付虹雨，崔丹丹，崔國(guó)賢，曹曉蘭，佘瑋，蘇小惠，李林林，王繼龍，劉婕儀，王昕慧，劉皖慧

（湖南農(nóng)業(yè)大學(xué)苧麻研究所，湖南長(zhǎng)沙410128）

在農(nóng)業(yè)生產(chǎn)過程中，作物的品種、營(yíng)養(yǎng)狀況、健康情況都與作物最終的產(chǎn)量和質(zhì)量息息相關(guān)。為了大力發(fā)展精細(xì)農(nóng)業(yè)，提高農(nóng)作物產(chǎn)量和質(zhì)量，準(zhǔn)確把握作物的各項(xiàng)生長(zhǎng)情況，實(shí)現(xiàn)作物生長(zhǎng)發(fā)育過程的可控是十分必要的。隨著信息技術(shù)的高速發(fā)展，圖像處理技術(shù)作為一種新手段被廣泛地運(yùn)用于作物品種鑒別、作物營(yíng)養(yǎng)診斷、作物病蟲害診斷等各方面。圖像獲取裝置（照相機(jī)等）價(jià)格的不斷下降以及圖像處理技術(shù)的不斷成熟使得利用現(xiàn)代信息技術(shù)獲取作物圖像、分析處理作物圖像成為可能。運(yùn)用圖像處理技術(shù)解決農(nóng)田問題其優(yōu)勢(shì)在于：運(yùn)用照攝像設(shè)施獲取大田作物特征，能節(jié)省人力、物力的投入，避免人眼識(shí)別大批量作物的低效、準(zhǔn)確率低等問題；作物圖像能在短時(shí)間內(nèi)獲取，有利于實(shí)時(shí)監(jiān)控作物的生長(zhǎng)狀況，合理地指導(dǎo)生產(chǎn)過程中施肥追肥，避免施肥不當(dāng)造成的環(huán)境污染；利用作物圖像能有效地防控大面積病蟲害，高效精準(zhǔn)地噴灑農(nóng)藥，為作物生產(chǎn)管理提供依據(jù)。

目前，國(guó)內(nèi)外很多學(xué)者都以現(xiàn)代信息技術(shù)為手段進(jìn)行作物圖像研究。因研究對(duì)象和目的差異，學(xué)者們所用的方法手段有所不同，但基于圖像獲取和處理研究的基本流程一般都包括作物圖像獲取、圖像預(yù)處理、特征提取與優(yōu)化、數(shù)據(jù)分析等，以下從作物圖像處理的基本流程出發(fā)，簡(jiǎn)述其包含的關(guān)鍵技術(shù)及其應(yīng)用。

1 圖像獲取技術(shù)

采集清晰的圖像是圖像預(yù)處理和特征提取獲得良好效果的重要前提。傳統(tǒng)的地面人工拍攝不僅浪費(fèi)人力，并且常受人工拍攝技術(shù)不到位、效率低下等因素影響無(wú)法得到精準(zhǔn)有效的圖像。遙感技術(shù)為便捷、高效獲取農(nóng)業(yè)作物圖像提供了支持。從離地距離來(lái)說(shuō)，衛(wèi)星平臺(tái)、航空平臺(tái)、地面移動(dòng)裝置等平臺(tái)皆可用于獲取遙感圖像，但圖像在尺度、空間分辨率、光譜分辨率上有較大的區(qū)別。

1.1 衛(wèi)星遙感

衛(wèi)星遙感作為遙感系統(tǒng)的重要組成部分，早在20世紀(jì)70年代就被歐美等發(fā)達(dá)國(guó)家用于農(nóng)作物產(chǎn)量估算、生長(zhǎng)情況監(jiān)控以及營(yíng)養(yǎng)監(jiān)測(cè)等方面，而后其在農(nóng)業(yè)領(lǐng)域的應(yīng)用不斷得到拓展。20世紀(jì)80年代開始，我國(guó)逐漸在農(nóng)業(yè)中應(yīng)用遙感技術(shù)，利用其覆蓋范圍廣、獲取速度快、信息量大等優(yōu)勢(shì)來(lái)測(cè)量農(nóng)作物種植面積［1-3］、進(jìn)行災(zāi)害監(jiān)測(cè)［4-5］。如譚昌偉等［6］利用國(guó)產(chǎn)衛(wèi)星產(chǎn)品 HJ-1A／1B獲取江蘇省大豐、興化等5個(gè)縣區(qū)觀測(cè)點(diǎn)的小麥衛(wèi)星影像，對(duì)大田小麥的植被指數(shù)、關(guān)鍵生長(zhǎng)指數(shù)進(jìn)行定量分析，證明了衛(wèi)星遙感可以較好地滿足估測(cè)作物產(chǎn)量的要求。2018年6月2日，我國(guó)發(fā)射了首個(gè)承載能有效辨別作物品種類型的高分六號(hào)衛(wèi)星，這一遙感衛(wèi)星具有很高空間分辨率，其運(yùn)用大幅提高了農(nóng)業(yè)生產(chǎn)中對(duì)地監(jiān)測(cè)能力。

在農(nóng)業(yè)生產(chǎn)中，受天氣條件、衛(wèi)星既定運(yùn)行軌道等因素影響，衛(wèi)星遙感很難在特定的時(shí)間內(nèi)獲得目標(biāo)區(qū)域的圖像。即使在時(shí)間和天氣條件都滿足的情況下，衛(wèi)星遙感信息也無(wú)法普及農(nóng)戶，難以滿足以小農(nóng)戶為主體的生產(chǎn)條件下的技術(shù)需求，其一般用于科研試驗(yàn)，用來(lái)獲取大面積區(qū)域圖像，分辨度不高。隨著電子圖像技術(shù)的發(fā)展，遙感技術(shù)在小型化、實(shí)用性、高分辨率以及大眾可承受性上取得了較大的突破。無(wú)人機(jī)遙感平臺(tái)作為獲取作物圖像的一個(gè)重要途徑，正逐漸成為農(nóng)業(yè)航空遙感系統(tǒng)的重要補(bǔ)充。

1.2 無(wú)人機(jī)

無(wú)人機(jī)遙感系統(tǒng)由無(wú)人機(jī)平臺(tái)、遙感傳感器、地面站系統(tǒng)和數(shù)據(jù)處理系統(tǒng)組成。無(wú)人機(jī)平臺(tái)是利用無(wú)線電遙控設(shè)備和自備的程序控制裝置操縱的一種高度自動(dòng)化、智能化的非載人飛機(jī)。在進(jìn)行作業(yè)時(shí)，無(wú)人機(jī)平臺(tái)搭乘遙感傳感器，執(zhí)行地面站系統(tǒng)對(duì)無(wú)人機(jī)進(jìn)行的飛行參數(shù)、飛行路徑等命令設(shè)置，并通過數(shù)據(jù)處理系統(tǒng)進(jìn)行圖像的存儲(chǔ)、處理。美國(guó)國(guó)家航空航天局最早采用無(wú)人機(jī)遙感系統(tǒng)獲取作物的彩色和多光譜圖片，該系統(tǒng)獲取的數(shù)據(jù)可以實(shí)時(shí)傳輸?shù)降孛妫?］。隨后，無(wú)人機(jī)遙感技術(shù)得到了廣泛的發(fā)展應(yīng)用，如Anderson［8］采用無(wú)人機(jī)承載35 mm商用相機(jī)獲取了小面積區(qū)域圖像。目前，按照不同的平臺(tái)構(gòu)型可將無(wú)人機(jī)分為固定翼無(wú)人機(jī)、直升機(jī)和多旋翼無(wú)人機(jī)。固定翼無(wú)人機(jī)發(fā)展比較成熟，具有安全性強(qiáng)、抗風(fēng)能力強(qiáng)等優(yōu)點(diǎn)，但其起降所受限制多，并且巡航條件下速度過快、要求高度過高，不能懸停；直升機(jī)是靈活性最強(qiáng)的無(wú)人機(jī)平臺(tái)，可以原地垂直起飛和懸停；多旋翼無(wú)人機(jī)的靈活性介于直升機(jī)和固定翼無(wú)人機(jī)之間，起飛降落像直升機(jī)一樣方便，可定點(diǎn)懸停，飛行震動(dòng)小，適合于獲取多重復(fù)、定點(diǎn)、多尺度、高分辨率的農(nóng)田作物信息。在進(jìn)行無(wú)人機(jī)選擇時(shí)，要根據(jù)作業(yè)的要求，充分考慮其續(xù)航時(shí)間、載荷量、飛行控制系統(tǒng)等方面的特征。

1.2.1 無(wú)人機(jī)圖像獲取系統(tǒng)

無(wú)人機(jī)圖像獲取系統(tǒng)是由無(wú)人機(jī)平臺(tái)以及其所載乘的遙感傳感器等組成的。無(wú)人機(jī)的載荷量有限，所以總體來(lái)說(shuō)傳感器宜采用輕型的數(shù)碼相機(jī)、多光譜和高光譜相機(jī)等。無(wú)人機(jī)飛行的安全性和傳感器的高分辨率是獲取準(zhǔn)確信息的關(guān)鍵。國(guó)內(nèi)外眾多學(xué)者都對(duì)無(wú)人機(jī)圖像獲取系統(tǒng)進(jìn)行了探究，以實(shí)現(xiàn)圖像信息的高效獲取。

在傳感器分辨度方面，Parrot公司設(shè)計(jì)了Sequoia農(nóng)業(yè)遙感多光譜相機(jī)，這款相機(jī)不僅可以與所有類型的無(wú)人機(jī)兼容，并且可以獲取綠、紅、紅邊和近紅外4個(gè)波段的光譜數(shù)據(jù)，為保證獲取圖像的高度精確，其還配置有一個(gè)1600萬(wàn)像素的可見光相機(jī)以獲取可見光圖像作為補(bǔ)充［9］。黃克明等［10］設(shè)計(jì)了基于DSP的多源圖像融合系統(tǒng)，可以實(shí)現(xiàn)可見光、紅外和紫外的融合，提高圖像信息準(zhǔn)確度，并且該系統(tǒng)也非常適合載荷能力有限的無(wú)人機(jī)。

在無(wú)人機(jī)飛行的安全性方面，為使無(wú)人機(jī)始終處于自動(dòng)飛行和遙控監(jiān)管雙重保護(hù)之下，避免空中障礙，獲得高質(zhì)量信息，吳云東等［11］在進(jìn)行飛行試驗(yàn)的過程中采用了視距網(wǎng)格的飛行模式，即將所測(cè)區(qū)域劃分為若干個(gè)視距網(wǎng)格，一個(gè)網(wǎng)格一個(gè)飛行架次，按照相同的飛行路線逐個(gè)網(wǎng)格飛行。浙江大學(xué)自主研發(fā)的無(wú)人機(jī)飛控裝置提高了無(wú)人機(jī)的靈活性，使其有效地對(duì)飛行環(huán)境做出反應(yīng)，同時(shí)在飛控裝置中安裝了儲(chǔ)存設(shè)備，對(duì)信息進(jìn)行實(shí)時(shí)記錄。

1.2.2 無(wú)人機(jī)參數(shù)設(shè)置

無(wú)人機(jī)獲取圖像的高精度除了受傳感器本身屬性影響，還與飛行參數(shù)、拍攝參數(shù)有關(guān)。常規(guī)無(wú)人機(jī)的飛行參數(shù)包括飛行高度、飛行速度、飛行軌跡規(guī)劃等，如飛行高度決定地表分辨率，航拍飛行高度越高，在同等時(shí)間內(nèi)拍攝的面積越大，圖像的像素就越大，并容易加劇混合像元效應(yīng)。拍攝參數(shù)包括ISO值、快門速度、光圈等。如果快門速度無(wú)法與飛行速度協(xié)調(diào)，可能造成拍攝圖像模糊或覆蓋率不足。因此，通過無(wú)人機(jī)獲取作物圖像時(shí)需要實(shí)現(xiàn)多參數(shù)之間的相互調(diào)整配合，保證無(wú)人機(jī)遙感系統(tǒng)實(shí)現(xiàn)最佳的效果。

1.2.3 無(wú)人機(jī)飛行航線規(guī)劃

無(wú)人機(jī)在進(jìn)行作業(yè)時(shí)，空中基本少有障礙物，因此其不需要安全監(jiān)控系統(tǒng)，其安全主要靠飛行路徑、與操作者的安全距離、控制過程、無(wú)人機(jī)穩(wěn)定性等來(lái)保障［12］，這種情況下航線規(guī)劃就顯得尤其重要，因此很多學(xué)者對(duì)最佳的航線進(jìn)行了選擇［13-14］。

在進(jìn)行無(wú)人機(jī)航線規(guī)劃時(shí)要充分考慮內(nèi)因（相機(jī)分辨率、無(wú)人機(jī)續(xù)航時(shí)間、法定飛行高度等）和外因（航線方向、圖像重疊度、飛行速度等）。航線方式可分為Z字形、環(huán)繞形、不規(guī)則多邊形和自由飛行。Z字形的飛行方式是大多數(shù)場(chǎng)景都適用的，最適合相對(duì)平坦的面積較大的區(qū)域；環(huán)繞形可用于三維模型的構(gòu)建，在農(nóng)業(yè)中需要測(cè)株高時(shí)，這種方法特別適用，可在物體周圍完成一個(gè)橢球體任務(wù)；在遇到復(fù)雜的地形和飛行邊界限制時(shí)可采用不規(guī)則多邊形飛行。農(nóng)業(yè)具有季節(jié)性，為避免遺漏圖像信息，在飛行時(shí)需要特別注意圖像的重疊率，至少保證75%的航向重疊率和60%的旁向重疊率。

1.2.4 無(wú)人機(jī)圖像獲取技術(shù)的應(yīng)用

由于無(wú)人機(jī)遙感具有高分辨率、實(shí)時(shí)監(jiān)控、低成本等眾多優(yōu)勢(shì)，其應(yīng)用領(lǐng)域也逐步擴(kuò)大，廣泛地應(yīng)用于軍事、氣候監(jiān)測(cè)、資源監(jiān)測(cè)以及農(nóng)業(yè)等各個(gè)領(lǐng)域。在農(nóng)業(yè)植保上無(wú)人機(jī)遙感技術(shù)發(fā)揮了重要作用，如崔美娜等［15］根據(jù)無(wú)人機(jī)遙感反射光譜上可見光與近紅外波段反射峰的改變，評(píng)估棉花螨害情況；戴建國(guó)等［16］利用無(wú)人機(jī)獲取的光譜圖像，通過比較光譜反射率和紋理特征獲取了棉花倒伏信息。在農(nóng)業(yè)其他方面，李冰等［17］利用無(wú)人機(jī)遙感技術(shù)獲取了冬小麥覆蓋度信息，通過覆蓋度直觀地反映了植被的生長(zhǎng)狀況；李長(zhǎng)春等［18］將無(wú)人機(jī)應(yīng)用于作物育種表型參數(shù)研究，通過獲取300個(gè)不同品種大豆材料在不同時(shí)期的高清數(shù)碼圖像，實(shí)現(xiàn)了高效、無(wú)損、高質(zhì)監(jiān)測(cè)大豆育種材料的冠層長(zhǎng)勢(shì)和產(chǎn)量潛力；顧錚鳴等［19］利用無(wú)人機(jī)航拍圖像獲取了田間道路、主干溝渠等土地基礎(chǔ)設(shè)施，使土地使用情況識(shí)別評(píng)估便捷化。

總的來(lái)看，近年來(lái)，無(wú)人機(jī)遙感技術(shù)的應(yīng)用越來(lái)越廣泛，無(wú)人機(jī)引入農(nóng)業(yè)領(lǐng)域是發(fā)展精細(xì)農(nóng)業(yè)、數(shù)字農(nóng)業(yè)、信息農(nóng)業(yè)的必然，通過無(wú)人機(jī)遙感裝置獲取農(nóng)業(yè)信息，能更好地指導(dǎo)作物生長(zhǎng)發(fā)育的全過程。

表1 無(wú)人機(jī)和衛(wèi)星遙感對(duì)比Table 1 Comparison between UAV and satellite remote sensing

2 圖像處理分析技術(shù)

作物的外觀顏色和形態(tài)長(zhǎng)勢(shì)包含了作物的大量生長(zhǎng)發(fā)育信息，通過對(duì)作物圖像進(jìn)行處理分析可得到作物的生理參數(shù)（如株高、生物量、葉面積等）和生化參數(shù)（如植被指數(shù)、葉溫等），從而進(jìn)行品種鑒別、營(yíng)養(yǎng)診斷等分析。圖像的處理分析主要包括預(yù)處理、特征提取、數(shù)據(jù)分析三步。

圖1 圖像處理分析的基本步驟Fig.1 Basic steps of image processing analysis

2.1 圖像預(yù)處理

2.1.1 圖像拼接

采集完作物圖像之后，需要將數(shù)張拍攝的小范圍圖像進(jìn)行拼接以得到完整的有價(jià)值的大幅作物圖像。完整圖像的拼接是通過匹配各個(gè)圖像之間的同名點(diǎn)完成的。劉帥兵等［20］在利用遙感影像提取玉米苗期株數(shù)信息的研究中，為提高圖像拼接的精度，在不同的航帶設(shè)置了幾何參考板作為GPS控制點(diǎn)，基于地理定位保證了后續(xù)的拼接工作，然后將帶有GPS定位的圖像輸入Agisoft PhotoScan軟件中自動(dòng)完成拼接處理。高林等［21］、張小洪等［22］同樣運(yùn)用Agisoft PhotoScan進(jìn)行圖像拼接。Agisoft PhotoScan軟件是由Agisoft LLC公司研發(fā)的一款可以實(shí)現(xiàn)3D影像重建和正射影像生成的制圖軟件，其優(yōu)勢(shì)在于用戶只需將篩選過的圖片以及POS數(shù)據(jù)導(dǎo)入該軟件，在保證影像重疊度的基礎(chǔ)上，軟件會(huì)全自動(dòng)進(jìn)行計(jì)算并輸出高精度拼接圖像。另一款軟件Pix4Dmapper［23］，同樣可以自動(dòng)完成圖像的拼接，生成高精度正射影像，如戴建國(guó)等［24］的北疆主要作物分類方法研究、何游云等［25］的岷江冷杉單木樹干生物量測(cè)定研究便采用這一軟件。相比于Agisoft PhotoScan來(lái)說(shuō)，Pix4Dmapper對(duì)專業(yè)的要求低，基本一鍵式操作，主要工作流程為：首先利用POS數(shù)據(jù)尋找同名點(diǎn)，然后計(jì)算原始影像的真實(shí)位置和拼接參數(shù)，最后自動(dòng)校準(zhǔn)并輸出影像。此外，范軍等［26］基于無(wú)人機(jī)定位定向系統(tǒng)提出了全新的計(jì)算單應(yīng)性矩陣以完成拼接任務(wù)的方法，該系統(tǒng)可以獲得每一張影像對(duì)應(yīng)的坐標(biāo)和姿態(tài)角，然后根據(jù)每張影像的坐標(biāo)和姿態(tài)角計(jì)算影像之間的單應(yīng)性矩陣。這種方法的優(yōu)勢(shì)之處在于在拼接過程中不需要幾何參考板就能獲得較為精準(zhǔn)的大幅作物圖像。

2.1.2 顏色轉(zhuǎn)換和校正

顏色特征參數(shù)是圖像識(shí)別中主要的參數(shù)之一，但受光照、濕度等多方面的影響，容易使得圖像顏色失真。同時(shí)，根據(jù)不同的應(yīng)用目的，存在多種表達(dá)顏色的彩色模型，如RGB、HIS、HSV等。為了滿足試驗(yàn)的要求，需要對(duì)顏色進(jìn)行空間轉(zhuǎn)換和校正。在選擇顏色空間時(shí)，需要根據(jù)實(shí)際需要進(jìn)行確定。表2對(duì)常用的RGB顏色模型和HIS空間模型進(jìn)行了比較，為顏色空間模型的選擇提供了依據(jù)。為對(duì)色彩圖片進(jìn)行校正，鄧小琴等［27］的研究中每隔3幅圖像采集一次標(biāo)準(zhǔn)白板和全黑標(biāo)定圖像對(duì)原始圖像進(jìn)行校正，以降低光源變化及系統(tǒng)噪聲的影響。林李金等［28］提出了基于RGB色彩空間的圖像校正方法，這一方法首先將圖像二值化，利用目標(biāo)對(duì)象與周圍背景色彩的差異分割圖像，然后分區(qū)域?qū)D像進(jìn)行色彩校正，很大程度上避免了背景對(duì)目標(biāo)物體的影響，能夠獲得較好的校正效果。

表2 RGB顏色模型和HIS顏色模型對(duì)比Table 2 Comparison of RGB colormodel and HIS colormodel

2.1.3 圖像分割

圖像分割就是將目標(biāo)從背景中分離出來(lái)。一般來(lái)說(shuō)，圖像分割方法可分為三類：基于區(qū)域的分割方法、基于閾值的分割方法和基于邊緣的分割方法。

閾值的選擇決定圖像分割，圖像的灰度能明確地展現(xiàn)物體的某種特性，因此可以利用灰度直方圖來(lái)選擇閾值分割圖像。胡煉等［29］、劉廣瑞等［30］先是運(yùn)用超綠色法ExG＝2G-R-B將圖像進(jìn)行灰度化，即令像素點(diǎn)矩陣中的每一個(gè)像素點(diǎn)都滿足R＝G＝B（紅色變量的值＝綠色變量的值＝藍(lán)色變量）的關(guān)系，然后運(yùn)用最大類間方差法（Ostu法）確定一個(gè)閾值T，將每個(gè)像素點(diǎn)的灰度值和閾值T相比較，大于T的灰度值歸為255，小于T的灰度值歸為0，這樣圖像的像素點(diǎn)矩陣就只由0（黑色）或者255（白色）組成，由此實(shí)現(xiàn)二值化分割。Ostu法的優(yōu)勢(shì)在于其能自動(dòng)選擇閾值，計(jì)算過程簡(jiǎn)單。與RGB顏色模型相比，HSI顏色模型在接近人眼對(duì)景物的認(rèn)知方面更優(yōu)，因此雷亞平等［31］嘗試在HIS顏色空間運(yùn)用閾值法對(duì)棉苗進(jìn)行分割。劉賜德等［32］在HSV顏色空間運(yùn)用K-means聚類算法對(duì)煙葉圖像進(jìn)行分割，K-means聚類算法是將空間中的數(shù)據(jù)點(diǎn)聚成K個(gè)簇，然后找出每個(gè)簇的聚類中心，將空間中的數(shù)據(jù)分配到距離最近的中心，該試驗(yàn)中，HSV信息數(shù)據(jù)被分配到兩個(gè)聚類中心，由此完成了圖像分割。

在有關(guān)作物圖像處理研究中，基于顏色空間的閾值分割方法應(yīng)用較多，雖然取得了較好的效果，但對(duì)于背景較雜、范圍較大、變換較多的大田大幅圖像仍不能做到最佳的分割，由此創(chuàng)新高效的分割方法亟待探究。張恒敢等［33］采用灰度統(tǒng)計(jì)直方圖和形態(tài)處理相結(jié)合的方式分割圖像，該方法將顏色和形態(tài)兩個(gè)因素考慮在內(nèi)，提高了分割精度。綠色作物圖像的不同色調(diào)值像素?cái)?shù)量服從高斯分布，利用這一點(diǎn)翟瑞芳等［34］探究了高斯HI顏色算法對(duì)油菜圖像的分割效果，得到了很好的結(jié)果。

2.2 數(shù)據(jù)分析

在對(duì)作物圖像進(jìn)行圖像拼接、顏色以及幾何校正等一系列預(yù)處理以后，會(huì)得到試驗(yàn)所需要的色彩數(shù)據(jù)或其他參數(shù)數(shù)據(jù)，然后對(duì)數(shù)據(jù)信息進(jìn)行處理。目前提出的可用作處理分析的植被指數(shù)有100多種，大多運(yùn)用可見光-近紅外波段即可得出。植被指數(shù)能有效地說(shuō)明植被生長(zhǎng)狀況的定量信息，如植被葉綠素含量［35-37］、葉面積指數(shù)［38-39］、植被覆蓋度［40］、生物量等，表 3展現(xiàn)了部分植被指數(shù)計(jì)算公式及其作用。依據(jù)得到的植被指數(shù)進(jìn)行分析，常見的方法有貝葉斯分類法、回歸分析建模法。貝葉斯分類法是一種基于概率統(tǒng)計(jì)理論，簡(jiǎn)單且易于實(shí)現(xiàn)的分類算法，計(jì)算待分類項(xiàng)在已知條件下出現(xiàn)在各種類別的概率，并將此項(xiàng)歸于概率最大的類別?；貧w分析建模法是采用線性與非線性回歸方程的數(shù)學(xué)建模方法，整合所得到的圖像數(shù)據(jù)，構(gòu)建作物的數(shù)學(xué)模型?；貧w分析建模法現(xiàn)已廣泛地應(yīng)用于作物的營(yíng)養(yǎng)診斷等試驗(yàn)中，針對(duì)不同試驗(yàn)內(nèi)容的特點(diǎn)，可采用線性或非線性兩種方法：線性回歸一般是基于兩種或兩種以上變量間相互依賴的定量關(guān)系，通過計(jì)算機(jī)運(yùn)算得到回歸模型的一種統(tǒng)計(jì)分析方法；非線性回歸是對(duì)變量間不具有線性相關(guān)關(guān)系建立的數(shù)據(jù)回歸模型。

表3 常見植被指數(shù)計(jì)算Table 3 Calculation of common vegetation index

3 相關(guān)圖像處理分析軟件

目前，可完成上述操作過程的軟件有很多，根據(jù)其對(duì)象可分為商業(yè)化圖形處理軟件和自行開發(fā)圖像處理軟件。以下簡(jiǎn)要介紹幾個(gè)主流的圖像處理軟件。

3.1 MATLAB

要想得到準(zhǔn)確的圖像數(shù)據(jù)信息首要就是選擇合適的軟件進(jìn)行預(yù)處理，MATLAB是一套功能強(qiáng)大的數(shù)據(jù)運(yùn)算及分析軟件。MATLAB支持的圖像文件格式豐富，如BMP、JPG、JPEG、GIF等，該軟件避免了圖像的格式、讀寫等造成的麻煩，從而極大地提高了工作效率。其主要功能包括圖像變換、圖像增強(qiáng)、圖像分割、線性濾波和濾波器設(shè)計(jì)、形態(tài)學(xué)處理等。圖像變換使圖像實(shí)現(xiàn)鏡像變換、平移或剪裁、縮放與旋轉(zhuǎn)等。圖像增強(qiáng)功能用于突出圖像中感興趣或需要的部分，以便于進(jìn)一步地觀察、分析和處理。圖像增強(qiáng)又包括點(diǎn)處理和區(qū)處理，點(diǎn)處理又稱為灰度變換，可分為直接灰度變換和直方圖修正，這兩種方法均是增強(qiáng)圖像的對(duì)比度，從而達(dá)到圖像增強(qiáng)的效果，但直接灰度變換法作用于灰度，而直方圖修正法作用于直方圖；區(qū)處理可分為圖像平滑和圖像銳化。圖像分割就是對(duì)圖像進(jìn)行分離，提取重要信息，MATLAB圖像分割可采用灰度閾值法、邊界法、區(qū)域法、邊緣法。MATLAB強(qiáng)大的功能，使其在醫(yī)學(xué)、數(shù)字信號(hào)處理教學(xué)等方面都發(fā)揮了重要作用。

羅雪寧等［41］基于MATLAB對(duì)紅棗圖像進(jìn)行處理，在完成圖像灰度化、二值化處理等一系列預(yù)處理后，運(yùn)用最小矩形法提取了紅棗尺寸大小、缺陷信息以及通過HSI顏色模型實(shí)現(xiàn)了紅棗顏色分級(jí)處理。李瓊等［42］采用MATLAB圖像處理代替人工對(duì)大豆進(jìn)行顆粒計(jì)算以及大小監(jiān)測(cè)，MATLAB中有特定函數(shù)可用于獲取圖像連通圖的數(shù)量，通過尋找每個(gè)區(qū)域的重心數(shù)，即可統(tǒng)計(jì)出大豆的個(gè)數(shù)，通過每個(gè)連通區(qū)域的累計(jì)面積和已得到的大豆個(gè)數(shù)比值即可獲得大豆顆粒的平均大小。MATLAB憑借強(qiáng)大的功能，使其在作物圖像處理分析上有了廣泛的應(yīng)用。

3.2 Photoshop

Adobe Photoshop是由Adobe Systems開發(fā)和發(fā)行的圖像處理軟件，其包含眾多的編修與繪圖工具，可以有效地對(duì)數(shù)字圖像進(jìn)行編輯。Photoshop在圖像處理方面主要包括三大項(xiàng)技術(shù)：圖層技術(shù)、曲線技術(shù)和通道技術(shù)。圖層技術(shù)是最基礎(chǔ)的、最重要的組成部分，Photoshop中一切操作都是建立在圖層的基礎(chǔ)上，圖層滿足了在對(duì)圖像做局部細(xì)微處理時(shí)不妨礙其整體效果的需要。曲線技術(shù)可以對(duì)顏色、明度兩個(gè)方面進(jìn)行調(diào)節(jié)。通道技術(shù)主要是用于快速摳圖。Photoshop在農(nóng)作物圖像上的應(yīng)用主要是通過校色調(diào)色功能進(jìn)行灰度調(diào)整，獲取處理色彩信息。

王曉靜等［43］在棉花氮素營(yíng)養(yǎng)診斷研究中采用Adobe Photoshop 7.0中的Histogram程序?qū)Λ@取的地面數(shù)字圖像進(jìn)行處理，首先讀取紅、綠、藍(lán)各個(gè)通道的平均值、中間值等信息，得到了棉花冠層的色彩信息，然后用Excel和SPSS等統(tǒng)計(jì)軟件對(duì)色彩信息和試驗(yàn)數(shù)據(jù)進(jìn)行分析，從而得到冠層圖像色彩參數(shù)與施氮量、產(chǎn)量之間有良好相關(guān)性的結(jié)論。孫棋［44］選取RGB、HSV系統(tǒng)以及YIQ電視信號(hào)彩色坐標(biāo)系統(tǒng)對(duì)作物圖像的顏色特征進(jìn)行處理，建立了水稻氮素水平模型，實(shí)現(xiàn)了水稻氮素水平的診斷。

3.3 自行開發(fā)的圖像處理軟件

雖然已開發(fā)的MATLAB、Photoshop等軟件具有很強(qiáng)的功能性，但因其側(cè)重點(diǎn)不同，對(duì)具體的作物圖像分析效果不佳。在實(shí)際的研究和學(xué)習(xí)中，常需要開發(fā)特定的圖像處理軟件以方便某一領(lǐng)域的研究。劉繼承［45］基于水稻株高、株型、種植密度等特征自行設(shè)計(jì)了水稻長(zhǎng)勢(shì)分析判斷系統(tǒng)，可對(duì)水稻圖像進(jìn)行二值化、灰度增強(qiáng)等預(yù)處理。譚林秋［46］設(shè)計(jì)出了基于VC的數(shù)字圖像處理系統(tǒng)。崔國(guó)賢等［47］設(shè)計(jì)出了苧麻葉片圖像處理系統(tǒng)V1.0。同時(shí)不少學(xué)者基于OpenCV進(jìn)行面向?qū)ο缶幊桃蚤_發(fā)功能齊全、運(yùn)行速度快、針對(duì)性強(qiáng)的圖形處理系統(tǒng)，如劉培軍等［48］以O(shè)penCV計(jì)算機(jī)視覺庫(kù)為基礎(chǔ)，在Qt Creator集成開發(fā)環(huán)境下，開發(fā)了一款圖像處理系統(tǒng)，該系統(tǒng)包括文件處理、基本圖像處理、形態(tài)學(xué)處理、領(lǐng)域處理、點(diǎn)的處理等功能，簡(jiǎn)化了圖像處理的工作流程。OpenCV是一個(gè)基于BSD許可發(fā)行的可跨平臺(tái)的計(jì)算機(jī)視覺庫(kù)，其本身就包含500多個(gè)優(yōu)化過的算法，功能十分強(qiáng)大。路艷等［49］利用OpenCV對(duì)水稻葉片進(jìn)行圖像灰度化、二值化、輪廓分割、特征參數(shù)獲取等一系列圖像處理操作。楊思陽(yáng)等［50］也調(diào)用OpenCV視覺庫(kù)實(shí)現(xiàn)了幾何圖像顏色和形狀識(shí)別。該技術(shù)或?qū)?yīng)用于更多領(lǐng)域，如作物葉片分割等。

4 圖像處理技術(shù)在農(nóng)業(yè)不同領(lǐng)域的應(yīng)用

4.1 圖像處理技術(shù)在作物營(yíng)養(yǎng)診斷上的應(yīng)用

營(yíng)養(yǎng)要素是維系和促進(jìn)作物生長(zhǎng)發(fā)育的不可缺少的一部分，為實(shí)現(xiàn)農(nóng)作物的高質(zhì)高產(chǎn)，根據(jù)作物需求合理施肥，提高作物營(yíng)養(yǎng)顯得尤為重要。施肥要以作物營(yíng)養(yǎng)診斷的結(jié)果為基礎(chǔ)，才能達(dá)到提升農(nóng)產(chǎn)品質(zhì)量、改良耕地的效果?？焖?、準(zhǔn)確、無(wú)損地利用圖像獲取作物營(yíng)養(yǎng)狀況主要是通過建立作物色彩和作物營(yíng)養(yǎng)狀況之間的關(guān)系實(shí)現(xiàn)的。不同植被其氮素、葉綠素等含量各不相同，從而影響植被冠層群體的反射光譜，呈現(xiàn)不同的色彩。計(jì)算機(jī)通過精確定量冠層反射的紅、綠、藍(lán)光值，就可以反映冠層的營(yíng)養(yǎng)狀況［51］。圖像處理技術(shù)已經(jīng)在棉花、油菜、玉米、黃瓜、水稻等作物營(yíng)養(yǎng)診斷上有了深入研究，如宋述堯等［52］利用數(shù)碼相機(jī)拍攝了黃瓜冠層RGB圖像，采用Photoshop 7.0獲取圖像中的綠色通道中間值G，比較了6種氮素水平處理下的溫室黃瓜冠層的圖像數(shù)字化指標(biāo)G、G／R、G／B、G／L、G／（R＋G＋B）、B／（R＋G＋B）與土壤氮含量的關(guān)系，初步建立了評(píng)價(jià)黃瓜主要生育期氮素豐缺的冠層圖像參數(shù)標(biāo)準(zhǔn)；采用同樣的方法，李井會(huì)等［53］得出了R、G、B及其相關(guān)值與馬鈴薯氮素含量的關(guān)系；李朝東等［54-55］得出了苧麻葉片全氮含量與圖像顏色特征值之間的相關(guān)性；Lee等［56］通過彩色數(shù)字圖像發(fā)現(xiàn)圖像色彩的多個(gè)參數(shù)與作物營(yíng)養(yǎng)狀況密切相關(guān)，他還指出，圖像處理得到的數(shù)據(jù)還有助于分析得出葉面積指數(shù)、水稻粒重等信息。為了避免單一彩色數(shù)字圖像的失誤，提高作物氮素的診斷率，Mao等［57］將光譜圖像和數(shù)字圖像相結(jié)合，利用光譜圖像分析生菜的內(nèi)在化學(xué)物質(zhì)，數(shù)字圖像分析其外在形態(tài)特征，兩者的結(jié)合提高了診斷的準(zhǔn)確度。值得注意的是，以上研究均是基于傳統(tǒng)的顏色特征參數(shù)，張玨等［58］的研究運(yùn)用三原色權(quán)值調(diào)優(yōu)方法，提出了調(diào)優(yōu)參數(shù)BOP和歸一化調(diào)優(yōu)參數(shù)NOP，新的特征參數(shù)展現(xiàn)了更高的預(yù)測(cè)精度，然而在具體的試驗(yàn)中，相關(guān)參數(shù)還需繼續(xù)探索。

雖然圖像識(shí)別技術(shù)在作物營(yíng)養(yǎng)診斷方面的應(yīng)用越來(lái)越受到重視，在試驗(yàn)過程中仍然存在諸多阻礙。影響作物圖像的因素眾多，作物品種的冠層結(jié)構(gòu)、植株形態(tài)、太陽(yáng)光照強(qiáng)度、拍攝時(shí)與冠層的角度等都可能會(huì)對(duì)診斷結(jié)果產(chǎn)生影響。當(dāng)前大多數(shù)圖像營(yíng)養(yǎng)識(shí)別研究都是在實(shí)驗(yàn)室條件下進(jìn)行的，對(duì)自然條件下復(fù)雜的大田作物研究極少，仍需進(jìn)一步深入研究與探討。

4.2 圖像處理技術(shù)在雜草識(shí)別上的應(yīng)用

在農(nóng)作物田間生產(chǎn)管理過程中時(shí)常面臨雜草的威脅，雜草的肆意增長(zhǎng)嚴(yán)重影響了作物的生長(zhǎng)發(fā)育，降低了農(nóng)作物產(chǎn)量和質(zhì)量。病蟲害的滋生和蔓延，也給農(nóng)業(yè)生產(chǎn)造成了巨大的損失。目前雜草防除主要采用化學(xué)方法，若想高效地發(fā)揮其功效，必須使化學(xué)藥劑的噴施精準(zhǔn)定位、定性、定量化［59］。利用計(jì)算機(jī)視覺技術(shù)可將雜草從農(nóng)作物和土壤的背景中識(shí)別出來(lái)用以指導(dǎo)雜草防除，現(xiàn)階段主要利用雜草本身的一些特性，如顏色特征、形狀特征、紋理特征和多光譜特征等來(lái)識(shí)別雜草［60］。2015年，陳亞軍等［61］利用逆向思維提出了雜草逆向定位的方法，這一方式是基于研究環(huán)境中雜草在種類與數(shù)量上均大于經(jīng)濟(jì)作物這一事實(shí)，從傳統(tǒng)的以雜草為識(shí)別主體轉(zhuǎn)為以識(shí)別經(jīng)濟(jì)作物為目標(biāo)，在定位出作物的位置后，自動(dòng)判定其他區(qū)域?yàn)殡s草，該方法的準(zhǔn)確率達(dá)到90%。王海華［62］利用剪切波變換，獲得雜草和麥田區(qū)域的不同紋理特征，然后對(duì)無(wú)人機(jī)麥田區(qū)域圖像中雜草進(jìn)行識(shí)別。Nieuwenhuizen等［63］的研究表明，在處理了植物遮擋、平方厘米精度無(wú)法獲得、日光的變化等帶來(lái)的問題后，基于圖像顏色檢測(cè)可對(duì)田地雜草進(jìn)行監(jiān)控，后又進(jìn)一步從圖像的質(zhì)量、作物的行距、作物特征角度確定了作物分類的精度，有效區(qū)分作物和雜草，指導(dǎo)雜草去除［64］。作物和雜草的生長(zhǎng)速度不一致，Piron［65］以此為基礎(chǔ)引入了一個(gè)新的參數(shù)“校正株高”，利用不同時(shí)期作物與雜草的高度差距，定位雜草區(qū)域。Lopez［66］利用無(wú)人機(jī)搭乘多光譜相機(jī)實(shí)現(xiàn)了早期雜草識(shí)別。

在進(jìn)行雜草識(shí)別時(shí)應(yīng)選擇多個(gè)特征進(jìn)行分析，區(qū)分因素越多，得到的區(qū)分結(jié)果越精確。在試驗(yàn)中受拍攝角度以及植物隨風(fēng)擺動(dòng)等外因的影響，可能會(huì)導(dǎo)致圖像出錯(cuò)，這時(shí)如果單一選擇以雜草的形狀為特征來(lái)識(shí)別可能會(huì)降低準(zhǔn)確性，因此要綜合各種特征如從作物顏色、作物紋理、作物密度等方面探究雜草和作物之間的關(guān)系，指導(dǎo)大田除草，推進(jìn)精準(zhǔn)農(nóng)業(yè)的發(fā)展。

4.3 圖像處理技術(shù)在作物品種識(shí)別上的應(yīng)用

品種識(shí)別是指通過作物的形態(tài)特征和生產(chǎn)性狀辨別其種類。隨著計(jì)算機(jī)圖像處理技術(shù)以及識(shí)別技術(shù)的飛速發(fā)展，使作物種類的識(shí)別與分類成為可能，但精準(zhǔn)地識(shí)別作物必須滿足：找準(zhǔn)目標(biāo)作物的典型特征；選擇的性狀可以從其對(duì)應(yīng)的數(shù)字圖像上獲得，即計(jì)算機(jī)能夠高效和精確地提取、識(shí)別特征。目前利用作物圖像識(shí)別作物品種的研究主要集中于植物的外觀特征上，且側(cè)重于幾何形狀特征測(cè)量［67］。

楊錦忠等［68］通過玉米種子的圖像，建立了大小、形狀、紋理、顏色、簡(jiǎn)化、完全6個(gè)識(shí)別模型，特別需要指出的是其利用完全種子形態(tài)特征識(shí)別品種，探究了識(shí)別品種的極限。程洪［69］針對(duì)玉米種子識(shí)別提出了新觀點(diǎn)，可用玉米種子白色胚部與黃色冠部的面積比例進(jìn)行識(shí)別。鄧小琴［27］利用融合光譜、紋理及形態(tài)特征的水稻種子高光譜圖像進(jìn)行單粒品種鑒別。陳爭(zhēng)光［70］在對(duì)獲取的光譜圖像進(jìn)行預(yù)處理后，用最小二乘法分析了其主要成分，完成了對(duì)品種的鑒別，其識(shí)別正確率達(dá)到100%。Jian Zhang等［71］運(yùn)用三種分類方法，包括無(wú)監(jiān)督分類、監(jiān)督分類和基于對(duì)象的分類評(píng)價(jià)了遙感圖像對(duì)作物識(shí)別的有效性。Cholhong等［72］利用密實(shí)度、圓形度、伸長(zhǎng)度、葉狀度和粗糙度等作為形狀因子，提出了50種理想片狀葉形的圖形，并以此作為對(duì)照組來(lái)鑒別植物葉形。國(guó)內(nèi)外學(xué)者致力于利用圖像技術(shù)實(shí)現(xiàn)不同作物的品種識(shí)別，如大豆、水稻、小麥、菊花、馬鈴薯、水果等。

利用圖像處理技術(shù)對(duì)植物進(jìn)行識(shí)別分類，雖然取得了一定的進(jìn)展，但該應(yīng)用仍處于初級(jí)階段。圖像植物在外觀表現(xiàn)上不具有規(guī)律性和可描述性，使得植物圖像目標(biāo)的識(shí)別比較困難；目標(biāo)的背景復(fù)雜，生物的多樣性使得同一圖像中不同顏色的作物其灰度差異不大，這也給目標(biāo)的識(shí)別帶來(lái)了難度；植物生長(zhǎng)變異較大，難以建立合適的數(shù)學(xué)模型。這些特征是圖像識(shí)別技術(shù)中亟待處理的難題。不僅如此，現(xiàn)階段圖像識(shí)別研究主要集中于作物個(gè)體，通過獲取大田群體圖像，識(shí)別作物品種的研究還比較缺乏。

4.4 圖像處理技術(shù)在作物病害診斷上的應(yīng)用

病蟲害會(huì)對(duì)作物的生長(zhǎng)發(fā)育造成極大的損害，影響作物的質(zhì)量和數(shù)量，造成巨大經(jīng)濟(jì)損失。以往，農(nóng)戶通常依據(jù)經(jīng)驗(yàn)來(lái)診斷病蟲害，主觀性強(qiáng)、準(zhǔn)確性不高、效率低。計(jì)算機(jī)視覺技術(shù)的發(fā)展使高效監(jiān)測(cè)診斷病蟲害成為可能。作物在遭受病蟲害時(shí)，往往會(huì)呈現(xiàn)出鮮明的性狀，如葉片葉綠素含量及冠層結(jié)構(gòu)會(huì)發(fā)生變化，而利用圖像處理技術(shù)可以準(zhǔn)確、實(shí)時(shí)地捕捉這些特征，進(jìn)行正確的病蟲害判別。

孫云云等［73］在小樣本情況下對(duì)茶樹常見病蟲害進(jìn)行了識(shí)別，并探討了不同預(yù)處理對(duì)識(shí)別效果的影響。李沖等［74］建立了藍(lán)莓病蟲害診斷系統(tǒng)。秦豐等［75］和安強(qiáng)強(qiáng)等［76］構(gòu)建了不同環(huán)境下的數(shù)據(jù)庫(kù)，設(shè)計(jì)了苜蓿植物病蟲害識(shí)別模型。水稻作為我國(guó)重要的糧食作物，如何高效對(duì)其病蟲害進(jìn)行綜合防治是當(dāng)前研究的熱點(diǎn)，眾多學(xué)者開始探究建立水稻病蟲害圖像識(shí)別與診斷系統(tǒng)［77-78］。近些年來(lái)，對(duì)農(nóng)業(yè)病蟲害識(shí)別系統(tǒng)的關(guān)注越來(lái)越多，為使農(nóng)業(yè)病蟲害識(shí)別系統(tǒng)普及化，施紀(jì)紅［79］借助人們熟悉的微信平臺(tái)，建立了圖像數(shù)據(jù)庫(kù)，為農(nóng)戶提供了農(nóng)作物病蟲害查詢、識(shí)別、預(yù)測(cè)平臺(tái)。作物生長(zhǎng)具有諸多不確定因素，導(dǎo)致病蟲災(zāi)害的發(fā)生具有突發(fā)性、多樣性，發(fā)生發(fā)展迅速等特點(diǎn)。將圖像處理技術(shù)應(yīng)用于大田，能夠迅速監(jiān)測(cè)出作物病情，并進(jìn)行綜合防范。

5 圖像處理標(biāo)準(zhǔn)規(guī)范

作物圖像的獲取受多方面的影響，如獲取平臺(tái)的高度、光線的強(qiáng)弱、圖像覆蓋范圍等都直接關(guān)系到圖像處理結(jié)果的好壞。因此，需要設(shè)置一定的圖像處理標(biāo)準(zhǔn)規(guī)范，保證圖像的準(zhǔn)確度和精確度。準(zhǔn)確度是用來(lái)衡量采集圖像和作物實(shí)際情況的接近程度，如互補(bǔ)成像模式、量化軟件等都可以用來(lái)評(píng)估圖像的準(zhǔn)確度。精確度則反映了圖像的可驗(yàn)性，精確度的獲得需要用一種可重復(fù)的方式來(lái)防止不可預(yù)測(cè)的因素干擾，進(jìn)而掩蓋真正的相似性和差異性，保證精確度的關(guān)鍵在于采用穩(wěn)定的儀器設(shè)計(jì)，如固定的采集裝置設(shè)置。

6 前景與展望

與傳統(tǒng)方法相比，作物圖像處理技術(shù)具有高效、快速、智能等優(yōu)點(diǎn)，隨著技術(shù)方法的不斷改進(jìn)，圖像處理技術(shù)逐漸被應(yīng)用到更多作物上，并且在監(jiān)測(cè)農(nóng)作物生長(zhǎng)情況、農(nóng)作物缺素診斷、種子質(zhì)量檢驗(yàn)、農(nóng)產(chǎn)品品質(zhì)檢測(cè)與分級(jí)、農(nóng)業(yè)機(jī)器人、作物病蟲害上都取得了很大的成功。但當(dāng)前大多數(shù)圖像處理研究為避免對(duì)象所處環(huán)境和背景的影響，都是在實(shí)驗(yàn)室條件或人工設(shè)置環(huán)境條件下開展，缺乏對(duì)復(fù)雜自然條件下大田作物的研究。相比于發(fā)達(dá)國(guó)家，中國(guó)仍處于該技術(shù)的不成熟階段，在實(shí)際生產(chǎn)應(yīng)用方面還有諸多問題需要進(jìn)一步研究和探討，我們應(yīng)提高對(duì)農(nóng)業(yè)和信息技術(shù)的了解，促進(jìn)兩者的結(jié)合。