婁衛(wèi)東， 林寶剛， 周洪奎， 華水金， 胡昊*

(浙江省農(nóng)業(yè)科學院a數(shù)字農(nóng)業(yè)研究所，b作物與核技術(shù)利用研究所，浙江 杭州 310021)

植物體內(nèi)的營養(yǎng)水平、水分狀況、衰老程度以及受病害影響與葉片顏色密切相關(guān)，因此，可利用顏色指標評估其生長狀況[1-4]。作物葉片顏色主要為綠色，還包括黃色、紅色、紫色等。作物綠葉的色素主要包含葉綠素a、葉綠素b等。過去，研究者通過對作物毀壞性取樣測定葉片中的色素含量、養(yǎng)分或者其他指標，從而確定兩者之間的關(guān)系[5-6]。采用該方法測定精確，但是成本較高、費時費力，且因為取樣的破壞性，無法對作物生長信息進行實時獲取，導致對于田間作物實際管理存在一定的滯后性。近年來，隨著信息技術(shù)在農(nóng)業(yè)研究中的應(yīng)用，使得數(shù)碼相機、攝影機、手機等便攜式設(shè)備無損獲取植物葉片顏色這一性狀越來越容易，因此，基于植物數(shù)字圖像的顏色特征分析，已成為評估作物營養(yǎng)狀況和對環(huán)境脅迫響應(yīng)的有效手段。Cai等[7]通過數(shù)碼相機結(jié)合圖像顏色分析研究了作物葉片的衰老情況。Grunenfelder等[8]使用光譜指數(shù)來評估市場新鮮馬鈴薯的葉綠素發(fā)育。Chen等[9]用葉片數(shù)字圖像的顏色特征估算了葉綠素含量(SPAD)，取得了較好的估算效果。

基于圖像的顏色呈現(xiàn)有多種表示方法。RGB色彩模式是色彩領(lǐng)域的一種顏色標準，是通過對紅(R)、綠(G)、藍(B)3個顏色通道的變化以及它們相互之間的疊加來得到各種顏色。RGB作為紅、綠、藍3個通道顏色的代表，幾乎囊括了人類視力所能感知的所有顏色，是運用最廣的顏色系統(tǒng)之一。Lab模式是CIE(國際照明委員會，Commission international eclairage)在1931年制訂的一種顏色標準，它是一種基于生理特征但與設(shè)備無關(guān)的顏色模型，其色域大于計算機顯示器和人類視覺。Lab顏色模型由3個要素組成，亮度L、a*和b*，a*包括的顏色是從深綠色到灰色再到亮粉紅色，b*是從亮藍色到灰色再到黃色，Lab顏色模型彌補了RGB色彩模式的不足。

RGB與Lab作為當前最常用的顏色空間，其圖像顏色特征參數(shù)用于作物評估的研究非常有應(yīng)用價值。傳統(tǒng)的作物葉綠素含量測定需要耗費較多人力物力，而且不能及時用于作物田間管理。有學者通過高光譜方法估算了油菜葉綠素含量，建模精度R2達0.947[10]，不過國內(nèi)外通過葉片圖像提取顏色特征進行油菜葉綠素含量的估算少見報道。因此，本文著重研究從傳統(tǒng)數(shù)碼相機拍攝的葉片顏色圖像中分析油菜葉綠素含量狀態(tài)，以期為作物脅迫管理提供理論參考。

1 材料與方法

1.1 供試材料

于浙江省農(nóng)業(yè)科學院試驗基地進行油菜溫室盆栽試驗。供試品種為浙油50，種子由浙江省農(nóng)業(yè)科學院作物與核技術(shù)利用研究所油菜育種與栽培研究室提供。土壤pH 6.85，有機質(zhì)含量為7.25 g·kg-1，全氮含量為0.820 g·kg-1，速效磷和速效鉀含量分別為45.36和98.60 g·kg-1。2019年10月25日播種，每盆播種3～5粒種子(15 L聚氯乙烯盆)，待油菜長至5葉期時，每盆定苗1株。為產(chǎn)生葉綠素梯度，試驗處理為4個施氮量：0、50、100和150 kg·hm-2，氮肥形態(tài)為尿素。試驗進行3次重復，每個重復5盆，完全隨機排列。另外設(shè)置驗證試驗，驗證試驗處理、重復及相關(guān)管理與以上建模試驗一致。

1.2 數(shù)據(jù)獲取

播種50 d后，選擇油菜植株最新完全展開葉采集葉片圖像，使用佳能EOS 50D數(shù)碼相機(日本Canon公司)垂直獲取葉片的數(shù)字彩色圖像，距離拍攝對象50 cm，曝光時間1×10-3s，伽馬校正+1.0，鹵素燈自動對焦和色彩平衡。拍攝時，油菜葉片放在玻璃板下的白色背景上，用4個矩形分布的穩(wěn)定鹵素燈泡照明，以消除玻璃表面的光反射。所有測量進行3次重復。

油菜葉片彩色圖像分析使用Adobe Photoshop CS3 Extended 10.0軟件(美國Adobe系統(tǒng)公司)。RGB顏色模型中的圖像有3個主要成分，R(紅色)、G(綠色)和B(藍色)，每種顏色有256個刻度。Lab顏色空間獲得L(亮度)、a*(a通道)和b*(b通道)讀數(shù)。

油菜葉片圖像采集后，立即使用鋁箔包裹，以避免色素被光降解。從取樣的葉片中提取約0.5 g樣品，隨后把樣品研磨，并將其用80%丙酮溶液浸泡，黑暗中放置24 h，使用Uvikon 930分光光度計(法國Secomam公司)根據(jù)Lichtenthaler方法[11]計算葉綠素含量。

分別選取40個油菜圖像樣本用于RGB與Lab顏色空間試驗分析建模。另外選取獨立試驗的40個油菜樣本數(shù)據(jù)對建立的模型進行驗證。

1.3 統(tǒng)計分析

使用SPSS 17.0(美國IBM公司)皮爾遜相關(guān)分析和雙尾檢驗用于分析葉片顏色指數(shù)和葉綠素含量之間的相關(guān)性。利用SigmaPlot 12.0(美國Systat軟件公司)曲線擬合工具對數(shù)據(jù)進行回歸并繪制圖表。

2 結(jié)果與分析

2.1 RGB空間特征與葉綠素含量的關(guān)系

隨著R、G值的增加，油菜葉綠素a、葉綠素b和總?cè)~綠素含量呈降低趨勢。油菜葉圖像R、G值與葉綠素a、葉綠素b以及總?cè)~綠素含量的相關(guān)性均達到極顯著水平，B值與葉綠素a、葉綠素b和總?cè)~綠素含量的相關(guān)系數(shù)較低，未達到顯著水平(圖1、表1)。相對而言，葉片圖像顏色R、G值與葉綠素a含量的相關(guān)系數(shù)最高，與總?cè)~綠素含量次之，與葉綠素b的相關(guān)系數(shù)最小，這可能與葉綠素a是葉綠素的主要組成部分有關(guān)。

圖1 油菜葉片圖像RGB空間顏色特征參數(shù)與葉綠素含量的關(guān)系

特征參數(shù)組合與轉(zhuǎn)換可能會提高圖像顏色特征與葉綠素含量的相關(guān)性。由表1可知R、G、B值及其組合形成的顏色指數(shù)與葉綠素含量之間的相關(guān)系數(shù)，其中R+G+B、R-B、R+G、R+B、B+G-R與葉綠素a含量、葉綠素b含量、總?cè)~綠素含量呈極顯著負相關(guān)；R/(R+G+B)與葉綠素a、總?cè)~綠素含量呈極顯著負相關(guān)，與葉綠素b含量呈顯著負相關(guān)；G/(R+G+B)參數(shù)與葉綠素a含量呈極顯著負相關(guān)，與總?cè)~綠素含量呈顯著負相關(guān)，與葉綠素b含量未發(fā)現(xiàn)有顯著的相關(guān)關(guān)系；B/(R+G+B)與葉綠素a、總?cè)~綠素含量呈極顯著正相關(guān)關(guān)系，與葉綠素b含量呈顯著正相關(guān)。

表1 油菜葉圖像顏色特征與葉綠素含量的相關(guān)系數(shù)

選取R、G特征作為代表，回歸擬合R、G與葉綠素a、葉綠素b及總?cè)~綠素含量的關(guān)系，可見基于R值的葉綠素含量模型擬合精度為0.380 3～0.613 2，基于G值的葉綠素含量估算模型擬合精度為0.453 7～0.734 7。從圖1可以看出，通過R、G值對葉綠素a含量的估算精度優(yōu)于總?cè)~綠素含量，對葉綠素b含量的估算精度較低。

2.2 Lab空間顏色特征參數(shù)與葉綠素含量的關(guān)系

Lab顏色模型的3個參數(shù)與油菜葉綠素含量建立的顯著性關(guān)系見表1，其中，L與葉綠素a、葉綠素b及總?cè)~綠素含量存在極顯著負相關(guān)；b*與葉綠素a、總?cè)~綠素含量呈極顯著負相關(guān)，與葉綠素b含量呈顯著負相關(guān)；未發(fā)現(xiàn)a*與葉綠素a、葉綠素b、總?cè)~綠素含量存在顯著的相關(guān)性。

選取了L、b*值作為代表，回歸擬合了L、b*值與葉綠素a、葉綠素b及總?cè)~綠素含量的關(guān)系(圖2)，基于L值的葉綠素a、葉綠素b及總?cè)~綠素含量的擬合精度分別為0.645 2、0.430 4、0.689 4；基于b*值的葉綠素a、葉綠素b及總?cè)~綠素含量的擬合精度分別為0.395 7、0.127 6、0.337 1。可以發(fā)現(xiàn)通過L、b*值對葉綠素a、總?cè)~綠素含量的估算精度遠高于葉綠素b。

圖2 油菜葉片圖像Lab空間顏色特征參數(shù)與葉綠素含量的關(guān)系

2.3 基于RGB、Lab空間顏色特征的葉綠素含量估算模型評估

優(yōu)選RGB空間的G值、Lab空間的L值作為油菜葉圖像顏色代表，構(gòu)建了葉綠素a、總?cè)~綠素含量估算模型：葉綠素a含量=-0.014 3×G值+2.120 2；總?cè)~綠素含量=-0.020 8×G值+3.032 2；葉綠素a含量=-0.014×L值+2.107 7；總?cè)~綠素含量=-0.021 5×L值+3.121 5。

設(shè)置獨立試驗對以上估算模型進行驗證，基于G值、L值的葉綠素a、總?cè)~綠素含量估算值與實際測量值的關(guān)系見圖3?？梢娀贕值、L值的總?cè)~綠素含量模型驗證效果較好，估算值與測量值較為接近，驗證線性模型精度分別為0.916 5和0.919 9?；贕值、L值的葉綠素a含量估算驗證模型稍差，不過驗證線性模型精度仍達到了0.744 6和0.779 7。

圖3 基于RGB空間G值和Lab空間L值的葉綠素含量估算模型驗證

3 討論

國內(nèi)外研究[12-15]表明，通過作物圖像顏色分析可以診斷作物是否處于養(yǎng)分缺乏、洪澇、干旱等生長狀態(tài)，其原理可能是作物圖像提取的顏色特征與作物的生理參數(shù)具有較為密切的相關(guān)關(guān)系。本研究也表明，油菜葉片圖像顏色特征值與葉綠素含量的相關(guān)系數(shù)最高為0.874，達到極顯著相關(guān)(P<0.01)。與本研究類似，諸多學者通過分析葉片圖像的顏色特征、圖像紋理、光譜信息等，利用這些信息的特征參數(shù)或組合進而實現(xiàn)了作物葉綠素含量的估算[16-19]。

本研究采用數(shù)碼相機采集作物圖像，可能受環(huán)境光線、采集角度等因素影響，人為抖動、軟件分析及建模方法等也可能影響這種方法的應(yīng)用。為避免環(huán)境、人為、軟件、分析方法等因素干擾，應(yīng)建立標準的圖像采集、分析控制、建模程序和過程。不同設(shè)備、圖像采集方法、采集環(huán)境、軟件分析、建模方法等對顏色特征參數(shù)的穩(wěn)健性需要進一步研究。

本研究表明，通過油菜葉片圖像顏色RGB空間與Lab空間特征參數(shù)，可以實現(xiàn)油菜葉綠素含量的估算。相對而言，基于葉片圖像顏色特征參數(shù)估算葉綠素a含量的模型精度較高，總?cè)~綠素含量模型次之，葉綠素b含量模型較差，這可能與葉綠素a在總?cè)~綠素中占比較多有關(guān)。也有其他學者選用了HIS顏色空間，并構(gòu)建了基于DGCI指數(shù)的葉綠素含量估算模型，決定系數(shù)R2達到了0.91[20]。

通過顏色空間特征參數(shù)的轉(zhuǎn)換與組合有可能會提高葉綠素含量模型的精度，如RGB空間內(nèi)，R+G與葉綠素a含量地相關(guān)系數(shù)為-0.860，達到極顯著相關(guān)水平，Snchez-Sastre等[20]發(fā)現(xiàn)(R-B)/(R+G+B)可以很好的估算甜菜葉綠素含量，?zre?berolu等[21]研究表明，G和B的多元回歸模型能較好地估算石榴樹的葉綠素含量，這為圖像顏色特征的選擇與應(yīng)用提供了較大空間。本研究通過獨立驗證試驗表明，基于RGB和Lab空間顏色特征值的葉綠素含量估算值與實際測量值有較好的線性關(guān)系，測量值與實際值偏離較小，其中基于G值、L值的總?cè)~綠素含量驗證線性模型精度分別為0.916 5和0.919 9，應(yīng)用前景廣闊。針對顏色特征參數(shù)的建模方法，本研究采用了簡單的線性模型，有學者采用了多元回歸、神經(jīng)網(wǎng)絡(luò)、機器學習等方法，盡管這些方法取得了較為理想的建模結(jié)果[22-24]，但也可能增加了后期模型開發(fā)應(yīng)用的難度。

4 小結(jié)

通過葉片圖像顏色RGB與Lab顏色空間特征值能實現(xiàn)油菜葉綠素含量的快速估算，尤其通過RGB空間的G值，其估算總?cè)~綠素含量模型精度R2為0.764 7；相對而言，基于RGB顏色空間特征的葉綠素含量估算精度優(yōu)于Lab顏色空間?？傮w上看，RGB、Lab顏色特征值對葉綠素a的估算精度優(yōu)于葉綠素b和總?cè)~綠素含量。獨立驗證試驗表明，基于RGB和Lab顏色空間的葉綠素含量估算模型預(yù)測值與實際測量值較為接近，因此，本研究有較大的應(yīng)用價值，可為通過作物圖像評估作物狀態(tài)提供較好的理論參考依據(jù)。