黃巧義，張 木，黃 旭，李 蘋(píng)，付弘婷，張發(fā)寶，唐拴虎

（廣東省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與環(huán)境研究所/農(nóng)業(yè)部南方植物營(yíng)養(yǎng)與肥料重點(diǎn)實(shí)驗(yàn)室/廣東省養(yǎng)分資源循環(huán)利用與耕地保育重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510640）

水稻冠層圖像的數(shù)字圖像色彩分析須以精確識(shí)別、分割水稻和土壤（或水）背景為前提。基于人工的圖像分割耗時(shí)耗力，計(jì)算機(jī)自動(dòng)分割方法是圖像分割的主流和方向?；谀繕?biāo)和背景的類間方差最大或類內(nèi)方差最小為閾值選取準(zhǔn)則的最大類間方差法（Otsu法）具備分割質(zhì)量穩(wěn)定、自適應(yīng)強(qiáng)的特性，分割效果較好［7］。劉亞?wèn)|等［8］通過(guò)CIEL*a*b*色彩空間的a*的Otsu法對(duì)冬小麥冠層圖像的分割精度較高；方偉等［2］通過(guò)HSL色彩模型，應(yīng)用閾值法對(duì)盆栽水稻圖像進(jìn)行了分割；Wang等［9］通過(guò)構(gòu)建G-R色彩指標(biāo)，發(fā)現(xiàn)水稻和土壤像元的G-R色彩指標(biāo)取值和分布具有明顯的雙峰性，并將其應(yīng)用于水稻冠層圖像分割；Wang等［10］研究發(fā)現(xiàn)，CIEL*a*b*色彩空間的L*a*b*、H、RGB、VIGreen等色彩指標(biāo)與水稻冠層葉綠素含量均有一定相關(guān)性。由此可見(jiàn)，基于色彩指標(biāo)的閾值分割方法能實(shí)現(xiàn)對(duì)作物冠層圖像中水稻像元和土壤像元的有效分割。但迄今為止，比較各種常用色彩指標(biāo)的閾值分割方法應(yīng)用于水稻冠層圖像分割的定量比較尚未見(jiàn)報(bào)道?；诖?，本研究通過(guò)在田間直接獲取水稻冠層圖像，利用水稻與土壤像元圖像在單一分量上具有明顯差異的色彩指標(biāo)的Otsu法，對(duì)水稻冠層圖像分割效果進(jìn)行定量比較，以優(yōu)化作物冠層圖像分割效能，為水稻冠層數(shù)字圖像分析技術(shù)提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)位于江門臺(tái)山市都斛鎮(zhèn)（112.58°E，22.05°N），地處廣東省西南部屬亞熱帶海洋性季風(fēng)氣候，年平均氣溫21.8℃，年均降雨量1 936 mm，無(wú)霜期達(dá)360 d以上。該區(qū)域?qū)贋I海三角洲平原，地勢(shì)平坦，為典型雙季稻產(chǎn)區(qū)，每年分別于3月上旬和8月上中旬進(jìn)行早、晚稻插秧。試驗(yàn)地設(shè)在具有代表性的較大片農(nóng)田之中，土壤為壤質(zhì)黏土，pH值5.78，含有機(jī)質(zhì)40.86 g/kg、堿解氮160.57 mg/kg、有效磷18.96 mg/kg、有效鉀230.67 mg/kg。供試水稻品種為新寧絲苗和泰豐優(yōu)208。

1.2 水稻冠層圖像采集及預(yù)處理

2016年8月15、28日分別進(jìn)行兩次水稻冠層圖像采集。水稻冠層圖像采用1 230萬(wàn)有效像素的數(shù)碼彩色相機(jī)（Nikon D90）進(jìn)行拍攝，選用光圈優(yōu)先模式，設(shè)定ISO感光度為自動(dòng)，即自動(dòng)白平衡、自動(dòng)曝光、多點(diǎn)自動(dòng)對(duì)焦，同時(shí)關(guān)閉閃光燈。相機(jī)鏡頭統(tǒng)一距水稻冠層頂部1 m，垂直向下拍攝，相片分辨率為4 288×2 848，以JPG格式儲(chǔ)存。

數(shù)碼相機(jī)為中心投影成像，相片距離投影中心越遠(yuǎn)，變形越大［11］。為減少相片幾何畸變的影響，將相片采用9分法平均劃分，取相片中心區(qū)域作為有效像元進(jìn)行研究。

1.3 水稻冠層圖像分割

1.3.1 圖像色彩指數(shù)提取及計(jì)算 RGB色彩模式是數(shù)碼相片最主要的色彩模式。色彩通過(guò)RGB三原色進(jìn)行呈現(xiàn)，在8 bit圖像中，當(dāng)R=0、G=0、B=0時(shí)為黑色，R=255、G=255、B=255時(shí)為白色。利用R的EBImage包［12］獲取圖像的R、G、B，并進(jìn)一步計(jì)算GLD、VIGreen、L*、a*、b*和H等6種色彩指數(shù)。綠度葉片指數(shù)（GLD）常被用于提取葉片像元，在植被與背景分割中廣泛應(yīng)用［11，13］；VIGreen也是一種廣泛用于突出植被特征的一種指數(shù)［14-15］，計(jì)算公式為：

一是便捷性。 不斷完善與發(fā)展的網(wǎng)絡(luò)傳播模式使得音樂(lè)信息的接收更加及時(shí)，人們隨時(shí)隨地只要打開(kāi)手機(jī)、平板電腦等電子設(shè)備就可以查看最新發(fā)布的音樂(lè)信息，收聽(tīng)喜愛(ài)的音樂(lè)，突破了空間和時(shí)間的局限。

同時(shí)，CIEL*a*b*色彩空間的L*、a*、b*分量［8，10，14］和 HSV 色彩空間的 H 分量［10］均與水稻冠層葉綠素含量具有一定相關(guān)性，也被作為本研究的一個(gè)測(cè)試對(duì)象。

1.3.2 基于Otsu算法的圖像分割 Otsu算法于1978年由Otsu提出，以其分割效果較好，在圖像分割中廣泛應(yīng)用［7］。該算法通過(guò)計(jì)算目標(biāo)和背景的最大類間方差，確定圖像的分割閾值從而實(shí)現(xiàn)圖像分割。本研究分別采用R、G、B、L*、a*、b*、H、GLD、VIgreen色彩指數(shù)對(duì)圖像進(jìn)行分割。

1.3.3 Otsu算法的圖像分割精確度評(píng)價(jià) 分別隨機(jī)從90張圖像中的水稻和土壤部分復(fù)制一小塊后人工拼成一張400×400像素的水稻圖像和土壤圖像，然后拼接成一張400×800的圖像（圖1，彩插一），構(gòu)建不同構(gòu)成比例的水稻-土壤像元圖像，使水稻像元分別占整張圖像的50%，作為評(píng)價(jià)分割方法和檢驗(yàn)分割效果的參考樣本。

利用 R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指標(biāo)對(duì)樣本圖像和評(píng)價(jià)圖像實(shí)施分割以后計(jì)算分割精度，評(píng)價(jià)以水稻冠層圖像的R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指標(biāo)，利用Otsu法進(jìn)行圖像分割的效果。

2 結(jié)果與分析

分別提取圖1（彩插一）中水稻和土壤像元的各種色彩指標(biāo)，并得到兩種圖像像元的R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指標(biāo)的密度直方圖（圖2）。從圖2可以看出，a*、b*、GLD、VIGreen均有明顯雙峰性特征，且重疊性小，可作為分割水稻與土壤背景的候選色彩指標(biāo)。而水稻和土壤像元的R、G、B、L*、H色彩指標(biāo)交叉性大，區(qū)分度小，不具備分割水稻與土壤背景的條件。

以a*、b*、GLD、VIGreen色彩指標(biāo)分別對(duì)樣本圖像（圖1，彩插一）實(shí)施Otsu算法分割，并統(tǒng)計(jì)在水稻和土壤樣本圖像分割的像元中誤判為土壤（水稻）像元的數(shù)量，計(jì)算分割精度。從表1可以看出，以a*、b*、GLD、VIGreen等4種色彩指標(biāo)實(shí)施Otsu算法分割的精確度均在95%以上，且將水稻像元誤判為土壤像元的概率較大。其中，以GLD色彩指標(biāo)進(jìn)行Otsu算法圖像分割的精確度最高，其次是CIEL*a*b*色彩空間中的a*分量，且該色彩指標(biāo)可以實(shí)現(xiàn)土壤圖像的零誤判；而以CIEL*a*b*色彩空間的b*分量進(jìn)行Otsu算法圖像分割的精確度相對(duì)較低。

基于a*、b*、GLD、VIGreen色彩指標(biāo)進(jìn)行Otsu算法圖像分割的精確度顯著受樣本圖像的采樣影響，為了更明確各種算法對(duì)水稻圖像分割的準(zhǔn)確度，將誤判像元定位并還原其原有RGB色彩模式（圖3，彩插一）。從圖3可以看出，基于CIEL*a*b*色彩空間的a*分量、b*分量和GLD進(jìn)行Otsu算法圖像分割對(duì)被遮蓋的水稻下層葉片的誤判率較高，且基于a*分量、GLD和VIGreen色彩指標(biāo)進(jìn)行Otsu算法圖像分割常將黃化葉片像元誤判為土壤，基于b*分量進(jìn)行Otsu算法圖像分割裸露的、沒(méi)有青苔的土壤誤判率較高，基于GLD進(jìn)行Otsu算法圖像將部分著生青苔的土壤誤判為水稻，而基于VIgreen進(jìn)行Otsu算法圖像對(duì)淹水環(huán)境下形成的白色覆蓋物誤判率較大。

圖2 人工合成的水稻和土壤圖像相關(guān)色彩指數(shù)的分布頻率

表1 基于Otsu的各種色彩指標(biāo)對(duì)人工合成圖像分割的準(zhǔn)確度

從圖4（彩插一）可以明顯看出，基于CIEL*a*b*色彩空間的b*分量的Otsu算法分割可以將大部分黃色葉片分割出來(lái)（紅色箭頭），但同時(shí)也將部分土壤像元誤判為水稻像元（白色箭頭）；基于a*分量、GLD、VGreen的Otsu算法的分割效果較接近，均將黃色葉片判斷為土壤像元，同時(shí)在葉片彎曲、扭轉(zhuǎn)部位的噪點(diǎn)較多。

肉眼對(duì)圖像分割效果的判決主觀性較大，可通過(guò)對(duì)各種算法的分割效果的信噪比和分類誤差率進(jìn)行量化評(píng)價(jià)［16］，信噪比越大，分割結(jié)果越好。通過(guò)對(duì)圖像進(jìn)行人工分割得到參照?qǐng)D像，以及基于a*、b*、GLD、VGreen色彩指標(biāo)的Otsu算法的分割結(jié)果圖像進(jìn)行逐元相似度比對(duì)，得到各種分割效果的信噪比。從表2可以看出，基于CIEL*a*b*色彩空間的a*分量的Otsu算法的信噪比最高、誤差率最低、分割效果最好，其次是基于VIGreen的Otsu算法。

表2 基于不同色彩指標(biāo)的Otsu法的水稻冠層圖像分割結(jié)果的信噪比和分類誤差率

3 結(jié)論與討論

本研究通過(guò)提取計(jì)算水稻冠層圖像多種圖像色彩指標(biāo)，其中目標(biāo)像元（水稻）和背景像元（水和土壤）a*、b*、GLD、VIGreen色彩指標(biāo)的分布頻率雙峰性明顯，具備水稻冠層圖像分割潛力?；赼*、GLD、VIGreen色彩指標(biāo)的Otsu法對(duì)人工合成的水稻和土壤像元的分割精度均高于b*?；赼*色彩指標(biāo)的Otsu法對(duì)水稻冠層圖像分割效果的信噪比最大、誤差率最低，是Otsu法水稻冠層圖像分割較優(yōu)的圖像色彩指標(biāo)。

可見(jiàn)光譜數(shù)字圖像表征了紅光（約600 nm）、綠光（約550 nm）、藍(lán)光（約450 nm）3種光子通量的強(qiáng)度空間矩陣。綠色植物可見(jiàn)光譜冠層圖像中，綠色植物（目標(biāo)）與土壤或水（背景）對(duì)紅光、綠光、藍(lán)光的吸收特性有所不同：綠色植物存在綠光波段的反射峰和紅、藍(lán)光吸收谷，而土壤對(duì)紅光的反射率較大［8］。本研究中，水稻和土壤像元的紅光、綠光分布頻率出現(xiàn)明顯雙峰，但重疊性較大，不利于圖像分割。為了擴(kuò)大目標(biāo)和背景像元的差異度，孫濤等［11］和陸秀明等［17］通過(guò)構(gòu)建綠色葉片指數(shù)（GLD：2G-R-B）作為分割閾值進(jìn)行水稻冠層圖像分割；Wang等［9］發(fā)現(xiàn)水稻冠層和非冠層像元的G-R值差異顯著，并以其作為水稻冠層圖像分割閾值。本研究通過(guò)構(gòu)建GLD和VIGreen色彩指標(biāo)，二者在水稻和背景像元的分布頻度雙峰性顯著，以其灰化圖進(jìn)行Otsu法圖像分割，均能獲得較高的分割精確度和信噪比。這些圖像色彩指標(biāo)擴(kuò)大了水稻和背景像元間綠光-紅光的差異度，從而優(yōu)化了水稻冠層圖像的分割效果。

基于RGB色彩模式進(jìn)行作物冠層圖像分割效果顯著受光照影響［6，18］。為了降低圖像亮度差異對(duì)作物冠層圖像分割的影響，常將RGB轉(zhuǎn)化為不受亮度影響的色彩模式，如CIEL*a*b*色彩模型、HSI等［18］。CIEL*a*b*色彩空間的a*和b*分量分別表征紅光-綠光和黃光-藍(lán)光的色彩濃度，同時(shí)消除了亮度的干擾［10］。本研究結(jié)果表明，水稻冠層圖像中水稻和背景像元的CIEL*a*b*色彩空間的a*和b*分量雙峰性顯著，且重疊性小，其中以a*分量進(jìn)行Otsu法圖像分割準(zhǔn)確度最高。劉亞?wèn)|等［8］也發(fā)現(xiàn)冬小麥和土壤像元間CIEL*a*b*色彩空間的a*分量具有明顯雙峰性，并以其對(duì)小麥冠層圖像進(jìn)行Otsu法分割；Macfarlane等［18］通過(guò)引入CIEL*a*b*色彩空間的a*和b*分量，降低亮度對(duì)基于RGB色彩指標(biāo)圖像分割效果的影響。本研究結(jié)果也表明，基于CIEL*a*b*色彩空間的a*分量的Otsu法進(jìn)行水稻冠層圖像分割的效果優(yōu)于基于GLD和VIGreen色彩指標(biāo)的Otsu法。

參考文獻(xiàn)：

［1］Guo Wei，F(xiàn)ukatsu Tokihiro，Ninomiya Seishi.Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images［J］. Plant Methods，2015，11（1）：7.

［2］方偉，馮慧，楊萬(wàn)能，等. 基于可見(jiàn)光成像的單株水稻植株地上部分生物量無(wú)損預(yù)測(cè)方法研究［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2015（03）：63-69.

［3］Fang H L，Li W J，Wei S S，et al. Seasonal variation of leaf area index（LAI）over paddy rice fields in NE China：Intercomparison of destructive sampling，LAI-2200，digital hemispherical photography（DHP），and AccuPAR methods［J］. Agricultural and Forest Meteorology，2014，198-199：126-141.

［4］Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］. European Journal of Agronomy，2013，48：57-65.

［5］賈良良，范明生，張福鎖，等. 應(yīng)用數(shù)碼相機(jī)進(jìn)行水稻氮營(yíng)養(yǎng)診斷［J］. 光譜學(xué)與光譜分析，2009（8）：2176-2179.

［6］Rafael M H，Ramon G G，Luis C M，et al.A review of methods for sensing the nitrogen status in plants：Advantages，disadvantages and recent advances［J］. Sensors，2013，13（8）：10823-10843.

［7］何志勇，孫立寧，黃偉國(guó)，等. 基于Otsu準(zhǔn)則和直線截距直方圖的閾值分割［J］. 光學(xué)精密工程，2012（10）：2315-2323.

［8］劉亞?wèn)|，崔日鮮. 基于可見(jiàn)光光譜和隨機(jī)森林算法的冬小麥冠層圖像分割［J］. 光譜學(xué)與光譜分析，2015，35（12）：3480-3484.

［9］Wang Y，Wang D，Zhang G，et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method［J］.Field Crops Research，2013，149：33-39.

［10］Wang Y，Wang D，Shi P，et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light［J］. Plant Methods，2014，10（1）：36.

［11］孫濤，劉振波，葛云健，等. 基于數(shù)碼相片Gamma校正的水稻葉面積指數(shù)估算［J］. 生態(tài)學(xué)報(bào)，2014（13）：3548-3557.

［12］Pau G，F(xiàn)uchs F，Sklyar O，et al. EBImage—an R package for image processing with applications to cellular phenotypes［J］. Bioinformatics，2010，26（7）：979-981.

［13］Chianucci F，Disperati L，Guzzi D，et al.Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV［J］. International Journal of Applied Earth Observation and Geoinformation，2016，47：60-68.

［14］Rigon J P G，Capuani S，F(xiàn)ernandes D M，et al.A novel method for the estimation of soybean chlorophyll content using a smartphone and image analysis［J］. Photosynthetica，2016，54（4）：1-9.

［15］Li Y，Chen D，Walker C N，et al. Estimating the nitrogen status of crops using a digital camera［J］.Field Crops Research，2010，118（3）：221-227.

［16］范朝冬，張英杰，歐陽(yáng)紅林，等. 基于改進(jìn)斜分Otsu法的回轉(zhuǎn)窯火焰圖像分割［J］. 自動(dòng)化學(xué)報(bào)，2014（11）：2480-2489.

［17］陸秀明，黃慶，孫雪晨，等. 圖像處理技術(shù)估測(cè)水稻葉面積指數(shù)的研究［J］. 中國(guó)農(nóng)學(xué)通報(bào)，2011（3）：65-68.

［18］Macfarlane C，Ogden G N. Automated estimation of foliage cover in forest understorey from digital nadir images［J］. Methods in Ecology and Evolution，2012，3（2）：405-415.