]，增加光線偏暗和偏強(qiáng)的圖像對(duì)比度，有利用分離背景[43]。

1.2.1.3 圖像濾波 圖像經(jīng)直方圖均衡化后，增強(qiáng)了對(duì)比度，但也增大了噪聲[44]。中值濾波用一個(gè)預(yù)設(shè)的像素鄰域中的灰度中值來(lái)代替原本像素值，可以消除孤立噪聲點(diǎn)[45-46]（圖3）。在直方圖均衡化后，采用非線性中值濾波可去除圖像中的噪聲[41]，可解決小麥圖像邊角區(qū)域模糊的問題[47]，消除害蟲圖像中的孤立噪聲點(diǎn)，保護(hù)圖像邊緣[48]。

1.2.1.4 圖像二值化 基于閾值、邊緣和區(qū)域都可以對(duì)圖像進(jìn)行二值化。常用的閾值分割法包括全局閾值法和自適應(yīng)閾值法。孟笑天[31]比較了雙峰法、最大熵閾值法、迭代法和Otsu 法對(duì)玉米苗帶圖像的分割效果，最終用Otsu 算法進(jìn)行二值化。朱超冉等[49]采用最大熵閾值分割、迭代法閾值法、Otsu算法分割雜草圖像，發(fā)現(xiàn)Otsu 算法對(duì)雜草的分割效果更好。劉東等[50]使用Otsu 算法較好地分割了農(nóng)田區(qū)域。張衛(wèi)正等[51]使用Otsu 算法分離了玉米圖像的前景與背景，提取了完整的玉米植株。本研究中，將玉米植株圖像經(jīng)過平均值法處理后，使用Otsu 閾值法進(jìn)行二值化（圖3）。Otsu 閾值法[52]是日本學(xué)者Otsu在1979年提出的一種高效算法，又稱最大類間方差法，可以在灰度圖中自動(dòng)選擇閾值進(jìn)行分割，是最小二乘法意義下的最優(yōu)分割。

1.2.1.5 圖像形態(tài)學(xué)處理 圖像經(jīng)過Otsu算法分割后常常存在噪聲[50-53]，需要借助形態(tài)學(xué)操作去除圖像噪點(diǎn)，包括開運(yùn)算、閉運(yùn)算、腐蝕、膨脹等。鄧子青等[54]采用形態(tài)學(xué)操作填充和平滑火龍果圖像邊緣，進(jìn)行圖像分割；郭齊成等[55]使用開運(yùn)算去除背景噪點(diǎn)；馬立新等[56]使用開運(yùn)算去除噪聲，分割秧苗莖部圖像，方便后續(xù)秧苗計(jì)數(shù)。本研究采用3*3 的結(jié)構(gòu)元素對(duì)圖像進(jìn)行閉運(yùn)算，使用OpenCV2 中cv2.morphologyEx函數(shù)實(shí)現(xiàn)閉運(yùn)算，填充孔洞（圖3）。

1.2.1.6 圖像連通域操作 不屬于玉米植株的區(qū)域會(huì)對(duì)后續(xù)的骨架化產(chǎn)生影響，需要判定完整的玉米植株，剔除噪點(diǎn)。二值圖像標(biāo)記連通區(qū)域的方法包括4 鄰接和8 鄰接。常選擇滿足8 鄰接的區(qū)域判斷連通區(qū)域[57-58]。劉東等[50]采用刪除較小連通區(qū)域的方法，將像素小于75 的區(qū)域看作是噪點(diǎn)。張衛(wèi)正等[51]將玉米植株看作是最大連通區(qū)域，通過填充最大連通區(qū)域，刪除其他連通區(qū)域，消除噪聲和背景干擾。孟余耀[59]只保留最大聯(lián)通域的二值圖像，填充其他連通域?yàn)楸尘埃指钣衩着c雜草。馬立新等[56]統(tǒng)計(jì)秧苗莖部圖像和非秧苗莖部圖像連通域的面積和性狀，進(jìn)而剔除非目標(biāo)物。本研究采用OpenCV2 庫(kù)中的contour 函數(shù)對(duì)圖像中的小連通區(qū)域進(jìn)行刪除，設(shè)定小聯(lián)通區(qū)域面積為1 000，刪除小連通區(qū)域后，對(duì)最大連通區(qū)域進(jìn)行填充，保證了植株的完整性，剔除了不屬于玉米植株的部分（圖3）。

1.2.1.7 圖像骨架化 常用方法包括形態(tài)學(xué)細(xì)化方法、基于距離變換方法、拓?fù)浼?xì)化法等。陳嘯等[32]采用Zhang-Suen 快速并行細(xì)化算法[60]提取玉米植株骨架，汪濤等[61]通過形態(tài)學(xué)細(xì)化提取樹葉葉片骨架，喬桂新等[62]采用球B 樣條法識(shí)別植物骨架結(jié)構(gòu)。本研究使用skimage 庫(kù)中morphology.skeletonize_3d 函數(shù)來(lái)提取骨架（圖3）。

1.2.2 葉傾角計(jì)算

1.2.2.1 識(shí)別莖葉連接點(diǎn)及葉尖點(diǎn) 遍歷輸入圖像的每一個(gè)像素，對(duì)其周圍8 個(gè)點(diǎn)的灰度值進(jìn)行加和計(jì)算，歸一化，大于4 的為莖葉連接點(diǎn)，等于2 的為葉尖點(diǎn)。本研究識(shí)別玉米植株圖像的葉尖和莖葉連接點(diǎn)如圖4所示，藍(lán)色點(diǎn)為莖葉連接點(diǎn)，紅色點(diǎn)為葉尖。

圖4 葉尖和莖葉連接點(diǎn)的標(biāo)記Fig.4 Labels of leaf apex and stem leaf joint

1.2.2.2 計(jì)算葉傾角 1961 年HERBERT 等[36]提出了Freeman 鏈碼。鏈碼通過連接規(guī)定長(zhǎng)度和方向的直線段來(lái)表示邊界，表示基于線段的4 連通或8 連通。按順時(shí)針或者逆時(shí)針方向編碼，由這種方向形成的邊界碼稱為Freeman 鏈碼（圖5）。處理數(shù)字圖像時(shí)，順時(shí)針方向跟蹤邊界，為連接每對(duì)像素的線段分配一個(gè)方向，則生成鏈碼。Freeman 鏈碼可跟蹤圖像邊緣[63-64]，康宇[65]在測(cè)量葉片周長(zhǎng)時(shí)采用Freeman 鏈碼跟蹤輪廓，根據(jù)得到的鏈碼序列計(jì)算葉片周長(zhǎng)。

圖5 4方向和8方向Freeman鏈碼Fig.5 4-way and 8-way Freeman codes

目前，研究者[28-32]主要關(guān)注如何更好地提取植株骨架，以獲得準(zhǔn)確的葉傾角數(shù)據(jù)。本研究提出直接以搜索端點(diǎn)和莖葉連接點(diǎn)的方式，實(shí)現(xiàn)葉片分割。計(jì)算葉傾角步驟如下：首先使用Freeman 鏈碼，以葉尖點(diǎn)為起始點(diǎn)，莖葉連接點(diǎn)為終點(diǎn)，順時(shí)針進(jìn)行編碼，跟蹤葉片，生成單個(gè)葉片編碼序列表；其次根據(jù)葉片序列擬合曲線，以莖葉連接點(diǎn)做該曲線的切線，得到切線與曲線的交點(diǎn)；最后對(duì)莖葉連接點(diǎn)與葉尖點(diǎn)做直線，計(jì)算直線與過莖葉連接點(diǎn)的垂線之間的角度，即為葉傾角（圖6）。

圖6 葉傾角的識(shí)別與計(jì)算Fig.6 Leaf inclination angles identification and calculation

1.3 算法驗(yàn)證

葉傾角樣本總量共1 166 個(gè)數(shù)據(jù)，其中實(shí)測(cè)葉傾角數(shù)據(jù)583 個(gè)，算法提取的葉傾角數(shù)據(jù)583 個(gè)。對(duì)輸入的玉米圖像，根據(jù)本研究提出的算法計(jì)算完全展開葉片的葉傾角，與實(shí)地測(cè)量值對(duì)比，采用皮爾森相關(guān)系數(shù)r衡量實(shí)測(cè)值與計(jì)算值之間的關(guān)系，采用均方根誤差RMSE（Root mean square error）進(jìn)行算法評(píng)價(jià)[66-68]。

式中，y?i為預(yù)測(cè)值，xi為實(shí)測(cè)值，xˉ為實(shí)測(cè)值的平均數(shù)，yˉ為預(yù)測(cè)值的平均數(shù)，n為樣本數(shù)。相關(guān)系數(shù)r∈[-1，1]，大于0 表示正相關(guān)，小于0 表示負(fù)相關(guān)，絕對(duì)值越大表示線性相關(guān)程度越高；RMSE反映了算法提取的葉傾角偏離真實(shí)值的程度。

2 結(jié)果與分析

2.1 玉米莖葉連接點(diǎn)和葉尖點(diǎn)的識(shí)別

分別使用哈里斯角點(diǎn)、Shi-Tomasi 角點(diǎn)和Freeman 鏈碼對(duì)玉米的莖葉連接點(diǎn)和葉尖點(diǎn)進(jìn)行識(shí)別。哈里斯角點(diǎn)識(shí)別節(jié)點(diǎn)的結(jié)果如表2 所示，不同的Sobel 算子大?。╧size）和掃描窗口（block size）對(duì)于同一圖像檢測(cè)出的角點(diǎn)個(gè)數(shù)不同。在ksize 相同的情況下，隨著block size 的增大，檢測(cè)出的角點(diǎn)數(shù)逐漸增加。在block size 相同的情況下（除block size為7時(shí)），ksize 為11時(shí)，角點(diǎn)數(shù)偏小。哈里斯角點(diǎn)識(shí)別方法依賴于ksize 和block size 的設(shè)置，不能快速檢測(cè)出合適的角點(diǎn)作為莖葉連接點(diǎn)和葉尖點(diǎn)，不利于后續(xù)的葉傾角計(jì)算。

表2 不同block size和ksize的識(shí)別角點(diǎn)數(shù)Tab.2 Corner recognition by different block sizes and ksizes

Shi-Tomasi角點(diǎn)識(shí)別算法是哈里斯角點(diǎn)識(shí)別的改進(jìn)版本，在節(jié)點(diǎn)識(shí)別中的表現(xiàn)優(yōu)于哈里斯角點(diǎn)識(shí)別。使用Shi-Tomasi 角點(diǎn)識(shí)別算法在檢測(cè)圖像中的角點(diǎn)時(shí)，需要對(duì)于圖片的情況進(jìn)行預(yù)設(shè)，以便得到合適的結(jié)果。在本研究的Shi-Tomasi 角點(diǎn)識(shí)別測(cè)試中，使用Python 語(yǔ)言中的對(duì)應(yīng)函數(shù)cv2.goodFeaturesToTrack（），莖葉連接點(diǎn)和葉尖點(diǎn)共7 個(gè)，端點(diǎn)數(shù)共8 個(gè)（圖4）。設(shè)置函數(shù)中最大檢測(cè)角點(diǎn)數(shù)目為8時(shí)，沒有準(zhǔn)確地識(shí)別出所有節(jié)點(diǎn)，且將骨刺識(shí)別為節(jié)點(diǎn)（圖7）。

圖7 Shi-Tomasi角點(diǎn)識(shí)別Fig.7 Shi-Tomasi corner recognition

以上2 種方法均不能對(duì)節(jié)點(diǎn)進(jìn)行有效識(shí)別，本研究提出使用Freeman 鏈碼對(duì)節(jié)點(diǎn)進(jìn)行識(shí)別，直接使用8 鄰域判定是否為葉尖點(diǎn)，進(jìn)一步尋找莖葉連接點(diǎn)，標(biāo)記單個(gè)葉片。采用Freeman 鏈碼對(duì)骨架化后的玉米植株識(shí)別莖葉連接點(diǎn)，達(dá)到了理想的識(shí)別效果。從表3 可以看出，實(shí)際葉尖點(diǎn)為380 個(gè)，正確檢出359 個(gè)，對(duì)于葉尖點(diǎn)的識(shí)別率為94.47%；實(shí)際莖葉連接點(diǎn)為380 個(gè)，正確檢出357 個(gè)，莖葉連接點(diǎn)的識(shí)別率為93.94%。采用Freeman 鏈碼識(shí)別莖葉連接點(diǎn)和葉尖點(diǎn)，一定程度上避免了骨架化后，在計(jì)算葉傾角時(shí)，將部分骨刺點(diǎn)誤認(rèn)為葉片，錯(cuò)誤計(jì)算葉傾角；同時(shí)，也避免將相對(duì)較短的葉片誤認(rèn)為骨刺，導(dǎo)致葉片葉傾角丟失，避免對(duì)骨架化效果的過度依賴。

表3 Freeman鏈碼識(shí)別率Tab.3 Freeman codes recognition rate

2.2 基于節(jié)點(diǎn)識(shí)別的玉米葉傾角算法評(píng)價(jià)

玉米植株葉傾角真實(shí)值與計(jì)算值的關(guān)系如圖8所示，實(shí)際測(cè)量值與程序計(jì)算值存在顯著正相關(guān)，相關(guān)系數(shù)（r）=0.94**（α=0.01）。通過線性回歸，利用基于節(jié)點(diǎn)識(shí)別的玉米葉片葉傾角預(yù)測(cè)真實(shí)葉傾角，決定系數(shù)（R2）=0.89，RMSE=2.31°。因此，與實(shí)測(cè)數(shù)據(jù)相比，依據(jù)所提供算法識(shí)別的玉米葉傾角誤差較小。

圖8 玉米葉傾角實(shí)測(cè)值與計(jì)算值的關(guān)系Fig.8 Relationship between measured and extracted leaf inclination angles

2.3 不同NDVI玉米葉傾角的變化

2.3.1 不同NDVI 玉米葉傾角的差異 在玉米成熟期，基于Landsat 8 遙感影像，分析呼和浩特市不同NDVI 處的玉米葉片葉傾角的變化。NDVI 是反映農(nóng)作物長(zhǎng)勢(shì)和營(yíng)養(yǎng)狀態(tài)的重要參數(shù)之一，在不同NDVI 區(qū)域，葉傾角的大小不同。研究表明，玉米成熟期NDVI 為0.60、0.63、0.80 處，全株平均葉傾角分別為62.4°、63.7°、67.9°，平均值約為64.6°，屬于緊湊型玉米。NDVI0.60處葉傾角主要集中在65.0°～70.0°（圖9a），NDVI0.63葉傾角主要集中在65.0°～70.0°（圖9b），NDVI0.80處葉傾角主要集中在65.0°～75.0°（圖9c）。NDVI0.80處的全株平均葉傾角大于NDVI0.60處和NDVI0.63處的全株平均葉傾角。

圖9 不同NDVI玉米田的葉傾角分布Fig.9 Leaf inclination angle distribution of maize in different NDVI fields

2.3.2 不同NDVI 玉米穗三葉葉傾角的差異 玉米穗位葉對(duì)籽粒產(chǎn)量有重要貢獻(xiàn)。隨著NDVI 的逐漸增大，穗葉、穗上葉、穗下葉的葉傾角度數(shù)在逐漸增大，不同NDVI處的玉米葉傾角均表現(xiàn)為穗葉＞穗下葉＞穗上葉（圖10）。

圖10 玉米穗三葉葉傾角的變化Fig.10 Leaf inclination angle change of ear leaf and surrounding leaves

2.3.3 玉米不同葉位葉傾角的差異 以穗葉為分界，把玉米植株葉片分為上層、中層和下層葉。隨著NDVI 值的增大，不同層位葉的葉傾角呈現(xiàn)出逐漸增加的趨勢(shì)，不同NDVI 處各層位葉葉傾角均表現(xiàn)為上層葉＞中層葉＞下層葉，從上到下，葉傾角呈降低趨勢(shì)（圖11）。NDVI 為0.60 時(shí)，上層葉平均葉傾角為64.0°、中層葉平均葉傾角為63.0°、下層葉平均葉傾角為59.0°；NDVI為0.63時(shí)，上層葉平均葉傾角為65.0°、中層葉平均葉傾角為64.0°、下層葉平均葉傾角為62.0°；NDVI為0.80時(shí)，上層葉平均葉傾角為69.0°、中層葉平均葉傾角為68.0°、下層葉平均葉傾角為67.0°。玉米上層葉葉傾角大部分為60.0°～90.0°時(shí)，屬于理想葉群。從下層葉片到上層葉片，玉米植株葉傾角總體上呈現(xiàn)增長(zhǎng)趨勢(shì)，這主要是因?yàn)榫o湊型玉米上層、中層葉片葉傾角大，葉片上沖，更直立，有助于透光，保持下層葉良好的光照條件，增強(qiáng)群體光合作用能力，提高群體透光率，在密植條件下，能夠提高群體光能利用率。下層葉片葉傾角小，葉片趨于平展，能夠截獲更多光照，減少漏射到地表的光能。

圖11 不同葉位葉傾角的變化Fig.11 Leaf inclination angle change at different leaf layers

3 結(jié)論與討論

基于本研究算法提取的葉傾角與實(shí)測(cè)值相關(guān)系數(shù)r=0.94，利用玉米葉片葉傾角提取值預(yù)測(cè)真實(shí)葉傾角時(shí)，線性方程的決定系數(shù)R2=0.89，RMSE=2.31°，與其他研究相比，本算法提取的葉傾角偏離實(shí)測(cè)值的誤差更小。例如，李英倫[66]基于DeepSeg3-DMaize 方法分割提取玉米葉傾角，R2和RMSE值分別為0.94 和4.18°，在測(cè)定的表型參數(shù)中，葉傾角的實(shí)測(cè)值與提取結(jié)果相關(guān)性最高。蘇偉等[67]利用地基激光雷達(dá)數(shù)據(jù)提取玉米抽雄期葉傾角，提取值與實(shí)測(cè)值關(guān)系的決定系數(shù)R2為0.94，RMSE為8.96°。溫維亮等[68]利用FastScan 三維數(shù)字化儀室內(nèi)采集的三維數(shù)據(jù)提取葉傾角時(shí)，RMSE為3.41°。造成這種差異的原因可能是數(shù)據(jù)類型不同，三維點(diǎn)云數(shù)據(jù)可以將原始幾何信息完整保留在三維空間內(nèi)，而RGB 圖像屬于二維圖像，不能獲取完整的幾何信息，二維圖像中的遮擋問題會(huì)影響分割和骨架化效果。

本研究中，圖像拍攝條件不固定，自然因素（風(fēng)力、光照等）和人為因素（如拍照角度等）會(huì)影響葉傾角的提取效果。對(duì)圖像進(jìn)行形態(tài)學(xué)操作，導(dǎo)致骨架細(xì)化線發(fā)生偏移，也是影響葉傾角提取效果的原因，需要進(jìn)一步對(duì)影響葉傾角提取算法的主要因素進(jìn)行分析，以提高葉傾角的識(shí)別精度。本研究針對(duì)哈里斯角點(diǎn)對(duì)葉片末端點(diǎn)不敏感的問題，采用Freeman 鏈碼自動(dòng)識(shí)別玉米骨架的端點(diǎn)和莖葉連接點(diǎn)，對(duì)于節(jié)點(diǎn)的識(shí)別率達(dá)到90%以上。在后續(xù)研究中，可以在植物圖像處理時(shí)，應(yīng)用Freeman 鏈碼識(shí)別端點(diǎn)。基于Freeman 鏈碼的端點(diǎn)識(shí)別算法可以應(yīng)用于監(jiān)控玉米各個(gè)生育時(shí)期的葉傾角變化，實(shí)現(xiàn)葉傾角的快速無(wú)接觸測(cè)量，降低植物損傷，為合理利用光能、提高光能利用率提供依據(jù)。研究結(jié)果將有助于除玉米外的大田作物的表型獲取，還可以在此基礎(chǔ)上，進(jìn)一步計(jì)算葉片曲率、莖角、葉片凸包面積、葉片長(zhǎng)度等[69]，探究基因型與表型性狀的關(guān)系。

不同NDVI 處玉米植株不同葉位葉傾角變化規(guī)律一致。而隨著NDVI 值的增加，玉米葉傾角明顯增大，這可能與品種不同有關(guān)；另外，不同地塊或地區(qū)的自然條件、土壤肥力、栽培措施等不同，都會(huì)影響葉傾角，也會(huì)導(dǎo)致不同NDVI 地區(qū)葉傾角表現(xiàn)不同。王俊秀[5]研究發(fā)現(xiàn)，在超高產(chǎn)栽培條件下，大穗型良玉38 與小穗型品種京單28 的葉傾角表現(xiàn)相同，同時(shí)與本研究不同NDVI 處的穗位葉傾角變化規(guī)律相同，都表現(xiàn)為穗葉＞穗下葉＞穗上葉。在本研究中，不同層位葉傾角規(guī)律與孟繁美[7]研究的緊湊型玉米鄭單958的葉傾角規(guī)律相同。不同地區(qū)地力條件也可能影響葉傾角，導(dǎo)致不同NDVI 地區(qū)葉傾角表現(xiàn)出差異。

由于本研究的重點(diǎn)在于探討基于圖像處理技術(shù)的玉米葉傾角的算法，試驗(yàn)規(guī)模較小。在后續(xù)研究中，應(yīng)該開展多點(diǎn)試驗(yàn)，整合無(wú)人機(jī)遙感和衛(wèi)星遙感，探索NDVI 與玉米葉傾角的關(guān)系及其影響因素。此外，基于算法的應(yīng)用可以快速提取葉傾角，通過作物在不同地區(qū)的表現(xiàn)為育種提供作物表型信息，為生產(chǎn)中調(diào)整種植結(jié)構(gòu)、種植密度等措施，挖掘氣候生產(chǎn)潛力，提高熱量資源利用率提供科學(xué)依據(jù)。

葉傾角作為玉米群體冠層結(jié)構(gòu)的重要特征，快速獲取葉傾角信息，有助于指導(dǎo)玉米育種和高產(chǎn)栽培，保障國(guó)家糧食安全。傳統(tǒng)的葉傾角測(cè)量方法可能損傷葉片，高通量設(shè)備成本高昂，且難以應(yīng)用于大田生產(chǎn)。本研究提出了一種基于圖像處理技術(shù)，使用Freeman 鏈碼識(shí)別莖葉連接點(diǎn)和葉尖點(diǎn)，提取葉傾角的新方法。莖葉連接點(diǎn)和葉尖點(diǎn)的識(shí)別率分別為93.94%和94.47%，提取的葉傾角與實(shí)際測(cè)量值高度一致，相關(guān)系數(shù)r=0.94。玉米植株葉片葉傾角表現(xiàn)為隨著葉位的降低而降低，不同層位葉傾角隨著NDVI的增大而增大，不同NDVI處的玉米葉傾角均表現(xiàn)為穗葉＞穗下葉＞穗上葉。在后續(xù)研究中，可通過算法的應(yīng)用快速提取葉傾角，為生產(chǎn)提供表型信息，并整合遙感技術(shù)，探索更多表型提取算法與應(yīng)用，為農(nóng)業(yè)措施調(diào)整、資源生產(chǎn)潛力挖掘提供科學(xué)依據(jù)。