东北粳稻叶绿素相对含量的无人机高清影像检测方法

1材料与方法

1.1 研究区域概况

试验地位于辽宁省沈河区沈阳农业大学的研究所育种实验田（123°33′E，41°49′N)。试验材料选择在东北具有广泛种植的中熟粳稻-沈稻 47，由沈阳农业大学农学院提供。实验田大小为936m2（36m×26m），总共18个小区，面积 8m×5m，采用完全随机排列，保护行宽度为 1m，单灌单排，小区之间采用挡肥板，为了使水稻的 SPAD形成梯度，1~14 号小区氮磷钾采用 4 个水平：0 水平指不施肥，2 水平指当地推荐的最佳施肥量，1 水平（指施肥不足）=2 水平×0.5，3 水平=2 水平×1.5（该水平为过量施肥水平），15~18 小区采用微量元素处理(表 1)，除施肥措施外，其他田间管理措施一致。

表 1  3414 处理的施肥图

1.2 数据获取

1.2.1 无人机高清影像数据

采用无人机搭载 X5 相机， 获取 18 个小区的高清数码影像 ，1600 万像素 ， 借鉴JIA 等获取小麦图像的方法，采集当天天气晴朗无云，采集时间 10∶00 至 14∶00，太阳光辐射强度稳定，日照较强，不同时间拍摄出来的图片受光照影响的变化较小，同时以标准白色比色板进行校正，垂直高度距离地面5m（距离水稻冠层 4m），垂直拍摄 ，整个拍摄过程光照强度在 2600~2950lx，镜头均采用广角 ，设置为 10mm，光圈自动，手动对焦到无穷远，拍摄采用自动白平衡模式，图像储存格式为 raw，曝光时间在 1/6~1/5s 之间，分辨率可达到 4608*3456，所获取的单个水稻冠层面积约为 8m×5m 的长方形。

1.2.2 田间监测 

SPAD 数据采用便携式叶绿素仪 SPAD-502 活体采集粳稻SPAD，测量部位在叶片的中部，中部上、下 3cm 处，取 3 处测定值的平均值表示该叶片的 SPAD，对每个小区随机选取采样区域，每个采样区域定 3 穴，即选择 3 株长势相近无损伤的植株进行测定，每株测定 10 张叶片，即每个采样点测量 30 个叶片，依据拉依达准则去除粗大误差后求平均值作为一个采样点的 SPAD，每次采集间隔时间为 30d，即对分蘖期、拔节孕穗期和抽穗灌浆期各采集 1 次 18 个小区的 SPAD 数据，共采集 54 组数据。

2 图像去背景和特征参数计算及筛选

2.1 图像去背景

采用 GPS 定位截取出对应采样区域的水稻冠层图像，利用 Matlab 对没有长出稻穗的水稻图像采用阈值分割的方法，提取出水稻叶片图像（图 1）。 抽穗灌浆后期有稻穗的水稻图像，仅仅采用阈值分割已经不能满足，首先采用 K 均值聚类分割法去除稻穗，然后再采用阈值分割（图 2），提取分割后的采样点叶片图像非 0 像素点的 R、G、B 分量，分别计算平均像素值作为基础颜色参数 R、G、B 值。

 原始图像                                         阈值分割后图像

图 1  无稻穗的图像处理

原始图像                k均值去除稻穗后图像               阈值分割后图像

图 2  有稻穗的图像处理（图中黑色部分为水土或者粳稻残体）

2.2 分割后的水稻冠层图像特征参数计算

用 R、G、B 及 G/R、G/B、B/R、R-B、G-R、NRI、NGI、NBI 共 11 种常用的特征参数组合，对粳稻的 SPAD 状况进行描述。 其中 R、G、B 分别代表红光、绿光和蓝光亮度值，G/R、G/B、B/R 分别代表绿光和红光亮度比值、绿光和蓝光亮度比值、蓝光和红光亮度比值，R-B 和 G-R 分别代表红光和蓝光亮度差值以及绿光和红光亮度差值，NRI(normalized redness intensity)、NGI(normalized rgreenness intensity)、NBI(normalized blueness intensity) 分别代表红光标准化、绿光标准化、蓝光标准化，参数计算方法为：

NRI=R/（R+G+B）

NGI=G/（R+G+B）

NBI=B/（R+G+B）

对于图像特征参数和 SPAD 用 Microsoft Excel 2003 软件进行筛选分析， 并去除一些由于偶然因素造成明显的误差的数据，去除奇异值后，最终保留 49 组数据。

2.3 图像特征参数的筛选

将分蘖期、拔节孕穗期、抽穗灌浆期的粳稻的 49 组 SPAD 数据与对应的 11 种图像特征参数进行相关性分析，筛选出与 SPAD 高度相关的图像特征参数进行建模，根据统计学的划定，相关系数|r|≥0.8 时，视为高度相关；0.5≤|r|<0.8 时，视为中度相关；0.3≤|r|<0.5 时，视为低度相关；|r|<0.3 时，表示两者相关性很弱，可视为无关。 从表 2 可以看出 NRI、B/R 和 R-B 的皮尔森相关系数均大于 0.8， 为高度相关，R、B、NBI、G/R、G/B 和 G-R的皮尔森相关系数在0.5 到0.8之间，为中等程度相关，G 和 NGI 与 SPAD 可视为无关或弱相关，说明 NRI、B/R、R-B 这3种颜色参数能够很好的反映粳稻 SPAD 的变化 ， 因此可以筛选出与 SPAD 高度相关的 NRI、B/R、R-B 这3种图像特征参数进行 SPAD 反演建模。

表 2粳稻叶片相对叶绿素含量 SPAD 和颜色参数 RGB 及其组合的相关性分析

图 3 图像特征参数与 SPAD 的关系

3 NRI、B/R、R-B 与 SPAD 建模

3.1 基于一元线性回归的粳稻 spad预测模型构建

本研究选取相关性达到高度相关的图像特征参数 NRI、B/R 和 R-B 分别与 SPAD 构建的一元线性回归模型，去除奇异值后的监测样点数据80%（39 组）用于模型的构建，剩余的 20%（10 组）进行一元线性回归模型精度测试，用均方根误差 RMSE（root mean square error）对比预测效果。由表 3 可知，基于 NRI、B/R 和 R-B 颜色参数组合的拟合模型都能很好反映粳稻生育期 SPAD 与颜色特征参数的定量关系， 构建的粳稻 SPAD 估算模型预测误差均较小，RMSE 分别为 1.51,1.70,1.72，反演精度较高。

3.2 基于 BP 神经网络的粳稻 SAPD预测模型构建 

BP（back propagation）网络是一种多层前馈网络，引入了误差逆传播算法，是目前实际应用中最常见的神经网络。BP 网络学习属于有监督式的学习，需要样本集和已知的目标输出，基本原理是：训练时采用随机值作为权值，由学习样本得到网络输出，根据输出结果和目标结果的误差，逆向传播修改（迭代）各节点的权重和阈值，减小代价函数，减小误差，如此反复，直到达到设定的要求，网络训练结束。BP 神经网络模型拓扑结构由输入层 （input）、隐藏层 （hide layer）和输出层 （output layer）组成 ，将颜色参数NRI、B/R 和 R-B 作为模型输入矢量 P；输出层为粳的 SPAD；学习目标 T 与构建一元线性回归模型的样本数一致为 39 组，测试样本选择剩余的 10 组样点数据。 训练数据和测试数据的输入输出均归一化处理，归一化的方式为 y=(x-min)/(max-min)，x 为代表颜色数 NRI、B/R 和 R-B，y 代表归一化后的 NRI、B/R 和 R-B， 激活函数和输出函数均是 sigmoid 函数，训练采用带动量因子的随机梯度下降法进行训练，学习率为 0.001，动量因子为 0.9，隐藏层数为 1，不断调整隐层的节点数，发现最佳神经元个数为 80，训练误差收敛到 0.0081。

3.3 SPAD反演精度比对

为了比较 BP 神经网络相对于传统的一元线性回归分析预测 SPAD 的精确度， 选取剩余的 10 组数据进行BP 神经网络模型精度测试，将测试样本代入反演模型对粳稻的 SPAD 进行预测，同样用均方根误差法（RMSE）检验预测值和实际观测值的符合度（图 4）。 结果表明，基于 NRI、B/R 和 R-B 的多特征输入的 BP 神经网络模型，模拟误差（RMSE）仅为 1.35，相对一元线性回归预测模型中精度最高的图像特征参数 NRI 的预测模型(表 3)，模拟精度有一定的提高，提升了 11%。

表 3 NRI、B/R 和 R-B 的模型

图 4 BP 神经网络预测粳稻 SPAD 误差

4 讨论与结论

与采用叶绿素仪方法测定水稻冠层 SPAD 相比，利用无人机低空遥感可以快速获取大尺度水稻冠层参数，且与卫星遥感相比，具有更好的实时性。 目前，大多数研究均采用地面辅助装置垂直拍摄田间水稻冠层数码影像，为提高水稻冠层高清影像的获取速度，本文利用无人机机动灵活的特点，搭载高清数码相机快速获取水稻冠层影像， 进而探索无人机遥感反演 SPAD 的可行性， 通过相关性分析发现，NRI、B/R、R-B 与粳稻冠层SPAD 高度相关 ，其中 NRI 的相关性最高达到 0.91，该结果与王远等人的研究结果相符 ，进一步说明了用冠层颜色参数反演水稻 SPAD 是可行的。目前，利用颜色参数和 SPAD 进行建模的主要方法为一元线性回归，本研究利用三种颜色参数进行拟合，均方根误差分别为 1.51,1.70,1.72。 同时，利用 NRI、B/R、R-B 作为 BP 神经网络的多输入特征进行建模，经检验，模型的 RMSE 可达到 1.35，比一元线性回归提高 11%，说明利用 BP 神经网络的非线性拟合具有更好的效果。 研究结果说明基于无人机高清影像反演东北粳稻 SPAD 切实可行，相较于一元线性回归，基于 NRI、B/R和 R-B 的多特征输入的BP 神经网络模型预测粳稻 SPAD 具有更好的拟合效果。