引言

葉綠素是植物體進行光合作用?進行第一性生產(chǎn)的重要物質(zhì),葉綠素含量能間接反映植物的生長狀況與光合作用能力;同時,葉片中葉綠素含量及其分布與植物的營養(yǎng)缺素狀況密切相關,因此,植物葉片中葉綠素含量及分布可作為評判植物營養(yǎng)生理狀態(tài)的一個重要指標?常規(guī)的葉綠素測定方法是分光光度計法,但該方法步驟繁瑣,費時費力?

近年來,便攜式葉綠素儀和遙感技術在葉綠素含量的檢測上得到越來越多的關注?盡管這些方法與傳統(tǒng)的葉綠素檢測方法相比具有顯著優(yōu)勢,但也表現(xiàn)出一定的缺陷?高光譜成像技術集光譜分析和圖像處理于一身,現(xiàn)已在軍事?醫(yī)藥和精細農(nóng)業(yè)領域得到了廣泛的應用?由于高光譜成像技術是光譜分析技術和圖像處理技術在技術層面上的融合技術,基于這兩種技術的優(yōu)勢,高光譜成像技術不僅能研究對象的內(nèi)部成分含量,還可對其分布進行可視化分析?本研究以茶樹為研究對象,采集茶樹葉片高光譜圖像數(shù)據(jù),提取相應的光譜特征變量,并與常規(guī)方法檢測得到的葉綠素含量相關聯(lián),建立茶樹葉片葉綠素含量預測模型;最后通過模型估計出葉片上任意像素下的葉綠素含量,通過偽彩手段描述葉片上葉綠素的分布狀況,以便于從圖像角度更直觀分析茶樹營養(yǎng)狀況?

數(shù)據(jù)采集

高光譜圖像數(shù)據(jù)是基于光譜儀的高光譜圖像系統(tǒng)采集得到的?試驗數(shù)據(jù)采集過程中,將茶樹葉片平鋪在白色底板的輸送臺上進行高光譜圖像采集?設定高光譜系統(tǒng)攝相機曝光時間為50ms,輸送裝置的速度為1.25mm·s-1?試驗采用的高光譜攝像頭的圖像分辨率為400×1280,光譜范圍是408~1117nm,采樣間隔為0.67nm?

圖1

2.1 高光譜圖像標定

由于光源的強度分布不均勻及暗電流噪音的存在,造成在光源強度分布較弱的波段下獲得的圖像含有較大的噪音?

因此,需要對所獲得的高光譜圖像進行黑白標定?在與樣品采集相同的系統(tǒng)條件下,掃描標準白色校正板得到全白的標定圖像W,關閉相機快門進行圖像采集得到全黑的標定圖像B,完成高光譜圖像的標定,使采集得到的絕對圖像I變成相對圖像R。

2.2 數(shù)據(jù)計算

表1列出波段比植被指數(shù)(RVI)?歸一化植被指數(shù)(ND-VI)?重規(guī)一化植被指數(shù)(RDVI)?葉綠素吸收比指數(shù)(CARI)?二次土壤調(diào)節(jié)植被指數(shù)(MSAVI2)?三角植被指數(shù)(TVI)和四點線性內(nèi)插法(FPI)等七種不同的高光譜圖像數(shù)據(jù)處理算法?本研究通過這七種算法分別提取相應的特征參數(shù),并與葉綠素參考測量結果進行擬合建立葉綠素含量的回歸模型?試驗以葉綠素含量參考測量值與模型預測值之間的相關系數(shù)(R,如式(2))和均方根誤差(RMSE,如式(3))作為評價各種方法的有效指標?

表1

數(shù)據(jù)分析

3.1 高光譜圖像信息選擇

針對每個樣本的高光譜圖像,為了避開茶樹葉片的主脈,在主葉脈的一側選取一個50*100像素的矩形作為感興趣區(qū)域ROI,如圖2(a)所示?然后再計算該ROI內(nèi)的平均光譜,如圖2(b)所示?從圖2(b)可以看出在450nm以下和850nm以上光譜值超過檢測器的范圍存在能量溢出,并且呈現(xiàn)一定的噪音?另外,葉綠素的吸收光譜主要集中在400~700nm范圍內(nèi)?綜上所述,本研究截取450~850nm范圍內(nèi)的平均光譜進行下一步分析?2.2葉綠素含量參考測定結果葉綠素含量的測定與高光譜圖像的同步采集?采用紫外分光光度計測量法?表2列出了葉綠素含量均值?范圍和標準偏差?

圖2

表2

3.2 預測模型建立及比較

在葉綠素含量預測模型建立前,首先通過RVI,FPI和MSAVI2等七種算法分別提取相應的特征參數(shù),再與葉綠素參考測量結果進行擬合建立葉綠素含量的回歸模型?擬合模型的方程及其校正和預測的結果如表3所示?綜合比較模型預測集中相關系數(shù)(R)與最小均方根誤差RMSE?從表3可以看出,MSAVI2模型預測集中R值最高,RMSE值最低;同時,該模型校正和預測的結果較為接近,因此MSAVI2模型不僅預測精度高,且穩(wěn)定性好?因此MSAVI2模型作為本試驗的最佳模型被用來估計葉綠素含量?

表3

3.3 葉綠素含量分布

預測試驗提取茶樹葉片高光譜三維數(shù)枯塊中任意像素下的光譜信息,將其代入MSAVI2模型估算出該像素的葉綠素含量值?計算出茶樹葉片中每個像素下的葉綠素含量,不同葉綠素含量利用不同的色澤加以描述,以形成一張偽彩圖片如圖3所示?從圖3,葉綠素較均勻的分布在葉脈兩側,葉脈中葉綠素含量低于葉肉中葉綠素含量?葉片首端葉綠素含量高于末端葉綠素含量?由于茶樹葉片本身葉脈較為細密,且表面含有蠟質(zhì)層,再加高光譜圖像本身分辨率等問題,因此該偽彩圖片僅能區(qū)分出其主葉脈分布情況?另外,葉片邊緣藍紫色部分并不僅僅是葉綠素含量的真實估計,其主要是由葉片邊緣起伏造成光反射不均等原因所致?從總體上看,根據(jù)MSAVI2預測模型可以較為準確地估算出葉片表面葉綠素的分布情況?葉片上葉綠素含量的分布研究可以為進一步為分析植物的營養(yǎng)信息服務?

圖3

結論

利用高光譜圖像采集系統(tǒng)獲取茶樹葉片樣本的高光譜圖像信息,選擇指定區(qū)域并提取指定區(qū)域內(nèi)的平均光譜信息?通過RVI?FPI和MSAVI2等7種算法分別提取相應的特征參數(shù),進而同樣本所對應的葉綠素濃度建立擬合模型并比較結果?建模結果表明,MSAVI2預測模型結果最好?利用MSAVI2預測模型計算出茶樹葉片每一像素點下的葉綠素濃度并畫出葉綠素含量分布圖?為進一步利用圖像處理判斷植物的營養(yǎng)素信息提供參考依據(jù)。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃宇