CN104268892A - 一种叶片表面尘土量的图像确定方法和系统 - Google Patents

Abstract

一种叶片表面尘土量的图像确定方法和系统，属于测量和计算机技术领域。包括步骤如下：建立预估方程并确定方程参数：采集叶片样本；用万分之一电子天平称取叶片重量；用照相机获取叶片除尘前的彩色图像；用去离子水洗净叶片表面尘土；称取叶片除尘后的重量；用同样的方法获取叶片除尘后的彩色图像；用单元格法获取叶片面积并计算出单位叶片面积尘土量；获取图像参数并建立图像与叶面尘土量之间的关系。根据本发明，可通过普通照相机和计算机就可实现叶片表面尘土量的测定，因此，本发明不需要增加额外设备就可估算叶片表面尘土量，极其适于区域性城市绿化树种的选取以及雾霾防治措施的优选工作。

Description

一种叶片表面尘土量的图像确定方法和系统

技术领域

本发明涉及一种叶片表面尘土量的图像确定方法和系统，属于测量和计算机技术领域。

背景技术

不同树种的叶片附载尘土的能力存在差异，叶片附载尘土能力强弱的分级一直受到环境治理行业的重视。随着空气质量的不断恶化，雾霾对人类及环境的危害日益加剧，人们的身体健康、交通出行和植物生长等造成了直接危害，雾霾天气现象的防治和治理刻不容缓。因此，粉尘污染现象受到各行业的高度重视，特别是环境保护与治理行业。

大叶黄杨是常用绿篱及绿化树种，四季常青，且多栽植于路边或庭院，直接承载着空气中沉降的粉尘颗粒及车流人流溅起的尘土，具有较好的代表性，因此，以大叶黄杨为研究对象，研究其附载尘土能力的强弱并探讨区域性城市绿化树种的选取工作。

由于叶片附载尘土能力的强弱往往会以外在形态颜色等特征表现出来，这为人们通过叶片外在形态颜色推断其载尘能力的信息提供了可能。随着数字图像采集工作的简单化、廉价化，从客观上推动了基于图像的叶片附载尘土能力的强弱研究，并希望实现叶片附载尘土能力的强弱估测的简单化。

叶片附载尘土能力的强弱研究主要集中在叶片表面承载尘土的多少的研究，同一地区其污染环境的粉尘数量以及所含成分都大致相同，而在相同的外界环境下，不同树种叶片上附载的尘土量都有所差异，因此，就相同叶面大小的不同树种叶片，其叶片表面尘土量多的附载尘土能力则较强，反之，则较弱。因此，在同一区域，选择叶片附载尘土能力较强的树种作为该区域的城市绿化树种，以减少雾霾天气的出现。

通过提取图像来获取大叶黄杨叶片附载尘土能力信息，为了提高获取信息的准确度，将叶片附载尘土能力的强弱用单位叶片面积所含有的尘土量来表示，通过叶片图像获取图像参数，建立图像参数与其上载有尘土量的统计模型，再通过模型反演叶片表面尘土量。由于提取前景图像是很多后续图像研究的关键问题之一，其准确度直接影响着分析结果，因此，选择合理的分割算法对图像信息的准确获取具有重要意义。下面通过研究抽取大叶黄杨叶片图像和叶面尘土量数据，建立以叶片图像各参数为自变量的模型方程，以此来估计叶片表面尘土量。

发明内容

本发明的实施例提供了一种叶片表面尘土量的图像确定方法和系统，仅根据图象可以无损估测叶片表面尘土量。

一种叶片表面尘土量的确定方法，包括以下步骤：

1)、建立预估方程并确定方程参数：

步骤1、采集叶片样本；

步骤2、用万分之一电子天平称取叶片重量；

步骤3、用照相机获取叶片除尘前的彩色图像；

步骤4、用去离子水洗净叶片表面尘土；

步骤5、称取叶片除尘后的重量；

步骤6、用同样的方法获取叶片除尘后的彩色图像；

步骤7、用单元格法获取叶片面积并计算出单位叶片面积尘土量；

步骤8、获取图像参数并建立图像与叶面尘土量之间的关系；

2)、利用图像数据估计叶面尘土量；

步骤9、获取叶片彩色图像；

步骤10、从叶片的彩色图像中提取图像参数；

步骤11、根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量。

①计算初始尘土量y₀；

②根据y₀按着分级原则确定虚拟变量n₁,n₂；

③根据预估方程估计叶面尘土量；

所述图像参数包括：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值、前景图像转换成灰度图像后像素亮度的平均值、前景色调均值、前景饱和度均值、前景亮度均值。

所述叶面尘土量预估模型为：

$y=a+\frac{b}{x_B}+\frac{g}{x_G}+\frac{i}{x_I}+r.x_R+j.x_J+s.x_S+\frac{p_0+p_1{n}_1+p_2{n}_2}{x_H}---\left(1\right)$

其中，

y：叶面尘土量；

x_B：图像前景像素的B平均值；

x_G：图像前景像素的G平均值；

x_R：图像前景像素的R平均值；

x_J：前景图像转换成灰度图像后像素亮度的平均值；

x_H：前景色调均值；

x_S：前景饱和度均值；

x_I：前景亮度均值；

n₁、n₂：虚拟变量；

a、b、g、r、j、h、s、i、p₀、p₁、p₂：待定标参数；

所述待定参数通过实验获得。

在所述获取叶片的彩色图像步骤之前，将叶片的背景设置为单一背景。

在根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量步骤之前，所述方法还包括对待定标参数进行定标，对虚拟变量进行确定。

对待定标参数进行定标的步骤为：

为了确定叶面尘土量预估模型的待定标参数a、b、g、r、j、h、s、i、p₀、p₁、p₂，首先需要获取若干叶片的图像并实测叶面尘土量，提取出图像参数后，采用统计方法估计出叶面尘预估模型参数，求解参数时要求抽取叶片的数量≥60。

本发明还提供了一种叶片表面尘土量的图像确定系统，所述装置包括：

图像获取装置，用于获取叶片的彩色图像；

计算单元，用于从叶片的彩色图像中获得图像参数；

确定单元，用于根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量。

根据本发明，可通过普通照相机和计算机就可实现叶片表面尘土量的测定，因此，本发明不需要增加额外设备就可估算叶片表面尘土量，极其适于区域性城市绿化树种的选取以及雾霾防治措施的优选工作。

附图说明

图1示出了本发明实施例的确定叶片表面尘土量的流程；

图2示出了本发明实施例的叶片彩色图像提取的流程；

图3示出了本发明实施例的叶面尘土量分级的流程。

下面结合附图和实施例对本发明进一步说明。

具体实施方式

实施例1:

不同叶面尘土量的大叶黄杨叶片，在生长过程中，对不同波段电磁波的吸收、反射存在差异，从而使得叶片内部颜色也不一样，在叶片表面形成不同的颜色，因此，可通过彩色图像来探知大叶黄杨叶片表面尘土量并进行叶面尘土量分级。

如图1所示，本实施例提供了一种叶片表面尘土量的图像确定方法，包括如下步骤：

1)、建立预估方程并确定方程参数：

步骤1、采集叶片样本；

步骤2、用万分之一电子天平称取叶片重量；

步骤3、用照相机获取叶片除尘前的彩色图像；

步骤4、用去离子水洗净叶片表面尘土；

步骤5、称取叶片除尘后的重量；

步骤6、用同样的方法获取叶片除尘后的彩色图像；

步骤7、用单元格法获取叶片面积并计算出单位叶片面积尘土量；

步骤8、获取图像参数并建立图像与叶面尘土量之间的关系；

2)、利用图像数据估计叶面尘土量；

步骤9、获取叶片彩色图像；

步骤10、从叶片的彩色图像中提取图像参数；

步骤11、根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量。

①计算初始尘土量y₀；

②根据y₀按着分级原则确定虚拟变量n₁,n₂；

③根据预估方程估计叶面尘土量；

在步骤1)中，为了从叶片的彩色图像中获得图像参数，首先从彩色图像的背景中分割出前景图像，然后计算图像参数。

根据大量的试验结果，所述图像参数包括：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值、前景图像转换成灰度图像后像素亮度的平均值、前景色调均值、前景饱和度均值、前景亮度均值。

为了更方便地从彩色图像的背景中分割出前景图像(即，大叶黄杨叶片图像)，根据本发明实施例，优选地，在摄影时采用单一背景，比如颜色单一且反光较小的黑色背景，这样能够最大限度的表现前景。

由于前景与背景图像存在差异，可以通过分析前景与背景两部分图像的相关性来判断二者关系，进而实现从彩色图像的背景中分割出前景图像。

若x＝(x₁ x₂ … x_n)'、y＝(y₁ y₂ … y_n)'为随机变量，它们的方差分别为Var(x)、Var(y)，协方差为Cov(x,y)，则

$R^2=\frac{{\mathrm{Cov}}^2(x,y)}{\mathrm{Var}\left(x\right).\mathrm{Var}\left(y\right)}---\left(4\right)$

表示了向量x、y的相关程度，统计上，一般称R²为确定指数。把这一概念引入到大叶黄杨叶片图像分割中，进而实现叶片前景和背景的分离。得到叶片前景图像后，就可根据前景图像确定图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值、前景图像转换成灰度图像后像素亮度的平均值、前景色调均值、前景饱和度均值、前景亮度均值。

步骤12、把大叶黄杨叶片图像中心作为目标点或者用鼠标左键单击叶片图像区域给出目标点。目标点位置要求并不严格，只要在摄取图像时把大叶黄杨叶片放在照相机下方的中心位置附近摄影即可，就是说，图像中心点是大叶黄杨叶片内部图像即可；

步骤13、以目标点为中心，取3×3掩膜内的前景像素，以此作为将要进行比对的目标区域；

步骤14、指针移动到图像的起始位置(1,1)，以起始位置作为当前点，按着3×3掩膜大小，遍历图像；

步骤15、根据(4)式，计算以当前点为中心的3×3区域与目标区域的确定指数，并把此值与某确定指数阈值比较，如果该值大于阈值，则把当前像素判断为前景即大叶黄杨叶片图像，否则，把该像素置成背景。由于确定指数阈值与图像和目标点选择位置有关系，因此它不是一个固定的数值，但是根据具体图像通过尝试法容易确定。从对大量大叶黄杨叶片图像的测试结果看，相关系数R＝0.86时一般能取得较好的结果。另外，由于摄影时把叶片放于中央位置，所摄得的大叶黄杨叶片图像外围会有很大的背景，因此，在作实际的图像分割时，把图像最外围的边界像素都处理成背景像素。

步骤16、按着从上到下、从左到右的次序指针移动到下一像素，判断是否是最后像素，如果不是转移到步骤15，否则执行步骤17；

步骤17、提取前景部分并通过前景图像提取7个图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值、前景图像转换成灰度图像后像素亮度的平均值、前景色调均值、前景饱和度均值、前景亮度均值。

求得所有定标大叶黄杨叶片图像参数后，然后求解叶面尘土量预估模型中的参数即完成叶面尘土量预估模型的定标工作，然后根据叶面尘土量预估模型确定叶片表面尘土量。

叶面尘土量预估模型为：

$y=a+\frac{b}{x_B}+\frac{g}{x_G}+\frac{i}{x_I}+r.x_R+j.x_J+s.x_S+\frac{p_0+p_1{n}_1+p_2{n}_2}{x_H}---\left(1\right)$

其中，

y：叶面尘土量；

x_B：图像前景像素的B平均值；

x_G：图像前景像素的G平均值；

x_R：图像前景像素的R平均值；

x_J：前景图像转换成灰度图像后像素亮度的平均值；

x_H：前景色调均值；

x_S：前景饱和度均值；

x_I：前景亮度均值；

n₁、n₂：虚拟变量；

a、b、g、r、j、h、s、i、p₀、p₁、p₂：待定标参数；

所述待定参数通过实验获得。

根据文献，叶片反射光谱与叶面尘土量大小存在着一定的关系，因此本发明在估计叶面尘土量时引入了虚拟变量，将叶面尘土量大小分成几个等级，用于更加准确的估计叶片表面尘土量。具体所述虚拟变量根据不同叶面尘土量大小不同情况来确定，详见后面描述。

根据大叶黄杨叶片的外观发现如下特点：

㈠在可变化的区间内，绿色分量值越大大叶黄杨叶片受污染程度越轻，其叶面尘土越少，可以粗略的理解为“越绿叶面尘土量越少”；

㈡H分量与绿色分量表现出了相同的趋势，即H分量越大叶面尘土量越少；

㈢大叶黄杨叶片图像前景亮度均值越大则叶面尘土量越少。

由于叶片图像前景亮度均值是由叶面尘土量的多少决定的，因此可以说，大叶黄杨叶片亮度I越小叶面尘土量越多。可以看到，这些结论与我们的经验比较吻合。

大叶黄杨叶片表面尘土量与大小、生长地等因素相关，如果直接使用如下实施例模型进行大叶黄杨叶片表面尘土量估计会产生较大误差，因此，使用本发明进行叶面尘土量测定前，需要抽取有代表性的大叶黄杨叶片确定待定标参数a、b、g、r、j、h、s、i、p₀、p₁、p₂，然后使用标定参数的模型进行叶片表面尘土量预测。

大叶黄杨叶片表面尘土量的图像预测模型定标的步骤如下：

为了确定叶面尘土量预估模型的待定标参数a、b、g、r、j、h、s、i、p₀、p₁、p₂，首先需要获取若干大叶黄杨叶片的图像并实测叶面尘土量，利用本发明的方法提取出图像参数后，采用统计方法就可以估计出模型参数，进而实现模型的实际应用，这种确定模型参数的过程就是定标，定标时要求抽取叶片的数量≥60。

作为例子，取大叶黄杨叶片60个，分别放在固定三脚架下摄影图像，然后测量叶片表面尘土量。

摄影使用的相机类型为Canon EOS Kiss Digital X，图像分辨率3888×2592、ISO速度为800、快门速度1/50s、透镜孔径F/8。

叶片表面尘土量是用万分之一电子分析天平称取叶片重量，用邮票镊子将叶片夹到天平载物盘上称除尘前的叶片质量，M₁；用化妆棉和去离子水将叶片去轻轻快速洗净；用吸水纸将叶片表面水吸干，再用天平称除尘后的叶片质量，M₂，得到质量差ΔM＝M₁-M₂，则ΔM为叶片表面尘土量。

本次样品测得的叶面尘土量分布范围在1-10mg之间。

把60个大叶黄杨叶片随机分成2组，一组45个另一组15个，根据上述算法，分别求算每个大叶黄杨叶片的图像参数，然后用45个的一组定标模型参数，15个的组用于检验模型的优劣。

把叶面尘土量分成y＜3mg、3mg≤y≤5mg、y＞5mg三级，并规定相对应的n₁和n₂分别为n₁＝1，n₂＝0、n₁＝0，n₂＝1、n₁＝1，n₂＝1。具备叶面尘土量预估模型参数求解的全部数据后，就可以计算模型参数，当然也可以利用既有的统计软件比如SAS、SPSS等求解模型参数。并用其它数据进行检测，本实施例模型拟合数据45组，模型检验数据15组，综合2组数据测试结果，得到确定指数为0.859，可以用于叶片表面尘土量的预估和分级。

预估模型如下：

$y=0.92+\frac{34.71}{x_B}+\frac{6.19}{x_G}+\frac{0.62}{x_I}+0.0006.x_R+0.0007.x_J+0.35.x_S+\frac{0.13+0.17n_1+0.26n_2}{x_H}---\left(3\right)$

对应的虚拟变量估计模型：

$y_0=1.31+\frac{2.66}{x_B}+\frac{23.27}{x_G}+\frac{0.43}{x_I}+0.0012.x_R+0.0009.x_J+0.23.x_S+\frac{0.29}{x_H}---\left(4\right)$

此时，叶面尘土量分级过程为：

首先根据式(4)计算y₀，然后基于y₀按着设定的叶面尘土量级别确定n₁、n₂，最后由(3)预估叶面尘土量并进行分级。

纯图像角度的大叶黄杨叶片表面尘土量估测,其预估模型中的所有自变量都是从图像中抽取的，因此，仅根据图像就可以实现对大叶黄杨叶片表面尘土量的预估，而不再需要额外的其它条件，这对于区域性城市绿化树种的选取以及雾霾防治措施的优选工作无疑是便利的。

本实施例还公开了一种叶面尘土量分级的方法。其包括前述叶面尘土量确定方法，并且根据叶面尘土量确定方法所确定的叶面尘土量对叶片附载尘能力的强弱进行分级。

分级方法的步骤如下：

步骤18、确定虚拟变量n₁、n₂；

基于虚拟变量的预估模型通常包含一对模型，其中一个是没有虚拟变量的模型，用于确定虚拟变量。

为确定虚拟变量，首先根据没有虚拟变量的模型计算叶面尘土量y₀，

如果y₀＜T₁,则n₁＝1,n₂＝0；

如果T₁≤y₀≤T₂,则n₁＝0,n₂＝1；

如果y₀＞T₂,则n₁＝1,n₂＝1；

其中，T₁、T₂是根据具体叶片设定的尘土量级别界限，如果叶面尘土量介于某两个数值之间定义为“载尘能力为中等”，则这两个数值的下限与上限就是T₁、T₂，若大于T₂就为“载尘能力为较强”。

步骤19、计算待估计的叶面尘土量y；

把获取的7个光谱参数及刚刚计算得到的虚拟变量n₁、n₂代入叶面尘土量预估模型，计算得到y。

步骤20、叶面尘土量分级；

根据设定的叶面尘土量分级标准把叶片表面附载尘土能力强弱分为几个等级。叶片表面附载尘土能力强弱为定性分类，因此该标准没有严格的规定，比如如下的三级标准：

如果y＜3,“载尘能力为较弱”；

如果3≤y≤5,“载尘能力为中等”；

如果y＞5,“载尘能力为较强”；

通过上述分级后，可将叶面尘土量作为估计植物表面附载尘土能力强弱的重要因素，对叶面附载尘土能力强弱进行分级，再根据附载尘土能力强弱进行树木种类的筛选。即，将附载尘土能力较强的植物作为城市绿化树种在市区进行栽种，以减轻城市粉尘污染的危害程度，为雾霾的防治提供参考。

实施例2：

实施例1以大叶黄杨叶片为对象，还能够对毛白杨叶片、国槐叶片、玉兰叶片等作为实施例运用本发明的方法实施，其步骤与实施例1相同，只是用毛白杨叶片、国槐叶片、玉兰叶片替换大叶黄杨叶片并改变模型参数即可。

实施例3：

本实施例提供了一种叶片表面尘土量的图像确定系统,包括：

图像获取装置，用于获取叶片的彩色图像；

图像获取装置可以是照像机及任何带有照像的设备；

计算单元，用于从叶片的彩色图像中获得图像参数；

确定单元，用于根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量。

本实施例的各个单元的工作原理可参见实施例一的描述。

图像获取装置包括普通照相机。

根据本发明，可通过普通照相机和计算机就可实现叶片表面尘土量的测定，因此，本发明不需要增加额外设备就可估算叶片表面尘土量，本发明技术极其适于区域性城市绿化树种的选取以及雾霾防治措施的优选工作。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims (6)

1.一种叶片表面尘土量的图像确定方法，其特征在于包括步骤如下：

步骤1)、建立预估方程并确定方程参数：

步骤1、采集叶片样本；

步骤2、用万分之一电子天平称取叶片重量；

步骤3、用照相机获取叶片除尘前的彩色图像；

步骤4、用去离子水洗净叶片表面尘土；

步骤5、称取叶片除尘后的重量；

步骤6、用同样的方法获取叶片除尘后的彩色图像；

步骤7、用单元格法获取叶片面积并计算出单位叶片面积尘土量；

步骤8、获取图像参数并建立图像与叶面尘土量之间的关系；

步骤2)、利用图像数据估计叶面尘土量；

步骤9、获取叶片彩色图像；

步骤10、从叶片的彩色图像中提取图像参数；

步骤11、根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量，步骤如下：

步骤①、计算初始尘土量y₀；

步骤②、根据y₀按着分级原则确定虚拟变量n₁,n₂；

步骤③、根据预估方程估计叶面尘土量。

2.根据权利要求1所述的一种叶片表面尘土量的图像确定方法，其特征在于，所述图像参数包括：图像前景像素的B平均值x_B、图像前景像素的G平均值x_G、图像前景像素的R平均值x_R、前景图像转换成灰度图像后像素亮度的平均值x_J、前景色调均值x_H、前景饱和度均值x_S、前景亮度均值x_I。

3.根据权利要求1或2所述的一种叶片表面尘土量的图像确定方法，其特征在于，所述叶面尘土量预估模型为：

$y=a+\frac{b}{x_B}+\frac{g}{x_G}+\frac{i}{x_I}+r.x_R+j.x_J+s.x_S+\frac{p_0+p_1{n}_1+p_2{n}_2}{x_H}---\left(1\right)$

其中，

y：叶面尘土量；

x_B：图像前景像素的B平均值；

x_G：图像前景像素的G平均值；

x_R：图像前景像素的R平均值；

x_J：前景图像转换成灰度图像后像素亮度的平均值；

x_H：前景色调均值；

x_S：前景饱和度均值；

x_I：前景亮度均值；

n₁、n₂：虚拟变量；

a、b、g、r、j、h、s、i、p₀、p₁、p₂：待定标参数；

所述待定参数通过实验获得。

4.根据权利要求1所述的一种叶片表面尘土量的图像确定方法，其特征在于，确定叶面尘土量预估方程参数的步骤：

采集叶片样本；用镊子将每片叶片夹到精度为万分之一天平的载物盘上称除尘前的叶片重量(M₁)；将叶片放在固定的照相机镜头下获取除尘前的彩色图像；用化妆棉将叶片在装有去离子水的塑料盆内轻轻的快速洗净，用吸水纸将叶片表面的水吸干；再用精度为万分之一的天平称除尘后的叶片重量(M₂)，得到质量差ΔM＝M₁-M₂；则ΔM为叶片表面尘土量；用同样的方法获取叶片除尘后的彩色图像；获取图像参数并建立图像与叶面尘土量之间的关系；

在所述获取叶片的彩色图像步骤之前，将叶片的背景设置为单一背景。

5.根据权利要求1所述的一种叶片表面尘土量的图像确定方法，其特征在于，利用图像数据估计叶面尘土量：

步骤1)、获取叶片彩色图像的步骤：将叶片放在固定的照相机镜头下获取除尘前的彩色图像；用化妆棉将叶片在装有去离子水的塑料盆内轻轻的快速洗净，用吸水纸将叶片表面的水吸干；用同样的方法获取叶片除尘后的彩色图像；

步骤2)、从叶片的彩色图像中提取图像参数：通过计算机软件计算出所需的7个图像参数：图像前景像素的B平均值、图像前景像素的G平均值、图像前景像素的R平均值、前景图像转换成灰度图像后像素亮度的平均值、前景色调均值、前景饱和度均值、前景亮度均值；

步骤3)、根据图像参数利用叶面尘土量预估模型确定叶面尘土量：在根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量步骤之前，所述方法还包括对待定标参数进行定标，对虚拟变量进行确定；

对待定标参数进行定标的步骤为：

为了确定叶面尘土量预估模型的待定标参数a、b、g、r、j、h、s、i、p₀、p₁、p₂，首先需要获取若干叶片的图像并实测叶面尘土量，提取出图像参数后，采用统计方法估计出虚拟变量确定模型和叶面尘预估模型参数，求解参数时要求抽取叶片的数量≥60；根据本次实验数据得到叶面尘预估模型(2)和虚拟变量确定模型(3)

$y=0.92+\frac{34.71}{x_B}+\frac{6.19}{x_G}+\frac{0.62}{x_I}+0.0006.x_R+0.0007.x_J+0.35.x_S+\frac{0.13+0.17n_1+0.26n_2}{x_H}---\left(2\right)$

$y_0=1.31+\frac{2.66}{x_B}+\frac{23.27}{x_G}+\frac{0.43}{x_I}+0.0012.x_R+0.0009.x_J+0.23.x_S+\frac{0.29}{x_H}---\left(3\right)$

虚拟变量确定时，首先需要通过模型(3)计算y₀，然后基于y₀按着设定的叶面尘土量级别确定n₁、n₂；便于操作起见，本发明将叶面尘土量分为三级：

如果y₀＜T₁,则n₁＝1,n₂＝0；

如果T₁≤y₀≤T₂,则n₁＝0,n₂＝1；

如果y₀＞T₂,则n₁＝1,n₂＝1；

其中，T₁、T₂是根据具体叶片设定的叶面尘土量级别界限，如果叶面尘土量介于某3mg和5mg两个数值之间定义为“载尘能力为中等”，则这两个数值的下限与上限就是T₁、T₂，若大于T₂就为“载尘能力为较强”。

6.一种叶片表面尘土量的图像确定系统，其特征在于包括：

图像获取装置，用于获取叶片的彩色图像；

计算单元，用于从叶片的彩色图像中获得图像参数；

确定单元，用于根据图像参数利用叶面尘土量预估模型确定叶片表面尘土量。