基于圖像特征的油菜葉綠素含量快速估算

婁衛東， 林寶剛， 周洪奎， 華水金， 胡昊*

(浙江省農業科學院a數字農業研究所，b作物與核技術利用研究所，浙江 杭州 310021)

植物體內的營養水平、水分狀況、衰老程度以及受病害影響與葉片顏色密切相關，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、養分或者其他指標，從而確定兩者之間的關系[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，隨著信息技術在農業研究中的應用，使得數碼相機、攝影機、手機等便攜式設備無損獲取植物葉片顏色這一性狀越來越容易，因此，基于植物數字圖像的顏色特征分析，已成為評估作物營養狀況和對環境脅迫響應的有效手段。Cai等[7]通過數碼相機結合圖像顏色分析研究了作物葉片的衰老情況。Grunenfelder等[8]使用光譜指數來評估市場新鮮馬鈴薯的葉綠素發育。Chen等[9]用葉片數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有多種表示方法。RGB色彩模式是色彩領域的一種顏色標準，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備無關的顏色模型，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用于作物評估的研究非常有應用價值。傳統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數碼相機拍攝的葉片顏色圖像中分析油菜葉綠素含量狀態，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

于浙江省農業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，種子由浙江省農業科學院作物與核技術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。另外設置驗證試驗，驗證試驗處理、重復及相關管理與以上建模試驗一致。

1.2 數據獲取

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數碼相機(日本Canon公司)垂直獲取葉片的數字彩色圖像，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。

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個油菜樣本數據對建立的模型進行驗證。

1.3 統計分析

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

2 結果與分析

2.1 RGB空間特征與葉綠素含量的關系

隨著R、G值的增加，油菜葉綠素a、葉綠素b和總葉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以及總葉綠素含量的相關性均達到極顯著水平，B值與葉綠素a、葉綠素b和總葉綠素含量的相關系數較低，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含量的相關系數最高，與總葉綠素含量次之，與葉綠素b的相關系數最小，這可能與葉綠素a是葉綠素的主要組成部分有關。

圖1 油菜葉片圖像RGB空間顏色特征參數與葉綠素含量的關系

特征參數組合與轉換可能會提高圖像顏色特征與葉綠素含量的相關性。由表1可知R、G、B值及其組合形成的顏色指數與葉綠素含量之間的相關系數，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、總葉綠素含量呈極顯著負相關；R/(R+G+B)與葉綠素a、總葉綠素含量呈極顯著負相關，與葉綠素b含量呈顯著負相關；G/(R+G+B)參數與葉綠素a含量呈極顯著負相關，與總葉綠素含量呈顯著負相關，與葉綠素b含量未發現有顯著的相關關系；B/(R+G+B)與葉綠素a、總葉綠素含量呈極顯著正相關關系，與葉綠素b含量呈顯著正相關。

表1 油菜葉圖像顏色特征與葉綠素含量的相關系數

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及總葉綠素含量的關系，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含量的估算精度優于總葉綠素含量，對葉綠素b含量的估算精度較低。

2.2 Lab空間顏色特征參數與葉綠素含量的關系

Lab顏色模型的3個參數與油菜葉綠素含量建立的顯著性關系見表1，其中，L與葉綠素a、葉綠素b及總葉綠素含量存在極顯著負相關；b*與葉綠素a、總葉綠素含量呈極顯著負相關，與葉綠素b含量呈顯著負相關；未發現a*與葉綠素a、葉綠素b、總葉綠素含量存在顯著的相關性。

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及總葉綠素含量的關系(圖2)，基于L值的葉綠素a、葉綠素b及總葉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及總葉綠素含量的擬合精度分別為0.395 7、0.127 6、0.337 1?？梢园l現通過L、b*值對葉綠素a、總葉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空間顏色特征參數與葉綠素含量的關系

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，構建了葉綠素a、總葉綠素含量估算模型：葉綠素a含量=-0.014 3×G值+2.120 2；總葉綠素含量=-0.020 8×G值+3.032 2；葉綠素a含量=-0.014×L值+2.107 7；總葉綠素含量=-0.021 5×L值+3.121 5。

設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、總葉綠素含量估算值與實際測量值的關系見圖3?？梢娀贕值、L值的總葉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分缺乏、洪澇、干旱等生長狀態，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具有較為密切的相關關系。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系數最高為0.874，達到極顯著相關(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或組合進而實現了作物葉綠素含量的估算[16-19]。

本研究采用數碼相機采集作物圖像，可能受環境光線、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用。為避免環境、人為、軟件、分析方法等因素干擾，應建立標準的圖像采集、分析控制、建模程序和過程。不同設備、圖像采集方法、采集環境、軟件分析、建模方法等對顏色特征參數的穩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，可以實現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估算葉綠素a含量的模型精度較高，總葉綠素含量模型次之，葉綠素b含量模型較差，這可能與葉綠素a在總葉綠素中占比較多有關。也有其他學者選用了HIS顏色空間，并構建了基于DGCI指數的葉綠素含量估算模型，決定系數R2達到了0.91[20]。

通過顏色空間特征參數的轉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，R+G與葉綠素a含量地相關系數為-0.860，達到極顯著相關水平，Snchez-Sastre等[20]發現(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系，測量值與實際值偏離較小，其中基于G值、L值的總葉綠素含量驗證線性模型精度分別為0.916 5和0.919 9，應用前景廣闊。針對顏色特征參數的建模方法，本研究采用了簡單的線性模型，有學者采用了多元回歸、神經網絡、機器學習等方法，盡管這些方法取得了較為理想的建模結果[22-24]，但也可能增加了后期模型開發應用的難度。

4 小結

通過葉片圖像顏色RGB與Lab顏色空間特征值能實現油菜葉綠素含量的快速估算，尤其通過RGB空間的G值，其估算總葉綠素含量模型精度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的估算精度優于葉綠素b和總葉綠素含量。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測值與實際測量值較為接近，因此，本研究有較大的應用價值，可為通過作物圖像評估作物狀態提供較好的理論參考依據。