作物图像获取、处理技术及其应用研究进展

付虹雨，崔丹丹，崔国贤，曹晓兰，佘玮，苏小惠，李林林，王继龙，刘婕仪，王昕慧，刘皖慧

（湖南农业大学苎麻研究所，湖南长沙410128）

在农业生产过程中，作物的品种、营养状况、健康情况都与作物最终的产量和质量息息相关。为了大力发展精细农业，提高农作物产量和质量，准确把握作物的各项生长情况，实现作物生长发育过程的可控是十分必要的。随着信息技术的高速发展，图像处理技术作为一种新手段被广泛地运用于作物品种鉴别、作物营养诊断、作物病虫害诊断等各方面。图像获取装置（照相机等）价格的不断下降以及图像处理技术的不断成熟使得利用现代信息技术获取作物图像、分析处理作物图像成为可能。运用图像处理技术解决农田问题其优势在于：运用照摄像设施获取大田作物特征，能节省人力、物力的投入，避免人眼识别大批量作物的低效、准确率低等问题；作物图像能在短时间内获取，有利于实时监控作物的生长状况，合理地指导生产过程中施肥追肥，避免施肥不当造成的环境污染；利用作物图像能有效地防控大面积病虫害，高效精准地喷洒农药，为作物生产管理提供依据。

目前，国内外很多学者都以现代信息技术为手段进行作物图像研究。因研究对象和目的差异，学者们所用的方法手段有所不同，但基于图像获取和处理研究的基本流程一般都包括作物图像获取、图像预处理、特征提取与优化、数据分析等，以下从作物图像处理的基本流程出发，简述其包含的关键技术及其应用。

1 图像获取技术

采集清晰的图像是图像预处理和特征提取获得良好效果的重要前提。传统的地面人工拍摄不仅浪费人力，并且常受人工拍摄技术不到位、效率低下等因素影响无法得到精准有效的图像。遥感技术为便捷、高效获取农业作物图像提供了支持。从离地距离来说，卫星平台、航空平台、地面移动装置等平台皆可用于获取遥感图像，但图像在尺度、空间分辨率、光谱分辨率上有较大的区别。

1.1 卫星遥感

卫星遥感作为遥感系统的重要组成部分，早在20世纪70年代就被欧美等发达国家用于农作物产量估算、生长情况监控以及营养监测等方面，而后其在农业领域的应用不断得到拓展。20世纪80年代开始，我国逐渐在农业中应用遥感技术，利用其覆盖范围广、获取速度快、信息量大等优势来测量农作物种植面积［1-3］、进行灾害监测［4-5］。如谭昌伟等［6］利用国产卫星产品 HJ-1A／1B获取江苏省大丰、兴化等5个县区观测点的小麦卫星影像，对大田小麦的植被指数、关键生长指数进行定量分析，证明了卫星遥感可以较好地满足估测作物产量的要求。2018年6月2日，我国发射了首个承载能有效辨别作物品种类型的高分六号卫星，这一遥感卫星具有很高空间分辨率，其运用大幅提高了农业生产中对地监测能力。

在农业生产中，受天气条件、卫星既定运行轨道等因素影响，卫星遥感很难在特定的时间内获得目标区域的图像。即使在时间和天气条件都满足的情况下，卫星遥感信息也无法普及农户，难以满足以小农户为主体的生产条件下的技术需求，其一般用于科研试验，用来获取大面积区域图像，分辨度不高。随着电子图像技术的发展，遥感技术在小型化、实用性、高分辨率以及大众可承受性上取得了较大的突破。无人机遥感平台作为获取作物图像的一个重要途径，正逐渐成为农业航空遥感系统的重要补充。

1.2 无人机

无人机遥感系统由无人机平台、遥感传感器、地面站系统和数据处理系统组成。无人机平台是利用无线电遥控设备和自备的程序控制装置操纵的一种高度自动化、智能化的非载人飞机。在进行作业时，无人机平台搭乘遥感传感器，执行地面站系统对无人机进行的飞行参数、飞行路径等命令设置，并通过数据处理系统进行图像的存储、处理。美国国家航空航天局最早采用无人机遥感系统获取作物的彩色和多光谱图片，该系统获取的数据可以实时传输到地面［7］。随后，无人机遥感技术得到了广泛的发展应用，如Anderson［8］采用无人机承载35 mm商用相机获取了小面积区域图像。目前，按照不同的平台构型可将无人机分为固定翼无人机、直升机和多旋翼无人机。固定翼无人机发展比较成熟，具有安全性强、抗风能力强等优点，但其起降所受限制多，并且巡航条件下速度过快、要求高度过高，不能悬停；直升机是灵活性最强的无人机平台，可以原地垂直起飞和悬停；多旋翼无人机的灵活性介于直升机和固定翼无人机之间，起飞降落像直升机一样方便，可定点悬停，飞行震动小，适合于获取多重复、定点、多尺度、高分辨率的农田作物信息。在进行无人机选择时，要根据作业的要求，充分考虑其续航时间、载荷量、飞行控制系统等方面的特征。

1.2.1 无人机图像获取系统

无人机图像获取系统是由无人机平台以及其所载乘的遥感传感器等组成的。无人机的载荷量有限，所以总体来说传感器宜采用轻型的数码相机、多光谱和高光谱相机等。无人机飞行的安全性和传感器的高分辨率是获取准确信息的关键。国内外众多学者都对无人机图像获取系统进行了探究，以实现图像信息的高效获取。

在传感器分辨度方面，Parrot公司设计了Sequoia农业遥感多光谱相机，这款相机不仅可以与所有类型的无人机兼容，并且可以获取绿、红、红边和近红外4个波段的光谱数据，为保证获取图像的高度精确，其还配置有一个1600万像素的可见光相机以获取可见光图像作为补充［9］。黄克明等［10］设计了基于DSP的多源图像融合系统，可以实现可见光、红外和紫外的融合，提高图像信息准确度，并且该系统也非常适合载荷能力有限的无人机。

在无人机飞行的安全性方面，为使无人机始终处于自动飞行和遥控监管双重保护之下，避免空中障碍，获得高质量信息，吴云东等［11］在进行飞行试验的过程中采用了视距网格的飞行模式，即将所测区域划分为若干个视距网格，一个网格一个飞行架次，按照相同的飞行路线逐个网格飞行。浙江大学自主研发的无人机飞控装置提高了无人机的灵活性，使其有效地对飞行环境做出反应，同时在飞控装置中安装了储存设备，对信息进行实时记录。

1.2.2 无人机参数设置

无人机获取图像的高精度除了受传感器本身属性影响，还与飞行参数、拍摄参数有关。常规无人机的飞行参数包括飞行高度、飞行速度、飞行轨迹规划等，如飞行高度决定地表分辨率，航拍飞行高度越高，在同等时间内拍摄的面积越大，图像的像素就越大，并容易加剧混合像元效应。拍摄参数包括ISO值、快门速度、光圈等。如果快门速度无法与飞行速度协调，可能造成拍摄图像模糊或覆盖率不足。因此，通过无人机获取作物图像时需要实现多参数之间的相互调整配合，保证无人机遥感系统实现最佳的效果。

1.2.3 无人机飞行航线规划

无人机在进行作业时，空中基本少有障碍物，因此其不需要安全监控系统，其安全主要靠飞行路径、与操作者的安全距离、控制过程、无人机稳定性等来保障［12］，这种情况下航线规划就显得尤其重要，因此很多学者对最佳的航线进行了选择［13-14］。

在进行无人机航线规划时要充分考虑内因（相机分辨率、无人机续航时间、法定飞行高度等）和外因（航线方向、图像重叠度、飞行速度等）。航线方式可分为Z字形、环绕形、不规则多边形和自由飞行。Z字形的飞行方式是大多数场景都适用的，最适合相对平坦的面积较大的区域；环绕形可用于三维模型的构建，在农业中需要测株高时，这种方法特别适用，可在物体周围完成一个椭球体任务；在遇到复杂的地形和飞行边界限制时可采用不规则多边形飞行。农业具有季节性，为避免遗漏图像信息，在飞行时需要特别注意图像的重叠率，至少保证75%的航向重叠率和60%的旁向重叠率。

1.2.4 无人机图像获取技术的应用

由于无人机遥感具有高分辨率、实时监控、低成本等众多优势，其应用领域也逐步扩大，广泛地应用于军事、气候监测、资源监测以及农业等各个领域。在农业植保上无人机遥感技术发挥了重要作用，如崔美娜等［15］根据无人机遥感反射光谱上可见光与近红外波段反射峰的改变，评估棉花螨害情况；戴建国等［16］利用无人机获取的光谱图像，通过比较光谱反射率和纹理特征获取了棉花倒伏信息。在农业其他方面，李冰等［17］利用无人机遥感技术获取了冬小麦覆盖度信息，通过覆盖度直观地反映了植被的生长状况；李长春等［18］将无人机应用于作物育种表型参数研究，通过获取300个不同品种大豆材料在不同时期的高清数码图像，实现了高效、无损、高质监测大豆育种材料的冠层长势和产量潜力；顾铮鸣等［19］利用无人机航拍图像获取了田间道路、主干沟渠等土地基础设施，使土地使用情况识别评估便捷化。

总的来看，近年来，无人机遥感技术的应用越来越广泛，无人机引入农业领域是发展精细农业、数字农业、信息农业的必然，通过无人机遥感装置获取农业信息，能更好地指导作物生长发育的全过程。

表1 无人机和卫星遥感对比Table 1 Comparison between UAV and satellite remote sensing

2 图像处理分析技术

作物的外观颜色和形态长势包含了作物的大量生长发育信息，通过对作物图像进行处理分析可得到作物的生理参数（如株高、生物量、叶面积等）和生化参数（如植被指数、叶温等），从而进行品种鉴别、营养诊断等分析。图像的处理分析主要包括预处理、特征提取、数据分析三步。

图1 图像处理分析的基本步骤Fig.1 Basic steps of image processing analysis

2.1 图像预处理

2.1.1 图像拼接

采集完作物图像之后，需要将数张拍摄的小范围图像进行拼接以得到完整的有价值的大幅作物图像。完整图像的拼接是通过匹配各个图像之间的同名点完成的。刘帅兵等［20］在利用遥感影像提取玉米苗期株数信息的研究中，为提高图像拼接的精度，在不同的航带设置了几何参考板作为GPS控制点，基于地理定位保证了后续的拼接工作，然后将带有GPS定位的图像输入Agisoft PhotoScan软件中自动完成拼接处理。高林等［21］、张小洪等［22］同样运用Agisoft PhotoScan进行图像拼接。Agisoft PhotoScan软件是由Agisoft LLC公司研发的一款可以实现3D影像重建和正射影像生成的制图软件，其优势在于用户只需将筛选过的图片以及POS数据导入该软件，在保证影像重叠度的基础上，软件会全自动进行计算并输出高精度拼接图像。另一款软件Pix4Dmapper［23］，同样可以自动完成图像的拼接，生成高精度正射影像，如戴建国等［24］的北疆主要作物分类方法研究、何游云等［25］的岷江冷杉单木树干生物量测定研究便采用这一软件。相比于Agisoft PhotoScan来说，Pix4Dmapper对专业的要求低，基本一键式操作，主要工作流程为：首先利用POS数据寻找同名点，然后计算原始影像的真实位置和拼接参数，最后自动校准并输出影像。此外，范军等［26］基于无人机定位定向系统提出了全新的计算单应性矩阵以完成拼接任务的方法，该系统可以获得每一张影像对应的坐标和姿态角，然后根据每张影像的坐标和姿态角计算影像之间的单应性矩阵。这种方法的优势之处在于在拼接过程中不需要几何参考板就能获得较为精准的大幅作物图像。

2.1.2 颜色转换和校正

颜色特征参数是图像识别中主要的参数之一，但受光照、湿度等多方面的影响，容易使得图像颜色失真。同时，根据不同的应用目的，存在多种表达颜色的彩色模型，如RGB、HIS、HSV等。为了满足试验的要求，需要对颜色进行空间转换和校正。在选择颜色空间时，需要根据实际需要进行确定。表2对常用的RGB颜色模型和HIS空间模型进行了比较，为颜色空间模型的选择提供了依据。为对色彩图片进行校正，邓小琴等［27］的研究中每隔3幅图像采集一次标准白板和全黑标定图像对原始图像进行校正，以降低光源变化及系统噪声的影响。林李金等［28］提出了基于RGB色彩空间的图像校正方法，这一方法首先将图像二值化，利用目标对象与周围背景色彩的差异分割图像，然后分区域对图像进行色彩校正，很大程度上避免了背景对目标物体的影响，能够获得较好的校正效果。

表2 RGB颜色模型和HIS颜色模型对比Table 2 Comparison of RGB colormodel and HIS colormodel

2.1.3 图像分割

图像分割就是将目标从背景中分离出来。一般来说，图像分割方法可分为三类：基于区域的分割方法、基于阈值的分割方法和基于边缘的分割方法。

阈值的选择决定图像分割，图像的灰度能明确地展现物体的某种特性，因此可以利用灰度直方图来选择阈值分割图像。胡炼等［29］、刘广瑞等［30］先是运用超绿色法ExG＝2G-R-B将图像进行灰度化，即令像素点矩阵中的每一个像素点都满足R＝G＝B（红色变量的值＝绿色变量的值＝蓝色变量）的关系，然后运用最大类间方差法（Ostu法）确定一个阈值T，将每个像素点的灰度值和阈值T相比较，大于T的灰度值归为255，小于T的灰度值归为0，这样图像的像素点矩阵就只由0（黑色）或者255（白色）组成，由此实现二值化分割。Ostu法的优势在于其能自动选择阈值，计算过程简单。与RGB颜色模型相比，HSI颜色模型在接近人眼对景物的认知方面更优，因此雷亚平等［31］尝试在HIS颜色空间运用阈值法对棉苗进行分割。刘赐德等［32］在HSV颜色空间运用K-means聚类算法对烟叶图像进行分割，K-means聚类算法是将空间中的数据点聚成K个簇，然后找出每个簇的聚类中心，将空间中的数据分配到距离最近的中心，该试验中，HSV信息数据被分配到两个聚类中心，由此完成了图像分割。

在有关作物图像处理研究中，基于颜色空间的阈值分割方法应用较多，虽然取得了较好的效果，但对于背景较杂、范围较大、变换较多的大田大幅图像仍不能做到最佳的分割，由此创新高效的分割方法亟待探究。张恒敢等［33］采用灰度统计直方图和形态处理相结合的方式分割图像，该方法将颜色和形态两个因素考虑在内，提高了分割精度。绿色作物图像的不同色调值像素数量服从高斯分布，利用这一点翟瑞芳等［34］探究了高斯HI颜色算法对油菜图像的分割效果，得到了很好的结果。

2.2 数据分析

在对作物图像进行图像拼接、颜色以及几何校正等一系列预处理以后，会得到试验所需要的色彩数据或其他参数数据，然后对数据信息进行处理。目前提出的可用作处理分析的植被指数有100多种，大多运用可见光-近红外波段即可得出。植被指数能有效地说明植被生长状况的定量信息，如植被叶绿素含量［35-37］、叶面积指数［38-39］、植被覆盖度［40］、生物量等，表 3展现了部分植被指数计算公式及其作用。依据得到的植被指数进行分析，常见的方法有贝叶斯分类法、回归分析建模法。贝叶斯分类法是一种基于概率统计理论，简单且易于实现的分类算法，计算待分类项在已知条件下出现在各种类别的概率，并将此项归于概率最大的类别。回归分析建模法是采用线性与非线性回归方程的数学建模方法，整合所得到的图像数据，构建作物的数学模型。回归分析建模法现已广泛地应用于作物的营养诊断等试验中，针对不同试验内容的特点，可采用线性或非线性两种方法：线性回归一般是基于两种或两种以上变量间相互依赖的定量关系，通过计算机运算得到回归模型的一种统计分析方法；非线性回归是对变量间不具有线性相关关系建立的数据回归模型。

表3 常见植被指数计算Table 3 Calculation of common vegetation index

3 相关图像处理分析软件

目前，可完成上述操作过程的软件有很多，根据其对象可分为商业化图形处理软件和自行开发图像处理软件。以下简要介绍几个主流的图像处理软件。

3.1 MATLAB

要想得到准确的图像数据信息首要就是选择合适的软件进行预处理，MATLAB是一套功能强大的数据运算及分析软件。MATLAB支持的图像文件格式丰富，如BMP、JPG、JPEG、GIF等，该软件避免了图像的格式、读写等造成的麻烦，从而极大地提高了工作效率。其主要功能包括图像变换、图像增强、图像分割、线性滤波和滤波器设计、形态学处理等。图像变换使图像实现镜像变换、平移或剪裁、缩放与旋转等。图像增强功能用于突出图像中感兴趣或需要的部分，以便于进一步地观察、分析和处理。图像增强又包括点处理和区处理，点处理又称为灰度变换，可分为直接灰度变换和直方图修正，这两种方法均是增强图像的对比度，从而达到图像增强的效果，但直接灰度变换法作用于灰度，而直方图修正法作用于直方图；区处理可分为图像平滑和图像锐化。图像分割就是对图像进行分离，提取重要信息，MATLAB图像分割可采用灰度阈值法、边界法、区域法、边缘法。MATLAB强大的功能，使其在医学、数字信号处理教学等方面都发挥了重要作用。

罗雪宁等［41］基于MATLAB对红枣图像进行处理，在完成图像灰度化、二值化处理等一系列预处理后，运用最小矩形法提取了红枣尺寸大小、缺陷信息以及通过HSI颜色模型实现了红枣颜色分级处理。李琼等［42］采用MATLAB图像处理代替人工对大豆进行颗粒计算以及大小监测，MATLAB中有特定函数可用于获取图像连通图的数量，通过寻找每个区域的重心数，即可统计出大豆的个数，通过每个连通区域的累计面积和已得到的大豆个数比值即可获得大豆颗粒的平均大小。MATLAB凭借强大的功能，使其在作物图像处理分析上有了广泛的应用。

3.2 Photoshop

Adobe Photoshop是由Adobe Systems开发和发行的图像处理软件，其包含众多的编修与绘图工具，可以有效地对数字图像进行编辑。Photoshop在图像处理方面主要包括三大项技术：图层技术、曲线技术和通道技术。图层技术是最基础的、最重要的组成部分，Photoshop中一切操作都是建立在图层的基础上，图层满足了在对图像做局部细微处理时不妨碍其整体效果的需要。曲线技术可以对颜色、明度两个方面进行调节。通道技术主要是用于快速抠图。Photoshop在农作物图像上的应用主要是通过校色调色功能进行灰度调整，获取处理色彩信息。

王晓静等［43］在棉花氮素营养诊断研究中采用Adobe Photoshop 7.0中的Histogram程序对获取的地面数字图像进行处理，首先读取红、绿、蓝各个通道的平均值、中间值等信息，得到了棉花冠层的色彩信息，然后用Excel和SPSS等统计软件对色彩信息和试验数据进行分析，从而得到冠层图像色彩参数与施氮量、产量之间有良好相关性的结论。孙棋［44］选取RGB、HSV系统以及YIQ电视信号彩色坐标系统对作物图像的颜色特征进行处理，建立了水稻氮素水平模型，实现了水稻氮素水平的诊断。

3.3 自行开发的图像处理软件

虽然已开发的MATLAB、Photoshop等软件具有很强的功能性，但因其侧重点不同，对具体的作物图像分析效果不佳。在实际的研究和学习中，常需要开发特定的图像处理软件以方便某一领域的研究。刘继承［45］基于水稻株高、株型、种植密度等特征自行设计了水稻长势分析判断系统，可对水稻图像进行二值化、灰度增强等预处理。谭林秋［46］设计出了基于VC的数字图像处理系统。崔国贤等［47］设计出了苎麻叶片图像处理系统V1.0。同时不少学者基于OpenCV进行面向对象编程以开发功能齐全、运行速度快、针对性强的图形处理系统，如刘培军等［48］以OpenCV计算机视觉库为基础，在Qt Creator集成开发环境下，开发了一款图像处理系统，该系统包括文件处理、基本图像处理、形态学处理、领域处理、点的处理等功能，简化了图像处理的工作流程。OpenCV是一个基于BSD许可发行的可跨平台的计算机视觉库，其本身就包含500多个优化过的算法，功能十分强大。路艳等［49］利用OpenCV对水稻叶片进行图像灰度化、二值化、轮廓分割、特征参数获取等一系列图像处理操作。杨思阳等［50］也调用OpenCV视觉库实现了几何图像颜色和形状识别。该技术或将应用于更多领域，如作物叶片分割等。

4 图像处理技术在农业不同领域的应用

4.1 图像处理技术在作物营养诊断上的应用

营养要素是维系和促进作物生长发育的不可缺少的一部分，为实现农作物的高质高产，根据作物需求合理施肥，提高作物营养显得尤为重要。施肥要以作物营养诊断的结果为基础，才能达到提升农产品质量、改良耕地的效果。快速、准确、无损地利用图像获取作物营养状况主要是通过建立作物色彩和作物营养状况之间的关系实现的。不同植被其氮素、叶绿素等含量各不相同，从而影响植被冠层群体的反射光谱，呈现不同的色彩。计算机通过精确定量冠层反射的红、绿、蓝光值，就可以反映冠层的营养状况［51］。图像处理技术已经在棉花、油菜、玉米、黄瓜、水稻等作物营养诊断上有了深入研究，如宋述尧等［52］利用数码相机拍摄了黄瓜冠层RGB图像，采用Photoshop 7.0获取图像中的绿色通道中间值G，比较了6种氮素水平处理下的温室黄瓜冠层的图像数字化指标G、G／R、G／B、G／L、G／（R＋G＋B）、B／（R＋G＋B）与土壤氮含量的关系，初步建立了评价黄瓜主要生育期氮素丰缺的冠层图像参数标准；采用同样的方法，李井会等［53］得出了R、G、B及其相关值与马铃薯氮素含量的关系；李朝东等［54-55］得出了苎麻叶片全氮含量与图像颜色特征值之间的相关性；Lee等［56］通过彩色数字图像发现图像色彩的多个参数与作物营养状况密切相关，他还指出，图像处理得到的数据还有助于分析得出叶面积指数、水稻粒重等信息。为了避免单一彩色数字图像的失误，提高作物氮素的诊断率，Mao等［57］将光谱图像和数字图像相结合，利用光谱图像分析生菜的内在化学物质，数字图像分析其外在形态特征，两者的结合提高了诊断的准确度。值得注意的是，以上研究均是基于传统的颜色特征参数，张珏等［58］的研究运用三原色权值调优方法，提出了调优参数BOP和归一化调优参数NOP，新的特征参数展现了更高的预测精度，然而在具体的试验中，相关参数还需继续探索。

虽然图像识别技术在作物营养诊断方面的应用越来越受到重视，在试验过程中仍然存在诸多阻碍。影响作物图像的因素众多，作物品种的冠层结构、植株形态、太阳光照强度、拍摄时与冠层的角度等都可能会对诊断结果产生影响。当前大多数图像营养识别研究都是在实验室条件下进行的，对自然条件下复杂的大田作物研究极少，仍需进一步深入研究与探讨。

4.2 图像处理技术在杂草识别上的应用

在农作物田间生产管理过程中时常面临杂草的威胁，杂草的肆意增长严重影响了作物的生长发育，降低了农作物产量和质量。病虫害的滋生和蔓延，也给农业生产造成了巨大的损失。目前杂草防除主要采用化学方法，若想高效地发挥其功效，必须使化学药剂的喷施精准定位、定性、定量化［59］。利用计算机视觉技术可将杂草从农作物和土壤的背景中识别出来用以指导杂草防除，现阶段主要利用杂草本身的一些特性，如颜色特征、形状特征、纹理特征和多光谱特征等来识别杂草［60］。2015年，陈亚军等［61］利用逆向思维提出了杂草逆向定位的方法，这一方式是基于研究环境中杂草在种类与数量上均大于经济作物这一事实，从传统的以杂草为识别主体转为以识别经济作物为目标，在定位出作物的位置后，自动判定其他区域为杂草，该方法的准确率达到90%。王海华［62］利用剪切波变换，获得杂草和麦田区域的不同纹理特征，然后对无人机麦田区域图像中杂草进行识别。Nieuwenhuizen等［63］的研究表明，在处理了植物遮挡、平方厘米精度无法获得、日光的变化等带来的问题后，基于图像颜色检测可对田地杂草进行监控，后又进一步从图像的质量、作物的行距、作物特征角度确定了作物分类的精度，有效区分作物和杂草，指导杂草去除［64］。作物和杂草的生长速度不一致，Piron［65］以此为基础引入了一个新的参数“校正株高”，利用不同时期作物与杂草的高度差距，定位杂草区域。Lopez［66］利用无人机搭乘多光谱相机实现了早期杂草识别。

在进行杂草识别时应选择多个特征进行分析，区分因素越多，得到的区分结果越精确。在试验中受拍摄角度以及植物随风摆动等外因的影响，可能会导致图像出错，这时如果单一选择以杂草的形状为特征来识别可能会降低准确性，因此要综合各种特征如从作物颜色、作物纹理、作物密度等方面探究杂草和作物之间的关系，指导大田除草，推进精准农业的发展。

4.3 图像处理技术在作物品种识别上的应用

品种识别是指通过作物的形态特征和生产性状辨别其种类。随着计算机图像处理技术以及识别技术的飞速发展，使作物种类的识别与分类成为可能，但精准地识别作物必须满足：找准目标作物的典型特征；选择的性状可以从其对应的数字图像上获得，即计算机能够高效和精确地提取、识别特征。目前利用作物图像识别作物品种的研究主要集中于植物的外观特征上，且侧重于几何形状特征测量［67］。

杨锦忠等［68］通过玉米种子的图像，建立了大小、形状、纹理、颜色、简化、完全6个识别模型，特别需要指出的是其利用完全种子形态特征识别品种，探究了识别品种的极限。程洪［69］针对玉米种子识别提出了新观点，可用玉米种子白色胚部与黄色冠部的面积比例进行识别。邓小琴［27］利用融合光谱、纹理及形态特征的水稻种子高光谱图像进行单粒品种鉴别。陈争光［70］在对获取的光谱图像进行预处理后，用最小二乘法分析了其主要成分，完成了对品种的鉴别，其识别正确率达到100%。Jian Zhang等［71］运用三种分类方法，包括无监督分类、监督分类和基于对象的分类评价了遥感图像对作物识别的有效性。Cholhong等［72］利用密实度、圆形度、伸长度、叶状度和粗糙度等作为形状因子，提出了50种理想片状叶形的图形，并以此作为对照组来鉴别植物叶形。国内外学者致力于利用图像技术实现不同作物的品种识别，如大豆、水稻、小麦、菊花、马铃薯、水果等。

利用图像处理技术对植物进行识别分类，虽然取得了一定的进展，但该应用仍处于初级阶段。图像植物在外观表现上不具有规律性和可描述性，使得植物图像目标的识别比较困难；目标的背景复杂，生物的多样性使得同一图像中不同颜色的作物其灰度差异不大，这也给目标的识别带来了难度；植物生长变异较大，难以建立合适的数学模型。这些特征是图像识别技术中亟待处理的难题。不仅如此，现阶段图像识别研究主要集中于作物个体，通过获取大田群体图像，识别作物品种的研究还比较缺乏。

4.4 图像处理技术在作物病害诊断上的应用

病虫害会对作物的生长发育造成极大的损害，影响作物的质量和数量，造成巨大经济损失。以往，农户通常依据经验来诊断病虫害，主观性强、准确性不高、效率低。计算机视觉技术的发展使高效监测诊断病虫害成为可能。作物在遭受病虫害时，往往会呈现出鲜明的性状，如叶片叶绿素含量及冠层结构会发生变化，而利用图像处理技术可以准确、实时地捕捉这些特征，进行正确的病虫害判别。

孙云云等［73］在小样本情况下对茶树常见病虫害进行了识别，并探讨了不同预处理对识别效果的影响。李冲等［74］建立了蓝莓病虫害诊断系统。秦丰等［75］和安强强等［76］构建了不同环境下的数据库，设计了苜蓿植物病虫害识别模型。水稻作为我国重要的粮食作物，如何高效对其病虫害进行综合防治是当前研究的热点，众多学者开始探究建立水稻病虫害图像识别与诊断系统［77-78］。近些年来，对农业病虫害识别系统的关注越来越多，为使农业病虫害识别系统普及化，施纪红［79］借助人们熟悉的微信平台，建立了图像数据库，为农户提供了农作物病虫害查询、识别、预测平台。作物生长具有诸多不确定因素，导致病虫灾害的发生具有突发性、多样性，发生发展迅速等特点。将图像处理技术应用于大田，能够迅速监测出作物病情，并进行综合防范。

5 图像处理标准规范

作物图像的获取受多方面的影响，如获取平台的高度、光线的强弱、图像覆盖范围等都直接关系到图像处理结果的好坏。因此，需要设置一定的图像处理标准规范，保证图像的准确度和精确度。准确度是用来衡量采集图像和作物实际情况的接近程度，如互补成像模式、量化软件等都可以用来评估图像的准确度。精确度则反映了图像的可验性，精确度的获得需要用一种可重复的方式来防止不可预测的因素干扰，进而掩盖真正的相似性和差异性，保证精确度的关键在于采用稳定的仪器设计，如固定的采集装置设置。

6 前景与展望

与传统方法相比，作物图像处理技术具有高效、快速、智能等优点，随着技术方法的不断改进，图像处理技术逐渐被应用到更多作物上，并且在监测农作物生长情况、农作物缺素诊断、种子质量检验、农产品品质检测与分级、农业机器人、作物病虫害上都取得了很大的成功。但当前大多数图像处理研究为避免对象所处环境和背景的影响，都是在实验室条件或人工设置环境条件下开展，缺乏对复杂自然条件下大田作物的研究。相比于发达国家，中国仍处于该技术的不成熟阶段，在实际生产应用方面还有诸多问题需要进一步研究和探讨，我们应提高对农业和信息技术的了解，促进两者的结合。