我国是农业大国，小麦是我国的重要经济作物，因此研究小麦的营养状况具有重大意义[1]。在不同的氮水平下，小麦叶片的颜色特征会有差异性显示，所以根据叶色变化可以判断作物的氮营养特征，进而指导施肥[2]，缓解化肥的浪费和土地板块化的现象。长期以来，小麦农业专家和种植者常常依靠肉眼对小麦叶色深浅进行评价[3]，此种方法费时费力，评价结果受观察者经验积累影响，定性且没有量化指标。计算机识别比人眼更加精确[4]。郭文川等[5]提取玉米叶片的颜色特征信息，选择绿光标准化值G/(R+G+B)作为表征玉米叶片含氮量的颜色特征。张彦娥等[6]利用数字图像技术得到自然光照下黄瓜叶片图像的颜色特征R、G、B、H、I、S，分析结果表明，在相同光照下得到叶片的颜色分量G和H与氮含量相关，可用于预测目标的氮元素含量，但该模型受光强的影响较大。Kawashingma et al[7]通过主成分分析法建立了大麦叶片颜色与(土壤、作物分析仪器开发)(SPAD)(Soil and Plant Analyzer Development)读数及产量的关系模型，相关性达到了0.9以上。Adamsen et al[8]通过分析小麦冠层图像发现G/R与叶绿素有显著的相关关系。朱虹等[9]提取小麦冠层图像颜色特征，通过对RGB和HIS 2种颜色系统进行直方图统计计算，有效评价了低氮水平和中高氮水平上的小麦营养状况.但在实验时小麦受环境限制较大，研究结果只是一种趋势，不能细致精准的用颜色特征值来评价小麦氮营养。时雷等[10]建立了小麦颜色特征和叶绿素之间的估测模型，结果表明通过图像处理技术及小麦颜色特征可以有效地对小麦群体叶绿素状况进行估计。缺点是受生育期和光照影响，颜色特征的提取不是特别精确。

经过专家长期的进行试验和研究，发现小麦的拔节期是小麦颜色特征与叶绿素值关系最明显的时期[11]，所以本研究在小麦的拔节期，通过对大田环境下的小麦进行数据采集，利用图像处理技术提取小麦颜色特征，建立颜色与SPAD值之间的估测模型。

“我们分担寒潮、风雨、霹雳；我们共享雾霭、流岚、虹霓。”“寒潮、风雨、霹雳”是自然界中常见的冷空气入侵现象，“寒潮”更是一种灾害性天气，寒潮袭击时会造成气温急剧下降，并伴有大风和雨雪天气。“雾霭、流岚、虹霓”是自然界的水分通过蒸发显现出的蒙蒙水雾和七彩虹光，缥缈梦幻而美好。“分担”寒流造成的灾害，“共享”虹霓闪现的美好，说明和谐的两性关系需要女性与男性共同承担压力，享受美好，同甘共苦。

1 数据采集

实验于2016-2017年在保定清苑黄陀村进行。实验环境为大田环境，管理方式为大田管理方式。实验地块15块，编号1到15，选取小麦品种为‘济麦22号’，实验用N肥为尿素(含N量为46%)，选取了5个施氮水平，分别为：N0(不施N)、N100(纯N,100kg/ hm2)、N180(纯N,180kg/ hm2)、N255(纯N,255kg/ hm2)、N330(纯N,330kg/ hm2)，地块与施N水平的对应关系如表1所示。

18世纪后，以“正常结构和功能→病因学→病理学→药理学”知识等顺序设置课程被中国、日本、苏联等国家所采用。20世纪70年代，作为医学史上重要里程碑的“生物-心理-社会医学模式”理论被提出，开始重视把患者作为一个整体的人，新医疗体系的需求随之也发生了深刻的变革[3]。因此，医学教育的改革是大势所趋，培养符合时代标准的医学人才首先要解决的问题就是医学教育的模式与医学模式相适应。

 

表1 地块编号与施氮水平对应关系

 

Table 1 The map of block and nitrogen application level

  

地块编号Numberofblock施氮水平/(kg·hm-2)Nitrogenapplicationlevel01001802553301,8,10※2,9,13※3,5,12※4,7,14※6,11,15※

注：※表示地块编号相应的施氮水平。

实验选取小麦拔节期，时间为2017年5月6日，数据采集包括小麦叶片叶绿素值的获取和小麦叶片图像的获取，其中小麦叶片图像的获取是在测量小麦叶片叶绿素值后拍摄，即小麦叶片图像与小麦叶片的叶绿素值一一对应。

[4] 刘涛，仲晓春，孙成明，等.基于计算机视觉的水稻叶部病害识别研究[J].中国农业科学，2014,47(4)：664-674.

小麦叶片图像获取用索尼FDR-AXP35 4K高清摄录一体机获取，以BMP格式存储。拍照时天气晴(避免光线过强和过暗)，无风拍摄。拍照时间固定在12时前后2 h内，镜头与小麦叶片垂直100 cm拍摄。每次取完叶片的叶绿素值后，对该叶片进行拍照。拍摄时，紧贴小麦叶片放置一张A4纸，目的是为了更好的提取小麦叶片颜色。固定相机内部参数拍摄，曝光速度设定在1/650 s 左右、光圈值为 F6.0 左右。获取图片如下图1所示。

  

图1 原图

 

Fig.1 Original

2 模型建立

(5)将阈值图像与RGB图像相乘即可得到分割图像。

2.1 数据归一化处理

近些年，黑龙江垦区在低碳农业的发展方面已做出了巨大的努力并取得了显著的成效。如2011年新增造林绿化面积1.33万hm2多，41个农场纳入大小兴安岭生态功能区建设，垦区城镇绿化覆盖率达到37%，万元GDP综合能耗降到0.936t标准煤，比上年减少了2.5%。但农用化肥、农药、农膜的使用量却呈现出不断增长的态势，如表2所示。

2018年5月，公司拟通过自有资金认购嗨皮网络非公开发行的536.82万股普通股票，认购金额为人民币7800万元，认购完成后嗨皮网络的注册资本从人民币3440万元增至3823.29万元，上市公司将拥有嗨皮网络10.02519%的股权。嗨皮网络是业内领先的移动互联网内容策划、制作、传播与精准营销的大数据技术和运营公司，同时，旗下运营着国内最大的独立娱乐新闻网站—花边娱乐，向广大中文互联网用户提供喜闻乐见的娱乐新闻。

分析表2，发现R，G，B的值与I值变动成正相关，但是由于I值变动时，R，G，B值的变动的幅度不是一样的，说明光照对颜色特征值的提取是有影响的。

 

表2 不同光照下的颜色特征值

 

Table 2 Color characteristic values under different illumination

  

IRGB0.31523120.553960260.705580390.857197521.085112651.1597124761.3109135881.45119144971.6127151106

本研究采用一种简单的去光照方法——归一化处理，去除光照对颜色特征提取的影响。本研究利用公式(1)实现图像的快速归一化，R、G、B分别为原图像的颜色分量，r,g,b分别为归一化后的颜色分量。归一化后图像如图2所示。

 

(1)

  

图2 去光照后的小麦叶片图像

 

Fig.2 Leaf image of wheat after illumination

2.2 小麦叶片获取

The frequency of patient concomitant disease is presented in Table 1.

(1)设定参数，求出图像中最小灰度值Z0和最大灰度值Z1，选择初始估计参数为T1=(Z0+ Z1)/2；

(2)用阈值T1分割图像。将图像分为两部分：灰度值大于T1为C1部分，小于T1部分为C2；

(3)求C1和C2随用像素的平均灰度值u1和u2,以及新的阈值T2=(u1+u2)/2。

(4)如果|T2-T1|<T0,则推出T2为最优阈值；反之，T1=T2，并重复步骤(2)～(4)，直到获取最优阈值。

本研究基于图像处理建立了预测小麦叶绿素值的模型。小麦图像获取后，对图像进行预处理，提取目标物小麦叶片，再对目标物进行颜色特征提取和分析，建立预测小麦叶绿素值的模型。

有一天，颖春开着一辆车来到了野猪坳，她是带女儿来看我的。秀红非常热情地接待了她和女儿，又是杀土鸡又是煮野菜的。吃饭的时候，女儿高兴地对我说，爸爸，告诉你一个好消息，妈妈当官了，是你原来的那个位置，县农业局副局长。

彩色分割后图像如图3所示。

  

图3 彩色分割后的小麦叶片图像

 

Fig.3 Wheat leaf images after color segmentation

2.3 模型影响因素确定—颜色特征值的选取

影响模型的因素最重要的是颜色特征值，本研究选取了原图颜色的一阶矩R、G、B和二阶矩SR、SG、SB以及归一化后颜色的一阶矩r、g、b和二阶矩Sr、Sg、Sb一共12个颜色特征值，用于研究SPAD值与颜色特征的关系。表3是450个样本提取的12个特征参数计算结果(其中id为叶片编号,av为均值)。

4.猪痢疾。由肠道内猪密螺旋体与肠道内厌氧菌相互作用而发病。多发生于7～12周龄的仔猪。发病初期体温达40℃～41℃，排黄色或灰色软便，不久减食，后期粪便呈水样，常混有血液、粘液及黏膜，使粪便呈油脂样或胶胨状。病猪食欲减退，迅速消瘦，因脱水衰竭而死。

 

表3 颜色特征值

 

Table 3 Color characteristic values

  

idRGBSRSGSBrgbSrSgSb171.597.056.314.911.821.9135.7187.0104.04.911.123.7268.688.458.014.612.219.6137.7179.8114.64.89.319.9345.865.435.714.613.221.6129.4190.797.510.212.540.2455.976.845.116.212.227.4132.3188.699.57.09.937.8538.551.836.414.712.915.8130.1180.9122.58.48.212.0654.181.035.915.714.519.0130.1198.886.08.18.930.2737.550.630.013.412.014.6134.2186.8105.88.89.623.9

续表

  

idRGBSRSGSBrgbSrSgSb846.964.138.815.213.118.7133.3187.3106.66.910.622.6952.677.342.218.214.221.2127.8194.5100.58.510.821.31030.443.526.611.89.813.7127.9189.6109.39.19.720.31168.688.458.014.612.219.6137.7179.8114.64.89.319.91245.865.435.714.613.221.6129.4190.797.510.28.540.21355.976.845.116.212.227.4132.3188.699.57.013.937.81438.551.836.414.712.915.8130.1180.9122.58.410.212.01574.297.264.920.015.621.2135.1180.6117.47.811.713.51665.089.865.620.116.323.3126.3180.0126.99.010.115.71745.857.938.213.311.513.9139.1179.1115.05.911.014.71836.448.931.713.412.314.3133.1183.4114.97.711.816.4…………………………………43954.777.251.717.012.823.2126.8184.8117.17.810.224.544036.449.929.812.811.513.7133.2188.0107.28.011.315.7441102.3125.998.622.416.322.9136.2170.4131.16.910.710.044282.2108.571.622.418.332.5132.9181.1113.39.19.733.544365.089.865.620.116.323.3126.3180.0126.99.012.115.744445.857.938.213.311.513.9139.1179.1115.05.911.014.744536.448.931.713.412.314.3133.1183.4114.97.79.816.444642.259.240.416.212.818.4126.2184.4119.29.510.221.544756.779.547.820.818.423.6129.5189.8105.210.113.926.944837.151.531.614.312.015.3130.8187.6110.18.011.018.244929.740.130.012.911.315.7127.2180.0125.38.410.119.945054.777.251.717.012.823.2126.8184.8117.17.811.224.5av52.671.938.914.812.819.2133.6188.399.97.811.326.0

颜色特征的一阶矩R，G，B和归一化后的r,g,b是表示颜色信息的分量，而二阶矩SR，SG,SB和归一化后的二阶矩Sr,Sg,Sb则表示颜色信息的分布是否均匀。分析表3发现：经过归一化后，一阶矩的R,G,B的值均变大,而二阶矩的Sr和Sg的值变小，说明在不同的图像中光照反射及阴影对图像的影响显著，归一化后其颜色分布跨度小、颜色信息更加稳定，适合叶色诊断。

2.4 预测模型建立

利用数据SPSS22.0分析软件的主成分分析法分析表3的12个颜色特征与SPAD值之间的相关性，建立相关性表如表4所示。表4列出了颜色特征与SPAD值之间的相关性,选取相关性较高的颜色特征值来建立回归模型。

 

表4 颜色特征值与SPAD值的相关性

 

Table 4 Correlation between color eigenvalue and SPAD value

  

编号Number颜色特征Colorfeature相关系数Correlationcoefficient1R-0.5452G-0.5893B0.1834SR0.009

续表

  

编号Number颜色特征Colorfeature相关系数Correlationcoefficient5SG-0.1916SB-0.2477r-0.7048g-0.6199b0.79410Sr0.39111Sg0.06512Sb-0.441

[6] 张彦娥, 李民赞.基于计算机视觉技术的温室黄瓜叶片营养信息检测[J].农业工程学报, 2005,21(8)：102-105.

F(r,g,b)=59.098-0.432r+0.100g+0.275b

(2)

叶色的特征值r、g、b与SPAD值建立的方程，精确度R=0.85。

3 模型检验

为了检验颜色特征与SPAD值的估测方程，本研究采用独立检验样本来评定模型的估测能力。品种检验样本为100个，采用估测结果的相对误差(E)、均方根误差(RMSE)、精确度(R2)进行模型估测能力的评定。检验表如下表5所示,各模型的估测值和实测值均达到极显著相关，其相应的均方根误差小于1.8，相对误差介于4.1%～13.7%之间，精确度为0.8963,说明该估测达到了较高精确度。

相对于过去，现在影视制作真是“生财有道”。此前，有关影视剧插入广告的问题引起广泛关注。所谓插入广告，实是“卖道具”，而这件事则告诉人们，现在影视制作已经进入“卖演员”阶段了。在过去，也存在“卖演员”的隐讳传说，但其更多是通过赞助等方式曲线进行，而现在，“卖演员”已经进入公开化了。

 

表5 检验表

 

Table 5 Check list

  

叶片编号Number预测SPADPredictedSPAD真值Truevalue相对误差Relativeerror143.445.60.048256.358.70.04134752.70.108457.263.20.095548.850.90.041656.360.20.06574750.10.062857.259.80.043948.851.20.0471056.359.60.0551147520.096…………9450.654.60.0739554.357.90.0629648.656.30.1379741.746.30.099984447.50.0749952.956.70.06710048.856.50.136

4 结论

本研究利用图像处理技术检测大田环境下小麦生长状况，建立了小麦颜色特征和叶绿素的估测模型。本研究研究过程中具体使用彩色分割，准确分割出小麦叶片颜色信息，并提取小麦叶片颜色特征；分析小麦叶片颜色特征与SPAD值之间的关系，建立估测模型，对模型进行检验，模型达到较高精度。但是，此研究还是存在不足,SPAD值与部分颜色特征的相关性偏低。原因是图像均在大田环境下采集，叶片颜色信息的采集受光照影响较大。归一化操作是对部分较暗的颜色进行去除，所以采集到的颜色信息不完整。

参考文献：

[1] 张福锁，王激清，张卫峰，等.中国主要粮食作物肥料利用率现状与提高途径[J].土壤学报，2008,45(5)：915-924.

[2] 吴富宁.图象处理技术在冬小麦氮营养诊断中的应用[D].北京：中国农业大学，2004.

[3] 石媛媛，邓劲松，陈利苏，等.利用计算机视觉和光谱分割技术进行水稻叶片钾胁迫特征提取与诊断研究[J].光谱学与光谱分析，2010,30(1)：214-219.

小麦叶绿素值的获取是用叶绿素仪对小麦进行叶绿素值的获取[12]。15块试验地中，每块地选取30片代表性小麦冠层叶片，总共15×30=450个样本数据。叶片取距离叶基部1/3处测量叶绿素值含量，重复3次，取平均值作为该叶片的叶绿素含量。

[5] 郭文川，周超超，韩文霆．基于 Android 手机的植物叶片面积快速无损测量系统[J].农业机械学报.2014，42(1)：275-280.

实验表明，叶色特征值r、g、b与叶绿素值相关性显著，建立回归方程，公式(2)如下所示：取相关性最大的r，g，b作为系数

获取图片中的小麦叶片信息，本研究采用了阈值分割法。阈值分割可分为灰度分割和彩色分割。本研究采用彩色分割，保留了图像的颜色信息。彩色分割的好坏影响着颜色特征提取的精度。分割技术中有边缘分割技术、阈值分割技术和区域分割技术。其中阈值分割中有全局阈值分割、Otsu阈值分割、迭代式阈值分割[14]。本研究采用迭代式阈值分割。步骤如下：

采集小麦叶片图像后，对图像进行去光照操作，排除外界因素对小麦叶片颜色获取的影响。由于图像的获取是在大田环境下进行的，无法避免光照及阴影对图像造成影响[13]，光照对叶片颜色特征值的提取影响较大，选取一片小麦叶片，改变光照，记录不同光照下小麦叶片的颜色信息，如表2所示。I为调节光的亮度和黑暗的比例系数，R,G,B分别为该叶片在红色通道、绿色通道、蓝色通道的均值。当I=1时，为该叶片在理想光照下的值。

[7] Kawashing S，Nakatani M.An algorithm forestimating cholorophyll content in Leaves using a video camera[J].AnnBot,1998,81(2):49-54.

Soil moisture retrievals from FY-3B satellite microwave brightness and comparative analyses over China

[8] Adamsen F J,Printer P J,Barnes E M,et al.Measuring wheat sense cence with a digital camera[J].Crop Science,1999,39(3):719-724.

[9] 朱虹，郑丽敏，尹健玲，等.冠层图像颜色特征提取的小麦氮营养水平评价[J].农业工程学报.2010，26(2)：16-20.

坊间议论纷纷，声称百雀羚2012年不顾成本的大手笔动作，就是为了炒作，博取眼球制造影响力，就是为了将品牌卖给外企，驳个好价钱。假若未来果然一语成谶，本土日化品牌不过又是多了一个“企业当儿子养当猪卖”的真实案例罢了！

[10] 时雷，庞晓丹，钱诚，等.基于图像处理技术的小麦群体叶绿素状况估计研究[J].太原理工大学学报．2016，47(2)：223-232.

[11] 肖众波,贾良良,陈新平.应用数字图像分析技术进行冬小麦拔节期氮营养诊断[J].中国农学通报,2008,24(8)：448-453.

课程设置滞后、不合理，课程之间缺乏关联，相邻近的学科、相交叉的学科，总体设置不够，创新类和实践操作类课程设置偏少；教材覆盖面较窄，内容老化；课程内容注重基础理论知识的重复，缺乏系统性、前瞻性和实践性。在这样的条件下，学生习得的知识陈旧，知识结构也不合理，缺乏创新的主动性、积极性。创新知识基础薄弱，创新能力差。

[12] 艾天成,李方敏,周治安,等.作物叶片叶绿素含量与值相关性研究[J].湖北农学院学报，2000,20(1)：6-8.

[13] 陈佳悦，姚霞，黄芬,等.基于图像处理的冬小麦氮素监测模型[J] 农业工程学报，2016,32(4)：163-170.

[14] 张志斌，罗锡文，臧英,等.基于颜色特征的绿色作物图像分割算法[J].农业工程学报2011,27(7)：183-189.