基于模式识别大豆叶片氮元素含量信息采集预处理

王立舒，陈月华，高汉峰，房俊龙

（东北农业大学工程学院，哈尔滨 150030）

氮元素是大豆生长过程中非常重要的元素，它的缺失对大豆质量和产量有重要的影响。研究表明当大豆叶片缺氮时，叶片从叶缘到叶尖逐步黄化，并呈正V形几何形状。运用计算机模式识别技术对缺氮大豆叶片的光学特性进行研究，建立专家模型对大豆缺氮进行智能诊断与识别，是一项有广阔发展前景的工作[1-2]。

1 叶片氮元素含量信息采集原理

植物叶片呈现的颜色是各种色素的综合表现，其中主要是绿色的叶绿素和黄色的类胡萝卜素两大类色素之间的比较，一般正常叶片的各色素分子比例为叶绿素a∶叶绿素b∶叶黄素∶类胡萝卜素=6.75∶2.25∶2∶1。由于叶绿素主要吸收蓝紫光和红色光，从吸收光谱来说叶绿素吸收的蓝紫光比红色光多。当一束可见光照到叶片上后被吸收的蓝光、红光较多，绿光几乎没有被吸收就反射过来，因此反射回来的光应该为绿光最多、红光其次、蓝光最少。

分析表明，可以根据大豆叶片的颜色及叶绿素对光谱的吸收原理来判断大豆的氮元素的含量及其与叶片颜色及纹理的相关性[3-5]。

2 氮元素采集诊断系统模型建立

2.1 信息采集及诊断模型总体方案构建

采用现代计算机技术及机器视觉技术对大豆的各项生理生长指标检测分析是一项非常复杂的工作，因为涉及大豆在生产全过程中的各个因素，因此以其中一个或者某几个重要指标的信息采集及监测分析作为突破口，找出其内在联系是必要的。大豆叶片氮元素信息采集的整体流程，如图1所示。

图1 信息采集检测模型流程Fig.1 Information acquisition and diagnostic model

2.2 样本培育

样本培育采用砂培方法。地点位于东北农业大学香坊农场，大豆品种是绥农14，时间为6～8月。试验以同一自然条件下，砂培的不同程度氮元素缺乏及超量的样本为研究对象。为确保样本表现形态的多样性，每种样本均种植了100株以上。砂培试验群体图像见图2。

2.3 图像信息采集

根据图像学理论，自然界的任何图像可以用基于位置坐标的三维函数来表示，即:

f表示空间坐标为（x，y，z）位置点的颜色，fred、fgreen、fblue分别表示该位置点的红色（R）、绿色（G）、蓝色（B）三种原色的分量值。它们在空间分布都是连续函数，在三维坐标空间系统中每一个点都有一个精确的RGB值与之相对应[6]。

在试验的可行性研究阶段，主要考虑平面数字图像数据的采集。因此将三维坐标系统变成在平面上连续分布的二维坐标系统，表示为:

f表示平面坐标为（x，y）位置点的颜色，fred、fgreen、fblue分别表示该位置点的R、G、B三种原色的分量值。计算机仅能够处理离散的数据，因为图像是连续的，所以利用计算机处理图像必需把连续的图像函数转化为离散的数据集，进行图像采集，过程如图3所示。

图2 砂培样本群体图像Fig.2 Sample image of sand cultivation

图3 叶片数字化图像获取Fig.3 Acquirement of digital leaf image

叶片数字化图像采集过程是一个空间坐标的量化过程，量化是对图像函数值的离散化过程。因此数字化图像是连续图像f（x，y）的一种近似表示，通常由采样点的值所组成的矩阵m×n来表示:

即每一个采样点为一个像素，在计算机内通常用二维数组来表示数字图像[7]。

2.4 试验设计

为了描述缺素的特征随时间的变化规律，在N0，N50、N100和N150的样本中，按照不同的生长时期，在两叶期开始进行样本图像信息的采集。每天采集1次，每次采集所选的时间为上午9:00～10:00之间，采摘以后立即用扫描仪进行图像的信息采集，采集到症状肉眼能够识别时为止，并将处理后的结果存储于计算机当中。

3 图像预处理

改善图像质量的过程称为预处理，主要包括图像的增强和复原。本文需要突出原始图像叶片颜色及纹理，抑制背景和噪声，并不考虑图像是否逼真，因此可以采用频域方法和空域方法等图像增强技术对原始图像进行预处理。频域处理是在图像的某个变换域内对图像的变换系数进行运算，然后通过逆变换获得增强效果。空域处理直接对图像进行处理，因为不涉及域的转换，在处理速度方面空域处理比频域处理要快得多[8]。

f（x，y）是输入图像，g（x，y）是处理后图像。T是在（x，y）的邻域内对f的一种操作。

3.1 空域平滑

平滑的目的是降噪。将一个包含有奇数个像素的窗口W在图像上依次移动，在每一个位置上对窗口内像素的灰度值由小到大进行排列，然后将位于中间的灰度值作为窗口中心像素的输出值。窗口W可以是方形（m×m），长方形（m×n）或者是十字形等，中值滤波可表示为:

式中，median表示在W窗口下取中间值，fw（i，j）表示以像素（i，j）为中心的W窗口下的像素灰度值。以一维窗口（m=1）为例，当窗口长度n=9，窗口内像素灰度值为1、14、0、5、8、20、7、10、16时，灰度由小大的排列应为0、1、5、7、8、10、14、16、20，则中值滤波的结果为:g（i，j）=median［ 1，14，0，5，8，20，7，10，16 ］＝8即输入灰度值（fi，j）=20的像素，中值滤波后输出的值为 g（i，j）=8。

3.2 空域增强

3.2.1 灰度线性变换

该方法是一种增强图像对比度的点运算方法，可以对图像进行整体灰度变换和局部灰度变换。变换的数学表达式为:

式中，fa，fb分别为输入图像中线性变换段的低、高灰度值；ga，gb分别为输出图像中线性变换段的低、高灰度值；f（i，j）为输入图像灰度值（fa≤f（i，j）≤fb）；g（i，j）为输出图像灰度值（ga≤g（i，j）≤gb）。

3.2.2 直方图均衡化

直方图是图像处理中一种十分重要的图像分析工具，它描述了一幅图像的灰度级内容。从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数，它统计一幅图像中各个灰度级出现的次数或概率；从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现的次数或概率。

该方法的基本思路是把原始图像的直方图变换成均匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。原理如下:

①计算出原始图像的所有灰度级sk，k=0，1，…，l-1；

②统计原始图像的像素数，并依据下式计算原始图像的直方图；

式中:sk是图像f（i，j）的第k级灰度值；nk是f（i，j）中具有灰度值sk的像素的个数；n是图像中象素的总数；

③计算原始图像的累计直方图并取整，即:

④ 定义映射关系:sk→tk；

⑤统计新直方图各灰度级的像素数nk并由式（5～7）计算新的直方图:

运用灰度线性变换及直方图均衡化对图像进行增强，对不同程度含氮样本（含氮50%）的图像进行处理，结果如图4所示。

图4 空域增强效果比较Fig.4 Comparison of image enhancement in spatial domain methods

从处理结果可以看出直方图均衡化法比灰度线性变化法效果更好，变换后的图像更为清晰，更能突出细节，缺氮的叶片经过预处理后很好地去除了图像采集过程中所受到的各种噪声的干扰，为下一步的试验奠定了基础。在进行灰度线性变换时，变换函数的选择要恰当，但函数的选择没有明确的方法，只能依靠多次的尝试来获得较理想的变换函数[9-10]。

4 样本特征提取

当样本培育完成并采集以后，样本的叶片特征已经通过输入设备转换成数字化的图像，并以BMP格式存储。要研究缺氮样本的颜色、纹理、大小等与供氮水平的关系，首先要从数字化图像中提取出有用的数据。在样本培育过程中，依据砂培经验，密切观察样本的变化。大豆的生长可分V期和R期。V是营养生长期，V2指两片叶子期，V3指3片叶子期；R是生殖生长期，R1是初花期，R2是盛花期，R3初荚期，R4盛荚期，R5鼓粒初期，R6鼓粒盛期。本研究主要采集了V2，V3和R1～R4期的叶片为研究对象。

在样本培15 d、砂培样本的两片叶子长到中等、肉眼无法识别时，开始采集V2期的样本，采集包括N0，N50，N100，N150叶片共100片；在后续的采集中，均保持这个数量，V期，R期六个阶段共采集样本600个左右，采集每天1次，直到肉眼可以辨别出缺素症状时为止。每次采摘的样品立刻装进保鲜袋，拿到室内进行扫描，利用图像信息和测定RGB灰度值分析其与氮含量的关系。扫描采集完的样品可以通过化学方法测定氮含量，这部分由其它实验室协助完成。大体方法是测量叶片的重量，然后装入牛皮纸袋进行杀青处理，烘干、测干重，叶片烘干后用化学方法测定叶片中氮含量。

大豆缺氮素症状:先是真叶发黄，严重时从下向上黄化，直至顶部新叶。在复叶上延叶脉有平行的连续或不连续褐色斑块，褪绿从叶尖向茎部扩展，乃至全叶呈浅黄色，叶脉也失绿。通过分析缺氮大豆的叶片特征，可看出叶片的含氮量与叶片的颜色或者形状上有显著的外观体现。信息采集预处理模型在获取图像的特征值时首先要运用灰度直方图方法。直方图可以看出图像整体的性质，不同直方图值的范围对应着不同性质的图像特征:整体的性质、图像的明亮度、图像的清楚度、图动态范围的大小。直方图的统计特征定义如下:

其中，nr为灰度级为r的像元素，N为象元总数。

这样的直方图是一维连续函数，表1是直方图的特征统计算法。

图5是两张供氮程度差别比较大的叶片图像，从肉眼上就可以辨别出其灰度的不同。但对于一般的物体来说相邻两目标的灰度相差如果小于10级，就会超过人眼对灰度差的识别能力，导致人眼无法识别。而这种差别可以利用计算机视觉来分辨，并可以从量化的角度研究颜色变化与供氮量的关系。

表1 直方图的特征统计算法Table1 Arithmetic of the histogram

直方图统计方法首先要把一幅图像各像元灰度做统计，然后绘制直方图，图6为N0和N100大豆叶片R、G、B灰度连续变化的统计直方图。由图6可知，它们的灰度值统计分布有明显的差异。

图5 不同供氮水平的叶片Fig.5 Leaves in different nitrogen

图6 不同供氮水平大豆叶片图像直方图Fig.6 Histogram in different nitrogen of soybean leaves

5 讨论与结论

本文将计算机模式识别技术应用于大豆叶片氮元素缺乏的检测当中，提出了试验方案和信息采集检测模型流程图。通过砂培试验获得大豆缺素样本，并对样本进行采集及图像低层预处理。通过对空域平滑和空域增强的分析，提出运用灰度线性变换及直方图均衡化对图像进行增强，很好地去除了图像采集过程中所受到的各种噪声干扰，并最大限度的保留了图像的原始信息。由于篇幅所限，关于图像信息进一步处理过程将会在以后的文章中介绍。

[1]于峰.计算机图像处理技术在氮元素营养诊断中的应用[D].北京:中国农业大学,2003.

[2]吴凤凰.模式识别在植物叶片识别中的应用[J].安徽农业科学,2007,35(1):285-288.

[3]周利华,聂立水,王百田.不同氮源和pH值对比利时杜鹃叶片生理特征和营养元素的影响[J].北京林业大学学报,2008,11(6):30-35.

[4]傅弘,池哲儒,常杰,等.基于人工神经网络的叶脉信息提取[J].植物学通报,2004,21(4):429-436.

[5]徐贵力,毛罕平.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,2002,18(4):150-154.

[6]侯铜,姚立红,阚江明.基于叶片外形特征的植物识别研究[J].湖南农业科学,2009(4):123-125.

[7]杨恒伏,孙光,田祖伟.基于HVS特性的图像自适应中值滤波算法[J].计算机工程,2009(11):231-233.

[8]李银华,路新惠.改进型自适应中值滤波算法在图像处理中的应用[J].郑州轻工业学院学报,2009,24(1):83-86.

[9]康牧,王宝树.一种基于图像增强的图像滤波方法[J].武汉大学学报,2009,34(7):822-825.

[10]Hemming J,Rath T.Computer-vision-based weed identification under field conditions using controlled lighting[J].Journal of Agricultural Engineering Research,2001,78(3):233-243.