全 文 ：第 34 卷第 13 期
2014年 7月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.34,No.13
Jul.,2014
http: / / www.ecologica.cn
基金项目:国家重点基础研究发展计划(2010CB950701); 国家自然科学基金(41071281); 江苏省高校优势学科建设工程资助项目
收稿日期:2012鄄11鄄23; 摇 摇 修订日期:2014鄄03鄄19
*通讯作者 Corresponding author.E鄄mail: liuzhenbo@ yeah.net
DOI: 10.5846 / stxb201211231660
孙涛,刘振波,葛云健,顾祝军.基于数码相片 Gamma校正的水稻叶面积指数估算.生态学报,2014,34(13):3548鄄3557.
Sun T, Liu Z B, Ge Y J, Gu Z J. Estimation of paddy rice leaf area index based on photo gamma correction. Acta Ecologica Sinica,2014,34( 13):
3548鄄3557.
基于数码相片 Gamma校正的水稻叶面积指数估算
孙摇 涛1,2,刘振波1,2,*,葛云健1,2,顾祝军3
(1. 南京信息工程大学, 气象灾害省部共建教育部重点实验室,南京摇 210044;
2. 南京信息工程大学, 遥感学院, 南京摇 210044; 3. 南京晓庄学院, 生物化工与环境工程学院, 南京摇 211171)
摘要:随着数码相机的日益普及,利用数码相机进行作物叶面积指数(LAI)测量不断得以应用。 由于数码相机成像时会对入射
光辐射强度进行 Gamma编码变换,输出的相片 DN(Digital Number)值与入射光辐射强度呈非线性关系,会造成在确定相片中植
被叶片与背景的分割阈值时出现误差,并最终导致 LAI估算存在较大不确定性。 以水稻为研究对象,获取不同生长期水稻冠层
相片并结合同步 LAI 2000测量的 LAI数据,基于相片 Gamma校正原理,对水稻不同生长期冠层相片进行 Gamma校正,在此基
础上利用冠层孔隙率方法,估算不同生长期水稻 LAI。 结果表明,经过 Gamma校正相片估算的水稻 LAI总体精度有显著提高,
相片估算的 IMAGE LAI与 LAI鄄2000测量值比较的决定系数达到 0.71(P<0.05)。 在整个观测期内,两种方法观测的 LAI 值在
时间变化趋势上表现一致,但在不同生长期内存在差别,在水稻分蘖期和拔节期相片估算的 IMAGE LAI要高于 LAI鄄 2000测量
值,孕穗期到抽穗期期间 IMAGE LAI低于 LAI鄄2000测量值,乳熟期到成熟期 IMAGE LAI又高于 LAI鄄2000的观测结果。
关键词:数码相片;Gamma校正;叶面积指数
Estimation of paddy rice leaf area index based on photo gamma correction
SUN Tao1,2, LIU Zhenbo1,2,*, GE Yunjian1,2, GU Zhujun3
1 Nanjing University of Information Science & Technology, Key Laboratory of Meteorological Disaster of Ministry of Education, Nanjing 210044, China
2 Nanjing University of Information Science & Technology, School of Remote Sensing, Nanjing 210044, China
3 Nanjing Xiaozhuang University, School of Bio鄄Chemical and Environmental Engineering, Nanjing 211171, China
Abstract: The automatic compensation effect in a digital camera can cause a bias of the digital number ( DN) of the
acquired images. This study carried out DN correction using gamma transformation theory combined with a look鄄up table
method. The DN of the acquired image generally bears a nonlinear relationship with the intensity of incident light, which is
an inherent characteristic in common commercial digital cameras. The gamma method is a nonlinear operation used to code
and decode luminance or tri鄄stimulus values in video or still image systems. It has been widely used in photography and
video productions, but is rarely used in image processing and applications to vegetation parameter determination. The gamma
transformation is mainly used to compensate for the properties of human vision by maximizing the use of the bits or
bandwidth relative to the perception of light and color. If images are not gamma encoded, they allocate too many bits or too
much bandwidth to the darker areas that humans cannot differentiate and too few bits to the brighter areas that humans are
sensitive to, and would thus require more bits to maintain the same visual quality. Although the visual quality of RAW
image is generally not very appropriate in commercial use, the RAW image is precisely required in the retrieval of vegetation
parameters to obtain a better fit with field measurements. Apart from the gamma correction, for the various annual paddy rice
conditions we used the vertical gap fraction to obtain the leaf area index (LAI), which we named image LAI, and compared
http: / / www.ecologica.cn
with the field LAI from LAI鄄2000. The results indicated that the correlation coefficients after the correction procedure were
remarkably similar with an R2 of 0.71 (P<0.05), better than for the uncorrected retrieved figures. In the tilling and jointing
stages, there was a close approximation between the vertical gap fraction derived LAI and field LAI, but in the booting and
heading stages the differences become obvious, reaching a maximum of 0.38. However, in the milk鄄ripened and maturation
stages, the reverse occurred; the field LAI was higher than the vertical gap fraction derived鄄LAI mainly because the foliage
of the rice paddy went yellow. In general, there was a good fit between the retrieved LAI and field LAI, but the estimation
accuracy varied depending on the phenology of paddy rice. A better fit between image LAI and LAI 2000 was observed in
the tilling and jointing stages, when a larger bias between image LAI and field LAI was observed in the booting and heading
stages, while an overestimation in image LAI was observed in the milk鄄ripened and maturation stages. The commercial
digital camera can carry out easy and low cost research given its characteristic properties (ease of use, less costly, and lack
of atmospheric effects) . These features enable anyone to carry out good estimation work related to vegetation. These factors
and many related articles make the digital camera a useful alternative method for assessing vegetation parameters such as
vegetation fraction, leaf color, plant type and leaf area index.
Key Words: digital images; gamma correction; leaf area index
摇 摇 叶面积指数(LAI)是表征植被冠层结构的基本
参量[1],它不仅是陆面过程中重要的结构参数,也是
表征作物生理状态和物候期的重要参数之一,可以
估算植被的光截获、水分截获和地表生态系统的二
氧化碳交换等[2鄄3]。 LAI 的测量方法主要分为两类,
一是实地采摘叶片,然后手工测量叶片面积,这种方
法为破坏性测量。 二是通过非接触式测量进行 LAI
估算,主要包括卫星和雷达遥感、器械观测(如 LAI鄄
2000)、热成像、激光扫描和多光谱扫描等方式[4]。
手工采摘的方法较其他方法准确[5],但该方法耗时
耗力,步骤繁琐,且手工采摘可能造成测量区域 LAI
值误差的外推[6鄄7]。 已有研究证明,在一个时段内连
续对同一地区植被进行破坏性测量会导致 LAI 值的
误差[8鄄10]。 如果研究区植被类型丰富,季节性明显,
手工测量更难以及时反映较大尺度上的植被长势或
变化。 出于准确性和测量便捷性的考虑,许多研究
者使用遥感或其他无损方法来估测 LAI。
近年来,数码相机日益普及,相比 LAI 专业测量
设备,数码相机具有低廉的价格和良好的便携性,几
乎不受大气影响[2,5,11],因此利用数码相机进行 LAI
测量近年来不断得以应用[12鄄18]。 White MA[19]使用
数码相片对干旱区生态系统进行了地表覆盖度和叶
面积指数的研究。 Hirafuji[20]提出了 Field Monitor
Server (FMS)系统,利用数码相机建立监测网,对研
究区植被参数进行定位观测。 Shibayama[21]使用近
红外数码相机进行定点拍摄,基于回归方法对水稻
LAI进行了估测。 Sakamoto[22]提出了 Crop Phenology
Recording System (CPRS) 昼夜连续监测水稻长势。
在数码相机的选取上,中高档单反数码相机成
像质量较高,输出格式较为丰富,可以直接输出无损
格式(RAW Image Format)的数码相片。 但单反相机
价格相对较高,并且目前主流厂商对 RAW格式均进
行了二次封装,形成了多种数据格式,这些因素制约
了单反数码相机的普遍应用。 相对于中高档相机,
输出格式统一、易用性强、便携性好并且价格较低的
普通卡片相机在成本和通用性上较为理想,便于构
建定位观测网络,因此已有研究在相片估算 LAI 时
较多采用普通卡片数码相机[2,23鄄24]作为数据源。 卡
片数码相机一般仅能输出 JPEG格式的图像,为了成
像结果在色彩和白平衡上更加符合人眼视觉,相机
一般会对进入传感器的光信号进行非线性变换
(Gamma编码),导致了相片像元值(Digital Number,
DN)值相对于入射光辐射量的偏移[25]。 当这种偏移
(由相机补偿)足够大,就会导致相片本身的亮度和
色彩水平发生明显变化,即相片直方图与实际像元
直方图之间相差较大,在利用孔隙率算法提取植被
叶片与背景的分割阈值时会出现偏差[2,23,26],相片直
方图并不稳定时,阈值选取往往很困难,产生偏差的
几率大大提高[3,20,24],导致估算结果存在较大不确
定性。
本研究于野外田间布设试验小区,在水稻不同
生长期内利用卡片数码相机拍摄水稻冠层相片并同
9453摇 13期 摇 摇 摇 孙涛摇 等:基于数码相片 Gamma校正的水稻叶面积指数估算 摇
http: / / www.ecologica.cn
步使用 LAI鄄2000仪器测量 LAI,基于 Gamma 校正原
理对冠层数码相片进行校正处理,将原本不稳定的
相片直方图统一到较为一致的水平,利用冠层孔隙
率方法估算不同时期的作物 LAI。 最后结合 LAI鄄
2000观测数据对相片估算的 LAI进行精度及适用性
分析。
1摇 材料和方法
1.1摇 试验区概况
本研究试验区位于安徽省池州市 ( N30. 54毅,
E117.30毅),研究区地处安徽省西南部,属于暖湿性
亚热带季风气候,地势较为平坦,为中国典型双季稻
产区,每年分别于 5月上旬和 8 月中旬进行早、晚稻
插秧。 试验区设定在具有代表性的较大片农田之
中,总面积约 0.5 km伊0.5 km,在试验区内均匀布设
12个 50 m伊50 m的测量小区进行试验数据测量。
1.2摇 研究数据
1.2.1摇 水稻冠层相片
水稻冠层相片的获取日期为 2011 年 6 月 7
日—2011年 7月 23日,间隔 10 d左右拍摄 1次共获
取 6个时期的相片数据,覆盖早稻生长的拔节期、孕
穗期、抽穗期、乳熟期和成熟期。 基于研究对象(水
稻)和周围环境状况,数码相机拍摄参数设置参考了
已有相关研究[5,23,26鄄27],使用 SONY(TX5)数码相机
于离地 1.5 m处垂直向下拍摄,闪光灯处于关闭状态
(表 1),相片分辨率 4000伊3000,以 JPEG 格式存储
并传输至计算机,相片 R鄄G鄄B 三个通道的 DN 值均
为 8bit,即值域在 0—255之间,共获取满足实验要求
的共 72幅测点水稻冠层相片。
表 1摇 数码相机拍摄参数
Table 1摇 Digital Camera Parameters
相机参数 DC Parameters 相机参数 DC Parameters
相机型号 Camera Model SONY鄄TX5 曝光时间 Exposure Time 自动
相片制式 Photo Format 8bit RGB ISO速度 ISO Speed 自动
光圈值 F鄄Stop 2.7 / 3.5 焦距 Focal Length 自动
测光模式 Metering 图案 白平衡 White Balance 自动
闪光灯 Flash 关闭 成像格式 Image Format JPEG
1.2.2摇 LAI鄄2000实测叶面积指数
使用 LAI鄄2000 植物冠层分析仪(LI鄄COR,USA)
观测小区的 LAI 作为评价图像估算的
LAI 的评价标准。 LAI鄄2000利用“鱼眼冶光学传
感器(垂直视野范围 148毅,水平视野范围 360毅)测量
植被冠层上、下的辐射,利用冠层辐射传输模型计算
孔隙率和 LAI。 测量时操作员背对阳光,并用 270毅
视角盖遮盖镜头以遮挡阳光与操作员。 测量次序为
先在水稻冠层上方测量 1 个 A 值,再在冠层下方测
量 4 个 B 值。 在每个随机选 3 个点重复测量,最后
取平均值作为该小区的 LAI测量值。
1.3摇 相片 Gamma校正原理
数码相机成像时,由 CCD 传感器记录所接收到
的光辐射,生成原始的线性 RAW数据(RAW IMAGE
FORMAT)。 RAW 数据容量较大,完整存储了像元
接受的真实辐射值,但是线性 RAW 数据色调灰暗,
而人眼视觉系统对 RGB 信号的反应呈非线性(对
数)关系,因此 RAW 数据并不适合用作为相片输
出[25]。 所以一般卡片相机会在内部进行变换,将
RAW数据转换为 JPEG或其他通用格式。 这样既符
合人眼视觉又能达到压缩存储的目的。 相机内部的
这种变换一般称作 Gamma 编码(图 1)。 因此虽然
数码相机输出的相片更符合人眼视觉感受,但是由
于在转换格式时引入了非线性变换,相片 DN 值与
实际接受的光辐射强度并非线性对应,而在植被变
化研究时,则要求尽量取得真实 DN 值以期更准确
地估算相关参数,因此需要引入另一个变换来校正
Gamma编码结果,尽量恢复原始 DN 信号,这个逆变
换的过程就称为 Gamma校正[28鄄29](图 1)。
2摇 数据处理流程
2.1摇 相片数据预处理
数码相机为中心投影成像,相片以像主点(投影
中心)为中心呈辐射状,越往边缘变形越大[30鄄31],因
此相片除镜头中心区域外,其外围像元均有不同程
度的几何畸变(图 2)。 为减小相片几何畸变造成的
0553 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
影响,本研究将相片利用 3伊3格网平均分为 9 部分,
取相片中心区域作为有效像元进行研究。
图 1摇 Gamma校正示意图
Fig.1摇 Gamma correction sample figure
图 2摇 数码相片取景范围
Fig.2摇 Research area of digital camera
2.2摇 相片通道 DN值标准化
根据 Gamma 编码理论[3,23],数码相机将初始
RAW相片转换为 JPEG 相片时,入射光强 LI(Light
Intensity)与像元 DN 值的关系可以表述为: DN =
LI酌 .由于数码相机内部的 Gamma变换参数一般由厂
商保密,因此需要通过其他途径来获取影像像元 DN
值与入射光强 LI的关系。
原始相片数据包括 R鄄G鄄B 3 个通道,首先需得
到成像时刻相片上 R鄄G鄄B 三通道值相等的区域,并
以此为基准将 3个通道值的动态变化校正到一致的
水平上,以实现相片 R鄄G鄄B 3个通道 DN值的统一校
正。 已有研究[3]利用采集相片时于相机视野内放置
参考板同步成像,再找到参考板上的黑色部分(R鄄G鄄
B通道值相等)作为基准值进行统一校正。
本研究采用参考板方法,通过后期处理获得三
通道基准值(图 3)。 使用同型号的数码相机和相同
设置参数(表 1),利用 20 cm伊20 cm的参考黑板(吸
收率近似为 1.0)放置于相机镜头中心范围(防止畸
变),在不同的天气条件和光照条件下,获取包括黑
板在内的系列参考相片,然后根据参考相片与水稻
相片成像时的光照条件及天气,并结合两者的 DN
值波段计算进行匹配,得到水稻相片与参考相片的
最佳匹配像对。 最后利用遥感处理软件 ENVI 提取
筛选出的参考相片黑板区域 R鄄G鄄B 3 个通道的平均
值,并与相片中绿色作物部分的 R鄄G鄄B 均值建立查
找表,模拟得到水稻数据采集时与 R鄄G鄄B 通道 DN
值为同一基准值对应的像元灰度 DNG,再与相对入
射光强一起计算得到校正值 cDN。
图 3摇 Gamma校正流程图
Fig.3摇 Flowchart of Gamma correction
2.3摇 相片入射光强计算
相片的相对入射光强 RLI 可以通过数码相机成
像时的快门速度 T和光圈值 F 计算得到[22],计算公
式如下:
RLI = 2 -EV (1)
EV = EVT + EVF (2)
1553摇 13期 摇 摇 摇 孙涛摇 等:基于数码相片 Gamma校正的水稻叶面积指数估算 摇
http: / / www.ecologica.cn
EVF = 2 伊 log2(F) (3)
EVT = - 1 伊 log2(T) (4)
式中,EV 为曝光量,RLI 为相片相对入射光强,F、T
分别为相机成像时的光圈值和快门速度。
2.4摇 相片 DN值校正
由相对入射光强 RLI 与标准化后的相片灰度
DNG值构建两者之间的散点图(图 4),并拟合得到两
者之 Gamma校正曲线及幂函数拟合方程,拟合方程
如下:
RLI= 3伊1014伊DN5.1434G , R2 = 0.9023 (5)
图 4摇 数码相片 DNG值与 RLI
Fig.4摇 Uncorrected relationship between DN and RLI
基于该拟合函数,建立 RLI 与校正后像元值
cDN(Calibrated DN)的线性关系:
cDN=aRLI (6)
由于相片 DN值的量化区间为(0,255),因此在
进行线性拟合时,DN值对应的 RLI 映射区间设定为
(0,0.072),0.072 为相片上最高亮度值所对应的光
照强度。 据此得到相对入射光强与校正后像元值
cDN的散点图(图 5),并构建得到两者之间的线性
拟合方程(公式 7),最后根据该线性校正方程分别
对 R鄄G鄄B三通道 DN 值做校正,分别得到校正后 R鄄
G鄄B三通道值:cDNr,cDNg,cDNb。 图 6 分别为水稻
冠层未校正 JPEG相片及校正后相片,可见经过校正
后的相片整体色调偏暗,背景值明显被压缩,符合线
性 RAW图像特征[29]。
cDN= 3541.67RLI (7)
2.5摇 叶面积指数计算
2.5.1摇 植被叶片提取
摇 摇 本研究利用绿度植被指数相片 2G鄄R鄄B[32]来提
图 5摇 校正后像元值与相对入射光强散点图
Fig.5摇 Corrected relationship between cDN and RLI
图 6摇 校正前后相片对比
Fig.6摇 Comparison of Corrected & Uncorrected Images
取叶片像元,叶片与背景分割的阈值根据绿度指数
相片直方图确定[2,12,19,33],叶片绿度植被指数的公式
如下:
2G-R-B= 2伊cDNg-cDNr-cDNb (8)
式中,cDNg,cDNr,cDNb分别表示相片 R鄄G鄄B 值经过
Gamma校正后的像元值。
2.5.2摇 LAI计算
本研究利用冠层孔隙率估算水稻 LAI,利用冠层
2553 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
孔隙率计算 LAI 是一种经典的估算方法[34鄄35],假设
作物叶片分布满足各向同性的条件,LAI 与冠层孔
隙率有如下关系。
LAI =
- cos(兹)lnP0(兹)
G(兹)
=
- lnP0(兹)
k(兹)
(9)
式中,P0(兹)为从太阳天顶角 兹观察得到的孔隙
率,G(兹)为与 兹 方向垂直的叶片投影系数,K(兹)为
冠层消光系数。
本文的数码相片是自顶向下,镜头垂直于地面
方向采集(天顶角为 0毅),垂直方向上的孔隙率可以
用背景像元数与相片总像元数的比值来计算[5],消
光系数 K(兹)取 0.5[2]。 因此 LAI的计算公式可以简
化为:
LAI = - 2lnP0(兹) (10)
P0(兹) =
Nbg
Ntotal
(11)
式中, P0(兹) 为冠层垂直孔隙率,Nbg、Ntotal分别为相
片背景像元数与总像元数。
3摇 结果与讨论
3.1摇 相片 Gamma校正对分割阈值确定的影响
植被叶片与背景的分割阈值是 LAI 估算的关
键,阈值的确定通过相片直方图选取。 由于相机本
身的补偿机制及冠层结构、分布等因素影响,部分相
片直方图阈值分割位置较难界定。 例如图 7 (a1)、
(b1)、(c1)、(d1)为相同测点上不同时期水稻冠层
相片的原始直方图,DN值较高部分的波峰为绿色叶
片像元。 4幅图中,除( a1)植被叶片与背景较为清
晰之外,(b1)、(c1)、(d1) 3图植被叶片与背景区分
3553摇 13期 摇 摇 摇 孙涛摇 等:基于数码相片 Gamma校正的水稻叶面积指数估算 摇
http: / / www.ecologica.cn
图 7摇 原始相片直方图和经 Gamma校正后直方图
Fig.7摇 Original photo histograms and corresponding Gamma photo histograms
均较不明显,阈值的确定存在不同程度的不确定性。
图 7 (a2)、(b2)、(c2)、(d2)是对应相片 Gamma 变
换后直方图,可以发现,Gamma变换后像元整体值域
压缩,相片直方图背景和叶片区分度明显增强,并且
由于背景和叶片的像元值域分布更加集中,代表植
物叶片与背景分割阈值的直方图波谷更为狭窄,分
割阈值的确定较未校正相片更为明晰。
3.2摇 相片估算 LAI 与 LAI鄄2000 测量数据对比
表 2和图 8为各测点不同时段数码相片估算的
IMAGE LAI 与 LAI鄄 2000 测量值对比分析。 由图 8
和图 10可见,利用相片计算得到的水稻 LAI 与实测
值总体趋势基本一致,两者的散点图呈较好的线性
相关(R2 = 0郾 7107,P<0.05),与未做 Gamma 校正的
结果相比,有了较大提升 (图 9, R2 = 0. 5649, P <
0郾 05)。 表 2显示 IMAGE LAI 各统计参数均略低于
测量值,因为校正后的相片对比度略有下降,但总均
值差异不明显,估算值只比测量值低 0.04,误差仅为
1郾 07%,从两类数据的方差统计值看,在测量时段
内,相片估测值总体变动相对较小。
表 2摇 数码相机图像估算的 LAI 与 LAI鄄2000 观测数据统计结果比较
Table 2摇 Statistic parameters of DC LAI and LAI 2000
最小值 Min 最大值 Max 均值 Mean 方差 Variance RMSE
LAI鄄2000测量值 LAI鄄2000 Measurement 2.27 4.88 3.75 0.33
相片估测值 Image Results* 2.03 4.57 3.71 0.24 0.346
摇 摇 *P= 0.0374<0.05
图 8摇 校正相片 LAI估算值与 LAI2000测量值比较
Fig.8摇 Comparison of IMAGE LAI with LAI measured using
LAI 2000
图 9摇 未校正相片 LAI估算值与 LAI2000测量值比较
Fig. 9 摇 Comparison of uncorrected IMAGE LAI with LAI
measured using LAI 2000
4553 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
3.3摇 不同时段 LAI估测精度
分别计算同一日期内 12 个水稻样地 LAI 的相
片估测值与实测值的平均值(图 10,表 3)。 在整个
观测期内,两种方法测值从整体上看吻合较好,整体
上数码相片估算结果的变化范围要略小于 LAI 2000
测值。 从不同时段两种方法测量结果看,在水稻分
蘖期和拔节期(6月 7日—6月 29日)由相片提取的
IMAGE LAI稍高于 LAI 2000,孕穗期到抽穗期期间
(6月 29日—7月 8日)IMAGE LAI值低于 LAI2000
图 10摇 同时段 LAI估测值与 LAI 2000测量值均值的比较
摇 Fig. 10 摇 Comparison of average IMAGE LAI with average
LAI measured using LAI 2000 in different seasons
测量值,最大相差值 0.38,在乳熟期到成熟期(7 月
16日—7月 23日)LAI2000测量值变化相对 IMAGE
LAI更为明显,呈显著降低趋势,在近收获期相片提
取的 IMAGE LAI要显著高于 LAI 2000测量值。
根据 LAI鄄 2000 仪器测量与冠层相片提取原理
分析,LAI鄄 2000 仪器根据镜头 5 个角度的观测环
(0毅—75毅)综合观测的孔隙率计算,冠层相片则依据
冠层垂直方向的孔隙率计算得到,在水稻植株相对
稀疏的生长期,由于对散射光较敏感的 LAI鄄 2000 镜
头第四环观测到的叶片并不充分,导致叶面积指数
的观测值出现偏低的现象,因此在此时段由相片估
测的 IMAGE LAI会更接近 LAI 实际值,已有研究成
果也证实了这一现象[36鄄37]。 在作物生长的茂盛期,
LAI测量值主要受观测的冠层孔隙率决定,LAI鄄 2000
仪器 5个角度综合观测的孔隙率一般要高于仅从天
顶角观测的垂直孔隙率[38],此外,LAI鄄 2000 观测方
向为自底向上,作物根部附近杂草叶片也会提高 LAI
观测结果,而在此时段冠层相片仅能观测冠层顶部
的叶片,因此,在水稻植株茂盛的孕穗期到抽穗期时
段内,由相片估算的 IMAGE LAI 精度要低于 LAI鄄
2000测量结果。 在水稻成熟期叶片逐渐由绿变黄,
数码相片上的水稻叶片与土壤背景对比度逐渐减
小,Gamma校正后提取叶片时选取阈值的不确定性
也会增加,导致垂直孔隙率估算结果偏高的现象。
表 3摇 不同时段 LAI估测值与 LAI 2000实测值均值
Table 3摇 Average values of LAI鄄2000 and IMAGE LAI in different seasons
平均值 Mean 6月 7日 6月 17日 6月 29日 7月 8日 7月 16日 7月 23日
LAI鄄2000 3.32 3.51 3.68 4.36 3.95 3.23
IMAGE LAI 3.50 3.59 3.77 3.98 3.75 3.62
4摇 结论
本文使用卡片数码相机采集不同生长期内水稻
冠层相片数据,针对数码相机输出 JPEG格式时造成
DN值与实际接受辐射的偏差,基于相机本身参数和
Gamma校正理论,使用后期生成查找表的方法,对相
片进行了 DN值纠正。 在此基础上,利用相片 2G鄄R鄄
B植被指数提取作物叶片信息,使用垂直孔隙率进
行了 LAI提取,研究结果表明:(1)利用查找表方法,
进行相片 Gamma 校正后的水稻冠层数码相片能够
有效估算水稻 LAI;(2)在不同生长期内,数码相机
相片估算水稻叶面积指数精度略有差异,在抽穗期
之前能够保证较高的估算精度;在水稻生长茂盛期
会出现估算精度偏低现象,而在成熟枯黄期会出现
估算值偏高现象。
相比专业 LAI 测量仪器,卡片数码相机具有操
作简便、数据获取成本低、几乎不受大气影响、精度
较高等优势,这些因素使得数码相机提取作物 LAI
具有较强的可行性,本文的研究可以为卡片式数码
相机单机观测提供参考,也为低成本,多设备高精度
组网连续监测植被提供了可行性依据。
5553摇 13期 摇 摇 摇 孙涛摇 等:基于数码相片 Gamma校正的水稻叶面积指数估算 摇
http: / / www.ecologica.cn
References:
[ 1 ]摇 Weiss M, Troufleau D, Baret F, Chauki H, Prevot L, Olioso A,
Bruguier N, Brisson N. Coupling canopy functioning and radiative
transfer models for remote sensing data assimilation. Agricultural
and Forest Meteorology, 2001, 108(2): 113鄄128.
[ 2 ] 摇 Campillo C, Prieto M, Daza C, Mo觡ino M, Garc侏a M. Using
digital images to characterize canopy coverage and light
interception in a processing tomato crop. Hortscience, 2008, 43
(6): 1780鄄1786.
[ 3 ] 摇 Sakamoto T, Shibayama M, Takada E, Inoue A, Morita K,
Takahashi W. Detecting seasonal changes in crop community
structure using day and night digital images. Photogrammetric
Engineering and Remote Sensing, 2010, 76(6): 713鄄726.
[ 4 ] 摇 Bumgarner N R, Miller W S, Kleinhenz M D. Digital image
analysis to supplement direct measures of lettuce biomass.
HortTechnology, 2012, 22(4): 547鄄555.
[ 5 ] 摇 Liu J G, Pattey E. Retrieval of leaf area index from top鄄of鄄canopy
digital photography over agricultural crops. Agricultural and Forest
Meteorology, 2010, 150(11): 1485鄄1490.
[ 6 ] 摇 Catchpole W, Wheeler C. Estimating plant biomass: a review of
techniques. Australian Journal of Ecology, 1992, 17(2): 121鄄31.
[ 7 ] 摇 Im J, Jensen J R. Hyperspectral remote sensing of vegetation.
Geography Compass, 2008, 2(6): 1943鄄1961.
[ 8 ] 摇 Tucker C J. A critical review of remote sensing and other methods
for non鄄destructive estimation of standing crop biomass. Grass and
Forage Science, 1980, 35(3): 177鄄182.
[ 9 ] 摇 Baker B, Olszyk D M, Tingey D. Digital image analysis to
estimate leaf area. Journal of Plant Physiology, 1996, 148(5):
530鄄535.
[10] 摇 Casadesu俨s J, Kaya Y, Bort J, Nachit M, Araus J, Amor S,
Ferrazzano G, Maalouf F, Maccaferri M, Martos V, Ouabbou H,
Villegas D. Using vegetation indices derived from conventional
digital cameras as selection criteria for wheat breeding in water鄄
limited environments. Annals of Applied Biology, 2007, 150(2):
227鄄236.
[11] 摇 Sakamoto T, Gitelson A A, Nguy鄄Robertson A L, Arkebauer T J,
Wardlow B D, Suyker A E, Verma S B, Shibayama M. An
alternative method using digital cameras for continuous monitoring
of crop status. Agricultural and Forest Meteorology, 2012, 154:
113鄄126.
[12] 摇 Jonckheere I, Fleck S, Nackaerts K, Muys B, Coppin P, Weiss
M, Baret F. Review of methods for in situ leaf area index
determination: Part I. Theories, sensors and hemispherical
photography. Agricultural and Forest Meteorology, 2004, 121(1 /
2): 19鄄35.
[13] 摇 Li C J, Wang J H, Liu L Y, Wang R C. Automated digital image
analyses for estimating percent ground cover of winter wheat based
on object features. Journal of Zhejiang University: Agriculture and
Life Science, 2004, 30(6): 650鄄656.
[14] 摇 Li M, Zhang C L, Fang J L. Extraction of leaf area index of wheat
based on image processing technique. Transactions of the Chinese
Society of Agricultural Engineering, 2010, 26(1): 205鄄209.
[15] 摇 Lu X M, Huang Q, Sun X C, Zhang T M, Liu H Z, Zhong X H,
Li H F, Huang N R, Tian K. Application of image processing
technology in rice canopy leaf area index. Chinese Agricultural
Science Bulletin, 2011, 27(3): 65鄄68.
[16] 摇 Ma Z Q, Liu Q L, Zeng H Q, Li X R, Chen Y R, Lin Y M,
Zhang S H, Yang F T, Wang H W. Estimation of leaf area index
of planted forests in subtropical China by photogrammetry. Acta
Ecologica Sinica, 2008, 28(5): 1971鄄1980.
[17] 摇 Wang F Y, Wang K R, Li S K, Xiao C H, Wang Q, Chen J L,
Jin X L, L俟 Y L. Estimation of leaf area index of cotton using
digital Imaging. Acta Ecologica Sinica, 2011, 31 ( 11 ):
3090鄄3100.
[18] 摇 Wang G Q, Zheng L M, Zhu H, Liang Z X, Liao S H.
Application of image processing technology in wheat canopy leaf
area index measuring. Journal of Triticeae Crops, 2004, 24(4):
108鄄112.
[19] 摇 White M A, Asner G P, Nemani R R, Privette J L, Running S
W. Measuring fractional cover and leaf area index in arid
ecosystems: digital camera, radiation transmittance, and laser
altimetry methods. Remote Sensing of Environment, 2000, 74
(1): 45鄄57.
[20] 摇 Hirafuji, Masayuki, Tokihiro Fukatsu, Haoming Hu, Takuji
Kiura, Matthew Laurenson, Dongxian He, Atsushi Yamakawa,
Akifumi Imada, and Seishi Ninomiya. " Advanced sensor鄄network
with field monitoring servers and metbroker." In CIGR
International Conference. 2004.
[21] 摇 Shibayama M, Sakamoto T, Takada E, Inoue A, Morita K,
Yamaguchi T, Takahashi W, Kimura A. Regression鄄based models
to predict rice leaf area index using biennial fixed point continuous
observations of near infrared digital Images. Plant Production
Science, 2011, 14(4): 365鄄376.
[22] 摇 Sakamoto T, Shibayama M, Kimura A, Takada E. Assessment of
digital camera鄄derived vegetation indices in quantitative monitoring
of seasonal rice growth. ISPRS Journal of Photogrammetry and
Remote Sensing, 2011, 66(6): 872鄄882.
[23] 摇 Matsuda M, Ozawa S, Hosaka Y, Kaneda K, Yamashita H.
Estimation of plant growth in paddy field based on proximal remote
sensing鄄Measurement of leaf nitrogen contents by using digital
camera. Journal of the Remote Sensing Society of Japan, 2003, 23
(5): 506鄄515.
[24] 摇 Miguel E L. Commercial digital camera to estimate postharvest leaf
area index in Vitis vinifera L. cv. cabernet sauvignon on a vertical
trellis. Chilean Journal of Agricultural Research, 2010, 70(2):
315鄄322.
6553 摇 生摇 态摇 学摇 报摇 摇 摇 34卷摇
http: / / www.ecologica.cn
[25]摇 Raw Capture, Linear Gamma, and Exposure. Adobe Official site.
[2013鄄01鄄 20] . http: / / wwwimages.adobe.com / www.adobe.com /
content / dam / Adobe / en / products / photoshop / pdfs / linear _
gamma.pdf.
[26] 摇 Lukina E V, Stone M L, Raun W R. Estimating vegetation
coverage in wheat using digital images. Journal of Plant Nutrition,
1999, 22(2): 341鄄350.
[27] 摇 Sakamoto T, Gitelson A A, Wardlow B D, Arkebauer T J, Verma
S B, Suyker A E, Shibayama M. Application of day and night
digital photographs for estimating maize biophysical characteristics.
Precision Agriculture, 2011, 13(3): 285鄄301.
[28] 摇 Gamma Correction. Wikipedia English site. [ 2012鄄 04鄄 20 ] .
http: / / en.wikipedia.org / wiki / Gamma_correction.
[29] 摇 Peng G F, Lin Z H. A Study on Gamma Correction and Its
Implementation in Image Processing. Electronic Engineer, 2006,
32(2): 30鄄32.
[30] 摇 Zhao Y S. The Principle and Method of Analysis of Remote
Sensing Application. Beijing: Science Press, 2003: 68鄄72.
[31] 摇 Sun J B. Remote Sensing Principles and Applications. Wuhan:
Wuhan University Press, 2008: 113鄄122.
[32] 摇 Wocbbecke D M, Meyer G E, Von Bargen K, Mortensen D A.
Color indices for weed identification under various soil, residual,
and lighting canditions. Transactions of the American Society of
Agricultural Engineers, 1995, 38(1): 259鄄569.
[33] 摇 Nilson T. A theoretical analysis of the frequency of gaps in plant
stands. Agricultural Meteorology, 1971, 8: 25鄄38.
[34] 摇 Chen J M, Cihlar J. Plant canopy gap鄄size analysis theory for
improving optical measurements of leaf鄄area index. Applied
Optics, 1995, 34(27): 6211鄄6222.
[35] 摇 Kirk K, Andersen H J, Thomsen A G, J覬rgensen J R, J覬rgensen
R N. Estimation of leaf area index in cereal crops using red鄄green
images. Biosystems Engineering, 2009, 104(3): 308鄄317.
[36] 摇 Garrigues S, Shabanov N V, Swanson K, Morisette J T, Baret F,
Myneni R B. Intercomparison and sensitivity analysis of Leaf Area
Index retrievals from LAI鄄 2000, AccuPAR, and digital
hemispherical photography over croplands. Agricultural and Forest
Meteorology, 2008, 148(8 / 9): 1193鄄1209.
[37] 摇 Demarez V, Duthoit S, Baret F, Weiss M, Dedieu G. Estimation
of leaf area and clumping indexes of crops with hemispherical
photographs. Agricultural and Forest Meteorology, 2008, 148
(4): 644鄄655.
[38] 摇 Campillo C. Study of a non鄄destructive method for estimating the
leaf area index in vegetable crops using digital images.
Hortscience, 2010, 45(10): 1459鄄1463.
参考文献:
[13] 摇 李存军, 王纪华, 刘良云, 王人潮. 基于数字照片特征的小麦
覆盖度自动提取研究. 浙江大学学报: 农业与生命科学版,
2004, 30(6): 650鄄656.
[14] 摇 李明,张长利,房俊龙. 基于图像处理技术的小麦叶面积指数
的提取. 农业工程学报, 2010, 26(1): 205鄄209.
[15] 摇 陆秀明, 黄庆, 孙雪晨, 张铁民, 刘怀珍, 钟旭华, 李惠芬,
黄农荣, 田卡. 图像处理技术估测水稻叶面积指数的研究. 中
国农学通报, 2011, 27(3): 65鄄68.
[16] 摇 马泽清,刘琪碌,曾慧卿,李轩然,陈永瑞,林耀明,张时煌,
杨风亭, 汪宏清. 南方人工林叶面积指数的摄影测量. 生态学
报, 2008, 28(5): 1971鄄1980.
[17] 摇 王方永, 王克如, 李少昆, 肖春华, 王琼, 陈江鲁, 金秀良,
吕银亮. 利用数字图像估测棉花叶面积指数. 生态学报,
2011, 31(11): 3090鄄3100.
[18] 摇 王桂琴, 郑丽敏, 朱虹, 梁振兴, 廖树华. 图像处理技术在冬
小麦叶面积指数测定中的应用. 麦类作物学报, 2004, 24
(4): 108鄄112.
[29] 摇 彭国福, 林正浩. 图像处理中 Gamma 校正的研究和实现. 电
子工程师, 2006, 32(2): 30鄄32.
[30] 摇 赵英时. 遥感应用分析原理与方法. 北京:科学出版社, 2003:
68鄄72.
[31] 摇 孙家抦. 遥感原理与应用. 武汉: 武汉大学出版社, 2008:
113鄄122.
7553摇 13期 摇 摇 摇 孙涛摇 等:基于数码相片 Gamma校正的水稻叶面积指数估算 摇