地上生物量是表征冬小麦苗期长势的重要参数之一, 对于监测冬小麦苗期长势, 预测产量具有重要的实际意义。 目前, 通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法, 但该方法需要一定的平台支撑, 在便捷性方面存在一定的不足。 为此, 利用可见光图像数据获取方便、 准确率高的特点, 基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。 采用数码相机, 采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。 在获取冠层分割图像后, 提取了CC(canopy cover)、 ExG(excessg reen)、 ExR(excess red)、 ExGR(ExG-ExR)、 NGRDI(normalized green-red difference index)、 GLI(green leaf index)、 RGRI(red-green ratio index)和RGBVI(RGB vegetation index)共8个可见光图像特征。 利用相关性分析进行特征优选, 选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。 利用优选的图像特征, 分别构建偏最小二乘回归(PLSR)、 BP神经网络(BPNN)、 支持向量机回归(SVR)和随机森林(RF)模型, 开展冬小麦苗期地上生物量估算研究, 并定量分析特征数量和播种密度对估算模型准确率的影响。 结果表明, ExR, GLI和RGBVI与生物量实测数据相关性较低, 因此, 将这3个特征剔除。 CC, ExG, ExGR, NGRDI和RGRI与生物量实测数据的相关性较高, 其中CC, ExG和ExGR与生物量实测数据呈正相关, 而NGRDI和RGRI与生物量实测数据呈负相关。 利用优选的图像特征构建估算模型, 研究结果表明, 基于优选的5个图像特征, PLSR的估算准确率最高, 模型R2为0.801 5, RMSE为0.0788 kg·m-2, 表明PLSR能够实现冬小麦苗期地上生物量的准确估算。 特征数量是影响估算模型准确率的因素之一, 随着特征数量的减少, 模型估算的准确率逐步下降。 利用不同播种密度数据集对估算模型进行测试, 结果表明, PLSR在不同的播种密度数据集上均取得了最高的估算准确率, 模型R2分别为0.897, 0.827 9和0.788 6, RMSE分别为0.062, 0.072和0.079 1 kg·m-2, 表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。 随着播种密度的增加, 所有估算模型的准确率均出现下降, 而PLSR的准确率下降程度最小。 由此可见, 基于可见光图像数据, 能够实现冬小麦苗期地上生物量的准确估算, 为冬小麦苗期田间管理提供参考。

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题, 提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。 首先, 提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法, 该颜色特征将超红特征(excess red, ExR)、 H分量和b*分量三种颜色特征结合, 通过设置ExR参数, 降低光照条件对ExR的影响, 克服了光照不均匀对病斑分割的影响。 在CVCF的基础上, 结合基于径向基核函数的支持向量机分类器, 通过优化分类器参数构建病斑分割模型, 获得了温室黄瓜霜霉病图像初始分割结果。 在初始分割结果基础上, 采用SURF(speeded up robust features)特征及形态学操作, 对分割结果进一步优化, 消除背景噪声对分割结果的影响, 从而获得最终病斑分割结果。 为进一步验证方法的有效性, 选择了OTSU算法、 K均值聚类算法和决策树算法, 作对比研究。 结果表明, OTSU+H*0.2, K-means+H+b*, DT+H+b*和该研究算法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。 该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑, 为病害识别提供了良好的数据来源。