基于計算機視覺的水稻葉綠素含量測定

吳少俊

(浙江長征職業技術學院 計算機與信息技術系,杭州 310023)

0 引言

葉綠素是高等植物體內的色素,能夠進行光合作用,為植物的生長發育提供能量。葉綠素含量能影響植物的各種生理機能,了解葉綠素含量對預測植物的生長狀況具有參考價值。水稻是重要的糧食作物,產量的形成與光合作用能力密切相關。研究表明:葉綠素a與葉綠素b的比值會明顯影響水稻的光合活性,而總的葉綠素含量與光合速率之間呈緊密的正相關[1]。因此,準確地測定水稻葉綠素含量有利于了解水稻的光合作用能力,從而為高產育種和栽培提供依據。

葉綠素含量的測定方法有很多,傳統的方法是剪取水稻葉片,用含有各種化學物質的抽提液浸泡,將樣品中的葉綠素萃取出來進行比色測定并計算濃度[2]。這種方法對設備的要求不高,但步驟相對繁瑣,耗時費力,測定結果的穩定性也不高。后來,美國、日本等國家相繼設計制造出便攜式的葉綠素含量測定儀器,以日本的柯尼卡美能達SPAD-501型葉綠素含量測定儀為代表[3]。該型儀器一次測定針對的是水稻葉片上的一個點,測定結果用SPAD值表示。SPAD值反映該點上葉綠素含量的相對大小,不能表示葉綠素的實際含量。葉綠素儀能夠實現無損檢測,因此可以對相同葉片的葉綠素含量變化情況進行跟蹤分析和研究。但是,同一水稻葉片不同部位的葉綠素含量是不同的,葉綠素儀是針對葉片上的一個點測定,因此測定值的變化較大。若要準確反映葉片整體的葉綠素含量,則需要進行多次測定,極大地增加了工作量。此外,該類儀器目前已經發展至SPAD-502型,屬于精密儀器,價格較為昂貴,限制了應用范圍。

遙感技術的發展為利用光譜特征估測植物的葉綠素含量提供了技術支持,目前基于各類光譜儀和高光譜傳感器的葉綠素含量測定已經是農業遙感領域的研究熱點。孫雪梅等和楊杰等分別利用高光譜參數建立模型,準確地預測了水稻葉片中的葉綠素含量[4-5]。田明璐等利用無人機搭載的成像光譜儀,構建了棉花葉片葉綠素含量的反演模型[6]。與葉綠素儀相比,光譜儀的價格更為昂貴,有的甚至需要無人機搭載,主要應用范圍被限制在了科學研究和產量普查上。

水稻的葉綠素含量除具有光譜特征外,還會體現肉眼可見的顏色特征,因此可以通過對圖像的處理來測量分析。計算機視覺是一種快速、便捷的圖像處理技術,可以用于色素含量測定和營養狀況診斷,成為作物生長信息實時無損檢測的新方法[7-9]。陳誠等通過計算機視覺采集水稻葉片的多種顏色參數,結合神經網絡的回歸方程,建立了葉綠素相對含量的計算模型,模擬預測值與大田實測數據之間的誤差極小[10]。除了水稻外,計算機視覺還被用在了番茄、大豆、錦橙和棉花等作物的葉片葉綠素含量測定上,且表現出較高的準確度[11-14]。針對不同作物葉片的葉綠素含量測定,計算機視覺一般需要根據葉片的外觀特征采用相應的圖像處理方法,同時選擇不同的顏色參數用于回歸分析,才能獲得準確的測定結果。

水稻的葉位較多,不同位置上葉片的葉綠素含量存在很大的差異,在生長發育過程中也是不斷變化的,給準確測定葉綠素含量帶來了困難。另外,大部分研究中的計算機視覺一次僅分析一個葉片,拍攝時的環境影響對測定結果的干擾也是客觀存在的。針對這些問題,本文設計一種基于計算機視覺的水稻葉綠素含量測定方法,利用掃描儀一次獲得多個待測葉片的圖像,完成圖像處理并提取顏色特征后選擇合適的參數建立葉綠素含量的預測模型,以實現對水稻葉綠素含量的準確測定。

1 儀器設備

水稻葉片圖像的采集設備是杭州萬深MICROTEK ScanMaker i800 plus型掃描儀,光學分辨率為800×1 600dpi,具有48位的色彩深度。掃描儀以白色冷陰極燈作為光源,掃描范圍305mm×432mm,單幅圖像耗時15s;掃描的速度穩定,成像效果清晰,形成的圖像由USB2.0高速接口發送給計算機。控制掃描儀的是戴爾XPS8910型臺式電腦,配件為Intel i7處理器、GTX1070型顯卡和16G內存;兼容性強,運算速度快,性能穩定。計算機中安裝ScanWizard EZ掃描軟件,在Windows10操作系統中運行。視覺分析軟件為MatLab工具箱,可以快速處理掃描獲得的圖像。葉綠素的實際含量用SPAD-502型葉綠素儀測定,表示為相對含量(即SPAD值)。

2 圖像處理

掃描得到的水稻葉片圖像為大小640×480的JEPG格式,目標為綠色夾雜少量黃色,背景完全為白色,二者之間的區別明顯。圖像中沒有其它顏色干擾對目標的識別,也不存在畸變,因此無需對圖像的色彩做特殊處理。水稻葉中原始圖像如圖1所示。

圖1 水稻葉片的原始圖像Fig.1 Original image of rice leaves

圖像中的識別目標與背景顏色之間差異明顯,可以基于RGB色彩模型對圖像進行分析。水稻葉片的基本顏色為綠色,因此在RGB色彩空間中G分量的特征峰值最為顯著,以G分量作為顏色參數可以得到準確的目標識別結果。基于G分量對圖像做灰度化處理后,圖像黑白效果更加明顯,顏色差異也得到增強,有利于對目標區域的提取。水稻葉片灰度化圖像如圖2所示。

圖2 水稻葉片的灰度化圖像Fig.2 Gray image of rice leaves

灰度化圖像經過HIS加權的二值化處理,可以消除小塊陰影和微弱噪音,然后根據水稻葉片的顏色特征將其從背景中分離出來。圖像分割是利用顏色或亮度特征識別目標的關鍵步驟,一般需要根據目標特征選擇合適的分割方法。閾值分割法的模型簡單,運行速度較快,被用于本文的目標識別。閾值是通過分析直方圖獲得的,合適的閾值對圖像分割效果有著重要影響。水稻葉片的顏色特征可以通過亮度來反映,因此在RGB色彩空間中分析灰度化圖像G分量的直方圖,獲得目標特征的閾值,然后依照最大閾值分割圖像。分割獲得的圖像中背景表示為白色,水稻葉片表示為黑色,如圖3所示。

圖3 水稻葉片的分割圖像Fig.3 Segmented image of rice leaves

3 顏色特征參數選擇和模型構建

參考之前的研究,本文選擇G-R、B-R和R/(G+B)等3個顏色特征參數。其中,R、G、B分別表示在RGB色彩空間中彩色圖像紅、綠、藍3種基本顏色的亮度值。通過改變三基色的相對數量,可以混合出其它的各種顏色。針對單個葉片,上述值表示該葉片圖像區域中所有像素點的均值。取20個水稻葉片,在每個葉片上均勻選擇5個點,用葉綠素儀測定SPAD值,以5個點的平均數作為該葉片葉綠素相對含量的實際值;然后,用計算機視覺提取各個葉片的顏色特征參數,分析特征參數與SPAD值的相關性。

隨機選取10個樣本組成建模集,用于構建預測模型;剩余的10個樣本組成檢驗集,用于檢驗估算的精度。SPAD值的顏色特征參數估算模型通過SPSS軟件中的一元線性回歸建立,然后在ENVI環境中反演檢驗樣本的SPAD值。特征參數與SPAD值的相關性及模型對檢驗樣本的估算精度以擬合方程的決定系數R2衡量,R2值越大,代表相關性和估算精度越高。

4 結果與分析

建模樣本的3個顏色特征參數與SPAD值回歸分析結果如圖4所示。由圖4可知:所有顏色特征參數的回歸方程都達到了顯著水平,表明這3個參數都可以用來估算SPAD值;3個參數中基于G-R和R/(G+B)建立的模型精度較高,建模決定系數R2分別為0.840和0.884,可以用于檢驗樣本SPAD實測值和估算值的擬合分析。

圖4 顏色特征參數與水稻葉片SPAD值的相關性Fig.4 The correlation between color characteristic indexes and rice leaf SPAD value

分別用基于G-R和R/(G+B)建立的模型對10個檢驗樣本的SPAD實測值和估算值進行擬合分析,擬合方程的決定系數R2和斜率越接近1,表明模型的精度越高。分析結果如圖5所示。

圖5 檢驗樣本SPAD估算值與實測值的擬合Fig.5 Regression of estimated and measured SPAD values for samples for validation

由圖5可知:兩個模型的斜率分別為1.032和0.918,R2都超過0.9,具有較高的精度,可以用于估算SPAD值。

5 結論

為了解決傳統方法測定水稻葉綠素含量步驟繁瑣且耗時費力且便攜式葉綠素儀只能進行點測定的問題,設計了一種基于計算機視覺的水稻葉綠素含量測定方法。葉片圖像通過掃描獲得,經過處理并提取葉片輪廓后選擇G-R、B-R和R/(G+B)等3個顏色特征參數建立葉綠素含量的估算模型。基于G-R和R/(G+B)建立的模型精度較高,對檢驗樣本SPAD值的擬合方程決定系數和斜率都接近1,可以用來準確測定水稻的葉綠素含量。