基于数码影像的香樟树叶片叶绿素分布可视化研究

胡 阳，朱姣姣

(滁州学院 地理信息与旅游学院，安徽 滁州 239000)

基于数码影像的香樟树叶片叶绿素分布可视化研究

胡 阳，朱姣姣

(滁州学院 地理信息与旅游学院，安徽 滁州 239000)

叶绿素含量是植物生长的重要指标。为了快速、无损地测定香樟树叶片中叶绿素含量分布情况，本研究基于数码相机和FieldSpec 4便携式地物光谱仪2种不同传感器，对比分析了颜色参数和光谱与SPAD值的关系，分别建立了多种定量预测模型，并且借助图像处理软件，实现了基于数码影像香樟树叶片SPAD值的可视化。结果表明：红光和R720波段分别是数码相机和光谱仪对SPAD值最敏感的波段；光谱指数可以提高光谱与SPAD值的相关性，而且以红光和蓝光波段组合的差值指数(R-B和DI)相关性水平最高；R-B所建香樟树叶片SPAD值预测模型的均方根误差RMSE为3.9736，预测精度R2为0.6197；而DI构建的模型对SPAD值的预测能力比R-B高，其均方根误差为2.002，且精度最高(R2=0.7338)。基于数码影像的香樟树叶片SPAD值分布图在一定程度上可以有效描述叶片叶绿素分布状况，进而判断香樟树的生长情况。因此，可以利用数码相机的颜色参数监测香樟树叶片叶绿素含量及分布状况。

香樟树叶片；SPAD值；颜色参数；光谱指数；可视化

叶绿素是植物进行光合作用的主要物质之一,其含量是指示植物光合作用能力、营养胁迫和发育状况的重要因子[1]。在自然界中，物体的反射特型决定了380～760nm波长范围内可见光的颜色，叶片色素光谱特征决定了叶片颜色，叶绿素使得叶片呈现绿色[2]，而叶色的浓淡可反映出叶片叶绿素比例和含量，因此，能够利用叶片可见光波段的光谱特征估算其叶绿素含量。

植物叶绿素含量与其可见光波段反射率密切相关，含量越高其反射率越低，但相关程度随不同植物而变化[3]。王辉等[4]发现R710和R530是估测甜菜SAPD值的最佳波段，张永贺等[5]利用R690和R530建立了桉树叶片叶绿素估算模型，结果表现较好。可见，高光谱仪在植物叶绿素含量监测方面有着极为重要的作用。随着成像高光谱仪不断发展，关于植物叶片叶绿素分布的研究已成为热点。赵雅茹等[6]利用成像光谱仪对南瓜叶片SPAD进行了可视化研究，较好地识别了南瓜叶片霜霉病。邹小波等[7]发现高光谱图像可以有效地测定叶绿素分布状况。近年来，部分学者针对数码相机使用广泛、价格低廉等特点，展开了基于数码影像的植物叶绿素监测研究。王克如等[8]利用棉花叶片颜色参数预测叶片叶绿素含量，预测结果精度较高，王方永等[9]认为R-B参数能够有效地预测棉花叶片叶绿素含量。以上研究表明，用光谱仪和数码相机监测叶片叶绿素是可行的，并且借助图像处理软件可以实现叶绿素的可视化。

本文利用数码相机和便携式地物光谱仪两种不同传感器，以不同叶色的香樟树叶片作为研究对象，综合分析了颜色参数和光谱指数与叶片SPAD值的定量关系，比较了颜色参数和光谱指数所建预测模型对SPAD值的预测能力，同时，借助图像处理软件，实现了基于数码影像的香樟树叶片SPAD值分布的可视化，以期为利用数码相机快速、无损地监测香樟树叶片叶绿素分布提供科学依据。

1 材料与方法

1.1 样品准备

本研究选取安徽省滁州市琅琊山森林公园中4a生人工种植的香樟树林为实验对象。于2016年10月17日采集实验样品香樟树叶片，样本分别从40棵香樟树随机采集获取，共400个叶片样本，将其中300个样本用于预测模型建立，另外100个样本作为独立检验样本。样本采集后置入保鲜箱，并于30min之内送回实验室进行数据采集。

1.2 数据采集

1.2.1 光谱数据采集 为消除光照不均匀和暗电流的影响，使用标准白板在测量前进行图像校正，并将采集的香樟树叶片表面清洗干净后进行数据采集，光谱数据采集使用美国ASD公司的FieldSpec 4便携式地物光谱仪，取样光谱范围为350～800nm，采样间隔为2nm，光谱分辨率为3nm，视场角为25°。选择室内暗箱采集方式，光谱仪探头距叶片6cm，使用20W卤素灯作为光源，天顶角30°，方位角0°，样本平铺于近似全吸收的黑色橡胶上，在避开叶脉的前提下，每个样本测定3次数据，求其平均作为叶片该处光谱反射值。

1.2.2 数码影像采集与处理 借鉴前人研究经验[9]，利用数码影像采集暗箱进行叶片影像采集，采集时将数码相机(Olympus E-PL8 14-42mm II R)安放在暗箱顶部中心圆孔处，相机镜头与叶片保持垂直，距离约50cm，相机采用近拍模式，且有自动白平衡和闪光灯关闭设置。图像最大分辨率为4608×3456，以JPEG格式传输至计算机。利用图像处理软件分割出香樟树叶片后，使用MATLAB R2014b软件提取叶片所有像素的R、G、B值作为其颜色信息[8]。

1.3 叶绿素测定

传统的化学分析法测定的叶绿素含量是整个叶片的平均含量值，叶绿素在叶片不同位置的分布差异较大，因此使用SPAD-502测定叶片光谱，采集叶片同一位置的SPAD值替代叶绿素真实值。为保证数据准确性，相同位置测定3次叶绿素含量数据，最后取平均值，叶绿素含量数据统计见表1。

表1 香樟树叶片叶绿素含量描述统计表

1.4 数据分析

利用Excel软件分析原始光谱以及所有两波段组合的归一化差值(式1)、差值(式2)和比值(式3)光谱指数与SPAD值的相关性，筛选出较高相关性的特征波段和光谱指数，建立叶绿素含量预测模型，通过拟合决定系数(R2)和标准误差(SE)确定最佳模型。利用100个独立检验数据对最优模型进行测试，采用相对误差RE%和均方根误差RMSE综合评定估测模型拟合效果。

ND(Rλ1,Rλ2)=(Rλ1-Rλ2)/(Rλ1+λ2)

(1)

DI(Rλ1,Rλ2)=Rλ1-Rλ2

(2)

RI(Rλ1,Rλ2)=Rλ1/Rλ2

(3)

2 结果与分析

2.1 叶绿素与叶片光谱特征相关性分析

植被反射率光谱曲线形状在可见光区域与叶绿素含量密切相关，具有明显的双峰双谷特点[10]。图1表明，不同叶绿素含量的香樟树叶片，其原始光谱曲线形状的变化趋势基本一致，叶绿素在绿光波段(500～600nm)形成一个反射峰，在其左右两侧，即蓝光波段(380～500nm)和红光波段(600～700nm)存在两个叶绿素吸收带，光谱反射率较低；在红边区(700～760nm)内光谱反射率迅速增长。由此可见，植物可见光光谱反射率变化对应叶绿素和叶片颜色的变化。

对香樟树叶片叶绿素和叶片可见光区域波段反射率进行相关分析，如图2所示。由图可知，在500～750nm波段区间存在较高的负相关性，即叶绿素含量越高，其波段反射率越低，其中560nm和红边700nm处附近的反射率和叶绿素相关水平最高，而蓝光波段400nm左右的相关性最低。

数码相机采集的数字影像使用RGB颜色模型进行色彩存储与表达，并通过对红、绿、蓝3个光谱宽波段(红光波段中心波长为700nm，绿光波段中心波长为546.1nm，蓝光波段中心波长为435.8nm)的反射光强的量化。实验结果表明，红光波段的反射光强(R值)与香樟树叶片叶绿素SPAD值之间的相关水平最高，为负相关，相关系数为-0.65，且呈现指数函数关系；而绿光和蓝光波段与SPAD值之间的相关性水平较差，其中蓝光波段的相关性最差(r=0.38)，绿光波段的相关水平较低(r=0.62)，表明SPAD值与数字影像的R值以及高光谱影像的红光波段(600-720nm)光强反射率的相关性具有一致性(图2)。

图1 香樟树叶片反射率曲线图 图2 香樟树叶片叶片反射率与SPAD值相关图

2.2 光谱指数和SPAD值的定量关系

借助MATLAB软件，基于多种模型分析了叶绿素与上述三种光谱指数的相关性，并生成相关系数等势图，结果表明，指数模型描述叶绿素和光谱指数的效果最好。图3显示，计算后的光谱指数比原始光谱与叶绿素含量的相关性水平较高，其中，差值指数表现效果最好，而归一化指数和比值指数效果次之，且较为一致，总体上显示SPAD值与蓝光波段或绿光波段与红光波段组合的光谱指数相关性水平较高。其中，630～650nm和370～400nm的波段组合与差值指数相关性水平最高，而归一化差值指数和差值指数的表现基本一致，二者均与720～740nm和540～560nm的波段组合相关性较好。

a、差值指数 b、归一化差值 c、比值指数

图3 香樟树叶片SPAD值与光谱指数相关关系

借助SPSS软件，对各特征波段组合的差值、归一化差值和比值光谱指数与叶片SPAD值，采用多种模型进行拟合，并计算各模型的拟合决定系数(R2)和估计标准误差(SE)。由表2可知，红光和蓝光波段是组合光谱指数的最佳波段，这与王克如关于叶色变化和叶绿素最不敏感和最敏感的波段分别位于蓝光和红光区域的研究一致[8]，可见二者组合的光谱指数在反映叶片叶绿素含量方面具有较好的效果。在模型拟合效果上，差值指数(DI)是描述SPAD的最佳回归指数，差值指数(DI)与SPAD二者拟合的线性方程拟合程度最高，且标准误较小。

表2 香樟树叶片SPAD值(y)与光谱指数(x)的定量关系

采用上述相同方法，对数码影像中的红光、绿光和蓝光三波段的差值、归一化差值和比值光谱指数与SPAD值的相关性进行分析，构建不同的拟合模型，并从中挑选出最佳模型(表2)。由表2可以看出，红光和蓝光波段组合的3种光谱指数与叶片SPAD值的相关水平较好，其中，差值指数(R-B)与SPAD二者拟合的线性方程拟合程度最高，且标准误较小。对比两种不同传感器拟合效果，可以发现，利用数码影像三波段组合的3种光谱指数具有一定的拟合效果，但整体上均低于FieldSpec 4的光谱指数。

2.3 预测模型检验

利用100个独立检验样本，采用相对均方根误差(RRMSE%)和均方根误差(RMSE)评价指标，对上述筛选出的最优光谱指数及模型进行模型预测性检验，确定最优回归模型(表3)。实验结果表明：经筛选后的两种模型其实测值和预测值均通过了显著性水平检验(P<0.05)。其中，基于FieldSpec 4传感器的高光谱数据DI构建的香樟树叶片SPAD值预测模型，其RMSE为2.3002， R2为0.7338，预测精度较高，且误差较小；而基于数码影像数据的R-B构建的模型RMSE为3.9736，R2为0.6197，预测精度较低、误差较大，总体预测效果相对较差。实验结果表明，基于数码相机和地物光谱仪2种不同传感器所构建的光谱指数预测模型，在一定程度上均能对香樟树叶片叶绿素含量进行有效预测；同时，基于FieldSpec 4高光谱仪的模型预测能力稳定性较强，并且预测效果相对强于基于数码影像数据构建的预测模型。

表3 叶片光谱指数对香樟树叶片叶绿素含量的预测性

注：显著性水平p<0.05

2.4 香樟树叶片SPAD可视化

图4 香樟树叶片SPAD可视化分布

随机选取一个叶片样本，利用Arcmap10.1软件中的Fishnet工具，将数码相机采集的香樟树叶片影像划分成39×78的网格(去除非叶片部分，共2061个网格)，基于网格对提取的叶片数码影像所有像素的R、G、B值求取平均值，作为叶片最终的颜色参数，结合上述基于数码影像构建的最佳预测模型，计算出叶片各网格的SPAD值，最终生成香樟树叶片SPAD含量的可视化分布图(图4)。

由图4可以看出，叶片SPAD的预测范围在25.0～45.5之间，其中，除40.1～45.5的SPAD值分布较少以外，其余三类分布范围较大，且较分散，结合叶片数码影像对比分析，造成分布不均匀的原因可能是叶片病虫害所致。图4右侧还可以看到叶脉分布对SPAD值高低和分布的影响(叶脉中心SPAD值低于旁边叶肉SPAD值)。另外，叶片边缘存在少部分SPAD较高的区域，这与实际情况相差较大，其主要原因可能是采集影像时光线反射不均匀。

3 讨论

叶绿素是植物叶片中重要的组成部分，是光合作用的主要参与者。快速、无损地测定叶片叶绿素的分布状况，对掌握植物生长发育实时状况，科学种植和管理，提高作物产量和质量具有重要意义。本文分别使用数码相机和地物光谱仪，从特征波段、光谱指数、颜色参数以及预测性方面比较了二者的优劣性，分析了两种不同传感器对香樟树叶片叶绿素预测的可行性和准确性，并且借助图像处理软件，研究了基于数码影像预测模型的叶片SPAD可视化分布状况，使结果表达形式多样化。

地物光谱仪作为目前普遍使用的高光谱数据采集仪器，其适用性和有效性均较强。在本研究中根据地物光谱仪采集的叶片高光谱数据建模和预测效果，红边波段(720nm附近)和SPAD相关水平最高，说明基于红边的研究仍然是研究叶绿素和高光谱信息关系的主要内容。

数码相机作为目前使用最为普遍的可见光传感器，具有成本低、应用广泛等特点。本文从光谱反射率角度，将数码影像的R、G、B值认为是红、绿、蓝3个光谱宽波段反射光强的量化，通过组合光谱指数确定与SPAD的最佳预测模型，而并没有与HIS颜色模型结合分析，忽视了饱和度等与叶片叶绿素的关系。但是基于数码影像R-B和SPAD建立的预测模型，仍然具有较好的预测效果和准确度，并且，借助图像处理软件实现了香樟树叶片叶绿素含量可视化分布监测，拓展了植物叶绿素监测的表达形式，这表明利用数码相机监测香樟树叶片叶绿素含量的说法具有可行性和有效性。

本研究的实验样本超过400个，其中300个用于建模，100个进行模型验证，较为真实地反映了光谱信息与叶绿素含量之间的关系。但是由于数据采集时光线不均匀等原因，造成预测值与实际值存在部分差异，影响了最终香樟树叶片SPAD分布的结果，因此，在下一步研究中将避免这些误差，并对预测模型进行相关校正以期提高预测精度。虽然地物光谱仪测定叶绿素准确度更高，但高成本是其应用和推广的瓶颈；而普通数码相机虽准确度相对较低，但凭借其廉价、使用方便等优点，在叶片叶绿素含量监测方面具有更好的推广和应用性。

[1] 张金恒，王 珂，王人潮.高光谱评价植被叶绿素含量的研究进展[J].上海交通大学学报(农业科学版)，2003,21(1):74-80.

[2] Buscaglia H J,Varco J J.Early detection of cotton leaf nitrogen status using leaf reflectance [J].Plant Nutr,2002,25: 2067-2080.

[3] 张 文，陈 功，付 薇.施肥水平对草坪叶绿素含量及反射光谱的影响[J].农技服务，2015(9):188-189.

[4] 王 辉，田海清，李 哲，等.基于高光谱的甜菜SPAD值估算研究[J].农机化研究，2016(5): 176-180.

[5] 张永贺，陈文惠，郭乔影，等.桉树叶片光合色素含量高光谱估算模型[J].生态学报，2013,33(3): 0876-0887.

[6] 赵艳茹，余克强，李晓丽，等.基于高光谱成像的南瓜叶片叶绿素分布可视化研究[J].光谱学与光谱分析，2014,34(5):1378-1382.

[7] 邹小波，张小磊，石吉勇，等.基于高光谱图像的黄瓜叶片叶绿素含量分布检测[J].农业工程学报，2014,30(13):169-175.

[8] 王克如，李少昆，王崇桃，等.用机器视觉技术获取棉花叶片叶绿素浓度[J].作物学报，2006,32(1):34-40.

[9] 王方永，王克如，李少昆，等.利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量[J].作物学报，2010,36(11):1981-1989.

[10] 尹占娥.现代遥感导论[M].北京：科学出版社，2008.

(编辑：严佩峰)

Research on Chlorophyll Distribution Visualization of Camphor-tree Leaves Based on Digital Imaging

HU Yang,ZHU Jiao-jiao

(Geography Information and Tourism College,Chuzhou University,Chuzhou 239000,China)

Chlorophyll content is an important indicator of plant growth.This study was to realize the SPAD of visualization and the distribution of the chlorophyll content between color parameters,spectrum and SPAD which depended on multiple quantitative prediction models and image processing software.Comparison and analysis for the fast and nondestructive determination estimation of color parameters,spectrum contents and SPAD were completed through using digital camera and FieldSpec 4 portable ground object spectrometer.Results show that the red wavelength region and the far-red wavelength region at 720 nm are the most sensitive bands for the SPAD of the digital camera and spectrometer.The spectral index can improve the correlation between the spectra and SPAD and the highest level of correlation is the difference in combination of red and blue wavelengths index (R-B and DI).R-B built camphor leaf SPAD prediction model of RMSE is 3.9736,accuracy R2of 0.6197,and DI model on SPAD of predictive ability is higher than R-B,the RMSE is 2.002,and the highest accuracy is (R2=0.7338).To some extent,using camphor leaf SPAD distribution based on digital imaging can effectively describe the leaves chlorophyll,distribution and then judge the growth of the camphor tree.So,the color parameters of the digital camera can monitor the chlorophyll content and distribution of camphor tree leaves.

camphor-tree leaves;SPAD;color parameter;spectral index;visualization

2017-04-07

国家级大学生创新创业训练计划项目(201610377016)；安徽省大学生创新创业训练计划项目(201610377039)；滁州学院大学生创新创业训练计划项目资助(2016CXXL045)。

胡 阳(1995—)，男，安徽池州人，本科，研究方向：林业遥感.

S792.23

A

2095-8978(2017)03-0090-05