无损式估测植物叶绿素含量及分布的可视化方法与流程

1.本发明涉及图像分析处理领域，具体涉及一种无损式估测植物叶绿素含量及分布的可视化方法。


背景技术：

2.叶绿素是高等植物体内的色素且是植物生理研讨中的重要依据，叶绿素的含量指示了植物的生长和健康状况，在植物光合作用中起着重要的作用，为植物的生长发育提供能量。氮是叶绿素的组成元素，在植物生长过程中，叶绿素含量与植株的氮含量密切相关，氮含量过高或者过低对植株的生长过程都存在一定的影响。叶绿素能够间接反映出植株的氮素含量水平，利用对叶绿素含量的快速可视化可在植株肉眼可见胁迫症状出现前进行氮缺乏、氮过量的营养早期诊断，实现植株的生长监测与长势评判，进而为确定、调整栽培管理措施提供技术指导，因此快速估测并直观显示叶绿素含量有着重要意义。
3.在植物生长过程中，当胁迫发生时，植物的生理生化表型参数已经发生变化，但受到胁迫时长、胁迫程度和植物抗性影响，植物在外表上并无明显的差异与改变，所以单凭肉眼很难观测到植物因受到胁迫所发生的变化。叶绿素是植物光合作用的探针，测定植物叶绿素含量对了解植物是否在正常生长和判断是否在遭受胁迫的影响有着重要的指导作用。伴随着大规模、高精度、快速化监测植物生长状况的需求，出现了很多测定植物叶绿素含量的方法。
4.传统的测定叶绿素的方法主要有分光光度法和叶绿素测量仪法等。
5.使用分光光度法时，取新鲜(或烘干)的植物叶片，剪碎(去掉中脉)，混匀放入研钵中，加入80％丙酮、碳酸钙和石英砂，研磨成匀浆，再加80％丙酮，将匀浆转入离心管离心，取浸提液后，用可见光分光光度计比色，测定663nm、645nm、652nm波长处的吸光值，用80％的丙酮做参比。按公式计算叶绿素a、叶绿素b，并计算得出叶绿素总含量(a b)。但使用分光光度法测定叶绿素含量时存在破坏植物生长，检测流程多、周期长等问题。
6.叶绿素测量仪是通过测量叶片在两种波长光学浓度差方式650nm和940nm来确定叶片当前叶绿素的相对数量。使用叶绿素测量仪法时，利用叶绿素含量测定仪如spad
‑
502夹取植物叶片上的一点，测量出该点的spad值，用该值表示目前叶片中的叶绿素含量。在使用叶绿素测量仪测定叶绿素含量时，由于叶绿素测量仪的测量头要确保采样叶片完全覆盖接收窗，且夹持一定的采样面积(2mm*3mm)、叶片不厚(最大厚度1.2mm)，才可进行测量，因此叶绿素测量仪法在应用上普适性较差，难以测量一些细小叶片的叶绿素含量，也较易出现因人工操作不当而引起的误差过大等问题。
7.叶绿素荧光仪是一种用于生物学领域的分析仪器，利用叶绿素的荧光现象，采用极高灵敏度和反应速度的传感器，辅以光电脉冲设计来捕获电子传递过程中的各时段上的荧光数据，继而可以测定叶绿素含量。但叶绿素荧光仪设备昂贵，使用上不具有广泛性。使用叶绿素荧光仪测定叶绿素含量过程中，需要从生长的植物上摘取叶片，且需要对叶片进行较长时间的暗处理后才可以进行测定。所以叶绿素荧光仪还是存在破坏植物生长、检测
过程繁琐、检测周期长等问题。
8.综上可见，传统的叶绿素含量测定方法只能以折断、摘离、切割等方式将叶片与植物分割离体进行破坏性测量，无法对同一株植株进行连续测量。而植物的生长是一个复杂的、连续的动态过程，受基因及环境的共同调控，这就要求对整株植物的各个生长阶段的叶绿素含量进行分析，以解析表型性状形成的遗传控制的时间变化模式。
9.近年来，数字图像技术为植物叶绿素含量检测提供了新的方向与手段，目前也有利用可见光相机采集植物叶片图像、通过图像分析继而进行叶绿素含量分析的方法。但现在利用采集植物叶片图像进行叶绿素含量分析的工作大多需要从生长的植物上摘取叶片，将单片叶片放置到可见光相机镜头下方采集图像后，再通过对图像的分析处理进行叶绿素含量的分析。此种方法不可避免的会对植物的生长或者叶片造成不可逆转的破坏，无法估测在摘取叶片后是否会因离体、时间、环境等因素而造成叶绿素含量的变化，也无法实现整株植物的叶绿素含量冠层的可视化分布。
10.因此，非破坏性、客观准确、高分辨率、自动高效的无损式在体叶绿素测量技术的需求日益明显，利用可见光相机采集的整株图像直观反映叶绿素含量变化从而监测到叶绿素含量的改变，研究通过整株植物图像色彩参数估测分析叶绿素含量有着重要意义。


技术实现要素：

11.本发明所要解决的技术问题是针对传统测量植株叶绿素含量时过程繁琐、处理规模小、只针对单片叶片、破坏性强、结果不直观等问题，提供一种非破坏性、客观准确、高分辨率、自动高效的无损式估测植物叶绿素含量及分布的可视化方法，本无损式估测植物叶绿素含量及分布的可视化方法无需破坏植株，通过分析处理可见光相机采集到的植株图像，对叶绿素含量进行可视化显示，易于观测植物在生长过程中叶绿素含量的变化。
12.为实现上述技术目的，本发明采取的技术方案为：
13.一种无损式估测植物叶绿素含量及分布的可视化方法，包括以下步骤：
14.(1)、利用可见光相机拍摄植株，采集到完整的植株图像；
15.(2)、从完整的植株图像中提取主枝区域纯植物部分的图像；
16.(3)、对步骤(2)提取的图像进行分层；
17.(4)、利用叶绿素测量仪分别测定每层中所有叶片的spad(soil and plant analyzer development)值，分别计算每层中所有叶片的spad平均值；
18.(5)、利用颜色分析方法并结合每层中所有叶片的spad平均值建立叶绿素含量的最佳回归模型；
19.(6)、利用叶绿素含量的最佳回归模型对叶绿素含量进行估测并对叶绿素含量进行可视化。
20.作为本发明进一步改进的技术方案，所述的步骤(2)具体包括：
21.(2.1)、使用目标检测算法识别完整的植株图像进而识别出植株的所有分枝，以矩形框框选目标部分，计算每个矩形框的高度，将其中高度最大的矩形框作为植株的主枝区域，将主枝区域分割出来；
22.(2.2)通过目标检测算法并利用g通道的阈值从主枝区域纯植物部分中提取感兴趣区域，并使用最大连通域的方法生成主枝区域纯植物部分的掩模，以去除环境背景对提
取色彩因子的影响。
23.作为本发明进一步改进的技术方案，所述的步骤(3)具体包括：
24.将步骤(2)提取的图像划分为上层、中层和下层，根据植株的主枝区域高度来判定上层、中层和下层的划分比例。
25.作为本发明进一步改进的技术方案，所述的步骤(4)具体包括：
26.利用叶绿素测量仪分别测定上层、中层和下层所有叶片的spad值，计算上层所有叶片的spad平均值，计算中层所有叶片的spad平均值，计算下层所有叶片的spad平均值。
27.作为本发明进一步改进的技术方案，所述的步骤(5)具体包括：
28.(5.1)将步骤(2)提取的图像分别转换到色彩空间rgb(red,green,blue，红色、绿色、蓝色)、hsv(hue,saturation,value，色调、饱和度、明度)和la*b*(lightness,a
‑
star,b
‑
star，亮度、从绿色到红色的分量、从蓝色到黄色的分量)，分别计算上层、中层和下层图像中每个像素点的色彩因子的参数值，所述色彩因子包括r、g、b、g*g、h、s、v、l、a、b；
29.(5.2)计算上层图像中所有像素点的每个色彩因子的参数平均值；计算中层图像中所有像素点的每个色彩因子的参数平均值；计算下层图像中所有像素点的每个色彩因子的参数平均值；
30.(5.3)将多个色彩因子随机组合，建立多组色彩因子组合模型，将每层图像中色彩因子的参数平均值和每层所有叶片的spad平均值作为训练数据集，分别训练多组色彩因子组合模型，得到多组训练好的色彩因子组合模型，即多组叶绿素含量的回归模型；
31.(5.4)以均方根误差rmse和决定系数r2为指标，评价多组训练好的叶绿素含量的回归模型的拟合性能并确定最佳拟合性能的叶绿素含量的回归模型，即叶绿素含量的最佳回归模型。
32.作为本发明进一步改进的技术方案，所述的步骤(5)中的叶绿素含量的最佳回归模型为：
33.y＝
‑
8.51*lg(g) 11.68*r
‑
26.48*g 18.30*b 2.81*g/r 3.85*g/b 40；
34.其中y为叶绿素含量的最佳回归模型估测的叶绿素含量。
35.作为本发明进一步改进的技术方案，所述的步骤(6)包括：
36.(6.1)、按照步骤(1)和步骤(2)的方法对待测的植株图像进行采集以及图像处理；
37.(6.2)将处理后的图像拆分为红、绿、蓝三个通道，得到每个像素点的r、g、b值，计算每个非0像素点的lg(g)、与对所有像素点做标准化，计算标准化后的多个色彩因子参数值，代入叶绿素含量的最佳回归模型中，得到一张代表spad拟合值的灰度图，将spad的拟合值在像素点区间放大并转换为colormap_jet色度的伪彩色图像，进而实现叶绿素含量的可视化。在整个伪彩色图像中，包含蓝
‑
绿
‑
黄
‑
红等不同颜色且由深到浅的渐变范围。其中红色代表叶绿素含量高的区域、浅绿与浅黄色代表叶绿素含量中等的区域、蓝色代表叶绿素含量低的区域。最终做到把叶绿素含量的数据转换成直观的图形或图像在屏幕上显示出来，实现叶绿素含量在整个植物平面上的可视化。
38.本发明利用可见光相机采集植株图像，使用图像处理算法研究叶绿素含量在整株
植物中的分布，建立叶绿素含量最佳估算模型并进行可视化，得到直观显示植株上叶绿素含量分布的图像，通过叶绿素含量从而对植株的光合作用进行评判，可观测到肉眼难以识别的植株叶绿素含量的改变。另外，在植物生长过程中，叶绿素含量与植株的氮含量密切相关，氮含量过高或者过低，对植株的生长过程都存在一定的影响。叶绿素能够间接显示植株的氮素含量水平，利用对叶绿素含量的快速可视化可在植株肉眼可见胁迫症状出现前进行氮缺乏、氮过量的营养早期诊断，实现植株的生长监测与长势评判，进而为确定、调整栽培管理措施提供技术指导。
39.本发明的有益效果为：
40.可见光相机成本低可广泛应用，采集图像过程简单，不需要对植物进行破坏性取样。对采集到的植株图像利用计算机图形学和图像处理技术，将复杂、冗多的叶绿素含量的数据转换成直观的图形或图像在屏幕上显示出来，更加直观，实现了叶绿素含量在整株植物分布的可视化，为植物的生长过程中提供一种无损式估测植物叶绿素含量及分布的可视化分析方法。
附图说明
41.图1为本发明的方法流程图。
42.图2为可见光相机采集到的植物原始图，从左到右依次为对照组、低肥组、高肥组、过肥组。
43.图3为图2的灰度图。
44.图4为枝干形态结构表型参数识别效果示意图。
45.图5为图4的灰度图。
46.图6中(a)为一种株高植株图像分层比例示意图。
47.图6中(b)为另一种株高植株图像分层比例示意图。
48.图7中(a)为图6中(a)的灰度图。
49.图7中(b)为图6中(b)的灰度图。
50.图8为可见光相机采集到的植物原始图和叶绿素含量在整个植物平面分布的可视化效果图的对比图，从左到右依次为对照组、低肥组、高肥组、过肥组。
51.图9为图8的灰度图。
52.图10为本发明可视化程序的一个实施方式示意图。
53.图11为图10的灰度图。
具体实施方式
54.当结合附图与附表考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的缺点，但此处所说明的附图与附表提高了对本发明的进一步理解，构成本发明的一部分。
55.为使本发明的上述目的、特征和优点能够更加明显可懂，下面结合附图、附表和具体实施方式对本发明作进一步详细的说明。
56.如图1至图11是利用本发明研究簸箕柳植株叶绿素含量分布的一个应用实例。利用本发明中一种无损式估测植物叶绿素含量及分布的可视化分析方法可得到用于实验的
簸箕柳植株中叶绿素含量的最佳估算模型，并得到簸箕柳植株中叶绿素含量可视化结果。
57.在本应用实例中，考虑到簸箕柳叶片和枝干的生长具有随机性，且深度学习算法需要大量的数据，本发明避开拍摄角度相近的图像并从中选取2000张包含簸箕柳各种分枝生长情况的图像作为数据集，增大数据集的差异性，随机抽样90％用于训练，10％用于测试。
58.步骤一，采集图像阶段：
59.如图2和图3所示，利用可见光相机拍摄植株，采集到完整的植株图像。
60.步骤二，叶绿素可视化阶段：
61.使用目标检测算法提取簸箕柳分枝部分作为感兴趣区域来提取枝干形态结构表型参数，以矩形框框选目标部分，计算高度最大的矩形框作为植株的主枝区域，将其分割出来，如图4和图5所示。用g(green，绿色)通道的阈值(25，255)提取roi(region of interest，感兴趣区域)并获取最大连通域的方法生成主枝区域纯植物部分的掩模。
62.在利用本发明应用到簸箕柳实例试验过程中将簸箕柳试验样本分为上、中、下三层(分层是对分割出来的主枝区域纯植物部分的图像进行划分)：根据前期多次试验不同的分层比例比较spad值与色彩因子的相关性，得到该种植物生长阶段中最好的分层比例：在苗期株高(该苗期株高为主枝区域的高度)不超过35cm时，上层、中层、下层比例为3:4:3，如图6中(a)和图7中(a)所示；苗期株高超过35cm时，上层、中层、下层比例为2:6:2，如图6中(b)和图7中(b)所示。
63.采用spad
‑
502叶绿素含量测定仪分别测定上层、中层、下层三部分所有叶片的spad值，每片叶片取不同位置测量三次，以平均值作为结果，最后每层所有叶片的spad值取平均作为该层叶片的spad值。
64.通过将图像(该图像是指主枝区域纯植物部分的图像)转换到不同的色彩空间分析，能有效地利用不同色彩空间的特点来捕捉感兴趣的特征区域，并更准确的获取和目标值更相关的表征因子。在利用本发明应用到簸箕柳实例试验过程中采用3个色彩空间rgb、hsv、la*b*和4个基于rgb空间的常见转换因子用作与spad值进行相关性分析。同理可用转换算法转换出有时不同颜色特征的组合也与叶片的叶绿素有关，故再将r、g、b三个色彩因子进行组合计算，考虑能体现绿色程度的色彩分量，转换成另4个常见的色彩因子，如表1所示为从不同色彩空间提取色彩因子的名称。再将从每层提取的各个色彩因子都取平均值作为准备与之前所测得每层叶片的spad值进行回归分析的数据集，部分多色彩因子和spad值如表2所示。
65.表1：
[0066][0067]
表2：
[0068]
[0069][0070]
考虑到不同色彩因子的大小可能相差较大，较大的值容易支配目标结果，使得回归算法无法学习到其它的特征，故先用数据标准化算法对数值型数据作无量纲化，通过公式(1
‑
1)对原始数据进行变换把数据变换到均值为0，标准差为1的范围内。
[0071][0072]
式中，x——直接提取得到的色彩因子参数值，无量纲单位；x
mean
——色彩因子参数平均值，无量纲单位；x
std
——色彩因子参数标准差值，无量纲单位。
[0073]
在利用本发明应用到簸箕柳实例试验过程中，共取得580组多色彩因子和spad值作为数据集，其中90％用于训练，10％用于测试，设置模型方差正则化力度alpha为3.2e
‑
6、最大迭代次数为10000时训练得到最好的模型。
[0074]
以均方根误差rmse、决定系数r2为评价指标对不同色彩因子组合模型与spad指数的拟合度进行评估，以测试回归模型的拟合性能，结果如表3所示。rmse表示与测量值相比的平均预测误差，数值越低准确率越高。r2表示模型拟合效果，由算法模型解释的测量方差的百分比，取值范围为[0,1]，r2越大，模型拟合效果越好。统计量计算公式如(1
‑
2)、(1
‑
3)：
[0075][0076][0077]
式中，y
real
为手持叶绿素测量仪夹取到的叶片的spad值，无量纲单位；y
pred
为多色彩因子相关模型预测的spad值，无量纲单位；m为数据个数，单位为组；y
mean
为所有spad预测值的平均值，无量纲单位。
[0078]
表3：
[0079][0080][0081]
比较不同色彩空间下色彩因子线性回归模型的拟合程度，如表3所示，前三组直接
使用从色彩空间的三通道提取的色彩因子与spad值拟合得到的模型拟合度都不高，r2大都在0.58。在利用本发明应用簸箕柳实例试验过程中h、s、v色彩因子的拟合表现最好，误差rmse只有2.62，r2达到0.60，显著优于其它色彩空间，但弱于后一组rgb色彩空间的组合变换。模型4在基于rgb空间色彩因子的模型中加入g/r和g/b两种色彩因子，表示绿色分量分别和红色分量、蓝色分量的比率，能较好地反映植物叶片的绿色程度，相比于增加单一色彩因子g/(r b)的模型5，实现了在原有的rgb色彩空间模型1的基础上提升决定系数并降低误差。
[0082]
表4：
[0083][0084][0085]
表4展示了不同色彩因子构建的非线性多项式回归模型及估算误差，为减少模型复杂度，对模型里的多个自变量使用方差选择法过滤低方差变量，只保留相关性最高的变量作为二次项和对数项。可以看出由色彩因子lg(g)、r、g、b、g/r、g/b构建的回归模型14与色彩因子lg(g)、r、g、b、g/(r b)构建的回归模型15，其决定系数r2都高达0.73，但加入g/r和g/b色彩因子的模型14误差更小(rmse＝2.16<2.21)，因此回归模型14：y＝
‑
8.51*lg(g) 11.68*r
‑
26.48*g 18.30*b 2.81*g/r 3.85*g/b 40与spad值拟合程度最好，呈最显著回归性，为最佳叶绿素含量拟合模型。g/r和g/b在线性回归模型中就已证明比g/(r b)色彩因子能更好的反映植物叶片的绿色程度，二次项回归模型和对数项回归模型的效果也印证了g/r和g/b作为两个参数能分开调整，从而更好地拟合出植物叶片的相对绿色程度。
[0086]
通过对簸箕柳样本的图像进行叶绿素含量可视化，可将氮元素施加对簸箕柳的叶绿素含量产生的变化变得更为形象、直观，快速反映出氮元素对植株叶绿素含量的影响。在利用本发明应用到簸箕柳实例试验过程中将图像拆分为红、绿、蓝三个通道，得到每个像素点的r、g、b值，计算每个非0像素点的lg(g)、g/b与g/r，对所有像素点做标准化，得到标准化后的色彩因子lg(g)、r、g、b、g/r、g/b参数值，代入上节拟合出的相关度最高的回归模型14：y＝
‑
8.51*lg(g) 11.68*r
‑
26.48*g 18.30*b 2.81*g/r 3.85*g/b 40，得到一张代表spad拟合值的灰度图，spad的拟合值在[30,50]区间内，将该spad区间放大至[0,255]，并转换为colormap_jet色度的伪彩色图像。在整个伪彩色图像中，包含蓝
‑
绿
‑
黄
‑
红等不同颜色且由深到浅的渐变范围。其中红色代表叶绿素含量高的区域、浅绿与浅黄色代表叶绿素含量中等的区域、蓝色代表叶绿素含量低的区域，效果如图5所示。通过对整株植物进行可视化操作，不再局限于数字，清楚直观的把叶绿素含量相关数据呈现出来。
[0087]
步骤三，分析阶段：
[0088]
从图8和图9叶绿素含量在整个植物平面分布的可视化效果图中可以看出，对单株簸箕柳而言，上层spad值通常最低，往往不超过40，因为上层叶片最为幼嫩、内部结构不完善，呼吸旺盛而叶绿素含量低；到中层、下层spad值逐渐升高，因为随着叶片生长，叶绿素含量不断增加，而下位叶片叶龄较大，结构组织内部开始遭到破坏，光合速率也较低。通过利用本发明应用到簸箕柳实例试验过程中可以看出，spad值数据表波动不明显，结果不直观。对植物图像自动计算得到的spad值和手持叶绿素仪测得的spad值变化趋势一致，但表达更为形象、直观。
[0089]
从图8和图9中叶绿素含量在整个植物平面分布的可视化效果图可以看出，实例a的簸箕柳植株叶绿素含量整体较低，上层与下层叶绿素含量差异明显，下层叶片叶绿素含量虽高但范围较小。这也间接反映出实例a的簸箕柳植株施加或者吸收的氮含量较少，所以在后续的生长过程中可适当增施氮肥。实例d的簸箕柳植株叶绿素含量整体偏高，上层、中层、下层叶绿素含量并无明显差异。通过观测由可见光相机采集到实例d的簸箕柳的植株图像，可以看出多数叶片呈下垂且萎蔫状态，这间接反映出实例d的簸箕柳植株施加或者吸收的氮含量偏高甚至已经出现烧苗症状，所以在后续的生长过程中应适当减施氮肥。
[0090]
通过对比图8或对比图9中可见光相机采集到的植物原始图和叶绿素含量在整个植物平面分布的可视化效果图可见，簸箕柳生长过程中叶绿素含量的分布以及产生的变化变得更为形象、直观。亦可以看出叶绿素可视化方法能够在“肉眼看到变化”之前快速、灵敏的定性及定量检测到变化，并进行量化分析，对于监测植物生长、评估植物长势有着重要的作用。通常，氮缺乏、氮过量的胁迫症状是非常滞后的，图8中在肉眼观察下得到的原始图像，除过肥组外，植物施加不同氮肥并没有显著的差异，但是在叶绿素含量分布可视化效果图中，会发现有明显的区别，施肥组比对照组的红色区域(即叶绿素含量高的区域)大，且随着氮肥增多，红色区域扩大。通过叶绿素含量的快速可视化可在植株肉眼可见胁迫症状出现前进行氮缺乏、氮过量的营养早期诊断，实现植株的生长监测与长势评判，进而为确定、调整栽培管理措施提供技术指导。
[0091]
上述仅为本发明的一个实施例，并不用来限定本发明的实施范围。也就是说，任何依照本发明的权利要求范围所做的同等变化与修改，但是只要实质上没有脱离本发明的发明点及效果可以有很多变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形
例也全部包含在本发明的保护范围之内。
[0092]
以上对本发明所提供的一种无损式估测植物叶绿素含量及分布的可视化分析方法进行了详细介绍，以上参照附图对本技术的示例性的实施方案进行了描述。本领域技术人员应该理解，上述实施方案仅仅是为了说明的目的而所举的示例，而不是同来进行限制，凡在本技术的教导和权利要求保护范围下所作的任何修改，等同替换等，均应包含在本技术要求保护的范围内。