一种檀香叶片全铁含量的多光谱图像确定方法及系统与流程

本发明涉及一种檀香叶片全铁含量的多光谱图像确定方法及系统，属于计算机及检测技术领域。

背景技术

檀香是一种典型的珍贵树种，由于其极高的经济价值和药用价值，在我国华南地区大力推广种植。但檀香生长周期长，易受养分胁迫影响，从而遭受病虫害侵蚀，例如常见的白粉病、炭疽病以及咖啡豹蠹蛾等。所以实时的监测植物体内的营养含量是保证合理施肥、提高檀香存活率和成材率的前提。

铁作为一种需求量最大的植物矿物元素，在多种生化反应中起着重要作用。它是许多功能蛋白的重要辅助因子，并直接参与机体的生理生化活动。虽然铁在土壤中含量丰富，但可溶性低，所以可供植物直接利用的fe²⁺含量并不高。此外，铁自身具有高度的氧化还原特性，对细胞具有潜在的毒性，因此，在天然的酸性土壤或者矿区附近，土壤中过多的fe²⁺会产生铁毒，迫使植物发生生理病变，从而导致其色谱和纹理发生变化。不同的植物对铁胁迫的响应不同，例如，茄子缺铁时整片叶子呈现黄白色，叶脉不留一丝绿色；番茄缺铁时则因叶脉仍保持绿色而出现网目状黄化；水稻在铁过量时，可见光波段光谱反射率升高，下位叶片的叶绿素含量降低；玉米的绿峰反射率和红遍蓝移程度则与叶片铁浓度呈现正相关。

由于铁胁迫下植物出现的颜色及纹理变化，为人们通过颜色纹理推断其全铁含量信息提供了可能。随着多光谱图像采集的便捷化、廉价化，从客观上推动了基于多光谱图像反演叶片全铁含量的研究。

技术实现要素：

为了克服现有技术的不足,本发明提供一种檀香叶片全铁含量的多光谱图像确定方法及系统，通过研究抽取檀香叶片多光谱图像和全铁含量数据，建立以图像参数作为自变量的模型方程，以此来估计叶片全铁含量。

一种檀香叶片全铁含量的多光谱图像确定方法,含有以下步骤；通过采集叶片的多光谱图像，获取图像参数，建立图像参数与全铁含量之间的统计模型，再通过模型反演檀香叶片全铁含量。

一种檀香叶片全铁含量的多光谱图像确定方法,仅根据多光谱图像可以估测叶片全铁含量。由于前景图像分割影响着后续工作，所以良好的分割算法对图像信息获取的准确性具有较大的意义。

一种檀香叶片全铁含量的多光谱图像确定系统，包括：

图像获取装置，用于获取黑白板和叶片的多光谱图像；

计算单元，用于从黑白板和叶片的多光谱图像中获得校正后的图像参数；

确定单元，用于根据校正后的图像参数利用檀香叶片全铁含量预估模型确定全铁含量。

本发明的优点是与普通的可见光图像相比，多光谱图像的近红外波段可以更好的反应叶绿素含量以及叶片内部构造的变化；与手持光谱仪技术以及星载、机载高光谱成像技术相比，多光谱成像降低了成本，减少了数据冗余，更适合小尺度、精细营养诊断。

附图说明

当结合附图考虑时，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优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：

图1为本发明实施例的确定檀香叶片全铁含量的流程；

图2为本发明实施例的叶片多光谱图像提取流程；

图3为本发明实施例的檀香叶片全铁含量分级的流程。

下面结合附图和实施例对本发明进一步说明。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与所属领域中的普通技术人员的一般理解相同的意义。

为便于对实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对本发明的限定。

实施例1：如图1、图2、图3所示，一种檀香叶片全铁含量的多光谱图像确定方法，包括如下步骤：

步骤1)、建立檀香叶片全铁含量预估模型并确定方程参数：

檀香叶片全铁含量预估模型：

其中，

y：檀香叶片全铁含量；

xb：校正后的图像前景像素的b均值；

xg：校正后的图像前景像素的g均值；

xr：校正后的图像前景像素的r均值；

xnir：校正后的图像前景像素的nir均值；

xnirsm：nir波段前景像素平均能量值；

xniren：nir波段前景像素平均熵值；

xgcon：g波段前景像素平均对比度值；

n1、n2：虚拟变量；

a1、a2、a3、a4、a5、a6、p0、p1、p2：待定标参数；

待定标参数通过实验获得；

步骤1-1、采集叶片样本；

步骤1-2、获取多光谱图像前进行黑白板校正；

步骤1-3、按相同的方向摆放叶片，并使每个叶片之间留有足够的空间，避免叶片粘连；

步骤1-4、用多光谱相机获取叶片的多光谱图像；

步骤1-5、将叶片放入烘箱内，70℃烘干24小时至恒重；

步骤1-6、将叶片碾成粉末，采用原子吸收分光光度法测定全铁含量；

步骤1-7、获取校正后的图像参数并建立图像与叶片全铁含量之间的关系；

关系如下：

步骤2)、利用图像数据估计叶片全铁含量；

步骤2-1、获取黑白板和叶片多光谱图像；

步骤2-2、从叶片的多光谱图像中提取图像参数；

步骤2-3、根据黑白板校正计算校正后的图像参数

步骤2-3-①、分别获取白板和黑板的颜色均值，记为wband和bband；

步骤2-3-②、获取目标物的颜色均值，记为oband；

步骤2-3-③、校正后的图像参数为

步骤2-4、根据校正后的图像参数利用檀香叶片全铁预估模型确定檀香叶片全铁含量，

步骤2-4①、获取叶片全铁含量；

步骤2-4②、根据按着分级原则确定虚拟变量n1、n2；

分级原则为：

将全铁含量分为y<200mg/kg、200mg/kg≦y≦500mg/kg、y>500mg/kg三级，对应n1和n2的值分别为n1＝1，n2＝0、n1＝0，n2＝1、n1＝1，n2＝1；

步骤2-4③、根据檀香叶片全铁含量预估模型估计檀香叶片全铁含量。

在步骤1)中，为了从叶片的多光谱图像中获得图像参数，首先需要从图像的背景中分割出前景图像，然后计算图像参数；

所述图像参数包括：校正后的图像前景像素的b均值、校正后的图像前景像素的g均值、校正后的图像前景像素的r均值、校正后的图像前景像素nir均值、nir波段前景像素平均能量值、nir波段前景像素平均熵值、g波段前景像素对比度值。

一种檀香叶片全铁含量的多光谱图像确定方法，待定标参数通过实验获得：

确定待定标参数a1、a2、a3、a4、a5、a6、p0、p1、p2，首先要测量若干组叶片的全铁含量，提取图像参数后，采用统计的方法估测出幽灵檀香叶片全铁含量参数，求解参数时要求叶片组数不少于60，每组叶片鲜重在8g左右。

一种檀香叶片全铁含量的多光谱图像确定方法，前述步骤后包括如下步骤：

步骤3)、从每组叶片图像中随机选取5片檀香叶片，使用photoshop中的磁性套索工具将其手动分割出来，即每个波段得到3片檀香叶片样本；使用高斯-拉普拉斯算子提取每个叶片样本的边界点，计算并记录每一个边界点及其8邻域的颜色值，以每片叶子为单位，求得9个像素的平均，最终得到4个波段下的标准数组，记录形式为：

bandstandard＝[band0,band1,band2,band3,band4,band5,band6,band7,band8]

其中，band0指边界点在某波段下的颜色标准值；band1～band8指边界点的8邻域在某波段下的颜色标准值；

步骤13、在每个波段下，对整幅图像使用高斯-拉普拉斯算子提取边界，计算并记录每一个边界点及其8邻域的颜色值组成数组，同时记录每个邻域点及其8邻域的颜色值组成数组，分别记为x0～x8；

计算每个波段下的标准数组与该波段每个边界点及其8邻域之间的pearson系数，若x0的pearson系数最大，则保留原边界点；否则，选择pearson系数最大的点作为新的边界点；

重新定义新边界后，提取连通区域，计算连通区域的像素数，则像素数最大的为背景，其余均为前景。

一种檀香叶片全铁含量的多光谱图像确定方法，前述步骤后包括如下步骤：

步骤4)、提取前景并计算7种图像参数：校正后的图像前景像素的b均值、校正后的图像前景像素的g均值、校正后的图像前景像素的r均值、校正后的图像前景像素nir均值、nir波段前景像素平均能量值、nir波段前景像素平均熵值、g波段前景像素对比度值；计算得到图像参数后，求解檀香叶片全铁含量预估模型中的参数，然后根据该预估模型确定叶片全铁含量。

实施例2：如图1、图2、图3所示，一种檀香叶片全铁含量的多光谱图像确定方法，仅根据多光谱图像可以估测叶片全铁含量。

一种檀香叶片全铁含量的多光谱图像确定方法，包括以下步骤：

1)建立檀香叶片全铁含量预估模型并确定方程参数：

步骤1、采集叶片样本；

步骤2、获取多光谱图像前进行黑白板校正；

步骤3、按相同的方向摆放叶片，并使每个叶片之间留有足够的空间，避免叶片粘连。

步骤4、用多光谱相机获取叶片的多光谱图像；

步骤5、将叶片放入烘箱内，70℃烘干24小时至恒重；

步骤6、将叶片碾成粉末，采用原子吸收分光光度法测定全铁含量；

步骤7、获取校正后的图像参数并建立图像与叶片全铁含量之间的关系；

2)利用图像数据估计叶片全铁含量；

步骤7、获取黑白板和叶片多光谱图像；

步骤8、从叶片的多光谱图像中提取图像参数；

步骤9、根据黑白板校正计算校正后的图像参数；

①分别获取白板和黑板的颜色均值，记为wband和bband；

②获取目标物的颜色均值，记为oband；

③校正后的图像参数为

步骤10、根据校正后的图像参数利用檀香叶片全铁预估模型确定檀香叶片全铁含量；

①获取叶片全铁含量y0；

②根据y0按着分级原则确定虚拟变量n1、n2；

分级原则：

将全铁含量分为y<200mg/kg、200mg/kg≦y≦500mg/kg、y>500mg/kg三级，对应n1和n2的值分别为n1＝1，n2＝0、n1＝0，n2＝1、n1＝1，n2＝1。

③根据檀香叶片全铁含量预估模型估计檀香叶片全铁含量；

所述图像参数包括：校正后的图像前景像素的b均值、校正后的图像前景像素的g均值、校正后的图像前景像素的r均值、校正后的图像前景像素nir均值、nir波段前景像素平均能量值、nir波段前景像素平均熵值、g波段前景像素对比度值。

所述檀香叶片全铁含量预估模型为：

其中，

y：檀香叶片全铁含量；

xb：校正后的图像前景像素的b均值；

xg：校正后的图像前景像素的g均值；

xr：校正后的图像前景像素的r均值；

xnir：校正后的图像前景像素的nir均值；

xnirsm：nir波段前景像素平均能量值；

xniren：nir波段前景像素平均熵值；

xgcon：g波段前景像素平均对比度值；

n1、n2：虚拟变量；

a1、a2、a3、a4、a5、a6、p0、p1、p2：待定标参数；

所述待定标参数通过实验获得。

使用多光谱相机获取图像前，将背景设置为白色；

在利用檀香叶片全铁含量预估模型确定叶片全铁含量之前，所述方法还包括对待定标参数进行定标，对虚拟变量进行确定。

为确定待定标参数a1、a2、a3、a4、a5、a6、p0、p1、p2，首先要测量若干组叶片的全铁含量，提取图像参数后，采用统计的方法估测出幽灵檀香叶片全铁含量参数，求解参数时要求叶片组数不少于60，每组叶片鲜重在8g左右。

本发明还提供了一种檀香叶片全铁含量的多光谱图像确定系统，所述装置包括：

图像获取装置，用于获取黑白板和叶片的多光谱图像；

计算单元，用于从黑白板和叶片的多光谱图像中获得校正后的图像参数；

确定单元，用于根据校正后的图像参数利用檀香叶片全铁含量预估模型确定全铁含量。

根据本发明，可以通过多光谱相机和计算机就可以实现檀香叶片全铁含量的预测，适用于珍贵树种的精细营养诊断。

实施例3：在檀香生长过程中，铁胁迫会对叶绿体以及叶片的内部结构产生影响，从而影响其颜色和纹理特征，这种现象为通过多光谱图像预测檀香叶片全铁含量并进行分级提供了依据。

如图1所示，本实施例提供了一种檀香叶片全铁含量的多光谱图像确定方法，包括如下步骤：

1)建立檀香叶片全铁含量预估模型并确定方程参数：

步骤1、采集叶片样本；

步骤2、获取多光谱图像前进行黑白板校正；

步骤3、按相同的方向摆放叶片，并使每个叶片之间留有足够的空间，避免叶片粘连。

步骤4、用多光谱相机获取叶片的多光谱图像；

步骤5、将叶片放入烘箱内，70℃烘干24小时至恒重；

步骤6、将叶片碾成粉末，采用原子吸收分光光度法测定全铁含量；

步骤7、获取校正后的图像参数并建立图像与叶片全铁含量之间的关系；

2)利用图像数据估计叶片全铁含量；

步骤8、获取黑白板和叶片多光谱图像；

步骤9、从叶片的多光谱图像中提取图像参数；

步骤10、根据黑白板校正计算校正后的图像参数

①分别获取白板和黑板的颜色均值，记为wband和bband；

②获取目标物的颜色均值，记为oband；

③校正后的图像参数为

步骤11、根据校正后的图像参数利用檀香叶片全铁预估模型确定檀香叶片全铁含量

①获取叶片全铁含量；

②根据按着分级原则确定虚拟变量n1、n2；

③根据檀香叶片全铁含量预估模型估计檀香叶片全铁含量；

在步骤1)中，为了从叶片的多光谱图像中获得图像参数，首先需要从图像的背景中分割出前景图像，然后计算图像参数。

所述图像参数包括：校正后的图像前景像素的b均值、校正后的图像前景像素的g均值、校正后的图像前景像素的r均值、校正后的图像前景像素nir均值、nir波段前景像素平均能量值、nir波段前景像素平均熵值、g波段前景像素对比度值。

为了方便分割，根据本发明实施例，在拍摄时选择白色背景，这样能极大限度的表现前景。

由于前景与背景的区别较大，可以判断二者之间的显著水平来区分前景与背景，而pearson相关系数可以用来判断两个变量之间的显著水平，其计算公式为：

其中cov(x,y)代表x和y的协方差，var(x)和var(y)代表x和y的方差。

pearson相关系数用来衡量两个变量之间的线性关系，本发明将这一概念引入到檀香叶片的分割中，实现叶片与背景的分离，具体步骤如下：。

步骤12、从每组叶片图像中随机选取5片檀香叶片，使用photoshop中的磁性套索工具将其手动分割出来，即每个波段得到3片檀香叶片样本。使用高斯-拉普拉斯算子提取每个叶片样本的边界点，计算并记录每一个边界点及其8邻域的颜色值，以每片叶子为单位，求得9个像素的平均，最终得到4个波段下的标准数组，记录形式为：

bandstandard＝[band0,band1,band2,band3,band4,band5,band6,band7,band8]

其中，band0指边界点在某波段下的颜色标准值；band1～band8指边界点的8邻域在某波段下的颜色标准值；

步骤13、在每个波段下，对整幅图像使用高斯-拉普拉斯算子提取边界，计算并记录每一个边界点及其8邻域的颜色值组成数组，同时记录每个邻域点及其8邻域的颜色值组成数组，分别记为x0～x8；

计算每个波段下的标准数组与该波段每个边界点及其8邻域之间的pearson系数，若x0的pearson系数最大，则保留原边界点；否则，选择pearson系数最大的点作为新的边界点。

重新定义新边界后，提取连通区域，计算连通区域的像素数，则像素数最大的为背景，其余均为前景。

步骤14、提取前景并计算7种图像参数：校正后的图像前景像素的b均值、校正后的图像前景像素的g均值、校正后的图像前景像素的r均值、校正后的图像前景像素nir均值、nir波段前景像素平均能量值、nir波段前景像素平均熵值、g波段前景像素对比度值。

计算得到图像参数后，求解檀香叶片全铁含量预估模型中的参数，然后根据该预估模型确定叶片全铁含量。

檀香叶片全铁含量预估模型为：

其中，

y：檀香叶片全铁含量；

xb：校正后的图像前景像素的b均值；

xg：校正后的图像前景像素的g均值；

xr：校正后的图像前景像素的r均值；

xnir：校正后的图像前景像素的nir均值；

xnirsm：nir波段前景像素平均能量值；

xniren：nir波段前景像素平均熵值；

xgcon：g波段前景像素平均对比度值；

n1、n2：虚拟变量；

a1、a2、a3、a4、a5、a6、p0、p1、p2：待定标参数；

所述待定参数通过实验获得。

从文献中可以得出叶片的颜色和纹理与全铁含量存在一定的关系，因此本发明引入虚拟变量，将全铁含量分为几个等级，以便更精确的预测其含量。具体所述虚拟变量根据全铁含量的大小来确定，详见后面描述。

檀香叶片全铁含量与生长地的土壤类型等因素相关，若直接使用如下实施例模型进行檀香叶片全铁含量估测会产生较大误差，因此本发明进行叶片全铁含量测定前，需要抽取有代表性的檀香叶片确定待定标参数a1、a2、a3、a4、a5、a6、p0、p1、p2，然后使用标定参数后的模型进行檀香全铁含量预测。

檀香叶片全铁含量的多光谱图像预测模型定标步骤如下：

为确定待定标参数a1、a2、a3、a4、a5、a6、p0、p1、p2，首先要测量若干组叶片的全铁含量，提取图像参数后，采用统计的方法估测出幽灵檀香叶片全铁含量参数，求解参数时要求叶片组数不少于60，每组叶片鲜重在8g左右；

作为例子，取60组檀香叶片，每组叶片平均鲜重为8.38g。将每一组叶片摆好，进行黑白板校正，放在固定三脚架下拍摄图像。

本发明使用相机为micasenserededge3，图像分辨率为1280×960像素，该相机b波段的中心波段为475nm，带宽为20nm；g波段的中心波段为560nm，带宽为20nm；r波段的中心波段为668nm，带宽为10nm；nir波段的中心波段为840nm，带宽为10nm。

拍摄结束后，将叶片放入烘箱内，70℃烘24小时至恒重，碾碎后采用原子吸收分光光度法测定全铁含量。

本次样品测得的全铁含量分布在33.91～769.47mg/kg之间。

从60组叶片中随机抽取40组进行模型参数定标，剩余20组用于验证模型的精度。

将全铁含量分为y<200mg/kg、200mg/kg≦y≦500mg/kg、y>500mg/kg三级，对应n1和n2的值分别为n1＝1，n2＝0、n1＝0，n2＝1、n1＝1，n2＝1。计算得到全部自变量和因变量后，使用既有的统计软件spss求解模型参数。本实施例使用40组拟合数据，20组验证数据，综合两组试验结果，得到确定指数为0.866，说明模型可以较好的对檀香叶片全铁含量进行预估和分级。

预估模型如下：

对应的虚拟变量预估模型：

使用上述模型进行檀香叶片全铁含量分级的过程为：

首先使用公式(4)计算出y0，然后确定计算出的y0属于三级全铁含量中的哪一级别，然后根据该级别确定n1和n2的值，最终由公式(2)预估出檀香叶片全铁含量并进行分级。

实施例4：本实施例还公开了一种檀香叶片全铁含量分级的方法。首先对前述檀香叶片全铁含量进行确定，并根据确定的全铁含量对叶片的铁元素丰缺进行分级。

分级步骤如下：

首先根据没有虚拟变量的模型(公式4)计算檀香叶片全铁含量y0，

如果y0＜c1，则n1＝1，n2＝0；

如果c1≤y0≤c2，则n1＝0，n2＝1；

如果y0＞c2，则n1＝1，n2＝1；

其中，c1、c2是设定的全铁含量级别界限，如果檀香的叶片全铁含量不足c1，则定义为“缺铁”，若介于c1、c2之间，则定义为“正常”，若大于c2，则定义为“铁过量”。

步骤x、计算待估测的檀香叶片全铁含量y；

将4种波段颜色值和3种纹理参数以及计算得到的虚拟变量n1、n1代入预估模型中，得到y。

步骤y、对檀香叶片全铁含量进行分级；

根据设定的分级标准将檀香叶片铁元素丰缺分为三个等级：

如果y<200mg/kg，则认为“缺铁”；

如果200mg/kg≦y≦500mg/kg，则认为“正常”；

如果500mg/kg<y，则认为“铁过量”；

通过上述分级后，可以给出檀香叶片全铁含量营养诊断结果，对于被诊断为“缺铁”或“铁过量”的植株，经营者们可以通过预估模型算出的结果，决定之后的处理措施。本发明为其他珍贵树种的营养诊断提供了参考。

实施例5：实施例1以檀香叶片为对象，还能够对沉香、降香黄檀等珍贵树种叶片作为实施例运用本发明的方法实施，其步骤与实施例1相同，只是用沉香、降香黄檀叶片代替檀香叶片并改变模型参数即可。

实施例6：本实施例提供了一种檀香叶片全铁含量的多光谱图像确定系统，包括：

图像获取装置，用于获取叶片的多光谱图像；

图像获取装置是有蓝、绿、红、近红外四个波段的多光谱相机设备；

计算单元，用于从叶片的多光谱图像中获取图像参数；

确定单元，用于根据图像参数利用檀香叶片全铁含量预估模型确定叶片全铁含量。

本实施例的各个单元的工作原理可参见上述实施例的描述。

根据本发明，可以通过多光谱相机和计算机就可实现檀香叶片全铁含量的测定，因此本发明不需要增加额外设备就可估算檀香叶片全铁含量，极其适用于我国华南地区栽植檀香的各林场及单位。

如上所述，对本发明的实施例进行了详细地说明，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的变形，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。