勞東青，李發(fā)永，曹洪武

(1. 塔里木大學信息工程學院，新疆 阿拉爾 843300；2. 塔里木大學水利與建筑工程學院，新疆 阿拉爾 843300；3. 塔里木大學現代農業(yè)工程重點實驗室，新疆 阿拉爾 843300)

近年來，隨著兵團紅棗種植規(guī)模的迅速擴大和種植需水量的節(jié)節(jié)攀升，根據作物缺水信息實施精量控制灌溉成為了南疆農林業(yè)節(jié)水領域的重要焦點之一。由于作物的水分散失主要由葉片承擔，作物缺水會促使葉片在顏色、形狀上產生一定的變化，如顏色變黃、變暗、葉面積減小等[1]。圖像采集設備具有比人眼更精細的分辨能力，能更客觀地描述肉眼難以辨別出來的形態(tài)、顏色、紋理等統計特性，代替人眼對目標進行識別、跟蹤、測量等[2]。由于信息檢測簡便、快捷、無破壞性，計算機視覺技術被譽為現代無損檢測技術之一[3]，在黃瓜、棉花、土豆、萬壽菊、鮮煙葉、玉米、葡萄、小麥、茶葉等作物水分檢測中得到了一定的研究與應用[4-14]。

在基于計算機視覺的作物水分檢測研究中，常常提取作物圖像的RGB和HIS彩色空間顏色特征或灰度特征，與作物葉片的水分狀況進行相關性分析，建立含水率估算模型。蔡鴻昌等應用直方圖法提取黃瓜葉片顏色特征，以G/(R+G+B)和(G-R)為自變量建立了黃瓜葉片干基含水率與比葉重的估算模型[4]。于常樂和孫瑞東等在黃瓜葉片水分虧缺檢測研究中，發(fā)現基于圖像灰度梯度的估算模型也能較好地預測葉片含水率[5,6]。王方永等在其研究中發(fā)現(G-R)與棉花水分含量及水分含量指數的相關性最好，基于(G-R)的棉花水分含量及水分含量指數預測模型的預測精度分別達到了90.71%和91.02%[7]。R Zakaluk和R Sri Ranjan通過圖像處理與分析技術建立了土豆葉水勢的人工神經網絡預測模型，結果表明葉水勢的預測值與實測值相差無幾[8]。徐騰飛等比較分析了不同含水率的葉片圖像的灰度特征變化，以區(qū)分效果明顯的灰度均值建立了玉米葉片含水率預測模型，模型相關系數R2達到了0.701 7[11]。江朝暉等以越冬期小麥冠層可見光圖像為研究對象，建立了基于圖像特征的含水率檢測模型，模型相對誤差均值低至1.290%[13]。以上研究表明，應用計算機視覺技術進行作物水分狀況診斷是可行的。結合作物水分虧缺臨界點，相關研究成果還可輔助指導田間精量灌溉，緩解用水緊缺矛盾。

基于計算機視覺的棗葉含水率估算的前期研究表明，(G-R)、H與葉片含水率之間呈現顯著的負相關關系，可用于棗葉含水率的預測估算[15]。為提高模型預測精度，對圖像去噪及分割算法在棗葉含水率估算中的影響進行了探討，以確定最適于棗葉圖像的圖像預處理方法。

1 材料與方法

1.1 試驗區(qū)概況與布置

試驗于2014年7月在塔里木大學精準農業(yè)重點實驗室的自動化節(jié)水灌溉實驗基地進行(40°20′47″～41°47′18″N，79°22′33″～81°53′45″E)。該區(qū)年均氣溫 10.8 ℃，1月份平均氣溫-8 ℃，7月份平均氣溫25 ℃；年均降水量40.1～82.5 mm，年均蒸發(fā)量 1 976.6～2 558.9 mm；日照時間2 855～2 967 h，太陽總輻射量544.115～590.155 J/cm2，無霜期205～219 d。

供試對象為駿棗植株。試驗小區(qū)面積為40 m2，灌溉方式為滴灌。根據紅棗在各個生育時期占整個生育期需水比例分配每次滴水量，滴灌定額為300 m3/(hm2·次)。全生育期共灌水14次，全生育期灌溉定額為4 200 m3/hm2。

1.2 圖像采集

采用有效像素高達1620萬的尼康D7000單反相機進行圖像采集。每次采集均應用自動曝光模式控制曝光時間和色彩平衡，圖像分辨率采用3 696×2 448，統一存儲為JPG格式。圖像采集在田間自然光條件下進行，在試驗小區(qū)范圍隨機挑選16片較為伸展的葉片進行編號、拍攝。拍攝前，調整攝像者、樹枝和葉片的位置，以免產生陰影。拍攝時，將樣本葉片放置于白板上并使白板與葉片保持水平；為保證每次拍攝的光照強度基本一致，在距樣本葉片垂直高度為0.3 m處垂直拍攝。

將原始圖像導入到Photoshop CS6中，綜合運用裁剪工具和魔棒工具剔除葉片之外的復雜背景，使圖像只保留葉片部分。

1.3 葉片含水率測定

棗葉含水率測定采用傳統的烘干法。烘干前后，用精度為0.000 1 g的DENVER TP-214分析天平分別稱量葉片的鮮重(Fg，g)和干重(Dg，g)。葉片放入烘干器皿，置于烘干箱(光明101型電熱鼓風干燥箱)內105 ℃殺青半小時，保持70 ℃恒溫烘干至葉片恒重。棗葉含水率可由公式(1)計算得出。

(1)

1.4 圖像去噪

圖像在采集、傳輸、量化等過程中可能會受到各種噪聲源的干擾，導致圖像質量下降，影響圖像處理與分析的準確性。常用的圖像去噪算法主要有均值濾波和中值濾波。均值濾波是一種將模板中所包含的像素的平均值作為模板中心像素灰度值的線性濾波算法[16]，其算法簡單、抑制噪聲能力較強，但去噪時會使圖像變得模糊(尤其在圖像邊界和細節(jié)處)[17]。中值濾波則是一種非線性圖像濾波去噪技術，其基本思想是將模板中的像素點按灰度值大小升序排列，取位于中間的灰度值作為中心像素點的灰度值[16]。中值濾波能有效抑制噪聲，且在降噪同時還能較好地保護圖像的邊緣信息，對濾除脈沖干擾噪聲尤其有效[18]。

1.5 圖像分割

圖像分割是指把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程[19]。當目標與背景在灰度上有較大差異時，適合采用閾值分割法[20]。

對棗葉圖像進行灰度化處理，結果見圖1和圖2。由圖1可知，葉片區(qū)域與背景區(qū)域在灰度上有明顯區(qū)別。但因自動曝光模式或拍攝光照、拍攝角度誤差的緣故，葉片區(qū)域中局部產生白色高光區(qū)域。白色高光區(qū)域灰度級偏大，理論上會影響葉片圖像的顏色特征值，從而影響圖像分析的準確性。而由圖2可知，葉片區(qū)域和背景區(qū)域在灰度直方圖上各自形成了一個波峰，兩波峰之間有明顯的波谷。綜上可見，棗葉圖像分割適于采用閾值分割法。

圖1 棗葉灰度圖

最大類間方差法、迭代法、基于灰度直方圖的雙峰法是常見的閾值分割算法。最大類間方差法(Otsu)根據圖像的直方圖來選取最優(yōu)閾值，能較好地把大的目標從背景中提取出來，但在提取微小目標時準確性較差[21]。迭代法基于逼近思想獲取最佳閾值，能區(qū)分目標和背景的主要部分，但卻不能很好地區(qū)分圖像的細微處[22]?；诨叶戎狈綀D的雙峰法對于目標和背景在灰度直方圖上各自形成波峰且有明顯波谷的情況具有較好的分割效果，但應用雙峰法需要一定的圖像先驗知識，具有較大的局限性[22]。雙峰法不適用于單峰的直方圖圖像分割；當直方圖中雙峰差別過大，或雙峰峰谷寬廣且平坦時，圖像分割效果也不甚理想[23]。

1.6 數據分析

為了更全面地比較圖像去噪及分割算法對數據分析的影響，對2種去噪處理和3種閾值分割處理組合條件下提取的顏色特征與葉片含水率進行相關性分析。由于葉片區(qū)域與圖像背景形成的雙峰之間有長且較為平坦的波谷(見圖2)，為比較波谷閾值取值不同對基于雙峰法的圖像分割的影響，分別在波谷左側閾值為0.670 0和波谷右側閾值為0.952 9處進行分割。具體圖像預處理方案見表1。

圖2 棗葉灰度直方圖

根據相關性分析結果中F檢驗的顯著性水平P值的大小，篩選出與棗葉含水率關系顯著的顏色特征，應用回歸分析法建立棗葉含水率估算模型。

表1 圖像預處理方案

2 結果與分析

為便于圖像分析與特征提取，設計、開發(fā)基于MATLAB平臺的棗葉顏色特征提取系統，通過該系統可以獲取棗葉圖像的灰度直方圖、閾值分割后的二值化圖，以及與含水率相關程度較高的顏色特征值[24]。

2.1 圖像去噪效果分析

圖像去噪效果可通過人眼觀察或圖像統計差別來評估。前者只適用于去噪效果明顯的圖像，后者能通過均方誤差(MSE)、峰值信噪比(PSNR)等捕獲原始圖像與去噪圖像的細微差別。MSE用于描述去噪圖像所包含的噪音能量，其值越大，噪聲越多，去噪效果越差；PSNR則描述了去噪圖像中信號與噪音之間的比例關系，其值越大，去噪效果越佳[25]。

圖1所示的棗葉原始灰度圖中，僅憑肉眼觀察不到明顯的噪聲。對棗葉圖像分別進行濾波模板大小為3×3的中值濾波和均值濾波(結果見圖3)。從圖3可知，去噪后的葉片灰度圖邊緣保持完整，葉片脈絡清晰，但與圖1相比，葉片脈絡則略顯模糊。此外，由去噪后重構的灰度圖可知，兩種濾波算法的去噪效果區(qū)分不明顯，人眼難以比較優(yōu)劣。

圖3 中值濾波和均值濾波去噪效果比較

從圖3中的MSE和PSNR計算結果可知，經兩種濾波算法處理后計算所得的MSE的值都很小，而PSNR的值都很大，可見兩種濾波算法的去噪效果都不錯。若僅從MSE和PSNR兩項指標考量，中值濾波算法的去噪效果較好。

2.2 圖像分割效果分析

分別對未經去噪的棗葉灰度圖進行最大類間方差法、迭代法和雙峰法圖像分割，二值化處理結果見圖4所示。由圖4可知，三種閾值分割算法都能很好地將葉片區(qū)域與背景區(qū)分開來，保留葉片形狀的完整性，不同的是對葉片內部高光區(qū)域的處理程度。從基于灰度直方圖的雙峰法的兩種閾值處理結果可知，所取閾值越大，葉片內部的高光區(qū)域保留越多；而當閾值取值接近灰度直方圖水平波谷的最左側時，高光區(qū)域被從葉片內部識別、分割出來[見圖4(a)和圖4(b)]。從圖4(c)和圖4(d)的分割結果來看，通過最大類間方差法和迭代法計算所得的閾值也在水平波谷的左側，其值相近，且都能很好地將高光區(qū)域識別出來，僅根據圖4分割結果，難以判斷哪種算法更優(yōu)。

圖4 未經去噪的葉片灰度圖的圖像分割效果

對經過中值濾波和均值濾波處理的棗葉圖像進行基于最大類間方差法的圖像分割(結果見圖5)。由圖可知，在閾值相同的情況下，經由兩種濾波算法去噪后的圖像分割效果相差甚微，但能觀察到經由均值濾波去噪后的圖像分割效果更明顯，而經由中值濾波去噪的圖像能夠保留更多細節(jié)。

同樣，對經過中值濾波和均值濾波處理的棗葉圖像進行迭代分割(結果見圖6)。由圖6可知，經由均值濾波去噪后的圖像分割效果更明顯，且能保留葉片脈絡細節(jié)。

圖5 最大類間方差法分割效果比較

圖6 迭代法分割效果比較

2.3 相關性分析

在基于計算機視覺的棗葉含水率診斷前期研究中，(G-R)、H、r、G/R、(g-r)(其中，r、g分別表示R/(R+G+B)和G/(R+G+B))被發(fā)現與葉片含水率的相關性較高。因此，主要討論12種圖像預處理方案下這5類特征與棗葉含水率的相關程度。分析結果見表2。

表2 12種圖像預處理方案的相關性分析結果

由表2可知：棗葉含水率與(G-R)、H、G/R、(g-r)之間都呈現負相關關系，與r則呈現出正相關關系；H值受圖像預處理操作的影響不大；不管采用何種圖像預處理操作，(G-R)、H與棗葉含水率之間都呈現出顯著的相關關系，可用于建立棗葉含水率估算模型；當棗葉圖像采用均值濾波去噪、迭代分割預處理操作時，不僅(G-R)和H，G/R也與棗葉含水率之間呈現出了顯著的相關關系，且此時的(G-R)與棗葉含水率之間的相關系數絕對值最高，達到了0.811 8。

此外，N7、N8和N9的相關性分析結果也證明了圖像中的高光區(qū)域對數據分析結果有影響。不消除高光區(qū)域的影響，(G-R)、r、G/R、(g-r)與葉片含水率之間的相關性分析結果都會有所下降。因此，要對棗葉圖像進行圖像分割以便準確提取圖像顏色特征。N2、N5、N8和N11的相關性分析結果則表明了棗葉圖像中所包含的噪聲在人工剔除圖像復雜背景后已不明顯，即使不去噪，(G-R)、H與棗葉含水率的相關程度也能達到顯著性水平。但當對棗葉圖像采用迭代分割處理時，應用均值濾波對圖像進行去噪處理能夠較顯著地提高(G-R)與棗葉含水率的相關性水平，并能使G/R與棗葉含水率的相關程度達到顯著性水平(表2，N6處理)。

2.4 棗葉含水率估算模型的建立

采用均值濾波去噪、迭代分割預處理后，(G-R) 、H和(G/R) 3個顏色特征同時與棗葉含水率之間呈現出顯著的相關關系，且此時的(G-R)與棗葉含水率之間的相關系數絕對值最高，因而采用N6處理后的數據建立棗葉含水率估算模型。

基于(G-R)和H的葉片含水率回歸模型：y1=0.866 9-0.001 8×(G-R)-0.086 6×H，R2=0.811 1，P=0.0155?；?G-R)、H和G/R的葉片含水率回歸模型：y2=0.951 9-0.003 4×(G-R)-0.253 3×H+0.153 9×(G/R) ，R2=0.965 2，P=0.002 2。若對棗葉圖像僅進行迭代分割處理，不去噪，采用N5處理后的數據建立棗葉含水率模型：y3=0.870 3-0.001 7×(G-R)-0.091 3×H，R2=0.806 8，P=0.016 4。其中，y1、y2、y3分別代表基于不同圖像預處理方案建立的葉片含水率估算模型，(G-R)為葉片區(qū)域中綠光與紅光的差值，H為葉片色調，G/R為綠光與紅光的比值；R2表示回歸模型的相關系數；P表示F檢驗的顯著性水平。

從模型的R2和P值可知，3種回歸模型都達到了顯著水平，可用于葉片含水率預測，但y1、y2的模型精度均高于y3的，證明了對圖像進行濾波去噪能夠提高模型的預測能力；而y2的回歸效果明顯優(yōu)于y1，達到了極顯著水平，說明G/R在棗葉含水率估算中不容忽視，應用均值濾波和迭代分割進行圖像預處理，能夠極顯著地提高模型的估算能力。

3 討 論

眾多研究表明，應用計算機視覺技術進行作物水分無損檢測是可行的。前人研究對象多為黃瓜、棉花、土豆、萬壽菊、鮮煙葉、玉米、葡萄、小麥、茶葉等。本試驗以南疆特色作物——駿棗植株作為研究對象，研究結果表明，基于計算機視覺的駿棗葉片含水率估算能夠滿足無損檢測的模型精度要求。

顏色作為圖像最直觀的視覺特征，在基于計算機視覺的作物水分檢測研究中應用甚廣。已有研究中，常以G/(R+G+B)、(G-R)、灰度梯度、r、g、H等顏色特征建立作物水分檢測模型。試驗通過對2種圖像去噪算法和3種閾值分割算法在棗葉水分檢測中的影響進行了探討，結果表明，對棗葉圖像進行均值濾波和迭代分割處理后，G/R能夠極顯著地提高棗葉含水率估算模型的預測能力。

在照明充足條件下采用單反相機采集的照片雖然噪聲相對較少，但試驗證明，經過降噪處理后建立的棗葉含水率回歸模型的預測能力要優(yōu)于未經降噪處理的，說明在基于計算機視覺的作物水分檢測中，適當的降噪處理是必要的。

通過多種圖像去噪及分割算法在棗葉水分檢測中的影響研究，驗證了經過均值濾波和迭代分割處理后棗葉圖像的(G-R)、H和G/R特征值用于棗葉含水率估算有極好效果，但試驗所用圖像去噪及分割算法還存在一定的局限性，試驗中也缺少與現有含水率診斷方法的比較分析，后續(xù)研究中可針對這兩方面進行更為深入的探討與分析。

4 結 語

(1)中值濾波和均值濾波的去噪效果在效果圖上區(qū)分不明顯，但從MSE和PSNR的計算結果可知兩種濾波算法的去噪效果都很好，且前者更優(yōu)。

(2)因自動曝光模式、光強或拍攝角度造成的棗葉圖像中的高光區(qū)域對圖像分析結果有影響，應用最大類間方差分割和迭代分割都能較好地將高光區(qū)域識別、分割出來，僅從圖示分割結果，難辨優(yōu)劣。

(3)(G-R)、H與棗葉含水率之間恒呈現出顯著的相關關系，且H值受圖像預處理操作的影響不大。但當棗葉圖像采用均值濾波去噪、迭代閾值分割處理時，(G-R)與棗葉含水率的相關性水平得到了較顯著地提高，達到了0.811 8。此時，G/R與棗葉含水率之間也呈現出較顯著的相關關系。

(4)在棗葉圖像采用均值濾波去噪、迭代法分割處理和不去噪、直接進行迭代分割處理的前提下，提取(G-R)、H和G/R的值分別建立棗葉含水率的二元線性回歸模型和三元線性回歸模型，模型的R2和P值分別達到了( 0.811 1, 0.015 5 )、(0.965 2, 0.002 2 )和( 0.806 8, 0.016 4)。說明3個回歸模型皆成立，可用于棗葉含水率預測，且以自變量(G-R)、H和G/R建立的三元線性模型的回歸效果最優(yōu)，達到了極顯著水平。

(5)去噪算法對顏色特征-葉片含水率相關性分析結果的影響較小。但當對棗葉圖像進行均值濾波去噪、迭代分割處理時，模型回歸效果要優(yōu)于不去噪、直接進行迭代分割處理的效果，說明對圖像進行濾波去噪能夠提高模型的預測能力；以 (G-R)、H和G/R為自變量建立的三元線性回歸模型的回歸效果達到了極顯著水平，表明G/R在棗葉含水率估算中不容忽視，應用均值濾波和迭代分割進行圖像預處理，能夠極顯著地提高模型的估算能力。

參考文獻：

[1] 彭 文, 李慶武, 霍冠英, 等. 基于計算機視覺的植物水分脅迫狀況監(jiān)測方法[J]. 科學技術與工程, 2013,13(9):2 313-2 317.

[2] 曲 赟,吳玉潔, 劉 盼. 計算機視覺技術在農作物病蟲草害防治中的研究進展[J]. 安徽農業(yè)科學, 2011，39(9):5 570-5 571.

[3] 吳 瓊, 朱大洲, 王 成, 等. 農作物苗期長勢無損監(jiān)測技術研究進展[J]. 農業(yè)工程, 2011,1(4):19-25

[4] 蔡鴻昌, 崔海信, 高麗紅, 等. 基于顏色特征的葉片含水率與比葉重估算模型初探[J]. 中國農學通報, 2006,22(8):532-535.

[5] 于常樂. 基于圖像處理的葉片含水量的無損檢測研究[D]. 長春: 吉林大學, 2005.

[6] 孫瑞東, 于海業(yè), 于常樂, 等.基于圖像處理的黃瓜葉片含水量無損檢測研究[J]. 農機化研究, 2008,(7):87-89.

[7] 王方永, 王克如, 王崇桃, 等. 基于圖像識別的棉花水分狀況診斷研究[J]. 石河子大學學報, 2007,25(4):404-407.

[8] R Zakaluk, R Sri Ranjan. Artificial neural network modelling of leaf water potential for potatoes using RGB digital images: a greenhouse study[J]. Potato Research, 2007,(4):255-272.

[9] 宋亞杰. 基于機器視覺的作物水分無損檢測及評判模型研究[D]. 重慶: 西南大學，2008.

[10] 甘露萍, 謝守勇. 基于計算機視覺的烤煙鮮煙葉含水量無損檢測及MATLAB實現[J]. 西南大學學報(自然科學版)，2009,31(7): 166-170.

[11] 徐騰飛, 韓文霆, 孫 瑜. 基于圖像處理的玉米葉片含水率診斷方法研究[J]. 干旱地區(qū)農業(yè)研究, 2013,31(1):95-100.

[12] 勞東青, 李發(fā)永. 基于圖像處理的葡萄葉片含水率診斷初探[J]. 節(jié)水灌溉, 2015,(3): 5-7.

[13] 江朝暉, 楊春合, 周 瓊, 等. 基于圖像特征的越冬期冬小麥冠層含水率檢測[J]. 農業(yè)機械學報, 2015,46(12):260-267.

[14] 賈廣松. 基于茶鮮葉表明可見特征與含水率變化模型研究[D]. 杭州: 浙江工業(yè)大學, 2016.

[15] 勞東青, 陳立平, 李發(fā)永,等. 基于計算機視覺的棗葉含水率估算模型[J]. 江蘇農業(yè)科學, 2015,43(4):384-386.

[16] 杜麗美. 幾種常見的圖像去噪算法研究[J]. 山西大同大學學報(自然科學版), 2012,28(5):7-9.

[17] 董玲嬌. 車牌圖像預處理研究[J]. 機電工程, 2009,26(6):107-109.

[18] 梁義濤. 大田害蟲實時檢測裝置及其圖像預處理技術的研究[D]. 鄭州: 鄭州大學, 2004.

[19] 吳學明. 圖像分割的算法研究[D]. 成都:成都理工大學, 2006.

[20] 黃長專, 王 彪, 楊 忠.圖像分割方法研究[J]. 計算機技術與發(fā)展, 2009,19(6):76-79.

[21] 李寶順, 王 瑋, 包亞萍, 等. 一種鄰域均值加權最大類間方差的閾值分割法[J]. 小型微型計算機系統, 2014,35(6):1 368-1 372.

[22] 姬 偉, 陶 云, 趙德安, 等. 基于CLAHE的蘋果樹樹枝迭代閾值分割方法研究[J]. 農業(yè)機械學報, 2014,45(4):69-74.

[23] 賴有華, 葉海建. 幾種閾值分割法在工程圖自動識別中的應用[J]. 江西理工大學學報, 2006,27(4):31-33.

[24] 勞東青, 王宗祥, 王冠軍. 基于MATLAB的葉片圖像分析系統研究[J]. 節(jié)水灌溉, 2015,(9):101-104.

[25] 李蘊奇. 基于小波變換的圖像閾值去噪及其效果評估[J]. 東北師大學報(自然科學版), 2012,44(1):60-66.