1冠层结构参数的测量
冠层结构参数主要包括冠层体积、表面积、冠层周长等结构特征参数。冠层结构参数的图像处理检测主要借助的工具有三维激光扫描成像系统、半球图像、双目立体视觉等成像工具，用以获取植株的三维点云数据，并以此为依据，建立包括冠层体积、表面积、冠层周长等结构特征参数。陈兵旗等利用双目立体视觉方法对大田间玉米生长参数进行测量，构建了玉米三维生长模型，实现了大田玉米生长参数的实时测量和生长过程的三维虚拟显示［20］。在基于图像处理的冠层结构参数测定的算法方面，张富贵等提出了相对冠幅的概念，并采用BP人工神经网络对相对冠幅和成像距离进行了数据融合，消除了成像距离对相对冠幅值检测的影响，计算出融合值与相应的理论值之间的最大相对误差为1.14%［21］;朱景福等提出了一种基于特征点的图像匹配方法，得到了一种适用于不规则目标物和复杂背景的且目标物在不同通道中变化较大的情况的平行多目成像匹配模型［22］。李松等利用图像处理方法对拍摄到的一个或有限个二维图像处理，得到了果树的精确外形轮廓［23］。国外的研究集中在如何从林木的冠层图像中用图像的几何参数估测冠层结构参数。DominikSeide等认为，只有三维激光扫描仪具有得到构建林木冠层的空间分辨率［24］。Knowles等利用数字化的静止图像预测了树木的冠层郁闭度，并利用数字图像分析方法计算了冠幅面积，发现冠层郁闭度与树木胸断面积和绿色树冠占树高的比率之间有极高的相关性［25］。Sylvia等比较了用数字图像处理和半球摄影技术测量林木冠幅参数的方法，结果显示，图像处理所造成的图像分辨率的降低不影响天空开度的估算测量，数字图像处理技术比摄影技术更有效和廉价［26］。Guevara－Escobar等采用性能有鲜明对比的数码相机采集树木冠层图像，并用图像处理方法得到冠层参数平均值，发现冠层郁闭度的平均值在精度上极为接近，数据偏差佳能与柯达为－0．02，LAI－2000与柯达为－0．07;并证明图像处理方法的可重复性，与实测数据对比，发现LAI－2000冠层分析仪与图像处理法获得的数据结果一致［27］。
2营养状况的检测
作物营养状况的检测有助于掌握作物生长信息，及时对生产进行指导。反应作物营养状况的参数主要有叶绿素含量、全氮含量、碳氮比值等。目前，检测上述营养的图像来源主要是多光谱图像和普通数字图像［28－29］。图像处理技术检测这些营养参数的一般方法是在适当的颜色空间中对作物的数字图像进行处理，提取出与营养参数高度相关的色彩参数，进而建立起反应作物营养状况的关系模型。检测营养状况的关键在于色彩参数的提取。郭威等分析了不同氮营养成分下玉米冠层叶片的红通道和近红外通道的CCD图像，提取了两个通道的主叶片区域的平均灰度值和叶片周围的土壤平均灰度值，建立了氮素营养含量和两个通道的图像灰度以及灰度植被指数间的经验线性模型，快速检测了玉米叶片氮素营养含量［30］。在国外，应用图像处理检测作物营养状况常用的是光谱图像、图像的统计特征和纹理特征等。Y．Kim等构建了基于多光谱图像传感器的大田作物氮元素预测模型，并对该模型进行了校准［31］。Gautam等利用图像处理技术提取了叶片图像的统计特征和纹理特征，开发了以此作为输入的基于径向基函数的人工神经网络模型，用此模型预测大田环境下植物叶片含氮量，预测均方根误差为6.6%，最小预测精度为88．8%，决定系数为78%［32］。图像处理技术在果树病变识别方面也有了较多研究，这些研究充分利用了果树图像的色度、饱和度特征。Pydipat等用柑橘叶片图像的色度和饱和度信息作为输入，应用马氏最小距对柑橘病变的识别分类，准确度在95%以上，平均精度为99%;用BP人工神经网络和图像色度、饱和度信息得到的病变分类模型精确度都在90%以上，平均精度为95%;利用从色度、饱和度信息提取的图像特征和颜色共生法对柑橘叶子识别分类，消去了亮度的影响，精度达95%以上，得到了在光照变化情况下的最优模型［33－34］。DaeGwanKim等用图像采集系统对正常的柑橘和5种常见病变的柑橘做了图像采集，对每一个柑橘样本利用颜色共生法对图像的色度、饱和度和亮度进行变换，得到了包含39个图像纹理特征的集合［35］，对从HIS、HS和I3色组合中选取的14、9和11种图像纹理特征进行逐步判别分析，得到了有用的图像纹理特征集合，并以此集合构建了基于传统欧式距离的分级模型，对病变的分级精度为96．7%。
3展望
综合国内外的应用现状，图像处理技术检测农学参数的一般方法是:利用扫描仪、数码相机等图像采集系统对作物图像进行采集，然后用数字图像处理的算法得出所求农学参数在数字图像中的表示，或者提取出和农学参数相关的几何色彩特征，与所测农学参数的真实值进行回归得到预测模型。对比国内外图像处理方法在农学参数检测方面的研究可以发现，国外学者不但利用作物数字图像中的几何、色彩信息对农学参数进行预测，还有效利用了饱和度、亮度信息以及更深层次的图像特征来构建农学参数的预测模型。随着图像处理方法的不断发展，图像的形态学处理方法在农学参数检测研究中也得到了应用。目前，除了回归统计方法，将人工神经网络和遗传算法等新的算法运用于图像处理检测农学参数的研究逐渐成为热点。仪器方面，也从传统的图像采集系统发展到获取点阵云数据的三维激光扫描仪和多目图像采集系统。
作者：陈宇熠 张富贵 吴雪梅 刘国志 沈明明 单位：贵州大学 机械工程学院
