基于计算机视觉的枣叶含水率估算模型

劳东青+陈立平+邬欢欢+郭丽峰+李发永

摘要：通过对枣叶图像预处理、颜色特征提取及含水率测定，分析枣叶图像颜色特征值与含水率的相关性。结果表明，枣叶G-R和H这2个颜色特征与含水率相关性显著。基于G-R和H建立枣叶含水率估算模型为：y=0.877 2-0.001 5×（G-R）-0.101 3×H，复相关系数R为0.890 7，应用计算机视觉技术进行枣叶含水率估算可行。

关键词：图像分析;叶片含水率;红枣;中值滤波;估算模型;计算机视觉

中图分类号： S126;TP391.4 文献标志码： A

文章编号：1002-1302（2015）04-0384-02

收稿日期：2014-11-24

基金项目：国家自然科学基金（编号：51169024）;塔里木大学校长基金（编号：TDZKSS201208）。

作者简介：劳东青（1983—），女，广西灵山人，硕士，讲师，从事图像处理、节水灌溉研究。E-mail：dql904@126.com。

通信作者：李发永，硕士，副教授，从事节水农业研究。E-mail：lisen8279@163.com。

红枣是南疆地区的主要特色林果之一。近年来，随着红枣矮化密集栽培方式的推广，兵团红枣种植规模迅速扩大，需水量也节节攀升。枣农为追求眼前效益，田间补水往往采用漫灌而非滴灌方式，这导致大量水资源浪费，使南疆水资源进一步紧缺，节水灌溉已经成为南疆农林业研究的重点之一。根据作物缺水信息实施精量控制灌溉，是提高水利用率和生产效率的重要途径之一[1]，而叶片是作物水分亏缺时反应最为敏感的外部形态器官，当作物缺水，叶片的颜色、形状和纹理会表现出一定的症状，如颜色变黄、变暗、叶片萎蔫、叶面积减少、叶角改变等[2]。图像采集设备具有比人眼更为精细的分辨能力，能更客观地描述肉眼不可能辨别出来的色泽、形态、纹理等相关特性，计算机视觉技术在作物水分检测领域逐渐得到兴起[3-5]，目前，在黄瓜、棉花、马铃薯、烟草等作物上有研究应用。由于数码相机具有图像质量好、成本低、易于开发与集成等优点，被广泛应用于作物水分亏缺诊断研究图像采集过程，并取得较好的效果[6-9]。 本试验对枣叶含水率与枣叶图像的颜色特征进行相关性分析，探讨基于颜色特征的枣叶水分状况诊断的可行性，为提高南疆水资源利用、实现南疆红枣种植园的精量灌溉和自动化灌溉提供有益参考。

1 材料与方法

1.1 试验设计

试验在新疆维吾尔自治区塔里木大学精准农业重点实验室的自动化节水灌溉实验基地进行，供试品种为骏枣。试验小区面积为40 m2，共计6个小区，采用完全随机区组排列，各小区均设保护行，采用单独的滴灌设备以便于试验控制。试验采用单因素水分处理，根据红枣在各个生育期占整个生育期需水比例分配每次滴水量，并根据实际土壤含水量进行适当调整。试验设置3个处理水平，重复2次。

1.2 图像采集

图像采集使用有效像素高达1 620万的尼康D7000单反相机，每次拍摄均采用自动曝光模式，图像分辨率采用3 696×2 448，统一存储为JPG格式。图像于2014年7月4日14：00左右在田间自然光条件下采集，晴天，微风，每试验小区随机挑选2株，选取植株冠层枝桠第3～10节位4张完全展开的叶片进行编号、拍摄。为减少后期处理工作量，在距样本叶片垂直高度为0.3 m处垂直拍摄，以保证每次拍摄的光照强度基本一致;拍摄前，调整摄像者、树枝和叶片的位置，以免造成阴影。此外，为便于后期图像处理时人工剔除复杂背景，拍摄时在叶片下放置白板，使白板和叶片保持水平。

1.3 枣叶含水率测定

图像采集后，迅速摘取样本叶片装入自封塑料袋，并放入保鲜盒带回实验室，采用传统的烘干法测定枣叶含水率。烘干前，用型号为DENVER TP-214的分析天平称量叶片鲜质量（mF），精确到0.000 1 g;将叶片放入烘干器皿，置于光明101型电热鼓风干燥箱内105 ℃杀青0.5 h;保持70 ℃恒温，烘干叶片至恒质量，称量叶片干质量（mD），计算枣叶含水率为：叶片含水率=（mF-mD）/mF×100%。

1.4 图像处理

将叶片图像导入到Photoshop CS6中，综合运用裁剪工具和魔棒工具剔除叶片之外的复杂背景，使图像只保留叶片部分，背景透明，并将图片另存为PNG格式;采用中值滤波法[10]对图像进行降噪处理，以减少图像在采集和传输过程中的噪声影响。

MATLAB图像处理工具箱提供的medfilt2函数可对二维矩阵进行中值滤波处理，其基本语法格式为：B=medfilt2（A，[M N]），表示用指定大小为M×N的窗口对矩阵A进行中值滤波处理。滤波窗口通常为方形窗口，大小可取值为3×3、5×5、7×7或9×9，默认为3×3。函数imread（）读入彩色图像时，返回1个M×N×3的三维矩阵C，3个面分别对应红、绿、蓝3个通道信息，用C（：，：，1）、C（：，：，2）、C（：，：，3）表示。由于medfilt2函数只能对二维矩阵进行处理，对彩色图像进行中值滤波时，通常分别提取图像的R、G、B分量进行中值滤波处理，并将滤波后的3个分量通过多维矩阵构造函数cat（）整合还原成三维矩阵。

1.5 颜色特征提取

由于RGB和HIS颜色系统对光源变化不敏感，易于区分不同颜色[9]，在图像分析时常被使用。RGB系统中的R、G、B分量易于提取但不直观，颜色分析时，通常用标准化后的色度坐标r、g、b以消除外界光强对颜色的影响，其中，r、g、b分别表示R/（R+G+B）、G/（R+G+B）、B/（R+G+B），也可对R、G、B值进行多种组合变换如（G-R）、（G/R）等，并作为图像的颜色特征进行分析。

HIS颜色系统比RGB系统更符合人的视觉特性，系统中的H、S具有光强不变性，可以作为颜色特征值直接使用[8，11]。HIS颜色系统与RGB系统可相互转换，I、S、H值计算公式分别为：I=（R+G+B）/3;S=1-3[min（R，G，B）]/（R+G+B）;H=θ B≤Gendprint

360-θ B>G，其中，θ=cos-1{[（G-R）+（R-B）]/2[（R-G）2+（R-B）（G-B）]1/2}。

1.6 数据分析

对提取的颜色特征和叶片含水率进行相关性分析，根据P值的大小，筛选出与叶片含水率关系显著的颜色特征量，通过回归分析方法构建枣叶含水率估算模型。

在MATLAB中，利用corrcoef函数求出数据的相关系数矩阵，数据的维度不同，corrcoef函数的调用格式也不同。分析2个一维向量的相关性时，corrcoef函数的调用格式为：[R，P]=corrcoef（x，y），其中，x和y是长度相同的一维列向量，对应行上的数据为1个样本。R是一个大小为2×2的矩阵，R（1，1）和R（2，2）分别表示x和y的自相关系数，其值恒为1;R（1，2）和R（2，1）分别表示y与x、x与y的相关系数，其值相等，大小在[-1，1]区间。当x和y的相关系数值大于0时，表示x和y正相关，反之，x和y负相关。P也是一个2×2的矩阵，表示无效检验的实际显著性水平P，其值越小，表示x和y的相关性越显著。一般P小于0.05时，拒绝无效假设：系数=0，x和y关系显著;小于0.01 时，x和y关系极显著;大于0.05时，不能否定无效假设，x和y无显著关系。回归分析可通过函数regress（）进行，其调用格式为：[b，bint，r，rint，stats]=regress（y，x），其中，x为m×n的自变量矩阵，y为m×1的因变量矩阵，b为回归模型的系数矩阵，第一项为常数项，bint为b的置信区间，r为残差矩阵，rint为r的置信区间，stats是用于检验回归模型的统计量，包含相关系数R、F统计量值、与F对应的概率P和残差方差共4个值。

2 结果与分析

2.1 叶片含水率与颜色特征的相关性分析

由表1可见，枣叶含水率与G-R、H之间呈高度的负相关关系，达到显著性检验水平（P<0.05），可用于构建枣叶含水率估算模型。

2.2 枣叶含水率估算模型

通过自编的MATLAB程序脚本，对枣叶含水率、G-R、H进行多元线性回归分析，建立基于G-R和H的 2个颜色特征枣叶含水率估算模型：y=0.877 2-0.001 5×（G-R）-0.101 3×H，R=0.890 7，P=0.019 4。其中，P<0.05，回归模型成立。

表1 枣叶含水率与枣叶图像颜色特征的相关性分析

颜色特征 颜色特征的定义 相关系数R P

r

红光的标准化，表示红光在图像中所占的比例 0.660 0

0.074 9

g

绿光的标准化，表示绿光在图像中所占的比例 -0.352 5

0.391 7

g-r

绿光与红光之差在图像中所占比例 -0.570 6

0.139 6

g-b

绿光与蓝光之差在图像中所占比例 -0.206 6

0.623 6

r-b

红光与蓝光之差在图像中所占比例 0.178 1

0.673 1

R 图像中的红光均值 0.392 3 0.336 4

B 图像中的蓝光均值 0.160 5 0.704 2

G-R 绿光与红光的差值 -0.758 2 0.029 2

R-B 红光与蓝光的差值 0.296 5 0.475 7

G/R 绿光与红光的比值 0.634 9 0.090 8

G/B 绿光与蓝光的比值 -0.169 3 0.688 6

H 图像的色调大小 -0.716 0 0.045 8

I 图像的颜色强度 0.254 0 0.543 8

H-S 图像色调与色彩饱和度的差值 -0.302 2 0.466 9

H/I 图像色调与颜色强度的比值 -0.368 3 0.369 4

I-H 图像颜色强度与色调的差值 0.257 6 0.537 9

I/S

图像颜色强度与色彩饱和度的比值 0.162 4

0.700 8

3 结论与讨论

通过对枣叶图像颜色特征的提取与分析，探讨了水分胁迫条件下枣叶图像颜色特征与枣叶含水率的相关性分析，发现G-R和H 2个颜色特征与枣叶含水率关系显著，可用于枣叶含水率的预测与评价;应用多元线性回归分析方法建立基于G-R和H的枣叶含水率估算模型，其相关系数高达0890 7，无效检验的显著性水平接近0.01，进一步说明应用计算机视觉技术进行枣叶含水率的诊断与评价是可行的。

颜色是图像最为直观和相对重要的一种视觉特征，相对于纹理特征和形状特征，在基于计算机视觉技术的水分诊断，探讨颜色特征与叶片含水率关系的研究中更为常见，常常通过提取作物图像的R、G、B、H、I、S分量值，对其进行多种组合变换，分析变量或变量组合与作物水分状况的相关关系，并建立相应估算模型。蔡鸿昌等应用直方图法提取黄瓜叶片的颜色特征，发现G/（R+G+B）和G-R可用于叶片干基含水量的估算[8];王方永等建立基于G-R参数的棉花水分含量及其指数的预测模型，预测精度分别达到90.71%和9102%[9];Zakaluk等通过试验，同样证明基于颜色特征进行马铃薯植株叶水势的估算是可行的[12]。作物图像的灰度梯度值用于作物水分状况诊断效果也很好，于常乐等建立基于图像灰度梯度的黄瓜叶片含水量的预测模型，实现了黄瓜叶片水分亏缺的无损检测[6-7]。

总之，应用计算机视觉技术进行作物水分状况诊断是可行的，这为田间精量灌溉与自动化灌溉的实现提供了理论依据和技术支撑。本试验筛选的颜色特征中，没有与枣叶含水率关系极显著的量，分析原因可能有3个方面：（1）新疆沙尘endprint

大，叶片上落灰多，影响枣叶图像质量和枣叶含水率的精确度;（2）部分叶片采集图像时，局部反光，出现亮点，影响枣叶图像颜色特征的提取;（3）枣叶图像的降噪算法可能影响枣叶含水率估算模型的精度。在后续研究中，应找出相关的解决办法，优化估算模型，也可变换角度，分析枣叶图像的灰度特征与枣叶含水率的相关性，挖掘出与枣叶含水率关系更为显著的特征量。

参考文献：

[1]康绍忠，蔡焕杰，冯绍元.现代农业与生态节水的技术创新与未来研究重点[J]. 农业工程学报，2004，20（1）：1-6.

[2]彭 文，李庆武，霍冠英，等. 基于计算机视觉的植物水分胁迫状况监测方法[J]. 科学技术与工程，2013，13（9）：2313-2317，2330.

[3]Ahmad U，Mardison S，Tjahjohutomo R，et al. Development of automatic grading machine prototype for citrus using image processing[J]. Australian Journal Agricultural Engineering，2010，1（5）：165-169.

[4]梁改梅，杨锦忠，陈稳良，等. 计算机图像处理与分析技术在作物领域的应用[J]. 科技情报开发与经济，2006，16（12）：222-224.

[5]Romano G，Baranyai L，Gottschalk K，et al. An approach for monitoring the moisture content changes of drying banana slices with laser light backscattering imaging[J]. Food and Bioprocess Technology，2008，1（4）：410-414.

[6]于常乐. 基于图像处理的叶片含水量的无损检测研究[D]. 长春：吉林大学，2007.

[7]孙瑞东，于海业，于常乐，等. 基于图像处理的黄瓜叶片含水量无损检测研究[J]. 农机化研究，2008（7）：87-89.

[8]蔡鸿昌，崔海信，高丽红，等. 基于颜色特征的叶片含水率与比叶重估算模型初探[J]. 中国农学通报，2006，22（8）：532-535.

[9]王方永，王克如，王崇桃，等. 基于图像识别的棉花水分状况诊断研究[J]. 石河子大学学报：自然科学版，2007，25（4）：404-407.

[10]杜丽美.几种常见的图像去噪算法研究[J]. 山西大同大学学报：自然科学版，2012，28（5）：7-9.

[11]甘露萍，谢守勇，邹大军.基于计算机视觉的烤烟鲜烟叶含水量无损检测及MATLAB实现[J]. 西南大学学报：自然科学版，2009，31（7）：166-170.

[12]Zakaluk R，Ranjan R S. Artificial neural network modelling of leaf water potential for potatoes using RGB digital images：a greenhouse study[J]. Potato Research，2006，49（4）：255-272.endprint