包聰聰，張寶林，2，3，牛潘婷，潘麗杰

（1.內蒙古師范大學化學與環(huán)境科學學院，內蒙古 呼和浩特 010020；2.內蒙古節(jié)水農(nóng)業(yè)工程研究中心，內蒙古呼和浩特 010020；3.內蒙古自治區(qū)環(huán)境化學重點實驗室，內蒙古 呼和浩特 010020）

葉片是植物進行光合和蒸騰作用的主要器官，對植物的生長發(fā)育和農(nóng)作物的產(chǎn)量形成具有重要作用。光能是作物生產(chǎn)的主要驅動因子，作物的光能截獲和利用能力決定著農(nóng)業(yè)生態(tài)系統(tǒng)的生產(chǎn)潛力。玉米是重要的糧食作物、飼料作物、經(jīng)濟作物和工業(yè)原料。研究玉米的冠層特征，對提高玉米的光能利用效率，實現(xiàn)增產(chǎn)增效有著重要意義。

葉傾角（Leaf inclination angle，0～90°）是葉片表面法線方向與天頂角方向的夾角，即葉片與水平方向的夾角。葉傾角是玉米群體冠層重要特征之一，是決定透光和受光姿態(tài)的重要指標，為植物冠層能量交換提供結構化的定量信息。葉傾角與葉片的直立程度呈正比，除了用于表征植被冠層結構之外，也常被用來反映植物特征、生命活力以及環(huán)境效應。根據(jù)葉傾角的大小，可以把玉米分成緊湊型和平展型，緊湊型玉米的葉傾角大于或者接近65°，平展型玉米的葉傾角接近或小于50°[1]。在高密高氮的條件下，緊湊型玉米能夠調控葉傾角，物質轉化效率較高，從而實現(xiàn)群體增產(chǎn)，而平展型玉米在相同條件下會造成產(chǎn)量損失[2]。作物上層葉片大部分葉傾角為60～90°，頂層葉片葉傾角為90°，底部葉片葉傾角為0°時，冠層光合效率最高[3]。一般情況下，玉米上層葉片葉傾角為60～90°（占比47.3%），中層為30～60°（占比36.6%），下層為0～30°（占比16%）時，受光結構最佳[4]。玉米超高產(chǎn)群體的冠層通常表現(xiàn)為株型緊湊，結構分布合理；植株各層位受光適宜，上層葉片緊湊，透光性強,下層葉片平展，光合有效輻射截獲較多，提高了各層葉片的光合速率[5]。過去一個世紀，美國玉米帶產(chǎn)量的提高與玉米育種中輻射利用效率的提高密切相關[6]。同一玉米植株不同葉位的葉片，葉傾角隨生長進程逐漸減小。增密[2，7]、施氮[8-10]、施磷[11]、覆膜[12]等栽培管理措施，會影響葉傾角，進而影響作物的光能利用和產(chǎn)量。葉傾角隨密度增加而增大[2]，在不超過耐密閾值的情況下[13-14]，增加種植密度是提高作物單產(chǎn)的有效方法[15-17]。增密可以在群體水平上提高冠層的太陽輻射捕獲量，最大限度地利用光資源，使單位面積產(chǎn)量最大化。直立型葉片的玉米品種較水平葉片品種產(chǎn)量可增加40%[18]。通過基因改造控制葉傾角[19-21]，可消除密植的不利影響。玉米葉傾角變化也是常見的干旱響應機制之一[22]，干旱脅迫發(fā)生時，葉傾角會發(fā)生明顯變化[23]。此外，葉傾角與葉傾角分布（Leaf angle distribution，LAD）和葉面積指數(shù)（Leaf area index，LAI）[24]的關系密不可分，是影響光截獲量、光合效率的重要參數(shù)。

傳統(tǒng)的葉傾角測量方式是利用量角器進行測量，費時費力，容易損傷植株。為克服這些問題，目前葉傾角的提取主要使用三維點云數(shù)據(jù)、深度圖像和二維圖像。使用激光雷達、三維激光掃描儀和Kinect 等可獲得三維點云數(shù)據(jù)，然后根據(jù)圖像計算三維信息重構植株，常用聚類法進行莖葉分割，進一步獲得葉傾角及其分布密度。雷蕾[25]運用激光雷達獲取玉米的三維點云數(shù)據(jù)，采用定量結構模型計算葉傾角。馮可心[26]把玉米三維點云數(shù)據(jù)規(guī)則化后，計算葉傾角。KENCHANMANE 等[23]搭建高通量圖像處理平臺測量玉米葉傾角。SOUZA 等[27]利用玉米葉綠素熒光圖像進行高通量圖像分割和性狀提取，獲取葉尖和莖的夾角。深度圖像一般由深度相機獲得，屬于三維圖像，通過優(yōu)化骨架法可獲得更好的表型參數(shù)，宗澤等[28]通過改進骨架化優(yōu)化葉傾角的提取精度。也有研究[29]采用哈里斯角點（Harris corner）方法識別植株的端點，提取葉傾角，但是該識別方法對于掃描窗口和核大小有依賴性，對于葉片末端的檢測效果不理想。近年來，隨著計算機性能的提升，圖像處理技術日益完善，并被應用于獲取各類農(nóng)作物的信息[30-31]。利用二維圖像獲取葉傾角的算法，一般通過改進骨架化的方法，以搜索窗口的形式直接提取玉米葉傾角概率密度函數(shù)。利用圖像處理技術，在快速提取植物表型的同時，可減少對植物的損傷。陳嘯等[32]對玉米植株的圖像進行處理，得到玉米骨架后，通過搜索半徑獲得葉傾角。也有學者[33]通過改進單階段目標檢測網(wǎng)絡CenterNet提取二維圖像中的葉傾角。

目前，葉傾角的獲取常利用三維點云數(shù)據(jù)，但高通量設備成本高昂，難以在大田試驗中推廣應用。三維點云數(shù)據(jù)大多為實驗室中培育的單株植株表型信息，與自然狀態(tài)下的玉米植株存在差異。基于二維圖像的提取方法包括骨架化的改進和目標檢測的應用，其中深度學習方法所需樣本量大，不易獲得。鑒于此，借鑒深度圖像的處理技術，利用二維圖像提取葉傾角，提出了一種使用Freeman鏈碼識別莖葉連接點、實現(xiàn)玉米葉傾角提取的非接觸測量方法，可減少植物損傷，實現(xiàn)不同氣候、地力、栽培條件下的葉傾角的快速診斷，為合理密植，提高光能利用率，實現(xiàn)增產(chǎn)增效提供依據(jù)。

1 材料和方法

1.1 數(shù)據(jù)采集

在不同地區(qū)（內蒙古興安盟科爾沁右翼中旗、呼和浩特市、通遼市扎魯特旗、錫林郭勒盟西烏珠穆沁旗）對玉米植株進行拍照，并使用圓形量角器測量葉傾角。測量時，在量角器的圓心處系一根細線，線的另一端使用重物進行固定，當量角器的0～180°線與測量葉片水平時，記錄細線指示的角度。每個地區(qū)選取10株玉米，記錄完全展開葉片的葉傾角。同時，使用手機相機對大田玉米植株拍照。拍照時，在植株正前方平視植株進行拍照，避免俯視和仰視對葉傾角造成影響，對手機型號無特殊要求，這樣可以增加數(shù)據(jù)集的多樣性，增強算法的泛化能力。為降低后續(xù)計算量，統(tǒng)一將圖像大小設置為500×500（圖1）。玉米成熟期，在呼和浩特市周邊地區(qū)采樣時，依據(jù)Landsat 8 遙感影像提取成熟期玉米的歸一化植被指數(shù)（Normalized difference vegetation index，NDVI），在NDVI 的最大值（0.80）和最小值（0.60）處進行采樣，測量葉傾角。利用量角器實地測量，共采集葉傾角數(shù)據(jù)583個。

圖1 玉米植株樣本Fig.1 Maize sampling images

1.2 研究方法

硬件環(huán)境為Intel（R）Core（TM）i7-10510U CPU @2.30 GHz，8.0 GB 內存。軟件開發(fā)環(huán)境為Win10 家庭版，使用語言為Python 3.8.0 和開源計算機視覺庫OpenCV2。研究技術路線如圖2所示。

圖2 研究路線Fig.2 Research route

1.2.1 圖像預處理 在圖像采集過程中會受到各種因素的干擾，如拍照設備、光照不均產(chǎn)生的圖像噪聲等[34-35]。圖像噪聲會降低葉傾角識別算法效率，為提升圖像質量，精簡圖像信息，減少數(shù)據(jù)處理量，提高處理速度，需要對圖像進行預處理。

首先對玉米圖像進行平均值法灰度化，然后采用閾值法進行二值化，刪除小面積的連通區(qū)域，保證圖片的最大連通，之后將植株圖像與背景進行分割，采用Freeman[36]鏈碼識別玉米植株的葉尖和莖葉連接點，獲取葉傾角。圖像處理的偽代碼如表1所示，預處理流程如圖3所示。

表1 圖像預處理偽代碼Tab.1 Pseudo codes of image pre-processing

圖3 圖像預處理流程Fig.3 Image preprocessing

1.2.1.1 圖像灰度化 灰度化處理可縮短對圖像處理時間[37]，減少與夜間圖像的差異，提高圖像處理速度[38]，有利于圖像分割和識別[35]。常用方法包括加權平均值法、最大值法、平均值法。采用平均值法對玉米植株圖像進行灰度化處理（圖3）。

1.2.1.2 圖像增強 采集圖像時由于光照不均，導致植株各部分明暗程度不一樣，圖像增強可以在一定程度上消除因拍攝角度不同產(chǎn)生的亮度差異[39]。本研究采用直方圖均衡化對圖像進行增強（圖3），直方圖均衡化對過亮區(qū)域和過暗區(qū)域有很好的處理效果[40]。經(jīng)直方圖均衡化處理后，圖像更加清晰明朗，有利于CNN 特征提取[41]，可增強復雜光照下的圖像對比度[42]，增加光線偏暗和偏強的圖像對比度，有利用分離背景[43]。

1.2.1.3 圖像濾波 圖像經(jīng)直方圖均衡化后，增強了對比度，但也增大了噪聲[44]。中值濾波用一個預設的像素鄰域中的灰度中值來代替原本像素值，可以消除孤立噪聲點[45-46]（圖3）。在直方圖均衡化后，采用非線性中值濾波可去除圖像中的噪聲[41]，可解決小麥圖像邊角區(qū)域模糊的問題[47]，消除害蟲圖像中的孤立噪聲點，保護圖像邊緣[48]。

1.2.1.4 圖像二值化 基于閾值、邊緣和區(qū)域都可以對圖像進行二值化。常用的閾值分割法包括全局閾值法和自適應閾值法。孟笑天[31]比較了雙峰法、最大熵閾值法、迭代法和Otsu 法對玉米苗帶圖像的分割效果，最終用Otsu 算法進行二值化。朱超冉等[49]采用最大熵閾值分割、迭代法閾值法、Otsu算法分割雜草圖像，發(fā)現(xiàn)Otsu 算法對雜草的分割效果更好。劉東等[50]使用Otsu 算法較好地分割了農(nóng)田區(qū)域。張衛(wèi)正等[51]使用Otsu 算法分離了玉米圖像的前景與背景，提取了完整的玉米植株。本研究中，將玉米植株圖像經(jīng)過平均值法處理后，使用Otsu 閾值法進行二值化（圖3）。Otsu 閾值法[52]是日本學者Otsu在1979年提出的一種高效算法，又稱最大類間方差法，可以在灰度圖中自動選擇閾值進行分割，是最小二乘法意義下的最優(yōu)分割。

1.2.1.5 圖像形態(tài)學處理 圖像經(jīng)過Otsu算法分割后常常存在噪聲[50-53]，需要借助形態(tài)學操作去除圖像噪點，包括開運算、閉運算、腐蝕、膨脹等。鄧子青等[54]采用形態(tài)學操作填充和平滑火龍果圖像邊緣，進行圖像分割；郭齊成等[55]使用開運算去除背景噪點；馬立新等[56]使用開運算去除噪聲，分割秧苗莖部圖像，方便后續(xù)秧苗計數(shù)。本研究采用3*3 的結構元素對圖像進行閉運算，使用OpenCV2 中cv2.morphologyEx函數(shù)實現(xiàn)閉運算，填充孔洞（圖3）。

1.2.1.6 圖像連通域操作 不屬于玉米植株的區(qū)域會對后續(xù)的骨架化產(chǎn)生影響，需要判定完整的玉米植株，剔除噪點。二值圖像標記連通區(qū)域的方法包括4 鄰接和8 鄰接。常選擇滿足8 鄰接的區(qū)域判斷連通區(qū)域[57-58]。劉東等[50]采用刪除較小連通區(qū)域的方法，將像素小于75 的區(qū)域看作是噪點。張衛(wèi)正等[51]將玉米植株看作是最大連通區(qū)域，通過填充最大連通區(qū)域，刪除其他連通區(qū)域，消除噪聲和背景干擾。孟余耀[59]只保留最大聯(lián)通域的二值圖像，填充其他連通域為背景，分割玉米與雜草。馬立新等[56]統(tǒng)計秧苗莖部圖像和非秧苗莖部圖像連通域的面積和性狀，進而剔除非目標物。本研究采用OpenCV2 庫中的contour 函數(shù)對圖像中的小連通區(qū)域進行刪除，設定小聯(lián)通區(qū)域面積為1 000，刪除小連通區(qū)域后，對最大連通區(qū)域進行填充，保證了植株的完整性，剔除了不屬于玉米植株的部分（圖3）。

1.2.1.7 圖像骨架化 常用方法包括形態(tài)學細化方法、基于距離變換方法、拓撲細化法等。陳嘯等[32]采用Zhang-Suen 快速并行細化算法[60]提取玉米植株骨架，汪濤等[61]通過形態(tài)學細化提取樹葉葉片骨架，喬桂新等[62]采用球B 樣條法識別植物骨架結構。本研究使用skimage 庫中morphology.skeletonize_3d 函數(shù)來提取骨架（圖3）。

1.2.2 葉傾角計算

1.2.2.1 識別莖葉連接點及葉尖點 遍歷輸入圖像的每一個像素，對其周圍8 個點的灰度值進行加和計算，歸一化，大于4 的為莖葉連接點，等于2 的為葉尖點。本研究識別玉米植株圖像的葉尖和莖葉連接點如圖4所示，藍色點為莖葉連接點，紅色點為葉尖。

圖4 葉尖和莖葉連接點的標記Fig.4 Labels of leaf apex and stem leaf joint

1.2.2.2 計算葉傾角 1961 年HERBERT 等[36]提出了Freeman 鏈碼。鏈碼通過連接規(guī)定長度和方向的直線段來表示邊界，表示基于線段的4 連通或8 連通。按順時針或者逆時針方向編碼，由這種方向形成的邊界碼稱為Freeman 鏈碼（圖5）。處理數(shù)字圖像時，順時針方向跟蹤邊界，為連接每對像素的線段分配一個方向，則生成鏈碼。Freeman 鏈碼可跟蹤圖像邊緣[63-64]，康宇[65]在測量葉片周長時采用Freeman 鏈碼跟蹤輪廓，根據(jù)得到的鏈碼序列計算葉片周長。

圖5 4方向和8方向Freeman鏈碼Fig.5 4-way and 8-way Freeman codes

目前，研究者[28-32]主要關注如何更好地提取植株骨架，以獲得準確的葉傾角數(shù)據(jù)。本研究提出直接以搜索端點和莖葉連接點的方式，實現(xiàn)葉片分割。計算葉傾角步驟如下：首先使用Freeman 鏈碼，以葉尖點為起始點，莖葉連接點為終點，順時針進行編碼，跟蹤葉片，生成單個葉片編碼序列表；其次根據(jù)葉片序列擬合曲線，以莖葉連接點做該曲線的切線，得到切線與曲線的交點；最后對莖葉連接點與葉尖點做直線，計算直線與過莖葉連接點的垂線之間的角度，即為葉傾角（圖6）。

圖6 葉傾角的識別與計算Fig.6 Leaf inclination angles identification and calculation

1.3 算法驗證

葉傾角樣本總量共1 166 個數(shù)據(jù)，其中實測葉傾角數(shù)據(jù)583 個，算法提取的葉傾角數(shù)據(jù)583 個。對輸入的玉米圖像，根據(jù)本研究提出的算法計算完全展開葉片的葉傾角，與實地測量值對比，采用皮爾森相關系數(shù)r衡量實測值與計算值之間的關系，采用均方根誤差RMSE（Root mean square error）進行算法評價[66-68]。

式中，y?i為預測值，xi為實測值，xˉ為實測值的平均數(shù)，yˉ為預測值的平均數(shù)，n為樣本數(shù)。相關系數(shù)r∈[-1，1]，大于0 表示正相關，小于0 表示負相關，絕對值越大表示線性相關程度越高；RMSE反映了算法提取的葉傾角偏離真實值的程度。

2 結果與分析

2.1 玉米莖葉連接點和葉尖點的識別

分別使用哈里斯角點、Shi-Tomasi 角點和Freeman 鏈碼對玉米的莖葉連接點和葉尖點進行識別。哈里斯角點識別節(jié)點的結果如表2 所示，不同的Sobel 算子大?。╧size）和掃描窗口（block size）對于同一圖像檢測出的角點個數(shù)不同。在ksize 相同的情況下，隨著block size 的增大，檢測出的角點數(shù)逐漸增加。在block size 相同的情況下（除block size為7時），ksize 為11時，角點數(shù)偏小。哈里斯角點識別方法依賴于ksize 和block size 的設置，不能快速檢測出合適的角點作為莖葉連接點和葉尖點，不利于后續(xù)的葉傾角計算。

表2 不同block size和ksize的識別角點數(shù)Tab.2 Corner recognition by different block sizes and ksizes

Shi-Tomasi角點識別算法是哈里斯角點識別的改進版本，在節(jié)點識別中的表現(xiàn)優(yōu)于哈里斯角點識別。使用Shi-Tomasi 角點識別算法在檢測圖像中的角點時，需要對于圖片的情況進行預設，以便得到合適的結果。在本研究的Shi-Tomasi 角點識別測試中，使用Python 語言中的對應函數(shù)cv2.goodFeaturesToTrack（），莖葉連接點和葉尖點共7 個，端點數(shù)共8 個（圖4）。設置函數(shù)中最大檢測角點數(shù)目為8時，沒有準確地識別出所有節(jié)點，且將骨刺識別為節(jié)點（圖7）。

圖7 Shi-Tomasi角點識別Fig.7 Shi-Tomasi corner recognition

以上2 種方法均不能對節(jié)點進行有效識別，本研究提出使用Freeman 鏈碼對節(jié)點進行識別，直接使用8 鄰域判定是否為葉尖點，進一步尋找莖葉連接點，標記單個葉片。采用Freeman 鏈碼對骨架化后的玉米植株識別莖葉連接點，達到了理想的識別效果。從表3 可以看出，實際葉尖點為380 個，正確檢出359 個，對于葉尖點的識別率為94.47%；實際莖葉連接點為380 個，正確檢出357 個，莖葉連接點的識別率為93.94%。采用Freeman 鏈碼識別莖葉連接點和葉尖點，一定程度上避免了骨架化后，在計算葉傾角時，將部分骨刺點誤認為葉片，錯誤計算葉傾角；同時，也避免將相對較短的葉片誤認為骨刺，導致葉片葉傾角丟失，避免對骨架化效果的過度依賴。

表3 Freeman鏈碼識別率Tab.3 Freeman codes recognition rate

2.2 基于節(jié)點識別的玉米葉傾角算法評價

玉米植株葉傾角真實值與計算值的關系如圖8所示，實際測量值與程序計算值存在顯著正相關，相關系數(shù)（r）=0.94**（α=0.01）。通過線性回歸，利用基于節(jié)點識別的玉米葉片葉傾角預測真實葉傾角，決定系數(shù)（R2）=0.89，RMSE=2.31°。因此，與實測數(shù)據(jù)相比，依據(jù)所提供算法識別的玉米葉傾角誤差較小。

圖8 玉米葉傾角實測值與計算值的關系Fig.8 Relationship between measured and extracted leaf inclination angles

2.3 不同NDVI玉米葉傾角的變化

2.3.1 不同NDVI 玉米葉傾角的差異 在玉米成熟期，基于Landsat 8 遙感影像，分析呼和浩特市不同NDVI 處的玉米葉片葉傾角的變化。NDVI 是反映農(nóng)作物長勢和營養(yǎng)狀態(tài)的重要參數(shù)之一，在不同NDVI 區(qū)域，葉傾角的大小不同。研究表明，玉米成熟期NDVI 為0.60、0.63、0.80 處，全株平均葉傾角分別為62.4°、63.7°、67.9°，平均值約為64.6°，屬于緊湊型玉米。NDVI0.60處葉傾角主要集中在65.0°～70.0°（圖9a），NDVI0.63葉傾角主要集中在65.0°～70.0°（圖9b），NDVI0.80處葉傾角主要集中在65.0°～75.0°（圖9c）。NDVI0.80處的全株平均葉傾角大于NDVI0.60處和NDVI0.63處的全株平均葉傾角。

圖9 不同NDVI玉米田的葉傾角分布Fig.9 Leaf inclination angle distribution of maize in different NDVI fields

2.3.2 不同NDVI 玉米穗三葉葉傾角的差異 玉米穗位葉對籽粒產(chǎn)量有重要貢獻。隨著NDVI 的逐漸增大，穗葉、穗上葉、穗下葉的葉傾角度數(shù)在逐漸增大，不同NDVI處的玉米葉傾角均表現(xiàn)為穗葉＞穗下葉＞穗上葉（圖10）。

圖10 玉米穗三葉葉傾角的變化Fig.10 Leaf inclination angle change of ear leaf and surrounding leaves

2.3.3 玉米不同葉位葉傾角的差異 以穗葉為分界，把玉米植株葉片分為上層、中層和下層葉。隨著NDVI 值的增大，不同層位葉的葉傾角呈現(xiàn)出逐漸增加的趨勢，不同NDVI 處各層位葉葉傾角均表現(xiàn)為上層葉＞中層葉＞下層葉，從上到下，葉傾角呈降低趨勢（圖11）。NDVI 為0.60 時，上層葉平均葉傾角為64.0°、中層葉平均葉傾角為63.0°、下層葉平均葉傾角為59.0°；NDVI為0.63時，上層葉平均葉傾角為65.0°、中層葉平均葉傾角為64.0°、下層葉平均葉傾角為62.0°；NDVI為0.80時，上層葉平均葉傾角為69.0°、中層葉平均葉傾角為68.0°、下層葉平均葉傾角為67.0°。玉米上層葉葉傾角大部分為60.0°～90.0°時，屬于理想葉群。從下層葉片到上層葉片，玉米植株葉傾角總體上呈現(xiàn)增長趨勢，這主要是因為緊湊型玉米上層、中層葉片葉傾角大，葉片上沖，更直立，有助于透光，保持下層葉良好的光照條件，增強群體光合作用能力，提高群體透光率，在密植條件下，能夠提高群體光能利用率。下層葉片葉傾角小，葉片趨于平展，能夠截獲更多光照，減少漏射到地表的光能。

圖11 不同葉位葉傾角的變化Fig.11 Leaf inclination angle change at different leaf layers

3 結論與討論

基于本研究算法提取的葉傾角與實測值相關系數(shù)r=0.94，利用玉米葉片葉傾角提取值預測真實葉傾角時，線性方程的決定系數(shù)R2=0.89，RMSE=2.31°，與其他研究相比，本算法提取的葉傾角偏離實測值的誤差更小。例如，李英倫[66]基于DeepSeg3-DMaize 方法分割提取玉米葉傾角，R2和RMSE值分別為0.94 和4.18°，在測定的表型參數(shù)中，葉傾角的實測值與提取結果相關性最高。蘇偉等[67]利用地基激光雷達數(shù)據(jù)提取玉米抽雄期葉傾角，提取值與實測值關系的決定系數(shù)R2為0.94，RMSE為8.96°。溫維亮等[68]利用FastScan 三維數(shù)字化儀室內采集的三維數(shù)據(jù)提取葉傾角時，RMSE為3.41°。造成這種差異的原因可能是數(shù)據(jù)類型不同，三維點云數(shù)據(jù)可以將原始幾何信息完整保留在三維空間內，而RGB 圖像屬于二維圖像，不能獲取完整的幾何信息，二維圖像中的遮擋問題會影響分割和骨架化效果。

本研究中，圖像拍攝條件不固定，自然因素（風力、光照等）和人為因素（如拍照角度等）會影響葉傾角的提取效果。對圖像進行形態(tài)學操作，導致骨架細化線發(fā)生偏移，也是影響葉傾角提取效果的原因，需要進一步對影響葉傾角提取算法的主要因素進行分析，以提高葉傾角的識別精度。本研究針對哈里斯角點對葉片末端點不敏感的問題，采用Freeman 鏈碼自動識別玉米骨架的端點和莖葉連接點，對于節(jié)點的識別率達到90%以上。在后續(xù)研究中，可以在植物圖像處理時，應用Freeman 鏈碼識別端點。基于Freeman 鏈碼的端點識別算法可以應用于監(jiān)控玉米各個生育時期的葉傾角變化，實現(xiàn)葉傾角的快速無接觸測量，降低植物損傷，為合理利用光能、提高光能利用率提供依據(jù)。研究結果將有助于除玉米外的大田作物的表型獲取，還可以在此基礎上，進一步計算葉片曲率、莖角、葉片凸包面積、葉片長度等[69]，探究基因型與表型性狀的關系。

不同NDVI 處玉米植株不同葉位葉傾角變化規(guī)律一致。而隨著NDVI 值的增加，玉米葉傾角明顯增大，這可能與品種不同有關；另外，不同地塊或地區(qū)的自然條件、土壤肥力、栽培措施等不同，都會影響葉傾角，也會導致不同NDVI 地區(qū)葉傾角表現(xiàn)不同。王俊秀[5]研究發(fā)現(xiàn)，在超高產(chǎn)栽培條件下，大穗型良玉38 與小穗型品種京單28 的葉傾角表現(xiàn)相同，同時與本研究不同NDVI 處的穗位葉傾角變化規(guī)律相同，都表現(xiàn)為穗葉＞穗下葉＞穗上葉。在本研究中，不同層位葉傾角規(guī)律與孟繁美[7]研究的緊湊型玉米鄭單958的葉傾角規(guī)律相同。不同地區(qū)地力條件也可能影響葉傾角，導致不同NDVI 地區(qū)葉傾角表現(xiàn)出差異。

由于本研究的重點在于探討基于圖像處理技術的玉米葉傾角的算法，試驗規(guī)模較小。在后續(xù)研究中，應該開展多點試驗，整合無人機遙感和衛(wèi)星遙感，探索NDVI 與玉米葉傾角的關系及其影響因素。此外，基于算法的應用可以快速提取葉傾角，通過作物在不同地區(qū)的表現(xiàn)為育種提供作物表型信息，為生產(chǎn)中調整種植結構、種植密度等措施，挖掘氣候生產(chǎn)潛力，提高熱量資源利用率提供科學依據(jù)。

葉傾角作為玉米群體冠層結構的重要特征，快速獲取葉傾角信息，有助于指導玉米育種和高產(chǎn)栽培，保障國家糧食安全。傳統(tǒng)的葉傾角測量方法可能損傷葉片，高通量設備成本高昂，且難以應用于大田生產(chǎn)。本研究提出了一種基于圖像處理技術，使用Freeman 鏈碼識別莖葉連接點和葉尖點，提取葉傾角的新方法。莖葉連接點和葉尖點的識別率分別為93.94%和94.47%，提取的葉傾角與實際測量值高度一致，相關系數(shù)r=0.94。玉米植株葉片葉傾角表現(xiàn)為隨著葉位的降低而降低，不同層位葉傾角隨著NDVI的增大而增大，不同NDVI處的玉米葉傾角均表現(xiàn)為穗葉＞穗下葉＞穗上葉。在后續(xù)研究中，可通過算法的應用快速提取葉傾角，為生產(chǎn)提供表型信息，并整合遙感技術，探索更多表型提取算法與應用，為農(nóng)業(yè)措施調整、資源生產(chǎn)潛力挖掘提供科學依據(jù)。