基于数码图像的棉花叶片氮含量估测研究

洪 波，张 泽，张 强，马怡茹，易 翔，吕 新

（1石河子大学农学院，新疆 石河子 832003；2新疆生产建设兵团绿洲生态农业重点实验室，新疆 石河子 832003）

0 引言

棉花的营养诊断和推荐施肥都是以传统的田间叶片采集和实验室化学分析为基础，虽然具有较高的准确性，但是也存在费时、费力、耗材等缺陷，很难在大面积棉田营养诊断上推广应用[1]。近年来，随着信息技术的飞速发展，数码图像分析技术在植物营养诊断方面得到了广泛研究，与传统营养诊断方法相比，该方法具有快速、无损等优势[2]，因此，更易于在实际应用中进行推广。目前，国内外越来越多的学者利用数字图像技术进行作物营养诊断，并取得了较好的成果。如Lee等[3]利用数字图像分析技术，从彩色数码相机影像上提取10种颜色指数和覆盖度指数，发现有8种色彩参数以及覆盖度、叶面积指数等与地上氮素含量之间存在显著的相关性，并运用回归的方法构建基于色彩参数和农学指标的氮积累量估测模型，经过独立试验验证，估测模型的精度可满足实际需要。陈敏等[4]利用棉花叶片图像色彩参数，分别分析棉花不同叶位氮含量与色彩参数的相关性，从而确定进行棉花氮素营养诊断的最佳叶位。李小正等[5]提取棉花叶片数字图像颜色参数，确定6个输入向量，比较了线性网络、BP网络以及径向基网络等3种神经网络模型，取得了较好的研究结果。另外，在水稻[6-12]、玉米[13-15]等大田作物和瓜果蔬菜[16-19]等园艺作物上，单独利用利用数字图像色彩参数进行营养诊断的研究也取得了较多的成果。借助于数码图像进行作物营养诊断的优势，基于数码图像颜色特征进行作物营养诊断的研究日益趋向成熟，但迄今为止，将作物图像的颜色参数和纹理参数综合应用于棉花氮素营养诊断的研究尚未见到报道。本研究旨在结合棉花叶片颜色特征参数和纹理特征参数构建棉花不同叶位氮含量估测模型，通过对比分析不同叶位模型的精度，确定在利用数码图像进行棉花氮素营养时选用的最佳图像特征参数和最佳诊断叶位。以期为实现棉花氮素营养快速、精确和无损提供理论依据。

1 材料与方法

1.1 材料

1.1.1 试验区概况 本试验于2020年9月在新疆维吾尔族自治区石河子市石河子大学农学院实验站网室内进行(E 86.03°、N 44.18°)。取农学院实验站地表0 ～40 cm土壤，风干过筛后使用花盆装土，供试土壤质地为中壤土。土壤基本理化性状为：碱解氮含量103.8 mg/kg，有机质含量18.1 g/kg，速效磷含量8.91 mg/kg,速效钾含量290.3 mg/kg，田间持水量为24.6%。

1.1.2 试验设计 本研究以‘新陆早53号’为试验品种，使用上口经40 cm的花盆种植，花盆装土质量为35 kg。试验共设置4个氮肥处理，每个处理重复8次，总共有32盆棉花。各处理的施氮量分别为0 g/盆(N0)、1.876 g/盆(N1)、5.628 g/盆(N2)、7.504 g/盆(N3)，施磷量和施钾量均为1.876 g/盆。供试肥料分别为尿素(N 46%)、过磷酸钙(P2O512%)、氯化钾(K2O 60%)。为了保证能在棉花生长过程中进行连续性观测不受因施肥时间及施肥量的影响，本试验的所有肥料均作为基肥一次性施入。盆栽试验的其他管理方案均采用当地农业技术推广部门的推荐技术。

1.1.3 棉叶样本采集 分别在棉花出苗60、80、100天选取各处理长势接近的棉花3株，将其倒1叶、倒2叶、倒3叶、倒4叶从叶柄处剪下装入单独的自封袋编号，迅速放入入装有生物冰袋的冰盒中冷藏保存，带回室内获取数字图像信息。本研究采集棉花倒1叶、倒2叶、倒3叶、倒4叶各48片，共采集棉花叶片192片。

1.2 方法

1.2.1 棉叶图像获取与处理

（1）图像获取。本研究使用智能手机（huawei P30，后置像素3700万像素）进行棉叶图像采集，打开相机之后将分辨率固定为3254×2908保持不变，以A4纸作为背景进行拍照，拍照时手机镜头和叶片的距离保持在20 cm，图像以JPEG格式保存。图像的拍摄在装有无影灯的暗箱中进行。本次研究采集4个叶位图像各48张，共采集图像192张。

（2）图像处理。叶片图像处理的流程包括彩色图像灰度化、去噪、分割和目标图像获取。本研究图像处理采用MATLAB R2016a编程实现。首先调运函数rgb2gray将彩色图像转化为灰度图像（图1.b），然后运用均值滤波[20]的方法对含噪灰度图像进行去噪，去噪时调运函数medfilt2。接着对去噪后的灰度图像（图1.c）进行分割，灰度图像分割是按照图像阈值进行的，在阈值的选择上，本研究采用最大类间方差法[21]（Otsu法）选择阈值，Otsu法将图像分为背景和目标两部分来计算背景和目标的方差值。最后将分割后的图像（图1.d）分别与去噪后的灰度图像和彩色图像像素逐点相乘[25]，获得彩色目标图像（图1.e）和灰度目标图像（图1.f）。

图1 棉叶预处理图像

1.2.2 棉叶图像特征参数提取

（1）颜色特征参数提取。本研究对棉叶片分别进行颜色和纹理特征的提取。首先基于RGB颜色模型进行棉叶颜色特征提取[22]。使用MATLAB R2016a软件提取棉叶图像的红光值(R)、绿光值(G)和蓝光值(B)3个颜色分量，对3个分量进行组合运算得到R/(G+B)、G/(B+R)、B/(G+R)、G/R、G/B、B/R6种组合参数，同时计算得到归一化红光值(r)、归一化绿光值(g)，归一化蓝光值(b)，共得到包含R、G、B在内的共12种颜色特征参数。其中r、g、b计算公式如(1) ～(3)。

（2）纹理特征参数提取。采用灰度共生矩阵[23-24](GLCM)算法进行纹理特征提取，在提取纹理特征时，以0o、45o、90o、135o作为常用方位角，通过计算2个像素之间的相近关系的概率来获得能体现物体特征的二阶统计量。灰度共生矩阵计算获得的参数数量较大，不宜直接作为纹理特征，通常基于其构建统计量，结合方位较建立纹理特征向量。常用的4个不相关的纹理特征[25]有能量(ASM)、相关性(COR)、熵(ENT)和逆差矩(IDM)，计算公式如(4) ～(7)。

1.3 棉叶样品氮含量测定

待叶片采集完图像之后转入自封袋，105℃下杀青，30 min后于烘箱中80℃条件下烘干至恒重，然后称量并记录干物质重，将样品粉碎后全部置于消煮管中，采用H2SO4-H2O2消煮，用凯氏定氮法[26]测定棉叶氮含量。公式(8)。

其中V1为样品测定所消耗标准酸体积(mL)；V0为空白试验所消耗的标准酸体积(mL)；C表示标准酸的当量浓度(mol/L)；14表示氮原子的摩尔质量(g/mol)；100表示第一次定容体积(mL)；10表示吸取体积(mL)；m为棉叶质量(g)。

1.4 数据处理与分析

本研究使用Spss 19.0软件进行差异显著性和相关性分析，使用Excel 2019软件制图。使用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)对所建模型进行精度评价。

2 结果与分析

2.1 棉花叶片氮含量与图像特征参数相关性分析

以棉花不同叶位为对象，分别分析各叶位氮含量和图像特征参数的相关性（图2），相关性分析结果表明本次研究提取的12种颜色参数和4种纹理参数中，除G、g、G/R、IDM外，其余图像参数均与叶片氮含量呈正相关。倒1叶和倒4叶氮含量与图像参数r、G/(B+R)、G/B、COR、ASM的相关性最好，相关系数均大于0.55；倒2叶氮含量与图像参数r、G/(B+R)、G/B、COR相关性最好，相关系数均大于0.57；倒3叶氮含量与图像参数r、G/(B+R)、G/B、ASM相关性最好，相关系数均大于0.55。

图2 棉花叶片氮含量与图像特征参数相关性热图

2.2 棉花叶片氮含量估测模型构建

在采集的96个棉花叶片样本中选取其中60个样本作为建模集，根据图像特征参数与氮含量相关性分析结果，把与各叶位相关系数大于0.55的图像参数作为自变量，以氮素含量为目标变量，采用偏最小二乘回归(PLSR)方法构建氮含量估测模型。建模时分别以颜色特征、纹理特征、颜色和纹理特征为自变量，分别构建基于颜色特征、纹理特征、颜色和纹理特征的棉花各叶位氮含量估测模型。建模结果如表1所示，对比分析基于不同自变量的模型R2可知，4个叶位均表现出基于纹理特征的模型R2最小，基于颜色特征的模型R2次之，综合颜色特征和纹理特征的模型R2最高，且对比二者单独作为自变量的模型，其模型的R2均有了明显的提高；对比分析不同叶位之间模型R2的大小可知，倒2叶、倒3叶模型R2最低，R2均在0.70以下，倒1叶、倒4叶模型R2高于另外两个叶位，其中倒4叶模型R2均在0.70以上，基于颜色和纹理综合特征的模型R2达到最高，R2为0.843。

表1 基于图像特征参数的棉花不同叶位氮含量估测模型(n=60)

2.3 棉花叶片氮含量估测模型的验证

为检验估测模型的可靠性，将各叶位剩余的36个棉花叶片样本图像特征参数和氮含量数据作为验证集，分别对4个叶位氮含量估测模型精度进行验证。拟合结果表明（图3），基于图像颜色和纹理综合特征构建模型的估测值与实测值拟合效果最佳，其验证集R2、RMSE和RE均优于二者单独建模；比较倒1叶和倒4叶三个模型氮含量实测值和估测值拟合效果表明，倒4叶三个模型的拟合效果均优于倒1叶，其中基于颜色和纹理综合特征的模型验证集R2最大，为0.843，RMSE和RE最小，分别为1.326、8.14%。

图3 基于图像颜色-纹理综合特征参数的氮含量实测值与估测值

3 讨论

3.1 棉花叶片氮含量与图像特征参数相关性分析

本研究发现，数字图像颜色特征参数r与棉花倒4叶片氮含量相关性较好，相关系数为0.75，与魏全全等[27]、陈佳悦等[28]研究结果一致，表明数字图像颜色特征参数r具备对植物叶片氮素营养诊断的指标能力，参数r可以作为不同植物氮素营养状况评价的指标。图像颜色特征参数G/(B+R)、G/B也与棉花叶片氮含量具有较好的相关性（不同叶位相关系数均大于0.6），这与刘伟[29]、王晓静等[30]的研究结果一致，说明图像颜色特征参数G/(B+R)和G/B也可以作为不同植物氮素营养状况评价的指标。与以上研究结果不同的是，本研究在提取棉花叶片图像纹理特征参数之后，还发现图像纹理特征COR、ASM与叶片氮含量具有较好的相关性（不同叶位相关系数均大于0.6），这说明除了以上颜色特征参数之外，棉花还具有本身特有的氮素营养状况评价指标，进一步说明了图像处理技术在棉花叶片氮素营养诊断方面具有广泛的应用前景。

3.2 棉花叶片氮含量预测模型构建与验证

基于以上相关性分析结果，本研究在构建氮含量预测模型时，引入棉花叶片图像纹理特征，构建了基于图像颜色和纹理综合特征参数的氮含量预测模型，通过对每个叶位中基于颜色特征、纹理特征、颜色和纹理综合特征所建模型的比较分析，发现倒1叶、倒2叶、倒3叶、倒4叶基于颜色和纹理综合特征所建模型的R2最高，R2分别是0.759、0.687、0.658、0.843，且与颜色和纹理单独构建模型的R2相比，其模型R2有了明显提高，其预测结果明显优于基于颜色特征或纹理特征构建的氮含量预测模型。另外，本研究通过对比分析棉花倒1叶、倒2叶、倒3叶、倒4叶所建模型各自训练集和验证集R2、RMSE和RE变化，发现倒2叶和倒3叶模型训练集和验证集R2较低，R2均小于0.7，RMSE和RE较大，RMSE均大于1.8，RE均大于8.6%。倒1叶和倒4叶模型训练集和验证集R2较高，R2均大于0.75，RMSE和RE较小，RMSE均小于1.8，RE均小于8.6%。对比倒1叶和倒4叶模型训练集和验证集，发现倒4叶模型评价指标R2、RMSE和RE均优于倒1叶。

4 结论

本研究首先通过分析棉花叶片图像特征参数与氮含量的相关性，得出颜色特征参数r、G/(B+R)、G/R和纹理特征参数COR、ASM可作为棉花氮素营养诊断的评价指标；其次分别基于不同特征参数构建了棉花不同叶位氮含量估测模型，通过对比分析不同模型之间评价指标R2、RMSE、RE的优劣，得出基于颜色和纹理综合特征所建模型估测测结果明显优于基于颜色特征或纹理特征所建模型；最后对棉花倒1叶、倒2叶、倒3叶、倒4叶建模结果的对比，明确了利用数字图像技术进行棉花氮素营养诊断的叶位为棉花倒4叶。