不同氮素处理棉花冠层图像颜色特征分析

贾彪+马富裕

摘要：为了探明颜色特征值参数与棉花生长发育的关系，选用北疆2个棉花主栽品种新陆早43号（XLZ 43）和新陆早48号（XLZ 48）为试验材料，于2013—2014年开展5个N素水平的小区试验，应用高清数码相机获取棉花群体冠层图像，通过数字图像识别系统提取各处理棉花群体冠层图像的颜色特征参数值，分析各颜色特征指数在棉花生育进程内的动态变化。结果表明，基于RGB模型的红光值（R）、绿光值（G）和基于HIS模型的亮度值（I）能充分反映棉花群体生长发育规律，且相关性好，其动态模拟曲线的函数通式为：y=a-b×ln（x+c）；基于HIS模型的色度值（H），随不同施N量的增加，拟合参数呈现规律性变化，且相关性显著，其动态曲线满足通式：y=a+bx+cx2；而模型中蓝光值（B）的动态变化虽然满足二次函数关系，但不同N素水平间拟合参数值波动性大，规律不明显；饱和度值（S）动态模拟结果不理想，无规律可循，这说明S值受氮水平影响较小。因此颜色特征指数R、G和I能作为棉花群体监测的量化指标。

关键词：棉花；数字图像；颜色特征指数；生育进程；动态变化

中图分类号： S126 文献标志码： A

文章编号：1002-1302（2016）09-0344-08

随着计算机视觉技术和数字图像分析技术的日新月异，应用数字图像处理技术分析作物群体颜色特征已步入了农业信息化的快车道。目前，大量研究集中对作物冠层数字图像进行分割[1-4]，提取其群体颜色特征参数值[1-4]，通过颜色色彩模型对作物群体特征进行分析[1，3-4]，从而探索利用数字图像处理技术进行作物长势监测的方法，研究不同群体冠层图像颜色变化的特征，阐释农作物整个生育期群体冠层颜色变化规律，反映农作物长势情况的潜在指标。这对于基于计算机视觉技术的作物长势监测具有极其重要的意义[1]。近年来，国内外学者运用数码照相法和数字图像分割法在作物长势监测与营养状态诊断等方面的研究有了突破性进展，主要作物包括油菜[5]、小麦[6-12]、玉米[7，13-16]和水稻[17-18]等。对于棉花作物，通过分割不同滴灌水处理群体图像研究表明，基于RGB模型的部分颜色特征参数与棉花水分含量间呈指数极显著相关[2-3]；通过提取不同密度的颜色特征参数红光值R、绿光值G、蓝光值B值，研究发现其参数值同密度间呈二次函数关系[1]。然而，基于RGB模型对棉花营养指标评价和基于HIS模型对棉花长势监测的突破性研究相对较少，有待于进一步创新。应用数字图像处理和分析技术可评价田间棉花长势长相和营养状况，为基于数码相机等彩色图像处理技术在农作物的生长监测与营养诊断应用奠定了理论基础；利用数字图像分割技术可实时、快速、自动、非破坏性地进行棉花长势监测与诊断，对其生长发育的季节性变化进行评估[19]，还可以帮助种植户适时采取农艺措施（施肥、灌水、中耕以及病虫害防治等），从而提高棉花产量与品质[19]。本研究的主要目的是探讨6组不同颜色特征参数R、G、B值和色度值H、饱和度值S、亮度值I值与不同N素水平棉花群体间的相关性。利用棉花群体特征数字图像识别系统分析处理已获取的棉花冠层图像，提取每一张数字图像的R、G、B值以及H、S、I值，研究不同N素水平下棉花群体各颜色特征值间的相关性，从而准确反映棉花全生育期内各颜色分量变化规律。

1 材料与方法

1.1 试验材料

试验于2013—2014年在石河子大学农学院田间试验站（44°20′N，86°3′E）进行，供试品种为新陆早43号（XLZ 43）和新陆早48号（XLZ 48）。2013年4月20日播种，4月30日灌出苗水；2014年4月16日播种，4月21日灌出苗水，留苗密度均为26万株/hm2左右；采用膜下滴灌法进行灌水。小区面积66 m2 （20 m×3.3 m），行株距配置为（10 cm+66 cm+10 cm）×10 cm的采摘种植模式。设置5个N水平处理，即：N0（0 kg/hm2，对照）、N1（120 kg/hm2）、N2（240 kg/hm2）、N3（360 kg/hm2）、N4（480 kg/hm2），完全随机排列，重复3次。各N处理作为追肥随水施入，各小区间用防渗带隔开，独立滴灌，全生育期灌水11次，灌水总量5 400 m3/hm2，其他管理措施按当地大田高产棉田进行。各试验小区播前一次性施基肥P2O5 150 kg/hm2和K2O75 kg/hm2，N肥作为追肥随滴灌水施入，苗期施10%，蕾期施25%，花期施45%，盛铃期或吐絮前期施20%。试验地土壤质地为壤质灰漠土，土壤地力中等。各试验地土壤营养状况如表1所示。

1.2 冠层图像获取

与试验过程中叶面积指数（LAI）测量时间同步，2013年和2014年图像获取均从现蕾开始，每隔12 d拍摄1次，选用1 220万像素Canon EOS 450D（Canon Inc.，Japan）数码照相机获得棉花冠层图像。数码相机安装在一自制的铝合金单脚支架上，距地面高度2.20 m，镜头与地面垂直拍摄，拍摄时单脚架安置在2.05 m标准宽膜中间位置，标准宽膜可播种6行，即单脚架安装在第3行位和第4行位中间位置，保证拍摄每1张图片能获取6行完整棉株信息。

图像获取难免会受环境因子影响，主要包括天气变化、光照度等。为确保图像清晰可靠，根据新疆当地时间选择拍摄时段（北京时间12：00—14：00），天气状况良好，无风、无云或风速较小的晴空，图像分辨率为4 272×2 848像素，存储格式为JPEG格式。

1.3 颜色参数值提取

将获取的棉花群体冠层图像传输到计算机，通过数字图像识别系统将图像进行分割（图1），数字图像识别系统是基于Microsoft Visual Studio.NET平台，运用Visual C++和Matlab 软件编写代码，提取RGB模型和HIS模型颜色空间对应的颜色参数值[20-21]。

1.4 数据分析

本研究采用SPSS 17.0 （SPSS Inc.，Chicago，USA）进行数据分析与处理，运用Origin Pro 8.5 （Origin Lab.，USA）进行数据拟合与作图，选用决定系数（R2）判断数据拟合的优劣[22]。

2 结果与分析

2.1 基于RGB模型下不同N处理棉花群体数字图像特征

由图2和图3可以看出，在棉花整个生育期内，颜色特征指数R和G动态变化相似，受施N量不同影响显著，2品种变化结果遵循一个普遍规律，随着出苗后天数的增加，R值和G值呈现先快速增加后缓慢增加的状态。即从苗期到蕾期均呈现快速增加，从花期、结铃期到吐絮期缓慢增长。运用Origin8.5对颜色特征指数R值和G值进行拟合，模拟结果表明，各处理棉花群体图像的R值和G值均表现为对数函数曲线，其模拟方程式为：y=a-b×ln（x+c）。

由曲线模拟结果（表2）可知，在棉花全生育期内，不同氮素水平的颜色指数值R和G均呈对数函数关系，且拟合度较高，均达到了显著水平，R2>0.705，这充分反映在棉花整个生育期内所需的氮肥量由当季土壤氮素提供。将模拟方程相对应参数a、b和c进行比较，研究结果发现，随施N量不同，参数a、b值有规律地减小；但参数c值随着施N量的增加变化规律不明显。由此可见，不同施N量主要影响参数a、b的改变，进而影响颜色指数值R和G变化。

由图4动态变化可以看出，在棉花的整个生长发育进程中，颜色特征指数B受施N素水平影响显著，但动态变化规律不同于R和G，应用Origin 8.5对B值进行拟合，模拟结果表明，不同氮素处理棉花群体图像B值均表现为开口向下的二次函数曲线变化趋势，模拟方程式为：y=a+bx+cx2。

颜色特征指数值B二次函数曲线模拟结果（表3）表明，在棉花整个生育期内，5个氮素水平拟合度相对较高，达到了显著水平或极显著水平，R2>0.727。但将各模拟方程对应的参数a、b、c值进行分析比较发现，不同施N量间，参数a、b、c值随着施N量的增加变化规律不明显，这说明不同N素水平棉花冠层颜色特征指数B所呈现出的二次函数曲线不能准确反映其动态变化规律，可能是由于棉花叶片反射的蓝色颜色特征指数值极少，从而导致B值变化规律不明显。这充分说明应用RGB模型进行棉花长势监测时，颜色特征指数B不能准确评判施N量不同带来的影响，不能用B值进行棉花长势监测与N素评价，因此B值不能作为评判棉花群体颜色动态变化特征的指标变量。

2.2 基于HIS模型下不同N处理棉花群体数字图像特征

由图5动态变化趋势可以看出，在棉花整个生育期内，对于亮度值I变化规律类似于RGB模型中颜色特征指数R和G，且不同N素水平下2品种XLZ 43和XLZ 48遵循一定的变化规律。同理，运用Origin 8.5对I值进行模拟，模拟结果表明，5个氮素水平处理棉花群体图像I值均表现为开口向下的对数函数曲线，其模拟方程通式为：y=a-b×ln（x+c）。

由表4可见，各氮素水平模型拟合度较高，R2>0.778。将亮度值I模拟方程相对应参数a、b、c值进行比较，结果类似于R值和G值各参数变化规律，不同施N量间，随施N量的增加，参数a、b值呈规律性减小，参数c值变化幅度不明显。

由图6可以看出，在棉花整个生育期内，不同N素水平显著影响棉花色度色调值H的变化，运用Origin 8.5对H值进行模拟，模拟结果表明，各处理棉花群体图像的H值均为开口向上的二次函数曲线变化，其模拟方程通式为：y=a+bx+cx2。

由图7可以看出，在棉花整个生育期内，不同N素水平对棉花冠层图像饱和度值S的影响无明显规律，波动性大，无规律可循，且各施N处理间差异不显著。

由表5可以看出，不同氮素水平的色度色调值H，在棉花生长全生育期内均满足二次函数关系，且5个氮素水平相关性和拟合度相对较高，也达到了显著水平或极显著水平，R2>0.504，将各函数对应的参数a、b、c值进行比较，结果发现，不同施N量间参数a、b、c值随着施N量的增加，变化幅度不明显；对于饱和度S运用二次函数进行模拟，结果表明，在棉花整个生育期内，5个氮素水平S值各参数拟合度偏低，R2最大值为0.292，且各N素处理间均未达到显著水平， 将模拟的参数值进行分析比较发现，参数值a、b、c值无任何规律，失去统计学意义。因此色调值H和饱和度值S无法反映棉花生长的生物学意义。

3 结论与讨论

本研究采用高清数码相机获取棉花冠层图像，运用Microsoft Visual Studio.NET平台、Visual C++和Matlab软件编写代码，提取了不同施N水平下棉花冠层图像颜色参数动态变化特征，探讨了各颜色特征参数在棉花生育进程内的动态变化，分析了基于RGB模型[23]和HIS模型[24-25]的颜色参数值对棉花群体冠层图像颜色特征的影响。研究结果表明，基于RGB模型的R值和G值和基于HIS模型的I值能充分反映棉花生长发育规律，其动态模拟曲线的函数通式为y=a-b×ln（x+c），且相关性显著，精确度高，能作为棉花生长监测与诊断的量化指标。

棉花的生长环境和生长条件不同，其植株表现出的颜色特征就不同[26]。本研究表明，施N量不同，棉株冠层各部位表现出的颜色特征就不同，应用图像识别系统提取的颜色参数R、G、B值和H、S、I值也不同（图1）。这说明棉株冠层颜

色特征参数值的规律性变化由棉花生长过程中的叶片数量、叶片大小、株高、叶倾角及棉铃数等多个绿色体反射光决定。

本研究发现，基于颜色参数R和G拟合的动态曲线具有规律性的变化（图2、图3），但参数B拟合曲线波动性大（图4），与孙恩红等的研究结果[4，27-28]相类似。这充分表明了棉花冠层绿色体、土壤等的反射和吸收水平；而基于颜色参数H、S、I值的动态分析表明，亮度值I动态变化规律类似于R和G值（图5、表4），饱和度值S变化没有规律可循[17，29]。这充分说明HIS模型中I值反映颜色参数各波长的总能量，受拍摄环境、光源和光照度等因子的影响，所以试验拍摄过程选择晴天正午时分，环境条件误差小，从而减少了数字图片获取误差；S值反映彩色的浓淡与饱和度，受外界环境因素影响非常大，在拍摄过程中受光照、天气等多种影响因子的干扰比较明显，变化幅度较大，因而失去其统计学与生物学意义。

近年来，3D数码相机和无人机技术的发展日新月异，若大力发展近、远距离的无人机对棉花冠层进行图像采集、图像处理和生长检测与诊断，且不断提升检测设备的光学精确度与敏感度，将会使新疆超高产棉花的生产管理和数字化、信息化有一个全新的技术创新与突破。

参考文献：

[1]李亚兵，毛树春，韩迎春，等. 不同棉花群体冠层数字图像颜色变化特征研究[J]. 棉花学报，2012，24（6）：541-547.

[2]王方永，王克如，王崇桃，等. 基于图像识别的棉花水分状况诊断研究[J]. 石河子大学学报：自然科学版，2007，25（4）：404-407.

[3]王方永，王克如，李少昆，等. 利用数字图像估测棉花叶面积指数[J]. 生态学报，2011，31（11）：3090-3100.

[4]雷咏雯，王 娟，李 艳，等. 图像分析在大田作物生长监测中的应用进展[J]. 新疆农业科学，2006，43（3）：213-217.

[5]Behrens T，Diepenbrock W. Using digital image analysis to describe canopies of winter oilseed rape during vegetative developmental stages[J]. Journal of Agronomy and Crop Science，2006，192（4）：295-302.

[6]Li Q Q，Dong B D，Qiao Y Z，et al. Root growth，available soil water，and water-use efficiency of winter wheat under different irrigationregimes applied at different growth stages in North China[J].Agriculture Water Management，2010，97（10）：1676-1682.

[7]Raun W R，Solie J B，Taylor R K，et al. Ramp calibration strip technology for determining midseason nitrogen rates in corn and wheat[J]. Agronomy Journal，2008，100（4）：1088-1093.

[8]Mayfield A H，Trengove S P. Grain yield and protein responses in wheat using the N-sensor for variable rate N application[J]. Crop and Pasture Science，2009，60（9）：818-823.

[9]Pan G，Li F M，Sun G J. Digital camera based measurement of crop cover for wheat yield prediction[C]. IEEE International，2007：797-800.

[10]Chen X P，Zhang F S，Rmheld V，et al. Synchronizing N supply from soil and fertilizer and N demand of winter wheat by an improved Nmin method[J]. Nutrient Cycling in Agroecosystems，2006，74（2）：91-98.

[11]Jia L L，Chen X P，Li M Z，et al. Optimum nitrogen fertilization of winter wheat based on color digital camera image[J]. Communications in Soil Science and Plant Analysis，2007，38（11/12）：1385-1394.

[12]Jia L L，Chen X P，Zhang F S，et al. Use of digital camera to assess nitrogen status of winter wheat in the northern china plain[J].Journal of Plant Nutrition，2004，27（3）：441-450.

[13]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013（174）：65-84.

[14]Toshihiro S，Anatoly A，Gitelson B D，et al. Application of day and night digital photographs for estimating maize biophysical characteristics[J]. Precision Agriculture，2012，13（2）：285-301.

[15]Wang Y，Wang D J，Shi P H，et al. Leaf nitrogen concentration with a digital still color camera under natural light[J]. AgronomyJournal，2014，103（2）：529-535.

[16]Graeff S，Claupein W. Quantifying nitrogen status of corn （Zea mays L.） in the field by reflectance measurements[J]. European Journal of Agronomy，2003，19（4）：611-618.

[17]祝锦霞，邓劲松，林芬芳，等. 水稻氮素机器视觉诊断最佳叶位和位点的选择研究[J]. 农业机械学报，2010，41（4）：179-183.

[18]Wang Y，Wang D J，Zhang G，et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research，2013（149）：33-39.

[19]Sui R X，Thomasson J A，Hanksb J，et al. Ground-based sensing system for weed mapping in cotton[J]. Computers and Electronics in Agriculture，2008，60（1）：31-38.

[20]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L*a*b* color space[J].Computers andElectronics in Agriculture，2013（99）：21-34.

[21]Guijarro M，Pajares G，Riomoros I，et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers andElectronics in Agriculture，2011，75（1）：75-83.

[22]盖钧镒. 试验统计方法[M]. 北京：中国农业出版社，2000：175-190.

[23]齐国红，张云龙，张晴晴. 基于作物病害叶片颜色的病斑提取方法[J]. 江苏农业科学，2014，42（12）：434-436.

[24]夏永泉，李耀斌，曾 莎. 基于HSI颜色空间的植物叶片病斑提取方法[J]. 江苏农业科学，2015，43（8）：406-408.

[25]田 昊，王维新，毕新胜，等. 基于图像处理的机采棉杂质提取算法[J]. 江苏农业科学，2014，42（1）：366-368.

[26]Jia B，He H B，Ma F Y，et al. Use of a digital camera to monitor the growth and N status of cotton[J/OL]. The Scientific World Journal，2014-02-27[2015-08-10]. http：//dx.doi.org/10.1155/2014/602647.

[27]孙恩红. 基于数字图像的棉花群体光合有效射的时空分布[D]. 北京：中国农业科学院，2012.

[28]顾 清，邓劲松，陆 超，等. 基于光谱和形状特征的水稻扫描叶片氮素营养诊断[J]. 农业机械学报，2012，43（8）：170-174.

[29]孙 红，孙 明，王一鸣. 植物生长机器视觉无损测量研究综述[J]. 农业机械学报，2006，37（10）：181-185.