CN104237140B - 一种植物叶片反射光谱的背景扣除方法 - Google Patents
一种植物叶片反射光谱的背景扣除方法 Download PDFInfo
- Publication number
- CN104237140B CN104237140B CN201410476452.7A CN201410476452A CN104237140B CN 104237140 B CN104237140 B CN 104237140B CN 201410476452 A CN201410476452 A CN 201410476452A CN 104237140 B CN104237140 B CN 104237140B
- Authority
- CN
- China
- Prior art keywords
- leaf blade
- plant leaf
- reflectance
- background
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种植物叶片反射光谱的背景扣除方法,在PLATE模型假设的基础上建立BPLT模型,并以BPLT模型为基础,建立植物叶片反射光谱的背景扣除公式:<maths num="0001"></maths>,得到背景扣除后的植物叶片反射率,其中:R为背景扣除后的植物叶片反射率,R12为空气到植物叶片的界面反射比,R21为植物叶片到空气的界面反射比,τ为植物叶片的透射系数。本发明解决不同背景引起植物叶片反射光谱偏离真实值,准确率较低的问题,大大提高了植物叶片反射光谱的测量精度,易于实现和操作。
Description
技术领域
本发明涉及植物叶片光学性质检测领域,尤其涉及一种植物叶片反射光谱的背景扣除方法。
背景技术
植物叶片作为植物冠层的主要组成部分,是植物冠层与太阳能作用的最重要部分,掌握植物叶片反射率与其生物化学特性相互作用的生理过程,是了解植物与外界环境物质和能量交换,如:光合作用、蒸发、呼吸作用、初级生产、分解等的关键。国内外大量研究表明叶片的叶绿素、水、蛋白质、纤维素等含量与植物叶片的反射率有着密切的联系。准确且无损测定植物叶片的反射光谱,建立其与叶片营养成分的关系,在农作物估产、农情监测等领域有着重要的意义。
在对叶片反射光谱监测的过程中,国内外学者考虑到叶片的茸毛,表皮蜡质含量等叶片结构因素对叶片反射光谱的影响,对植被生化组分进行较准确的估计。而在植物叶片光学特性采集过程中,外界因素即试验对象的背景因素也对植物叶片的反射光谱存在较大影响。光部分被植物叶片吸收、反射,还有部分透过植物叶片照射到植物叶片所处的背景上,被背景反射,仪器最终接收的反射信息并非完全来自植物的反射,还有部分来自植物叶片所处的背景的反射,使得植物叶片反射光谱会不同程度的偏离真实值,降低了植物叶片的反射光谱的真实测量的精度。
目前现有的背景扣除方法中多采用多项式拟合法、光谱相减法、kalman滤波法、导数光谱法、小波分析法对连续背景干扰进行分析和研究,并获得了一定的成功,但上述方法在医学血液生化指标测量以及溶液信号噪声分析应用较为广泛,并不适用于植物叶片的光学性质检测,尤其是基于光谱性质叶片背景的扣除。
叶片模型都是从有限个变量,例如叶绿素、水、干物质成分含量等来模拟叶片的反射率和吸收率。这些模型基于不同的数学物理原理分为PLATE模型、N-Flux模型、Compactspherical模型、Radiativetransfer模型等。Allen等人提出可以描述光线在致密叶片内部的传输过程的PLATE模型,PLATE模型将叶片看作半透明的有均匀粗糙表面的各向同性吸收平板,并假定光线是各向同性平行的。光线在平板内部发生朗伯散射。光线部分反射、部分吸收、部分透射。两个参数是叶片折射率和叶片吸收系数。此模型已成功的用于致密玉米叶片反射率的模拟。
发明内容
本发明提供了一种植物叶片反射光谱的背景扣除方法,以解决不同背景引起植物叶片反射光谱偏离真实值,准确率较低的问题。
本发明所采取的技术方案为:
一种植物叶片反射光谱的背景扣除方法,包括以下步骤:
(1)选取不同的植物叶片背景,测量不同背景的反射率;
(2)将植物叶片置于不同背景上,测量不同背景下植物叶片的反射率;
(3)假设所述植物叶片为半透明状,具有均匀粗糙的表面,叶片内部结构呈紧密平板状且无明显分层的结构,且光在叶片内部只发生反射、透射和吸收作用;
以所述背景的反射率、该背景下植物叶片的反射率为输入变量,以空气到植物叶片的界面反射比、植物叶片到空气的界面反射比和植物叶片的透射系数为输出变量,建立BPLT模型,如式(1)所示:
其中,σ为背景的反射率,R0为该背景下植物叶片的反射率,R12为空气到植物叶片的界面反射比,R21为植物叶片到空气的界面反射比,τ为植物叶片的透射系数;
(4)以所述BPLT模型的输出变量为输入变量,背景扣除后的植物叶片的反射率为输出变量,建立植物叶片反射光谱的背景扣除公式,如式(2)所示:
其中,R为背景扣除后的植物叶片的反射率;
(5)任选3种或多于3种不同背景的反射率σ、对应背景下植物叶片的反射率R0作为BPLT模型的输入变量,求得BPLT模型的输出变量R12、R21和τ的值,将R12、R21和τ带入式(2),即可得到背景扣除后的植物叶片的反射率。
本发明在PLATE模型假设的基础上建立BPLT模型,并以BPLT模型为基础,建立植物叶片反射光谱的背景扣除公式,提高了植物叶片反射光谱的测量精度。
本发明所采用的BPLT模型是建立在PLATE模型假设的基础上,所述植物叶片为玉米、小麦等致密植物叶片。
本发明所述的BPLT模型是经过如下的假设:
测量反射率时,假设入射光线为平行的各向同性光,即入射光线是各向同性平行的;
假设空气和植物叶片的界面、空气与背景材料的界面均为朗伯表面,在任意发射(漫射、透射)方向上辐射亮度不变;
假设光在植物叶片上下表面只发生反射和透射现象。
作为优选,测量植物叶片的反射率的光的波长范围为400-1000nm。
作为优选,将反射率最低且稳定的背景R0和建模所得的R值进行比较,计算确定系数和残差平方和。当确定系数DC>0.90且残差平方和SSE<1时,进行反演,反演的灵敏度较高,适用于此模型。
本发明植物叶片反射光谱的检测系统主要包括以下几个部分:辐射标定光源、光谱仪接收探头、准直透镜、光谱仪、信号处理与人机交互系统。
测量反射率前,固定光源垂直入射,接收探头30°接收,将漫反射标准白板置于试样台上,采集亮光谱和暗电流,获得反射率的基准值。
色素是植物在可见光区域的光谱特征的决定性因素,本发明以叶绿素指数为指标,采用方差分析法(ANOVA)建立10个叶绿素指数NIR/Red、NIR/Green、NPQI、NPCI、NDI、NDVI、GDNVI、SAVI、OSAVI和MCARI下的背景因素的植物叶片的分析模型,分析本发明植物叶片反射光谱的背景扣除方法的可靠性,结果表明,本发明所提出的背景扣除方法提高了植物叶片反射光谱的测量精度。
本发明的有益效果:
(1)本发明解决不同背景引起植物叶片反射光谱偏离真实值,准确率较低的问题,大大提高了植物叶片反射光谱的测量精度。
(3)本发明可以计算任意波段的植物叶片反射光谱,省时省力,易于实现和操作。
附图说明
图1为本发明实施例小麦叶片背景扣除前六种不同背景的反射光谱,以第16组为例;
图2为本发明实施例小麦叶片背景扣除后六种不同背景的反射光谱,以第16组为例;
图3为16组小麦叶片不同处理后的确定系数值DC。
图4为16组小麦叶片不同处理后的残差平方和SSE。
具体实施方式
(1)选取16组大小基本一致的小麦叶片为实验对象,测量反射率前,固定光源垂直入射,接收探头30°接收,将漫反射标准白板置于试样台上,采集亮光谱和暗电流,获得反射率的基准值。
(2)选取8种常见的植物叶片背景材料,分别为白板(W)、灰板(G)、吸光黑布(B)、遮光材料BK5(B5,thorlabs公司提供)、Teflon材料(T)、无纺黑布(Wu)、A4黑色卡纸(H)和植绒布(Z),在400-1000nm波段下,测量其平均反射率为依次为99.2%、57.4%、3.3%、8.6%、60.3%、5.9%、7.9%、10.9%。
(3)将16组小麦叶片分别置于上述8种不同背景上,测量不同背景下小麦叶片的反射率,分别记为Rw、RG、RB、RB5、RT、RWu、RH和RZ。其中第16组小麦叶片在吸光黑布(B)、遮光材料BK5、Teflon材料(T)、白板(W)、A4黑色卡纸(H)和植绒布(Z)六种不同背景的反射光谱如图1所示。
(4)以8种不同背景的反射率、该背景下植物叶片的反射率为输入变量,以空气到植物叶片的界面反射比、植物叶片到空气的界面反射比和植物叶片的透射系数为输出变量,建立BPLT模型,如式(1)所示:
其中,σ为背景的反射率,R0为该背景下植物叶片的反射率,R12为空气到植物叶片的界面反射比,R21为植物叶片到空气的界面反射比,τ为植物叶片的透射系数;
(5)以步骤(4)中BPLT模型的输出变量为输入变量,背景扣除后的植物叶片反射率为输出变量,建立植物叶片反射光谱的背景扣除公式,如式(2)所示:
其中,R为背景扣除后的植物叶片反射率;
(6)选取3种不同背景(W-G-B背景(a处理))的反射率σ、对应背景下植物叶片反射率R0作为BPLT模型的输入变量,求得BPLT模型的输出变量R12、R21和τ的值,将R12、R21和τ带入式(2),即可得到a处理下背景扣除后的植物叶片反射率;同理,可得到Wu-H-B5背景(b处理)、T-H-Z背景(c处理)和B-B5-Wu背景(d处理)下背景扣除后的植物叶片反射率。其中第16组小麦叶片四种不同处理的背景扣除后的反射光谱如图2所示。
对比图1中背景扣除前的小麦叶片的反射光谱发现,6种不同背景下小麦叶片的反射光谱差异较大,应用本发明方法扣除背景后,4种不同处理的小麦叶片的反射光谱差异较小。
图3为16组小麦叶片在4个参考背景下的以RB为基准的确定系数DC和残差平方和SSE。按照DC递减,SSE递增的顺序排列后,处理水平分别为Rb,Rd,Rc,Ra,即当BPLT模型的输入背景的反射光谱较低且相互较接近如b处理时,弱化了参数变化对模型反演的差异,当输入背景的反射光谱值相互差异较大如a处理时,反演的灵敏度最高,对小麦叶片不同叶绿素浓度的背景扣除有着较好的效果。当确定系数DC>0.90且残差平方和SSE<1时,反演的灵敏度较高,对小麦叶片不同叶绿素浓度的背景扣除有着较好的效果。
模型的验证:
利用方差分析法(ANOVA)分析本发明植物叶片反射光谱的背景扣除方法的可靠性:建立10个叶绿素指数NIR/Red、NIR/Green、NPQI、NPCI、NDI、NDVI、GDNVI、SAVI、OSAVI和MCARI下的背景单因素的小麦叶片的分析模型,列于表1。其中Bc(%)为背景因素在该指数的方差分析中所占的百分比。背景扣除前采用6种背景(吸光黑布(B)、遮光材料BK5、Teflon材料(T)、白板(W)、A4黑色卡纸(H)和植绒布(Z))下的对应的叶片反射率RB、RB5、RT、RW、RH、RZ作为6个水平,背景扣除后采用步骤(5)中a、b、c、d4种不同处理的小麦叶片的反射率Ra、Rb、Rc、Rd作为4个水平,分析背景因素引起的小麦叶片反射光谱的变化。为保证指数间的可比性,进行[0,1]的归一化处理。
表1背景因素在叶绿素指数的方差分析中所占的百分比及叶绿素指数的均方差
*:p<0.05
从表1可以看出,背景扣除后,所有的叶绿素指数的均方差下降,背景因素所占的百分比均低于5%,表明采用本发明植物叶片反射光谱的背景扣除方法,a、b、c、d四种处理所得的叶绿素指数值之间的差异远小于背景扣除前背景的值,即采用不同背景材料作为模型输入时,所得到的结果稳定。除叶绿素指数NPQI外,背景因素在叶绿素指数的方差分析中所占的百分比远低于同指数下背景扣除前的百分比,其中以叶绿素指数NIR/Red、NDVI、SAVI和OSAVI的变化尤为明显。背景扣除前,背景因素在4种叶绿素指数的方差分析中所占的百分比均大于46%;背景扣除后,背景因素在4种叶绿素指数的方差分析中所占的百分比均小于2.9%,上述指数的灵敏度较高。
由此证明,本发明所提出的植物叶片反射光谱的背景扣除方法提高了小麦叶片反射光谱的测量精度。
Claims (5)
1.一种植物叶片反射光谱的背景扣除方法,其特征在于,包括以下步骤:
(1)选取不同的植物叶片背景,测量不同背景的反射率;
(2)将植物叶片置于不同背景上,测量不同背景下植物叶片的反射率;
(3)假设所述植物叶片为半透明状,具有均匀粗糙的表面,叶片内部结构呈紧密平板状且无明显分层的结构,且光在叶片内部只发生反射、透射和吸收作用;
以所述背景的反射率、该背景下植物叶片的反射率为输入变量,以空气到植物叶片的界面反射比、植物叶片到空气的界面反射比和植物叶片的透射系数为输出变量,建立BPLT模型,如式(1)所示:
其中,σ为背景的反射率,R0为该背景下植物叶片的反射率,R12为空气到植物叶片的界面反射比,R21为植物叶片到空气的界面反射比,τ为植物叶片的透射系数;
(4)以所述BPLT模型的输出变量为输入变量,背景扣除后的植物叶片的反射率为输出变量,建立植物叶片反射光谱的背景扣除公式,如式(2)所示:
其中,R为背景扣除后的植物叶片的反射率;
(5)任选3种或多于3种不同背景的反射率σ、对应背景下植物叶片的反射率R0作为BPLT模型的输入变量,求得BPLT模型的输出变量R12、R21和τ的值,将R12、R21和τ带入式(2),即可得到背景扣除后的植物叶片的反射率。
2.如权利要求1所述的植物叶片反射光谱的背景扣除方法,其特征在于,建立BPLT模型时,假设条件为:
测量反射率时,假设入射光线为平行的各向同性光,即入射光线是各向同性平行的;
假设空气和植物叶片的界面、空气与背景材料的界面均为朗伯表面,在任意发射方向上辐射亮度不变;
假设光在植物叶片上下表面只发生反射和透射现象。
3.如权利要求1所述的植物叶片反射光谱的背景扣除方法,其特征在于,测量植物叶片的反射率的光的波长范围为400-1000nm。
4.如权利要求1所述的植物叶片反射光谱的背景扣除方法,其特征在于,所述的方法中步骤(5)得到背景扣除后的植物叶片的反射率后,将反射率最低且稳定的背景R0和建模所得的R值进行比较,计算确定系数和残差平方和。
5.如权利要求4所述的植物叶片反射光谱的背景扣除方法,其特征在于,确定系数DC>0.90且残差平方和SSE<1时,进行反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476452.7A CN104237140B (zh) | 2014-09-18 | 2014-09-18 | 一种植物叶片反射光谱的背景扣除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410476452.7A CN104237140B (zh) | 2014-09-18 | 2014-09-18 | 一种植物叶片反射光谱的背景扣除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104237140A CN104237140A (zh) | 2014-12-24 |
CN104237140B true CN104237140B (zh) | 2016-06-29 |
Family
ID=52225649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410476452.7A Active CN104237140B (zh) | 2014-09-18 | 2014-09-18 | 一种植物叶片反射光谱的背景扣除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104237140B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014785B (zh) * | 2017-05-15 | 2019-06-07 | 浙江全世科技有限公司 | 一种发射光谱背景校正的改进方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2036424A2 (en) * | 2007-09-14 | 2009-03-18 | CNH Belgium N.V. | A method and apparatus for detecting errors in grain analysis apparatus using electronically processed images |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101620180A (zh) * | 2009-05-08 | 2010-01-06 | 合肥美亚光电技术有限责任公司 | 近红外技术快速检测茶叶品质的方法 |
CN103063302A (zh) * | 2013-01-09 | 2013-04-24 | 浙江大学 | 一种植物叶片漫反射光分布的检测装置及方法 |
-
2014
- 2014-09-18 CN CN201410476452.7A patent/CN104237140B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2036424A2 (en) * | 2007-09-14 | 2009-03-18 | CNH Belgium N.V. | A method and apparatus for detecting errors in grain analysis apparatus using electronically processed images |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101620180A (zh) * | 2009-05-08 | 2010-01-06 | 合肥美亚光电技术有限责任公司 | 近红外技术快速检测茶叶品质的方法 |
CN103063302A (zh) * | 2013-01-09 | 2013-04-24 | 浙江大学 | 一种植物叶片漫反射光分布的检测装置及方法 |
Non-Patent Citations (4)
Title |
---|
PROSPECT A Model of Leaf Optical Properties Spectr;S. Jacquemoud et al.;《REMOTE SENSING OF ENVIRONMENT》;19901231;第34卷;全文 * |
Reflectance of leaf components;H. W. GAUSMAN;《REMOTE SENSING OF ENVIRONMENT》;19771231;第6卷;全文 * |
基于掌上电脑的农田信息快速采集与处理系统的研究;方慧 等;《农业工程学报》;20041130;第20卷(第6期);全文 * |
拉曼光谱的荧光背景扣除及其用于药物聚类分析;陈珊 等;《光谱学与光谱分析》;20100831;第30卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104237140A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | Infrared spectroscopy for food quality analysis and control | |
CN104897607B (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
Zhang et al. | Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN101446548A (zh) | 基于响应量转换实现牛奶成分测量的装置及方法 | |
CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测系统 | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
Dahm | Explaining some light scattering properties of milk using representative layer theory | |
Donis-González et al. | Performance evaluation of two commercially available portable spectrometers to non-invasively determine table grape and peach quality attributes | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
Xudong et al. | Nondestructive assessment of quality of Nanfeng mandarin fruit by a portable near infrared spectroscopy | |
Chia et al. | Neural network and principal component regression in non-destructive soluble solids content assessment: a comparison | |
Sun et al. | Measurement of plumpness for intact sunflower seed using terahertz transmittance imaging | |
CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
CN104406923A (zh) | 一种利用THz-TDS技术定量检测粮食中氨基酸含量的方法 | |
Ye et al. | Application of FT-NIR spectroscopy to apple wine for rapid simultaneous determination of soluble solids content, pH, total acidity, and total ester content | |
Hu et al. | Optimization of quantitative detection model for benzoic acid in wheat flour based on CARS variable selection and THz spectroscopy | |
CN104215599A (zh) | 一种利用THz-TDS技术定量检测粮食中农药残留的方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN105548070A (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
ElMasry et al. | Prediction of meat spectral patterns based on optical properties and concentrations of the major constituents | |
CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
CN111220552B (zh) | 考虑光照方向叶片辐射传输模型的叶绿素高光谱反演方法 | |
CN104237140B (zh) | 一种植物叶片反射光谱的背景扣除方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |