高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

朱济友 徐程扬 吴鞠

引用本文:
Citation:

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

    作者简介: 朱济友。主要研究方向:生态林与城市林业理论与技术。Email: zhujiyou007@163.com   地址:100083北京市海淀区清华东路35号北京林业大学科研楼302.
    通讯作者: 徐程扬,教授,博士生导师。主要研究方向:城市林业。Email:cyxu@bjfu.edu.cn   地址:同上. 
  • 基金项目:

    林业公益性行业重大项目 20140430102

  • 中图分类号: S718.47

Fast estimation of stomatal density and stomatal area of plant leaves based on eCognition

图(4)表(6)
计量
  • 文章访问数:  862
  • HTML全文浏览量:  256
  • PDF下载量:  53
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-11-22
  • 录用日期:  2018-01-25
  • 刊出日期:  2018-05-01

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

    通讯作者: 徐程扬, cyxu@bjfu.edu.cn
    作者简介: 朱济友。主要研究方向:生态林与城市林业理论与技术。Email: zhujiyou007@163.com   地址:100083北京市海淀区清华东路35号北京林业大学科研楼302
  • 北京林业大学省部共建森林培育与保护教育部重点实验室,干旱与半干旱地区森林培育及生态系统国家林业局重点实验室,北京 100083
基金项目:  林业公益性行业重大项目 20140430102

摘要: 目的叶片气孔是植物与外界进行物质交换的重要窗口,对环境变化十分敏感。如何快速、精确地获得气孔密度和开放程度数据仍缺乏成熟的方法与技术,本研究旨在探索植物叶片气孔密度及气孔面积的快速测算方法,为今后植物气孔研究工作提供参考。方法以北京市常见绿化树种白蜡、臭椿和国槐叶片为研究对象,采用面向对象分类的eCognition图像处理软件,对叶片气孔显微图像进行多尺度分割和分类识别,根据对象的光谱特征、亮度特征和几何特征构建规则并进行气孔分类和提取。结果气孔分割的最佳参数及自动提取规则组合为:尺度参数120~125、形状参数0.7、紧凑度参数0.9、亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。结论该方法提取气孔密度和气孔面积的精度分别达到99.2%、94.5%,结果较理想,适用于植物叶片气孔信息的快速提取。

English Abstract

  • 气孔是植物表皮的重要组成结构,是植物叶片与外界进行水气交换的重要通道,其密度、大小和植物光合作用、蒸腾作用等生理活动密切相关,并在很大程度上影响植物水分利用、物质代谢、营养吸收及有机物质的积累,进而对植物体调节生态环境的作用产生影响[1-4]。由于植物气孔的形态发育、生理功能对外界环境变化的反应极为敏感,因此常用来反映植物对气候环境变化的响应及适应性,在城市化进程不断加快的背景下对预测城市气候环境变化趋势具有重要的意义[5-7]。但目前研究对象主要集中在玉米(Zea mays)、小麦(Tritium aestivum)、水稻(Oryza sativa)等农作物上,城市绿化树种却较少涉及[8-12]。由于叶片气孔形态难以通过肉眼观察得出,传统测算气孔密度多采用光学显微镜放大后肉眼观测的方法,测量气孔大小一般多采用显微成像系统处理方法,不仅操作繁琐、效率低,而且容易带来人为误差。因此,如何提高气孔信息提取效率和精度在气孔特性研究中显得尤为重要。

    eCognition是全世界首个面向对象分类的遥感影像处理软件,通过模拟人类思维对影像综合分析、定义分割尺度并提取信息,具有强大的逻辑分类功能[13]。目前,面向对象分类技术主要应用于城市建筑物提取、植被分类及农作物遥感解译等方面[14-16],鲜有对气孔特征识别测算方法的研究。通过新鲜叶片制作玻片,利用光学显微镜放大100倍后拍摄出来的高清图像可以清晰地捕捉到气孔的形状及纹理等特征[17-18]。相比传统的最小二乘模板匹配法和面向像元法,面向对象分类法根据对象的光谱特征、形状特征和纹理特征进行对象分类识别,能够更准确地区分植被类型[18]。那么,显微图像可以视为遥感影像,能否利用遥感中面向对象分类法对气孔进行精确分类,并提取气孔数量和面积相关信息,进一步测算气孔密度和面积?能否通过技术参数筛选区别叶片中气孔和非气孔图像?

    基于此,本研究以北京市常见绿化树种白蜡(Fraxinus pennsylvanica)、臭椿(Ailanthus altissima)和国槐(Sophora japonica)为研究对象,利用eCognition Developer 64面向对象分类法对气孔图像进行多尺度分割,确定最佳的尺度参数、形状参数和紧致度参数,选用光谱特征、亮度特征和几何特征对气孔进行分类和提取,并对所得结果进行精度分析,突破了传统测算方法的局限性,实现高效率、高精度地批量计算气孔密度和气孔面积,为今后植物气孔研究工作提供参考。

    • 北京市海淀区(39°54′N、116°25′E)年平均气温10~14 ℃,夏季平均气温27.5 ℃,年平均降水量600 mm。取样地点在奥林匹克森林公园及海淀区街道两侧。奥林匹克森林公园占地680 hm2,绿化面积478 hm2,绿化覆盖率95.61%,优势树种主要有白蜡、臭椿、国槐、油松(Pinus tabuliformis)和毛白杨(Populus tomentosa)等,采样点分别为奥林匹克森林公园南园洼里片林、奥海畔、奥林东桥及北园大树园。海淀区街道主要行道树为白蜡、臭椿和国槐等,采样点分别为清华同方大厦至国家会议中心沿路街道及逸城东苑至北京航空航天大学街道两侧。

    • 为消除不同生境下不同树种叶片气孔提取的差异,选取了北京市绿化常用树种中不同叶大小、叶质地和叶被毛情况的白蜡、臭椿、国槐(表 1)。2017年7月分别到奥林匹克森林公园、学院路和大屯路街道采集叶片。在晴天10:00—12:00利用高枝剪按东、南、西、北方位摘取成熟健康叶片。每树种选取30株树,每株树采集30个叶片。所采集的叶片装入5 ℃冰盒保存,并在1 h内完成制片和图像采集。

      表 1  3个树种叶片性状特征

      Table 1.  Leaf traits of three tree species

      树种Tree species 叶面积Leaf area/cm2 质地Texture 被毛情况
      Leaf hair condition
      公园Park 街道Street
      白蜡Fraxinus pennsylvanica 24.637±1.432 21.866±2.209 革质Coriaceous 光滑Smooth
      臭椿Ailanthus altissima 45.017±5.230 36.940±4.043 薄革质Thin coriaceous 粗糙Rough
      国槐Sophora japonica 11.134±2.005 8.903±1.002 纸质Papery 被毛Hair cover
    • 制片采用“指甲油印迹法”,即在叶片背面一侧沿叶基至叶尖分上、中、下3处避开主脉均匀涂上一层透明指甲油,待2~3 min晾干后用镊子撕取指甲油层并制作临时气孔玻片[19]。每张叶片制3个玻片,每个玻片利用光学显微镜放大100倍后随机选取10个视野进行图像采集,每个树种共采集600张气孔图像供试验分析。

    • 利用eCognition Developer 64对原始显微图像进行几何校正和LUT拉伸,以增加气孔对象特征与背景非对象特征的反差,达到更好的分割效果。

    • 面向对象分类的过程主要包括影像分割、特征选取、规则建立及分类提取(图 1)。在eCognition中影像分割主要包括棋盘分割、多尺度分割和多阈值分割等方式[17, 20]。通过观察不同生境、不同树种的气孔特征,本试验选用多尺度分割方式,即根据同质性和异质性标准将整个影像分割成若干个互不交叉、互不重叠的子区域。分割参数主要包括尺度、形状和紧致度参数,其中尺度参数的大小决定了目标气孔能否在固定的空间分辨图像中被正确识别出来,形状参数和紧致度参数分别决定了分割界面的准确度及几何结构分割的吻合度[21]。为保证分割对象大小吻合、形状规则、边界清晰,使分割结果达到最佳,需要设置分割参数来控制区域合并算法的阈值。

      图  1  气孔提取流程图

      Figure 1.  Flow chart of stomatal extraction on basis of eCognition

      完成初始分割后,根据自动生成的矢量面文件选择气孔典型特征进行提取。选择特征时基于以下几点考虑:(1)气孔与非气孔亮度的显著差异;(2)气孔在显微图像上的特殊光谱特征;(3)气孔具有轮廓规则的形状特征,摆脱了颜色和亮度特征反映图像灰度值时重复出现的部分形式和分布规则,解决由光谱和亮度混淆导致分类结果破碎或粗放的问题[22]。对3个树种的叶片气孔显微图像对比观察后,选用亮度特征、光谱特征及形状特征构建气孔提取知识库,并将这3个特征转化为规则进一步分类提取。

    • 气孔密度和气孔面积传统测算方法是根据显微图像利用Photoshop等图片处理软件进行测算,本研究采用eCognition软件确定了气孔最佳提取规则组合,对显微图像校准后,在特征类相关(class-related)下的统计分类物体数量(numer of classified objects)和统计分类物体面积(area of classified objects)选择对象类别Stomatal即可快速计算出气孔的数量和面积。

    • 每个树种随机选取120张气孔图像用于分析。其中60张气孔图像用于面向对象分类法批量计算,60张用于显微镜镜检实测的精度验证,将气孔数量与气孔面积提取值和实测值差值算出最后的精度。本研究采用均方根误差检验[23],公式如下:

      $ R=\sqrt{\frac{1}{n} \sum\limits_{i=1}^{n}(P_{实测值}-P_{分类值})} $

      (1)

      $ P(\%)=\frac{P_{实测均值}-R}{P_{实测均值}}×100\% $

      (2)

      式中:P实测值指显微镜DP2-BSW软件镜检实测的气孔个数和气孔面积,P分类值为分类提取得到的气孔个数和气孔面积。

    • 表 2所示,不同分割参数间的气孔密度解译结果有极显著差异(P < 0.01),而在树种间、环境间的气孔解译精度差异不显著(P>0.01)。当尺度参数设置过小时,气孔被分割得较破碎、边界较模糊,无论哪个树种的叶片气孔图像,都难以区分出气孔结构和非气孔结构;当尺度参数设置过大时,气孔被分割得较粗放,对象边界吻合度较差,且出现误判现象,导致气孔未被完全分割出来。然而,通过显微镜镜检结果验证表明,气孔影像的自动解译精度并非与分割尺度呈线性关系,而是在120尺度上误差最低。

      表 2  分割参数及提取规则对气孔影像解译结果显著性差异分析

      Table 2.  Significance difference analysis in interpretation results of stomatal images based on segmentation parameters and extraction rules

      变异来源
      Source of variation
      参数间Inter-parameter 环境间Inter-environment 树种间Inter-tree
      F P F P F P
      分割参数Segmentation parameter 28.675 0.000 1 14.507 0.982 1 18.092 0.341 0
      亮度特征Bcenterness characteristic 63.564 0.004 5 25.991 0.453 2 25.667 0.543 1
      光谱特征Spectrum characteristic 45.321 0.003 3 34.987 0.067 5 32.131 0.204 1
      形状特征Shape characteristic 7.834 0.002 1 2.012 0.078 5 18.098 0.982 1

      在一定范围内,气孔图像边界吻合程度随形状、紧致度参数的增大而呈先减后增的“U型”曲线变化(图 2)。在尺度参数一致的情况下,紧致度参数设置过大、形状参数设置过小将会弱化对象边界对影像的贡献程度使主要贡献率偏向结构的锐化,导致图像分割界面密集,进而影响气孔切割的吻合度和气孔面积的估算;反之则会强化对象边界对影像的贡献程度,导致分割界面较稀疏,对最终分割结果造成不良影响。

      图  2  多尺度分割与实测密度差值散点图

      Figure 2.  Scatter plot of d-value between multi-scale segmentation and measured density

      基于分割不能太破碎也不能太粗放的原则,通过不同环境、不同树种叶片气孔的分割参数不断调整发现,尺度参数在120、形状参数0.7和紧致度参数0.9左右时,3个树种气孔分割均达到最理想的效果(图 2)。经过白蜡、臭椿和国槐在两个不同生境条件下共360张气孔显微图像反复的尝试和调整,最终确定最佳分割参数组合为:尺度参数120~125、形状参数0.7、紧致度参数0.9。

    • 气孔显微图像包含了多种可用于分类的特征,利用eCognition对提取气孔时需将气孔特征进行高度概括和描述,并将气孔特征的描述转换为分类规则从而实现气孔的提取。本研究通过对气孔特征的对比,选用亮度特征、光谱特征及形状特征构建气孔提取知识库,并将这3个特征转化为以下3个规则分类提取。

    • 亮度值对气孔提取精度存在极显著性差异(P < 0.01)(表 2)。选取亮度值进行分类,对照多波段影像和被选中的区域可明显看出类别特征范围的大致精度,对特征范围进一步调整至重合精度最大为止,此时的阈值即为气孔识别规则,符合这一阈值范围的气孔对象被分出来;而未选中的表示特征值较小的对象即非气孔部分。经过多次试验得出,气孔亮度值范围限定在160~220时基本将气孔与表皮细胞区分开,但仍存在部分气孔边界不吻合的现象(表 3)。

      表 3  分类对象特征阈值范围

      Table 3.  Threshold range of classification object feature

      对象Object 亮度特征
      Bcenterness characteristics
      光谱特征Spectrum characteristics 形状特征
      Shape feature
      蓝光波段Layer 1 blue band 绿光波段Layer 2 green band 红光波段Layer 3 red band
      气孔Stoma 160~220 >175 165~250 >95 1.5~2.2
      非气孔Non-stoma >200 < 185 < 185 < 95 < 1.5
    • 光谱特征对气孔提取精度存在极显著性差异(P < 0.01) (表 2)。对气孔图像分割属性分析知,大多数非气孔部分的蓝光波段均值(mean layer 1)在185以下,但同时也存在一部分气孔位于蓝光波段均值的范围内,此时的分类结果不太理想;非气孔部分的绿光波段均值(mean layer 2)基本在185以下,而气孔绿光波段均值在165~250之间,与非气孔部分存在较多的重叠,导致分类误差较大;气孔红光波段均值(mean layer 3)基本位于95以上,而非气孔部分红光波段均值却难以达到95,因此可通过将红光波段阈值设定在95以上即可分离出叶面上的非气孔部分(表 3)。通过与原图的对比发现,此时的分类准确率最高。

    • 形状特征对气孔提取精度存在显著性差异(P < 0.05)(表 2)。由于图像亮度和波段的反差不能完全将气孔与背景分开,分类时存在漏分和错分的现象。为去除非气孔部分,在Stomatal类别中将所有对象进行合并,使气孔对象特征更加明显,分出的对象为椭圆或卵圆形气孔,据此利用形状规则中的密度特征(shape-density)进一步提取。经过大量试验得出,密度范围为1.5~2.2时可以很大程度上剔除非气孔部分,大部分合并后的气孔完整的保留了下来(表 3)。

      随着3个规则及其叠加组合的层层分类,提取精度逐渐提高(图 34)。经过3个树种在两个不同生境条件获取的360张气孔显微图像反复尝试和调整,得出气孔分类提取的最佳规则组合及阈值范围分别为亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。

      图  3  气孔分割精度

      Figure 3.  Stomatal segmentation accuracy

      图  4  气孔图像分割及提取过程

      Figure 4.  Segmentation and extraction process of stomatal image

    • 根据得出的最佳参数及分类规则阈值,每个树种选取60张图像进行检验,尽管各树种在不同生长环境中的气孔密度和气孔总面积存在较大差异,自动解译获得的气孔密度和总面积精度均在99.2%和94.5%以上(表 5),且解译精度在树种间及环境间均不存在差异性(表 6)。这说明通过科学设定解译条件参数,采用eCognition自动解译方法获取树木叶片气孔信息具有较高的普适性,可用于大批量快速、精确计算气孔密度、气孔大小和总气孔面积。

      表 4  最佳分割参数及提取规则组合阈值范围

      Table 4.  Threshold range of the best segmentation parameters and extraction rules

      分割参数Segmentation parameter 提取规则Extraction rule
      参数Parameter 阈值范围Threshold range 规则Rule 阈值范围Threshold range
      尺度参数Scale parameter 120~125 亮度特征值Bcenterness characteristic value 160~220
      形状参数Shape parameter 0.7 红光波段值Layer 3 red band >95
      紧致度参数Compactness parameter 0.9 形状特征值Shape characteristic value 1.5~2.2

      表 5  气孔提取精度

      Table 5.  Accuracy of stomatal extraction

      环境
      Environment
      树种
      Tree species
      气孔密度/(个·mm-2)
      Stomatal density/(number·mm-2)
      气孔面积
      Stomatal area/μm2
      提取值
      Extraction value
      镜检值
      Measured value
      差值
      Deference value
      精度
      Accuracy
      提取值
      Extraction value
      镜检值
      Measured value
      差值
      Deference value
      精度
      Accuracy
      街道Street 臭椿Ailanthus altissima 179±9 176±7 2±2 100.0 341±15.7 331±22.4 10.5±1.3 97.1
      白蜡Fraxinus pennsylvanica 284±6 285±7 1±1 99.6 185±16.4 196±19.6 11.1±2.6 94.4
      国槐Sophora japonica 247±10 249±9 2±1 99.1 310±21.5 318±21.2 8.4±3.2 97.5
      公园Park 臭椿Ailanthus altissima 229±7 244±18 4±1 98.3 233±8.4 255±25.3 11.2±1.5 95.7
      白蜡Fraxinus pennsylvanica 399±8 167±15 2±2 98.9 396±12.5 158±22.1 13.1±1.8 94.6
      国槐Sophora japonica 295±9 198±18 3±1 98.9 298±13.2 184±17.5 17.8±5.4 93.0

      表 6  提取结果与实测值差值显著性分析

      Table 6.  Significance analysis in the difference between extraction result and measured value

      变异来源
      Variance source
      气孔密度Stomatal density 气孔面积Stomatal area
      离差平方和
      Sum of squares of deviation
      df 均方
      Mean square
      F Sig. 离差平方和
      Sum of squares of deviation
      df 均方
      Mean square
      F Sig.
      环境间Inter-environment 0.003 1 0.003 0.004 0.948 0.225 1 0.225 1.639 0.201
      树种间Inter-tree 2.867 2 1.433 2.195 0.113 0.506 2 0.253 1.842 0.160
      误差Error 232.506 357 0.653 48.867 357 0.137
      总计Total 235.376 360 49.598 360
    • 随着林业遥感技术应用的日益成熟,信息检测和估算方法的多元化,将该技术应用到林业科研和生产中显得十分必要。eCognition面向对象分类技术应用于植物叶片气孔提取,得出气孔分割的最佳参数及自动提取规则组合分别为尺度参数120~ 125、形状参数0.7、紧致度参数0.9、亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。对不同生境、不同树种、不同叶面积及叶质地的叶片气孔密度和气孔面积估算结果均较理想,精度分别达到99.2%和94.5%,该方法可用于大批量获取气孔特征信息,为今后气孔特征的深入研究奠定基础。

      该方法的关键在于分割参数的确定及提取规则的建立,以确保分割的精确度和吻合度[21-23]。同时,由于不同树种叶片特征的差异,如叶片绒毛、粉尘等杂质导致获取气孔图像时出现部分气孔被掩盖的问题,可能会在一定程度上降低遥感方法自动提取气孔信息的准确度[24]。因此,为了提高自动解译结果的精度,应在制片前先对叶片进行快速固定,使气孔形态尽可能地保持试验处理状态,而后应该对叶表面进行擦拭清洗,尽可能把绒毛和杂质清除干净,在印迹处理过程中保证印迹液涂抹均匀,以避免亮度不均影响提取精度[25]

      经过验证,面向对象分类方法对不同生境、不同树种的叶片气孔提取结果没有显著差异,得出的解译阈值适用于大部分木本植物,具有普遍适用性。与传统方法相比,该方法大大提高气孔特征分类提取工作的效率,对大批量气孔分类提取工作具有重要意义。但由于研究范围及样本有限,在草本植物以及农业主要作物叶片气孔特征的应用尚有待进一步研究,在未来的研究工作中应建立更大更全面的样本库,使得该方法在草本植物范畴有更好的训练样本,从而提高气孔识别的效果。

参考文献 (25)

目录

    /

    返回文章
    返回