龍耀威， 李民贊， 高德華， 張智勇， 孫 紅*， Qin Zhang

1. 中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083 2. Center for Precision & Automated Agricultural System, Washington State University, Pullman WA 99350, USA

引 言

利用不同的平臺(tái)搭載可見(jiàn)光-近紅外光譜成像設(shè)備[1-2]， 分析作物冠層或葉片葉綠素[3]、 水分[4]、 氮素[5]等含量， 已經(jīng)成為快速無(wú)損檢測(cè)田間作物長(zhǎng)勢(shì)的重要手段和途徑[6-7]。 鍍膜型光譜成像傳感器與棱鏡分光和光柵線掃成像傳感器不同， 其應(yīng)用半導(dǎo)體薄膜工藝原理， 是在探測(cè)器像元上鍍膜實(shí)現(xiàn)光信號(hào)窄帶選擇透過(guò)的一種新型多光譜成像方式。 它具有面陣直接成像速度快、 體積小、 成本低的優(yōu)點(diǎn)， 在農(nóng)作物現(xiàn)場(chǎng)檢測(cè)中有較好的應(yīng)用前景而備受關(guān)注[8]。

在可見(jiàn)光-近紅外區(qū)域， 棱鏡分光成像空間分辨率通常高于1 024×768像素， 作物數(shù)據(jù)以R(red), G(green), B(blue)和NIR共4波段圖像的處理為基礎(chǔ)。 有報(bào)道在NIR圖像分割的基礎(chǔ)上， 開(kāi)展了基于區(qū)域標(biāo)記的玉米圖像精準(zhǔn)分割研究， 并基于歸一化植被指數(shù)(normalized vegetation index， NDVI)建立了大田玉米葉綠素指標(biāo)診斷模型。 光柵線掃成像方式獲取數(shù)據(jù)光譜分辨率可達(dá)1 nm， 因而在可見(jiàn)光-近紅外光譜區(qū)作物含氫基團(tuán)(O—H， N—H， C—H)振動(dòng)合頻和各級(jí)倍頻的吸收特性[9]檢測(cè)中常利用相關(guān)性、 主成分分析和仿生學(xué)優(yōu)化等算法篩選特征波長(zhǎng)和植被指數(shù)， 達(dá)到解析光譜變量、 剔除冗余數(shù)據(jù)、 壓縮計(jì)算數(shù)據(jù)、 提高診斷模型精度與魯棒性等目的[10-12]。 然而， 鍍膜型成像方式、 波段數(shù)、 圖像空間及光譜分辨率與上述兩種傳感器不同。 以美國(guó)XIMEA公司的IMEC4×4或5×5馬賽克式鍍膜傳感器為代表， 分別在470～630和673～951 nm范圍內(nèi)探測(cè)16或25個(gè)波段帶寬大于10 nm的光學(xué)信號(hào)， 各波段圖像僅為409×217像素， 如何在提取馬賽克成像矩陣數(shù)據(jù)的基礎(chǔ)上， 充分利用其有限的空間圖像和光譜維數(shù)據(jù)開(kāi)展作物營(yíng)養(yǎng)檢測(cè)尚待深入研究。

本研究應(yīng)用鍍膜型光譜成像傳感器， 在馬賽克分布陣列光學(xué)數(shù)據(jù)提取、 光譜與圖像標(biāo)定與校準(zhǔn)的基礎(chǔ)之上， 進(jìn)一步深入開(kāi)展田間玉米作物葉綠素分布檢測(cè)。 分別對(duì)空間圖像和光譜維數(shù)據(jù)進(jìn)行分析和處理， 進(jìn)行了玉米植株冠層圖像分割和葉綠素含量指標(biāo)光譜特征變量篩選方法研究， 建立冠層葉綠素含量指標(biāo)診斷模型， 并繪制作物冠層葉綠素含量分布圖， 以期為田間玉米葉綠素分布與生長(zhǎng)動(dòng)態(tài)可視化觀測(cè)提供技術(shù)支持。

1 實(shí)驗(yàn)部分

1.1 玉米植株光譜圖像采集和葉綠素指標(biāo)測(cè)定

試驗(yàn)于2018年12月5日在北京市農(nóng)林科學(xué)院溫室大棚內(nèi)進(jìn)行。 采集系統(tǒng)如圖1所示， 設(shè)置相機(jī)高度為2 m。 針對(duì)GET-B104品種苗期玉米采集了47株植株， 其生長(zhǎng)高度為30～70 cm。 光譜圖像基于IMEC-5×5-CMOS多光譜成像單元拍攝視場(chǎng)角為50°， 灰度分辨率最高為10位， 可以采集673～951 nm范圍內(nèi)的25個(gè)波長(zhǎng)圖像， 帶寬約為10 nm。 從馬賽克陣列中提取的各波段圖像為409×217像素。 為實(shí)現(xiàn)圖像的采集控制與處理， 相機(jī)與搭載Linux操作系統(tǒng)的Jetson TX2開(kāi)發(fā)板相連接。

圖1 采集系統(tǒng)示意圖

為避免破壞采樣后成分改變導(dǎo)致的測(cè)量誤差， 利用日本Konica Minolta公司SPAD-502型葉綠素儀， 測(cè)量葉片在紅色(650 nm)和近紅外區(qū)(940 nm)的光學(xué)信號(hào)計(jì)算葉綠素含量指標(biāo)SPAD值。 試驗(yàn)中分別對(duì)每株玉米冠層的葉中和葉尖葉片設(shè)置2～3個(gè)采樣點(diǎn)， 每點(diǎn)測(cè)量3次取平均值， 共242個(gè)數(shù)據(jù)。

1.2 多光譜圖像處理

對(duì)玉米冠層多光譜圖像處理， 流程如圖2所示。 為了避免利用唯一標(biāo)準(zhǔn)白板標(biāo)定引起的縮小響應(yīng)范圍的影響， 采用多灰度級(jí)標(biāo)準(zhǔn)板進(jìn)行校正； 為了剔除圖像中土壤和培養(yǎng)盆背景的影響， 結(jié)合植物光譜和圖像特征， 提出了基于歸一化植被指數(shù)(NDVI)的植株冠層初步分割算法和基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割算法。 算法采用Matlab工具開(kāi)發(fā)實(shí)現(xiàn)。

圖2 多光譜圖像處理算法流程圖

1.2.1 多光譜圖像校準(zhǔn)與反射率提取

圖像校準(zhǔn)采用美國(guó)Labsphere公司的Spectralon標(biāo)準(zhǔn)板， 由四個(gè)標(biāo)準(zhǔn)朗伯面灰度級(jí)并排排列， 各級(jí)標(biāo)準(zhǔn)板尺寸均為6 cm×25 cm， 反射光強(qiáng)與入射光強(qiáng)比值(反射率值)僅與波長(zhǎng)相關(guān)。 采用最小二乘法擬合圖像灰度值和標(biāo)準(zhǔn)反射率之間的線性反演公式。 由于反射率和灰度值是線性描述標(biāo)準(zhǔn)灰度板的光照強(qiáng)度的參數(shù)， 對(duì)于某一波段反射率與灰度值為線性換算可以表示為式(1)

Ri=kigi+bi

(1)

式(1)中，Ri為第i波段的反射率，gi為第i波段的灰度值，ki是線性關(guān)系系數(shù),bi是常數(shù)。

1.2.2 基于NDVI的植株冠層初步分割算法

為了實(shí)現(xiàn)玉米植株與花盆、 土壤背景的初步分割， 首先對(duì)673 nm的光譜圖像計(jì)算背景與作物目標(biāo)的類間方差確定分割閾值灰度值， 其次利用綠色植物在近紅外區(qū)反射率高而在紅色波段吸光度高的特征， 提出基于歸一化植被指數(shù)NDVI的玉米植株冠層圖像分割方法， 按照式(2)計(jì)算圖像各像素點(diǎn)的NDVI值， 通過(guò)計(jì)算圖像中背景噪聲與作物目標(biāo)NDVI值差異進(jìn)行分割。

(2)

式(2)中，F(xiàn)848 nm為848 nm的光譜反射率，F(xiàn)665 nm為665 nm的光譜反射率。

1.2.3 基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割算法

對(duì)初步分割算法后存在灰度板和相鄰不完整的玉米植株葉片等噪聲， 進(jìn)一步采用基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割算法進(jìn)行處理。

首先采用邊緣保持中值濾波算法剔除噪聲點(diǎn)。 其次， 采用區(qū)域標(biāo)記方法標(biāo)記出圖像中的連通區(qū)域， 并計(jì)算每個(gè)連通域的像素統(tǒng)計(jì)學(xué)參數(shù)， 包括各區(qū)域面積、 主軸長(zhǎng)度和寬度等。 最后， 選取各連通區(qū)域面積作為檢測(cè)判別對(duì)象， 篩選保留圖像中面積最大的連通域， 得到玉米植株冠層的掩模圖像， 即可實(shí)現(xiàn)玉米植株葉片圖像的精細(xì)分割。

1.3 玉米植株冠層葉綠素指標(biāo)光譜學(xué)檢測(cè)與可視化

1.3.1 葉綠素含量指標(biāo)檢測(cè)特征波長(zhǎng)與植被指數(shù)篩選方法

為了精簡(jiǎn)模型， 提高模型精度， 通過(guò)特征波長(zhǎng)與植被指數(shù)篩選兩步實(shí)現(xiàn)葉綠素含量指標(biāo)檢測(cè)變量的選取。 首先， 對(duì)原始光譜分別利用統(tǒng)計(jì)相關(guān)分析(correlation analysis， CA)和基于仿生學(xué)的隨機(jī)蛙跳算法(random frog， RF)進(jìn)行特征波長(zhǎng)的篩選。 因?yàn)殄兡ば统上駛鞲衅鲉蝹€(gè)中心波長(zhǎng)帶寬約為10 nm， 光譜分辨率不高導(dǎo)致無(wú)法依賴單一波段準(zhǔn)確反映某一波長(zhǎng)位置反射率高低與峰谷平移等細(xì)微特征， 所以將篩選出的特征波長(zhǎng)分為近紅外(near infrared, NIR)集合和紅色(red， R)集合， 基于NIR和R組合計(jì)算植被指數(shù)如表1所示， 通過(guò)多個(gè)波段之間的相對(duì)變化來(lái)反映葉綠素含量變化。 然后， 再次利用CA和RF算法開(kāi)展植被指數(shù)的篩選。

表1 植被指數(shù)的計(jì)算公式

1.3.2 葉綠素含量檢測(cè)建模與分布可視化方法

采用SPXY(sample set partitioning based on joint X-Y distance)算法對(duì)采樣數(shù)據(jù)劃分建模集和驗(yàn)證集。 篩選后的植被指數(shù)與SPAD值建立偏最小二乘回歸(partial least squares regression， PLSR)模型， 使用建模集、 驗(yàn)證集模型決定系數(shù)、 以及均方根誤差RMSEC, RMSEV為評(píng)價(jià)指標(biāo)。

利用模型計(jì)算各像素點(diǎn)的葉綠素含量， 得到灰度圖像， 再使用Matlab軟件中偽彩色處理繪制玉米冠層的葉綠素含量的可視化分布圖。

2 結(jié)果與討論

2.1 玉米植株冠層光譜圖像處理

2.1.1 多光譜圖像采集與分析

利用鍍膜成像傳感器在673～951 nm范圍內(nèi)， 采集盆栽玉米植株25波段冠層圖像， 基于4灰度級(jí)標(biāo)準(zhǔn)板按照式(1)校準(zhǔn)后的圖像如圖3所示， 分別提取玉米植株、 花盆背景和土壤背景的光譜反射率曲線結(jié)果顯示， 花盆在整個(gè)波段范圍內(nèi)呈現(xiàn)高反射率， 主要與花盆為白色和塑料材質(zhì)有關(guān)； 土壤背景在整個(gè)波段范圍內(nèi)呈現(xiàn)低反射率。 玉米植株在紅外區(qū)域反射率較低， 而在近紅外區(qū)域反射率較高， 主要與植物內(nèi)部光合作用， 吸收紅光有關(guān)。

圖3 校準(zhǔn)后的25波段多光譜圖像

2.1.2 玉米植株冠層多光譜圖像初步分割結(jié)果

為了實(shí)現(xiàn)玉米植株的提取， 首先對(duì)673 nm的光譜圖像基于最大類間方差自適應(yīng)分割圖像結(jié)果如圖4(a)所示， 對(duì)土壤和地面有一定的剔除， 但是無(wú)法區(qū)分冠層、 花盆和部分標(biāo)準(zhǔn)板， 這是由于它們反射率較為接近， 體現(xiàn)于圖像灰度值差異不大使得分割困難。 分析圖3中近紅外和紅外區(qū)間不同對(duì)象的光譜反射率特征可知， 作物冠層近紅外和紅外區(qū)間反射率差異顯著， 而花盆、 土壤等差異較小， 其中848和665 nm中心波長(zhǎng)處組合差異性最為顯著。 因而， 提出了基于848和665 nm計(jì)算NDVI圖像的冠層初步分割方法， 結(jié)果如4(b)所示， 與圖4(a)相比較， 該方法對(duì)花盆和部分標(biāo)準(zhǔn)板的剔除有一定的提升作用。

圖4 玉米植株冠層多光譜圖像初步分割算法結(jié)果

2.1.3 基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割結(jié)果

對(duì)初步分割算法后存在的部分灰度板和相鄰不完整的玉米植株葉片等噪聲， 研究進(jìn)一步采用基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割算法。 處理過(guò)程與結(jié)果依次為， 圖5(a)所示采用邊緣保持中值濾波算法進(jìn)行濾波， 圖5(b)所示標(biāo)記出圖像中的連通區(qū)域， 圖5(c)所示保留圖像中面積最大的連通域得到掩模圖像， 即實(shí)現(xiàn)玉米植株葉片的提取。

圖5 基于區(qū)域標(biāo)記的玉米植株冠層精細(xì)分割算法結(jié)果

2.2 玉米植株冠層葉綠素指標(biāo)光譜學(xué)檢測(cè)與可視化結(jié)果

2.2.1 葉綠素含量指標(biāo)檢測(cè)特征波長(zhǎng)與植被指數(shù)篩選

為了探究玉米葉片在鍍膜型光譜傳感器響應(yīng)特征并診斷葉片葉綠素含量指標(biāo)， 首先分別采用CA算法和RF算法選取特征波長(zhǎng)。 其中反射率與SPAD值相關(guān)性分析結(jié)果如圖6左側(cè)所示， 二者呈負(fù)相關(guān)關(guān)系， 在[-0.19, -0.45]區(qū)間， 按照相關(guān)系數(shù)絕對(duì)值大小排列， 篩選出絕對(duì)值高于0.3的8個(gè)波長(zhǎng)以紅色標(biāo)識(shí)。 RF算法計(jì)算個(gè)波長(zhǎng)被選擇概率結(jié)果如圖6右側(cè)所示， 在[0.09, 0.97]區(qū)間， 設(shè)定0.28為閾值選出13個(gè)特征波長(zhǎng)， 以右側(cè)紅色柱狀顯示。 比較分析可知， 由CA提取的8個(gè)特征波長(zhǎng)有7個(gè)集中于823～894 nm區(qū)間， 對(duì)這7個(gè)波長(zhǎng)進(jìn)行相關(guān)系數(shù)分析， 自相關(guān)系數(shù)均高于0.906 8； 由RF算法提取的13個(gè)特征波長(zhǎng)分散存在， 既包含如791和804 nm等相關(guān)性較低波長(zhǎng)， 又包含如866和876 mn等較高相關(guān)性波長(zhǎng)位置。

綜合兩種算法結(jié)果， 分別在750～951和673～750 nm區(qū)間建立NIR(791， 804， 823， 834， 844， 866， 876， 884， 894， 917， 941和951 nm)和R(673， 688和731 nm)備選集合， 然后遍歷NIR和R集合組合計(jì)算RVI、 NDVI、 DVI和植被指數(shù)， 共得到144個(gè)植被指數(shù)。

圖6 特征波長(zhǎng)篩選結(jié)果

2.2.2 基于SPXY的樣本集劃分與葉綠素含量檢測(cè)建模

針對(duì)總體243個(gè)樣本， SPAD值在17.4～40.8區(qū)間， 平均值為30.76， 標(biāo)準(zhǔn)差為4.74。 根據(jù)SPXY算法劃分建模集和驗(yàn)證集， 結(jié)果如表2所示， 其中建模集的葉片SPAD值取值范圍為17.4～40.8， 覆蓋了驗(yàn)證集的葉片SPAD值， 說(shuō)明建模集和驗(yàn)證集可以用于后續(xù)的分析。

表2 建模集與驗(yàn)證集劃分統(tǒng)計(jì)

表3 植被指數(shù)與葉片SPAD值PLSR模型

2.2.3 葉綠素含量檢測(cè)建模與分布可視化方法

基于CA+RF-PLSR診斷模型結(jié)果， 繪制SPAD值偽彩色分布圖如圖7所示， 在冠層坐標(biāo)平面上， 各像素點(diǎn)的SPAD值用從藍(lán)色到黃色表示， 越接近藍(lán)色說(shuō)明該位置SPAD值越低， 越接近黃色說(shuō)明該位置SPAD值越高。 分析圖中玉米植株葉綠素含量分布特征可知， 單個(gè)葉片的葉綠素含量分布呈現(xiàn)階梯形式的分布， 距離植株中心越遠(yuǎn)的位置葉綠素指標(biāo)值越小， 且上層葉片高于下部葉片。 分析其原因可能是： 葉綠素是光吸收的物質(zhì)也是重要的營(yíng)養(yǎng)指征， 植株養(yǎng)分由莖稈向上， 經(jīng)株心向葉片邊緣輸送， 因而株心部分略高于葉邊緣； 由于作物植株體上葉片分布的差異， 作物植株葉片上層葉片光吸收水平較高， 其干物質(zhì)生長(zhǎng)和光合作用活躍， 而下部葉片因?yàn)槭艿缴蠈尤~片遮蔭、 葉齡老化等因素的影響， 其葉綠素指標(biāo)較低。

圖7 玉米冠層葉綠素含量分布圖

以上結(jié)果說(shuō)明基于鍍膜型成像光譜數(shù)據(jù)， 開(kāi)展作物植株葉綠素含量指標(biāo)檢測(cè)研究的可行性， 但應(yīng)用本方法開(kāi)展作物葉綠素含量動(dòng)態(tài)監(jiān)測(cè)研究時(shí)， 還需要進(jìn)一步提升檢測(cè)模型精度以滿足高精度的要求。

3 結(jié) 論

應(yīng)用鍍膜型光譜成像傳感器， 深入開(kāi)展田間玉米作物葉綠素含量檢測(cè)與分布可視化研究， 主要結(jié)論如下：

(1) 應(yīng)用鍍膜型光譜成像傳感器獲取玉米冠層多光譜圖像數(shù)據(jù)， 經(jīng)反射率校準(zhǔn)后， 結(jié)合玉米冠層反射光譜與圖像形態(tài)特征， 提出基于NDVI的玉米植株冠層初步分割算法剔除土壤背景的影響， 利用邊緣保持中值濾波消除異常噪聲點(diǎn)， 然后基于區(qū)域標(biāo)記算法有效剔除花盆與灰度標(biāo)定板的干擾， 實(shí)現(xiàn)了植株冠層的分割與提取。