论文部分内容阅读
本研究基于数字图像处理的理论和技术，在田间试验的基础上，系统研究了冬小麦田间群体数字监测的图像方法。主要研究内容包括田间近地数码相机的图像获取方法，图像分割方法的确定以及图像颜色校正的方法和应用，并进一步确定了小麦群体规模、群体营养状况、群体空间分布的数字图像指标和相应监测模型。主要研究结果如下：1.建立了三种图像获取的规范方法，分别用于：①群体规模和群体纹理特征监测；②群体营养状态监测；③群体垂直分布和水平均匀度特征监测。
2.图像预处理过程重点分析了植物图像分割方法，根据小麦冠层图像特点，对基于ExG直方图的双峰法进行了改进，分割成功率由74％提高到88％。在分析小麦冠层图像中的高亮度区对冠层覆盖度提取的影响作用基础上，得出该区域在整个小麦冠层图像中所占比例最大可达到8％，提出了降低高亮度区影响的相应处理办法。检验了数码相机的白平衡颜色校正效果，参照白平衡的校正效果好于自动白平衡，色调值的方差从56.55降至4.74，说明该方法具有较好的环境适应能力。
3.经过理论推导和试验数据分析建立了冠层覆盖度和叶面积系数的对数模型：LAI=2.244ln(1-rc)，该模型具有比较明确的生物学意义，模型的拟合优度比指数模型有所提高。提出了描述冠层覆盖度的阶段变化测度指标—冠日积(CcD)，并给出了冠日积的理论表达和简化计算方程，与农学上常用的叶日积(LAD)相比数据获得更简捷和便利。把图像欧拉数引入小麦群体的研究中，抽穗之前的各个时期，小麦冠层图像欧拉数与叶面积系数呈显著负相关关系，对同一生育时期京411和京冬8号品种的欧拉数和叶面积系数的回归模型有显著性差异，而对同一品种在不同栽培措施下的回归模型差异不显著。通过研究群体总茎数估测的图像方法，提出以群体图像边缘像素数为指标估测拔节期小麦总茎数的思路，采用三层BP神经网络模型，获得了比较好的估测效果。
4.提取了冬小麦冠层图像纹理特征指标，利用逐步判别分析方法筛选出的分类变量能够对不同结构的小麦冠层进行判别分类，分类正确率依不同的小麦生育时期而不同，其中孕穗期的分类效果最好，分类正确率达到100％。说明依据冠层图像纹理能够将不同结构小麦群体区分开。提出以图像指标—群体整齐度系数(PUI)估测小麦行内均匀整齐度的方法，该指标用绿色像素数在水平方向上变异系数的倒数表示。通过与主观评分方法得出的整齐度进行比较，二者之间具有极显著线性回归关系(R2=0.7143)，说明该方法具有一定的可行性和准确率。
5.明确了采用单行小麦图像的像素数估测生物量干重的效果优于用多行小麦图像估测，也优于对生物量鲜重的估测。分层绿色像素数与小麦的现存生物量之间存在极显著线性关系。以试验数据为例进行图像垂直分布分析结果与作物栽培学理论相一致，该方法具有一定的可靠性和推广应用价值。
6.确定了6个有效的颜色指标H、tan-1(b/a)、H/S、a/b、√a2+b2、G/R，利用它们分别建立了个冬小麦关键生育时期的叶色诊断模型。采用灰色关联优势分析方法从上述6个指标中进一步确定H/S、a/b、H为起身至灌浆期的营养诊断颜色指标，利用H/S、a/b、H指标为自变量，分别与上三叶SPAD值、上三叶含氮量建立多元回归模型，可以较好地估测起身至灌浆期的叶绿素和氮营养状况。