基于分段提取法的日光温室葡萄绿色分数高精度获取

李 波 ，葛 东 ，魏新光 ，郑思宇 ，孙 君 ，杨昕宇

（1.沈阳农业大学 水利学院，沈阳 110161；2.通辽市水利技术推广站，内蒙古通辽 028000）

东北地区不仅是我国的农业大粮仓，也是我国设施农业的主要分布区域[1]。 以辽沈系列为代表的日光温室由于节能、集约、高产、优质、可控等特点[2]，已经成为区域现代农业的主要表现形式。 辽宁省是东北设施农业的核心分布区域，设施种植面积达7．46×105hm2，居全国第二位[3]。 葡萄是辽宁省最重要的设施果树，早在20 世纪70 年代，辽宁省果树科学研究所就开始进行葡萄的设施栽培方面的研究，从而开启了我国设施葡萄研究的先河[4]。 1990 年以来发展迅速，截止2018 年，辽宁省日光温室种植面积达3．994×105hm2[5]，其中日光温室葡萄种植面积达 1．0×105hm2，种植面积均居全国首位，创造经济效益 2．0×109元[6]，日光温室葡萄已经成为区域现代农业的重要组成部分和农民增收的主要途径。

在日光温室种植条件下，植株生长空间受限，优化温室内植株冠层分布，提高光能利用率是提高日光温室葡萄产量和品质的关键。而冠层的绿色分数（Green Fraction）指标是衡量植株冠层分布的重要指标，并能在一定程度上反映植株活力与植株信息[7-8]。 近年来，表型监测技术凭借其灵活性高、图像数据分辨率高等优势，在表型监测平台上搭载传感器越来越多地应用于植株生物量、表型信息监测中[9-10]。 前人对作物绿色分数的提取主要利用表型监测平台、无人机遥感等搭载数码相机或多光谱相机，监测作物主要包括玉米[11]、冬小麦[12]、水稻[13]等大田作物。但是大尺度的遥感技术在环境人为调控的日光温室环境中的适应性还有待进一步研究。通过计算机视觉技术或植被指数建模反演等方法得到作物的绿色分数信息，关键一步是对获取的冠层图像进行阈值分割。 常见的阈值分割方法主要为：自适应阈值方法[14]、直方图双峰法、最大类间方差(Otsu)法[15-16]、最大熵法[17]、迭代法等。 刁智华等[18]提出一种基于改进的模糊边缘检测的图像阈值分割算法，比传统固定阈值分割算法提高了分割正确率。 刘立波等[19]研究出一种基于逻辑回归算法的自适应阈值分割方法，优于显著性分割方法。 刘媛媛等[20]提出一种基于图像多阈值的自动分割方法(DH-GWO)，相比于改进粒子群算法(PSO)和灰狼算法(GWO)，DH-GWO 算法精确度更高。 目前阈值分割方法众多，但对背景环境信息复杂的温室作物还没有一种能够普遍适用的分割方法。近年来，基于植被指数的经验统计作物信息被广泛应用。迄今为止，国内外提出的植被指数有上百种，较为常用的可见光植被指数[4]有植被颜色提取指数（color index of vegetation，CIVH）[21]、归一化绿红差异指数（normalized green-red difference index，NGRDI）[22]、归一化绿蓝差异指数（normalized green-blue difference index，NGBDI）[23]、可见光波段差异植被指数（visible-band difference vegetation index，VDVI）[8]、过绿指数（excess green，HXG）[24]和归一化植被指数（normalized difference vegetation index，NDVI）。 朱婉雪等[12]利用植被指数对冬小麦主要生育期的多光谱影像进行研究。孙国祥等[25]仅捕获5～6 月温室内黄瓜的冠层图像，采用3 种植被指数指标分割冠层。 方益杭等[26]拍摄大田内3 个关键生育期油菜图像，利用颜色特征进行分割。 前人大多针对特定生育阶段进行研究，全生育期动态监测作物的绿色分数信息研究较少。 牛亚晓等[27]采用归一化植被指数结合监督分类对航向及旁向重叠度为60%的冬小麦植被覆盖度信息进行提取。 张智韬等[28]采集大田玉米冠层正射影像，利用多种植被指数建模。滕佳昆等[29]对天顶角为90°的刺槐进行适应季节变化的指数研究。上述研究虽然对作物全生育期进行了动态研究，但是图像采集与分析仅局限于特定角度。 前人在大田下对黄瓜[25]、水稻[30]、小麦[31]、甜菜[32]、夏玉米[33]的冠层覆盖度进行了探究，针对日光温室内作物研究较少，对温室内葡萄植株图像提取全生育期不同生长部位作物信息的研究更不多见。

本研究以萌芽期、抽蔓期、开花坐果期、浆果膨大期和着色成熟期及不同生长部位的温室内葡萄植株为研究对象，根据所研究温室的结构特征、葡萄棚架形式与生长特征，定制了phenofix 型植物表型监测平台（phe鄄nofix-1，France），并利用该平台所搭载的RGB 传感器对葡萄生育期内的生长状况进行监测，利用多种植被指数结合阈值分割对葡萄植株进行分割，采用CIVH、HXG、VDVI3 种方法对葡萄不同生育阶段的绿色分数进行提取研究，并对不同生育阶段的结果进行比较，确定较优的葡萄植株不同生育阶段绿色分数的提取方法，从而提取葡萄植株全生育期的绿色分数，以期为日光温室内生物量监测、作物估产、温室管理等提供参考。

1 材料与方法

1.1 表型RGB 多角度原始图像获取

本研究采用2018 年所拍摄的葡萄全生育期不同生长部位的冠层图像数据进行分析，图像信息采集地点位于（41°49′N，123°33′H）沈阳农业大学北山科研基地 44号温室。 所使用的高通量作物表型监测平台（phenofix，法国）实物图如图1，平台主要由RGB 成像传感器、主控制箱、可调支架、多角度旋转圆盘、可控传送带4 部分组成，允许采样 3．5m，采样速度 0～2．00m·s-1，可通过主控制箱上的旋钮调节，本试验采样速度为0．14m·s-1，平均每次采样34 幅RGB 图像。 可移动监测平台以获取大面积葡萄表型RGB 图像，利用多角度旋转圆盘手动设定 4 个天顶角：90°，70°，50°，30°，可以获取葡萄冠层底部、中下部、中上部及顶部等不同生长部位的RGB图像（图2）。 Phenofix 研究平台搭载的相机影像传感器为堡盟VLG-40C，镜头搭载的为LM25HC。图像拍摄时间为 2018 年 4～8 月， 采集时间为上午 9∶00～11∶00 拍摄图像分辨率为 1022×1020 像素， 存储格式为 *．TIF格式。

图1 作物表型监测平台Figure 1 Crop phenotypic monitor apparatus

图2 研究区域的葡萄植株RGB 图像Figure 2 RGB Image of grape canopy in the study area

1.2 研究方法

本研究利用Photoshop 获取目标图像，选中植株区域，计算颜色直方图中所选区域像素值，作为植株绿色分数实测值。 采用阈值提取结合植被指数的方法进行葡萄植株绿色分数提取，方法流程如图3。

图3 方法流程图Figure 3 Crop process flowchart

1.2.1 阈值分割方法确定及评价 本研究利用迭代法、大津法和双峰法[34]分别确定RGB 图像的阈值，并比较3种方法得到阈值的提取精度，将提取精度高的阈值确定为最终阈值。 为进一步客观评价3 种阈值确定方法，采用相对目标误差率E 和总体平均匹配率M 对分割质量进行定量评价。 其计算公式为：

式中：M 为总体平均匹配率；E 为平均相对目标面积误差率；Xi为分割图像的目标像素值；Yi为实际的目标像素值，其中，Yi值由Photoshop 手动标准分割获得；N 为样本图像数目。

1.2.2 温室葡萄植株绿色分数的提取方法 植被指数是利用绿色植被在不同波段的反射特性， 对图像不同分量进行组合运算，增强植被的信息。 结合各地物在3 个通道的反射特性，选用VDVI、CIVH、HXG 作为葡萄植株绿色分数提取的植被指数。 VDVI、CIVH、HXG 计算公式为：

式中：G 为地物绿色波段反射率或像素值；B 为地物蓝色波段反射率或像素值；R 为地物红色波段反射率或像素值。

1.2.3 植株绿色分数提取精度的评价方法 可用自动分割与手动标准分割的提取误差对植被指数提取的葡萄植株绿色分数提取精度进行评价，以像素统计方法计算获得两者的值。 计算表达式为：

式中：EG为植株绿色分数提取误差；Gsup为由人工通过Photoshop 手动标准分割获得的葡萄植株绿色分数；GVI为通过植被指数法获取的葡萄植株绿色分数。

1.2.4 估测模型评价指标 选取决定系数R2、均方根误差（RMSH）、一致性指数d（其取值范围为0～1，值越大表示实测值与预测值的一致性程度越高）来评价绿色分数估测模型的估测效果。 其计算公式为：

式中：Xi、为实测值、实测值均值；Yi、Y 为估测值、估测值均值；n 为估测模型的样本数量。

1.3 数学形态学滤波

冠层RGB 图像分割过程中，由于存在阈值误差等原因，使得分割结果图像的部分区域存在孤立的毛刺、小的孤立点、噪点等错误分割情况，可采用形态学滤波方法开闭运算[35]对分割结果进行优化，本研究使用半径为5 像素的圆盘形结构元得到的先闭后开操作结果（图4）。

2 结果与分析

2.1 阈值分割方法的确定

本研究分别利用大津法（Otsu 阈值分割法）、迭代法和直方图双峰法（以下简称为“双峰法”）对15 幅试验葡萄植株图像进行阈值提取，并对3 种阈值确定方法的分割性能进行比较（表1）。 由表1 可知，大津法平均相对面积误差率最小（6．59%），平均匹配率最高（97．78%），其误差率和平均匹配率显著高于双峰法（16．08%，96%）和迭代法（12．75%，97．28%），分割效果最好；在分割时间上，3 种方法的平均处理时间分别为 3．73，2．25，2．82s，大津法和迭代法处理时间均较短，双峰法则较长。虽然大津法比迭代法处理时间略长，但差别不大，且其分割效果远好于迭代法，综合考虑，大津法在分割时间和分割效果整体优于其他两种分割方法。 因此本研究采用大津法进行阈值分割。

图4 葡萄植株分割图像形态学处理效果Figure 4 Morphological processing effect of grape canopy segmentation image

表1 不同阈值分割方法提取性能比较Table 1 Comparison of extraction performance of different threshold segmentation methods

2.2 不同生育阶段葡萄绿色分数提取精度比较

利用大津法结合CIVH、HXG、VDVI 等3 种常用的植被指数，对葡萄底部冠层不同生育阶段（葡萄萌芽期，2018-4-22；抽蔓期，2018-5-1；开花坐果期，2018-6-6；浆果膨大期，2018-7-10;着色成熟期，2018-8-3）的绿色分数进行提取，并与Photoshop 提取的葡萄绿色分数真值进行比较，不同方法提取结果如图5。 其中，除VDVI外的其余植被指数提取结果中黑色部分代表植株，白色部分代表非植株。 由图5 可知，葡萄植株绿色分数从萌芽期到浆果膨大期明显增大，葡萄在着色成熟期生长阶段出现衰败现象，导致植株绿色分数下降，基本符合葡萄全生育期的生长特征。

利用式（6）的植株绿色分数提取精度验证方法，以Photoshop 标准分割结果为实测值，对植被指数法提取的葡萄植株绿色分数进行精度验证，统计结果如表2。

通过对上述3 种方法提取的绿色分数精度比较， 发现CIVH 指数在葡萄生长萌芽期和抽蔓期阶段的绿色分数提取精度最高， 相对提取误差仅为 8．45%和 5．27%， 远小于 HXG 和 VDVI 指数的 22．35%、33．22%和21．35%、11．94%。 但其在开花坐果期、浆果膨大期和着色成熟期的提取精度并不高，本研究同时发现，在葡萄的开花坐果期、 浆果膨大期和着色成熟期这3 个生长阶段提取精度最高的方法是HXG， 该指数的提取误差在0．56%～6．39%，而其他两种指数在这3 个生长阶段内的相对提取误差均大于7．73%，因此在葡萄的不同生育阶段，绿色分数的最佳提取方法存在差异。在葡萄的萌芽期和抽蔓期，CIVH 指数提取精度最高，而在开花坐果期、浆果膨大期和着色成熟期则采用HXG 指数提取效果最佳。

为了进一步比较两种方法在整个葡萄冠层绿色分数的提取精度，利用改变天顶角的方式，对典型植株不同生长部位的图像进行获取， 并分别采用CIVH、HXG2 种植被指数对全生育期整个葡萄冠层的绿色分数值进行确定，结果如图6。 其提取精度如表3。 由图6 和表3 可知，两种方法在葡萄全生育期提取效果良好，R2、RMSH分别为 0．814，0．029 和 0．82，0．028。 但如果分段提取，生育前期（萌芽期、抽蔓期）用 CIVH 指数、生育后期采用HXG 指数，提取精度会进一步提高。 利用CIVH 对葡萄生育前期（萌芽期、抽蔓期）绿色分数进行提取，R2达0．953 显著地高于 HXG 法（R2=0．713）以及两种方法在全生育期的提取精度（R2分别为 0．814 和 0．820）；而在生育后期（开花坐果期、浆果膨大期和着色成熟期）HXG的提取效果亦优于 CIVH，（R2分别为 0．948 和 0．646），且HXG 的RMSH 约为CIVH 法的1/2； 就本研究而言，单一方法的提取精度良好，如果采用分段提取方法，提取精度会进一步提取。 因此，本研究确定采用CIVH、HXG 指数及分段提取法等3 种方法对葡萄的绿色分数进行提取。 其中分段提取法中前两阶段（萌芽期、抽蔓期）利用大津法结合CIVH 监测绿色分数信息，后3 个生长阶段（开花坐果期、浆果膨大期和着色成熟期）利用大津法结合HXG 进行监测。

图5 不同生育期提取图像Figure 5 Extract images of different growth periods

表2 植株绿色分数提取精度Table 2 Plant green fraction extraction accuracy

2.3 葡萄绿色分数提取方法精度验证

分别采用3 种方法对温室监测范围内所有植株（除典型植株）全生育期整个葡萄冠层的绿色分数均值进行提取，并对其提取精度进行对比分析（表4）。 由表4 可知，分段提取法对全生育期绿色分数的提取精度最高，R2、d 分别为 0．979 和 0．957，显著高于 CIVH 法、HXG 法 （R2、d 分别为 0．832 和 0．825；0．875 和 0．888）。并且 RMSH（0．019）远低于其他两种方法（0．038，0．030），由此可见，分段提取法是葡萄冠层绿色分数提取的最佳方法。

图6 典型植株不同生长部位绿色分数均值Figure 6 Mean green fraction of different parts of typical plants

表3 典型植株不同生长部位均值提取精度Table 3 Verification for accuracy of plant green

表4 全生育期绿色分数提取精度验证Table 4 Verification table for accuracy of plant green

由于葡萄冠层分布范围较广，为进一步明确分段提取法在不同冠层部位的提取效果，利用改变天顶角的方式，对葡萄不同冠层部位绿色分数进行提取精度比较（图 7），图 7 中 a、b、c、d 依次为植株底部、中下部、中上部、顶部植株绿色分数信息提取值。 总体来看，采用分段提取方法能够较好地反映葡萄植株各部分冠层绿色分数的变化趋势，其中植株中下部和底部提取精度都非常高（R2＞0．94），方程的一致性指数 d＞0．98，中上部和顶部提取效果也较为良好，R2分别为 0．854 和 0．813。 标准均差 RMSH 和一致性指数 d 分别 0．039，0．067和0．957，0．940，相对而言，利用分段提取方法对葡萄植株底部和中下部的提取精度要高于中上部和顶部。 主要是由于，在葡萄生长过程中需要利用修剪技术控制每枝新梢的叶片数量，从而达到营养均衡的目的，故在整个生育期内需根据实际情况对冠层进行修整，中上部及顶部修剪频率和强度均较大，导致绿色分数波动较为剧烈。 萌芽期至开花坐果期，葡萄植株底部冠层的绿色分数增长迅速，开花坐果期至果实膨大期增长较缓慢，着色成熟期后绿色分数呈现下降趋势，符合葡萄植株的生长状况。

图7 基于分段提取法的葡萄冠层不同部位绿色分数监测结果Figure 7 Mean green fraction of different parts of typical plants

3 讨论与结论

从全生育期提取精度对比结果中可以看出，基于单一植被指数方法提取绿色分数时，CIVH 指数在葡萄生育前期提取精度较高，而HXG 指数在葡萄生育后期提取精度较高，这可能与不同生育阶段葡萄的绿色分数大小差异有关。 一方面随着生育期的推进，植株完全长成，叶片交错纵横，进而影响到光吸收与叶片反射率[36]；另一方面生育后期叶片逐渐枯萎，叶倾角降低，叶向值变大，高密度冠层中上部及顶部叶面积较少，也可能会影响绿色分数提取[37]。 ZHANG 等[21]发现CIVH 对甘蔗、玉米、水稻、棉花4 种作物提取的绿色分数较高，上述作物的绿色分数提取主要集中于生育期前期，绿色分数值普遍较低；而赵静等[38]研究发现，HXG 在玉米生长后期的植被覆盖度提取效果最好，这与本研究结论不一致。此外，伍艳莲等[39]研究表明CIVH、HXG 联合进行分割玉米、棉花、小麦等绿色作物时，分割时间明显变长，效果没有提升，与本研究结论不一致。 这可能是因为该研究是从大田的土壤、杂草等背景中将作物分离出来，而本研究主要是从温室内的红色砖墙及棚架、棚膜等背景中分割出葡萄冠层，由于图像背景颜色特点不同，导致采用的颜色指数分割效果不同。 本研究所得结果主要着重于日光温室内不同生育阶段及不同生长部位的植株绿色分数提取， 由于分段提取法实现了植株高精度绿色分数的无损监测，成本低廉，易于实现与推广，具有良好地应用前景。 对于该方法在大田条件下的适应性将是下一步研究的重点。

本研究结果表明，利用大津法进行阈值分割误差率最小（6．5%），匹配率最高（97．78%），精度高于迭代法和直方图双峰法。 在不同的葡萄生育阶段，绿色分数的最佳提取方法存在差异，在葡萄的萌芽期和抽蔓期，CIVH法提取精度最高，而在开花坐果期、浆果膨大期和着色成熟期则采用HXG 法提取效果最佳。在葡萄不同生长部位，采用CIVH 和HXG 结合的分段提取法，其绿色分数的提取精度均优于单一方法提取结果，但不同生长部位的效果也存在差异，其中葡萄冠层中下部和底部的提取精度最高（R2＞0．94，d＞0．98），中上部和顶部次之，模型的一次性指数分别为 0．957 和 0．940。