王立舒，陳月華，高漢峰，房俊龍

（東北農(nóng)業(yè)大學工程學院，哈爾濱 150030）

氮元素是大豆生長過程中非常重要的元素，它的缺失對大豆質(zhì)量和產(chǎn)量有重要的影響。研究表明當大豆葉片缺氮時，葉片從葉緣到葉尖逐步黃化，并呈正V形幾何形狀。運用計算機模式識別技術(shù)對缺氮大豆葉片的光學特性進行研究，建立專家模型對大豆缺氮進行智能診斷與識別，是一項有廣闊發(fā)展前景的工作[1-2]。

1 葉片氮元素含量信息采集原理

植物葉片呈現(xiàn)的顏色是各種色素的綜合表現(xiàn)，其中主要是綠色的葉綠素和黃色的類胡蘿卜素兩大類色素之間的比較，一般正常葉片的各色素分子比例為葉綠素a∶葉綠素b∶葉黃素∶類胡蘿卜素=6.75∶2.25∶2∶1。由于葉綠素主要吸收藍紫光和紅色光，從吸收光譜來說葉綠素吸收的藍紫光比紅色光多。當一束可見光照到葉片上后被吸收的藍光、紅光較多，綠光幾乎沒有被吸收就反射過來，因此反射回來的光應該為綠光最多、紅光其次、藍光最少。

分析表明，可以根據(jù)大豆葉片的顏色及葉綠素對光譜的吸收原理來判斷大豆的氮元素的含量及其與葉片顏色及紋理的相關(guān)性[3-5]。

2 氮元素采集診斷系統(tǒng)模型建立

2.1 信息采集及診斷模型總體方案構(gòu)建

采用現(xiàn)代計算機技術(shù)及機器視覺技術(shù)對大豆的各項生理生長指標檢測分析是一項非常復雜的工作，因為涉及大豆在生產(chǎn)全過程中的各個因素，因此以其中一個或者某幾個重要指標的信息采集及監(jiān)測分析作為突破口，找出其內(nèi)在聯(lián)系是必要的。大豆葉片氮元素信息采集的整體流程，如圖1所示。

圖1 信息采集檢測模型流程Fig.1 Information acquisition and diagnostic model

2.2 樣本培育

樣本培育采用砂培方法。地點位于東北農(nóng)業(yè)大學香坊農(nóng)場，大豆品種是綏農(nóng)14，時間為6～8月。試驗以同一自然條件下，砂培的不同程度氮元素缺乏及超量的樣本為研究對象。為確保樣本表現(xiàn)形態(tài)的多樣性，每種樣本均種植了100株以上。砂培試驗群體圖像見圖2。

2.3 圖像信息采集

根據(jù)圖像學理論，自然界的任何圖像可以用基于位置坐標的三維函數(shù)來表示，即:

f表示空間坐標為（x，y，z）位置點的顏色，fred、fgreen、fblue分別表示該位置點的紅色（R）、綠色（G）、藍色（B）三種原色的分量值。它們在空間分布都是連續(xù)函數(shù)，在三維坐標空間系統(tǒng)中每一個點都有一個精確的RGB值與之相對應[6]。

在試驗的可行性研究階段，主要考慮平面數(shù)字圖像數(shù)據(jù)的采集。因此將三維坐標系統(tǒng)變成在平面上連續(xù)分布的二維坐標系統(tǒng)，表示為:

f表示平面坐標為（x，y）位置點的顏色，fred、fgreen、fblue分別表示該位置點的R、G、B三種原色的分量值。計算機僅能夠處理離散的數(shù)據(jù)，因為圖像是連續(xù)的，所以利用計算機處理圖像必需把連續(xù)的圖像函數(shù)轉(zhuǎn)化為離散的數(shù)據(jù)集，進行圖像采集，過程如圖3所示。

圖2 砂培樣本群體圖像Fig.2 Sample image of sand cultivation

圖3 葉片數(shù)字化圖像獲取Fig.3 Acquirement of digital leaf image

葉片數(shù)字化圖像采集過程是一個空間坐標的量化過程，量化是對圖像函數(shù)值的離散化過程。因此數(shù)字化圖像是連續(xù)圖像f（x，y）的一種近似表示，通常由采樣點的值所組成的矩陣m×n來表示:

即每一個采樣點為一個像素，在計算機內(nèi)通常用二維數(shù)組來表示數(shù)字圖像[7]。

2.4 試驗設計

為了描述缺素的特征隨時間的變化規(guī)律，在N0，N50、N100和N150的樣本中，按照不同的生長時期，在兩葉期開始進行樣本圖像信息的采集。每天采集1次，每次采集所選的時間為上午9:00～10:00之間，采摘以后立即用掃描儀進行圖像的信息采集，采集到癥狀肉眼能夠識別時為止，并將處理后的結(jié)果存儲于計算機當中。

3 圖像預處理

改善圖像質(zhì)量的過程稱為預處理，主要包括圖像的增強和復原。本文需要突出原始圖像葉片顏色及紋理，抑制背景和噪聲，并不考慮圖像是否逼真，因此可以采用頻域方法和空域方法等圖像增強技術(shù)對原始圖像進行預處理。頻域處理是在圖像的某個變換域內(nèi)對圖像的變換系數(shù)進行運算，然后通過逆變換獲得增強效果?？沼蛱幚碇苯訉D像進行處理，因為不涉及域的轉(zhuǎn)換，在處理速度方面空域處理比頻域處理要快得多[8]。

f（x，y）是輸入圖像，g（x，y）是處理后圖像。T是在（x，y）的鄰域內(nèi)對f的一種操作。

3.1 空域平滑

平滑的目的是降噪。將一個包含有奇數(shù)個像素的窗口W在圖像上依次移動，在每一個位置上對窗口內(nèi)像素的灰度值由小到大進行排列，然后將位于中間的灰度值作為窗口中心像素的輸出值。窗口W可以是方形（m×m），長方形（m×n）或者是十字形等，中值濾波可表示為:

式中，median表示在W窗口下取中間值，fw（i，j）表示以像素（i，j）為中心的W窗口下的像素灰度值。以一維窗口（m=1）為例，當窗口長度n=9，窗口內(nèi)像素灰度值為1、14、0、5、8、20、7、10、16時，灰度由小大的排列應為0、1、5、7、8、10、14、16、20，則中值濾波的結(jié)果為:g（i，j）=median［ 1，14，0，5，8，20，7，10，16 ］＝8即輸入灰度值（fi，j）=20的像素，中值濾波后輸出的值為 g（i，j）=8。

3.2 空域增強

3.2.1 灰度線性變換

該方法是一種增強圖像對比度的點運算方法，可以對圖像進行整體灰度變換和局部灰度變換。變換的數(shù)學表達式為:

式中，fa，fb分別為輸入圖像中線性變換段的低、高灰度值；ga，gb分別為輸出圖像中線性變換段的低、高灰度值；f（i，j）為輸入圖像灰度值（fa≤f（i，j）≤fb）；g（i，j）為輸出圖像灰度值（ga≤g（i，j）≤gb）。

3.2.2 直方圖均衡化

直方圖是圖像處理中一種十分重要的圖像分析工具，它描述了一幅圖像的灰度級內(nèi)容。從數(shù)學上來說圖像直方圖是圖像各灰度值統(tǒng)計特性與圖像灰度值的函數(shù)，它統(tǒng)計一幅圖像中各個灰度級出現(xiàn)的次數(shù)或概率；從圖形上來說，它是一個二維圖，橫坐標表示圖像中各個像素點的灰度級，縱坐標為各個灰度級上圖像各個像素點出現(xiàn)的次數(shù)或概率。

該方法的基本思路是把原始圖像的直方圖變換成均勻分布的形式，這樣就增加了像素灰度值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。原理如下:

①計算出原始圖像的所有灰度級sk，k=0，1，…，l-1；

②統(tǒng)計原始圖像的像素數(shù)，并依據(jù)下式計算原始圖像的直方圖；

式中:sk是圖像f（i，j）的第k級灰度值；nk是f（i，j）中具有灰度值sk的像素的個數(shù)；n是圖像中象素的總數(shù)；

③計算原始圖像的累計直方圖并取整，即:

④ 定義映射關(guān)系:sk→tk；

⑤統(tǒng)計新直方圖各灰度級的像素數(shù)nk并由式（5～7）計算新的直方圖:

運用灰度線性變換及直方圖均衡化對圖像進行增強，對不同程度含氮樣本（含氮50%）的圖像進行處理，結(jié)果如圖4所示。

圖4 空域增強效果比較Fig.4 Comparison of image enhancement in spatial domain methods

從處理結(jié)果可以看出直方圖均衡化法比灰度線性變化法效果更好，變換后的圖像更為清晰，更能突出細節(jié)，缺氮的葉片經(jīng)過預處理后很好地去除了圖像采集過程中所受到的各種噪聲的干擾，為下一步的試驗奠定了基礎(chǔ)。在進行灰度線性變換時，變換函數(shù)的選擇要恰當，但函數(shù)的選擇沒有明確的方法，只能依靠多次的嘗試來獲得較理想的變換函數(shù)[9-10]。

4 樣本特征提取

當樣本培育完成并采集以后，樣本的葉片特征已經(jīng)通過輸入設備轉(zhuǎn)換成數(shù)字化的圖像，并以BMP格式存儲。要研究缺氮樣本的顏色、紋理、大小等與供氮水平的關(guān)系，首先要從數(shù)字化圖像中提取出有用的數(shù)據(jù)。在樣本培育過程中，依據(jù)砂培經(jīng)驗，密切觀察樣本的變化。大豆的生長可分V期和R期。V是營養(yǎng)生長期，V2指兩片葉子期，V3指3片葉子期；R是生殖生長期，R1是初花期，R2是盛花期，R3初莢期，R4盛莢期，R5鼓粒初期，R6鼓粒盛期。本研究主要采集了V2，V3和R1～R4期的葉片為研究對象。

在樣本培15 d、砂培樣本的兩片葉子長到中等、肉眼無法識別時，開始采集V2期的樣本，采集包括N0，N50，N100，N150葉片共100片；在后續(xù)的采集中，均保持這個數(shù)量，V期，R期六個階段共采集樣本600個左右，采集每天1次，直到肉眼可以辨別出缺素癥狀時為止。每次采摘的樣品立刻裝進保鮮袋，拿到室內(nèi)進行掃描，利用圖像信息和測定RGB灰度值分析其與氮含量的關(guān)系。掃描采集完的樣品可以通過化學方法測定氮含量，這部分由其它實驗室協(xié)助完成。大體方法是測量葉片的重量，然后裝入牛皮紙袋進行殺青處理，烘干、測干重，葉片烘干后用化學方法測定葉片中氮含量。

大豆缺氮素癥狀:先是真葉發(fā)黃，嚴重時從下向上黃化，直至頂部新葉。在復葉上延葉脈有平行的連續(xù)或不連續(xù)褐色斑塊，褪綠從葉尖向莖部擴展，乃至全葉呈淺黃色，葉脈也失綠。通過分析缺氮大豆的葉片特征，可看出葉片的含氮量與葉片的顏色或者形狀上有顯著的外觀體現(xiàn)。信息采集預處理模型在獲取圖像的特征值時首先要運用灰度直方圖方法。直方圖可以看出圖像整體的性質(zhì)，不同直方圖值的范圍對應著不同性質(zhì)的圖像特征:整體的性質(zhì)、圖像的明亮度、圖像的清楚度、圖動態(tài)范圍的大小。直方圖的統(tǒng)計特征定義如下:

其中，nr為灰度級為r的像元素，N為象元總數(shù)。

這樣的直方圖是一維連續(xù)函數(shù)，表1是直方圖的特征統(tǒng)計算法。

圖5是兩張供氮程度差別比較大的葉片圖像，從肉眼上就可以辨別出其灰度的不同。但對于一般的物體來說相鄰兩目標的灰度相差如果小于10級，就會超過人眼對灰度差的識別能力，導致人眼無法識別。而這種差別可以利用計算機視覺來分辨，并可以從量化的角度研究顏色變化與供氮量的關(guān)系。

表1 直方圖的特征統(tǒng)計算法Table1 Arithmetic of the histogram

直方圖統(tǒng)計方法首先要把一幅圖像各像元灰度做統(tǒng)計，然后繪制直方圖，圖6為N0和N100大豆葉片R、G、B灰度連續(xù)變化的統(tǒng)計直方圖。由圖6可知，它們的灰度值統(tǒng)計分布有明顯的差異。

圖5 不同供氮水平的葉片F(xiàn)ig.5 Leaves in different nitrogen

圖6 不同供氮水平大豆葉片圖像直方圖Fig.6 Histogram in different nitrogen of soybean leaves

5 討論與結(jié)論

本文將計算機模式識別技術(shù)應用于大豆葉片氮元素缺乏的檢測當中，提出了試驗方案和信息采集檢測模型流程圖。通過砂培試驗獲得大豆缺素樣本，并對樣本進行采集及圖像低層預處理。通過對空域平滑和空域增強的分析，提出運用灰度線性變換及直方圖均衡化對圖像進行增強，很好地去除了圖像采集過程中所受到的各種噪聲干擾，并最大限度的保留了圖像的原始信息。由于篇幅所限，關(guān)于圖像信息進一步處理過程將會在以后的文章中介紹。

[1]于峰.計算機圖像處理技術(shù)在氮元素營養(yǎng)診斷中的應用[D].北京:中國農(nóng)業(yè)大學,2003.

[2]吳鳳凰.模式識別在植物葉片識別中的應用[J].安徽農(nóng)業(yè)科學,2007,35(1):285-288.

[3]周利華,聶立水,王百田.不同氮源和pH值對比利時杜鵑葉片生理特征和營養(yǎng)元素的影響[J].北京林業(yè)大學學報,2008,11(6):30-35.

[4]傅弘,池哲儒,常杰,等.基于人工神經(jīng)網(wǎng)絡的葉脈信息提取[J].植物學通報,2004,21(4):429-436.

[5]徐貴力,毛罕平.缺素葉片彩色圖像顏色特征提取的研究[J].農(nóng)業(yè)工程學報,2002,18(4):150-154.

[6]侯銅,姚立紅,闞江明.基于葉片外形特征的植物識別研究[J].湖南農(nóng)業(yè)科學,2009(4):123-125.

[7]楊恒伏,孫光,田祖?zhèn)?基于HVS特性的圖像自適應中值濾波算法[J].計算機工程,2009(11):231-233.

[8]李銀華,路新惠.改進型自適應中值濾波算法在圖像處理中的應用[J].鄭州輕工業(yè)學院學報,2009,24(1):83-86.

[9]康牧,王寶樹.一種基于圖像增強的圖像濾波方法[J].武漢大學學報,2009,34(7):822-825.

[10]Hemming J,Rath T.Computer-vision-based weed identification under field conditions using controlled lighting[J].Journal of Agricultural Engineering Research,2001,78(3):233-243.