论文部分内容阅读
对作物氮素水平进行无损、快速、精确地定量监测也逐渐成为国内外精准农业发展研究领域的热点之一。为更好地进行小麦拔节期的氮素诊断及施肥指导,本研究于2012-2014年度的不同时期的大田自然环境下,设计1米、90度多种播种方案下的拍摄试验,利用单反相机采集冬小麦冠层图像。由于目前国内外对不同作物氮素的数字图像评价指标研究相对单一,针对性鲜少,本文提取小麦叶片的颜色特征值,分析图像特征与同期叶片氮含量(leaf nitrogen content,LNC)的相关程度,据此探索基于数字图像处理技术的冬小麦氮素无损诊断图像评价指标及其构建方法;人为创设拍摄条件虽保证样本的高质量,但复杂环境及自然光强下小麦冠层图像仍存在低对比度、光斑阴影及反光严重等光照不均现象,经典图像分割算法存在一系列误分割问题。针对上述问题,论文主要贡献包括:(1)构建RGB颜色组合标准化指数(Normalized Color Mix Index,NCMI)作为诊断小麦氮营养状况的图像评价指标。首先基于归一化的H分量K均值分割法提取2013年样本集的基础颜色特征值,与同期LNC进行线性拟合,调优三原色分量最佳拟合系数,并进行标准化,据此提出NCMI。利用2014样本集进行模型验证时,对比深绿色指数(dark green color index,DGCI)、红光标准化值(normalized redness intensity,NRI)和绿光与红光比值G/R发现,3个采样期NCMI与LNC的决定系数R2均高于3个对比指标,均方根误差(rootmean square error,RMSE)相较同期最低;生选6号和扬麦18号的NCMI与LNC的相关性,在一定冠层覆盖度的3月31日及4月15日均优于3个指标;D2密度(3.0*106株/hm2)下NCMI与LNC的R2和RMSE在3月8日优于对比指标,其他2个时间与DGCI和NRI基本一致,并在4月15日NCMI与LNC的RMSE最低为0.1299;D2密度N1(纯氮150kg/hm2)处理下NCMI明显优于3个指标,R2和RMSE较最高指标NRI分别改善了 7.69%和4.11%。(2)设计基于链接强度自适应和动态阈值设定法的PCNN改进增强算法(简称I_PCNN)及基于I分量的同态滤波图像增强算法(简称I_HomoFil),对光照不均引起的多种降质图像具有较好的改善作用。本文将样本集中占比6.67%的12幅降质图像分为两类,第一类:光线弱,冠层和土壤对比度低,阴影遮挡;第二类:光线强,叶面反光,光斑或阴影。对第一类本文采用I_PCNN,对图像进行光线补偿,削弱光斑及阴影影响。改进包括a)链接强度值βxy的自适应设置,减少工作量;b)动态门限值θxy的计算方式,综合考虑像素空间全局性与局部特征性;对第二类本文采用I_HomoFil,设计合适的滤波器,对亮度分量I进行调节。经增强处理后的图像光照相对均匀,噪声减弱且保留更多叶片细节。(3)提出基于图像增强和α角度模型的K均值聚类分割算法(简称K-means_Imgenh&Angmod),对光照不均引起多种降质的小麦图像分割效果较好。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行(2)中的增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类处理拔节前后期、光强不一、光照不均的冬小麦冠层图像的分割试验表明,算法可一定程度避免基于超绿特征阈值分割的过分割现象;改善基于H分量K均值聚类分割的欠分割缺陷,对光斑、阴影遮挡、反光突出的图像分割更完整、准确。(4)尝试采用小麦氮素营养图像评价指标进行了图像分割准确度的定量分析。采用本文提出的K-means_Imgenh&Angmod算法和基于H分量的K均值聚类分割算法对12幅低质小麦图像进行处理,提取特征值分别计算NCMI及其与同一叶片LNC的R2和RMSE,结果显示,本文分割算法得到的NCMI与LNC的R2为0.73,相对基于H分量的K均值分割提取的NCMI与LNC的R2高出5.80%,且又相对降低了 5.60%,定量表明本文算法进一步降低了大田环境下小麦冠层图像分割的错分率。上述研究成果为一定冠层覆盖度下的冬小麦氮素营养诊断图像评价指标提供了参考价值。新提出的氮素状况图像评价指标NCMI对后续研究具有重要的理论意义;设计的基于图像增强和角度模型α的K均值聚类分割算法也为数字图像处理技术应用于实际农业推广提供了技术支持;提出的以氮素图像评价指标来定量判断分割准确度法也为相关研究提供了新思路。