基于小麦冠层近地多光谱图像的叶绿素(SPAD值)估测方法

选择山东省泰安市山东农业大学实验田为研究区,利用ADC便携式多光谱相机和SPAD-502叶绿素计采集该区泰农18和山农15两个品种小麦越冬期、返青期、起身期冠层近地多光谱图像和SPAD值,构建不同生育期小麦的归一化植被指数(NDVI)与SPAD值的线性、对数、乘幂、指数、二次函数5种模型,进而优选小麦叶绿素含量最佳估测模型。结果显示:泰农18和山农15两个小麦品种不同时期的SPAD值与NDVI值均具有极显著相关关系(P0.01),相关系数在0.797~0.915之间;泰农18小麦冠层SPAD值估测最佳模型为y=68.585x0.5841,山农15小麦冠层SPAD值估测最佳模型为y=124.4x~2+23.212x+44.973。该研究探索了基于近地多光谱数据的小麦叶绿素含量估测方法,为小麦叶绿素含量估测及营养诊断提供了一种快速有效的技术方法。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

基于高光谱的小麦冠层叶绿素(SPAD值)估测模型

选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。     

烤烟叶片叶绿素含量与颜色特征的关系

利用图像处理技术提取不同成熟时期烟叶的叶绿素含量,采用线性拟合和回归分析方法,建立了烟叶成熟期叶绿素含量估算模型,并对其精度进行了评价和验证.结果表明,RGB颜色系统的B/(R G),色度坐标b可以作为叶绿素含量估算的主要颜色特征参数,叶绿素含量的模拟值与实测值均呈极显著正相关,相关系数均达到0.767以上.     

渍害胁迫下基于数字图像的小麦叶绿素估算研究

通过田间试验分析了16种常用图像特征指数在不同受渍时长下的变化特征及其与小麦叶绿素的相关关系,并建立了基于图像特征指数衰减量的小麦叶绿素灾损估算模型。结果显示,红光(R)、红光标准化值(NRI)、绿-红差值指数(GMR)、超红指数(EXR)、植被颜色指数(CIVE)、Woebbecke指数(WI)随渍水时间的增加极显著上升,而绿光标准化值(NGI)、归一化绿红差值指数(NGRDI)、超绿指数(EXG)、绿红比值指数(GRVI)则极显著下降;且这10个图像特征指数均与小麦叶绿素呈极显著的相关关系,相关系数的最大绝对值达到0.98;基于图像指数衰减量建立的叶绿素减少量的估算模型均以二次多项式为最优模型,且以NGRDI、CIVE、EXG、NGI和GRVI指数衰减量构建的估算模型精度较高,R2均达到0.99以上。由此可以看出,基于数字图像技术可以有效估算小麦叶绿素含量,进行小麦渍害监测,且NGRDI、CIVE、EXG、NGI和GRVI可作为灾损图像指数来反映小麦叶绿素的受渍程度。     

基于图像处理的小麦种植密度估算研究

利用图像处理技术分析小麦图像的颜色特征,并提出叶片盖度(LCD)参数;通过小麦种植密度与不同参数之间的相关性分析,建立基于不同参数的预测模型。结果表明:以绿光标准化值(NDIG)和LCD结合的多元逐步回归模型优于其他单变量模型以及混合模型,可以作为小麦种植密度的定量估算模型。使用实测数据对模型进行验证,R~2为0.896 1,达到极显著水平。结果说明该方法可行,可为小麦生长前期种植密度的快速、精确检测提供依据。     

利用3S技术定量估测张家港市2005—2008年小麦生产力

为了科学准确地、动态地大面积估测江苏省张家港市小麦的生产力,利用TM和IRS-P6遥感影像,采用NDVI值比较区分法,应用3S技术对张家港市2005—2008年小麦的生产力变化进行了动态估测。结果表明,遥感估测张家港市2005—2008年小麦平均种植面积的精度结果为97%以上;小麦平均产量精度结果为93.55%;利用3S技术进行张家港市小麦总产遥感估测值与地面统计值差异低于8%;遥感估测张家港市小麦总产量呈逐年上升的趋势,而耕作面积相对稳定。总之,基于近4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型,可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大。     

基于无人机RGB图像颜色及纹理特征指数的小麦产量预测

利用无人机获取小麦孕穗期和开花期的RGB图像,通过图像处理获取小麦图像颜色指数和纹理特征指数,并在小麦收获后测定实际产量.通过分析各颜色指数、纹理特征指数与小麦产量之间的相关性,筛选出各生育期与小麦产量相关性最高的颜色指数和纹理特征指数,建立小麦产量预测模型并进行验证.结果表明:小麦孕穗期和开花期图像颜色指数与产量相关性均较好,纹理特征指数与产量相关性不够理想.孕穗期与产量相关性最高的颜色指数为VARI,相关系数达0.862,利用单一颜色指数VARI构建小麦产量预测模型验证的决定系数(R2)为0.725,模拟均方根误差(RMSE)为494.52 kg·hm-2;开花期与产量相关性最高的颜色指数为ExR,相关系数为-0.851,利用单一颜色指数ExR构建小麦产量预测模型验证的R2为0.709 2,模拟RMSE为499.72 kg·hm-2;使用孕穗期颜色指数VARI和纹理特征指数CON相结合构建的产量预测模型验证得到R2和RMSE分别为0.740 6和489.19 kg·hm-2,较单一颜色指数模型分别提升2.15％和减小1.08％.使用开花期颜色指数ExR和纹理特征指数ASM相结合构建的产量预测模型验证得到R2和RMSE分别为0.735 4和491.24 kg·hm-2,较单一颜色指数模型分别提升3.69％和减小1.70％.上述结果说明,用无人机图像颜色指数可以建立有效的产量估测模型,将颜色指数和纹理特征指数相结合建立的估产模型较单一颜色指数建立的模型精度高.     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

基于图像处理的玉米叶色分级及其与光合性状的相关性分析

以67份辽宁省玉米骨干自交系为材料,利用图像处理技术提取叶片颜色特征值,构建叶色分级系统,并对颜色特征值与玉米叶片叶绿素含量及光合速率进行相关性分析,建立回归模型.结果表明:综合全部颜色特征值,可将67份玉米自交系叶色划分为6个等级;GB组合可以使其与叶绿素含量间的相关性提高;G/B、G-B、2G-R-B、(G-B)/(G+B)、b、b*与叶绿素含量呈显著相关,G-B模型预测的误差值最小,为13.48％.颜色特征值G-B可作为基于图像处理测定玉米叶绿素含量的最佳预测指标,其所预测的叶绿素a、b、a+b含量模型分别为:y=-0.201x+9.549,y=-0.062x+3.143,y=-0.263x+12.692.     

计算机辅助小麦图像识别应用中颜色特征基本参量的表达

在计算机辅助图像处理中，运用颜色特征进行图像的分类和识别是简便而有效的一种方法。然而，颜色特征的表达和提取是否准确、合理直接决定着分类和识别的可靠性。本文在重点分析RGB、HIS和L*a*b*三种常用颜色模式基本参量含义及相互间关系的基础上，结合小麦图像自身的特点，通过对30幅小麦图像在三种颜色模式下的9个基本参量进行主成分分析，建立了应用于小麦图像识别的颜色特征基本参量表达式，并对这三种颜色模式的9个基本参量进行了分类，提出了确定而有意义的表征小麦颜色特征的主成分指标。结果如下：基于第一主成分的分类指标综合表达出小麦冠层的亮绿色特点，分类结果具有较高的准确性和可靠性；第二主成分指标主要表达小麦冠层黄绿颜色变化的特点，能够形成连续的量化指标空间。第三主成分指标主要表达小麦正常绿色的情况，在图像获取亮度差异较小时可以进行小麦正常绿色值的评价。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

利用"3S"技术估测张家港市主要农作物生产力

为了科学、准确地估测和预报江苏省张家港市农作物的生产力,为政府进行农业科学决策提供及时、准确、动态的农作物生产力信息,利用2005-2008年获取的TM和IRS-P6遥感影像,应用"3S"技术对张家港市主要农作物的生产力变化进行了动态估测和预报.张家港市遥感估测农作物种植面积的精度结果为,小麦平均96.49%,水稻平均92.79%以上;估测农作物产量精度结果为,小麦平均92.46%,水稻平均94.98%以上;利用"3S"技术进行张家港市小麦和水稻总产遥感估测值与地面统计值差异低于10%;利用构建的4年遥感估产模型,进行张家港市主要农作物产量预报,预计全市2013年小麦产量突破12万t,2016年水稻产量突破17万t.     

基于超像素分割的田间小麦穗数统计方法

【目的】 小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】 本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法（simple linear iterative cluster,SLIC）对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮（0）、低氮（1/2常规施氮量）、正常氮（常规施氮量）、高氮（2倍的常规施氮量）4个氮水平麦穗统计结果。【结果】 （1）利用超绿值（E_g）和归一化红绿指数（D_gr）作为分类特征可以有效地识别麦穗、土壤和叶片;（2）相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;（3）经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结果】 在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

净套作下大豆叶绿素密度动态及光谱估测研究

【目的】利用高光谱数据构建一种适合于净作和套作群体的大豆叶绿素密度光谱估测通用模型,为监测以叶绿素密度为参数的净、套作大豆长势提供支撑。【方法】以南豆12为供试大豆品种,设计净作和套作2种种植模式,测定净、套作下大豆不同生育时期叶绿素密度及其冠层光谱特征,对通过原始、全波段导数光谱和多波段组合计算的植被指数与叶绿素密度进行相关性分析,比较不同高光谱特征参数与叶绿素密度之间的关系,借助高光谱遥感分析方法构建适合于净、套作下大豆叶绿素密度的估测模型。【结果】净作和套作大豆叶绿素密度在整个生育期呈先上升后下降的单峰曲线,在结荚期达到最大值,其中净作比套作平均高5.5%。同样,大豆冠层光谱反射率在近红外波段(700~1 000nm)也呈现先增后降趋势,结荚期最高,达到70%,并在结荚期之前红边位置出现红移现象。原始光谱自由组合的比值植被指数RVI(507/697)与叶绿素密度的相关性最高,相关系数大于0.962(P0.01)。对净、套作下大豆叶绿素密度模型进行比较分析,发现二次模型能够较好地估测净、套作下大豆叶绿素密度(R20.75,RMSE=0.25)。【结论】用比值植被指数RVI(507/697)构建的叶绿素密度二次估测模型,能够较好地对净、套作下大豆叶绿素密度进行估测。     

葡萄叶片叶绿素含量高光谱估测模型研究

针对传统方法测定叶绿素含量存在的不足,采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型,即SPAD=59.352+44836.313R'601,其中R'601为601 nm波段原始光谱反射率一阶导数。     

基于图像特征的小麦胚芽鞘识别

利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。     

板材图像识别中颜色特征参数的提取

简述了彩色图像处理技术中颜色模型的选择,介绍了用来表征颜色的特征量含义,提取东北常见4个树种表面颜色特征参数值,并对各参数值进行了比较分析。按颜色参数用自组织竞争神经网络进行了分类,取得了比较好的分类效果。