CN103471990A - 盐渍化土壤有机质含量的在线测量方法 - Google Patents

Abstract

盐渍化土壤有机质含量的在线测量方法，本发明涉及一种土壤有机质含量的测量方法。本发明的目的是要解决现有土壤有机质测量方法存在过程复杂和成本高的问题。方法1：一、建立GLCM纹理特征量与土壤SOM线性方程，二、在线计算。方法2：一、建立小波分解纹理特征量与土壤SOM线性方程；二、在线计算。优点：一、与实验室实际测量的土壤样本SOM结果具有很好的一致性；二、处理速度快、成本低、可重复性强，吻合性高。本发明主用于盐渍化土壤有机质含量的在线测量。

Description

盐渍化土壤有机质含量的在线测量方法

技术领域

本发明涉及一种土壤有机质含量的测量方法。

背景技术

土壤盐渍化及次生盐碱化是指干旱、半干旱地区不合理的人类活动与脆弱的生态环境相互作用引起的土地退化问题，在全球范围内广泛存在。我国土壤盐渍化程度也非常严重，主要分布在西北、华北、东北西部和滨海地区，总面积接近3.46×10⁷hm²，其中可耕作土地仅有7.6×10⁶hm²。随着人口的增长、粮食问题和生态环境的持续恶化，土壤盐渍化对中国社会经济、环境和生态系统带来的破坏越来越受到关注。土壤有机质是指土壤中含碳的有机化合物，是土壤固相部分的重要组成成分，尽管土壤有机质的含量只占土壤总量的很小一部分，但它对土壤形成、土壤肥力、环境保护及农林业可持续发展等方面都有着极其重要的意义。且不同的土壤由于来源不同，有机质含量差异很大，在盐渍化土地中，不同盐渍化程度的土壤有机质含量差异也非常明显。由此可知，加强盐渍化土壤的检测范围和检测力度，高效、快速、准确的确定盐渍化土壤的有机质含量，在盐碱化土地改良中具有重要的决策意义。然而现有的土壤有机质测量方法主要以利用有机碳分析仪和重铬酸钾氧化方法的实验室测量为主，虽然测量精度高，但是测定过程对样本要求高，实验过程复杂，费时费力，且实验成本也很高，并不适于野外条件下对土壤有机质含量进行实时大面积的测量。

发明内容

本发明的目的是要解决现有土壤有机质测量方法存在过程复杂和成本高的问题，而提供一种盐渍化土壤有机质含量的在线测量方法。

一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立GLCM纹理特征量与土壤SOM线性方程：

①、制备风干样本：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹灰度共生矩阵纹理特征量，具体步骤如下：

A：将步骤一①得到的风干样本的彩色裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：设置灰度级，方向和变化步长等参数，计算图像的灰度共生矩阵，按照灰度共生矩阵计算裂纹图像的统计纹理特征量，公式如下：

1)对比度(Contrast)：

$\mathrm{contra}=\underset{n}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\right\},|i-j|=n,$

2)角二阶矩(Angular Second Moment)：

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2,$

3)熵(Entropy)：

$\mathrm{Entropy}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left(p(i,j)\right),$

4)一致性(Homogeneity)：

$\mathrm{Homo}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}p(i,j),$

5)相关性(Correlation)：

$\mathrm{Correlation}=\frac{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$

6)集群荫(Cluster Shade)：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{3}p(i,j),$

7)集群突出性(Cluster Prominence)：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{4}p(i,j),$

8)最大概率(Max Probability)：

Maxprobability=max{p(i，j)}，

9)和平均(Sum Average)：

$\mathrm{SumAverage}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right),$

10)和熵(Sum Entropy)：

$\mathrm{SumEntropy}=-\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\},$

11)和方差(Sum Variance)：

$\mathrm{SumVariance}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{(i-\mathrm{SumEntropy})}^2{p}_{x+y}\left(i\right),$

12)相关信息特征1(Information of correlationl)：

$\mathrm{Inforofcorrelation}1=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max (\mathrm{HX},\mathrm{HY})},$

13)相关信息特征2(Information of correlation2)：

Inforofcorrelation2={1-exp[-2*(HXY2-HXY)]}^1/2，

其中：

p(i，j)是归一化灰度共生矩阵(i，j)位置元素值，Ng是共生矩阵灰度级数，

$p_x\left(i\right)=\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_y\left(j\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3},....2\mathrm{Ng},$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),|i-j=k|,k=\mathrm{0,1,2},...\mathrm{Ng}-1,$

$\mathrm{HXY}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\},$

$\mathrm{HXY}1=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(i\right)\right\},$

$\mathrm{HXY}2=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

μ_x，μ_y为p_x(i)，p_y(j)均值，σ_x，σ_y为p_x(i)，p_v(j)方差；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量进行相关分析，选择拟合效果最好的纹理特征量作为该厚度下最优GLCM纹理特征量，建立回归公式：Y＝kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优GLCM纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的GLCM纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应GLCM纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的GLCM纹理特征量代入相应GLCM纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立小波分解纹理特征量与土壤SOM线性方程：

①、确定裂纹厚度：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹小波分解纹理特征量，具体步骤如下：

A：将彩色的步骤一①得到的风干样本的裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：选择小波基函数DB3，对样本裂纹图像进行3层小波分解，计算各层分解后水平、垂直、对角方向高频细节分量的L1范数均值，作为裂纹图像不同分解层次的小波纹理特征，计算公式如下：

14)水平L1范数：

$L1H\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pH}(x,y),$

15)垂直L1范数：

$L1V\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pV}(x,y),$

16)对角L1范数：

$L1D\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pD}(x,y),$

17)L1范数均值：

L1(i)＝1／3(L1H(i)+L1V(i)+L1D(i))，

其中，i为分解层数，pH(x，y)、pV(x，y)、pD(x，y)分别为(x，y)位置上水平、垂直及对角方向的小波分解系数；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，通过重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量进行相关分析，选择拟合效果最好的小波分解纹理特征量作为该厚度下最优小波纹理特征量，建立回归公式：Y＝kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优小波分解纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的小波分解纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应小波分解纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的小波分解纹理特征量代入相应小波分解纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

本发明优点：一、本发明提供了一种利用干燥土壤裂纹的GLCM统计纹理特征量及小波分解纹理特征量实现对盐渍化土壤有机质含量(SOM)的在线计算测量方法；首先确定建立GLCM纹理特征量与土壤SOM线性方程，或小波分解纹理特征量与土壤SOM线性方程，进而通过测量自然状态下裂纹厚度及相应厚度裂纹纹理特征的计算实现有土壤有机质含量的在线计算测量；通过本发明在线测量的自然条件下土壤SOM与实验室实际测量的土壤样本SOM结果具有很好的一致性；二、本发明给出的测量方法具有处理速度快、成本低、可重复性强，吻合性高等特点，能够实现对大面积的土壤进行多点快速的SOM在线测量；从而为有机碳含量的分布，农业生态及盐碱地的改良等领域提供很好的技术支持。

附图说明

图1是基于GLCM纹理特征量及小波分解纹理特征量的盐渍化土壤SOM在线测量流程图。

具体实施方式

具体实施方式一：结合图1，本实施方式是一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立GLCM纹理特征量与土壤SOM线性方程：

①、制备风干样本：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹灰度共生矩阵纹理特征量，具体步骤如下：

A：将步骤一①得到的风干样本的彩色裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：设置灰度级，方向和变化步长等参数，计算图像的灰度共生矩阵，按照灰度共生矩阵计算裂纹图像的统计纹理特征量，公式如下：

1)对比度：

$\mathrm{contra}=\underset{n}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\right\},|i-j|=n,$

2)角二阶矩：

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2,$

3)熵：

$\mathrm{Entropy}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left(p(i,j)\right),$

4)一致性：

$\mathrm{Homo}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}p(i,j),$

5)相关性：

$\mathrm{Correlation}=\frac{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$

6)集群荫：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{3}p(i,j),$

7)集群突出性：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{4}p(i,j),$

8)最大概率：

Maxprobability=max{p(i，j)}，

9)和平均：

$\mathrm{SumAverage}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right),$

10)和熵：

$\mathrm{SumEntropy}=-\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\},$

11)和方差：

$\mathrm{SumVariance}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{(i-\mathrm{SumEntropy})}^2{p}_{x+y}\left(i\right),$

12)相关信息特征1：

$\mathrm{Inforofcorrelationl}=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max (\mathrm{HX},\mathrm{HY})},$

13)相关信息特征2：

Inforofcorrelation2={1-exp[-2*(HXY2-HXY)]}^1/2，

其中：

p(i，j)是归一化灰度共生矩阵(i，j)位置元素值，Ng是共生矩阵灰度级数，

$p_x\left(i\right)=\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_y\left(j\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3},....2\mathrm{Ng},$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),|i-j=k|,k=\mathrm{0,1,2},...\mathrm{Ng}-1,$

$\mathrm{HXY}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\},$

$\mathrm{HXY}1=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

$\mathrm{HXY}2=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

μ_x，μ_y为p_x(i)，p_y(j)均值，σ_x，σ_y为p_x(i)，p_y(j)方差；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量进行相关分析，选择拟合效果最好的纹理特征量作为该厚度下最优GLCM纹理特征量，建立回归公式：Y=kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优GLCM纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的GLCM纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应GLCM纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的GLCM纹理特征量代入相应GLCM纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

图1是基于GLCM纹理特征量及小波分解纹理特征量的盐渍化土壤SOM在线测量流程图。

具体实施方式二：结合图1，本实施方式是一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立小波分解纹理特征量与土壤SOM线性方程：

①、确定裂纹厚度：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹小波分解纹理特征量，具体步骤如下：

A：将彩色的步骤一①得到的风干样本的裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：选择小波基函数DB3，对样本裂纹图像进行3层小波分解，计算各层分解后水平、垂直、对角方向高频细节分量的L1范数均值，作为裂纹图像不同分解层次的小波纹理特征，计算公式如下：

14)水平L1范数：

$L1H\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pH}(x,y),$

15)垂直L1范数：

$L1V\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pV}(x,y),$

16)对角L1范数：

$L1D\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pD}(x,y),$

17)L1范数均值：

L1(i)＝1/3(L1H(i)+L1V(i)+L1D(i))，

其中，i为分解层数，pH(x，y)、pV(x，y)、pD(x，y)分别为(x，y)位置上水平、垂直及对角方向的小波分解系数；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，通过重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量进行相关分析，选择拟合效果最好的小波分解纹理特征量作为该厚度下最优小波纹理特征量，建立回归公式：Y＝kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优小波分解纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的小波分解纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应小波分解纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的小波分解纹理特征量代入相应小波分解纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

采用下述试验验证本发明效果

试验一：一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立GLCM纹理特征量与土壤SOM线性方程：

①、制备风干样本：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为3cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为3cm的样本盒样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹的灰度共生矩阵纹理特征量，具体步骤如下：

A：将步骤一①得到的风干样本的彩色裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：设置灰度级，方向和变化步长等参数，计算图像的灰度共生矩阵，按照灰度共生矩阵计算裂纹图像的统计纹理特征量，公式如下：

1)对比度：

$\mathrm{contra}=\underset{n}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\right\},|i-j|=n,$

2)角二阶矩：

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\{p(i,j){\}}^2,$

3)熵：

$\mathrm{Entropy}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left(p(i,j)\right),$

4)一致性：

$\mathrm{Homo}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}p(i,j),$

5)相关性：

$\mathrm{Correlation}=\frac{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$

6)集群荫：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{3}p(i,j),$

7)集群突出性：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{4}p(i,j),$

8)最大概率：

Maxprobability＝max{p(i，j)}，

9)和平均：

$\mathrm{SumAverage}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}i{p}_{x+y}\left(i\right),$

10)和熵：

$\mathrm{SumEntropy}=-\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\},$

11)和方差：

$\mathrm{SumVariance}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{(i-\mathrm{SumEntropy})}^2{p}_{x+y}\left(i\right),$

12)相关信息特征1：

$\mathrm{Inforofcorrelation}1=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max (\mathrm{HX},\mathrm{HY})},$

13)相关信息特征2：

Inforofcorrelation2={1-exp[-2*(HXY2-HXY)]}^1/2，

其中：

p(i，j)是归一化灰度共生矩阵(i，j)位置元素值，Ng是共生矩阵灰度级数，

$p_x\left(i\right)=\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_y\left(j\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3},....2\mathrm{Ng},$

$p_{x-y}\left(k\right)\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),|i-j=k|,k=\mathrm{0,1,2},...\mathrm{Ng}-1,$

$\mathrm{HXY}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\},$

$\mathrm{HXY}1=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

$\mathrm{HXY}2=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

μ_x，μ_y为p_x(i)，p_y(j)均值，σ_x，σ_y为p_x(i)，p_y(j)方差；

D：为综合考虑方向的影响，选择各纹理特征量4方向O°、45°、90°和135°的均值作为最终的各纹理特征量，重复C操作确定步骤一①得到高度为3cm风干样本的GLCM纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为3cm风干样本的GLCM纹理特征量进行相关分析，选择拟合效果最好的纹理特征量作为该厚度下最优GLCM纹理特征量，建立回归公式：Y=0.3898X-9.6094，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优GLCM纹理特征量；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的GLCM纹理特征量，测量待测样地的裂纹层厚度为3.00cm，再将计算得到待测样地的GLCM纹理特征量代入步骤二得到的方程Y=0.3898X-9.6094中，计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

通过本试验计算可知待测样地盐渍化土壤有机质含量为10.79g／kg；采用常规实验手段对待测样地盐渍化土壤有机质含量进行检测可知，待测样地盐渍化土壤有机质含量为9.51g／kg；通过对比本发明在线测量的自然条件下土壤SOM与实验室实际测量的土壤样本SOM结果具有很好的一致性。

试验二：一种盐渍化土壤有机质含量的在线测量方法，具体是按以下步骤完成的：

一、建立GLCM纹理特征量与土壤SOM线性方程：

①、制备风干样本：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为3cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为3cm的样本盒样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的待测样的固定放置区域；

(2)对步骤一①得到的待测样进行拍照，得到步骤一①得到的待测样的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的待测样的裂纹照片进行图像处理操作以获取样本的裂纹小波分解纹理特征量，具体步骤如下：

A：将彩色的样本裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：选择小波基函数DB3，对样本裂纹图像进行3层小波分解，计算各层分解后水平、垂直、对角方向高频细节分量的L1范数均值，作为裂纹图像不同分解层次的小波纹理特征，计算公式如下：

14)水平L1范数：

$L1H\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pH}(x,y),$

15)垂直L1范数：

$L1V\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pV}(x,y),$

16)对角L1范数：

$L1D\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pD}(x,y),$

17)L1范数均值：

L1(i)=1／3(L1H(i)+L1V(i)+L1D(i))，

其中，i为分解层数，pH(x，y)、pV(x，y)、pD(x，y)分别为(x，y)位置上水平、垂直及对角方向的小波分解系数；

D：为综合考虑方向的影响，选择各纹理特征量4方向O°、45°、90°和135°的均值作为最终的各纹理特征量，通过重复C操作确定步骤一①得到高度为3cm风干样本的小波分解纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为3cm风干样本的小波分解纹理特征量进行相关分析，选择拟合效果最好的小波分解纹理特征量作为该厚度下最优小波纹理特征量，建立回归公式：Y=1.6425X-44.03，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优小波分解纹理特征量；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的小波分解纹理特征量，测量待测样地的裂纹层厚度为3.00cm，再将计算得到待测样地的小波分解纹理特征量代入步骤二得到的方程Y=1.6425X-44.03中，计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

通过本试验计算可知待测样地盐渍化土壤有机质含量为10.36g／kg；采用常规实验手段对待测样地盐渍化土壤有机质含量进行检测可知，待测样地盐渍化土壤有机质含量为9.51g／kg；通过对比本发明在线测量的自然条件下土壤SOM与实验室实际测量的土壤样本SOM结果具有很好的一致性。

Claims (2)

1.一种盐渍化土壤有机质含量的在线测量方法，其特征在于盐渍化土壤有机质含量的在线测量方法是按以下步骤完成的：

一、建立GLCM纹理特征量与土壤SOM线性方程：

①、制备风干样本：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹灰度共生矩阵纹理特征量，具体步骤如下：

A：将步骤一①得到的风干样本的彩色裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：设置灰度级，方向和变化步长等参数，计算图像的灰度共生矩阵，按照灰度共生矩阵计算裂纹图像的统计纹理特征量，公式如下：

1)对比度：

$\mathrm{contra}=\underset{n}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\right\},|i-j|=n,$

2)角二阶矩：

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2,$

3)熵：

$\mathrm{Entropy}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left(p(i,j)\right),$

4)一致性：

$\mathrm{Homo}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}p(i,j),$

5)相关性：

$\mathrm{Correlation}=\frac{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$

6)集群荫：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{3}p(i,j),$

7)集群突出性：

$\mathrm{Clustershade}=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{((i-{\mathrm{\μ}}_i)+(j-{\mathrm{\μ}}_j))}^{4}p(i,j),$

8)最大概率：

Maxprobability＝max{p(i，j)}，

9)和平均：

$\mathrm{SumAverage}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right),$

10)和熵：

$\mathrm{SumEntropy}=-\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\},$

11)和方差：

$\mathrm{SumVariance}=\underset{i=2}{\overset{2\mathrm{Ng}}{\mathrm{\Σ}}}{(i-\mathrm{SumEntropy})}^2{p}_{x+y}\left(i\right),$

12)相关信息特征1：

$\mathrm{Inforofcorrelation}1=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max (\mathrm{HX},\mathrm{HY})},$

13)相关信息特征2：

Inforofcorrelation2＝{1-exp[-2*(HXY2-HXY)]}^1/2，

其中：

p(i，j)是归一化灰度共生矩阵(i，j)位置元素值，Ng是共生矩阵灰度级数，

$p_x\left(i\right)=\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_y\left(j\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3}....2\mathrm{Ng},$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j),|i-j=k|,k=\mathrm{0,1,2},...\mathrm{Ng}-1,$

$\mathrm{HXY}=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p(i,j)\right\},$

$\mathrm{HXY}1=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

$\mathrm{HXY}2=-\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

μ_x，μ_y为p_x(i)，p_y(j)均值，σ_x，σ_y为p_x(i)，p_y(j)方差；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的GLCM纹理特征量进行相关分析，选择拟合效果最好的纹理特征量作为该厚度下最优GLCM纹理特征量，建立回归公式：Y＝kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优GLCM纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的GLCM纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应GLCM纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的GLCM纹理特征量代入相应GLCM纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

2.一种盐渍化土壤有机质含量的在线测量方法，其特征在于盐渍化土壤有机质含量的在线测量方法是按以下步骤完成的：

一、建立小波分解纹理特征量与土壤SOM线性方程：

①、确定裂纹厚度：

首先将盐渍化土壤样品碾碎烘干，得到细致的土样，制备成长为50cm，宽为25cm，高度分别为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒，向细致的土样中加水制成饱和泥浆，再将饱和泥浆分别放置在高度为0.5cm、1cm、2cm、3cm、5cm和10cm的样本盒中，并将表面抹平，放置在干燥通风的条件下自然风干，得到风干样本；

②、土壤样本裂纹照片的采集及纹理特征的提取：

(1)将相机固定在0.8m高的架子上，保证相机镜头的中心垂直向下，以相机镜头中心的正下方为中心选择50cm*25cm的区域作为步骤一①得到的风干样本的固定放置区域；

(2)对步骤一①得到的风干样本进行拍照，得到步骤一①得到的风干样本的裂纹照片；利用计算机在matlab软件环境下对步骤一①得到的风干样本的裂纹照片进行图像处理操作以获取步骤一①得到的风干样本的裂纹小波分解纹理特征量，具体步骤如下：

A：将彩色的步骤一①得到的风干样本的裂纹照片转换为灰度图像，

B：将灰度图像进行裁剪，提取包含50cm*25cm的土壤样本裂纹最小图像，

C：选择小波基函数DB3，对样本裂纹图像进行3层小波分解，计算各层分解后水平、垂直、对角方向高频细节分量的L1范数均值，作为裂纹图像不同分解层次的小波纹理特征，计算公式如下：

14)水平L1范数：

$L1H\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pH}(x,y),$

15)垂直L1范数：

$L1V\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pV}(x,y),$

16)对角L1范数：

$L1D\left(i\right)=\underset{x=1}{\overset{x=n}{\mathrm{\Σ}}}\underset{y=1}{\overset{y=N}{\mathrm{\Σ}}}\mathrm{pD}(x,y),$

17)L1范数均值：

L1(i)＝1／3(L1H(i)+L1V(i)+L1D(i))，

其中，i为分解层数，pH(x，y)、pV(x，y)、pD(x，y)分别为(x，y)位置上水平、垂直及对角方向的小波分解系数；

D：为综合考虑方向的影响，选择各纹理特征量4方向0°、45°、90°和135°的均值作为最终的各纹理特征量，通过重复C操作确定步骤一①得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量；

③、测量步骤一中所述盐渍化土壤样品的有机质含量，根据盐渍化土壤样品的有机质含量和步骤一②得到高度为0.5cm、1cm、2cm、3cm、5cm和10cm风干样本的小波分解纹理特征量进行相关分析，选择拟合效果最好的小波分解纹理特征量作为该厚度下最优小波纹理特征量，建立回归公式：Y＝kX+b，其中：Y为盐渍化土壤样品的有机质含量，X为盐渍化土壤样品的最优小波分解纹理特征量，k和b为常数；

二、在线计算：

在自然条件下，对待测样地进行拍照，得到待测样地裂纹照片，根据待测样地裂纹照片计算得到待测样地的小波分解纹理特征量，测量待测样地的裂纹层厚度，待测样地的裂纹层厚度测量结果精确至小数点后两位，然后根据待测样地的裂纹层厚度选择相应小波分解纹理特征量与土壤SOM线性方程，即：若裂纹层厚度为0.25cm～0.75cm，则利用0.5cm厚度回归公式进行计算；若裂纹层厚度为0.76cm～1.50cm，则利用1cm厚度回归公式进行计算；若裂纹层厚度为1.51cm～2.50cm，则利用2cm厚度回归公式进行计算；若裂纹层厚度为2.51～4.00cm，则利用3cm厚度回归公式进行计算；若裂纹层厚度为4.01～7.50cm，则利用5cm厚度回归公式进行计算；若裂纹层厚度为7.51cm～12.50cm，则利用10cm厚度回归公式进行计算，再将计算得到待测样地的小波分解纹理特征量代入相应小波分解纹理特征量与土壤SOM线性方程中计算出土壤SOM，即实现盐渍化土壤有机质含量的在线测量。

Images