葉片顏色與含水率的關(guān)系研究(共24頁)

1、天津科技大學(xué)2014屆本科生畢業(yè)設(shè)計(jì) 天津科技大學(xué)2014屆本科生畢業(yè)論文 1 前 言作為一種重要(zhngyo)的元素，植物(zhw)的含水率影響(yngxing)著整個植物的生理狀態(tài)。我國是一個較為缺乏水資源的國家，同時我國又是一個農(nóng)業(yè)大國，有效地提取并且利用農(nóng)作物體內(nèi)的水分信息有助于轉(zhuǎn)變我國目前傳統(tǒng)的灌溉方式，提高水資源在我國的利用率，改善居民用水緊張的現(xiàn)狀。植物葉片的含水率可以用來檢測植物的生理狀態(tài)，而實(shí)時了解植物的生理狀態(tài),可以在農(nóng)業(yè)領(lǐng)域、干旱監(jiān)測和森林火災(zāi)預(yù)測方面提供非常有用的信息。在農(nóng)業(yè)領(lǐng)域，植物葉片含水率可以用來推斷農(nóng)作物是否缺水以及農(nóng)作物的生長狀況，從而提供信息用于灌溉決策,

2、收益率估計(jì)以及干旱條件評估。作為林業(yè)的一個重要因素，葉片含水率可以確定火災(zāi)磁化率，預(yù)防火災(zāi)的發(fā)生。現(xiàn)有的植物葉片含水率的判別方法是比較傳統(tǒng)的。一些研究是基于水分含量和葉綠素之間的關(guān)系，也有一些是基于葉片含水率和光譜之間的關(guān)系。而針對植物葉片含水率的預(yù)測，基于圖像處理技術(shù)的相關(guān)研究是比較少的。楊勇，張冬強(qiáng)在基于光譜反射特征的柑橘葉片含水率模型1中采用了構(gòu)造光譜指數(shù)和光譜逐步回歸分析兩種方法，分析了葉片圖像的光譜(3802500nm)反射率與葉片含水率之間的定量關(guān)系并建立了葉片含水率與葉片圖像光譜反射率之間的模型。結(jié)果顯示，基于柑橘葉片含水率與葉片圖像反射光譜的模型證明了了二者之間的相關(guān)性較強(qiáng)。

3、徐騰飛，韓文霆在基于圖像處理的玉米葉片含水率診斷方法研究2中研究了玉米葉片的圖片, 對缺水的玉米葉片圖像進(jìn)行了分析, 研究了以圖像處理技術(shù)為基礎(chǔ)的農(nóng)作物缺水診斷方法,。利用RGB圖像繪制了灰度直方圖, 采集了關(guān)于玉米葉片顏色的特征參數(shù), 對玉米葉片的含水率進(jìn)行了判定和分析。張偉和毛罕平等在缺素葉片圖像顏色和紋型特征參數(shù)提取的研究3中采用圖像處理技術(shù)對番茄進(jìn)行了缺素判別, 分別對缺鉀、缺鐵、缺氮和正常4 種情況下番茄葉片圖像的特征參數(shù)進(jìn)行了采集和分析, 取得了顯著的效果。穗波，信雄在根據(jù)圖像提取植物的生長信息4中提取了茨菇缺鈣、鎂、鐵3 種元素時葉片圖像的顏色特征, 繪制灰度直方圖并分析了其特征

4、, 利用閾值法將葉片的病態(tài)部分和正常部分分割出來,將病態(tài)面積占整個葉片的百分比作為特征參數(shù), 但其效果并不好。此外，由于該模型只有一個特征參數(shù), 所以不足以進(jìn)行模式判別。Blackmer 和 Schepers 在 Analysis of aerial photography for nitrogen stress within corn fields22中改進(jìn)了穗波信雄等的實(shí)驗(yàn), 通過把8位彩色航拍圖像分解成紅色、綠色、藍(lán)色三原色來處理數(shù)字化的航拍圖像, 然后分別對紅色、綠色、藍(lán)色三原色的特征參數(shù)進(jìn)行統(tǒng)計(jì)。結(jié)果表明隨著綠色和紅色的統(tǒng)計(jì)值與高氮水平的供應(yīng)狀況成正比；相比于藍(lán)色的統(tǒng)計(jì)值，紅色和綠色

5、的統(tǒng)計(jì)值更能預(yù)測植物的供氮水平。本研究(ynji)以梧桐樹的葉片為例, 研究了葉片(ypin)顏色與葉片含水率之間的關(guān)系(gun x)。 對基于葉片顏色的葉片含水率的判定方法進(jìn)行了研究。首先利用圖像處理的方法, 對梧桐葉片的RGB圖像提取了葉片顏色的三原色紅色、綠色、藍(lán)色的特征參數(shù),然后建立了多個一元和多元回歸分析的數(shù)學(xué)模型，對葉片含水率和葉片顏色的關(guān)系進(jìn)行了分析和總結(jié)。2 理論(lln)準(zhǔn)備2.1 MATLAB介紹(jisho)MATLAB是美國(mi u)MathWorks公司推出的商業(yè)數(shù)學(xué)軟件。它是一種科學(xué)的計(jì)算軟件，它將數(shù)據(jù)以矩陣的形式存儲并處理。在MATLAB中集合了高性能的數(shù)值計(jì)算

6、和可視化，同時提供了大量的內(nèi)置函數(shù)，這些內(nèi)置函數(shù)被調(diào)用來實(shí)現(xiàn)我們所需要的功能，因此MATLAB被用來進(jìn)行科學(xué)計(jì)算，同時也被廣泛地應(yīng)用于系統(tǒng)控制、信息處理等領(lǐng)域的分析、仿真和設(shè)計(jì)工作。MATLAB主要包括MATLAB和Simulink兩大部分。MATLAB的功能非常強(qiáng)大，它簡單易用，擁有很強(qiáng)的數(shù)據(jù)和圖像處理能力。它集成了數(shù)值分析、矩陣計(jì)算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大的功能，并將這些功能放在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計(jì)以及必須進(jìn)行有效數(shù)值計(jì)算的眾多科學(xué)領(lǐng)域提供了一個全面的解決方案，與此同時MATLAB在很大程度上脫離了傳統(tǒng)非交互式程序設(shè)計(jì)語言（如C、F

7、ortran）的編輯模式，很大程度上代表了現(xiàn)今國際科學(xué)計(jì)算軟件的先進(jìn)水平。本研究使用的是MATLAB中的圖像處理和數(shù)據(jù)處理中的回歸分析功能。2.2 回歸分析的思想回歸分析是研究數(shù)據(jù)之間相關(guān)關(guān)系的一種統(tǒng)計(jì)學(xué)方法，目的在于了解兩個或多個變量間是否相關(guān)、怎樣相關(guān)與強(qiáng)度，并建立數(shù)學(xué)模型，找出最能夠代表因變量和自變量之間關(guān)系的函數(shù)（回歸方程）。它可以幫助我們用一個或多個自變量的值去估計(jì)因變量的值?；貧w分析按照自變量的個數(shù)可以分為一元回歸分析和多元回歸分析；而按照自變量和因變量之間的不同關(guān)系，它又可以分為線性回歸分析和非線性回歸分析。本研究的主要內(nèi)容是一元和多元的線性回歸分析。在回歸分析中，如果數(shù)據(jù)集只包

8、含單一的自變量和因變量，同時自變量和因變量之間具有線性的關(guān)系，那么這種回歸分析稱為一元(y yun)線性回歸分析。如果回歸分析中的自變量不止一個，有兩個或兩個以上，且因變量和自變量之間的關(guān)系是線性的，則稱為多元線性回歸分析。回歸分析(fnx)的主要步驟為：模型建立：針對給定的數(shù)據(jù)集，確定其中某些變量(binling)之間的定量關(guān)系式，即建立自變量與因變量之間的回歸模型并估計(jì)其中的未知參數(shù)的值。對于一元線性回歸分析，若在與的散點(diǎn)圖中，數(shù)據(jù)點(diǎn)大都分布在一條直線附近，說明這兩個變量之間的關(guān)系是線性的。這樣的直線可以有許多條，但我們希望其中的一條能最準(zhǔn)確的反映與之間的關(guān)系，即我們要找出一條直線，使盡可

9、能多的數(shù)據(jù)點(diǎn)落在這條直線上，記此直線方程為: （2-1） 其中 稱為自變量， 稱為因變量。的值通過最小二乘法法求得，即求使得取最小值，其中為樣本數(shù)據(jù)，稱該方程為一元直線回歸方程 利用數(shù)學(xué)分析求極值方法，解得 ， （2-2）相對應(yīng)的多元線性回歸方程的一般形式為: （2-3）模型檢驗(yàn)：對所建立的回歸模型進(jìn)行檢驗(yàn)，通過顯著性檢驗(yàn)來驗(yàn)證回歸方程的線性關(guān)系是否顯著。 回歸方程的顯著性檢驗(yàn)-t檢驗(yàn) 若線性假設(shè)有實(shí)際意義，則，因?yàn)槿羰?，與就沒有因果關(guān)系了，方程就沒有意義了。因此需要進(jìn)行假設(shè)檢驗(yàn)。使用t檢驗(yàn)法來進(jìn)行顯著性檢驗(yàn)，假設(shè)：，則，于是的拒絕域?yàn)椋海ū狙芯吭O(shè)定顯著性水平），如果拒絕即，認(rèn)為回歸效果是顯著

10、的；否則，則認(rèn)為回歸效果不顯著，說明線性回歸模型不適用，需要采用別的模型來研究。模型驗(yàn)證：針對給出的樣本，利用求得的回歸方程對因變量進(jìn)行(jnxng)預(yù)測并比較預(yù)測值與真實(shí)值的誤差，以誤差大小來衡量回歸模型的合理性。2.3 MATLAB 與圖像處理(t xin ch l)圖像(t xin)二值化就是用0或255來表示圖像上每個像素點(diǎn)的灰度值，從而將整個圖像轉(zhuǎn)換為只有黑色和白色的圖片。即通過選取適當(dāng)?shù)拈撝祵GB彩色圖像轉(zhuǎn)化為仍可以反映圖像整體和局部特征的二值化圖像。二值化圖像是圖像處理技術(shù)中非常重要的一種，特別是在實(shí)際的圖像處理中，二值圖像處理是許多系統(tǒng)的基礎(chǔ)構(gòu)成。因?yàn)槲覀円话闼鸭亩际荝GB

11、彩色圖像，所以要對二值化圖像進(jìn)行處理與分析，首先要把圖像二值化，得到二值化圖像，這樣才能對圖像做下一步的處理。反映圖像的數(shù)據(jù)的集合只包含兩個值，不再涉及像素的多級值，使圖像處理變得更加簡單，同時壓縮了數(shù)據(jù)量。為了得到較為理想的二值化圖像，可以采用封閉且相連的邊界定義不相交的區(qū)域。設(shè)定一個合適的閾值，將所有灰度值大于或等于閾值的像素點(diǎn)判定為物體區(qū)域，其灰度值是255，相反則排除在物體區(qū)域以外，灰度值就為0，代表圖片背景區(qū)域或者物體外的區(qū)域。如果一個特定物體的灰度值是均勻一致并且處在一個均勻的背景下，使用閾值法就可以得到較好的分割效果。如果物體和背景在灰度值上并沒有差別，而這個差別表現(xiàn)在其他方面（

12、比如紋理不同），也可以將其它的差別轉(zhuǎn)換為灰度值的差別，然后通過對閥值的選取把圖像的背景和物體區(qū)域分開。RGB 圖像是一種三維的彩色圖像，該圖像上的每一個像素點(diǎn)都有紅、綠、藍(lán)三個特征分量，RGB圖像的每一個的特征分量的值都在0255范圍內(nèi)，它們以不同的比例混合形成不同的圖像。RGB圖像雖然能最大化保持圖像原有的特征，但其最大的缺點(diǎn)就在于數(shù)據(jù)量過于龐大，處理起來比較復(fù)雜。圖像處理中所使用的函數(shù)：Imread：將圖像導(dǎo)入到MATLAB 中；Im2bw(A,a)：將圖像二值化（A代表像素矩陣，a代表選取的閾值）；Imshow：輸出(shch)圖像；Mean：求平均值；Std：求標(biāo)準(zhǔn)差。2.4 MATL

13、AB 與回歸(hugu)分析 對于回歸(hugu)分析，MATLAB 中共有三種實(shí)現(xiàn)方法： (1)LinearModel：線性回歸模型 (2)NonLinearModel：非線性回歸模型 (3)GeneralizedLinearModel：廣義線性回歸模型通過對這三個回歸函數(shù)的調(diào)用，可以對數(shù)據(jù)進(jìn)行不同類型的回歸分析。本文主要使用LinearModel函數(shù)來做回歸擬合。調(diào)用LinearModel函數(shù)后就會得出變量之間確定的關(guān)系式，同時結(jié)果中會輸出值，通過值就可以確定顯著性水平，回歸方程就有意義。即Matlab中的LinearModel函數(shù)可以同時實(shí)現(xiàn)模型建立和模型檢驗(yàn)。3 圖像的收集和數(shù)據(jù)處理3

14、.1 圖像的收集 本次研究采集的是梧桐樹的葉片圖像。用照相機(jī)采集20組梧桐葉片的正反兩面圖像，然后導(dǎo)入到計(jì)算機(jī)中，方便對圖像的下一步處理。如圖一所示是其中一組葉片的圖像。 （a） 正面 （b） 反面 圖3-1 葉片圖像的正反面3.2 葉片(ypin)含水率的測定用烘干(hn n)法測梧桐樹葉的葉片含水率，具體做法為：首先對鮮葉片進(jìn)行三次稱重，然后(rnhu)記錄葉片的稱重結(jié)果。接著將葉片放入70的烘干機(jī)中烘干6個小時, 烘干后對葉片進(jìn)行稱重，記錄稱重結(jié)果；接著再對葉片烘干1個小時，然后再次稱重；再次重復(fù)以上步驟，最后得到三組葉片重量的數(shù)據(jù)。當(dāng)相鄰兩次烘干處理后，葉片的干重之差小于0. 001

15、g 時, 該次烘干后所測得葉片的重量即可作為樣本葉片的干重。結(jié)果如表3-1所示。葉片含水率的計(jì)算公式： (3-1)公式（3-1）中, 為梧桐葉片樣本的含水率, 是梧桐葉片的鮮重, 是烘干后梧桐葉片的干重。 表3-1 葉片(ypin)的鮮重和干重以及葉片的含水率數(shù)據(jù)葉片編號第一次稱量（g）第二次稱量（g）第三次稱量（g）選用數(shù)據(jù)（g）葉片編號第一次稱量（g）第二次稱量（g）第三次稱量（g）選用數(shù)據(jù)（g）含水率（%）10.3800.3800.3800.38010.1310.1310.1310.1310.65526315820.3540.3540.3540.35420.1220.1220.1220.

16、1220.65536723230.4060.4060.4060.40630.1400.1400.1400.1400.65517241440.4730.4730.4730.47340.1630.1630.1630.1630.65539112150.5600.560.560.5650.1930.1930.1930.1930.65535714360.2350.2350.2350.23560.0810.0810.0810.0810.65531914970.4000.4000.4000.40070.1380.1380.1380.1380.65500000080.2410.2410.2410.24180.

17、0830.0830.0830.0830.65560166090.1770.1770.1770.17790.0610.0610.0610.0610.655367232100.3600.3570.3570.357100.1230.1230.1230.1230.655462185110.3340.3340.3340.334110.1150.1150.1150.1150.655688623120.4640.4640.4640.464120.1600.1600.1600.1600.655172414130.5480.5480.5480.548130.1890.1890.1890.1890.6551094

18、89140.4640.4640.4640.464140.1600.1600.1600.1600.655172414150.5020.5020.5020.502150.1730.1730.1730.1730.655378486160.2610.2610.2610.261160.0910.0910.0910.090.655172414170.5430.5430.5430.543170.1870.1870.1870.1870.655616943180.4380.4380.4380.438180.1510.1510.1510.1510.655251142190.2380.2380.2380.23819

19、0.0820.0820.0820.0820.655462185200.2640.2640.2640.264200.0910.0910.0910.0910.6553030303.3 圖像數(shù)據(jù)(shj)的處理3.3.1 圖像(t xin)二值化由于(yuy)本研究采集的是梧桐樹葉的RGB 圖像，該圖像上的每一個像素點(diǎn)都是用分別代表圖像三原色紅色（R）、綠色（G）、藍(lán)色（B）的三個亮度值來描述的, 因此增加了RGB圖像處理的工作量。為了減少數(shù)據(jù)量，使圖像處理變得更加簡單，從而方便讀取圖像上的數(shù)據(jù)，首先將RGB圖像二值化。本次研究設(shè)定的閾值為0.7。將梧桐葉片的圖像導(dǎo)入Matlab并將其二值化，圖所示

20、是原圖和二值化后的圖片對比。 部分代碼如下： A=imread(C:UserszhangcDesktop圖像2-1.jpg); A=im2bw(A,0.7); imshow(A) （a）原圖 （b）二值化后 圖 3-2 葉片原圖和二值化后的圖片對比3.3.2 數(shù)據(jù)處理中的統(tǒng)計(jì)量 （1）平均值又稱為算數(shù)平均值，是數(shù)理統(tǒng)計(jì)中最基礎(chǔ)的統(tǒng)計(jì)量。平均值的計(jì)算公式： （3-2） 平均值具有反應(yīng)靈敏、確立嚴(yán)密、通俗易懂、計(jì)算簡單等優(yōu)點(diǎn)，可用于進(jìn)一步演算。但它極易受極端數(shù)據(jù)的影響，這是因?yàn)槠骄祵?shù)據(jù)值的變化(binhu)反應(yīng)靈敏，每個數(shù)據(jù)的每個微小變化都會導(dǎo)致不同的結(jié)果。 （2）標(biāo)準(zhǔn)差是方差的算術(shù)平方根。它

21、在概率統(tǒng)計(jì)中最常用(chn yn)來測量統(tǒng)計(jì)數(shù)據(jù)的分布程度。標(biāo)準(zhǔn)差反映了一個數(shù)據(jù)集內(nèi)數(shù)據(jù)個體間的離散程度。標(biāo)準(zhǔn)差與平均值并不等價，即使兩個數(shù)據(jù)集的平均值是相等的，其標(biāo)準(zhǔn)差也未必相同。標(biāo)準(zhǔn)差計(jì)算公式： （3-3）（3-3）中代表(dibio)數(shù)據(jù)集的平均值，N是數(shù)據(jù)的個數(shù)，為數(shù)據(jù)的值）。 （3）變異系數(shù)衡量的是樣本中各個數(shù)據(jù)的變異程度。對多個樣本數(shù)據(jù)的變異程度進(jìn)行比較時，如果度量標(biāo)準(zhǔn)和平均值相同，標(biāo)準(zhǔn)差和變異程度是等價的，標(biāo)準(zhǔn)差的不同就代表了變異程度的不同。如果度量標(biāo)準(zhǔn)不同和（或）平均值不相等時，就不能采用標(biāo)準(zhǔn)差來比較其變異程度，而需采用變異系數(shù)（），即標(biāo)準(zhǔn)差與平均值的比值（相對值）來比較。變異

22、系數(shù)可以用來消除和減輕不同度量標(biāo)準(zhǔn)和（或）平均值對兩個或多個樣本的變異程度的影響。因此，模型一以變異系數(shù)為自變量來構(gòu)建一元回歸模型。變異系數(shù)的計(jì)算公式： （3-4）（3-4）中，為變異系數(shù)，為數(shù)據(jù)集的平均值，為數(shù)據(jù)集的標(biāo)準(zhǔn)差。3.3.3 數(shù)據(jù)處理結(jié)果(1)在Matlab中對二值化后的圖像分別求整個圖像的平均值和標(biāo)準(zhǔn)差并計(jì)算變異系數(shù)。結(jié)果如表3-2所示。（代碼見附錄2） 表 3-2 葉片(ypin)的平均值，標(biāo)準(zhǔn)差以及變異系數(shù)葉片編號平均值標(biāo)準(zhǔn)差變異系數(shù)葉片含水率10.29710.06850.2305621000.65526315820.39910.08360.2094713100.655367

23、23230.35680.07450.2088004480.65517241440.34550.10090.2920405210.65539112150.47520.08210.1727693600.65535714360.42020.09030.2148976680.65531914970.40870.09260.2265720580.65500000080.46170.10160.2200563140.65560166090.42530.10140.2384199390.655367232100.37660.07850.2084439720.655462185110.45270.09930.

24、2193505630.655688623120.36130.09480.2623858290.655172414130.32060.07320.2283218960.655109489140.39120.09470.2420756650.655172414150.32800.07580.2310975610.655378486160.34030.10020.2944460770.655172414170.45020.09800.2176810310.655616943180.39030.07100.181911350.655251142190.37150.08800.2368775240.65

25、5462185200.44490.09580.2153292870.655303030 (2)RGB圖像(t xin)數(shù)據(jù)處理結(jié)果將RGB圖像(t xin)批量導(dǎo)入Matlab中，分別求紅色（R）、綠色（G）、藍(lán)色（B） 三色各自的平均值、標(biāo)準(zhǔn)差以及整個圖像的平均值、標(biāo)準(zhǔn)差。結(jié)果如表3-3所示。（代碼見附錄3）表 3-3 RGB圖像(t xin)的平均值和標(biāo)準(zhǔn)差數(shù)據(jù)葉片編號分量平均值分量標(biāo)準(zhǔn)差平均值標(biāo)準(zhǔn)差葉片含水率1161.2543186.7193121.292477.406158.8148106.4358156.422000087.67320.6552631582157.5527183.45

26、32118.560083.689960.0828109.9727153.188633390.55890.6553672323163.3297188.2347126.936974.357552.059399.4344159.500433383.22890.6551724144154.3764179.7241115.421184.697862.2825113.7372149.840533393.00790.6553911215157.6938183.5588118.850883.298159.4946109.7778153.367800089.93210.6553571436158.2650184

27、.6959119.673079.939659.0541108.3421154.211300089.85680.6553191497165.4230192.3277131.454768.126259.732798.2634163.068466780.84620.6550000008151.6780176.6527109.075585.914765.8371116.1403145.802066794.27670.6556016609156.3398182.9583117.568184.042360.1123110.9561152.288733391.45470.65536723210152.041

28、1178.7388112.957185.501763.9632115.5867147.912333393.81950.65546218511150.1679173.5453104.240588.250566.7401120.6149142.651233396.36340.65568862312163.0399188.0699124.642176.044654.2858103.157158.583966785.26890.65517241413163.7535188.2373127.610671.244550.226299.3286159.867133382.72690.655109489141

29、62.4612186.8598123.476576.408956.2394103.3016157.599166785.34260.65517241415154.4463182.0882116.492984.627161.2375112.5673151.009133392.95000.65537848616163.0535188.1045124.801175.987453.9811101.2951158.653033383.27440.65517241417151.2247173.9248108.528486.063765.8846117.5103144.559300095.75870.6556

30、1694318162.1790186.7743121.39676.415658.3472105.4625156.783100087.24060.65525114219153.0480179.0560115.306985.199663.7301114.8408149.136966793.75830.65546218520149.8672186.4650120.874078.593259.0213107.4669152.402066788.98380.6553030304 建立回歸(hugu)模型4.1 模型一：基于(jy)二值化圖像變異系數(shù)的一元回歸模型 將圖片的變異系數(shù)作為自變量，葉片(ypi

31、n)含水率為因變量建立一元回歸模型。（數(shù)據(jù)見表3-2，代碼和運(yùn)行結(jié)果見附錄3） 擬合曲線如圖 4-1所示：圖 4-1 變異系數(shù)和葉片含水率擬合曲線 分析：由上述運(yùn)算結(jié)果可知變異系數(shù)和葉片含水率的一元回歸模型為： （4-1）同時結(jié)果顯示。從方程和圖像可以看出變異系數(shù)和葉片含水率成反比，同時從圖像可以看出數(shù)據(jù)點(diǎn)是非常分散地分布在擬合曲線附近的。這就說明二者之間并不滿足線性關(guān)系。結(jié)合對值和擬合曲線的分析可以得出這個一元回歸模型并不能較為準(zhǔn)確地反映葉片顏色和葉片含水率之間的關(guān)系。4.2 基于RGB圖像統(tǒng)計(jì)(tngj)量的回歸模型4.2.1 模型(mxng)二：以圖像標(biāo)準(zhǔn)差為自變量的一元回歸(hugu)

32、模型 將圖像標(biāo)準(zhǔn)差作為自變量，葉片含水率作為因變量建立一元回歸模型（數(shù)據(jù)見表3-3，代碼和運(yùn)行結(jié)果見附錄3）擬合曲線如圖 4-2所示：圖 4-2 標(biāo)準(zhǔn)差和葉片含水率擬合曲線 分析：由上述運(yùn)算結(jié)果可知標(biāo)準(zhǔn)差和葉片含水率的一元回歸模型為： （4-2）同時結(jié)果顯示。從方程和圖像可以看出標(biāo)準(zhǔn)差和葉片含水率成正比，即隨著標(biāo)準(zhǔn)差的增加葉片含水率也在不斷增加。從圖像上來看：數(shù)據(jù)點(diǎn)均勻地分布在擬合曲線附近而且有許多點(diǎn)落在了擬合曲線上。結(jié)合對值和擬合曲線和分析可以得出這個一元回歸模型可以較為準(zhǔn)確地反映葉片顏色和葉片含水率之間的關(guān)系。4.2.2 模型(mxng)三：圖像平均值和標(biāo)準(zhǔn)差的二元回歸模型 分別以RGB圖

33、像的平均值和標(biāo)準(zhǔn)差為自變量，葉片含水率為因變量建立二元回歸模型。（數(shù)據(jù)見表3-3，代碼(di m)和運(yùn)行結(jié)果見附錄3） 擬合(n h)圖形如圖 4-3所示：圖 4-3 平均值和標(biāo)準(zhǔn)差二元回歸模型擬合圖分析：由上述運(yùn)算結(jié)果可知平均值和標(biāo)準(zhǔn)差的二元回歸模型為： （4-3）同時結(jié)果顯示。從方程和圖形可以看出平均值和葉片含水率成反比，標(biāo)準(zhǔn)差和葉片含水率成正比。但平均值的，說明在這個模型中，平均值的效果并不顯著。4.2.3 模型四：分量平均值和圖像的標(biāo)準(zhǔn)差四元回歸模型分別(fnbi)將RGB圖像三原色紅色(hngs)、綠色和藍(lán)色這三個分量(fn ling)的平均值和圖像的標(biāo)準(zhǔn)差這四個變量作為自變量，葉片

34、含水率作為因變量建立四元回歸模型。（數(shù)據(jù)見表3-3，代碼和運(yùn)行結(jié)果見附錄3）分析：由上述運(yùn)算結(jié)果可知自變量和葉片含水率的四元回歸模型為： (4-4)同時結(jié)果顯示，拒絕原假設(shè)，回歸效果是顯著的，線性回歸方程有意義。4.2.4 模型五：分量標(biāo)準(zhǔn)差和圖像的平均值四元回歸模型分別將RGB圖像三原色紅色( R) 、綠色（G）、藍(lán)色( B)的三個標(biāo)準(zhǔn)差和圖像的標(biāo)準(zhǔn)差這四個變量作為自變量，葉片含水率作為因變量建立多元回歸模型。（數(shù)據(jù)見表3-3，代碼和運(yùn)行結(jié)果見附錄3）分析：由上述運(yùn)算結(jié)果可知變異系數(shù)和葉片含水率的多元回歸模型為： (4-5) 同時結(jié)果顯示。回歸模型的效果是顯著的，自變量與葉片含水率之間的關(guān)系

35、是線性的。 4.2.5 模型六：六元回歸模型分別將RGB圖像三原色紅色、綠色和藍(lán)色的三個平均值和三個標(biāo)準(zhǔn)差這六個變量作為自變量，葉片含水率為因變量建立六元回歸模型。（數(shù)據(jù)見表3-3，代碼和運(yùn)行結(jié)果見附錄3）分析：由上述運(yùn)算結(jié)果可知各個自變量和葉片含水率的六元回歸模型為： (4-6)同時結(jié)果顯示，所以拒絕原假設(shè)，回歸是顯著有效的。4.3 模型比較 將葉片含水率的原始值和所有(suyu)模型的預(yù)測值放到同一個表中進(jìn)行比較和分析，見表 4-1。 表 4-1 各個(gg)回規(guī)模型預(yù)測值與原始值的比較 葉片編號原始數(shù)據(jù)模型一模型二模型三模型四模型五模型六10.6552631580.6553238290.

36、6552721860.6552336380.655252360.6544370450.65524847120.6553672320.6553463470.6553769260.6553355530.6553353510.6544941610.65535180830.6551724140.6553470640.6551108760.6551360550.6551279240.6543865000.65515099340.6553911210.6552581880.6554658150.6554409080.6554274310.6545779160.65542944550.6553571430.

37、6553855340.6553541760.6553297530.6553287320.6544915130.65534199860.6553191490.6553405540.6553514420.6553033870.6553043880.6544866540.65530659570.6550000000.6553280890.6550243940.6550238540.6550101170.6543040610.6550055880.6556016600.6553350460.6555118670.6555674380.6555768980.6546866510.65559371490.

38、6553672320.6553154390.655409440.6553639470.6553610890.6545167490.655372795100.6554621850.6553474440.6554952730.6555013880.6554881020.6546260910.655488642110.6556886230.6553357990.6555876060.6556665150.6556934390.6547561370.655693034120.6551724140.6552898510.655184920.655165340.6551741870.6543914550.

39、655175075130.6551094890.6553262210.6550926560.655124440.6551135740.6543910720.655108905140.6551724140.6553115360.6551875950.6551961180.655205670.6544186970.655219251150.6553784860.6553232570.6554637130.6554043950.65539260.654546990.655398333160.6551724140.655255620.6551125280.6551625340.6551711260.6

40、543969590.655193631170.6556169430.6553375820.6555656580.6556067310.6556045760.6547193640.655612689180.6552511420.6553757730.6552564850.6552222210.6552472930.6544344460.655246024190.6554621850.6553170860.6554930510.6554631240.6554374420.6545923540.655436569200.6553030300.6553400930.6553197560.6553596

41、040.6552961540.6545527060.655304229 將所有模型(mxng)的預(yù)測圖繪制(huzh)到同一個坐標(biāo)系中進(jìn)行(jnxng)比較，如圖 4-4： 圖 4-4 擬合曲線的比較由圖4-4可以看出：六個模型的擬合效果都不是非常的顯著。在這其中模型五的擬合效果是最差的。而其它五個模型的擬合效果都相差無幾，相對來說，模型四的擬合效果是最為準(zhǔn)確的。即葉片(ypin)的含水率可以通過RGB圖像三原色紅色(hngs)、綠色和藍(lán)色的平均值和圖像(t xin)的標(biāo)準(zhǔn)差來估計(jì)。4.4 模型檢驗(yàn) 現(xiàn)在有三組葉片的圖像和含水率數(shù)據(jù)，其葉片含水率分別為：0.655341456，0.655237

42、864,0.655416247。 采用模型四對上述三組圖像進(jìn)行處理，將圖像的數(shù)據(jù)代入公式（4-4）中，然后得出葉片含水率的預(yù)測值。對這三組葉片的含水率進(jìn)行預(yù)測，得到的的結(jié)果分別為：0.655300306，0.655287864,0.655352583，0.655422373。從結(jié)果中可以看到預(yù)測值與實(shí)際值之間的差異非常小，這就說明模型四的擬合結(jié)果是比較好的。 4.5 結(jié)論本文利用圖像處理技術(shù)研究了葉片顏色和葉片含水率之間的關(guān)系。結(jié)果表明：梧桐葉片RGB圖像的三原色紅色、綠色和藍(lán)色三個分量的平均值與圖像標(biāo)準(zhǔn)差對葉片含水率所建立的四元回歸模型可以較為準(zhǔn)確的定量分析梧桐葉片顏色和含水率之間的關(guān)系。5

43、 總結(jié)(zngji)與展望 本文研究(ynji)了基于RGB圖像處理技術(shù)的梧桐(wtng)葉片含水率預(yù)測模型。在對RGB圖像用Matlab處理并提取了圖像的特征參數(shù)后建立了特征參數(shù)與葉片含水率的回歸模型，最終給出了葉片顏色與葉片含水率的定量模型，并對模型進(jìn)行了驗(yàn)證，證明了得出的回歸方程是有意義的。 由于專業(yè)水平和時間有限，所以本文有一些缺點(diǎn)和不足。數(shù)據(jù)量較小（只有20組），這就導(dǎo)致得出的模型具有局限性?；蛟S它只能反映部分梧桐葉片與其含水率的關(guān)系，如果換一組數(shù)據(jù)，可能會得出不同的結(jié)果。所以本次研究所建立的六個一元或多元回歸模型并不能非常準(zhǔn)確地反映梧桐葉片含水率和葉片顏色之間的關(guān)系。采集的數(shù)據(jù)比較

44、單一（只有梧桐樹葉），樣本類型的單一會導(dǎo)致得出的回歸模型并不適用于其它類型的樹葉，即不具有一般性。未來，可以采集不同類型的葉片圖像，例如槐樹、楊樹等等。然后分別對不同的樹葉構(gòu)建葉片顏色和含水率之間的回歸模型；同時擴(kuò)大樣本空間，增加數(shù)據(jù)量從而使選取的樣本更具有代表性，最終得出更具代表性的結(jié)論。最終從不同的模型中歸納總結(jié)出能代表不同樹葉顏色與其葉片含水率的一般模型，而這個模型將在農(nóng)業(yè)、林業(yè)等方面發(fā)揮更大的作用。參考文獻(xiàn)1楊勇，張冬強(qiáng)，李碩等. 基于光譜反射特征的柑橘葉片(ypin)含水率模型J. 中國農(nóng)學(xué)通報(bào).2011,27(02):180-184.2徐騰飛(tn fi)，韓文霆,孫瑜. 基于(j

45、y)圖像處理的玉米葉片含水率診斷方法研究J. 干旱地區(qū)農(nóng)業(yè)研究,2003,31(1)：95-100.3張偉，毛罕平，李萍萍等. 缺素葉片圖像顏色和紋型特征參數(shù)提取的研究J.農(nóng)機(jī)化研究,2003,4(2)60-61.3穗波，信雄. 根據(jù)圖像提取植物的生長信息R. 日本：農(nóng)業(yè)機(jī)械學(xué)會關(guān)西支部，1989.4付金霞，蘇健民,劉嘉新等. 基于RGB 模型的顏色特征在樹種識別系統(tǒng)中的應(yīng)用Z. 中國科技論文在線.5吳富寧,楊子彪,朱紅等. 基于顏色特征進(jìn)行農(nóng)作物圖像分類識別的應(yīng)用研究綜述N. 中國農(nóng)業(yè)科技導(dǎo)報(bào).2003,5(2):76-79.6羅良清、魏和清統(tǒng)計(jì)學(xué)M.北京:中國財(cái)政經(jīng)濟(jì)出版社,2011:33-357伍南,劉君昂,閆瑞坤等. 基于人工神經(jīng)網(wǎng)絡(luò)和高光譜技A. 中國植物保護(hù)學(xué)會.中國植物保護(hù)學(xué)會成立50周年慶祝大會暨2012年學(xué)術(shù)年會論文集C.中國植物保護(hù)學(xué)會，2012:7. 8蔡鴻昌,崔海信,高麗紅等. 基于顏色特征的葉片含水率與比葉重估算模型初探J. 中國農(nóng)學(xué)通報(bào),2006,08:532-535. 9趙杰文,周曉兵. 基于近紅外圖像紋理分析檢測作物葉片含水率的研究J. 農(nóng)業(yè)工程學(xué)報(bào),1999,03:39-43. 10毛罕平,張曉東,李雪等. 基于光譜反射特征葡萄葉片含水率模型的建立J. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,05:369-37