[發明專利]一種基于葉片圖像特征的植物養分含量指標定量分析方法

有效

• 申請號: 201010173064.3
• 申請日: 2010-04-16
• 公開（公告）號: CN102072882A
• 公開（公告）日: 2011-05-25
• 發明（設計）人: 姚孝明;袁忠志
• 申請（專利權）人: 姚孝明;袁忠志
• 主分類號: G01N21/25
• 分類號: G01N21/25;G06T7/00
• 代理公司: 海口翔翔專利事務有限公司 46001
• 代理人: 莫臻

技術領域

本發明屬于植物營養學領域，具體涉及一種基于葉片圖像特征的植物養分含量指標定量分析方法，是一種根據植物葉片圖像特征提取其養分含量指標的定量分析方法。

背景技術

根據植物葉片圖像特征分析獲取植物缺素信息為植物栽培精準施肥、產量預測、長勢分析以及營養情況分析等農業生產決策提供支持是近年來發展起來的基于機器視覺的植物營養智能分析方法，其特點是撇開復雜的農化分析過程，簡單地利用植物營養情況與葉片外觀圖像特征的強相關性(線性或非線性農化模型)，通過圖像分析提取相應葉片圖像特征以此得到植物營養情況信息。該技術首先使用圖像采集設備拍攝給定區域的冠層葉片或者具有代表性的指定植物葉片樣本圖像，然后采用圖像分析技術提取圖像外觀特征(如色彩、輪廓形態等)，根據所建立的相應農化模型，得到指定植物營養情況分析結果，農業專家根據分析結果能夠有效地指導農民進行合理施肥。

基于機器視覺的植物營養智能分析方法按照圖像采集的方式可分為兩種類型，即基于區域的航拍(遙感)圖像分析以及基于個體的單張葉片圖像分析，二者的本質差別取決于其核心內容包括農化模型、圖像特征擇用以及圖像處理算法設計等方面的不同。前者特點在于無損檢測，但圖像內容干擾素比較多，只適合于分布密集的較大面積營養情況控制場合；后者則需要挑選具有代表性葉片并且摘下來，其特點在于微損檢測，圖像分析精度高，控制單位可精確到株，適合個體差異大、植物分布稀疏的施肥控制場合。

農化模型的建模方式一般有兩類：1)高光譜分析與葉片色彩關系模型：借助農化分析以及高光譜儀、葉綠素儀等昂貴手段研究，目前已經有大量報道證實，植物葉片的外觀特征(色彩、輪廓形態等)能夠在某種程度上反映植物營養狀況。但是，直接采用高端設備檢測，成本高、周期長、不利于推廣普及。2)非參數(經驗)模型：我國古代就有通過目測方法觀察水稻葉片色彩判斷其營養情況的經驗；上世紀70年代日本曾流行過采用“比色卡”方法來判定水稻營養情況，但這些方法都受觀察者的視覺因素以及比對對象差異影響過大，判斷結果有效性不高。

在圖像特征擇用方面，由于不同植物的外觀差異，目前尚無用以判斷植物營養情況的通用圖像特征集，大量研究成果主要集中在尋找與植物營養情況具有強相關性的色彩分量特征方面，例如，色度分量R、G、B的相對比值或規范化比值等。但是，由于RGB色度空間是設備相關的，采用不同的采集設備，其色彩取值變化差異較大，尤其是，對于同一組葉片樣本集，其色彩變化趨勢不一致，出現比較大的差異，因此難以作為穩健的判據指標，實用性不強。有些研究人員提出采用HSB色度空間，能夠有效排除環境光照影響，色彩特征相對穩健，但難以解決不同圖像采集設備的色度畸變問題。

在圖像處理算法設計方面，一般的步驟是：1)采用圖像分割技術提取葉片區域，其中由于噪聲等因素影響，多數算法需要做濾波平滑預處理以及形態學開閉后處理，尤其是由于環境光線漫反射影響以及成像設備非線性誤差作用，色度畸變相對嚴重，導致后續提取的圖像特征不能正確反映葉片本色；2)對葉片區域處理(提取空域、頻域特征值)，并根據實驗所得強相關性模型，得出營養情況分析結果。可見，營養情況分析結果是否可靠直接取決于色彩特征(有時也包括輪廓形態特征，如缺鋅)提取的魯棒性。

總之，從植物營養情況圖像分析技術的有關國內外科技成果來看，目前使用的植物營養智能分析方法存在以下不足：1)采用某種實驗性的強相關性模型與預設閾值比較直接給出分析結果，由于這種模型對于不同的植物品種其相關度閾值不同而且與環境條件有關，故大多為定性結果；2)色彩畸變未加考慮(有些計算葉片面積的方法，也考慮了輪廓形狀畸變的校正問題，如采用雙面膠粘貼在白紙上或者采用標準區域方塊計算校正參數等)，計算誤差難以控制，檢測魯棒性較差；3)圖像特征選擇缺乏通用性，不同植物品種有不同的強相關參量；4)采集方法沒有明確規定(特殊的圖像采集設置僅一例，可參照文獻Two?new?methods?for?the?estimation?of?leaf?area?usingdigital?photography，International?Journal?of?Agriculture?&Biology，11：397-400，2009)。因此，這些方法不具有通用性，其檢測魯棒性也相對比較弱。

發明內容