基于高光譜成像技術(shù)的臍橙葉片的葉綠素含量及其分布測(cè)量

劉燕德,鄧 清

(華東交通大學(xué)機(jī)電工程學(xué)院光機(jī)電工程技術(shù)及應(yīng)用研究所,江西南昌 330013)

基于高光譜成像技術(shù)的臍橙葉片的葉綠素含量及其分布測(cè)量

劉燕德*,鄧 清

(華東交通大學(xué)機(jī)電工程學(xué)院光機(jī)電工程技術(shù)及應(yīng)用研究所,江西南昌 330013)

為實(shí)現(xiàn)臍橙葉片葉綠素含量無損檢測(cè)及其分布可視化表征,采用高光譜成像技術(shù),結(jié)合自適應(yīng)重加權(quán)算法(CARS)和連續(xù)投影算法(SPA),篩選特征光譜變量,進(jìn)行臍橙葉片葉綠素含量及可視化分布研究。選取葉綠素測(cè)量位置的7×7矩形感興趣區(qū)域,提取并計(jì)算臍橙葉片平均光譜。基于Kennard-ston方法,將148個(gè)臍橙葉片樣品劃分成建模集和預(yù)測(cè)集(111∶37)。采用CARS和SPA算法分別篩選出了32個(gè)和6個(gè)葉綠素特征光譜變量,用于建立偏最小二乘(PLS)回歸模型。采用37個(gè)未參與建模的臍橙葉片樣品評(píng)價(jià)模型的預(yù)測(cè)能力,經(jīng)比較,CARS-PLS和SPA-PLS模型均優(yōu)于變量篩選前的PLS模型,且CARS-PLS和SPA-PLS模型的預(yù)測(cè)能力幾乎相同,其預(yù)測(cè)集相關(guān)系數(shù)分別為0.90和0.91,均方根誤差分別為1.53和1.60。SPA-PLS模型計(jì)算臍橙葉片每個(gè)像素點(diǎn)的葉綠素含量,經(jīng)偽彩色變換,繪制了臍橙葉片葉綠素含量可視化分布圖。實(shí)驗(yàn)結(jié)果表明:變量篩選方法結(jié)合高光譜成像技術(shù),能夠?qū)崿F(xiàn)臍橙葉片葉綠素含量無損檢測(cè)及葉綠素分布可視化表達(dá),并簡(jiǎn)化了數(shù)學(xué)模型。

葉綠素;高光譜成像;臍橙葉片;自適應(yīng)重加權(quán)算法;連續(xù)投影算法

1 引 言

臍橙營(yíng)養(yǎng)豐富,含有大量維生素C和胡蘿卜素,具有抑制致癌物質(zhì)、軟化血管、預(yù)防心臟病等功能,因而廣受人們喜愛。葉綠素濃度是衡量臍橙生長(zhǎng)過程中光合作用能力和生長(zhǎng)狀況的重要指標(biāo)。通過測(cè)定葉片葉綠素濃度和水分含量,進(jìn)而合理有效地對(duì)臍橙果樹進(jìn)行灌溉、施肥、噴藥,可以在一定程度上提高肥料的利用效率,增加臍橙的產(chǎn)量[1]。SPAD(Soil plant analysis development) 值,也稱綠色度,是指植物單位面積的葉綠素含量,是一個(gè)相對(duì)的葉綠素含量讀數(shù)。

分光光度法是國(guó)內(nèi)測(cè)定葉綠素含量普遍采用的一種方法。分光光度法測(cè)量葉綠素含量是基于物質(zhì)對(duì)光的選擇性吸收的定性和定量分析的方法[2]。該方法前處理時(shí)需要損傷植物活體,雖然檢測(cè)結(jié)果精度高,但過程復(fù)雜且所需檢測(cè)時(shí)間較長(zhǎng)。另外,由于需要制備樣本,容易導(dǎo)致葉綠素的損失,最終造成葉綠素含量檢測(cè)不準(zhǔn)確[3]。SPAD葉綠儀只能檢測(cè)葉片某個(gè)點(diǎn)或某個(gè)小區(qū)域葉綠素的含量。并且測(cè)量時(shí)需要多次測(cè)量取平均值,重復(fù)性勞動(dòng)強(qiáng)度大[4]。

高光譜成像技術(shù)集合了光譜技術(shù)和圖像處理的優(yōu)勢(shì)[5]。應(yīng)用高光譜成像技術(shù),不僅可以預(yù)測(cè)臍橙葉片葉綠素的含量,還可以得到其分布。本文采用CARS和SPA算法提取了臍橙葉片高光譜信息的特征波長(zhǎng),分別建立了定量分析的模型,優(yōu)選出最優(yōu)模型計(jì)算出臍橙葉片每個(gè)像素點(diǎn)的葉綠素值,根據(jù)所計(jì)算出來的葉綠素值結(jié)合圖像處理技術(shù)得到了臍橙葉片的葉綠素分布圖。

2 材料和方法

2.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)所用葉片樣本在江西省贛州市吉安縣千里山臍橙果園取得。一共采集了7棵樹,共采集了148片,其中111個(gè)樣本用于模型校正,剩余30個(gè)樣本用于模型的驗(yàn)證。

2.2 數(shù)據(jù)采集

本文所用高光譜成像系統(tǒng)如圖1所示,主要由基于CCD相機(jī)的高光譜攝像機(jī)(ImSpector,V10E,芬蘭)、兩盞20W鹵素?zé)?OSRAM,DECOSTAR 51, MR16)、一套包括控制裝置的移動(dòng)平臺(tái)(ZoLix, SC30021A,北京)和計(jì)算機(jī)等部件組成。

在實(shí)驗(yàn)開始前,須先預(yù)熱高光譜成像系統(tǒng),以消除基線漂移的影響。采集時(shí)要將臍橙葉片壓平,然后鋪在黑色的移動(dòng)平臺(tái)上。設(shè)定高光譜裝置的曝光時(shí)間為20 ms,移動(dòng)平臺(tái)的移動(dòng)速度為15 mm/s。攝像頭的分辨率為1 344×1 024,光譜范圍為360～1 100 nm,光譜分辨率為2.8 nm,采樣間隔為2.44 nm,最終得到一個(gè)大小為1 344× 1 024×256的高光譜圖像數(shù)據(jù)塊。

圖1 高光譜成像系統(tǒng)Fig.1 Hyperspectral imaging system

2.3 高光譜圖像黑白標(biāo)定

為消除暗電流和光照不均勻的影響,在數(shù)據(jù)處理之前,必須對(duì)高光譜圖像進(jìn)行黑白標(biāo)定[6]。在相同條件下,蓋上鏡頭蓋采集到全黑的標(biāo)定圖像B,取下鏡頭蓋掃描標(biāo)準(zhǔn)聚四氟乙烯材料制成的白板得到全白的標(biāo)定圖像W。標(biāo)定公式如下:

其中,Rλ為黑白校正后圖像數(shù)據(jù),RW為全白標(biāo)定圖像數(shù)據(jù),RB為全黑標(biāo)定圖像數(shù)據(jù),Iλ為原始圖像數(shù)據(jù)。

2.4 葉綠素含量的測(cè)定

使用SPAD-520Plus測(cè)量葉片葉綠素真實(shí)值。首先需要確定葉片上光譜采集區(qū)域,然后在葉片光譜采集區(qū)域取5個(gè)位置測(cè)量葉綠素含量(圖2),最后取平均值。

將148個(gè)臍橙葉片樣本用Kennard-ston方法進(jìn)行劃分[7],以3∶1的比例分為包含111個(gè)樣本的校正集和包含37個(gè)樣本的預(yù)測(cè)集。通過計(jì)算樣本光譜之間的距離,在邊緣逐個(gè)挑選樣本,直至選取出所需的樣品個(gè)數(shù)。通過這樣的選取,可以使校正集樣本分布更均勻,并且具有一定代表性。劃分結(jié)果如表1所示。

圖2 葉綠素含量測(cè)量選取位置示意圖Fig.2 Location diagram selected for chlorophyll content measurement

表1 臍橙葉片樣本數(shù)據(jù)Table 1 Statistical results of the navel orange leaves

3 結(jié)果與討論

3.1 數(shù)據(jù)處理與分析

用ENVI4.5軟件選取葉綠素測(cè)量位置的7×7的矩形區(qū)域?yàn)槿~綠素的感興趣區(qū)域(Region of interesting,ROI)。分別提取每個(gè)樣本ROI的所有光譜,對(duì)每個(gè)樣本感興趣區(qū)域的光譜做平均,圖2和圖3分別為臍橙葉片樣本的ROI和平均光譜。

圖3 葉綠素的ROIFig.3 ROIof the chlorophyll

圖4 感興趣區(qū)域葉綠素的平均光譜Fig.4 NIR average spectra of the chlorophyll from all 148 samples

3.2 特征波長(zhǎng)選擇

正自適應(yīng)加權(quán)[8-10](Competitive adaptive reweighted sampling,CARS)算法模仿達(dá)爾文進(jìn)化理論中的“適者生存”原則,主要過程是基于自適應(yīng)重加權(quán)采樣技術(shù)(Adaptive reweighted sampling, ARS)和指數(shù)衰減函數(shù)(Exponentially decreasing function,EDP),選取在PLS模型中回歸系數(shù)絕對(duì)值大的變量,去掉回歸系數(shù)絕對(duì)值小的波段,進(jìn)而得到一系列的波段子集,并對(duì)每個(gè)波段集采用交叉驗(yàn)證建模,選擇模型均方差值最小的波段集作為最優(yōu)變量集。通過這種算法可以有效地簡(jiǎn)化模型,并且所選取的變量與所測(cè)成分密切相關(guān)。圖4為用Matalab運(yùn)行CARS算法的結(jié)果,優(yōu)選出32條有效波長(zhǎng):429,436,544,549,613,701,709, 742,752,767,783,800,806,824,826,836,839, 844,847,860,875,888,904,914,930,940,953, 977,985,987,1 008,1 014 nm。

圖5 CARS運(yùn)行結(jié)果Fig.5 Results using CARS

連續(xù)投影算法(Successive projections algorithm,SPA)[11-12]是一種新型的特征波長(zhǎng)篩選算法,能夠有效降低模型的復(fù)雜度,在多種樣品波長(zhǎng)的選取中有廣泛的應(yīng)用。

設(shè)光譜矩陣的列變量數(shù)為J、初始的迭代向量為χk(0),需要提取的變量的個(gè)數(shù)為N,連續(xù)投影算法步驟如下:

(1)第一次迭代開始前(n=1),任選光譜矩陣的任意一列j,將校正光譜矩陣的第j列值賦給xj,記為χk(0);

(2)令未被選入的列向量位置的集合記s, s={j,1≤j≤J,j?{k(0),…,k(n-1)}};

(3)分別計(jì)算xj剩下的列向量投影,Pxj=

(6)n=n+1,若n＜N,回到第二步循環(huán)計(jì)算,最終提取變量:{xk(n)=0…,N-1}。

通過Matlab2010a用SPA算法對(duì)ROI區(qū)域的平均光譜進(jìn)行篩選,結(jié)果如圖6所示,得到398, 529,594,709,742,909 nm共6個(gè)波長(zhǎng)作為葉綠素含量的特征波長(zhǎng)組合。

圖6 SPA運(yùn)行結(jié)果Fig.6 Results using SPA

3.3 葉綠素含量模型的建立

偏最小二乘法(Partial least squares,PLS)是對(duì)多元線性回歸模型的一種擴(kuò)展,可以同時(shí)實(shí)現(xiàn)回歸建模、主成分分析以及典型相關(guān)分析,目前在光譜分析領(lǐng)域中已經(jīng)得到了廣泛的應(yīng)用,尤其是對(duì)從植被冠層光譜數(shù)據(jù)中提取葉面屬性有相對(duì)較好的效果[13]。本文采用PLS建模方法分析臍橙葉片的葉綠素含量,結(jié)果如表2所示。

表2 基于不同算法的模型預(yù)測(cè)結(jié)果Table 2 Results of model predictions based on different algorithms

圖7 SPA-PLS模型Fig.7 SPA-PLSmodel

從表2中可以看出,SPA-PLS的模型效果要好于其他兩個(gè)模型,預(yù)測(cè)集相關(guān)系數(shù)(Rp)為0.91,均方根誤差(RMSEP)為1.60,如圖7所示。因此,我們采用SPA-PLS所建立的模型來計(jì)算臍橙葉片每個(gè)像素點(diǎn)的SPAD值。

3.4 葉綠素含量分布圖

SPA-PLS模型可以估算臍橙葉片各個(gè)像素點(diǎn)的SPAD值,然后采用圖像處理技術(shù)可以畫出臍橙葉片葉綠素分布圖。具體步驟如下:

(1)獲取臍橙葉片高光譜圖像在SPA算法篩選出6個(gè)特征波長(zhǎng)下的圖像;

(2)提取6個(gè)特征波長(zhǎng)下的圖像中每個(gè)像素點(diǎn)的反射率值;

(3)代入SPA-PLS模型中算出每個(gè)像素點(diǎn)的SPAD值,得到一幅灰度分布圖;

(4)對(duì)灰度分布圖作偽彩色處理,得到葉綠素的偽彩色分布圖像。

根據(jù)上述步驟,計(jì)算了一片臍橙葉片葉綠素的偽彩色分布圖像,如圖8所示。

圖8 葉片葉綠素分布圖Fig.8 Distribution of the chlorophyll on the leaf

圖8中,不同顏色及顏色深淺代表不同濃度的葉綠素含量。從圖8中可以看出,葉綠素在葉脈兩側(cè)均勻分布,并且葉脈中含量高于葉肉中含量,葉脈在分布圖中主要為黃色和橙紅色,SPAD值大約為88.8;綠色對(duì)應(yīng)的主要都是葉肉部分, SPAD值約為44.4。由于臍橙葉片本身較厚且油脂較多,因此該偽彩色圖像只能大致區(qū)分出葉脈分布情況。圖中一些藍(lán)色部分是由于葉片起伏造成光反射不均所致,并不代表該區(qū)域葉綠素的真實(shí)值。可以看出,SPA-PLS模型用于估算葉片葉綠素含量分布有比較準(zhǔn)確的效果。

4 結(jié) 論

利用高光譜成像技術(shù)結(jié)合變量篩選方法實(shí)現(xiàn)了臍橙葉片中葉綠素含量的無損檢測(cè)及其可視化分布圖。結(jié)果表明,CARS-PLS與SPA-PLS模型的預(yù)測(cè)能力效果都比較好,且均優(yōu)于變量篩選前的PLS模型,其預(yù)測(cè)集相關(guān)系數(shù)分別為0.90和0.91,均方根誤差分別為1.53和1.60。基于SPA-PLS模型估算出了臍橙葉片各個(gè)像素點(diǎn)下的SPAD值,通過偽彩色處理得到臍橙葉片的葉綠素含量可視化分布圖,對(duì)不同濃度的葉綠素含量用不同顏色來區(qū)分。本文的研究結(jié)果為進(jìn)一步在田間應(yīng)用高光譜技術(shù)監(jiān)測(cè)大面積臍橙果樹生長(zhǎng)狀況奠定了基礎(chǔ)。

[1]Zhang JH,Wang K,Wang R C.Study on hyperspectral remote sensing in estimate vegetation leaf chlorophyll content [J].J.Shanghai Jiaotong Univ.(上海交通大學(xué)學(xué)報(bào)),2003,21(1)∶74-80(in Chinese).

[2]LiW J.Discussion on the sensitivity of spectrophotometry[J].J.Yuxi Teachers College(玉溪師范學(xué)院學(xué)報(bào)),2001, 17(z1)∶371-371(in Chinese).

[3]Liu C.Research on dermination of chlorophyll in water by spectrophotometric method[J].Moden Agric.Sci.Technol.(現(xiàn)代農(nóng)業(yè)科技),2014(11)∶238-238(in Chinese).

[4]Ling Q H,Huang W H,Paul J.Use of a SPAD-502 meter tomeasure leaf chlorophyll concentration in Arabidopsis thaliana[J].Photosynth.Res.,2011,107(2)∶209-214.

[5]Lorente D,Aleixos N,Gomez-Sanchis J,et al.Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J].Food Bioproc.Technol.,2012,5(4)∶1121-1142.

[6]Naganathan G K,Grimes LM,Subbiah J,et al.Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J].Comput.Electron.Agric.,2008,64(2)∶225-233.

[7]Liu Y D,Zhang GW,Cai L J.Analysis of chlorophyll in gannan navel orangewith algorithm and SPA based on hyperspetral[J].Spectrosc.Spect.Anal.(光譜學(xué)與光譜分析),2012,32(12)∶3377-3380(in Chinese).

[8]Wu LG,He JG,Liu G S,et al.Non-destructive detection of insect hole in jujube based on near-infrared hyperspectral imaging[J].Chin.J.Lumin.(發(fā)光學(xué)報(bào)),2013,34(11)∶1527-1532(in Chinese).

[9]Wu JZ,Xu Y.NIR quantitativemodel optimization of fatty acid in edible oil based on CARS-PLS[J].Trans.Chin. Soc.Agric.Machin.(農(nóng)業(yè)機(jī)械學(xué)報(bào)),2011,42(10)∶162-166(in Chinese).

[10]Li H D,Liang Y Z,Xu Q S,etal.Key wavelengths screening using competitive adaptive reweighted samplingmethod for multivariate calibration[J].Anal.Chim.Acta,2009,648(1)∶77-84.

[11]Ghasemi-VarnamkhastiM,Mohtasebi SS,Rodriguez-Mendez M L,et al.Screening analysis of beer ageing using near infrared spectroscopy and the successive projections algorithm for variable selection[J].Talanta,2012,89∶286-291.

[12]Xie C Q,Li X L,Shao Y N,et al.Colormeasurementof tea leaves at different drying periods using hyperspectral imaging technique[J].PLoSONE,2014,9(12)∶1-15.

[13]Song S L,Li PX,GongW,et al.PLSwavelength selection by hyperspectral remote sensing in rice[J].Geom.Inform. Sci.Wuhan Univ.(測(cè)繪地理信息),2010,35(2)∶219-223(in Chinese).

劉燕德(1967-),女,江西吉安人,教授,2006年于浙江大學(xué)獲得博士學(xué)位,主要從事光電技術(shù)及應(yīng)用方面的研究。

E-mail:jxliuyd@163.com

Measurement of Chlorophyll Distribution in Navel Orange Leaves Based on Hyper-spectral Imaging Technique

LIU Yan-de*,DENG Qing

(Institute ofOptics-Mechanics-Electronics Technology and Application,School ofMechatronic Engineering, East China Jiaotong University,Nanchang 330013,China)
*Corresponding Author,E-mail:jxliuyd@163.com

The chlorophyll content and distribution in the Gannan navel orange leaveswere non-destructivelymeasured by competitive adaptive reweighted algorithm(CARS)and successive projections algorithm(SPA)combined with hyperspectral imaging technology.32 and 6 characteristic wavelengthswere extracted by CARS and SPA,and then partial least squares(PLS)was used for modeling quantitative analysis.The results show that SPA-PLSand CARS-PLSmodel can obtain better results than PLSmodel through the analysis of prediction of37 samples.The prediction set correlation coefficientswere 0.90 and 0.91,the rootmean square error is 1.53 and 1.60 respectively. The chlorophyll content of each pixelwas calculated with SPA-PLSmodel,then the chlorophyll distribution map of navel orange leaveswas visualized using imaging processing technology.Overall results sufficiently demonstrate that the variable selectionmethod combined with hyperspectral imaging technology can be used tomeasure the chlorophyll content and distribution in navel orange leaves.

chlorophyll content;hyper-spectral imaging;navel orange leaves;CARS;SPA

1000-7032(2015)08-0957-05

2015-05-19;

:2015-06-17

:TP391

:A

10.3788/fgxb20153608.0957