作物圖像獲取、處理技術及其應用研究進展

付虹雨，崔丹丹，崔國賢，曹曉蘭，佘瑋，蘇小惠，李林林，王繼龍，劉婕儀，王昕慧，劉皖慧

（湖南農業(yè)大學苧麻研究所，湖南長沙410128）

在農業(yè)生產過程中，作物的品種、營養(yǎng)狀況、健康情況都與作物最終的產量和質量息息相關。為了大力發(fā)展精細農業(yè)，提高農作物產量和質量，準確把握作物的各項生長情況，實現作物生長發(fā)育過程的可控是十分必要的。隨著信息技術的高速發(fā)展，圖像處理技術作為一種新手段被廣泛地運用于作物品種鑒別、作物營養(yǎng)診斷、作物病蟲害診斷等各方面。圖像獲取裝置（照相機等）價格的不斷下降以及圖像處理技術的不斷成熟使得利用現代信息技術獲取作物圖像、分析處理作物圖像成為可能。運用圖像處理技術解決農田問題其優(yōu)勢在于：運用照攝像設施獲取大田作物特征，能節(jié)省人力、物力的投入，避免人眼識別大批量作物的低效、準確率低等問題；作物圖像能在短時間內獲取，有利于實時監(jiān)控作物的生長狀況，合理地指導生產過程中施肥追肥，避免施肥不當造成的環(huán)境污染；利用作物圖像能有效地防控大面積病蟲害，高效精準地噴灑農藥，為作物生產管理提供依據。

目前，國內外很多學者都以現代信息技術為手段進行作物圖像研究。因研究對象和目的差異，學者們所用的方法手段有所不同，但基于圖像獲取和處理研究的基本流程一般都包括作物圖像獲取、圖像預處理、特征提取與優(yōu)化、數據分析等，以下從作物圖像處理的基本流程出發(fā)，簡述其包含的關鍵技術及其應用。

1 圖像獲取技術

采集清晰的圖像是圖像預處理和特征提取獲得良好效果的重要前提。傳統的地面人工拍攝不僅浪費人力，并且常受人工拍攝技術不到位、效率低下等因素影響無法得到精準有效的圖像。遙感技術為便捷、高效獲取農業(yè)作物圖像提供了支持。從離地距離來說，衛(wèi)星平臺、航空平臺、地面移動裝置等平臺皆可用于獲取遙感圖像，但圖像在尺度、空間分辨率、光譜分辨率上有較大的區(qū)別。

1.1 衛(wèi)星遙感

衛(wèi)星遙感作為遙感系統的重要組成部分，早在20世紀70年代就被歐美等發(fā)達國家用于農作物產量估算、生長情況監(jiān)控以及營養(yǎng)監(jiān)測等方面，而后其在農業(yè)領域的應用不斷得到拓展。20世紀80年代開始，我國逐漸在農業(yè)中應用遙感技術，利用其覆蓋范圍廣、獲取速度快、信息量大等優(yōu)勢來測量農作物種植面積［1-3］、進行災害監(jiān)測［4-5］。如譚昌偉等［6］利用國產衛(wèi)星產品 HJ-1A／1B獲取江蘇省大豐、興化等5個縣區(qū)觀測點的小麥衛(wèi)星影像，對大田小麥的植被指數、關鍵生長指數進行定量分析，證明了衛(wèi)星遙感可以較好地滿足估測作物產量的要求。2018年6月2日，我國發(fā)射了首個承載能有效辨別作物品種類型的高分六號衛(wèi)星，這一遙感衛(wèi)星具有很高空間分辨率，其運用大幅提高了農業(yè)生產中對地監(jiān)測能力。

在農業(yè)生產中，受天氣條件、衛(wèi)星既定運行軌道等因素影響，衛(wèi)星遙感很難在特定的時間內獲得目標區(qū)域的圖像。即使在時間和天氣條件都滿足的情況下，衛(wèi)星遙感信息也無法普及農戶，難以滿足以小農戶為主體的生產條件下的技術需求，其一般用于科研試驗，用來獲取大面積區(qū)域圖像，分辨度不高。隨著電子圖像技術的發(fā)展，遙感技術在小型化、實用性、高分辨率以及大眾可承受性上取得了較大的突破。無人機遙感平臺作為獲取作物圖像的一個重要途徑，正逐漸成為農業(yè)航空遙感系統的重要補充。

1.2 無人機

無人機遙感系統由無人機平臺、遙感傳感器、地面站系統和數據處理系統組成。無人機平臺是利用無線電遙控設備和自備的程序控制裝置操縱的一種高度自動化、智能化的非載人飛機。在進行作業(yè)時，無人機平臺搭乘遙感傳感器，執(zhí)行地面站系統對無人機進行的飛行參數、飛行路徑等命令設置，并通過數據處理系統進行圖像的存儲、處理。美國國家航空航天局最早采用無人機遙感系統獲取作物的彩色和多光譜圖片，該系統獲取的數據可以實時傳輸到地面［7］。隨后，無人機遙感技術得到了廣泛的發(fā)展應用，如Anderson［8］采用無人機承載35 mm商用相機獲取了小面積區(qū)域圖像。目前，按照不同的平臺構型可將無人機分為固定翼無人機、直升機和多旋翼無人機。固定翼無人機發(fā)展比較成熟，具有安全性強、抗風能力強等優(yōu)點，但其起降所受限制多，并且巡航條件下速度過快、要求高度過高，不能懸停；直升機是靈活性最強的無人機平臺，可以原地垂直起飛和懸停；多旋翼無人機的靈活性介于直升機和固定翼無人機之間，起飛降落像直升機一樣方便，可定點懸停，飛行震動小，適合于獲取多重復、定點、多尺度、高分辨率的農田作物信息。在進行無人機選擇時，要根據作業(yè)的要求，充分考慮其續(xù)航時間、載荷量、飛行控制系統等方面的特征。

1.2.1 無人機圖像獲取系統

無人機圖像獲取系統是由無人機平臺以及其所載乘的遙感傳感器等組成的。無人機的載荷量有限，所以總體來說傳感器宜采用輕型的數碼相機、多光譜和高光譜相機等。無人機飛行的安全性和傳感器的高分辨率是獲取準確信息的關鍵。國內外眾多學者都對無人機圖像獲取系統進行了探究，以實現圖像信息的高效獲取。

在傳感器分辨度方面，Parrot公司設計了Sequoia農業(yè)遙感多光譜相機，這款相機不僅可以與所有類型的無人機兼容，并且可以獲取綠、紅、紅邊和近紅外4個波段的光譜數據，為保證獲取圖像的高度精確，其還配置有一個1600萬像素的可見光相機以獲取可見光圖像作為補充［9］。黃克明等［10］設計了基于DSP的多源圖像融合系統，可以實現可見光、紅外和紫外的融合，提高圖像信息準確度，并且該系統也非常適合載荷能力有限的無人機。

在無人機飛行的安全性方面，為使無人機始終處于自動飛行和遙控監(jiān)管雙重保護之下，避免空中障礙，獲得高質量信息，吳云東等［11］在進行飛行試驗的過程中采用了視距網格的飛行模式，即將所測區(qū)域劃分為若干個視距網格，一個網格一個飛行架次，按照相同的飛行路線逐個網格飛行。浙江大學自主研發(fā)的無人機飛控裝置提高了無人機的靈活性，使其有效地對飛行環(huán)境做出反應，同時在飛控裝置中安裝了儲存設備，對信息進行實時記錄。

1.2.2 無人機參數設置

無人機獲取圖像的高精度除了受傳感器本身屬性影響，還與飛行參數、拍攝參數有關。常規(guī)無人機的飛行參數包括飛行高度、飛行速度、飛行軌跡規(guī)劃等，如飛行高度決定地表分辨率，航拍飛行高度越高，在同等時間內拍攝的面積越大，圖像的像素就越大，并容易加劇混合像元效應。拍攝參數包括ISO值、快門速度、光圈等。如果快門速度無法與飛行速度協調，可能造成拍攝圖像模糊或覆蓋率不足。因此，通過無人機獲取作物圖像時需要實現多參數之間的相互調整配合，保證無人機遙感系統實現最佳的效果。

1.2.3 無人機飛行航線規(guī)劃

無人機在進行作業(yè)時，空中基本少有障礙物，因此其不需要安全監(jiān)控系統，其安全主要靠飛行路徑、與操作者的安全距離、控制過程、無人機穩(wěn)定性等來保障［12］，這種情況下航線規(guī)劃就顯得尤其重要，因此很多學者對最佳的航線進行了選擇［13-14］。

在進行無人機航線規(guī)劃時要充分考慮內因（相機分辨率、無人機續(xù)航時間、法定飛行高度等）和外因（航線方向、圖像重疊度、飛行速度等）。航線方式可分為Z字形、環(huán)繞形、不規(guī)則多邊形和自由飛行。Z字形的飛行方式是大多數場景都適用的，最適合相對平坦的面積較大的區(qū)域；環(huán)繞形可用于三維模型的構建，在農業(yè)中需要測株高時，這種方法特別適用，可在物體周圍完成一個橢球體任務；在遇到復雜的地形和飛行邊界限制時可采用不規(guī)則多邊形飛行。農業(yè)具有季節(jié)性，為避免遺漏圖像信息，在飛行時需要特別注意圖像的重疊率，至少保證75%的航向重疊率和60%的旁向重疊率。

1.2.4 無人機圖像獲取技術的應用

由于無人機遙感具有高分辨率、實時監(jiān)控、低成本等眾多優(yōu)勢，其應用領域也逐步擴大，廣泛地應用于軍事、氣候監(jiān)測、資源監(jiān)測以及農業(yè)等各個領域。在農業(yè)植保上無人機遙感技術發(fā)揮了重要作用，如崔美娜等［15］根據無人機遙感反射光譜上可見光與近紅外波段反射峰的改變，評估棉花螨害情況；戴建國等［16］利用無人機獲取的光譜圖像，通過比較光譜反射率和紋理特征獲取了棉花倒伏信息。在農業(yè)其他方面，李冰等［17］利用無人機遙感技術獲取了冬小麥覆蓋度信息，通過覆蓋度直觀地反映了植被的生長狀況；李長春等［18］將無人機應用于作物育種表型參數研究，通過獲取300個不同品種大豆材料在不同時期的高清數碼圖像，實現了高效、無損、高質監(jiān)測大豆育種材料的冠層長勢和產量潛力；顧錚鳴等［19］利用無人機航拍圖像獲取了田間道路、主干溝渠等土地基礎設施，使土地使用情況識別評估便捷化。

總的來看，近年來，無人機遙感技術的應用越來越廣泛，無人機引入農業(yè)領域是發(fā)展精細農業(yè)、數字農業(yè)、信息農業(yè)的必然，通過無人機遙感裝置獲取農業(yè)信息，能更好地指導作物生長發(fā)育的全過程。

表1 無人機和衛(wèi)星遙感對比Table 1 Comparison between UAV and satellite remote sensing

2 圖像處理分析技術

作物的外觀顏色和形態(tài)長勢包含了作物的大量生長發(fā)育信息，通過對作物圖像進行處理分析可得到作物的生理參數（如株高、生物量、葉面積等）和生化參數（如植被指數、葉溫等），從而進行品種鑒別、營養(yǎng)診斷等分析。圖像的處理分析主要包括預處理、特征提取、數據分析三步。

圖1 圖像處理分析的基本步驟Fig.1 Basic steps of image processing analysis

2.1 圖像預處理

2.1.1 圖像拼接

采集完作物圖像之后，需要將數張拍攝的小范圍圖像進行拼接以得到完整的有價值的大幅作物圖像。完整圖像的拼接是通過匹配各個圖像之間的同名點完成的。劉帥兵等［20］在利用遙感影像提取玉米苗期株數信息的研究中，為提高圖像拼接的精度，在不同的航帶設置了幾何參考板作為GPS控制點，基于地理定位保證了后續(xù)的拼接工作，然后將帶有GPS定位的圖像輸入Agisoft PhotoScan軟件中自動完成拼接處理。高林等［21］、張小洪等［22］同樣運用Agisoft PhotoScan進行圖像拼接。Agisoft PhotoScan軟件是由Agisoft LLC公司研發(fā)的一款可以實現3D影像重建和正射影像生成的制圖軟件，其優(yōu)勢在于用戶只需將篩選過的圖片以及POS數據導入該軟件，在保證影像重疊度的基礎上，軟件會全自動進行計算并輸出高精度拼接圖像。另一款軟件Pix4Dmapper［23］，同樣可以自動完成圖像的拼接，生成高精度正射影像，如戴建國等［24］的北疆主要作物分類方法研究、何游云等［25］的岷江冷杉單木樹干生物量測定研究便采用這一軟件。相比于Agisoft PhotoScan來說，Pix4Dmapper對專業(yè)的要求低，基本一鍵式操作，主要工作流程為：首先利用POS數據尋找同名點，然后計算原始影像的真實位置和拼接參數，最后自動校準并輸出影像。此外，范軍等［26］基于無人機定位定向系統提出了全新的計算單應性矩陣以完成拼接任務的方法，該系統可以獲得每一張影像對應的坐標和姿態(tài)角，然后根據每張影像的坐標和姿態(tài)角計算影像之間的單應性矩陣。這種方法的優(yōu)勢之處在于在拼接過程中不需要幾何參考板就能獲得較為精準的大幅作物圖像。

2.1.2 顏色轉換和校正

顏色特征參數是圖像識別中主要的參數之一，但受光照、濕度等多方面的影響，容易使得圖像顏色失真。同時，根據不同的應用目的，存在多種表達顏色的彩色模型，如RGB、HIS、HSV等。為了滿足試驗的要求，需要對顏色進行空間轉換和校正。在選擇顏色空間時，需要根據實際需要進行確定。表2對常用的RGB顏色模型和HIS空間模型進行了比較，為顏色空間模型的選擇提供了依據。為對色彩圖片進行校正，鄧小琴等［27］的研究中每隔3幅圖像采集一次標準白板和全黑標定圖像對原始圖像進行校正，以降低光源變化及系統噪聲的影響。林李金等［28］提出了基于RGB色彩空間的圖像校正方法，這一方法首先將圖像二值化，利用目標對象與周圍背景色彩的差異分割圖像，然后分區(qū)域對圖像進行色彩校正，很大程度上避免了背景對目標物體的影響，能夠獲得較好的校正效果。

表2 RGB顏色模型和HIS顏色模型對比Table 2 Comparison of RGB colormodel and HIS colormodel

2.1.3 圖像分割

圖像分割就是將目標從背景中分離出來。一般來說，圖像分割方法可分為三類：基于區(qū)域的分割方法、基于閾值的分割方法和基于邊緣的分割方法。

閾值的選擇決定圖像分割，圖像的灰度能明確地展現物體的某種特性，因此可以利用灰度直方圖來選擇閾值分割圖像。胡煉等［29］、劉廣瑞等［30］先是運用超綠色法ExG＝2G-R-B將圖像進行灰度化，即令像素點矩陣中的每一個像素點都滿足R＝G＝B（紅色變量的值＝綠色變量的值＝藍色變量）的關系，然后運用最大類間方差法（Ostu法）確定一個閾值T，將每個像素點的灰度值和閾值T相比較，大于T的灰度值歸為255，小于T的灰度值歸為0，這樣圖像的像素點矩陣就只由0（黑色）或者255（白色）組成，由此實現二值化分割。Ostu法的優(yōu)勢在于其能自動選擇閾值，計算過程簡單。與RGB顏色模型相比，HSI顏色模型在接近人眼對景物的認知方面更優(yōu)，因此雷亞平等［31］嘗試在HIS顏色空間運用閾值法對棉苗進行分割。劉賜德等［32］在HSV顏色空間運用K-means聚類算法對煙葉圖像進行分割，K-means聚類算法是將空間中的數據點聚成K個簇，然后找出每個簇的聚類中心，將空間中的數據分配到距離最近的中心，該試驗中，HSV信息數據被分配到兩個聚類中心，由此完成了圖像分割。

在有關作物圖像處理研究中，基于顏色空間的閾值分割方法應用較多，雖然取得了較好的效果，但對于背景較雜、范圍較大、變換較多的大田大幅圖像仍不能做到最佳的分割，由此創(chuàng)新高效的分割方法亟待探究。張恒敢等［33］采用灰度統計直方圖和形態(tài)處理相結合的方式分割圖像，該方法將顏色和形態(tài)兩個因素考慮在內，提高了分割精度。綠色作物圖像的不同色調值像素數量服從高斯分布，利用這一點翟瑞芳等［34］探究了高斯HI顏色算法對油菜圖像的分割效果，得到了很好的結果。

2.2 數據分析

在對作物圖像進行圖像拼接、顏色以及幾何校正等一系列預處理以后，會得到試驗所需要的色彩數據或其他參數數據，然后對數據信息進行處理。目前提出的可用作處理分析的植被指數有100多種，大多運用可見光-近紅外波段即可得出。植被指數能有效地說明植被生長狀況的定量信息，如植被葉綠素含量［35-37］、葉面積指數［38-39］、植被覆蓋度［40］、生物量等，表 3展現了部分植被指數計算公式及其作用。依據得到的植被指數進行分析，常見的方法有貝葉斯分類法、回歸分析建模法。貝葉斯分類法是一種基于概率統計理論，簡單且易于實現的分類算法，計算待分類項在已知條件下出現在各種類別的概率，并將此項歸于概率最大的類別。回歸分析建模法是采用線性與非線性回歸方程的數學建模方法，整合所得到的圖像數據，構建作物的數學模型?；貧w分析建模法現已廣泛地應用于作物的營養(yǎng)診斷等試驗中，針對不同試驗內容的特點，可采用線性或非線性兩種方法：線性回歸一般是基于兩種或兩種以上變量間相互依賴的定量關系，通過計算機運算得到回歸模型的一種統計分析方法；非線性回歸是對變量間不具有線性相關關系建立的數據回歸模型。

表3 常見植被指數計算Table 3 Calculation of common vegetation index

3 相關圖像處理分析軟件

目前，可完成上述操作過程的軟件有很多，根據其對象可分為商業(yè)化圖形處理軟件和自行開發(fā)圖像處理軟件。以下簡要介紹幾個主流的圖像處理軟件。

3.1 MATLAB

要想得到準確的圖像數據信息首要就是選擇合適的軟件進行預處理，MATLAB是一套功能強大的數據運算及分析軟件。MATLAB支持的圖像文件格式豐富，如BMP、JPG、JPEG、GIF等，該軟件避免了圖像的格式、讀寫等造成的麻煩，從而極大地提高了工作效率。其主要功能包括圖像變換、圖像增強、圖像分割、線性濾波和濾波器設計、形態(tài)學處理等。圖像變換使圖像實現鏡像變換、平移或剪裁、縮放與旋轉等。圖像增強功能用于突出圖像中感興趣或需要的部分，以便于進一步地觀察、分析和處理。圖像增強又包括點處理和區(qū)處理，點處理又稱為灰度變換，可分為直接灰度變換和直方圖修正，這兩種方法均是增強圖像的對比度，從而達到圖像增強的效果，但直接灰度變換法作用于灰度，而直方圖修正法作用于直方圖；區(qū)處理可分為圖像平滑和圖像銳化。圖像分割就是對圖像進行分離，提取重要信息，MATLAB圖像分割可采用灰度閾值法、邊界法、區(qū)域法、邊緣法。MATLAB強大的功能，使其在醫(yī)學、數字信號處理教學等方面都發(fā)揮了重要作用。

羅雪寧等［41］基于MATLAB對紅棗圖像進行處理，在完成圖像灰度化、二值化處理等一系列預處理后，運用最小矩形法提取了紅棗尺寸大小、缺陷信息以及通過HSI顏色模型實現了紅棗顏色分級處理。李瓊等［42］采用MATLAB圖像處理代替人工對大豆進行顆粒計算以及大小監(jiān)測，MATLAB中有特定函數可用于獲取圖像連通圖的數量，通過尋找每個區(qū)域的重心數，即可統計出大豆的個數，通過每個連通區(qū)域的累計面積和已得到的大豆個數比值即可獲得大豆顆粒的平均大小。MATLAB憑借強大的功能，使其在作物圖像處理分析上有了廣泛的應用。

3.2 Photoshop

Adobe Photoshop是由Adobe Systems開發(fā)和發(fā)行的圖像處理軟件，其包含眾多的編修與繪圖工具，可以有效地對數字圖像進行編輯。Photoshop在圖像處理方面主要包括三大項技術：圖層技術、曲線技術和通道技術。圖層技術是最基礎的、最重要的組成部分，Photoshop中一切操作都是建立在圖層的基礎上，圖層滿足了在對圖像做局部細微處理時不妨礙其整體效果的需要。曲線技術可以對顏色、明度兩個方面進行調節(jié)。通道技術主要是用于快速摳圖。Photoshop在農作物圖像上的應用主要是通過校色調色功能進行灰度調整，獲取處理色彩信息。

王曉靜等［43］在棉花氮素營養(yǎng)診斷研究中采用Adobe Photoshop 7.0中的Histogram程序對獲取的地面數字圖像進行處理，首先讀取紅、綠、藍各個通道的平均值、中間值等信息，得到了棉花冠層的色彩信息，然后用Excel和SPSS等統計軟件對色彩信息和試驗數據進行分析，從而得到冠層圖像色彩參數與施氮量、產量之間有良好相關性的結論。孫棋［44］選取RGB、HSV系統以及YIQ電視信號彩色坐標系統對作物圖像的顏色特征進行處理，建立了水稻氮素水平模型，實現了水稻氮素水平的診斷。

3.3 自行開發(fā)的圖像處理軟件

雖然已開發(fā)的MATLAB、Photoshop等軟件具有很強的功能性，但因其側重點不同，對具體的作物圖像分析效果不佳。在實際的研究和學習中，常需要開發(fā)特定的圖像處理軟件以方便某一領域的研究。劉繼承［45］基于水稻株高、株型、種植密度等特征自行設計了水稻長勢分析判斷系統，可對水稻圖像進行二值化、灰度增強等預處理。譚林秋［46］設計出了基于VC的數字圖像處理系統。崔國賢等［47］設計出了苧麻葉片圖像處理系統V1.0。同時不少學者基于OpenCV進行面向對象編程以開發(fā)功能齊全、運行速度快、針對性強的圖形處理系統，如劉培軍等［48］以OpenCV計算機視覺庫為基礎，在Qt Creator集成開發(fā)環(huán)境下，開發(fā)了一款圖像處理系統，該系統包括文件處理、基本圖像處理、形態(tài)學處理、領域處理、點的處理等功能，簡化了圖像處理的工作流程。OpenCV是一個基于BSD許可發(fā)行的可跨平臺的計算機視覺庫，其本身就包含500多個優(yōu)化過的算法，功能十分強大。路艷等［49］利用OpenCV對水稻葉片進行圖像灰度化、二值化、輪廓分割、特征參數獲取等一系列圖像處理操作。楊思陽等［50］也調用OpenCV視覺庫實現了幾何圖像顏色和形狀識別。該技術或將應用于更多領域，如作物葉片分割等。

4 圖像處理技術在農業(yè)不同領域的應用

4.1 圖像處理技術在作物營養(yǎng)診斷上的應用

營養(yǎng)要素是維系和促進作物生長發(fā)育的不可缺少的一部分，為實現農作物的高質高產，根據作物需求合理施肥，提高作物營養(yǎng)顯得尤為重要。施肥要以作物營養(yǎng)診斷的結果為基礎，才能達到提升農產品質量、改良耕地的效果?？焖佟蚀_、無損地利用圖像獲取作物營養(yǎng)狀況主要是通過建立作物色彩和作物營養(yǎng)狀況之間的關系實現的。不同植被其氮素、葉綠素等含量各不相同，從而影響植被冠層群體的反射光譜，呈現不同的色彩。計算機通過精確定量冠層反射的紅、綠、藍光值，就可以反映冠層的營養(yǎng)狀況［51］。圖像處理技術已經在棉花、油菜、玉米、黃瓜、水稻等作物營養(yǎng)診斷上有了深入研究，如宋述堯等［52］利用數碼相機拍攝了黃瓜冠層RGB圖像，采用Photoshop 7.0獲取圖像中的綠色通道中間值G，比較了6種氮素水平處理下的溫室黃瓜冠層的圖像數字化指標G、G／R、G／B、G／L、G／（R＋G＋B）、B／（R＋G＋B）與土壤氮含量的關系，初步建立了評價黃瓜主要生育期氮素豐缺的冠層圖像參數標準；采用同樣的方法，李井會等［53］得出了R、G、B及其相關值與馬鈴薯氮素含量的關系；李朝東等［54-55］得出了苧麻葉片全氮含量與圖像顏色特征值之間的相關性；Lee等［56］通過彩色數字圖像發(fā)現圖像色彩的多個參數與作物營養(yǎng)狀況密切相關，他還指出，圖像處理得到的數據還有助于分析得出葉面積指數、水稻粒重等信息。為了避免單一彩色數字圖像的失誤，提高作物氮素的診斷率，Mao等［57］將光譜圖像和數字圖像相結合，利用光譜圖像分析生菜的內在化學物質，數字圖像分析其外在形態(tài)特征，兩者的結合提高了診斷的準確度。值得注意的是，以上研究均是基于傳統的顏色特征參數，張玨等［58］的研究運用三原色權值調優(yōu)方法，提出了調優(yōu)參數BOP和歸一化調優(yōu)參數NOP，新的特征參數展現了更高的預測精度，然而在具體的試驗中，相關參數還需繼續(xù)探索。

雖然圖像識別技術在作物營養(yǎng)診斷方面的應用越來越受到重視，在試驗過程中仍然存在諸多阻礙。影響作物圖像的因素眾多，作物品種的冠層結構、植株形態(tài)、太陽光照強度、拍攝時與冠層的角度等都可能會對診斷結果產生影響。當前大多數圖像營養(yǎng)識別研究都是在實驗室條件下進行的，對自然條件下復雜的大田作物研究極少，仍需進一步深入研究與探討。

4.2 圖像處理技術在雜草識別上的應用

在農作物田間生產管理過程中時常面臨雜草的威脅，雜草的肆意增長嚴重影響了作物的生長發(fā)育，降低了農作物產量和質量。病蟲害的滋生和蔓延，也給農業(yè)生產造成了巨大的損失。目前雜草防除主要采用化學方法，若想高效地發(fā)揮其功效，必須使化學藥劑的噴施精準定位、定性、定量化［59］。利用計算機視覺技術可將雜草從農作物和土壤的背景中識別出來用以指導雜草防除，現階段主要利用雜草本身的一些特性，如顏色特征、形狀特征、紋理特征和多光譜特征等來識別雜草［60］。2015年，陳亞軍等［61］利用逆向思維提出了雜草逆向定位的方法，這一方式是基于研究環(huán)境中雜草在種類與數量上均大于經濟作物這一事實，從傳統的以雜草為識別主體轉為以識別經濟作物為目標，在定位出作物的位置后，自動判定其他區(qū)域為雜草，該方法的準確率達到90%。王海華［62］利用剪切波變換，獲得雜草和麥田區(qū)域的不同紋理特征，然后對無人機麥田區(qū)域圖像中雜草進行識別。Nieuwenhuizen等［63］的研究表明，在處理了植物遮擋、平方厘米精度無法獲得、日光的變化等帶來的問題后，基于圖像顏色檢測可對田地雜草進行監(jiān)控，后又進一步從圖像的質量、作物的行距、作物特征角度確定了作物分類的精度，有效區(qū)分作物和雜草，指導雜草去除［64］。作物和雜草的生長速度不一致，Piron［65］以此為基礎引入了一個新的參數“校正株高”，利用不同時期作物與雜草的高度差距，定位雜草區(qū)域。Lopez［66］利用無人機搭乘多光譜相機實現了早期雜草識別。

在進行雜草識別時應選擇多個特征進行分析，區(qū)分因素越多，得到的區(qū)分結果越精確。在試驗中受拍攝角度以及植物隨風擺動等外因的影響，可能會導致圖像出錯，這時如果單一選擇以雜草的形狀為特征來識別可能會降低準確性，因此要綜合各種特征如從作物顏色、作物紋理、作物密度等方面探究雜草和作物之間的關系，指導大田除草，推進精準農業(yè)的發(fā)展。

4.3 圖像處理技術在作物品種識別上的應用

品種識別是指通過作物的形態(tài)特征和生產性狀辨別其種類。隨著計算機圖像處理技術以及識別技術的飛速發(fā)展，使作物種類的識別與分類成為可能，但精準地識別作物必須滿足：找準目標作物的典型特征；選擇的性狀可以從其對應的數字圖像上獲得，即計算機能夠高效和精確地提取、識別特征。目前利用作物圖像識別作物品種的研究主要集中于植物的外觀特征上，且側重于幾何形狀特征測量［67］。

楊錦忠等［68］通過玉米種子的圖像，建立了大小、形狀、紋理、顏色、簡化、完全6個識別模型，特別需要指出的是其利用完全種子形態(tài)特征識別品種，探究了識別品種的極限。程洪［69］針對玉米種子識別提出了新觀點，可用玉米種子白色胚部與黃色冠部的面積比例進行識別。鄧小琴［27］利用融合光譜、紋理及形態(tài)特征的水稻種子高光譜圖像進行單粒品種鑒別。陳爭光［70］在對獲取的光譜圖像進行預處理后，用最小二乘法分析了其主要成分，完成了對品種的鑒別，其識別正確率達到100%。Jian Zhang等［71］運用三種分類方法，包括無監(jiān)督分類、監(jiān)督分類和基于對象的分類評價了遙感圖像對作物識別的有效性。Cholhong等［72］利用密實度、圓形度、伸長度、葉狀度和粗糙度等作為形狀因子，提出了50種理想片狀葉形的圖形，并以此作為對照組來鑒別植物葉形。國內外學者致力于利用圖像技術實現不同作物的品種識別，如大豆、水稻、小麥、菊花、馬鈴薯、水果等。

利用圖像處理技術對植物進行識別分類，雖然取得了一定的進展，但該應用仍處于初級階段。圖像植物在外觀表現上不具有規(guī)律性和可描述性，使得植物圖像目標的識別比較困難；目標的背景復雜，生物的多樣性使得同一圖像中不同顏色的作物其灰度差異不大，這也給目標的識別帶來了難度；植物生長變異較大，難以建立合適的數學模型。這些特征是圖像識別技術中亟待處理的難題。不僅如此，現階段圖像識別研究主要集中于作物個體，通過獲取大田群體圖像，識別作物品種的研究還比較缺乏。

4.4 圖像處理技術在作物病害診斷上的應用

病蟲害會對作物的生長發(fā)育造成極大的損害，影響作物的質量和數量，造成巨大經濟損失。以往，農戶通常依據經驗來診斷病蟲害，主觀性強、準確性不高、效率低。計算機視覺技術的發(fā)展使高效監(jiān)測診斷病蟲害成為可能。作物在遭受病蟲害時，往往會呈現出鮮明的性狀，如葉片葉綠素含量及冠層結構會發(fā)生變化，而利用圖像處理技術可以準確、實時地捕捉這些特征，進行正確的病蟲害判別。

孫云云等［73］在小樣本情況下對茶樹常見病蟲害進行了識別，并探討了不同預處理對識別效果的影響。李沖等［74］建立了藍莓病蟲害診斷系統。秦豐等［75］和安強強等［76］構建了不同環(huán)境下的數據庫，設計了苜蓿植物病蟲害識別模型。水稻作為我國重要的糧食作物，如何高效對其病蟲害進行綜合防治是當前研究的熱點，眾多學者開始探究建立水稻病蟲害圖像識別與診斷系統［77-78］。近些年來，對農業(yè)病蟲害識別系統的關注越來越多，為使農業(yè)病蟲害識別系統普及化，施紀紅［79］借助人們熟悉的微信平臺，建立了圖像數據庫，為農戶提供了農作物病蟲害查詢、識別、預測平臺。作物生長具有諸多不確定因素，導致病蟲災害的發(fā)生具有突發(fā)性、多樣性，發(fā)生發(fā)展迅速等特點。將圖像處理技術應用于大田，能夠迅速監(jiān)測出作物病情，并進行綜合防范。

5 圖像處理標準規(guī)范

作物圖像的獲取受多方面的影響，如獲取平臺的高度、光線的強弱、圖像覆蓋范圍等都直接關系到圖像處理結果的好壞。因此，需要設置一定的圖像處理標準規(guī)范，保證圖像的準確度和精確度。準確度是用來衡量采集圖像和作物實際情況的接近程度，如互補成像模式、量化軟件等都可以用來評估圖像的準確度。精確度則反映了圖像的可驗性，精確度的獲得需要用一種可重復的方式來防止不可預測的因素干擾，進而掩蓋真正的相似性和差異性，保證精確度的關鍵在于采用穩(wěn)定的儀器設計，如固定的采集裝置設置。

6 前景與展望

與傳統方法相比，作物圖像處理技術具有高效、快速、智能等優(yōu)點，隨著技術方法的不斷改進，圖像處理技術逐漸被應用到更多作物上，并且在監(jiān)測農作物生長情況、農作物缺素診斷、種子質量檢驗、農產品品質檢測與分級、農業(yè)機器人、作物病蟲害上都取得了很大的成功。但當前大多數圖像處理研究為避免對象所處環(huán)境和背景的影響，都是在實驗室條件或人工設置環(huán)境條件下開展，缺乏對復雜自然條件下大田作物的研究。相比于發(fā)達國家，中國仍處于該技術的不成熟階段，在實際生產應用方面還有諸多問題需要進一步研究和探討，我們應提高對農業(yè)和信息技術的了解，促進兩者的結合。