基于计算机视觉的水稻叶绿素含量测定

吴少俊

(浙江长征职业技术学院 计算机与信息技术系,杭州 310023)

0 引言

叶绿素是高等植物体内的色素,能够进行光合作用,为植物的生长发育提供能量。叶绿素含量能影响植物的各种生理机能,了解叶绿素含量对预测植物的生长状况具有参考价值。水稻是重要的粮食作物,产量的形成与光合作用能力密切相关。研究表明:叶绿素a与叶绿素b的比值会明显影响水稻的光合活性,而总的叶绿素含量与光合速率之间呈紧密的正相关[1]。因此,准确地测定水稻叶绿素含量有利于了解水稻的光合作用能力,从而为高产育种和栽培提供依据。

叶绿素含量的测定方法有很多,传统的方法是剪取水稻叶片,用含有各种化学物质的抽提液浸泡,将样品中的叶绿素萃取出来进行比色测定并计算浓度[2]。这种方法对设备的要求不高,但步骤相对繁琐,耗时费力,测定结果的稳定性也不高。后来,美国、日本等国家相继设计制造出便携式的叶绿素含量测定仪器,以日本的柯尼卡美能达SPAD-501型叶绿素含量测定仪为代表[3]。该型仪器一次测定针对的是水稻叶片上的一个点,测定结果用SPAD值表示。SPAD值反映该点上叶绿素含量的相对大小,不能表示叶绿素的实际含量。叶绿素仪能够实现无损检测,因此可以对相同叶片的叶绿素含量变化情况进行跟踪分析和研究。但是,同一水稻叶片不同部位的叶绿素含量是不同的,叶绿素仪是针对叶片上的一个点测定,因此测定值的变化较大。若要准确反映叶片整体的叶绿素含量,则需要进行多次测定,极大地增加了工作量。此外,该类仪器目前已经发展至SPAD-502型,属于精密仪器,价格较为昂贵,限制了应用范围。

遥感技术的发展为利用光谱特征估测植物的叶绿素含量提供了技术支持,目前基于各类光谱仪和高光谱传感器的叶绿素含量测定已经是农业遥感领域的研究热点。孙雪梅等和杨杰等分别利用高光谱参数建立模型,准确地预测了水稻叶片中的叶绿素含量[4-5]。田明璐等利用无人机搭载的成像光谱仪,构建了棉花叶片叶绿素含量的反演模型[6]。与叶绿素仪相比,光谱仪的价格更为昂贵,有的甚至需要无人机搭载,主要应用范围被限制在了科学研究和产量普查上。

水稻的叶绿素含量除具有光谱特征外,还会体现肉眼可见的颜色特征,因此可以通过对图像的处理来测量分析。计算机视觉是一种快速、便捷的图像处理技术,可以用于色素含量测定和营养状况诊断,成为作物生长信息实时无损检测的新方法[7-9]。陈诚等通过计算机视觉采集水稻叶片的多种颜色参数,结合神经网络的回归方程,建立了叶绿素相对含量的计算模型,模拟预测值与大田实测数据之间的误差极小[10]。除了水稻外,计算机视觉还被用在了番茄、大豆、锦橙和棉花等作物的叶片叶绿素含量测定上,且表现出较高的准确度[11-14]。针对不同作物叶片的叶绿素含量测定,计算机视觉一般需要根据叶片的外观特征采用相应的图像处理方法,同时选择不同的颜色参数用于回归分析,才能获得准确的测定结果。

水稻的叶位较多,不同位置上叶片的叶绿素含量存在很大的差异,在生长发育过程中也是不断变化的,给准确测定叶绿素含量带来了困难。另外,大部分研究中的计算机视觉一次仅分析一个叶片,拍摄时的环境影响对测定结果的干扰也是客观存在的。针对这些问题,本文设计一种基于计算机视觉的水稻叶绿素含量测定方法,利用扫描仪一次获得多个待测叶片的图像,完成图像处理并提取颜色特征后选择合适的参数建立叶绿素含量的预测模型,以实现对水稻叶绿素含量的准确测定。

1 仪器设备

水稻叶片图像的采集设备是杭州万深MICROTEK ScanMaker i800 plus型扫描仪,光学分辨率为800×1 600dpi,具有48位的色彩深度。扫描仪以白色冷阴极灯作为光源,扫描范围305mm×432mm,单幅图像耗时15s;扫描的速度稳定,成像效果清晰,形成的图像由USB2.0高速接口发送给计算机。控制扫描仪的是戴尔XPS8910型台式电脑,配件为Intel i7处理器、GTX1070型显卡和16G内存;兼容性强,运算速度快,性能稳定。计算机中安装ScanWizard EZ扫描软件,在Windows10操作系统中运行。视觉分析软件为MatLab工具箱,可以快速处理扫描获得的图像。叶绿素的实际含量用SPAD-502型叶绿素仪测定,表示为相对含量(即SPAD值)。

2 图像处理

扫描得到的水稻叶片图像为大小640×480的JEPG格式,目标为绿色夹杂少量黄色,背景完全为白色,二者之间的区别明显。图像中没有其它颜色干扰对目标的识别,也不存在畸变,因此无需对图像的色彩做特殊处理。水稻叶中原始图像如图1所示。

图1 水稻叶片的原始图像Fig.1 Original image of rice leaves

图像中的识别目标与背景颜色之间差异明显,可以基于RGB色彩模型对图像进行分析。水稻叶片的基本颜色为绿色,因此在RGB色彩空间中G分量的特征峰值最为显著,以G分量作为颜色参数可以得到准确的目标识别结果。基于G分量对图像做灰度化处理后,图像黑白效果更加明显,颜色差异也得到增强,有利于对目标区域的提取。水稻叶片灰度化图像如图2所示。

图2 水稻叶片的灰度化图像Fig.2 Gray image of rice leaves

灰度化图像经过HIS加权的二值化处理,可以消除小块阴影和微弱噪音,然后根据水稻叶片的颜色特征将其从背景中分离出来。图像分割是利用颜色或亮度特征识别目标的关键步骤,一般需要根据目标特征选择合适的分割方法。阈值分割法的模型简单,运行速度较快,被用于本文的目标识别。阈值是通过分析直方图获得的,合适的阈值对图像分割效果有着重要影响。水稻叶片的颜色特征可以通过亮度来反映,因此在RGB色彩空间中分析灰度化图像G分量的直方图,获得目标特征的阈值,然后依照最大阈值分割图像。分割获得的图像中背景表示为白色,水稻叶片表示为黑色,如图3所示。

图3 水稻叶片的分割图像Fig.3 Segmented image of rice leaves

3 颜色特征参数选择和模型构建

参考之前的研究,本文选择G-R、B-R和R/(G+B)等3个颜色特征参数。其中,R、G、B分别表示在RGB色彩空间中彩色图像红、绿、蓝3种基本颜色的亮度值。通过改变三基色的相对数量,可以混合出其它的各种颜色。针对单个叶片,上述值表示该叶片图像区域中所有像素点的均值。取20个水稻叶片,在每个叶片上均匀选择5个点,用叶绿素仪测定SPAD值,以5个点的平均数作为该叶片叶绿素相对含量的实际值;然后,用计算机视觉提取各个叶片的颜色特征参数,分析特征参数与SPAD值的相关性。

随机选取10个样本组成建模集,用于构建预测模型;剩余的10个样本组成检验集,用于检验估算的精度。SPAD值的颜色特征参数估算模型通过SPSS软件中的一元线性回归建立,然后在ENVI环境中反演检验样本的SPAD值。特征参数与SPAD值的相关性及模型对检验样本的估算精度以拟合方程的决定系数R2衡量,R2值越大,代表相关性和估算精度越高。

4 结果与分析

建模样本的3个颜色特征参数与SPAD值回归分析结果如图4所示。由图4可知:所有颜色特征参数的回归方程都达到了显著水平,表明这3个参数都可以用来估算SPAD值;3个参数中基于G-R和R/(G+B)建立的模型精度较高,建模决定系数R2分别为0.840和0.884,可以用于检验样本SPAD实测值和估算值的拟合分析。

图4 颜色特征参数与水稻叶片SPAD值的相关性Fig.4 The correlation between color characteristic indexes and rice leaf SPAD value

分别用基于G-R和R/(G+B)建立的模型对10个检验样本的SPAD实测值和估算值进行拟合分析,拟合方程的决定系数R2和斜率越接近1,表明模型的精度越高。分析结果如图5所示。

图5 检验样本SPAD估算值与实测值的拟合Fig.5 Regression of estimated and measured SPAD values for samples for validation

由图5可知:两个模型的斜率分别为1.032和0.918,R2都超过0.9,具有较高的精度,可以用于估算SPAD值。

5 结论

为了解决传统方法测定水稻叶绿素含量步骤繁琐且耗时费力且便携式叶绿素仪只能进行点测定的问题,设计了一种基于计算机视觉的水稻叶绿素含量测定方法。叶片图像通过扫描获得,经过处理并提取叶片轮廓后选择G-R、B-R和R/(G+B)等3个颜色特征参数建立叶绿素含量的估算模型。基于G-R和R/(G+B)建立的模型精度较高,对检验样本SPAD值的拟合方程决定系数和斜率都接近1,可以用来准确测定水稻的叶绿素含量。