一種葉片表面塵土量的圖像確定方法和系統(tǒng)的制作方法
【專利摘要】一種葉片表面塵土量的圖像確定方法和系統(tǒng)，屬于測(cè)量和計(jì)算機(jī)【技術(shù)領(lǐng)域】。包括步驟如下：建立預(yù)估方程并確定方程參數(shù)：采集葉片樣本；用萬(wàn)分之一電子天平稱取葉片重量；用照相機(jī)獲取葉片除塵前的彩色圖像；用去離子水洗凈葉片表面塵土；稱取葉片除塵后的重量；用同樣的方法獲取葉片除塵后的彩色圖像；用單元格法獲取葉片面積并計(jì)算出單位葉片面積塵土量；獲取圖像參數(shù)并建立圖像與葉面塵土量之間的關(guān)系。根據(jù)本發(fā)明，可通過(guò)普通照相機(jī)和計(jì)算機(jī)就可實(shí)現(xiàn)葉片表面塵土量的測(cè)定，因此，本發(fā)明不需要增加額外設(shè)備就可估算葉片表面塵土量，極其適于區(qū)域性城市綠化樹(shù)種的選取以及霧霾防治措施的優(yōu)選工作。
【專利說(shuō)明】一種葉片表面塵土量的圖像確定方法和系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種葉片表面塵土量的圖像確定方法和系統(tǒng)，屬于測(cè)量和計(jì)算機(jī)【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002]不同樹(shù)種的葉片附載塵土的能力存在差異，葉片附載塵土能力強(qiáng)弱的分級(jí)一直受到環(huán)境治理行業(yè)的重視。隨著空氣質(zhì)量的不斷惡化，霧霾對(duì)人類及環(huán)境的危害日益加劇，人們的身體健康、交通出行和植物生長(zhǎng)等造成了直接危害，霧霾天氣現(xiàn)象的防治和治理刻不容緩。因此，粉塵污染現(xiàn)象受到各行業(yè)的高度重視，特別是環(huán)境保護(hù)與治理行業(yè)。
[0003]大葉黃楊是常用綠籬及綠化樹(shù)種，四季常青，且多栽植于路邊或庭院，直接承載著空氣中沉降的粉塵顆粒及車流人流濺起的塵土，具有較好的代表性，因此，以大葉黃楊為研究對(duì)象，研究其附載塵土能力的強(qiáng)弱并探討區(qū)域性城市綠化樹(shù)種的選取工作。
[0004]由于葉片附載塵土能力的強(qiáng)弱往往會(huì)以外在形態(tài)顏色等特征表現(xiàn)出來(lái)，這為人們通過(guò)葉片外在形態(tài)顏色推斷其載塵能力的信息提供了可能。隨著數(shù)字圖像采集工作的簡(jiǎn)單化、廉價(jià)化，從客觀上推動(dòng)了基于圖像的葉片附載塵土能力的強(qiáng)弱研究，并希望實(shí)現(xiàn)葉片附載塵土能力的強(qiáng)弱估測(cè)的簡(jiǎn)單化。
[0005]葉片附載塵土能力的強(qiáng)弱研究主要集中在葉片表面承載塵土的多少的研究，同一地區(qū)其污染環(huán)境的粉塵數(shù)量以及所含成分都大致相同，而在相同的外界環(huán)境下，不同樹(shù)種葉片上附載的塵土量都有所差異，因此，就相同葉面大小的不同樹(shù)種葉片，其葉片表面塵土量多的附載塵土能力則較強(qiáng)，反之，則較弱。因此，在同一區(qū)域，選擇葉片附載塵土能力較強(qiáng)的樹(shù)種作為該區(qū)域的城市綠化樹(shù)種，以減少霧霾天氣的出現(xiàn)。
[0006]通過(guò)提取圖像來(lái)獲取大葉黃楊葉片附載塵土能力信息，為了提高獲取信息的準(zhǔn)確度，將葉片附載塵土能力的強(qiáng)弱用單位葉片面積所含有的塵土量來(lái)表示，通過(guò)葉片圖像獲取圖像參數(shù)，建立圖像參數(shù)與其上載有塵土量的統(tǒng)計(jì)模型，再通過(guò)模型反演葉片表面塵土量。由于提取前景圖像是很多后續(xù)圖像研究的關(guān)鍵問(wèn)題之一，其準(zhǔn)確度直接影響著分析結(jié)果，因此，選擇合理的分割算法對(duì)圖像信息的準(zhǔn)確獲取具有重要意義。下面通過(guò)研究抽取大葉黃楊葉片圖像和葉面塵土量數(shù)據(jù)，建立以葉片圖像各參數(shù)為自變量的模型方程，以此來(lái)估計(jì)葉片表面塵土量。


【發(fā)明內(nèi)容】

[0007]本發(fā)明的實(shí)施例提供了一種葉片表面塵土量的圖像確定方法和系統(tǒng)，僅根據(jù)圖象可以無(wú)損估測(cè)葉片表面塵土量。
[0008]一種葉片表面塵土量的確定方法，包括以下步驟:
[0009]I)、建立預(yù)估方程并確定方程參數(shù):
[0010]步驟1、采集葉片樣本；
[0011]步驟2、用萬(wàn)分之一電子天平稱取葉片重量；
[0012]步驟3、用照相機(jī)獲取葉片除塵前的彩色圖像；
[0013]步驟4、用去離子水洗凈葉片表面塵土 ；
[0014]步驟5、稱取葉片除塵后的重量；
[0015]步驟6、用同樣的方法獲取葉片除塵后的彩色圖像；
[0016]步驟7、用單元格法獲取葉片面積并計(jì)算出單位葉片面積塵土量；
[0017]步驟8、獲取圖像參數(shù)并建立圖像與葉面塵土量之間的關(guān)系；
[0018]2)、利用圖像數(shù)據(jù)估計(jì)葉面塵土量；
[0019]步驟9、獲取葉片彩色圖像；
[0020]步驟10、從葉片的彩色圖像中提取圖像參數(shù)；
[0021]步驟11、根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量。
[0022]①計(jì)算初始?jí)m土量y0 ；
[0023]②根據(jù)按著分級(jí)原則確定虛擬變量Ii1, n2 ；
[0024]③根據(jù)預(yù)估方程估計(jì)葉面塵土量；
[0025]所述圖像參數(shù)包括:圖像前景像素的B平均值、圖像前景像素的G平均值、圖像前景像素的R平均值、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值、前景色調(diào)均值、前景飽和度均值、前景亮度均值。
[0026]所述葉面塵土量預(yù)估模型為:
[0027]
b g ?.P0 + P1Ii1 + ρ,η?
y = a +--1---1---\-r.xR + j.Xj + s.xs H------—-(I)
XB XG XIXH
[0028]其中，
[0029]y:葉面塵土量；
[0030]χΒ:圖像前景像素的B平均值；
[0031]xG:圖像前景像素的G平均值；
[0032]χΕ:圖像前景像素的R平均值；
[0033]Xj:前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值；
[0034]Xh:前景色調(diào)均值；
[0035]Xs:前景飽和度均值；
[0036]X1:前景亮度均值；
[0037]Iipn2:虛擬變量；
[0038]a、b、g、r、j、h、s、1、p0、p!、P2:待定標(biāo)參數(shù)；
[0039]所述待定參數(shù)通過(guò)實(shí)驗(yàn)獲得。
[0040]在所述獲取葉片的彩色圖像步驟之前，將葉片的背景設(shè)置為單一背景。
[0041]在根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量步驟之前，所述方法還包括對(duì)待定標(biāo)參數(shù)進(jìn)行定標(biāo),對(duì)虛擬變量進(jìn)行確定。
[0042]對(duì)待定標(biāo)參數(shù)進(jìn)行定標(biāo)的步驟為:
[0043]為了確定葉面塵土量預(yù)估模型的待定標(biāo)參數(shù)a、b、g、r、j、h、s、i> p0> P1^ p2,首先需要獲取若干葉片的圖像并實(shí)測(cè)葉面塵土量，提取出圖像參數(shù)后，采用統(tǒng)計(jì)方法估計(jì)出葉面塵預(yù)估模型參數(shù)，求解參數(shù)時(shí)要求抽取葉片的數(shù)量> 60。
[0044]本發(fā)明還提供了一種葉片表面塵土量的圖像確定系統(tǒng)，所述裝置包括:
[0045]圖像獲取裝置，用于獲取葉片的彩色圖像；
[0046]計(jì)算單元，用于從葉片的彩色圖像中獲得圖像參數(shù)；
[0047]確定單元，用于根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量。
[0048]根據(jù)本發(fā)明，可通過(guò)普通照相機(jī)和計(jì)算機(jī)就可實(shí)現(xiàn)葉片表面塵土量的測(cè)定，因此，本發(fā)明不需要增加額外設(shè)備就可估算葉片表面塵土量，極其適于區(qū)域性城市綠化樹(shù)種的選取以及霧霾防治措施的優(yōu)選工作。

【專利附圖】

【附圖說(shuō)明】
[0049]圖1示出了本發(fā)明實(shí)施例的確定葉片表面塵土量的流程；
[0050]圖2示出了本發(fā)明實(shí)施例的葉片彩色圖像提取的流程；
[0051]圖3示出了本發(fā)明實(shí)施例的葉面塵土量分級(jí)的流程。
[0052]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。

【具體實(shí)施方式】
[0053]實(shí)施例1:
[0054]不同葉面塵土量的大葉黃楊葉片，在生長(zhǎng)過(guò)程中，對(duì)不同波段電磁波的吸收、反射存在差異，從而使得葉片內(nèi)部顏色也不一樣，在葉片表面形成不同的顏色，因此，可通過(guò)彩色圖像來(lái)探知大葉黃楊葉片表面塵土量并進(jìn)行葉面塵土量分級(jí)。
[0055]如圖1所示，本實(shí)施例提供了一種葉片表面塵土量的圖像確定方法，包括如下步驟:
[0056]I)、建立預(yù)估方程并確定方程參數(shù):
[0057]步驟1、采集葉片樣本；
[0058]步驟2、用萬(wàn)分之一電子天平稱取葉片重量；
[0059]步驟3、用照相機(jī)獲取葉片除塵前的彩色圖像；
[0060]步驟4、用去離子水洗凈葉片表面塵土；
[0061]步驟5、稱取葉片除塵后的重量；
[0062]步驟6、用同樣的方法獲取葉片除塵后的彩色圖像；
[0063]步驟7、用單元格法獲取葉片面積并計(jì)算出單位葉片面積塵土量；
[0064]步驟8、獲取圖像參數(shù)并建立圖像與葉面塵土量之間的關(guān)系；
[0065]2)、利用圖像數(shù)據(jù)估計(jì)葉面塵土量；
[0066]步驟9、獲取葉片彩色圖像；
[0067]步驟10、從葉片的彩色圖像中提取圖像參數(shù)；
[0068]步驟11、根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量。
[0069]①計(jì)算初始?jí)m土量y0 ;
[0070]②根據(jù)Y0按著分級(jí)原則確定虛擬變量Ii1, n2 ；
[0071]③根據(jù)預(yù)估方程估計(jì)葉面塵土量；
[0072]在步驟I)中，為了從葉片的彩色圖像中獲得圖像參數(shù)，首先從彩色圖像的背景中分割出前景圖像，然后計(jì)算圖像參數(shù)。
[0073]根據(jù)大量的試驗(yàn)結(jié)果，所述圖像參數(shù)包括:圖像前景像素的B平均值、圖像前景像素的G平均值、圖像前景像素的R平均值、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值、前景色調(diào)均值、前景飽和度均值、前景亮度均值。
[0074]為了更方便地從彩色圖像的背景中分割出前景圖像(即，大葉黃楊葉片圖像)，根據(jù)本發(fā)明實(shí)施例，優(yōu)選地，在攝影時(shí)采用單一背景，比如顏色單一且反光較小的黑色背景，這樣能夠最大限度的表現(xiàn)前景。
[0075]由于前景與背景圖像存在差異，可以通過(guò)分析前景與背景兩部分圖像的相關(guān)性來(lái)判斷二者關(guān)系，進(jìn)而實(shí)現(xiàn)從彩色圖像的背景中分割出前景圖像。
[0076]若X= (X1 X2…xn)’、y= (Y1 y2…yn) ’為隨機(jī)變量，它們的方差分別為Var (x)、Var (y),協(xié)方差為 Cov (x, y),則
[0077]R2= Co、細(xì)(4)

Var{x).Var{y)
[0078]表示了向量X、y的相關(guān)程度，統(tǒng)計(jì)上，一般稱R2為確定指數(shù)。把這一概念引入到大葉黃楊葉片圖像分割中，進(jìn)而實(shí)現(xiàn)葉片前景和背景的分離。得到葉片前景圖像后，就可根據(jù)前景圖像確定圖像參數(shù):圖像前景像素的B平均值、圖像前景像素的G平均值、圖像前景像素的R平均值、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值、前景色調(diào)均值、前景飽和度均值、前景亮度均值。
[0079]步驟12、把大葉黃楊葉片圖像中心作為目標(biāo)點(diǎn)或者用鼠標(biāo)左鍵單擊葉片圖像區(qū)域給出目標(biāo)點(diǎn)。目標(biāo)點(diǎn)位置要求并不嚴(yán)格，只要在攝取圖像時(shí)把大葉黃楊葉片放在照相機(jī)下方的中心位置附近攝影即可，就是說(shuō)，圖像中心點(diǎn)是大葉黃楊葉片內(nèi)部圖像即可；
[0080]步驟13、以目標(biāo)點(diǎn)為中心，取3X3掩膜內(nèi)的前景像素，以此作為將要進(jìn)行比對(duì)的目標(biāo)區(qū)域；
[0081]步驟14、指針移動(dòng)到圖像的起始位置(1，I)，以起始位置作為當(dāng)前點(diǎn)，按著3X3掩膜大小，遍歷圖像；
[0082]步驟15、根據(jù)⑷式，計(jì)算以當(dāng)前點(diǎn)為中心的3X3區(qū)域與目標(biāo)區(qū)域的確定指數(shù)，并把此值與某確定指數(shù)閾值比較，如果該值大于閾值，則把當(dāng)前像素判斷為前景即大葉黃楊葉片圖像，否則，把該像素置成背景。由于確定指數(shù)閾值與圖像和目標(biāo)點(diǎn)選擇位置有關(guān)系，因此它不是一個(gè)固定的數(shù)值，但是根據(jù)具體圖像通過(guò)嘗試法容易確定。從對(duì)大量大葉黃楊葉片圖像的測(cè)試結(jié)果看，相關(guān)系數(shù)R = 0.86時(shí)一般能取得較好的結(jié)果。另外，由于攝影時(shí)把葉片放于中央位置，所攝得的大葉黃楊葉片圖像外圍會(huì)有很大的背景，因此，在作實(shí)際的圖像分割時(shí)，把圖像最外圍的邊界像素都處理成背景像素。
[0083]步驟16、按著從上到下、從左到右的次序指針移動(dòng)到下一像素，判斷是否是最后像素，如果不是轉(zhuǎn)移到步驟15，否則執(zhí)行步驟17 ；
[0084]步驟17、提取前景部分并通過(guò)前景圖像提取7個(gè)圖像參數(shù):圖像前景像素的B平均值、圖像前景像素的G平均值、圖像前景像素的R平均值、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值、前景色調(diào)均值、前景飽和度均值、前景亮度均值。
[0085]求得所有定標(biāo)大葉黃楊葉片圖像參數(shù)后，然后求解葉面塵土量預(yù)估模型中的參數(shù)即完成葉面塵土量預(yù)估模型的定標(biāo)工作，然后根據(jù)葉面塵土量預(yù)估模型確定葉片表面塵土量。
[0086]葉面塵土量預(yù)估模型為:
b 2 1.00 + /7,/7, + /7,/7,
[0087]y=a + — + — + — + r.xR + J.Xj + +」—————-一(ι)
Xb Xg xIxH
[0088]其中，
[0089]y:葉面塵土量；
[0090]xB:圖像前景像素的B平均值；
[0091]Xe:圖像前景像素的G平均值；
[0092]xE:圖像前景像素的R平均值；
[0093]Xj:前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值；
[0094]Xh:前景色調(diào)均值；
[0095]Xs:前景飽和度均值；
[0096]X1:前景亮度均值；
[0097]Iipn2:虛擬變量；
[0098]a、b、g、r、j、h、s、1、p0、p!、P2:待定標(biāo)參數(shù)；
[0099]所述待定參數(shù)通過(guò)實(shí)驗(yàn)獲得。
[0100]根據(jù)文獻(xiàn)，葉片反射光譜與葉面塵土量大小存在著一定的關(guān)系，因此本發(fā)明在估計(jì)葉面塵土量時(shí)引入了虛擬變量，將葉面塵土量大小分成幾個(gè)等級(jí)，用于更加準(zhǔn)確的估計(jì)葉片表面塵土量。具體所述虛擬變量根據(jù)不同葉面塵土量大小不同情況來(lái)確定，詳見(jiàn)后面描述。
[0101]根據(jù)大葉黃楊葉片的外觀發(fā)現(xiàn)如下特點(diǎn):
[0102](-)在可變化的區(qū)間內(nèi)，綠色分量值越大大葉黃楊葉片受污染程度越輕，其葉面塵土越少，可以粗略的理解為“越綠葉面塵土量越少”;
[0103]GH分量與綠色分量表現(xiàn)出了相同的趨勢(shì)，即H分量越大葉面塵土量越少；
[0104]曰大葉黃楊葉片圖像前景亮度均值越大則葉面塵土量越少。
[0105]由于葉片圖像前景亮度均值是由葉面塵土量的多少?zèng)Q定的，因此可以說(shuō)，大葉黃楊葉片亮度I越小葉面塵土量越多?？梢钥吹?，這些結(jié)論與我們的經(jīng)驗(yàn)比較吻合。
[0106]大葉黃楊葉片表面塵土量與大小、生長(zhǎng)地等因素相關(guān)，如果直接使用如下實(shí)施例模型進(jìn)行大葉黃楊葉片表面塵土量估計(jì)會(huì)產(chǎn)生較大誤差，因此，使用本發(fā)明進(jìn)行葉面塵土量測(cè)定前，需要抽取有代表性的大葉黃楊葉片確定待定標(biāo)參數(shù)a、b、g、r、j、h、s、i> p0> P1^P2，然后使用標(biāo)定參數(shù)的模型進(jìn)行葉片表面塵土量預(yù)測(cè)。
[0107]大葉黃楊葉片表面塵土量的圖像預(yù)測(cè)模型定標(biāo)的步驟如下:
[0108]為了確定葉面塵土量預(yù)估模型的待定標(biāo)參數(shù)a、b、g、r、j、h、s、1、pQ、P1^ p2,首先需要獲取若干大葉黃楊葉片的圖像并實(shí)測(cè)葉面塵土量，利用本發(fā)明的方法提取出圖像參數(shù)后，采用統(tǒng)計(jì)方法就可以估計(jì)出模型參數(shù)，進(jìn)而實(shí)現(xiàn)模型的實(shí)際應(yīng)用，這種確定模型參數(shù)的過(guò)程就是定標(biāo)，定標(biāo)時(shí)要求抽取葉片的數(shù)量> 60。
[0109]作為例子，取大葉黃楊葉片60個(gè)，分別放在固定三腳架下攝影圖像，然后測(cè)量葉片表面塵土量。
[0110]攝影使用的相機(jī)類型為Canon EOS Kiss Digital X，圖像分辨率3888X2592、IS0速度為800、快門速度l/50s、透鏡孔徑F/8。
[0111]葉片表面塵土量是用萬(wàn)分之一電子分析天平稱取葉片重量，用郵票鑷子將葉片夾到天平載物盤上稱除塵前的葉片質(zhì)量，M1 ;用化妝棉和去離子水將葉片去輕輕快速洗凈；用吸水紙將葉片表面水吸干,再用天平稱除塵后的葉片質(zhì)量，M2，得到質(zhì)量差A(yù)M = M1-M2，則AM為葉片表面塵土量。
[0112]本次樣品測(cè)得的葉面塵土量分布范圍在1-1Omg之間。
[0113]把60個(gè)大葉黃楊葉片隨機(jī)分成2組，一組45個(gè)另一組15個(gè)，根據(jù)上述算法，分別求算每個(gè)大葉黃楊葉片的圖像參數(shù)，然后用45個(gè)的一組定標(biāo)模型參數(shù)，15個(gè)的組用于檢驗(yàn)?zāi)Ｐ偷膬?yōu)劣。
[0114]把葉面塵土量分成y < 3mg、3mg ^ y ^ 5mg、y > 5mg三級(jí)，并規(guī)定相對(duì)應(yīng)的Ii1和n2分別為Ii1 = I, n2 = (Kn1 = 0,n2 = Un1 = I, n2 = I。具備葉面塵土量預(yù)估模型參數(shù)求解的全部數(shù)據(jù)后，就可以計(jì)算模型參數(shù)，當(dāng)然也可以利用既有的統(tǒng)計(jì)軟件比如SAS、SPSS等求解模型參數(shù)。并用其它數(shù)據(jù)進(jìn)行檢測(cè)，本實(shí)施例模型擬合數(shù)據(jù)45組，模型檢驗(yàn)數(shù)據(jù)15組，綜合2組數(shù)據(jù)測(cè)試結(jié)果，得到確定指數(shù)為0.859，可以用于葉片表面塵土量的預(yù)估和分級(jí)。
[0115]預(yù)估模型如下:
[0116]
34.71 6.19 0.62 0.13 +0.17η +0.26?/0\
y:- 0.92 +-+ ——+ ——+ 0.0006.氣 + 0.0007.x + 0.35.x +-
XsXcXtXy
[0117]對(duì)應(yīng)的虛擬變量估計(jì)模型:
[0118]
2.66 23.27 0.430.29, Λλ
y0 =1.31 +-+-+ ——+ 0.0012.χλ +0.0009^+0.23..^ +——V4；
、xgχ,1χ,
[0119]此時(shí)，葉面塵土量分級(jí)過(guò)程為:
[0120]首先根據(jù)式(4)計(jì)算％，然后基于％按著設(shè)定的葉面塵土量級(jí)別確定ηι、η2，最后由(3)預(yù)估葉面塵土量并進(jìn)行分級(jí)。
[0121]純圖像角度的大葉黃楊葉片表面塵土量估測(cè)，其預(yù)估模型中的所有自變量都是從圖像中抽取的，因此，僅根據(jù)圖像就可以實(shí)現(xiàn)對(duì)大葉黃楊葉片表面塵土量的預(yù)估，而不再需要額外的其它條件，這對(duì)于區(qū)域性城市綠化樹(shù)種的選取以及霧霾防治措施的優(yōu)選工作無(wú)疑是便利的。
[0122]本實(shí)施例還公開(kāi)了一種葉面塵土量分級(jí)的方法。其包括前述葉面塵土量確定方法，并且根據(jù)葉面塵土量確定方法所確定的葉面塵土量對(duì)葉片附載塵能力的強(qiáng)弱進(jìn)行分級(jí)。
[0123]分級(jí)方法的步驟如下:
[0124]步驟18、確定虛擬變量ηι、η2 ;
[0125]基于虛擬變量的預(yù)估模型通常包含一對(duì)模型，其中一個(gè)是沒(méi)有虛擬變量的模型，用于確定虛擬變量。
[0126]為確定虛擬變量，首先根據(jù)沒(méi)有虛擬變量的模型計(jì)算葉面塵土量J0,
[0127]如果y0 < T1,則 Ii1 = I, η2 = O ；
[0128]如果T1 ^ y0 ^ T2,則 Ii1 = O, η2 = I ；
[0129]如果y0 > T2,則 Ii1 = I, n2 = I ；
[0130]其中，T1, T2是根據(jù)具體葉片設(shè)定的塵土量級(jí)別界限，如果葉面塵土量介于某兩個(gè)數(shù)值之間定義為“載塵能力為中等”，則這兩個(gè)數(shù)值的下限與上限就是?\、τ2，若大于T2就為“載塵能力為較強(qiáng)”。
[0131]步驟19、計(jì)算待估計(jì)的葉面塵土量y ；
[0132]把獲取的7個(gè)光譜參數(shù)及剛剛計(jì)算得到的虛擬變量叫、n2代入葉面塵土量預(yù)估模型，計(jì)算得到y(tǒng)。
[0133]步驟20、葉面塵土量分級(jí)；
[0134]根據(jù)設(shè)定的葉面塵土量分級(jí)標(biāo)準(zhǔn)把葉片表面附載塵土能力強(qiáng)弱分為幾個(gè)等級(jí)。葉片表面附載塵土能力強(qiáng)弱為定性分類，因此該標(biāo)準(zhǔn)沒(méi)有嚴(yán)格的規(guī)定，比如如下的三級(jí)標(biāo)準(zhǔn):
[0135]如果y<3，“載塵能力為較弱”；
[0136]如果3彡y彡5，“載塵能力為中等”；
[0137]如果y>5，“載塵能力為較強(qiáng)”；
[0138]通過(guò)上述分級(jí)后，可將葉面塵土量作為估計(jì)植物表面附載塵土能力強(qiáng)弱的重要因素，對(duì)葉面附載塵土能力強(qiáng)弱進(jìn)行分級(jí)，再根據(jù)附載塵土能力強(qiáng)弱進(jìn)行樹(shù)木種類的篩選。即，將附載塵土能力較強(qiáng)的植物作為城市綠化樹(shù)種在市區(qū)進(jìn)行栽種，以減輕城市粉塵污染的危害程度，為霧霾的防治提供參考。
[0139]實(shí)施例2:
[0140]實(shí)施例1以大葉黃楊葉片為對(duì)象，還能夠?qū)γ讞钊~片、國(guó)槐葉片、玉蘭葉片等作為實(shí)施例運(yùn)用本發(fā)明的方法實(shí)施，其步驟與實(shí)施例1相同，只是用毛白楊葉片、國(guó)槐葉片、玉蘭葉片替換大葉黃楊葉片并改變模型參數(shù)即可。
[0141]實(shí)施例3:
[0142]本實(shí)施例提供了一種葉片表面塵土量的圖像確定系統(tǒng)，包括:
[0143]圖像獲取裝置，用于獲取葉片的彩色圖像；
[0144]圖像獲取裝置可以是照像機(jī)及任何帶有照像的設(shè)備；
[0145]計(jì)算單元，用于從葉片的彩色圖像中獲得圖像參數(shù)；
[0146]確定單元，用于根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量。
[0147]本實(shí)施例的各個(gè)單元的工作原理可參見(jiàn)實(shí)施例一的描述。
[0148]圖像獲取裝置包括普通照相機(jī)。
[0149]根據(jù)本發(fā)明，可通過(guò)普通照相機(jī)和計(jì)算機(jī)就可實(shí)現(xiàn)葉片表面塵土量的測(cè)定，因此，本發(fā)明不需要增加額外設(shè)備就可估算葉片表面塵土量，本發(fā)明技術(shù)極其適于區(qū)域性城市綠化樹(shù)種的選取以及霧霾防治措施的優(yōu)選工作。
[0150]如上所述，對(duì)本發(fā)明的實(shí)施例進(jìn)行了詳細(xì)地說(shuō)明，但是只要實(shí)質(zhì)上沒(méi)有脫離本發(fā)明的發(fā)明點(diǎn)及效果可以有很多的變形，這對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)是顯而易見(jiàn)的。因此，這樣的變形例也全部包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種葉片表面塵土量的圖像確定方法，其特征在于包括步驟如下: 步驟I)、建立預(yù)估方程并確定方程參數(shù): 步驟1、采集葉片樣本； 步驟2、用萬(wàn)分之一電子天平稱取葉片重量； 步驟3、用照相機(jī)獲取葉片除塵前的彩色圖像； 步驟4、用去離子水洗凈葉片表面塵土 ； 步驟5、稱取葉片除塵后的重量； 步驟6、用同樣的方法獲取葉片除塵后的彩色圖像； 步驟7、用單元格法獲取葉片面積并計(jì)算出單位葉片面積塵土量； 步驟8、獲取圖像參數(shù)并建立圖像與葉面塵土量之間的關(guān)系； 步驟2)、利用圖像數(shù)據(jù)估計(jì)葉面塵土量； 步驟9、獲取葉片彩色圖像； 步驟10、從葉片的彩色圖像中提取圖像參數(shù)； 步驟11、根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量，步驟如下: 步驟①、計(jì)算初始?jí)m土量yQ; 步驟②、根據(jù)yd按著分級(jí)原則確定虛擬變量Ii1, n2 ； 步驟③、根據(jù)預(yù)估方程估計(jì)葉面塵土量。
2.根據(jù)權(quán)利要求1所述的一種葉片表面塵土量的圖像確定方法，其特征在于，所述圖像參數(shù)包括:圖像前景像素的B平均值xB、圖像前景像素的G平均值xG、圖像前景像素的R平均值xK、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值X1、前景色調(diào)均值xH、前景飽和度均值Xs、前景亮度均值Xp
3.根據(jù)權(quán)利要求1或2所述的一種葉片表面塵土量的圖像確定方法，其特征在于，所述葉面塵土量預(yù)估模型為: 產(chǎn)。+ A + !+丄+, ,R+j.XJ+S,Xs + P^P^^-⑴ Xb Xg XiXff 其中， 1:葉面塵土量； xB:圖像前景像素的B平均值； X。:圖像前景像素的G平均值； XK:圖像前景像素的R平均值； Xj:前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值； Xh:前景色調(diào)均值； Xs:前景飽和度均值； X1:前景亮度均值； Ii1^n2:虛擬變量； ￡1、b、g、r、jλ hλ S、1、Po、P1、P2:{寸? 所述待定參數(shù)通過(guò)實(shí)驗(yàn)獲得。
4.根據(jù)權(quán)利要求1所述的一種葉片表面塵土量的圖像確定方法，其特征在于，確定葉面塵土量預(yù)估方程參數(shù)的步驟: 采集葉片樣本；用鑷子將每片葉片夾到精度為萬(wàn)分之一天平的載物盤上稱除塵前的葉片重量(M1);將葉片放在固定的照相機(jī)鏡頭下獲取除塵前的彩色圖像；用化妝棉將葉片在裝有去離子水的塑料盆內(nèi)輕輕的快速洗凈，用吸水紙將葉片表面的水吸干；再用精度為萬(wàn)分之一的天平稱除塵后的葉片重量(M2),得到質(zhì)量差A(yù)M = M1-M2AU ΛΜ為葉片表面塵土量；用同樣的方法獲取葉片除塵后的彩色圖像；獲取圖像參數(shù)并建立圖像與葉面塵土量之間的關(guān)系； 在所述獲取葉片的彩色圖像步驟之前，將葉片的背景設(shè)置為單一背景。
5.根據(jù)權(quán)利要求1所述的一種葉片表面塵土量的圖像確定方法，其特征在于，利用圖像數(shù)據(jù)估計(jì)葉面塵土量: 步驟I)、獲取葉片彩色圖像的步驟:將葉片放在固定的照相機(jī)鏡頭下獲取除塵前的彩色圖像；用化妝棉將葉片在裝有去離子水的塑料盆內(nèi)輕輕的快速洗凈，用吸水紙將葉片表面的水吸干；用同樣的方法獲取葉片除塵后的彩色圖像； 步驟2)、從葉片的彩色圖像中提取圖像參數(shù):通過(guò)計(jì)算機(jī)軟件計(jì)算出所需的7個(gè)圖像參數(shù):圖像前景像素的B平均值、圖像前景像素的G平均值、圖像前景像素的R平均值、前景圖像轉(zhuǎn)換成灰度圖像后像素亮度的平均值、前景色調(diào)均值、前景飽和度均值、前景亮度均值； 步驟3)、根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉面塵土量:在根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量步驟之前，所述方法還包括對(duì)待定標(biāo)參數(shù)進(jìn)行定標(biāo)，對(duì)虛擬變量進(jìn)行確定； 對(duì)待定標(biāo)參數(shù)進(jìn)行定標(biāo)的步驟為: 為了確定葉面塵土量預(yù)估模型的待定標(biāo)參數(shù)a、b、g、r、j、h、s、i> p0> P1^ p2,首先需要獲取若干葉片的圖像并實(shí)測(cè)葉面塵土量，提取出圖像參數(shù)后，采用統(tǒng)計(jì)方法估計(jì)出虛擬變量確定模型和葉面塵預(yù)估模型參數(shù)，求解參數(shù)時(shí)要求抽取葉片的數(shù)量> 60 ;根據(jù)本次實(shí)驗(yàn)數(shù)據(jù)得到葉面塵預(yù)估模型(2)和虛擬變量確定模型(3)
34.71 6.19 0.62 0.13 + 0.17? + 0.26? /nN > 09 -+-+-+ 0.0006氣 + 0.0007.' + 0.35.' +-:-L\Z) X-X,XH
2.66 23.27 0.430.29/0\=1.31 +-+-+ ——+ 0.0012.^^+0.0009.:^+0 73' +——\i)
X-xOX,RJXy 虛擬變量確定時(shí)，首先需要通過(guò)模型(3)計(jì)算％，然后基于％按著設(shè)定的葉面塵土量級(jí)別確Snpn2 ;便于操作起見(jiàn)，本發(fā)明將葉面塵土量分為三級(jí):
如果 Y0 < T1,則 Ii1 = I, n2 = O ；
如果 T1 ^ y0 ^ T2,則 Ii1 = O, n2 = I ；
如果 Y0 > T2,則 Ii1 = I, n2 = I ； 其中，！\、T2是根據(jù)具體葉片設(shè)定的葉面塵土量級(jí)別界限，如果葉面塵土量介于某3mg和5mg兩個(gè)數(shù)值之間定義為“載塵能力為中等”，則這兩個(gè)數(shù)值的下限與上限就是!\、T2，若大于T2就為“載塵能力為較強(qiáng)”。
6.一種葉片表面塵土量的圖像確定系統(tǒng)，其特征在于包括: 圖像獲取裝置，用于獲取葉片的彩色圖像； 計(jì)算單元，用于從葉片的彩色圖像中獲得圖像參數(shù)；確定單元，用于根據(jù)圖像參數(shù)利用葉面塵土量預(yù)估模型確定葉片表面塵土量。
【文檔編號(hào)】G06T7/00GK104268892SQ201410539186
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年10月13日 優(yōu)先權(quán)日:2014年10月13日
【發(fā)明者】吳春燕, 王雪峰, 高志海 申請(qǐng)人:中國(guó)林業(yè)科學(xué)研究院資源信息研究所