賈彪+馬富裕

摘要：為了探明顏色特征值參數與棉花生長發(fā)育的關系，選用北疆2個棉花主栽品種新陸早43號（XLZ 43）和新陸早48號（XLZ 48）為試驗材料，于2013—2014年開展5個N素水平的小區(qū)試驗，應用高清數碼相機獲取棉花群體冠層圖像，通過數字圖像識別系統(tǒng)提取各處理棉花群體冠層圖像的顏色特征參數值，分析各顏色特征指數在棉花生育進程內的動態(tài)變化。結果表明，基于RGB模型的紅光值（R）、綠光值（G）和基于HIS模型的亮度值（I）能充分反映棉花群體生長發(fā)育規(guī)律，且相關性好，其動態(tài)模擬曲線的函數通式為：y=a-b×ln（x+c）；基于HIS模型的色度值（H），隨不同施N量的增加，擬合參數呈現規(guī)律性變化，且相關性顯著，其動態(tài)曲線滿足通式：y=a+bx+cx2；而模型中藍光值（B）的動態(tài)變化雖然滿足二次函數關系，但不同N素水平間擬合參數值波動性大，規(guī)律不明顯；飽和度值（S）動態(tài)模擬結果不理想，無規(guī)律可循，這說明S值受氮水平影響較小。因此顏色特征指數R、G和I能作為棉花群體監(jiān)測的量化指標。

關鍵詞：棉花；數字圖像；顏色特征指數；生育進程；動態(tài)變化

中圖分類號： S126 文獻標志碼： A

文章編號：1002-1302（2016）09-0344-08

隨著計算機視覺技術和數字圖像分析技術的日新月異，應用數字圖像處理技術分析作物群體顏色特征已步入了農業(yè)信息化的快車道。目前，大量研究集中對作物冠層數字圖像進行分割[1-4]，提取其群體顏色特征參數值[1-4]，通過顏色色彩模型對作物群體特征進行分析[1，3-4]，從而探索利用數字圖像處理技術進行作物長勢監(jiān)測的方法，研究不同群體冠層圖像顏色變化的特征，闡釋農作物整個生育期群體冠層顏色變化規(guī)律，反映農作物長勢情況的潛在指標。這對于基于計算機視覺技術的作物長勢監(jiān)測具有極其重要的意義[1]。近年來，國內外學者運用數碼照相法和數字圖像分割法在作物長勢監(jiān)測與營養(yǎng)狀態(tài)診斷等方面的研究有了突破性進展，主要作物包括油菜[5]、小麥[6-12]、玉米[7，13-16]和水稻[17-18]等。對于棉花作物，通過分割不同滴灌水處理群體圖像研究表明，基于RGB模型的部分顏色特征參數與棉花水分含量間呈指數極顯著相關[2-3]；通過提取不同密度的顏色特征參數紅光值R、綠光值G、藍光值B值，研究發(fā)現其參數值同密度間呈二次函數關系[1]。然而，基于RGB模型對棉花營養(yǎng)指標評價和基于HIS模型對棉花長勢監(jiān)測的突破性研究相對較少，有待于進一步創(chuàng)新。應用數字圖像處理和分析技術可評價田間棉花長勢長相和營養(yǎng)狀況，為基于數碼相機等彩色圖像處理技術在農作物的生長監(jiān)測與營養(yǎng)診斷應用奠定了理論基礎；利用數字圖像分割技術可實時、快速、自動、非破壞性地進行棉花長勢監(jiān)測與診斷，對其生長發(fā)育的季節(jié)性變化進行評估[19]，還可以幫助種植戶適時采取農藝措施（施肥、灌水、中耕以及病蟲害防治等），從而提高棉花產量與品質[19]。本研究的主要目的是探討6組不同顏色特征參數R、G、B值和色度值H、飽和度值S、亮度值I值與不同N素水平棉花群體間的相關性。利用棉花群體特征數字圖像識別系統(tǒng)分析處理已獲取的棉花冠層圖像，提取每一張數字圖像的R、G、B值以及H、S、I值，研究不同N素水平下棉花群體各顏色特征值間的相關性，從而準確反映棉花全生育期內各顏色分量變化規(guī)律。

1 材料與方法

1.1 試驗材料

試驗于2013—2014年在石河子大學農學院田間試驗站（44°20′N，86°3′E）進行，供試品種為新陸早43號（XLZ 43）和新陸早48號（XLZ 48）。2013年4月20日播種，4月30日灌出苗水；2014年4月16日播種，4月21日灌出苗水，留苗密度均為26萬株/hm2左右；采用膜下滴灌法進行灌水。小區(qū)面積66 m2 （20 m×3.3 m），行株距配置為（10 cm+66 cm+10 cm）×10 cm的采摘種植模式。設置5個N水平處理，即：N0（0 kg/hm2，對照）、N1（120 kg/hm2）、N2（240 kg/hm2）、N3（360 kg/hm2）、N4（480 kg/hm2），完全隨機排列，重復3次。各N處理作為追肥隨水施入，各小區(qū)間用防滲帶隔開，獨立滴灌，全生育期灌水11次，灌水總量5 400 m3/hm2，其他管理措施按當地大田高產棉田進行。各試驗小區(qū)播前一次性施基肥P2O5 150 kg/hm2和K2O75 kg/hm2，N肥作為追肥隨滴灌水施入，苗期施10%，蕾期施25%，花期施45%，盛鈴期或吐絮前期施20%。試驗地土壤質地為壤質灰漠土，土壤地力中等。各試驗地土壤營養(yǎng)狀況如表1所示。

1.2 冠層圖像獲取

與試驗過程中葉面積指數（LAI）測量時間同步，2013年和2014年圖像獲取均從現蕾開始，每隔12 d拍攝1次，選用1 220萬像素Canon EOS 450D（Canon Inc.，Japan）數碼照相機獲得棉花冠層圖像。數碼相機安裝在一自制的鋁合金單腳支架上，距地面高度2.20 m，鏡頭與地面垂直拍攝，拍攝時單腳架安置在2.05 m標準寬膜中間位置，標準寬膜可播種6行，即單腳架安裝在第3行位和第4行位中間位置，保證拍攝每1張圖片能獲取6行完整棉株信息。

圖像獲取難免會受環(huán)境因子影響，主要包括天氣變化、光照度等。為確保圖像清晰可靠，根據新疆當地時間選擇拍攝時段（北京時間12：00—14：00），天氣狀況良好，無風、無云或風速較小的晴空，圖像分辨率為4 272×2 848像素，存儲格式為JPEG格式。

1.3 顏色參數值提取

將獲取的棉花群體冠層圖像傳輸到計算機，通過數字圖像識別系統(tǒng)將圖像進行分割（圖1），數字圖像識別系統(tǒng)是基于Microsoft Visual Studio.NET平臺，運用Visual C++和Matlab 軟件編寫代碼，提取RGB模型和HIS模型顏色空間對應的顏色參數值[20-21]。

1.4 數據分析

本研究采用SPSS 17.0 （SPSS Inc.，Chicago，USA）進行數據分析與處理，運用Origin Pro 8.5 （Origin Lab.，USA）進行數據擬合與作圖，選用決定系數（R2）判斷數據擬合的優(yōu)劣[22]。

2 結果與分析

2.1 基于RGB模型下不同N處理棉花群體數字圖像特征

由圖2和圖3可以看出，在棉花整個生育期內，顏色特征指數R和G動態(tài)變化相似，受施N量不同影響顯著，2品種變化結果遵循一個普遍規(guī)律，隨著出苗后天數的增加，R值和G值呈現先快速增加后緩慢增加的狀態(tài)。即從苗期到蕾期均呈現快速增加，從花期、結鈴期到吐絮期緩慢增長。運用Origin8.5對顏色特征指數R值和G值進行擬合，模擬結果表明，各處理棉花群體圖像的R值和G值均表現為對數函數曲線，其模擬方程式為：y=a-b×ln（x+c）。

由曲線模擬結果（表2）可知，在棉花全生育期內，不同氮素水平的顏色指數值R和G均呈對數函數關系，且擬合度較高，均達到了顯著水平，R2>0.705，這充分反映在棉花整個生育期內所需的氮肥量由當季土壤氮素提供。將模擬方程相對應參數a、b和c進行比較，研究結果發(fā)現，隨施N量不同，參數a、b值有規(guī)律地減小；但參數c值隨著施N量的增加變化規(guī)律不明顯。由此可見，不同施N量主要影響參數a、b的改變，進而影響顏色指數值R和G變化。

由圖4動態(tài)變化可以看出，在棉花的整個生長發(fā)育進程中，顏色特征指數B受施N素水平影響顯著，但動態(tài)變化規(guī)律不同于R和G，應用Origin 8.5對B值進行擬合，模擬結果表明，不同氮素處理棉花群體圖像B值均表現為開口向下的二次函數曲線變化趨勢，模擬方程式為：y=a+bx+cx2。

顏色特征指數值B二次函數曲線模擬結果（表3）表明，在棉花整個生育期內，5個氮素水平擬合度相對較高，達到了顯著水平或極顯著水平，R2>0.727。但將各模擬方程對應的參數a、b、c值進行分析比較發(fā)現，不同施N量間，參數a、b、c值隨著施N量的增加變化規(guī)律不明顯，這說明不同N素水平棉花冠層顏色特征指數B所呈現出的二次函數曲線不能準確反映其動態(tài)變化規(guī)律，可能是由于棉花葉片反射的藍色顏色特征指數值極少，從而導致B值變化規(guī)律不明顯。這充分說明應用RGB模型進行棉花長勢監(jiān)測時，顏色特征指數B不能準確評判施N量不同帶來的影響，不能用B值進行棉花長勢監(jiān)測與N素評價，因此B值不能作為評判棉花群體顏色動態(tài)變化特征的指標變量。

2.2 基于HIS模型下不同N處理棉花群體數字圖像特征

由圖5動態(tài)變化趨勢可以看出，在棉花整個生育期內，對于亮度值I變化規(guī)律類似于RGB模型中顏色特征指數R和G，且不同N素水平下2品種XLZ 43和XLZ 48遵循一定的變化規(guī)律。同理，運用Origin 8.5對I值進行模擬，模擬結果表明，5個氮素水平處理棉花群體圖像I值均表現為開口向下的對數函數曲線，其模擬方程通式為：y=a-b×ln（x+c）。

由表4可見，各氮素水平模型擬合度較高，R2>0.778。將亮度值I模擬方程相對應參數a、b、c值進行比較，結果類似于R值和G值各參數變化規(guī)律，不同施N量間，隨施N量的增加，參數a、b值呈規(guī)律性減小，參數c值變化幅度不明顯。

由圖6可以看出，在棉花整個生育期內，不同N素水平顯著影響棉花色度色調值H的變化，運用Origin 8.5對H值進行模擬，模擬結果表明，各處理棉花群體圖像的H值均為開口向上的二次函數曲線變化，其模擬方程通式為：y=a+bx+cx2。

由圖7可以看出，在棉花整個生育期內，不同N素水平對棉花冠層圖像飽和度值S的影響無明顯規(guī)律，波動性大，無規(guī)律可循，且各施N處理間差異不顯著。

由表5可以看出，不同氮素水平的色度色調值H，在棉花生長全生育期內均滿足二次函數關系，且5個氮素水平相關性和擬合度相對較高，也達到了顯著水平或極顯著水平，R2>0.504，將各函數對應的參數a、b、c值進行比較，結果發(fā)現，不同施N量間參數a、b、c值隨著施N量的增加，變化幅度不明顯；對于飽和度S運用二次函數進行模擬，結果表明，在棉花整個生育期內，5個氮素水平S值各參數擬合度偏低，R2最大值為0.292，且各N素處理間均未達到顯著水平， 將模擬的參數值進行分析比較發(fā)現，參數值a、b、c值無任何規(guī)律，失去統(tǒng)計學意義。因此色調值H和飽和度值S無法反映棉花生長的生物學意義。

3 結論與討論

本研究采用高清數碼相機獲取棉花冠層圖像，運用Microsoft Visual Studio.NET平臺、Visual C++和Matlab軟件編寫代碼，提取了不同施N水平下棉花冠層圖像顏色參數動態(tài)變化特征，探討了各顏色特征參數在棉花生育進程內的動態(tài)變化，分析了基于RGB模型[23]和HIS模型[24-25]的顏色參數值對棉花群體冠層圖像顏色特征的影響。研究結果表明，基于RGB模型的R值和G值和基于HIS模型的I值能充分反映棉花生長發(fā)育規(guī)律，其動態(tài)模擬曲線的函數通式為y=a-b×ln（x+c），且相關性顯著，精確度高，能作為棉花生長監(jiān)測與診斷的量化指標。

棉花的生長環(huán)境和生長條件不同，其植株表現出的顏色特征就不同[26]。本研究表明，施N量不同，棉株冠層各部位表現出的顏色特征就不同，應用圖像識別系統(tǒng)提取的顏色參數R、G、B值和H、S、I值也不同（圖1）。這說明棉株冠層顏

色特征參數值的規(guī)律性變化由棉花生長過程中的葉片數量、葉片大小、株高、葉傾角及棉鈴數等多個綠色體反射光決定。

本研究發(fā)現，基于顏色參數R和G擬合的動態(tài)曲線具有規(guī)律性的變化（圖2、圖3），但參數B擬合曲線波動性大（圖4），與孫恩紅等的研究結果[4，27-28]相類似。這充分表明了棉花冠層綠色體、土壤等的反射和吸收水平；而基于顏色參數H、S、I值的動態(tài)分析表明，亮度值I動態(tài)變化規(guī)律類似于R和G值（圖5、表4），飽和度值S變化沒有規(guī)律可循[17，29]。這充分說明HIS模型中I值反映顏色參數各波長的總能量，受拍攝環(huán)境、光源和光照度等因子的影響，所以試驗拍攝過程選擇晴天正午時分，環(huán)境條件誤差小，從而減少了數字圖片獲取誤差；S值反映彩色的濃淡與飽和度，受外界環(huán)境因素影響非常大，在拍攝過程中受光照、天氣等多種影響因子的干擾比較明顯，變化幅度較大，因而失去其統(tǒng)計學與生物學意義。

近年來，3D數碼相機和無人機技術的發(fā)展日新月異，若大力發(fā)展近、遠距離的無人機對棉花冠層進行圖像采集、圖像處理和生長檢測與診斷，且不斷提升檢測設備的光學精確度與敏感度，將會使新疆超高產棉花的生產管理和數字化、信息化有一個全新的技術創(chuàng)新與突破。

參考文獻：

[1]李亞兵，毛樹春，韓迎春，等. 不同棉花群體冠層數字圖像顏色變化特征研究[J]. 棉花學報，2012，24（6）：541-547.

[2]王方永，王克如，王崇桃，等. 基于圖像識別的棉花水分狀況診斷研究[J]. 石河子大學學報：自然科學版，2007，25（4）：404-407.

[3]王方永，王克如，李少昆，等. 利用數字圖像估測棉花葉面積指數[J]. 生態(tài)學報，2011，31（11）：3090-3100.

[4]雷詠雯，王 娟，李 艷，等. 圖像分析在大田作物生長監(jiān)測中的應用進展[J]. 新疆農業(yè)科學，2006，43（3）：213-217.

[5]Behrens T，Diepenbrock W. Using digital image analysis to describe canopies of winter oilseed rape during vegetative developmental stages[J]. Journal of Agronomy and Crop Science，2006，192（4）：295-302.

[6]Li Q Q，Dong B D，Qiao Y Z，et al. Root growth，available soil water，and water-use efficiency of winter wheat under different irrigationregimes applied at different growth stages in North China[J].Agriculture Water Management，2010，97（10）：1676-1682.

[7]Raun W R，Solie J B，Taylor R K，et al. Ramp calibration strip technology for determining midseason nitrogen rates in corn and wheat[J]. Agronomy Journal，2008，100（4）：1088-1093.

[8]Mayfield A H，Trengove S P. Grain yield and protein responses in wheat using the N-sensor for variable rate N application[J]. Crop and Pasture Science，2009，60（9）：818-823.

[9]Pan G，Li F M，Sun G J. Digital camera based measurement of crop cover for wheat yield prediction[C]. IEEE International，2007：797-800.

[10]Chen X P，Zhang F S，Rmheld V，et al. Synchronizing N supply from soil and fertilizer and N demand of winter wheat by an improved Nmin method[J]. Nutrient Cycling in Agroecosystems，2006，74（2）：91-98.

[11]Jia L L，Chen X P，Li M Z，et al. Optimum nitrogen fertilization of winter wheat based on color digital camera image[J]. Communications in Soil Science and Plant Analysis，2007，38（11/12）：1385-1394.

[12]Jia L L，Chen X P，Zhang F S，et al. Use of digital camera to assess nitrogen status of winter wheat in the northern china plain[J].Journal of Plant Nutrition，2004，27（3）：441-450.

[13]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013（174）：65-84.

[14]Toshihiro S，Anatoly A，Gitelson B D，et al. Application of day and night digital photographs for estimating maize biophysical characteristics[J]. Precision Agriculture，2012，13（2）：285-301.

[15]Wang Y，Wang D J，Shi P H，et al. Leaf nitrogen concentration with a digital still color camera under natural light[J]. AgronomyJournal，2014，103（2）：529-535.

[16]Graeff S，Claupein W. Quantifying nitrogen status of corn （Zea mays L.） in the field by reflectance measurements[J]. European Journal of Agronomy，2003，19（4）：611-618.

[17]祝錦霞，鄧勁松，林芬芳，等. 水稻氮素機器視覺診斷最佳葉位和位點的選擇研究[J]. 農業(yè)機械學報，2010，41（4）：179-183.

[18]Wang Y，Wang D J，Zhang G，et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research，2013（149）：33-39.

[19]Sui R X，Thomasson J A，Hanksb J，et al. Ground-based sensing system for weed mapping in cotton[J]. Computers and Electronics in Agriculture，2008，60（1）：31-38.

[20]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L*a*b* color space[J].Computers andElectronics in Agriculture，2013（99）：21-34.

[21]Guijarro M，Pajares G，Riomoros I，et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers andElectronics in Agriculture，2011，75（1）：75-83.

[22]蓋鈞鎰. 試驗統(tǒng)計方法[M]. 北京：中國農業(yè)出版社，2000：175-190.

[23]齊國紅，張云龍，張晴晴. 基于作物病害葉片顏色的病斑提取方法[J]. 江蘇農業(yè)科學，2014，42（12）：434-436.

[24]夏永泉，李耀斌，曾 莎. 基于HSI顏色空間的植物葉片病斑提取方法[J]. 江蘇農業(yè)科學，2015，43（8）：406-408.

[25]田 昊，王維新，畢新勝，等. 基于圖像處理的機采棉雜質提取算法[J]. 江蘇農業(yè)科學，2014，42（1）：366-368.

[26]Jia B，He H B，Ma F Y，et al. Use of a digital camera to monitor the growth and N status of cotton[J/OL]. The Scientific World Journal，2014-02-27[2015-08-10]. http：//dx.doi.org/10.1155/2014/602647.

[27]孫恩紅. 基于數字圖像的棉花群體光合有效射的時空分布[D]. 北京：中國農業(yè)科學院，2012.

[28]顧 清，鄧勁松，陸 超，等. 基于光譜和形狀特征的水稻掃描葉片氮素營養(yǎng)診斷[J]. 農業(yè)機械學報，2012，43（8）：170-174.

[29]孫 紅，孫 明，王一鳴. 植物生長機器視覺無損測量研究綜述[J]. 農業(yè)機械學報，2006，37（10）：181-185.