CN102855625A - 一种半球摄影法获取水稻冠层丛生指数的方法 - Google Patents

Abstract

本发明公开了一种半球摄影法获取水稻冠层丛生指数的方法，包括如下步骤：(1)将半球数字摄像系统的镜头朝上，水平放置在水稻冠层内部，拍摄水稻冠层原始彩色半球图像；(2)将所述水稻冠层原始彩色半球图像转换为灰度半球图像；(3)将所述灰度半球图像转换为只含有“黑”“白”两种象元的二值半球图像；(4)基于所述二值半球图像计算水稻冠层孔隙度；(5)通过“孔隙度对数平均法”计算冠层丛生指数。本发明的方法利用基于鱼眼镜头的半球摄影法获取水稻冠层数字半球图像，不用野外进行破坏性人工量测和计算，能实时快速地获取水稻冠层丛生指数，从而有效提高水稻冠层叶面积指数的估算精度。

Description

一种半球摄影法获取水稻冠层丛生指数的方法

技术领域

本发明涉及水稻冠层叶面积指数研究领域，具体涉及一种半球摄影法获取水稻冠层丛生指数的方法。

背景技术

丛生指数用来定量描述植被冠层元素的空间实际分布与自由随机分布的偏离程度(Chen JM，Black TA，Adams RS.Evaluation of hemisphericalphotography for determining plant area index and geometry of a forest stand.Agricultural and Forest Meteorology，1991，56：129-143)。Monsi和Saeki(Monsi M，Saeki T.Uber den Lichtfaktor in den Pflanzengesellschaften undseine  Bedeutung für die Stoff produktion.Japanese Journal of Botany，1953，14，22-52)首次用丛生指数(Clumping Index，CI)来定量描述植被冠层元素的空间实际分布与自由随机分布的偏离程度。

在利用半球摄影法等间接测量方法测量植被冠层LAI(叶面积指数)等结构参数时，目前大多数都是基于泊松分布模型，在泊松分布模型中，假设植被冠层叶簇叶片大小均一、空间上随机分布。但实际上由于植被结构错综复杂，冠层叶簇不可能自由随机分布，因此通过间接方法获得的LAI与实际的LAI相比存在误差，一般可达30-70％不等[Chen JM，Cihlar J.Plant canopy gap-size analysis theory for improving optical measurements ofleaf area index.Appied Optics，1995，34(27)：6211-6222.Stenberg P. CorrectingLAI2000 estimates for the clumping of needles in shoots of conifers.Agricultural and Forest Meteorology，1996，79(1-8)]。

为了解决或减小这种误差，Nilson(Nilson T.Atheoretical analysis of thefrequency of gaps in plant stands.Agricultural Meteorology.1971，8：25-38)在孔隙度计算公式中引入一个纠正因子Ω，Chen等人(Chen J M，Cihlar J.Plant canopy gap-size analysis theory for improving optical measurements ofleaf area index[J].Applied Optics，1995，34(27)：6211-6222)进一步提出一个新的变量“有效LAI”，它等于Ω乘以实际的LAI值，Ω就是丛生指数。它的值依赖于植株结构，如叶簇沿茎杆和在中轴线、枝条或树的嫩枝上的分布位置(小尺度)，和冠层结构，如冠层内部植株的相对位置(大尺度)，还高度依赖于观测方向，这导致其在实际冠层中很难估算(Andrieu B，Sinoquet H.Evaluation of structure description requirements for predicting gapfraction of vegetation canopies.Agricultural and ForestMeteorology，1993，65：207-227；Kucharik CJ，Norman JM，Murdock LM，Gower TS.Characterizing canopy non-randomness with a MultibandVegetation Imager MVI.Journal of Geophysical Research，1997，102：455-473)。

Gonsamo等人(Gonsamo A.，Pellikka P.The computation of foliageclumping index using hemispherical photography.Agricultural and ForestMeteorology，2009，81-787)利用Nikon Coolpix 8800数码相机和NikonFC-E9鱼眼镜头适配器拍摄肯尼亚东南部山区的雾林、松树、柏树、桉树冠层半球图像，并运用CIMES软件(http://equmoxe.u-strasbg.fr/cimes)计算了相关的丛生指数。Demarez等人(Demarez V.，Duthoit S.，BaretF.，Weiss M.，Dedieu D.Estimation of leaf area and clumping indexes of cropswith hemispherical photographs.Agricultural and Forest meteorology，2008，148：644-655)则利用半球图像和CIMES软件成功研究了位于法国图卢兹西南部的冬小麦、夏玉米和向日葵冠层叶片的丛生指数并改进了其叶面积指数(LAI)的估算精度。而关于利用数字半球图像进行水稻冠层叶片丛生指数方面的研究目前还没有公开的文献报道。

发明内容

针对现有人工直接方法进行野外测量再计算水稻冠层丛生指数的方法费时费力且难以实时快捷准确获取结果的缺陷，本发明提供了一种半球摄影法获取水稻冠层丛生指数的方法，方便快捷，有效提高水稻冠层叶面积指数的估算精度。

一种半球摄影法获取水稻冠层丛生指数的方法，包括如下步骤：

(1)将半球数字摄像系统的镜头朝上，水平放置在水稻冠层内部，拍摄水稻冠层原始彩色半球图像；

(2)将所述水稻冠层原始彩色半球图像转换为灰度半球图像；

(3)将所述灰度半球图像转换为只含有“黑”“白”两种象元的二值半球图像；

(4)基于所述二值半球图像按如下公式计算水稻冠层孔隙度，

式中：

-天顶角为θ、方位角为的片段的孔隙度；

-天顶角为θ、方位角

的片段中天空像元数量；

-天顶角为θ、方位角为

的片段中叶片像元数量；

以二值半球图像中心点为圆心，每隔5°将图像划分为18个同心环，每个环对应一个天顶角，从里到外，各环用5°、10°、15°、......、80°、85°等18个天顶角表示其视角θ，方位角等分为72(扇形)片段，即天顶角θ和方位角

的分辨率均为5°；

(5)通过“孔隙度对数平均法”按如下公式计算冠层丛生指数，

式中Ω(θ)为天顶角为θ时水稻冠层的丛生指数。

步骤(2)中采用如下公式转换：

Gray(x，y)＝B(x，y)

式中，Gray(x，y)——灰度图像上点(x，y)处的灰度值，

      B(x，y)——原始彩色半球图像中点(x，y)处的蓝色分量值。

步骤(3)中采用如下公式转换：

$\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{Gray}(x,y)<T\\ 255& \mathrm{Gray}(x,y)\&GreaterEqual;T\end{array}\right.$

式中，BW(x，y)——二值图像上点(x，y)处的像素值，

      Gray(x，y)——灰度图像上点(x，y)处的灰度值，

      T——选定的阈值，

      BW(x，y)＝0——黑色，表示(x，y)点处为水稻叶片，

      BW(x，y)＝255——白色，表示(x，y)点处为天空。

所述阈值的确定方法为Otsu算法。

整个计算采用Visual C#2008编程实现。

本发明的有益效果：

本发明的方法利用基于鱼眼镜头的半球摄影法获取水稻冠层数字半球图像，不用野外进行破坏性人工量测和计算，能实时快速地获取水稻冠层丛生指数，从而有效提高水稻冠层叶面积指数的估算精度。

附图说明

图1是本发明水稻冠层丛生指数计算值与直接方法测量值的对比图。

具体实施方式

在选定的田块中按“S”型分布设立4个1m×1m拍摄小区，选择早稻和晚稻为拍摄对象，在各季水稻的生长季节每周拍摄一次，每季水稻拍摄5-7次。

(1)拍摄水稻冠层半球图像：

将鱼眼镜头照相机安放在每个小区的中心点，保持水平，镜头向上拍摄；拍摄时间选择阴天或晴天但太阳被云层遮挡的时候进行；水平旋转照相机，每隔45°拍摄一张，每个小区共得到8张水稻冠层半球图像；处理这8张影像得到的孔隙度的平均值作为计算丛生指数的基础数据。

在拍摄水稻冠层图像的同时，用人工测量直接方式获取丛生指数，即：设置美国Decagon公司AccuPAR LP-80的叶角分布参数X＝1.0，每个小区按两种不同探头方向两次测量，即顺着水稻行方向和45°斜向，两种测量均采用上下各3次的方式进行测量，取两两个方向测量得到的叶面积指数(Leaf Area Index，LAI)平均值作为该小区的人工测量的有效LAI测量结果LAI_eff。

在拍摄水稻冠层图像的同时，数清每个小区内水稻的株数N，并随机抽取4株，采用美国Li-Cor公司的LA 3000C叶面积测试仪测试每株水稻活体叶片的面积A_i，则人工测量方法获取的“真实”叶面积指数LAI_true采用公式(1)计算：

${\mathrm{LAI}}_{\mathrm{true}}=N\&times;\frac{1}{4}\underset{j=1}{\overset{4}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{A}_i---\left(1\right)$

式中，N为每一小区水稻的实际株数，A_i为LA3000测得的每一片水稻叶片的面积，m为每株水稻的所有叶片数。

(2)彩色图像灰度转换：步骤(1)中拍摄的原始水稻冠层半球图像为彩色图像，将其转为为灰度半球图像。

转换公式采用公式(2)：

Gray(x，y)＝B(x，y)                          (2)

式中：

Gray(x，y)——灰度图像上点(x，y)处的灰度值，

B(x，y)——原始彩色图像中点(x，y)处的蓝色分量值；

(3)图像二值化：将灰度半球图像转换为二值半球图像，采用公式(3)。

$\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{Gray}(x,y)<T\\ 255& \mathrm{Gray}(x,y)\&GreaterEqual;T\end{array}\right.---\left(3\right)$

式中：

BW(x，y)——二值图像上点(x，y)处的像素值，

Gray(x，y)——灰度图像上点(x，y)处的灰度值，

T——选定的阈值，

BW(x，y)＝0——黑色，表示(x，y)点处为水稻叶片，

BW(x，y)＝255——白色，表示(x，y)点处为天空；

阈值确定方法：Otsu方法。

Otsu算法是由日本学者大津于1979年提出的，是一种自适应的阈值确定的方法，又叫最大类间方差法(赵春江.数字图像处理算法典型实例[C].北京：人民邮电出版社，2009)，其基本思想是：把图像中的像素按灰度用某一阈值t处理分割成两类，一类由灰度值在[0，t]之间的像素组成，另一类由灰度值在[t+1，255]之间的像素组成，按公式(4)计算两类的类间方差。

σ(t)²＝ω₁(t)ω₂(t)[μ₁(t)-μ₂(t)]²                     (4)

式中，ω₁(t)——第一类中包含的像素数，

ω₂(t)——第二类中包含的像素数，

μ₁(t)——第一类中像素的平均灰度值，

μ₂(t)——第二类中像素的平均灰度值。

让t在[0，255]范围依次取值，当被分成的两类之间的方差为最大时，决定阈值。

(4)计算丛生指数：

①计算孔隙度

以经过图像处理得到的水稻冠层的二值半球图像中心点为圆心，每隔5°将图像划分为18个同心环，每个环对应一个天顶角。从里到外，各环用5°、10°、15°、......、80°、85°等18个天顶角表示其视角θ，方位角

等分为72(扇形)片段，即天顶角θ和方位角

的分辨率均为5°，按公式(5)计算每个片段天空像元的数量占片段内总像元的比例，即该片段对应的冠层孔隙度：

式中：

——天顶角为θ方位角为

的片段的孔隙度，

——天顶角为θ方位角为的片段中天空像元数量，

——天顶角为θ方位角为

的片段中叶片像元数量。

为了避免发生因为零而出现

无法计算的情形，按公式(6)计算此时的

式中，LAI_Max为LAI达到饱和时的值(即最大值)，取10，Np为LAI达到饱和(此时

为零)的片段中像元的数量。

②计算丛生指数：

按公式(7)计算通过人工测量直接方式获得的丛生指数Ω_direct：

  Ω_direct＝LAI_eff/LAI_true                     (7)

根据公式(8)所示“孔隙度对数平均法”计算丛生指数Ω(θ)：

式中Ω(θ)为天顶角为θ时水稻冠层的丛生指数。

将用本发明方法得到的水稻冠层丛生指数值(即由公式(8)得到的丛生指数值)作为预测值，用直接方式获得的丛生指数值(即由公式(7)得到的丛生指数值)作为观测值(如表1)，作散点图如图1所示，同时进行线性拟合，来验证本方法的精确度和准确度。

表1  丛生指数测试结果

表1数据表明，整体上，用本发明方法测得的丛生指数值要小于直接方法测得的。图1表明，用两种方法得到的丛生指数Ω的值进行线性拟合时，二者之间的关系可以用公式Ω_pred=0.95*Ω_direct(R²＝0.53)来描述(Ω_pred为本发明方法得到的Ω值，Ω_direct为通过直接方法测得的Ω值)。Ω_pred和Ω_direct二者相关程度比较高，斜率为0.95，决定系数R²为0.53，本方法所测Ω值准确度和精确度较高，

本发明方法只需要利用半球数字图像摄影系统在水稻冠层内拍摄一次图像就可以快速获得准确度和精确度较高的丛生指数值Ω，相比直接方法而言，非常方便快捷。

Claims (5)

1.一种半球摄影法获取水稻冠层丛生指数的方法，其特征在于，包括如下步骤：

(1)将半球数字摄像系统的镜头朝上，水平放置在水稻冠层内部，拍摄水稻冠层原始彩色半球图像；

(2)将所述水稻冠层原始彩色半球图像转换为灰度半球图像；

(3)将所述灰度半球图像转换为只含有“黑”“白”两种象元的二值半球图像；

(4)基于所述二值半球图像按如下公式计算水稻冠层孔隙度，

式中：

——天顶角为θ、方位角为

的片段的孔隙度；

——天顶角为θ、方位角为

的片段中天空像元数量；

——天顶角为θ、方位角

的片段中叶片像元数量；

(5)通过“孔隙度对数平均法”按如下公式计算冠层丛生指数，

式中Ω(θ)为天顶角为θ时水稻冠层的丛生指数。

2.根据权利要求1所述的方法，其特征在于，所述天顶角和方位角的分辨率均为5°。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中采用如下公式转换：

Gray(x，y)＝B(x，y)

式中，Gray(x，y)——灰度图像上点(x，y)处的灰度值，

B(x，y)——原始彩色半球图像中点(x，y)处的蓝色分量值。

4.根据权利要求1所述的方法，其特征在于，步骤(3)中采用如下公式转换：

$\mathrm{BW}(x,y)=\left\{\begin{array}{cc}0& \mathrm{Gray}(x,y)<T\\ 255& \mathrm{Gray}(x,y)\&GreaterEqual;T\end{array}\right.$

式中，BW(x，y)——二值图像上点(x，y)处的像素值，

Gray(x，y)——灰度图像上点(x，y)处的灰度值，

T——选定的阈值，

BW(x，y)＝0——黑色，表示(x，y)点处为水稻叶片，

BW(x，y)＝255——白色，表示(x，y)点处为天空。

5.根据权利要求4所述的方法，其特征在于，所述阈值的确定方法为Otsu算法。