0 引言
目前,传统的叶倾角提取方法是通过与叶面接触的机械倾斜仪进行测量,不仅费时费力,还有可能伤害叶片[5]。现代的叶倾角提取方法是使用专用仪器或激光雷达建立植物的3D模型[6,7,8]。苏伟等[9]利用3D数字转换器同时获取了叶子位置和方向的空间坐标; Sinoquet等[6]利用地基激光雷达结合遥感数据获取LAD; 王绪鹏等[10]利用植物冠层分析仪结合LAI获取LAD。但这些方法的成本较高,不利于推广和普及。本文旨在从图像中直接提取玉米植株叶倾角概率密度分布函数。利用图像处理方法,从白色背景的玉米图像中提取出玉米叶片的骨架,以一定大小的搜索窗口搜索骨架,得到玉米植株的叶倾角概率密度分布函数,并以实测值为真值进行叶倾角提取结果的精度验证。
1 研究区概况与数据源
1.1 研究区概况
本文选取了2个研究区: ①黑龙江农垦总局852农场。该农场位于黑龙江省双鸭山市宝清县东南部,属于温带大陆性气候带,年平均温度为3.2 ℃,无霜期为145 d,年平均日照时数为2 491 h,年降水量为400~600 mm,气候温和,适合多种作物生长,全场耕地面积为69 833 hm2,主要作物有玉米、水稻和大豆等; ②河北省辛集市马庄乡保高丰农场。该农场属于季风暖温带半湿润大陆性气候带,年平均降水量为488.2 mm,其中6—8月降水量占全年总降水量的67.9%。本文以玉米作为研究对象,选取场区内主要玉米种植区域进行实验。作为农场的主要种植作物,黑龙江农垦总局852农场内玉米品种为绥玉7、绿单2和德美亚3等,本文选取品种为绥玉7,其播种期一般为5月中旬,6月为玉米苗期,8月上旬为灌浆期,9月下旬成熟收割; 河北省辛集市马庄乡保高丰农场内玉米品种为郑单958、先玉335和京农科728,本文选取品种为郑单958,其6月15日左右为出苗期,7月上旬是拔节期,8月中上旬进入抽雄吐丝期,8月下旬—9月上旬为灌浆乳熟期,9月中旬为成熟期。本文所用的图像数据为8月下旬在852农场拍摄的图像(该时期研究区内玉米生育期为乳熟期)和7月上旬在保高丰农场拍摄的图像(该时期研究区内玉米生育期为拔节期)。为保证结果具有代表性,图像均为随机选取。
1.2 数据源及预处理
图1
图2
2 研究方法
本研究对二值化后的玉米图像进行骨架化、去毛刺处理、去除玉米茎杆和穗信息后提出叶片信息等一系列操作得到玉米叶片的骨架,并对骨架按规定的搜索半径计算叶倾角,从而得到LAD。
2.1 骨架化
图3
图中p1为前景点,如果以下4个条件同时满足,则删除p1,即将p1转化为背景点,其迭代分为2个子过程:
过程1细化删除条件为: ①2 ≤N(p1) ≤ 6,N(x)为x的8邻域中前景点的数目; ②A(p1)=1,A(x)指的是将p2—p8之间按序排列前后分别为背景点、前景点的对数,即p2—p8间存在一对连续的分别为背景点和前景点的两个点; ③p2×p4×p6=0,即p2,p4和p6中至少有一点为前景点; ④p4×p6×p8=0,即p4,p6和p8中至少有一点为前景点。如果同时满足以上4个条件则该点可以删除。
过程2细化删除条件为: ①2 ≤N(p1) ≤6; ②A(p1)=1; ③p2×p4×p8=0,即p2,p4和p8中至少有一点为前景点; ④p2×p6×p8=0,即p2,p6和p8中至少有一点为前景点。如果同时满足以上4个条件则该点可以删除。其迭代具体流程如4所示。
图4
2.2 去毛刺
2.2.1 相关概念
1)节点。本身为白点且周围八邻域有3个以上白色像素的点。
2)连通区域。本文采用八连通区域,即所分析对象的上、下、左、右、左上、右上、左下、右下窗口位置。
3)连通区域面积。连通区域中像元个数。
2.2.2 算法原理
理想情况下,细化后的骨架应是单像素宽度的骨架,即连通区域的面积可以代表分支长度。同时,由于玉米图像本身的特性导致其骨架应为单连通区域即整张图像只有一个连通区域。基于此,考虑在算法中逐个删除节点将图像打散为多个连通区域,根据毛刺长度远小于骨架分支长度的条件将毛刺所在连通区域与骨架所在连通区域分离并删除。在删除毛刺之后再恢复之前删除的节点,保持原图像的连通性不变。其中阈值的选取可采用“试凑法”,本文以50为步长逐步加大阈值,当去毛刺效果变差或无明显变化时停止,则选择该步长为相应阈值。
2.2.3 算法描述
算法伪代码描述如下:
DeleteDot(Isolated dots);
while(Seek(dot)==True)
{tempDelete(dot);
if(Find(Zone)<ThresholdValue)
DeleteZone(Zone);
RestoreDelete(dot); }
即如果满足该点为孤立点或该点在删除节点后连通区域面积小于阈值的连通区域上,则删除该点,具体实现流程如图5所示。
图5
2.3 玉米茎秆和穗的去除
经过去毛刺处理后的骨架除了叶片信息之外还有玉米的茎秆和穗等信息,这都会影响到提取叶倾角的精度。本文在此提出一种新的算法去除玉米茎秆和穗。
2.3.1 去伪节点
理想情况下,经过去毛刺处理后的骨架图像的节点应为叶片、穗和茎秆之间的连接点。删除所有节点后,图像被打散成完整的叶子、完整的穗和分段的茎秆。由于穗、分段的茎秆与完整的叶子间长度差距明显,可以仿照本文中去毛刺的算法,利用阈值法去除图像中的茎秆和穗。实际情况中,经过去毛刺处理的骨架图像存在如图6(a)所示的伪节点(即邻域中有3个白点但并不是茎秆/穗与叶的交点)。这种伪节点会影响去茎秆和穗的效果,经过观察发现这种现象主要是由于拐弯处的直角连接所致,故考虑先对经过去毛刺处理后的骨架图像进行迭代去噪的操作,去除图像中的伪节点现象。
图6
2.3.2 去除茎秆和穗
经过上一步对骨架图像中伪节点的处理后的节点就是叶片、穗和茎秆之间的连接点。删除所有节点,图像被打散成完整的叶子、完整的穗和分段的茎秆。由于穗、分段的茎秆与完整的叶子间长度差距明显,可以仿照本文中去毛刺的算法,利用阈值法去除图像中的茎秆和穗。算法伪代码描述如下:
DeleteDot(Pseudo dot);
DeleteDot(Pseudo dot);
while(Seek(Zone)==True)
{if(Find(Zone)<ThresholdValue)
DeleteZone(Zone); }
2.4 叶倾角概率密度函数提取
经过之前的处理,图像中只保留了叶片的骨架信息,根据叶倾角定义,选择合适大小的窗口追踪图中骨架,计算出叶倾角数组。由于骨架图像本身特点,提取的叶倾角对窗口大小较为敏感,经过多次实验比较,行方向长度取2,列方向长度取20时效果较好,故将搜索窗口设为2像素×20像素。
3 结果与分析
3.1 算法分析
3.1.1 骨架化结果分析
经过骨架化处理后的图像如图7所示,对骨架的总体信息保存较好,没有出现细节丢失的现象,拔节期的玉米提取效果尤其好。对于乳熟期玉米叶片稀疏的区域提取骨架效果良好,但对于玉米叶片密集的区域,提取的骨架上毛刺较多,需要作进一步的去毛刺处理。
图7
图7
乳熟期和拔节期玉米植株骨架化处理结果
Fig.7
Maize plant skeleton treatment results in milky maturityand jointing stage
3.1.2 去毛刺结果分析
去毛刺结果如图8所示。
图8
图8
去毛刺处理前后的玉米叶片骨架
Fig.8
Corn leaf skeleton before and after deburring treatment
最终骨架对玉米的叶片、茎等结构均能够正确反映,同时基本去除了由细节和噪声产生的细小分支,去毛刺结果有效。但骨架与理想骨架相比仍存在“伪节点”的现象(图6),仍需要进一步处理。
3.1.3 茎秆和穗去除结果分析
茎秆和穗等非叶片骨架的去除结果如图9所示。经过处理过后,茎秆点被完全删除。经过分析比较,骨架构成简单的拔节期玉米效果极佳,叶片信息完全得到保留。乳熟期的玉米叶片大部分信息得到保留。但本文方法很难区分长度较短的新叶和穗之间的差别,完整保留骨架构成复杂的玉米生育期的叶片信息还有待进一步研究。
图9
3.2 结果分析
经过本文所提出方法的处理,提取的玉米叶倾角与实测值的对比如图10所示。
图10
图10
乳熟期和拔节期玉米植株LAD提取与实测结果的对比分析
Fig.10
Comparative analysis of LAD extraction and measured results of maize plants in milky maturity and jointing stage
图10中乳熟期玉米叶倾角实测值与提取值的相关系数为0.821 4,拔节期玉米叶倾角实测值与提取值相关系数为0.908 7。
4 结论
针对玉米叶倾角分布(LAD)的提取研究,本文提出了一种基于玉米照片的LAD提取方法。该方法通过骨架化得到单株玉米的整体骨架; 使用阈值区分玉米整体骨架上的毛刺、茎秆和叶片,从而得到只有玉米叶片信息的骨架; 再通过搜索骨架获取玉米叶倾角。通过与实测值的对比表明,此方法获取的玉米LAD精度较高,尤其是玉米整体骨架化和去毛刺算法的效果较好。
与现有的叶倾角提取方法比较,本文方法不会对玉米造成损伤,也不需要一些特定的仪器,可以显著降低叶倾角提取的难度和成本,并且本文方法具有一定的普适性,经过进一步研究可以应用到除玉米之外的其他大田作物上,对于农业应用,尤其是对植株的冠层分析有重大意义。
但是,本文方法仍然存在一些不足之处: ①算法依赖于阈值的选取,如何快速获取适合的阈值有待于进一步研究; ②玉米植株上部的新叶和穗的区分度较低,容易误删长度较短的叶片; ③在通过叶片骨架提取叶倾角时,叶倾角对搜索窗口的大小敏感。这些问题的解决还有待于进一步研究。
参考文献
基于Campbell椭球分布函数的大兴安岭地区主要树种叶倾角分布模拟
[J].
Simulation of leaf inclination angle distribution of main tree species in Daxing’an Mountains of China based on the Campbell ellipsoid distribution function
[J]
基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法
[J].
Corn LAI inversion method based on optimized PROSAIL leaf dip distribution function
[J].
Extinction coefficients for radiation in plant canopies calculated using an ellipsoidal inclination angle distribution
[J].
Simple beta distribution representation of leaf orientation in vegetation canopies 1
[J].
Crop structure and the penetration of direct sunlight
[J].
基于地基激光雷达的叶倾角分布升尺度方法研究
[J].
Research on upscaling method of leaf dip angle distribution based on ground-based LiDAR
[J].
Leaf orientation retrieval from terrestrial laser scanning (TLS) data
[J].
Photographic measurement of leaf angles in field crops
[J].
Characterization of the light environment in canopies using 3D digitising and image processing
[J].
基于植物冠层分析仪单线多角度测量的叶面积指数与叶倾角分布关系
[J].
The relationship between leaf area index and leaf dip angle distribution based on single-line multi-angle measurement of plant canopy analyzer
[J].
K3M:A universal algorithm for image skeletonization and a review of thinning techniques
[J].
A fast parallel algorithm for thinning digital patterns
[J].
骨架提取中的毛刺去除方法
[J].
Burr removal method in skeleton extraction
[J].
一种用于植物叶片图像骨架提取的去毛刺方法
[J].
Deburring method for plant leaf image skeleton extraction
[J].
基于方向链码去除骨架图像毛刺算法
[J].
Skeleton image glitch algorithm based on direction chain code
[J].
