基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量

刘燕德,邓 清

(华东交通大学机电工程学院光机电工程技术及应用研究所,江西南昌 330013)

基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量

刘燕德*,邓 清

(华东交通大学机电工程学院光机电工程技术及应用研究所,江西南昌 330013)

为实现脐橙叶片叶绿素含量无损检测及其分布可视化表征,采用高光谱成像技术,结合自适应重加权算法(CARS)和连续投影算法(SPA),筛选特征光谱变量,进行脐橙叶片叶绿素含量及可视化分布研究。选取叶绿素测量位置的7×7矩形感兴趣区域,提取并计算脐橙叶片平均光谱。基于Kennard-ston方法,将148个脐橙叶片样品划分成建模集和预测集(111∶37)。采用CARS和SPA算法分别筛选出了32个和6个叶绿素特征光谱变量,用于建立偏最小二乘(PLS)回归模型。采用37个未参与建模的脐橙叶片样品评价模型的预测能力,经比较,CARS-PLS和SPA-PLS模型均优于变量筛选前的PLS模型,且CARS-PLS和SPA-PLS模型的预测能力几乎相同,其预测集相关系数分别为0.90和0.91,均方根误差分别为1.53和1.60。SPA-PLS模型计算脐橙叶片每个像素点的叶绿素含量,经伪彩色变换,绘制了脐橙叶片叶绿素含量可视化分布图。实验结果表明:变量筛选方法结合高光谱成像技术,能够实现脐橙叶片叶绿素含量无损检测及叶绿素分布可视化表达,并简化了数学模型。

叶绿素;高光谱成像;脐橙叶片;自适应重加权算法;连续投影算法

1 引 言

脐橙营养丰富,含有大量维生素C和胡萝卜素,具有抑制致癌物质、软化血管、预防心脏病等功能,因而广受人们喜爱。叶绿素浓度是衡量脐橙生长过程中光合作用能力和生长状况的重要指标。通过测定叶片叶绿素浓度和水分含量,进而合理有效地对脐橙果树进行灌溉、施肥、喷药,可以在一定程度上提高肥料的利用效率,增加脐橙的产量[1]。SPAD(Soil plant analysis development) 值,也称绿色度,是指植物单位面积的叶绿素含量,是一个相对的叶绿素含量读数。

分光光度法是国内测定叶绿素含量普遍采用的一种方法。分光光度法测量叶绿素含量是基于物质对光的选择性吸收的定性和定量分析的方法[2]。该方法前处理时需要损伤植物活体,虽然检测结果精度高,但过程复杂且所需检测时间较长。另外,由于需要制备样本,容易导致叶绿素的损失,最终造成叶绿素含量检测不准确[3]。SPAD叶绿仪只能检测叶片某个点或某个小区域叶绿素的含量。并且测量时需要多次测量取平均值,重复性劳动强度大[4]。

高光谱成像技术集合了光谱技术和图像处理的优势[5]。应用高光谱成像技术,不仅可以预测脐橙叶片叶绿素的含量,还可以得到其分布。本文采用CARS和SPA算法提取了脐橙叶片高光谱信息的特征波长,分别建立了定量分析的模型,优选出最优模型计算出脐橙叶片每个像素点的叶绿素值,根据所计算出来的叶绿素值结合图像处理技术得到了脐橙叶片的叶绿素分布图。

2 材料和方法

2.1 实验材料

实验所用叶片样本在江西省赣州市吉安县千里山脐橙果园取得。一共采集了7棵树,共采集了148片,其中111个样本用于模型校正,剩余30个样本用于模型的验证。

2.2 数据采集

本文所用高光谱成像系统如图1所示,主要由基于CCD相机的高光谱摄像机(ImSpector,V10E,芬兰)、两盏20W卤素灯(OSRAM,DECOSTAR 51, MR16)、一套包括控制装置的移动平台(ZoLix, SC30021A,北京)和计算机等部件组成。

在实验开始前,须先预热高光谱成像系统,以消除基线漂移的影响。采集时要将脐橙叶片压平,然后铺在黑色的移动平台上。设定高光谱装置的曝光时间为20 ms,移动平台的移动速度为15 mm/s。摄像头的分辨率为1 344×1 024,光谱范围为360～1 100 nm,光谱分辨率为2.8 nm,采样间隔为2.44 nm,最终得到一个大小为1 344× 1 024×256的高光谱图像数据块。

图1 高光谱成像系统Fig.1 Hyperspectral imaging system

2.3 高光谱图像黑白标定

为消除暗电流和光照不均匀的影响,在数据处理之前,必须对高光谱图像进行黑白标定[6]。在相同条件下,盖上镜头盖采集到全黑的标定图像B,取下镜头盖扫描标准聚四氟乙烯材料制成的白板得到全白的标定图像W。标定公式如下:

其中,Rλ为黑白校正后图像数据,RW为全白标定图像数据,RB为全黑标定图像数据,Iλ为原始图像数据。

2.4 叶绿素含量的测定

使用SPAD-520Plus测量叶片叶绿素真实值。首先需要确定叶片上光谱采集区域,然后在叶片光谱采集区域取5个位置测量叶绿素含量(图2),最后取平均值。

将148个脐橙叶片样本用Kennard-ston方法进行划分[7],以3∶1的比例分为包含111个样本的校正集和包含37个样本的预测集。通过计算样本光谱之间的距离,在边缘逐个挑选样本,直至选取出所需的样品个数。通过这样的选取,可以使校正集样本分布更均匀,并且具有一定代表性。划分结果如表1所示。

图2 叶绿素含量测量选取位置示意图Fig.2 Location diagram selected for chlorophyll content measurement

表1 脐橙叶片样本数据Table 1 Statistical results of the navel orange leaves

3 结果与讨论

3.1 数据处理与分析

用ENVI4.5软件选取叶绿素测量位置的7×7的矩形区域为叶绿素的感兴趣区域(Region of interesting,ROI)。分别提取每个样本ROI的所有光谱,对每个样本感兴趣区域的光谱做平均,图2和图3分别为脐橙叶片样本的ROI和平均光谱。

图3 叶绿素的ROIFig.3 ROIof the chlorophyll

图4 感兴趣区域叶绿素的平均光谱Fig.4 NIR average spectra of the chlorophyll from all 148 samples

3.2 特征波长选择

正自适应加权[8-10](Competitive adaptive reweighted sampling,CARS)算法模仿达尔文进化理论中的“适者生存”原则,主要过程是基于自适应重加权采样技术(Adaptive reweighted sampling, ARS)和指数衰减函数(Exponentially decreasing function,EDP),选取在PLS模型中回归系数绝对值大的变量,去掉回归系数绝对值小的波段,进而得到一系列的波段子集,并对每个波段集采用交叉验证建模,选择模型均方差值最小的波段集作为最优变量集。通过这种算法可以有效地简化模型,并且所选取的变量与所测成分密切相关。图4为用Matalab运行CARS算法的结果,优选出32条有效波长:429,436,544,549,613,701,709, 742,752,767,783,800,806,824,826,836,839, 844,847,860,875,888,904,914,930,940,953, 977,985,987,1 008,1 014 nm。

图5 CARS运行结果Fig.5 Results using CARS

连续投影算法(Successive projections algorithm,SPA)[11-12]是一种新型的特征波长筛选算法,能够有效降低模型的复杂度,在多种样品波长的选取中有广泛的应用。

设光谱矩阵的列变量数为J、初始的迭代向量为χk(0),需要提取的变量的个数为N,连续投影算法步骤如下:

(1)第一次迭代开始前(n=1),任选光谱矩阵的任意一列j,将校正光谱矩阵的第j列值赋给xj,记为χk(0);

(2)令未被选入的列向量位置的集合记s, s={j,1≤j≤J,j∉{k(0),…,k(n-1)}};

(3)分别计算xj剩下的列向量投影,Pxj=

(6)n=n+1,若n＜N,回到第二步循环计算,最终提取变量:{xk(n)=0…,N-1}。

通过Matlab2010a用SPA算法对ROI区域的平均光谱进行筛选,结果如图6所示,得到398, 529,594,709,742,909 nm共6个波长作为叶绿素含量的特征波长组合。

图6 SPA运行结果Fig.6 Results using SPA

3.3 叶绿素含量模型的建立

偏最小二乘法(Partial least squares,PLS)是对多元线性回归模型的一种扩展,可以同时实现回归建模、主成分分析以及典型相关分析,目前在光谱分析领域中已经得到了广泛的应用,尤其是对从植被冠层光谱数据中提取叶面属性有相对较好的效果[13]。本文采用PLS建模方法分析脐橙叶片的叶绿素含量,结果如表2所示。

表2 基于不同算法的模型预测结果Table 2 Results of model predictions based on different algorithms

图7 SPA-PLS模型Fig.7 SPA-PLSmodel

从表2中可以看出,SPA-PLS的模型效果要好于其他两个模型,预测集相关系数(Rp)为0.91,均方根误差(RMSEP)为1.60,如图7所示。因此,我们采用SPA-PLS所建立的模型来计算脐橙叶片每个像素点的SPAD值。

3.4 叶绿素含量分布图

SPA-PLS模型可以估算脐橙叶片各个像素点的SPAD值,然后采用图像处理技术可以画出脐橙叶片叶绿素分布图。具体步骤如下:

(1)获取脐橙叶片高光谱图像在SPA算法筛选出6个特征波长下的图像;

(2)提取6个特征波长下的图像中每个像素点的反射率值;

(3)代入SPA-PLS模型中算出每个像素点的SPAD值,得到一幅灰度分布图;

(4)对灰度分布图作伪彩色处理,得到叶绿素的伪彩色分布图像。

根据上述步骤,计算了一片脐橙叶片叶绿素的伪彩色分布图像,如图8所示。

图8 叶片叶绿素分布图Fig.8 Distribution of the chlorophyll on the leaf

图8中,不同颜色及颜色深浅代表不同浓度的叶绿素含量。从图8中可以看出,叶绿素在叶脉两侧均匀分布,并且叶脉中含量高于叶肉中含量,叶脉在分布图中主要为黄色和橙红色,SPAD值大约为88.8;绿色对应的主要都是叶肉部分, SPAD值约为44.4。由于脐橙叶片本身较厚且油脂较多,因此该伪彩色图像只能大致区分出叶脉分布情况。图中一些蓝色部分是由于叶片起伏造成光反射不均所致,并不代表该区域叶绿素的真实值。可以看出,SPA-PLS模型用于估算叶片叶绿素含量分布有比较准确的效果。

4 结 论

利用高光谱成像技术结合变量筛选方法实现了脐橙叶片中叶绿素含量的无损检测及其可视化分布图。结果表明,CARS-PLS与SPA-PLS模型的预测能力效果都比较好,且均优于变量筛选前的PLS模型,其预测集相关系数分别为0.90和0.91,均方根误差分别为1.53和1.60。基于SPA-PLS模型估算出了脐橙叶片各个像素点下的SPAD值,通过伪彩色处理得到脐橙叶片的叶绿素含量可视化分布图,对不同浓度的叶绿素含量用不同颜色来区分。本文的研究结果为进一步在田间应用高光谱技术监测大面积脐橙果树生长状况奠定了基础。

[1]Zhang JH,Wang K,Wang R C.Study on hyperspectral remote sensing in estimate vegetation leaf chlorophyll content [J].J.Shanghai Jiaotong Univ.(上海交通大学学报),2003,21(1)∶74-80(in Chinese).

[2]LiW J.Discussion on the sensitivity of spectrophotometry[J].J.Yuxi Teachers College(玉溪师范学院学报),2001, 17(z1)∶371-371(in Chinese).

[3]Liu C.Research on dermination of chlorophyll in water by spectrophotometric method[J].Moden Agric.Sci.Technol.(现代农业科技),2014(11)∶238-238(in Chinese).

[4]Ling Q H,Huang W H,Paul J.Use of a SPAD-502 meter tomeasure leaf chlorophyll concentration in Arabidopsis thaliana[J].Photosynth.Res.,2011,107(2)∶209-214.

[5]Lorente D,Aleixos N,Gomez-Sanchis J,et al.Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J].Food Bioproc.Technol.,2012,5(4)∶1121-1142.

[6]Naganathan G K,Grimes LM,Subbiah J,et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J].Comput.Electron.Agric.,2008,64(2)∶225-233.

[7]Liu Y D,Zhang GW,Cai L J.Analysis of chlorophyll in gannan navel orangewith algorithm and SPA based on hyperspetral[J].Spectrosc.Spect.Anal.(光谱学与光谱分析),2012,32(12)∶3377-3380(in Chinese).

[8]Wu LG,He JG,Liu G S,et al.Non-destructive detection of insect hole in jujube based on near-infrared hyperspectral imaging[J].Chin.J.Lumin.(发光学报),2013,34(11)∶1527-1532(in Chinese).

[9]Wu JZ,Xu Y.NIR quantitativemodel optimization of fatty acid in edible oil based on CARS-PLS[J].Trans.Chin. Soc.Agric.Machin.(农业机械学报),2011,42(10)∶162-166(in Chinese).

[10]Li H D,Liang Y Z,Xu Q S,etal.Key wavelengths screening using competitive adaptive reweighted samplingmethod for multivariate calibration[J].Anal.Chim.Acta,2009,648(1)∶77-84.

[11]Ghasemi-VarnamkhastiM,Mohtasebi SS,Rodriguez-Mendez M L,et al.Screening analysis of beer ageing using near infrared spectroscopy and the successive projections algorithm for variable selection[J].Talanta,2012,89∶286-291.

[12]Xie C Q,Li X L,Shao Y N,et al.Colormeasurementof tea leaves at different drying periods using hyperspectral imaging technique[J].PLoSONE,2014,9(12)∶1-15.

[13]Song S L,Li PX,GongW,et al.PLSwavelength selection by hyperspectral remote sensing in rice[J].Geom.Inform. Sci.Wuhan Univ.(测绘地理信息),2010,35(2)∶219-223(in Chinese).

刘燕德(1967-),女,江西吉安人,教授,2006年于浙江大学获得博士学位,主要从事光电技术及应用方面的研究。

E-mail:jxliuyd@163.com

Measurement of Chlorophyll Distribution in Navel Orange Leaves Based on Hyper-spectral Imaging Technique

LIU Yan-de*,DENG Qing

(Institute ofOptics-Mechanics-Electronics Technology and Application,School ofMechatronic Engineering, East China Jiaotong University,Nanchang 330013,China)
*Corresponding Author,E-mail:jxliuyd@163.com

The chlorophyll content and distribution in the Gannan navel orange leaveswere non-destructivelymeasured by competitive adaptive reweighted algorithm(CARS)and successive projections algorithm(SPA)combined with hyperspectral imaging technology.32 and 6 characteristic wavelengthswere extracted by CARS and SPA,and then partial least squares(PLS)was used for modeling quantitative analysis.The results show that SPA-PLSand CARS-PLSmodel can obtain better results than PLSmodel through the analysis of prediction of37 samples.The prediction set correlation coefficientswere 0.90 and 0.91,the rootmean square error is 1.53 and 1.60 respectively. The chlorophyll content of each pixelwas calculated with SPA-PLSmodel,then the chlorophyll distribution map of navel orange leaveswas visualized using imaging processing technology.Overall results sufficiently demonstrate that the variable selectionmethod combined with hyperspectral imaging technology can be used tomeasure the chlorophyll content and distribution in navel orange leaves.

chlorophyll content;hyper-spectral imaging;navel orange leaves;CARS;SPA

1000-7032(2015)08-0957-05

2015-05-19;

:2015-06-17

:TP391

:A

10.3788/fgxb20153608.0957