全文总字数：4903字
基于图像处理技术的植物叶片叶绿素含量分析
摘要:本文简述了国内外对植物叶绿素含量测量方法的研究现状概述。叶绿素含量影响植物的各种生理机能，准确测定植物叶绿素含量有利于了解植物光合的作用能力，为高产育种和栽培提供依据。因此植物叶绿素的含量，对于监测植物生长，评估植物长势有着重要的作用。目前检测植物叶片中叶绿素的方法主要分为化学方法测量与手持式吸光度计测量SPAD-502两种。然而这两种方法存在对叶片造成损坏，测量效率低等问题。开发一种基于图像处理技术的模型来估算叶绿素含量，能实现快速无损测量叶绿素，从而有效地进行指导植物科学、合理栽培。
关键词：叶绿素含量；图像处理；模型；无损测量
1.前言
叶绿素是高等植物体内的色素，能够进行光合作用，为植物的生长发育提供能量。叶绿素的含量在植物功能中起着重要的作用。研究表明叶绿素含量与氮含量呈线性关系，叶绿素含量在一定程度上对氮肥的施加能够起到有效的指导作用。因此对叶绿素含量的分析，对于监测植物生长，评估植物长势有着重要的作用。叶绿素含量的测量方法有很多，目前主要分为化学方法测量与手持式吸光度计测量两种。传统的方法是剪取植物叶片，用含有各种化学物质的抽提液浸泡，将样本中的叶绿素萃取出来，进行比色测定并计算浓度，这种方法对设备的要求不高，但步骤依然繁琐，耗时费力，测定结果的稳定性也不高，后来美国，日本等国家相继研发，都便携式的叶绿素含量测定仪SPAD-502，能够无损检测叶绿素含量，但是同一植物叶片不同部位的叶绿素含量是不同的，叶绿素仪是针对叶片上的一个点定，因此测定值的变化较大，若要准确反映叶片整体的叶绿素含量，需进行多次测定，极大的增加了工作量，并且该仪器价格昂贵，限制了应用范围[1]。
随着计算机技术的不断发展，图像处理技术在有关农业监测项目的遥感研究上的应用已经颇为成熟[1]。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。20世纪60年代初期，数字图像处理作为一门学科开始行程。首先获得实际成功应用的是美国喷气推进实验室，他们对航天器拍回的几千张月球图片进行图像处理技术，如几何矫正，灰度变换，去除噪音等方法进行处理绘制月球表面地图，获得巨大成功。1972年，英国EMI公司发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常说的CT，经计算机处理来重建截面图像称为图像重建。从70年代中期开始，随着计算机技术和人工智能思维，科学研究的迅速发展，数字图像处理向更高更深层次发展，人们已开始研究如何用计算机系统解释图像，许多国家，特别是发达国家投入更多人力物力到这项研究，取得了不少重要的研究成果，其中代表性的成果是70年代末MIT的提出的视觉计算理论，这个理论成为计算机视觉领域，其后十多年的主导思想图像理解，虽然是理论方法，研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，因人类本身对自己视觉过程还不了解，因此，计算机视觉是一个有待人们进一步探索的新领域。正是由于图像的获取更加容易，并且作为实时数据库更具便利性，图像处理成为了研究人员的替代策略[2]。开发一种新的，易于使用并无损诊断的方法来检测已成为现代研究叶绿素含量的新目标，使用RGB颜色模型开发的图像处理技术的来估算植物叶绿素含量正是解决这一系列目标的最好方式[3]。基于图像处理技术来分析叶绿素含量只要找出适合估算植物叶绿素的色彩参数的表征值，构建快速估算叶绿素含量的模型，就能达到快速估算叶绿素含量的目的，从而有效快速地进行指导植物科学、合理栽培。
2.国内外研究概况
2.1图像处理分析叶绿素的应用
基于计算机图像处理技术的叶绿素检测方法是一种快捷便利的检测方法，具有无损伤和实时等特点，成为植物叶绿素信息获取的新手段。计算机图像处理技术，在农业生产上的研究和应用始于20世纪70年代末期[4]，欧美国家当时主要研究桃，香蕉，西红柿，黄瓜等农作物的品质，随着电子技术，计算机软硬件技术与人类视觉相关的生理技术的迅速发展，数字图像处理技术本身在理论和实践上取得巨大的突破，在农业机械上的应用与研究也有了较大的进展[5]。为了解决传统方法测定叶绿素含量步骤繁琐且耗时费力且便携式叶绿素仪只能进行点测定的问题，基于计算机视觉的叶绿素含量测定方法应运而生[6]。
2.2国内研究进展概况
我国作为农林业大国，叶绿素提取分析是农林业研究中重要的环节，目前许多农业研究者已在大量文献资料提出了不同的方法。国内，李少昆等率先将图像技术用于小麦、玉米等大田作物株型信息的提取和生长监测。王克如等利用机器视觉技术获取棉花叶片颜色特征，建立棉花叶片叶绿素测定模型。其研究结果表明RGB颜色系统的B、B/ R、HSI系统的H均与叶绿素浓度间呈极显著相关，建立和筛选了六组棉花叶绿素含量预测模型，预测误差在7. 8%－13. 65%之间[7]。毛罕平等提出了基于计算机视觉的番茄营养元素亏缺的识别，此方法提取的颜色特征能理想识别缺素番茄叶片，结果表明，对不易肉眼判别的番茄缺氮和缺钾初期叶片的识别准确率在85%以上，能满足生产要求[8]。2009年杨杰等人提出一种水稻上部叶片叶绿素含量的高光谱估算模型，使用高光谱采集到的参数可估算水稻叶绿素含量。柴阿丽等人采用计算机视觉技术对番茄叶片叶绿素含量进行检测，实现了对番茄叶片叶绿素的快速估算。王娟等 用数字图像技术研究棉花作物时得出G/(G R B)可作为氮素营养诊断的指标。刘子恒研究得出苦菜图像色彩参数B/(R G B)指标的线性y=Ax B模型和G/B指标的y=Alnx B模型，实现对苦菜叶绿素的快速估算[9]。
国内关于图像色彩参数与叶绿素的相关研究报道很多，但不同研究对象得出的反演叶绿素含量的最优色彩参数指标不尽相同[10]。目前研究的对象多是农业作物，例如水稻、小麦、玉米、番茄、甘薯、大豆、苜蓿、烟草、油菜等。针对林业植物的叶绿素估算模型寥寥无几，所以针对林业植物的叶绿素估算模型研究刻不容缓。
