基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

杨爱萍,张 坤,段里成,汪建军,白晓东,杨 军

(1.江西省农业气象中心,江西 南昌 330096;2.江西省气象科学研究所,江西 南昌 330096;3.南京邮电大学,江苏 南京 210023)

0 引言

植物叶片颜色可以指示植物养分、水分状况、植物病害以及叶片的衰老程度,是精准农业中开展水肥管理、诊断植物长势、预测产量等的重要依据。采用SPAD (Soil Plant Analysis Development)叶绿素仪测量植物叶片在红光和近红外光范围内的透光系数，可以获得SPAD值,从而确定叶片的“绿色度”[1],具有无损、快速、便携等特点,因此SPAD值常被用来反映植物叶片的叶绿素含量[2]或含氮量[3-5],成为定量诊断植物叶片颜色的重要指标。但采用SPAD叶绿素仪只能逐点测量,无法快速获得整个叶片的“绿色度”[2,6]。高光谱成像技术结合了图像技术和光谱技术,可以快速、无损地从叶片颜色中获取整个植物叶片的图像信息和生化信息[7,8],但普遍存在算法复杂、仪器成本高等缺点。因此,寻找一种易操作、低成本、便于推广应用的植物叶片颜色估测方法很有必要。

近年来,随着计算机视觉技术的发展和低成本彩色数字相机的普及,国内外开展了不少提取植物叶片图像的颜色特征参数来反映植物生长状况的研究,实现了对水稻、小麦、棉花等生长期的自动观测[9,10]、叶面积指数的图像估测[11-14]、株高和群体密度的测量[3,15,16]等,在植物的叶绿素含量预测方法[17-20]研究方面也取得了不少成果。孙爱珍等[21]研究认为,水稻叶片中部的SPAD值与对应叶片部位图像的R、G、B颜色特征参数存在显著的非线性相关关系,其中叶片SPAD值与红光值(R)和绿光值(G)具有显著的相关性,与蓝光值(B)不具有明显的相关性。但现有的水稻叶绿素含量图像反演研究一般只选择RGB颜色空间进行图像颜色分析。RGB颜色空间属于CIE标准色度学系统,是数字设备显示颜色的基础。而人们看到的颜色差异是物理意义上的变化与心理因素综合作用的结果。仅在RGB颜色空间所得的图像颜色分析结果,与人眼判识的颜色分析结果存在一定差异。HSV颜色空间是一种基于人对颜色的心理感受将RGB色彩空间中的点在倒圆锥体中的表示方法[22]。若在RGB颜色空间基础上,增加HSV颜色空间对叶片颜色进行综合分析,则有助于增强图像分析的视觉效果真实感。目前,有在HSV颜色空间进行植物图像分割和提取方面的研究[22],但尚未见同时在RGB颜色空间和HSV颜色空间中开展水稻叶绿素含量图像反演的研究报道。此外,水稻抽穗期至成熟期是营养成分从茎叶向穗部输送和转化的关键时期。该时期叶片颜色的变化是水稻产量的重要表征之一。目前对水稻叶片颜色的图像分析多集中在营养生长期,而对齐穗后水稻叶片颜色的图像分析较少。

本文以齐穗期至成熟期的水稻叶片为研究对象,测量获得水稻整个叶片的SPAD值,并利用计算机视觉技术提取水稻叶片图像的RGB及HSV颜色空间中的颜色特征参数,计算典型的颜色分量,分析水稻叶片颜色特征参数和颜色分量与SPAD值之间的相关关系;然后,采用线性回归方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值估测模型,采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值估测模型;最后,对4种模型进行了检验和估测效果对比分析,以期得到一种快速、简便的水稻叶片颜色估测方法,为水稻齐穗后叶片颜色的数字化和可视化研究提供科学依据。

1 材料与方法

1.1 试验材料与设计

试验于2018年在江西省南昌县(116°12′6"E、28°38′58"N)进行。南昌县地处南昌市南部,属于亚热带季风气候,地势平坦,为中国典型的水稻产区。试验设在具有代表性的连片水稻产区之中,试验田总面积为1.2 km×1.0 km;将试验田划分为两个小区,一个为分析建模小区,另一个为模型检验小区。

试验材料为杂交稻晶两优华占。播种期为5月5日,移栽期为6月1日,全生育期为128 d。移栽时株行距为20 cm×20 cm,每穴2株。移栽后的田间水、肥管理同大田常规。齐穗后每3 d取样1次，直至成熟。在第1～10次采样时,水稻依次处于播种后的第98、101、104、108、111、114、118、121、124、128天。每次取样时,在分析建模小区挑选长势一致且无病虫害的水稻30株,在模型检验小区挑选15株。取样后,以倒二叶为对象进行拍照,同时检测SPAD值,得到分析建模的样本数据30组和模型检验的样本数据15组。至成熟期共计取样10次,得到分析建模样本300组、模型检验样本150组。分析建模样本的SPAD值平均值为27.9,标准差为7.24,模型检验样本的SPAD值平均值为28.3,标准差为7.21,组内组间不存在显著性差异。

1.2 水稻叶片图像的获取

截取每株水稻的倒二叶,平展放在18%灰板上。使用佳能G16型数字相机,固定于叶片60 cm高度处垂直俯拍,以自动曝光模式控制曝光时间与色彩平衡,调整焦距使叶片清晰,并采用相同的光照强度进行多角度采光,令所拍的叶片图像无阴影。图像采用4000×3000像素分辨率,以JPEG格式保存。

1.3 水稻叶片SPAD值的测定

拍照后,参考张建等的研究方法[6],使用SPAD502叶绿素计从水稻叶片的叶枕到叶尖,逐点检测SPAD值。检测点以1 cm为间距,等间隔均匀分布于整个叶片。然后将所有检测点位的SPAD值取平均,作为整个叶片的SPAD值。

1.4 颜色特征参数的提取

在MATLAB 2010中开发处理水稻叶片的计算程序。由于待检测叶片被放置于灰板上面拍摄来获取图像,因此简单的图像阈值分割方法便可以将叶片之外的背景区域去除,并将叶片像素区域保留下来。图像分割的具体过程为：计算原始图像中各个像素点的红光值(R)、绿光值(G)、蓝光值(B),当某个像素对应的G>B且G>R时,将该像素判定为叶片像素区域;反之,则将其判定为灰板背景区域[23]。程序中,通过以上方法自适应地对图像进行分割，去除图像中的灰色背景(灰板)部分,仅留下绿色叶片主体部分。完成图像分割后,进一步提取绿色叶片主体部分的图像颜色特征参数,获得图像中RGB颜色空间中的红光值(R)、绿光值(G)、蓝光值(B)和HSV颜色空间中的色相(H)、饱和度(S)、亮度(V)。获得的R、G、B和H、S、V值为各个像素点的平均值。S、V的变化范围是0～1,H的变化范围是0～360;为了统一量纲,把H进行归一化处理。灰板校正方法见参考文献[19]。

2 结果与分析

2.1 水稻叶片SPAD值的变化特征及其与颜色特征参数的关系

水稻齐穗至成熟期的10次取样中,第1～4次取样时水稻处灌浆前期,第5～7次取样时水稻处灌浆后期,第8～10次取样时水稻处成熟期。随着成熟度的增加,水稻叶片的SPAD值呈下降趋势(见图1);其中,灌浆前期的SPAD值由35缓慢下降为33,灌浆后期的SPAD值稳定在29～28之间,成熟期的SPAD值由28快速下降至19。在6个颜色特征参数中,R、G、S、V呈上升趋势,H呈下降趋势,B变化不明显。

图1 齐穗期至成熟期水稻倒二叶的SPAD值和颜色特征参数的变化特征

对RGB颜色空间和HSV颜色空间中的颜色特征参数进行简单相关分析,结果见表1。由表1可以看出,除了颜色特征参数B以外,其余5种颜色参数均与SPAD值呈极显著的相关关系。从相关系数的绝对值来看,颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V。

表 1 颜色特征参数与叶片SPAD值之间的相关系数(n=300)

注：“*”和“**”分别表示相关系数达到了显著和极显著水平。下同。

将R、G、B和H、S、V分别作为一个整体,采用典型相关分析(canonical correlation analysis,简称CCA)方法,比较分析两个颜色空间对水稻叶片SPAD值的整体影响。CCA分析结果表明：RGB颜色空间和HSV颜色空间均与SPAD值有极显著的相关关系,但HSV颜色空间与SPAD值的典型相关系数为0.9594,略高于RGB颜色空间与SPAD值的典型相关系数0.9520,说明HSV颜色空间与水稻叶片SPAD值的关系相对于RGB颜色空间而言更为密切。

2.2 颜色分量与水稻叶片SPAD值的相关性分析

对R、G、B和H、S、V颜色特征参数进行组合运算，得到不同的颜色分量。依据已有研究成果及水稻叶片SPAD值和可见光植被指数之间的关系,选择18个颜色分量(见表2)进行分析。

利用300张用于建模分析的水稻叶片图像,提取图像颜色特征参数,然后按照表3计算得到每张图像的18个颜色分量。结合每张图像中叶片的SPAD值,采用简单相关分析方法,对300组颜色分量和SPAD值数据进行相关分析,其结果如表3所示。从表3可知,除了X2、X9、X11、X13、X15、X16、X17以外,其余11种颜色分量和SPAD值的相关系数绝对值均达到0.80以上,达到极显著相关水平。从相关系数的绝对值来看,颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r。

表2 颜色分量与水稻叶片SPAD值的相关性分析结果

注:“√”表示经验的可见光植被参数。

表3 水稻叶片颜色分量与SPAD值间的相关系数(n=300)

2.3 水稻叶片SPAD值估测模型的构建

以R、G、B为自变量,采用线性回归分析方法,建立水稻叶片SPAD值的估测模型M1;然后,以R、G、B和H、S、V为自变量,采用线性回归分析方法,建立综合RGB和HSV颜色空间的水稻叶片SPAD值的估测模型M1′。结果如式(5)～式(6)所示。

同时,分别以6种颜色特征参数和18种颜色分量为自变量,采用逐步回归分析方法,建立水稻叶片SPAD值的估测模型M2和M2′。结果如式(7)～式(8)所示。

M1=28.1688-0.4649R-0.1373G+1.0414B

(5)

M1′=32.0681-0.1253R+0.5760G-0.0030B+92.0293H-49.6909S-123.8591V

(6)

M2=21.8648+0.6020G+121.6191H-41.9136S-159.5131V

(7)

M2′=-192.8294+266.0845X3+21.2780X6+173.1180X7+1.0276X9

(8)

式(5)～式(8)均通过了显著性水平检验。此外,式(7)表明,估测水稻叶片SPAD值的关键颜色特征参数包含了HSV颜色空间内的所有颜色特征参数，由此可见,HSV颜色空间的分析应用对估测水稻叶片SPAD值是很有必要的。

将另外150组用于模型检验的数据作为样本,代入式(5)～式(8)中,计算模型M1、M1′、M2、M2′的确定系数(R2)、均方根误差(RMSE),对模型的拟合优度和精度进行比较分析，结果如图2所示。

图2表明,综合RGB和HSV颜色特征参数的SPAD值估测模型(M1′)的R2大于单纯基于RGB颜色特征参数的SPAD值估测模型(M1)的R2,说明在RGB颜色空间的基础上综合考虑HSV颜色空间,可提高SPAD值估测模型的拟合优度;同时,均方根误差(RMSE)下降了9%,拟合精度更高,误差更小。采用逐步回归分析方法得到的综合RGB和HSV颜色特征参数的估测模型(M2)的拟合优度与采用线性回归方法得到的模型(M1′)的拟合优度相差不大,但模型M2的均方根误差(RMSE)比模型M1′下降了13%,比模型M1下降了21%，可见综合RGB和HSV颜色特征参数后,采用逐步回归方法可进一步提高模型的拟合精度。利用6种颜色特征参数建立的18种颜色分量,采用逐步回归分析方法得到的模型M2′的拟合优度和拟合精度进一步提高(R2达到0.9248,RMSE比模型M1下降了24%),模型拟合效果优于前3种模型。

a.M1模型；b.M1′模型；c.M2模型；d.M2′模型。

3 结论

RGB颜色空间和HSV颜色空间均与齐穗后的水稻叶片SPAD值有极显著的相关关系,但综合简单相关分析、典型相关分析和逐步回归分析结果可知,HSV颜色空间与水稻叶片SPAD值的相关关系相对于RGB颜色空间而言更为密切。其中,在6种颜色特征参数中,颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;在18种颜色分量中,颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r。因此,估测水稻叶片的SPAD值时,需要综合分析RGB颜色空间和HSV颜色空间对水稻叶色反演的影响。

在RGB颜色空间的基础上,引入HSV颜色空间,构建水稻齐穗后叶片SPAD值的估测模型,可以提高SPAD值估测模型的拟合优度,降低模型的拟合误差。在6种颜色特征参数的基础上建立18种颜色分量后,采用逐步回归分析方法得到的模型M2′的拟合效果在4个模型中最好,其均方根误差比单纯在RGB颜色空间构建的线性回归模型M1下降了24%。

综上所述,HSV颜色空间与RGB颜色空间、18%灰板的综合应用,不仅可以消除由不同光照条件引起的图像间的差异,提高计算机视觉技术对植物叶片SPAD值的估测精度,还可以将植物图像的真实感效果与其生理生态信息在计算机上进行表达。本文提出的水稻叶片SPAD值估测方法,可快速得到整片水稻叶片的SPAD值数据,估测结果精度较高、误差小。

4 讨论

孙爱珍等[21]研究认为,水稻叶片的SPAD值与红光值(R)和绿光值(G)具有显著的相关性,与蓝光值(B)不具有明显的相关性。本文在RGB颜色空间的基础上引入HSV颜色空间后,发现在6种颜色特征参数中,色相(H)与SPAD值之间的相关关系最密切,其次是饱和度(S)、红光值(R)和亮度(V),该结果与人对水稻叶片颜色的心理感受更加吻合。此外,马明洋等[31]应用无人机高清影像在RGB颜色空间反演东北粳稻分蘖期、拔节孕穗期、抽穗灌浆期的叶片SPAD值,研究表明,r、B/R、R-B这3种参数与SPAD值高度相关。本文得出的与水稻叶片SPAD值密切相关的颜色分量与马明洋等的研究结果基本一致,说明不同水稻品种、不同生育期之间水稻图像颜色分量与SPAD值的关系具有较高的共性。但本文认为,标准化后的红光与蓝光亮度比值(r/b)与齐穗后的叶片SPAD值之间的相关关系最密切,其次是R-B、b、r,说明水稻齐穗后图像的蓝光值B与叶片SPAD值之间的关系更加显著。本文应用了典型相关分析方法,分析结果进一步说明了HSV颜色空间与水稻叶片SPAD值的关系更为密切。同时,综合RGB和HSV颜色特征参数的估测模型(M1′和M2)也表明,颜色特征参数H、S、V对提高水稻叶片SPAD值的估测精度起到了重要作用。

然而,本文是以无病虫害、无气象灾害、统一水肥管理水平的水稻叶片为样本进行分析的,而在不同程度的病虫害、气象灾害或不同水平的水肥管理条件下,水稻叶片颜色的变化特点以及SPAD值的图像估测方法尚未涉及。定量、准确诊断病虫害、气象灾害对水稻生产的影响,科学评估水稻田块的水肥条件,进而采取合理的、有针对性的管理措施是精准农业发展的需要。后期拟将开展相关的田间对比试验,进行更为全面的分析研究。