基于田间近地多光谱监测的叶绿素含量估算

❝

文章首先对以往研究进行了归纳：其常对波段进行分别计算，降低了运算效率；在植被指数计算中往往忽视背景信息的干扰，以及对模型计算能力的低估；在此基础之上，提出了「对多光谱影像进行图像配准和背景分割，进而提取像素尺度上的植被指数进行叶绿素估算，以提高数据计算效率和模型估算精度。」

❞

实验选材

1. 

• 研宄采用法国Airphen多光谱相机来获取多光谱图像数据，相机配备６个同步全球快门传感器，整体结构具有低能耗、轻便、紧凑易集成等优点。

---

---

• 研究实验辐射定标流程图（「辐射定标的意义在于将获取的数据值与实际物理量相对应」）

3. 

• 辐射定标结果数值以及NDVI计算公式展示

实测数据与图像数据

1. 试验所测量的水稻田分为８个处理每个处理设置3个重复共24块小区 ，采用随机排列分布研究区共分三行，每行八个小区，每个小区宽度约为５ｍ，长度约为7m；

• 上图展示了SPAD值数据采集方法。

2. 多光谱图像处理

「2.1」 由于在同一曝光处理下，同一位置的样品会随着每个镜头的位置变化而导致位置发生偏移，因此，就需要进行图像配准；

• 上图所展示的为在同一曝光下，近红外波段与绿光波段图像位置的对比
• 配准采用的是MATLAB功能中的工具盒，选定波段1-5（450-750nm）为移动选项，波段6（850nm）为固定选项，将1-5波段的图像在位置上向6波段进行配准；

「2.2」阈值分割

采用了OTSU阈值分割，即采用最大类间误差法，是一种自适应的阈值确定的算法，其内涵为根据灰度特性，将影响分为目标和背景两部分，首先统计灰度级中每个像素在整幅图像中的个数，在计算每个像素在整幅图像中的概率分布，随后对灰度级进行遍历搜索，计算当前灰度值下前景背景类间概率，最后通过目标函数计算出类内与类间方差下的对应的阈值。

结果分析

基于单波段的叶绿素含量估算模型

基于全影像VIS的叶绿素含量估计

• 

• 下面两张图展示了四种VIs建立的线性拟合回归

• 后续又进行了留一交叉验证

---

「阅读原文」