基于图像特征的油菜叶绿素含量快速估算

娄卫东， 林宝刚， 周洪奎， 华水金， 胡昊*

(浙江省农业科学院a数字农业研究所，b作物与核技术利用研究所，浙江 杭州 310021)

植物体内的营养水平、水分状况、衰老程度以及受病害影响与叶片颜色密切相关，因此，可利用颜色指标评估其生长状况[1-4]。作物叶片颜色主要为绿色，还包括黄色、红色、紫色等。作物绿叶的色素主要包含叶绿素a、叶绿素b等。过去，研究者通过对作物毁坏性取样测定叶片中的色素含量、养分或者其他指标，从而确定两者之间的关系[5-6]。采用该方法测定精确，但是成本较高、费时费力，且因为取样的破坏性，无法对作物生长信息进行实时获取，导致对于田间作物实际管理存在一定的滞后性。近年来，随着信息技术在农业研究中的应用，使得数码相机、摄影机、手机等便携式设备无损获取植物叶片颜色这一性状越来越容易，因此，基于植物数字图像的颜色特征分析，已成为评估作物营养状况和对环境胁迫响应的有效手段。Cai等[7]通过数码相机结合图像颜色分析研究了作物叶片的衰老情况。Grunenfelder等[8]使用光谱指数来评估市场新鲜马铃薯的叶绿素发育。Chen等[9]用叶片数字图像的颜色特征估算了叶绿素含量(SPAD)，取得了较好的估算效果。

基于图像的颜色呈现有多种表示方法。RGB色彩模式是色彩领域的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)3个颜色通道的变化以及它们相互之间的叠加来得到各种颜色。RGB作为红、绿、蓝3个通道颜色的代表，几乎囊括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。Lab模式是CIE(国际照明委员会，Commission international eclairage)在1931年制订的一种颜色标准，它是一种基于生理特征但与设备无关的颜色模型，其色域大于计算机显示器和人类视觉。Lab颜色模型由3个要素组成，亮度L、a*和b*，a*包括的颜色是从深绿色到灰色再到亮粉红色，b*是从亮蓝色到灰色再到黄色，Lab颜色模型弥补了RGB色彩模式的不足。

RGB与Lab作为当前最常用的颜色空间，其图像颜色特征参数用于作物评估的研究非常有应用价值。传统的作物叶绿素含量测定需要耗费较多人力物力，而且不能及时用于作物田间管理。有学者通过高光谱方法估算了油菜叶绿素含量，建模精度R2达0.947[10]，不过国内外通过叶片图像提取颜色特征进行油菜叶绿素含量的估算少见报道。因此，本文着重研究从传统数码相机拍摄的叶片颜色图像中分析油菜叶绿素含量状态，以期为作物胁迫管理提供理论参考。

1 材料与方法

1.1 供试材料

于浙江省农业科学院试验基地进行油菜温室盆栽试验。供试品种为浙油50，种子由浙江省农业科学院作物与核技术利用研究所油菜育种与栽培研究室提供。土壤pH 6.85，有机质含量为7.25 g·kg-1，全氮含量为0.820 g·kg-1，速效磷和速效钾含量分别为45.36和98.60 g·kg-1。2019年10月25日播种，每盆播种3～5粒种子(15 L聚氯乙烯盆)，待油菜长至5叶期时，每盆定苗1株。为产生叶绿素梯度，试验处理为4个施氮量：0、50、100和150 kg·hm-2，氮肥形态为尿素。试验进行3次重复，每个重复5盆，完全随机排列。另外设置验证试验，验证试验处理、重复及相关管理与以上建模试验一致。

1.2 数据获取

播种50 d后，选择油菜植株最新完全展开叶采集叶片图像，使用佳能EOS 50D数码相机(日本Canon公司)垂直获取叶片的数字彩色图像，距离拍摄对象50 cm，曝光时间1×10-3s，伽马校正+1.0，卤素灯自动对焦和色彩平衡。拍摄时，油菜叶片放在玻璃板下的白色背景上，用4个矩形分布的稳定卤素灯泡照明，以消除玻璃表面的光反射。所有测量进行3次重复。

油菜叶片彩色图像分析使用Adobe Photoshop CS3 Extended 10.0软件(美国Adobe系统公司)。RGB颜色模型中的图像有3个主要成分，R(红色)、G(绿色)和B(蓝色)，每种颜色有256个刻度。Lab颜色空间获得L(亮度)、a*(a通道)和b*(b通道)读数。

油菜叶片图像采集后，立即使用铝箔包裹，以避免色素被光降解。从取样的叶片中提取约0.5 g样品，随后把样品研磨，并将其用80%丙酮溶液浸泡，黑暗中放置24 h，使用Uvikon 930分光光度计(法国Secomam公司)根据Lichtenthaler方法[11]计算叶绿素含量。

分别选取40个油菜图像样本用于RGB与Lab颜色空间试验分析建模。另外选取独立试验的40个油菜样本数据对建立的模型进行验证。

1.3 统计分析

使用SPSS 17.0(美国IBM公司)皮尔逊相关分析和双尾检验用于分析叶片颜色指数和叶绿素含量之间的相关性。利用SigmaPlot 12.0(美国Systat软件公司)曲线拟合工具对数据进行回归并绘制图表。

2 结果与分析

2.1 RGB空间特征与叶绿素含量的关系

随着R、G值的增加，油菜叶绿素a、叶绿素b和总叶绿素含量呈降低趋势。油菜叶图像R、G值与叶绿素a、叶绿素b以及总叶绿素含量的相关性均达到极显著水平，B值与叶绿素a、叶绿素b和总叶绿素含量的相关系数较低，未达到显著水平(图1、表1)。相对而言，叶片图像颜色R、G值与叶绿素a含量的相关系数最高，与总叶绿素含量次之，与叶绿素b的相关系数最小，这可能与叶绿素a是叶绿素的主要组成部分有关。

图1 油菜叶片图像RGB空间颜色特征参数与叶绿素含量的关系

特征参数组合与转换可能会提高图像颜色特征与叶绿素含量的相关性。由表1可知R、G、B值及其组合形成的颜色指数与叶绿素含量之间的相关系数，其中R+G+B、R-B、R+G、R+B、B+G-R与叶绿素a含量、叶绿素b含量、总叶绿素含量呈极显著负相关；R/(R+G+B)与叶绿素a、总叶绿素含量呈极显著负相关，与叶绿素b含量呈显著负相关；G/(R+G+B)参数与叶绿素a含量呈极显著负相关，与总叶绿素含量呈显著负相关，与叶绿素b含量未发现有显著的相关关系；B/(R+G+B)与叶绿素a、总叶绿素含量呈极显著正相关关系，与叶绿素b含量呈显著正相关。

表1 油菜叶图像颜色特征与叶绿素含量的相关系数

选取R、G特征作为代表，回归拟合R、G与叶绿素a、叶绿素b及总叶绿素含量的关系，可见基于R值的叶绿素含量模型拟合精度为0.380 3～0.613 2，基于G值的叶绿素含量估算模型拟合精度为0.453 7～0.734 7。从图1可以看出，通过R、G值对叶绿素a含量的估算精度优于总叶绿素含量，对叶绿素b含量的估算精度较低。

2.2 Lab空间颜色特征参数与叶绿素含量的关系

Lab颜色模型的3个参数与油菜叶绿素含量建立的显著性关系见表1，其中，L与叶绿素a、叶绿素b及总叶绿素含量存在极显著负相关；b*与叶绿素a、总叶绿素含量呈极显著负相关，与叶绿素b含量呈显著负相关；未发现a*与叶绿素a、叶绿素b、总叶绿素含量存在显著的相关性。

选取了L、b*值作为代表，回归拟合了L、b*值与叶绿素a、叶绿素b及总叶绿素含量的关系(图2)，基于L值的叶绿素a、叶绿素b及总叶绿素含量的拟合精度分别为0.645 2、0.430 4、0.689 4；基于b*值的叶绿素a、叶绿素b及总叶绿素含量的拟合精度分别为0.395 7、0.127 6、0.337 1。可以发现通过L、b*值对叶绿素a、总叶绿素含量的估算精度远高于叶绿素b。

图2 油菜叶片图像Lab空间颜色特征参数与叶绿素含量的关系

2.3 基于RGB、Lab空间颜色特征的叶绿素含量估算模型评估

优选RGB空间的G值、Lab空间的L值作为油菜叶图像颜色代表，构建了叶绿素a、总叶绿素含量估算模型：叶绿素a含量=-0.014 3×G值+2.120 2；总叶绿素含量=-0.020 8×G值+3.032 2；叶绿素a含量=-0.014×L值+2.107 7；总叶绿素含量=-0.021 5×L值+3.121 5。

设置独立试验对以上估算模型进行验证，基于G值、L值的叶绿素a、总叶绿素含量估算值与实际测量值的关系见图3。可见基于G值、L值的总叶绿素含量模型验证效果较好，估算值与测量值较为接近，验证线性模型精度分别为0.916 5和0.919 9。基于G值、L值的叶绿素a含量估算验证模型稍差，不过验证线性模型精度仍达到了0.744 6和0.779 7。

图3 基于RGB空间G值和Lab空间L值的叶绿素含量估算模型验证

3 讨论

国内外研究[12-15]表明，通过作物图像颜色分析可以诊断作物是否处于养分缺乏、洪涝、干旱等生长状态，其原理可能是作物图像提取的颜色特征与作物的生理参数具有较为密切的相关关系。本研究也表明，油菜叶片图像颜色特征值与叶绿素含量的相关系数最高为0.874，达到极显著相关(P<0.01)。与本研究类似，诸多学者通过分析叶片图像的颜色特征、图像纹理、光谱信息等，利用这些信息的特征参数或组合进而实现了作物叶绿素含量的估算[16-19]。

本研究采用数码相机采集作物图像，可能受环境光线、采集角度等因素影响，人为抖动、软件分析及建模方法等也可能影响这种方法的应用。为避免环境、人为、软件、分析方法等因素干扰，应建立标准的图像采集、分析控制、建模程序和过程。不同设备、图像采集方法、采集环境、软件分析、建模方法等对颜色特征参数的稳健性需要进一步研究。

本研究表明，通过油菜叶片图像颜色RGB空间与Lab空间特征参数，可以实现油菜叶绿素含量的估算。相对而言，基于叶片图像颜色特征参数估算叶绿素a含量的模型精度较高，总叶绿素含量模型次之，叶绿素b含量模型较差，这可能与叶绿素a在总叶绿素中占比较多有关。也有其他学者选用了HIS颜色空间，并构建了基于DGCI指数的叶绿素含量估算模型，决定系数R2达到了0.91[20]。

通过颜色空间特征参数的转换与组合有可能会提高叶绿素含量模型的精度，如RGB空间内，R+G与叶绿素a含量地相关系数为-0.860，达到极显著相关水平，Snchez-Sastre等[20]发现(R-B)/(R+G+B)可以很好的估算甜菜叶绿素含量，Özreçberolu等[21]研究表明，G和B的多元回归模型能较好地估算石榴树的叶绿素含量，这为图像颜色特征的选择与应用提供了较大空间。本研究通过独立验证试验表明，基于RGB和Lab空间颜色特征值的叶绿素含量估算值与实际测量值有较好的线性关系，测量值与实际值偏离较小，其中基于G值、L值的总叶绿素含量验证线性模型精度分别为0.916 5和0.919 9，应用前景广阔。针对颜色特征参数的建模方法，本研究采用了简单的线性模型，有学者采用了多元回归、神经网络、机器学习等方法，尽管这些方法取得了较为理想的建模结果[22-24]，但也可能增加了后期模型开发应用的难度。

4 小结

通过叶片图像颜色RGB与Lab颜色空间特征值能实现油菜叶绿素含量的快速估算，尤其通过RGB空间的G值，其估算总叶绿素含量模型精度R2为0.764 7；相对而言，基于RGB颜色空间特征的叶绿素含量估算精度优于Lab颜色空间。总体上看，RGB、Lab颜色特征值对叶绿素a的估算精度优于叶绿素b和总叶绿素含量。独立验证试验表明，基于RGB和Lab颜色空间的叶绿素含量估算模型预测值与实际测量值较为接近，因此，本研究有较大的应用价值，可为通过作物图像评估作物状态提供较好的理论参考依据。