利用高光谱技术分析茶树叶片中叶绿素含量及分析

引言

叶绿素是植物体进行光合作用､进行第一性生产的重要物质,叶绿素含量能间接反映植物的生长状况与光合作用能力;同时,叶片中叶绿素含量及其分布与植物的营养缺素状况密切相关,因此,植物叶片中叶绿素含量及分布可作为评判植物营养生理状态的一个重要指标｡常规的叶绿素测定方法是分光光度计法,但该方法步骤繁琐,费时费力｡

近年来,便携式叶绿素仪和遥感技术在叶绿素含量的检测上得到越来越多的关注｡尽管这些方法与传统的叶绿素检测方法相比具有显著优势,但也表现出一定的缺陷｡高光谱成像技术集光谱分析和图像处理于一身,现已在军事､医药和精细农业领域得到了广泛的应用｡由于高光谱成像技术是光谱分析技术和图像处理技术在技术层面上的融合技术,基于这两种技术的优势,高光谱成像技术不仅能研究对象的内部成分含量,还可对其分布进行可视化分析｡本研究以茶树为研究对象,采集茶树叶片高光谱图像数据,提取相应的光谱特征变量,并与常规方法检测得到的叶绿素含量相关联,建立茶树叶片叶绿素含量预测模型;最后通过模型估计出叶片上任意像素下的叶绿素含量,通过伪彩手段描述叶片上叶绿素的分布状况,以便于从图像角度更直观分析茶树营养状况｡

数据采集

高光谱图像数据是基于光谱仪的高光谱图像系统采集得到的｡试验数据采集过程中,将茶树叶片平铺在白色底板的输送台上进行高光谱图像采集｡设定高光谱系统摄相机曝光时间为50ms,输送装置的速度为1.25mm·s-1｡试验采用的高光谱摄像头的图像分辨率为400×1280,光谱范围是408~1117nm,采样间隔为0.67nm｡

图1

2.1 高光谱图像标定

由于光源的强度分布不均匀及暗电流噪音的存在,造成在光源强度分布较弱的波段下获得的图像含有较大的噪音｡

因此,需要对所获得的高光谱图像进行黑白标定｡在与样品采集相同的系统条件下,扫描标准白色校正板得到全白的标定图像W,关闭相机快门进行图像采集得到全黑的标定图像B,完成高光谱图像的标定,使采集得到的绝对图像I变成相对图像R。

2.2 数据计算

表1列出波段比植被指数(RVI)､归一化植被指数(ND-VI)､重规一化植被指数(RDVI)､叶绿素吸收比指数(CARI)､二次土壤调节植被指数(MSAVI2)､三角植被指数(TVI)和四点线性内插法(FPI)等七种不同的高光谱图像数据处理算法｡本研究通过这七种算法分别提取相应的特征参数,并与叶绿素参考测量结果进行拟合建立叶绿素含量的回归模型｡试验以叶绿素含量参考测量值与模型预测值之间的相关系数(R,如式(2))和均方根误差(RMSE,如式(3))作为评价各种方法的有效指标｡

表1

数据分析

3.1 高光谱图像信息选择

针对每个样本的高光谱图像,为了避开茶树叶片的主脉,在主叶脉的一侧选取一个50*100像素的矩形作为感兴趣区域ROI,如图2(a)所示｡然后再计算该ROI内的平均光谱,如图2(b)所示｡从图2(b)可以看出在450nm以下和850nm以上光谱值超过检测器的范围存在能量溢出,并且呈现一定的噪音｡另外,叶绿素的吸收光谱主要集中在400~700nm范围内｡综上所述,本研究截取450~850nm范围内的平均光谱进行下一步分析｡2.2叶绿素含量参考测定结果叶绿素含量的测定与高光谱图像的同步采集｡采用紫外分光光度计测量法｡表2列出了叶绿素含量均值､范围和标准偏差｡

图2

表2

3.2 预测模型建立及比较

在叶绿素含量预测模型建立前,首先通过RVI,FPI和MSAVI2等七种算法分别提取相应的特征参数,再与叶绿素参考测量结果进行拟合建立叶绿素含量的回归模型｡拟合模型的方程及其校正和预测的结果如表3所示｡综合比较模型预测集中相关系数(R)与最小均方根误差RMSE｡从表3可以看出,MSAVI2模型预测集中R值最高,RMSE值最低;同时,该模型校正和预测的结果较为接近,因此MSAVI2模型不仅预测精度高,且稳定性好｡因此MSAVI2模型作为本试验的最佳模型被用来估计叶绿素含量｡

表3

3.3 叶绿素含量分布

预测试验提取茶树叶片高光谱三维数枯块中任意像素下的光谱信息,将其代入MSAVI2模型估算出该像素的叶绿素含量值｡计算出茶树叶片中每个像素下的叶绿素含量,不同叶绿素含量利用不同的色泽加以描述,以形成一张伪彩图片如图3所示｡从图3,叶绿素较均匀的分布在叶脉两侧,叶脉中叶绿素含量低于叶肉中叶绿素含量｡叶片首端叶绿素含量高于末端叶绿素含量｡由于茶树叶片本身叶脉较为细密,且表面含有蜡质层,再加高光谱图像本身分辨率等问题,因此该伪彩图片仅能区分出其主叶脉分布情况｡另外,叶片边缘蓝紫色部分并不仅仅是叶绿素含量的真实估计,其主要是由叶片边缘起伏造成光反射不均等原因所致｡从总体上看,根据MSAVI2预测模型可以较为准确地估算出叶片表面叶绿素的分布情况｡叶片上叶绿素含量的分布研究可以为进一步为分析植物的营养信息服务｡

图3

结论

利用高光谱图像采集系统获取茶树叶片样本的高光谱图像信息,选择指定区域并提取指定区域内的平均光谱信息｡通过RVI､FPI和MSAVI2等7种算法分别提取相应的特征参数,进而同样本所对应的叶绿素浓度建立拟合模型并比较结果｡建模结果表明,MSAVI2预测模型结果最好｡利用MSAVI2预测模型计算出茶树叶片每一像素点下的叶绿素浓度并画出叶绿素含量分布图｡为进一步利用图像处理判断植物的营养素信息提供参考依据。

欢迎关注公众号：莱森光学，了解更多光谱知识。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑 黄宇