基于图像特征的油菜叶绿素含量快速估算

收稿日期:2021-12-16
基金项目:国家自然科学基金青年项目(41907394);财政部和农业农村部 国家现代农业产业技术体系 (CAS-12)作者简介:娄卫东(1992 ),男,山西运城人,研究实习员,硕士,从事农业遥感研究工作,E-mail:louwd@㊂通信作者:胡昊(1982 ),男,浙江杭州人,副研究员,博士,从事高光谱及农业遥感研究工作,E-mail:huhao82@㊂
文献著录格式:娄卫东,林宝刚,周洪奎,等.基于图像特征的油菜叶绿素含量快速估算[J].浙江农业科学,2022,63(3):480-484.
DOI:
10.16178/j.issn.0528-9017.20213238
基于图像特征的油菜叶绿素含量快速估算
娄卫东a ,林宝刚b ,周洪奎a ,华水金b ,胡昊a∗
(浙江省农业科学院a 数字农业研究所,b 作物与核技术利用研究所,浙江杭州㊀310021)
㊀㊀摘㊀要:农业生产中叶片颜色通常被用作植物生长胁迫的诊断指标,叶片颜色与作物叶绿素含量密切相关㊂当前叶绿素含量的化学测定方法需耗费较多人力物力,而且得到测定结果存在滞后性,不能用于作物田间及时管理㊂通过油菜叶片图像颜色如R (红)G (绿)B (蓝)空间与Lab 空间特征参数,可实现油菜叶绿素含量的估算㊂本研究表明:基于叶片图像颜色特征参数估算叶绿素a 含量的模型精度较高,总叶绿素含量模型次之,叶绿素b 含量模型较差㊂通过颜色空间特征参数的转换与组合能提高叶绿素含量估算模型的精度,如RGB 空间内,R +G 与叶绿素a 含量的相关系数为-0.860,达到极显著相关水平,优于R 与叶绿素a 含量的相关系数;另外,基于RGB 和Lab 空间颜色特征值的叶绿素含量估算值与实际测量值有较好的线性关系,测量值与实际值偏离较小,其中基于G 值㊁L 值的总叶绿素含量验证线性模型精度R 2分别为0.9165和0.9199,应用前景较为
广阔㊂
关键词:图像;叶绿素;颜色特征;RGB 色彩模式;Lab 模式
中图分类号:S565.4㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:0528-9017(2022)03-0480-05
㊀㊀植物体内的营养水平㊁水分状况㊁衰老程度以及受病害影响与叶片颜色密切相关,因此,可利用颜色指标评估其生长状况[1-4]㊂作物叶片颜色主要为绿色,还包括黄色㊁红色㊁紫色等㊂作物绿叶的色素主要包含叶绿素a㊁叶绿素b 等㊂过去,研究者通过对作物毁坏性取样测定叶片中的色素含量㊁养分或者其他指标,从而确定两者之间的关系[5-6]㊂采用该方法测定精确,但是成本较高㊁费时费力,且因为取样的破坏性,无法对作物生长信息进行实时获取,导致对于田间作物实际管理存在一定的滞后性㊂近年来,随着信息技术在农业研究中的应用,使得数码相机㊁摄影机㊁手机等便携式设备无损获取植物叶片颜色这一性状越来越容易,因此,基于植物数字图像的颜色特征分析,已成为评估作物营养状况和对环境胁迫响应的有效手段㊂Cai 等[7]通过数码相机结合图像颜色分析研究了作物叶片的衰老情况㊂Grunenfelder 等[8]使用光谱指数来评估市场新鲜马铃薯的叶绿素发育㊂Chen 等
[9]
用叶片数字图像的颜色特征估算了叶绿素含量(SPAD),取得了较好的估算效果㊂
基于图像的颜色呈现有多种表示方法㊂RGB
色彩模式是色彩领域的一种颜色标准,是通过对红(R)㊁绿(G)㊁蓝(B)3个颜色通道的变化以及它们相互之间的叠加来得到各种颜色㊂RGB 作为
红㊁绿㊁蓝3个通道颜色的代表,几乎囊括了人类视力所能感知的所有颜色,是运用最广的颜色系统之一㊂Lab 模式是CIE (国际照明委员会,Commission international eclairage)在1931年制订
的一种颜色标准,它是一种基于生理特征但与设备无关的颜色模型,其色域大于计算机显示器和人类视觉㊂Lab 颜色模型由3个要素组成,亮度L ㊁a ∗和b ∗,a ∗包括的颜色是从深绿色到灰色再到亮粉红色,b ∗是从亮蓝色到灰色再到黄色,Lab 颜色模型弥补了RGB 色彩模式的不足㊂
RGB 与Lab 作为当前最常用的颜色空间,其
图像颜色特征参数用于作物评估的研究非常有应用价值㊂传统的作物叶绿素含量测定需要耗费较多人力物力,而且不能及时用于作物田间管理㊂有学者通过高光谱方法估算了油菜叶绿素含量,建模精度R 2达0.947[10],不过国内外通过叶片图像提取颜色特征进行油菜叶绿素含量的估算少见报道㊂因此,本文着重研究从传统数码相机拍摄的叶片颜色
图像中分析油菜叶绿素含量状态,以期为作物胁迫管理提供理论参考㊂
1㊀材料与方法
1.1㊀供试材料
㊀㊀于浙江省农业科学院试验基地进行油菜温室盆栽试验㊂供试品种为浙油50,种子由浙江省农业科学院作物与核技术利用研究所油菜育种与栽培研究室提供㊂土壤pH6.85,有机质含量为7.25g㊃kg-1,全氮含量为0.820g㊃kg-1,速效磷和速效钾含量分别为45.36和98.60g㊃kg-1㊂2019年10月25日播种,每盆播种3~5粒种子(15L聚氯乙烯盆),待油菜长至5叶期时,每盆定苗1株㊂为产生叶绿素梯度,试验处理为4个施氮量:0㊁50㊁100和150kg㊃hm-2,氮肥形态为尿素㊂试验进行3次重复,每个重复5盆,完全随机排列㊂另外设置验证试验,验证试验处理㊁重复及相关管理与以上建模试验一致㊂
1.2㊀数据获取
㊀㊀播种50d后,选择油菜植株最新完全展开叶采集叶片图像,使用佳能EOS50D数码相机(日本Canon公司)垂直获取叶片的数字彩色图像,距离拍摄对象50cm,曝光时间1ˑ10-3s,伽马校正+1.0,卤素灯自动对焦和色彩平衡㊂拍摄时,油菜叶片放在玻璃板下的白色背景上,用4个矩形分布的稳定卤素灯泡照明,以消除玻璃表面的光反射㊂所有测量进行3次重复㊂
油菜叶片彩色图像分析使用Adobe Photoshop CS3Extended10.0软件(美国Adobe系统公司)㊂RGB颜色模型中的图像有3个主要成分,R(红色)㊁G(绿色)和B(蓝色),每种颜色有256个刻度㊂Lab颜色空间获得L(亮度)㊁a∗(a通道)和b∗(b通道)读数㊂
油菜叶片图像采集后,立即使用铝箔包裹,以避免色素被光降解㊂从取样的叶片中提取约0.5g 样品,随后把样品研磨,并将其用80%丙酮溶液浸泡,黑暗中放置24h,使用Uvikon930分光光度计(法国Secomam公司)根据Lichtenthaler方法[11]计算叶绿素含量㊂
分别选取40个油菜图像样本用于RGB与Lab 颜色空间试验分析建模㊂另外选取独立试验的40个油菜样本数据对建立的模型进行验证㊂
1.3㊀统计分析
㊀㊀使用SPSS17.0(美国IBM公司)皮尔逊相关分析和双尾检验用于分析叶片颜色指数和叶绿素含量之间的相关性㊂利用SigmaPlot12.0(美国Systat 软件公司)曲线拟合工具对数据进行回归并绘制图表㊂
2㊀结果与分析
2.1㊀RGB空间特征与叶绿素含量的关系
㊀㊀随着R㊁G值的增加,油菜叶绿素a㊁叶绿素b和总叶绿素含量呈降低趋势㊂油菜叶图像R㊁G 值与叶绿素a㊁叶绿素b以及总叶绿素含量的相关性均达到极显著水平,B值与叶绿素a㊁叶绿素b 和总叶绿素含量的相关系数较低,未达到显著水平(图1㊁表1)㊂相对而言,叶片图像颜色R㊁G值与叶绿素a含量的相关系数最高,与总叶绿素含量次之,与叶绿素b的相关系数最小,这可能与叶绿素a是叶绿素的主要组成部分有关㊂
图1㊀油菜叶片图像RGB空间颜色特征参数与叶绿素含量的关系
㊀㊀特征参数组合与转换可能会提高图像颜色特征与叶绿素含量的相关性㊂由表1可知R㊁G㊁B值及其组合形成的颜色指数与叶绿素含量之间的相关系数,其中R+G+B㊁R-B㊁R+G㊁R+B㊁B+G-R与叶绿素a含量㊁叶绿素b含量㊁总叶绿素含量呈极显著负相关;R/(R+G+B)与叶绿素a㊁总叶绿
㊀㊀表1㊀油菜叶图像颜色特征与叶绿素含量的
相关系数
颜色特征叶绿素a含量叶绿素b含量总叶绿素含量R-0.798∗∗-0.617∗∗-0.783∗∗G-0.874∗∗-0.674∗∗-0.857∗∗B-0.241-0.232-0.254
R+G+B-0.834∗∗-0.655∗∗-0.822∗∗R/(R+G+B)-0.460∗∗-0.314∗-0.435∗∗G/(R+G+B)-0.403∗∗-0.285-0.385∗B/(R+G+B)0.568∗∗0.394∗0.540∗∗R-B-0.684∗∗-0.502∗∗-0.660∗∗R+G-0.860∗∗-0.663∗∗-0.843∗∗R+B-0.712∗∗-0.570∗∗-0.706∗∗B+G-R-0.522∗∗-0.437∗∗-0.525∗∗L-0.803∗∗-0.656∗∗-0.830∗∗a∗0.2860.1220.246
b∗-0.629∗∗-0.357∗-0.581∗∗㊀㊀注:R㊁G㊁B为RGB颜色空间的特征值;L㊁a∗㊁b∗分别为Lab颜色空间特征值㊂∗表示P<0.05;∗∗表示P<0.01㊂素含量呈极显著负相关,与叶绿素b含量呈显著负相关;G/(R+G+B)参数与叶绿素a含量呈极显著负相关,与总叶绿素含量呈显著负相关,与叶绿素b含量未发现有显著的相关关系;B/(R+G+B)与叶绿素a㊁总叶绿素含量呈极显著正相关关系,与叶绿素b含量呈显著正相关㊂
选取R㊁G特征作为代表,回归拟合R㊁G与叶绿素a㊁叶绿素b及总叶绿素含量的关系,可见基于R值的叶绿素含量模型拟合精度为0.3803~ 0.6132,基于G值的叶绿素含量估算模型拟合精
度为0.4537~0.7347㊂从图1可以看出,通过R㊁G值对叶绿素a含量的估算精度优于总叶绿素含量,对叶绿素b含量的估算精度较低㊂
2.2㊀Lab空间颜色特征参数与叶绿素含量的关系㊀㊀Lab颜色模型的3个参数与油菜叶绿素含量建立的显著性关系见表1,其中,L与叶绿素a㊁叶绿素b及总叶绿素含量存在极显著负相关;b∗与叶绿素a㊁总叶绿素含量呈极显著负相关,与叶绿素b含量呈显著负相关;未发现a∗与叶绿素a㊁叶绿素b㊁总叶绿素含量存在显著的相关性㊂选取了L㊁b∗值作为代表,回归拟合了L㊁b∗值与叶绿素a㊁叶绿素b及总叶绿素含量的关系(图2),基于L值的叶绿素a㊁叶绿素b及总叶绿素含量的拟合精度分别为0.6452㊁0.4304㊁0.6894;基于b∗值的叶绿素a㊁叶绿素b及总叶绿素含量的拟合精度分别为0.3957㊁0.1276㊁0.3371㊂可以发现通过L㊁b∗值对叶绿素a㊁总叶绿素含量的估算精度远高于叶绿素b㊂
图2㊀油菜叶片图像Lab空间颜色特征参数与叶绿素含量的关系
2.3㊀基于RGB、Lab空间颜色特征的叶绿素含量
估算模型评估
㊀㊀优选RGB空间的G值㊁Lab空间的L值作为油菜叶图像颜色代表,构建了叶绿素a㊁总叶绿素含量估算模型:叶绿素a含量=-0.0143ˑG值+ 2.1202;总叶绿素含量=-0.0208ˑG值+3.0322;叶绿素a含量=-0.014ˑL值+2.1077;总叶绿素含量=-0.0215ˑL值+3.1215㊂
设置独立试验对以上估算模型进行验证,基于G值㊁L值的叶绿素a㊁总叶绿素含量估算值与实际测量值的关系见图3㊂可见基于G值㊁L值的总叶绿素含量模型验证效果较好,估算值与测量值较为接近,验证线性模型精度分别为0.9165和0.9199㊂基于G值㊁L值的叶绿素a含量估算验证
模型稍差,不过验证线性模型精度仍达到了0.7446和0.7797㊂
3　讨论
国内外研究[12-15]表明,通过作物图像颜色分析可以诊断作物是否处于养分缺乏㊁洪涝㊁干旱等生长状态,其原理可能是作物图像提取的颜色特征与作物的生理参数具有较为密切的相关关系㊂本研
㊀㊀
图3㊀基于RGB空间G值和Lab空间L值的叶绿素含量估算模型验证
究也表明,油菜叶片图像颜色特征值与叶绿素含量的相关系数最高为0.874,达到极显著相关(P<
0.01)㊂与本研究类似,诸多学者通过分析叶片图像的颜色特征㊁图像纹理㊁光谱信息等,利用这些信息的特征参数或组合进而实现了作物叶绿素含量的估算[16-19]㊂
本研究采用数码相机采集作物图像,可能受环境光线㊁采集角度等因素影响,人为抖动㊁软件分析及建模方法等也可能影响这种方法的应用㊂为避免环境㊁人为㊁软件㊁分析方法等因素干扰,应建立标准的图像采集㊁分析控制㊁建模程序和过程㊂不同设备㊁图像采集方法㊁采集环境㊁软件分析㊁建模方法等对颜色特征参数的稳健性需要进一步研究㊂
本研究表明,通过油菜叶片图像颜色RGB空间与Lab空间特征参数,可以实现油菜叶绿素含量的估算㊂相对而言,基于叶片图像颜色特征参数估算叶绿素a含量的模型精度较高,总叶绿素含量模型次之,叶绿素b含量模型较差,这可能与叶绿素a在总叶绿素中占比较多有关㊂也有其他学者选用了HIS颜色空间,并构建了基于DGCI指数的叶绿素含量估算模型,决定系数R2达到了0.91[20]㊂通过颜色空间特征参数的转换与组合有可能会提高叶绿素含量模型的精度,如RGB空间内,R+ G与叶绿素a含量地相关系数为-0.860,达到极显著相关水平,S nchez-Sastre等[20]发现(R-B)/ (R+G+B)可以很好的估算甜菜叶绿素含量,Özreçberŏɡlu等[21]研究表明,G和B的多元回归模型能较好地估算石榴树的叶绿素含量,这为图像颜色特征的选择与应用提供了较大空间㊂本研究通过独立验证试验表明,基于RGB和Lab空间颜色特征值的叶绿素含量估算值与实际测量值有较好的线性关系,测量值与实际值偏离较小,其中基于G 值㊁L值的总叶绿素含量验证线性模型精度分别为0.9165和0.9199,应用前景广阔㊂针对颜色特征参数的建模方法,本研究采用了简单的线性模型,有学者采用了多元回归㊁神经网络㊁机器学习等方法,尽管这些方法取得了较为理想的建模结果[22-24],但也可能增加了后期模型开发应用的难度㊂
4　小结
通过叶片图像颜色RGB与Lab颜色空间特征
值能实现油菜叶绿素含量的快速估算,尤其通过RGB空间的G值,其估算总叶绿素含量模型精度R2为0.7647;相对而言,基于RGB颜色空间特征的叶绿素含量估算精度优于Lab颜色空间㊂总体上看,RGB㊁Lab颜色特征值对叶绿素a的估算精度优于叶绿素b和总叶绿素含量㊂独立验证试验表明,基于RGB和Lab颜色空间的叶绿素含量估算模型预测值与实际测量值较为接近,因此,本研究有较大的应用价值,可为通过作物图像评估作物状态提供较好的理论参考依据㊂
参考文献:
[1]㊀ZHUANG S,WANG P,JIANG B R,et al.Early detection of
water stress in maize based on digital images[J].Computers
and Electronics in Agriculture,2017,140:461-468. [2]㊀ZHAO M H,LI X,ZHANG X X,et al.Mutation mechanism of
leaf color in plants:a review[J].Forests,2020,11
(8):851.
[3]㊀PAGOLA M,ORTIZ R,IRIGOYEN I,et al.New method to
assess barley nitrogen nutrition status based on image colour
analysis:comparison with SPAD-502[J].Computers and
Electronics in Agriculture,2009,65(2):213-218. [4]㊀高桓凯,花元涛,张凌飞,等.基于机器视觉技术的南疆小
麦病虫害监测系统[J].塔里木大学学报,2019,31(4):
73-78.
[5]㊀PARRY C,BLONQUIST J M,BUGBEE B.In situ
measurement of leaf chlorophyll concentration:analysis of the
optical/absolute relationship[J].Plant,Cell&Environment,
2014,37(11):2508-2520.
[6]㊀MOTSARA MR,ROY RN.Guide to laboratory establishment
for plant nutrient analysis[M].Rome:Food and Agriculture
Organization of the United Nations,2008.
[7]㊀CAI J H,OKAMOTO M,ATIENO J,et al.Quantifying the
onset and progression of plant senescence by color image
analysis for high throughput applications[J].PLoS One,
2016,11(6):e0157102.
[8]㊀GRUNENFELDER L,HILLER L K,KNOWLES N R.Color
indices for the assessment of chlorophyll development and
greening of fresh market potatoes[J].Postharvest Biology and
Technology,2006,40(1):73-81.
[9]㊀CHEN Z M,WANG F Z,ZHANG P,et al.Skewed
distribution of leaf color RGB model and application of skewed
parameters in leaf color description model[J].Plant Methods,
2020,16:23.
[10]㊀崔小涛.油菜叶片叶绿素含量高光谱估算研究[D].杨
凌:西北农林科技大学,2021.
[11]㊀LICHTENTHALER H K.Chlorophylls and carotenoids:
pigments of photosynthetic biomembranes[J].Methods in
Enzymology,1987,148:350-382.
[12]㊀李兴久.基于卷积神经网络的无人机遥感影像洪水水体识
别和自动提取研究[D].哈尔滨:哈尔滨师范大学,2021.
[13]㊀邓翠玲,佘敦先,张利平,等.基于图像三维连通性识别方
法的长江流域干旱事件特征[J].农业工程学报,2021,
37(11):131-139.
[14]㊀袁璐,袁自然,屠人凤,等.基于无人机遥感可见光参数的
水稻氮素营养诊断[J].安徽农学通报,2021,27(10):
35-37,123.
[15]㊀ZHANG Y H,TANG L,LIU X J,et al.Modeling dynamics of
leaf color based on RGB value in rice[J].Journal of
Integrative Agriculture,2014,13(4):749-759. [16]㊀李源彬,李凌,穆炯.基于图像特征的黄瓜叶片叶绿素含量
分布测试方法[J].山东农业大学学报(自然科学版),
2020,51(6):1004-1009.
[17]㊀刘仕元,梁晋,王帅斌,等.基于无人机遥感的花生叶片叶
绿素含量监测研究[J].花生学报,2020,49(2):21-
27,35.
[18]㊀刘子恒,敏乾,李海翼.数字图像技术在苦菜叶绿素含量测
量中的应用[J].贵州大学学报(自然科学版),2017,34
(6):11-13,38.
[19]㊀ALI M M,AHMED,AL-ANI,et al.An algorithm based on the
RGB colour model to estimate plant chlorophyll and nitrogen
contents[C]//2013International Conference on Sustainable
Environment and Agriculture.
[20]㊀SÁNCHEZ-SASTRE L F,ALTE DA VEIGA N M S,RUIZ-
POTOSME N M,et al.Assessment of RGB vegetation indices to
estimate chlorophyll content in sugar beet leaves in the final
cultivation stage[J].AgriEngineering,2020,2(1):
128-149.
[21]㊀ÖZREÇBEROG㊅LU N,KAHRAMANO G㊅LU̇I.Mathematical
models for the estimation of leaf chlorophyll content based on
RGB colours of contact imaging with smartphones:a
pomegranate example[J].Folia Horticulturae,2020,32
(1):57-67.
[22]㊀SONG Y F,TENG G F,YUAN Y C,et al.Assessment of
wheat chlorophyll content by the multiple linear regression of
leaf image features[J].Information Processing in Agriculture,
2021,8(2):232-243.
[23]㊀GUO Y H,YIN G D,SUN H Y,et al.Scaling effects on
chlorophyll content estimations with RGB camera mounted on a
UAV platform using machine-learning methods[J].Sensors,
2020,20(18):5130.
[24]㊀DAMAYANTI R,SANDRA,DAHLENA E.The artificial
neural network to predict chlorophyll content of cassava
(Manihot esculenta)leaf[J].IOP Conference Series:Earth
and Environmental Science,2020,475(1):012012.
(责任编辑:王新芳)。