氮肥是影响作物产量及作物品质的主要因子。作物的氮营养状况直接决定氮肥的施用,准确、实时、无损地获取作物氮营养信息是实现合理施肥的关键。作物氮营养状况由其内在的生理状况决定,亦会在其表观视觉信息即叶色中得以体现。作物叶色变化信息是进行氮素营养诊断的一个重要依据。善于处理视觉信息的计算机视觉技术是直接获取田间作物氮营养状况的有效手段之一。论文以水稻和油菜作为研究对象,对基于计算机视觉的水稻、油菜叶色—氮营养诊断机理与建模中的光照问题、图像分析技术问题、特征与空间选择问题和建模问题四个方面展开了研究,旨在为远程计算机视觉诊断新平台及新一代便携式叶片氮素无损测定仪的研制奠定基础。
1.光照问题是影响作物叶色—氮营养诊断精度的首要问题,主要包括光照亮度不一致问题和色偏问题。针对室内外不同环境条件所获图像集中出现的光照亮度不一致问题,定义了一种新的颜色空间——十色模型,提出基于灰度梯度的光照亮度补偿、基于十色模型和灰度世界的光照亮度补偿和组合方法用于解决不同图像间光照亮度不一致问题,效果显著,能使相关性提高0.05-0.10。针对偏色问题,提出RGB检测方法用于色偏图像的检测,准确率可达95.9%,提出基于十色模型的颜色恒常性算法、基于直方图统计的颜色恒常性算法、直方图移动校正算法和基于冠层图像统计特征的校正算法用于色偏图像的校正,在多类色偏图像集中与常规方法的比较中取得不错的性能,能使相关性提高0.02-0.22。
2.图像分析技术问题是影响作物叶色—氮营养诊断精度的又一关键问题,主要包括图像分割与分析问题。针对背景复杂、结构复杂等问题,提出快速亮度截留分割法、多元组合方法、超绿组合方法和十色组合方法等新方法,用于不同环境条件图像集的分割,与现有文献中提取的超绿等多种方法比较均取得不错的性能,对户外冠层图像的处理性能尤为突出。针对属于凹多边形的油菜叶片及其它破损、弯曲及不规则叶片的外接矩形计算问题,提出最适外接矩形计算方法,与最小外接矩形、最小周长外接矩形及主轴法外接矩形相比,能将角度误差减少10-50%。
3.敏感颜色特征与空间问题是影响作物叶色—氮营养诊断精度的再一关键问题,主要包括敏感颜色特征不一致问题和敏感空间不一致问题。针对不同文献中敏感颜色特征不一致问题,提出基于最大相关性的敏感颜色特征选择方法来筛选不同水平、不同成像条件、不同生育时期、不同品种及不同作物的敏感颜色特征,筛选结果为Si*I1、B-Y、Diff、G-B、I2。R-B, b*、r、DGCI/V, DGCI、DGCV、13、2G-R-B和(2G-R-B)/L*。针对叶片及植株冠层的空间颜色分布规律研究,提出网格分析法和同心圆分析法分别用于叶片表面和植株冠层的空间分析。将前述方法获得的空间颜色特征与各类氮指标进行相关分析,选择得到敏感空间,水稻叶片敏感区域为距叶枕2/5处,油菜叶片敏感区域为距叶尖1/5处,水稻植株敏感叶位为顶3叶,油菜植株敏感叶位为基部叶,水稻植株冠层敏感区域为距株心1/2处。
4.模型构建是作物叶色—氮营养诊断的核心问题,主要包括定量估测与定性诊断建模问题。针对计算机视觉诊断中存在的主要建模问题,重点分析了定量回归和诊断模型构建问题并提出相应的解决方案,最后在分析和比较常规线性和非线性回归建模技术、支持向量回归与支持向量机、极限学习机和神经网络方法的基础上,结合本研究中图像的统计特征,选择Si*I1(水稻)或(2G-R-B)/L*(油菜)颜色特征分别应用线性和二项式回归建模方法构建了叶片、植株和冠层水平图像的统一定量估测模型,相对均方根差(RRMSE)值在1%-33%之间,选择颜色特征r和DGCI/V作为分类特征参数,分别应用线性判别分析、极限学习机、支持向量机(SVMKM和libSVM)和神经网络方法建立水稻、油菜及水稻油菜混合氮状况的定性诊断模型,以SVMKM模型性能最佳,准确率分别为95.1%、97.8%和95.8%。
最后,在Matlab平台上开发了实现以上功能的作物数字图像分析与数据处理软件。
