李 波 ，葛 東 ，魏新光 ，鄭思宇 ，孫 君 ，楊昕宇

（1.沈陽(yáng)農(nóng)業(yè)大學(xué) 水利學(xué)院，沈陽(yáng) 110161；2.通遼市水利技術(shù)推廣站，內(nèi)蒙古通遼 028000）

東北地區(qū)不僅是我國(guó)的農(nóng)業(yè)大糧倉(cāng)，也是我國(guó)設(shè)施農(nóng)業(yè)的主要分布區(qū)域[1]。 以遼沈系列為代表的日光溫室由于節(jié)能、集約、高產(chǎn)、優(yōu)質(zhì)、可控等特點(diǎn)[2]，已經(jīng)成為區(qū)域現(xiàn)代農(nóng)業(yè)的主要表現(xiàn)形式。 遼寧省是東北設(shè)施農(nóng)業(yè)的核心分布區(qū)域，設(shè)施種植面積達(dá)7．46×105hm2，居全國(guó)第二位[3]。 葡萄是遼寧省最重要的設(shè)施果樹(shù)，早在20 世紀(jì)70 年代，遼寧省果樹(shù)科學(xué)研究所就開(kāi)始進(jìn)行葡萄的設(shè)施栽培方面的研究，從而開(kāi)啟了我國(guó)設(shè)施葡萄研究的先河[4]。 1990 年以來(lái)發(fā)展迅速，截止2018 年，遼寧省日光溫室種植面積達(dá)3．994×105hm2[5]，其中日光溫室葡萄種植面積達(dá) 1．0×105hm2，種植面積均居全國(guó)首位，創(chuàng)造經(jīng)濟(jì)效益 2．0×109元[6]，日光溫室葡萄已經(jīng)成為區(qū)域現(xiàn)代農(nóng)業(yè)的重要組成部分和農(nóng)民增收的主要途徑。

在日光溫室種植條件下，植株生長(zhǎng)空間受限，優(yōu)化溫室內(nèi)植株冠層分布，提高光能利用率是提高日光溫室葡萄產(chǎn)量和品質(zhì)的關(guān)鍵。而冠層的綠色分?jǐn)?shù)（Green Fraction）指標(biāo)是衡量植株冠層分布的重要指標(biāo)，并能在一定程度上反映植株活力與植株信息[7-8]。 近年來(lái)，表型監(jiān)測(cè)技術(shù)憑借其靈活性高、圖像數(shù)據(jù)分辨率高等優(yōu)勢(shì)，在表型監(jiān)測(cè)平臺(tái)上搭載傳感器越來(lái)越多地應(yīng)用于植株生物量、表型信息監(jiān)測(cè)中[9-10]。 前人對(duì)作物綠色分?jǐn)?shù)的提取主要利用表型監(jiān)測(cè)平臺(tái)、無(wú)人機(jī)遙感等搭載數(shù)碼相機(jī)或多光譜相機(jī)，監(jiān)測(cè)作物主要包括玉米[11]、冬小麥[12]、水稻[13]等大田作物。但是大尺度的遙感技術(shù)在環(huán)境人為調(diào)控的日光溫室環(huán)境中的適應(yīng)性還有待進(jìn)一步研究。通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)或植被指數(shù)建模反演等方法得到作物的綠色分?jǐn)?shù)信息，關(guān)鍵一步是對(duì)獲取的冠層圖像進(jìn)行閾值分割。 常見(jiàn)的閾值分割方法主要為：自適應(yīng)閾值方法[14]、直方圖雙峰法、最大類(lèi)間方差(Otsu)法[15-16]、最大熵法[17]、迭代法等。 刁智華等[18]提出一種基于改進(jìn)的模糊邊緣檢測(cè)的圖像閾值分割算法，比傳統(tǒng)固定閾值分割算法提高了分割正確率。 劉立波等[19]研究出一種基于邏輯回歸算法的自適應(yīng)閾值分割方法，優(yōu)于顯著性分割方法。 劉媛媛等[20]提出一種基于圖像多閾值的自動(dòng)分割方法(DH-GWO)，相比于改進(jìn)粒子群算法(PSO)和灰狼算法(GWO)，DH-GWO 算法精確度更高。 目前閾值分割方法眾多，但對(duì)背景環(huán)境信息復(fù)雜的溫室作物還沒(méi)有一種能夠普遍適用的分割方法。近年來(lái)，基于植被指數(shù)的經(jīng)驗(yàn)統(tǒng)計(jì)作物信息被廣泛應(yīng)用。迄今為止，國(guó)內(nèi)外提出的植被指數(shù)有上百種，較為常用的可見(jiàn)光植被指數(shù)[4]有植被顏色提取指數(shù)（color index of vegetation，CIVH）[21]、歸一化綠紅差異指數(shù)（normalized green-red difference index，NGRDI）[22]、歸一化綠藍(lán)差異指數(shù)（normalized green-blue difference index，NGBDI）[23]、可見(jiàn)光波段差異植被指數(shù)（visible-band difference vegetation index，VDVI）[8]、過(guò)綠指數(shù)（excess green，HXG）[24]和歸一化植被指數(shù)（normalized difference vegetation index，NDVI）。 朱婉雪等[12]利用植被指數(shù)對(duì)冬小麥主要生育期的多光譜影像進(jìn)行研究。孫國(guó)祥等[25]僅捕獲5～6 月溫室內(nèi)黃瓜的冠層圖像，采用3 種植被指數(shù)指標(biāo)分割冠層。 方益杭等[26]拍攝大田內(nèi)3 個(gè)關(guān)鍵生育期油菜圖像，利用顏色特征進(jìn)行分割。 前人大多針對(duì)特定生育階段進(jìn)行研究，全生育期動(dòng)態(tài)監(jiān)測(cè)作物的綠色分?jǐn)?shù)信息研究較少。 牛亞曉等[27]采用歸一化植被指數(shù)結(jié)合監(jiān)督分類(lèi)對(duì)航向及旁向重疊度為60%的冬小麥植被覆蓋度信息進(jìn)行提取。 張智韜等[28]采集大田玉米冠層正射影像，利用多種植被指數(shù)建模。滕佳昆等[29]對(duì)天頂角為90°的刺槐進(jìn)行適應(yīng)季節(jié)變化的指數(shù)研究。上述研究雖然對(duì)作物全生育期進(jìn)行了動(dòng)態(tài)研究，但是圖像采集與分析僅局限于特定角度。 前人在大田下對(duì)黃瓜[25]、水稻[30]、小麥[31]、甜菜[32]、夏玉米[33]的冠層覆蓋度進(jìn)行了探究，針對(duì)日光溫室內(nèi)作物研究較少，對(duì)溫室內(nèi)葡萄植株圖像提取全生育期不同生長(zhǎng)部位作物信息的研究更不多見(jiàn)。

本研究以萌芽期、抽蔓期、開(kāi)花坐果期、漿果膨大期和著色成熟期及不同生長(zhǎng)部位的溫室內(nèi)葡萄植株為研究對(duì)象，根據(jù)所研究溫室的結(jié)構(gòu)特征、葡萄棚架形式與生長(zhǎng)特征，定制了phenofix 型植物表型監(jiān)測(cè)平臺(tái)（phe鄄nofix-1，F(xiàn)rance），并利用該平臺(tái)所搭載的RGB 傳感器對(duì)葡萄生育期內(nèi)的生長(zhǎng)狀況進(jìn)行監(jiān)測(cè)，利用多種植被指數(shù)結(jié)合閾值分割對(duì)葡萄植株進(jìn)行分割，采用CIVH、HXG、VDVI3 種方法對(duì)葡萄不同生育階段的綠色分?jǐn)?shù)進(jìn)行提取研究，并對(duì)不同生育階段的結(jié)果進(jìn)行比較，確定較優(yōu)的葡萄植株不同生育階段綠色分?jǐn)?shù)的提取方法，從而提取葡萄植株全生育期的綠色分?jǐn)?shù)，以期為日光溫室內(nèi)生物量監(jiān)測(cè)、作物估產(chǎn)、溫室管理等提供參考。

1 材料與方法

1.1 表型RGB 多角度原始圖像獲取

本研究采用2018 年所拍攝的葡萄全生育期不同生長(zhǎng)部位的冠層圖像數(shù)據(jù)進(jìn)行分析，圖像信息采集地點(diǎn)位于（41°49′N(xiāo)，123°33′H）沈陽(yáng)農(nóng)業(yè)大學(xué)北山科研基地 44號(hào)溫室。 所使用的高通量作物表型監(jiān)測(cè)平臺(tái)（phenofix，法國(guó)）實(shí)物圖如圖1，平臺(tái)主要由RGB 成像傳感器、主控制箱、可調(diào)支架、多角度旋轉(zhuǎn)圓盤(pán)、可控傳送帶4 部分組成，允許采樣 3．5m，采樣速度 0～2．00m·s-1，可通過(guò)主控制箱上的旋鈕調(diào)節(jié)，本試驗(yàn)采樣速度為0．14m·s-1，平均每次采樣34 幅RGB 圖像。 可移動(dòng)監(jiān)測(cè)平臺(tái)以獲取大面積葡萄表型RGB 圖像，利用多角度旋轉(zhuǎn)圓盤(pán)手動(dòng)設(shè)定 4 個(gè)天頂角：90°，70°，50°，30°，可以獲取葡萄冠層底部、中下部、中上部及頂部等不同生長(zhǎng)部位的RGB圖像（圖2）。 Phenofix 研究平臺(tái)搭載的相機(jī)影像傳感器為堡盟VLG-40C，鏡頭搭載的為L(zhǎng)M25HC。圖像拍攝時(shí)間為 2018 年 4～8 月， 采集時(shí)間為上午 9∶00～11∶00 拍攝圖像分辨率為 1022×1020 像素， 存儲(chǔ)格式為 *．TIF格式。

圖1 作物表型監(jiān)測(cè)平臺(tái)Figure 1 Crop phenotypic monitor apparatus

圖2 研究區(qū)域的葡萄植株RGB 圖像Figure 2 RGB Image of grape canopy in the study area

1.2 研究方法

本研究利用Photoshop 獲取目標(biāo)圖像，選中植株區(qū)域，計(jì)算顏色直方圖中所選區(qū)域像素值，作為植株綠色分?jǐn)?shù)實(shí)測(cè)值。 采用閾值提取結(jié)合植被指數(shù)的方法進(jìn)行葡萄植株綠色分?jǐn)?shù)提取，方法流程如圖3。

圖3 方法流程圖Figure 3 Crop process flowchart

1.2.1 閾值分割方法確定及評(píng)價(jià) 本研究利用迭代法、大津法和雙峰法[34]分別確定RGB 圖像的閾值，并比較3種方法得到閾值的提取精度，將提取精度高的閾值確定為最終閾值。 為進(jìn)一步客觀評(píng)價(jià)3 種閾值確定方法，采用相對(duì)目標(biāo)誤差率E 和總體平均匹配率M 對(duì)分割質(zhì)量進(jìn)行定量評(píng)價(jià)。 其計(jì)算公式為：

式中：M 為總體平均匹配率；E 為平均相對(duì)目標(biāo)面積誤差率；Xi為分割圖像的目標(biāo)像素值；Yi為實(shí)際的目標(biāo)像素值，其中，Yi值由Photoshop 手動(dòng)標(biāo)準(zhǔn)分割獲得；N 為樣本圖像數(shù)目。

1.2.2 溫室葡萄植株綠色分?jǐn)?shù)的提取方法 植被指數(shù)是利用綠色植被在不同波段的反射特性， 對(duì)圖像不同分量進(jìn)行組合運(yùn)算，增強(qiáng)植被的信息。 結(jié)合各地物在3 個(gè)通道的反射特性，選用VDVI、CIVH、HXG 作為葡萄植株綠色分?jǐn)?shù)提取的植被指數(shù)。 VDVI、CIVH、HXG 計(jì)算公式為：

式中：G 為地物綠色波段反射率或像素值；B 為地物藍(lán)色波段反射率或像素值；R 為地物紅色波段反射率或像素值。

1.2.3 植株綠色分?jǐn)?shù)提取精度的評(píng)價(jià)方法 可用自動(dòng)分割與手動(dòng)標(biāo)準(zhǔn)分割的提取誤差對(duì)植被指數(shù)提取的葡萄植株綠色分?jǐn)?shù)提取精度進(jìn)行評(píng)價(jià)，以像素統(tǒng)計(jì)方法計(jì)算獲得兩者的值。 計(jì)算表達(dá)式為：

式中：EG為植株綠色分?jǐn)?shù)提取誤差；Gsup為由人工通過(guò)Photoshop 手動(dòng)標(biāo)準(zhǔn)分割獲得的葡萄植株綠色分?jǐn)?shù)；GVI為通過(guò)植被指數(shù)法獲取的葡萄植株綠色分?jǐn)?shù)。

1.2.4 估測(cè)模型評(píng)價(jià)指標(biāo) 選取決定系數(shù)R2、均方根誤差（RMSH）、一致性指數(shù)d（其取值范圍為0～1，值越大表示實(shí)測(cè)值與預(yù)測(cè)值的一致性程度越高）來(lái)評(píng)價(jià)綠色分?jǐn)?shù)估測(cè)模型的估測(cè)效果。 其計(jì)算公式為：

式中：Xi、為實(shí)測(cè)值、實(shí)測(cè)值均值；Yi、Y 為估測(cè)值、估測(cè)值均值；n 為估測(cè)模型的樣本數(shù)量。

1.3 數(shù)學(xué)形態(tài)學(xué)濾波

冠層RGB 圖像分割過(guò)程中，由于存在閾值誤差等原因，使得分割結(jié)果圖像的部分區(qū)域存在孤立的毛刺、小的孤立點(diǎn)、噪點(diǎn)等錯(cuò)誤分割情況，可采用形態(tài)學(xué)濾波方法開(kāi)閉運(yùn)算[35]對(duì)分割結(jié)果進(jìn)行優(yōu)化，本研究使用半徑為5 像素的圓盤(pán)形結(jié)構(gòu)元得到的先閉后開(kāi)操作結(jié)果（圖4）。

2 結(jié)果與分析

2.1 閾值分割方法的確定

本研究分別利用大津法（Otsu 閾值分割法）、迭代法和直方圖雙峰法（以下簡(jiǎn)稱(chēng)為“雙峰法”）對(duì)15 幅試驗(yàn)葡萄植株圖像進(jìn)行閾值提取，并對(duì)3 種閾值確定方法的分割性能進(jìn)行比較（表1）。 由表1 可知，大津法平均相對(duì)面積誤差率最小（6．59%），平均匹配率最高（97．78%），其誤差率和平均匹配率顯著高于雙峰法（16．08%，96%）和迭代法（12．75%，97．28%），分割效果最好；在分割時(shí)間上，3 種方法的平均處理時(shí)間分別為 3．73，2．25，2．82s，大津法和迭代法處理時(shí)間均較短，雙峰法則較長(zhǎng)。雖然大津法比迭代法處理時(shí)間略長(zhǎng)，但差別不大，且其分割效果遠(yuǎn)好于迭代法，綜合考慮，大津法在分割時(shí)間和分割效果整體優(yōu)于其他兩種分割方法。 因此本研究采用大津法進(jìn)行閾值分割。

圖4 葡萄植株分割圖像形態(tài)學(xué)處理效果Figure 4 Morphological processing effect of grape canopy segmentation image

表1 不同閾值分割方法提取性能比較Table 1 Comparison of extraction performance of different threshold segmentation methods

2.2 不同生育階段葡萄綠色分?jǐn)?shù)提取精度比較

利用大津法結(jié)合CIVH、HXG、VDVI 等3 種常用的植被指數(shù)，對(duì)葡萄底部冠層不同生育階段（葡萄萌芽期，2018-4-22；抽蔓期，2018-5-1；開(kāi)花坐果期，2018-6-6；漿果膨大期，2018-7-10;著色成熟期，2018-8-3）的綠色分?jǐn)?shù)進(jìn)行提取，并與Photoshop 提取的葡萄綠色分?jǐn)?shù)真值進(jìn)行比較，不同方法提取結(jié)果如圖5。 其中，除VDVI外的其余植被指數(shù)提取結(jié)果中黑色部分代表植株，白色部分代表非植株。 由圖5 可知，葡萄植株綠色分?jǐn)?shù)從萌芽期到漿果膨大期明顯增大，葡萄在著色成熟期生長(zhǎng)階段出現(xiàn)衰敗現(xiàn)象，導(dǎo)致植株綠色分?jǐn)?shù)下降，基本符合葡萄全生育期的生長(zhǎng)特征。

利用式（6）的植株綠色分?jǐn)?shù)提取精度驗(yàn)證方法，以Photoshop 標(biāo)準(zhǔn)分割結(jié)果為實(shí)測(cè)值，對(duì)植被指數(shù)法提取的葡萄植株綠色分?jǐn)?shù)進(jìn)行精度驗(yàn)證，統(tǒng)計(jì)結(jié)果如表2。

通過(guò)對(duì)上述3 種方法提取的綠色分?jǐn)?shù)精度比較， 發(fā)現(xiàn)CIVH 指數(shù)在葡萄生長(zhǎng)萌芽期和抽蔓期階段的綠色分?jǐn)?shù)提取精度最高， 相對(duì)提取誤差僅為 8．45%和 5．27%， 遠(yuǎn)小于 HXG 和 VDVI 指數(shù)的 22．35%、33．22%和21．35%、11．94%。 但其在開(kāi)花坐果期、漿果膨大期和著色成熟期的提取精度并不高，本研究同時(shí)發(fā)現(xiàn)，在葡萄的開(kāi)花坐果期、 漿果膨大期和著色成熟期這3 個(gè)生長(zhǎng)階段提取精度最高的方法是HXG， 該指數(shù)的提取誤差在0．56%～6．39%，而其他兩種指數(shù)在這3 個(gè)生長(zhǎng)階段內(nèi)的相對(duì)提取誤差均大于7．73%，因此在葡萄的不同生育階段，綠色分?jǐn)?shù)的最佳提取方法存在差異。在葡萄的萌芽期和抽蔓期，CIVH 指數(shù)提取精度最高，而在開(kāi)花坐果期、漿果膨大期和著色成熟期則采用HXG 指數(shù)提取效果最佳。

為了進(jìn)一步比較兩種方法在整個(gè)葡萄冠層綠色分?jǐn)?shù)的提取精度，利用改變天頂角的方式，對(duì)典型植株不同生長(zhǎng)部位的圖像進(jìn)行獲取， 并分別采用CIVH、HXG2 種植被指數(shù)對(duì)全生育期整個(gè)葡萄冠層的綠色分?jǐn)?shù)值進(jìn)行確定，結(jié)果如圖6。 其提取精度如表3。 由圖6 和表3 可知，兩種方法在葡萄全生育期提取效果良好，R2、RMSH分別為 0．814，0．029 和 0．82，0．028。 但如果分段提取，生育前期（萌芽期、抽蔓期）用 CIVH 指數(shù)、生育后期采用HXG 指數(shù)，提取精度會(huì)進(jìn)一步提高。 利用CIVH 對(duì)葡萄生育前期（萌芽期、抽蔓期）綠色分?jǐn)?shù)進(jìn)行提取，R2達(dá)0．953 顯著地高于 HXG 法（R2=0．713）以及兩種方法在全生育期的提取精度（R2分別為 0．814 和 0．820）；而在生育后期（開(kāi)花坐果期、漿果膨大期和著色成熟期）HXG的提取效果亦優(yōu)于 CIVH，（R2分別為 0．948 和 0．646），且HXG 的RMSH 約為CIVH 法的1/2； 就本研究而言，單一方法的提取精度良好，如果采用分段提取方法，提取精度會(huì)進(jìn)一步提取。 因此，本研究確定采用CIVH、HXG 指數(shù)及分段提取法等3 種方法對(duì)葡萄的綠色分?jǐn)?shù)進(jìn)行提取。 其中分段提取法中前兩階段（萌芽期、抽蔓期）利用大津法結(jié)合CIVH 監(jiān)測(cè)綠色分?jǐn)?shù)信息，后3 個(gè)生長(zhǎng)階段（開(kāi)花坐果期、漿果膨大期和著色成熟期）利用大津法結(jié)合HXG 進(jìn)行監(jiān)測(cè)。

圖5 不同生育期提取圖像Figure 5 Extract images of different growth periods

表2 植株綠色分?jǐn)?shù)提取精度Table 2 Plant green fraction extraction accuracy

2.3 葡萄綠色分?jǐn)?shù)提取方法精度驗(yàn)證

分別采用3 種方法對(duì)溫室監(jiān)測(cè)范圍內(nèi)所有植株（除典型植株）全生育期整個(gè)葡萄冠層的綠色分?jǐn)?shù)均值進(jìn)行提取，并對(duì)其提取精度進(jìn)行對(duì)比分析（表4）。 由表4 可知，分段提取法對(duì)全生育期綠色分?jǐn)?shù)的提取精度最高，R2、d 分別為 0．979 和 0．957，顯著高于 CIVH 法、HXG 法 （R2、d 分別為 0．832 和 0．825；0．875 和 0．888）。并且 RMSH（0．019）遠(yuǎn)低于其他兩種方法（0．038，0．030），由此可見(jiàn)，分段提取法是葡萄冠層綠色分?jǐn)?shù)提取的最佳方法。

圖6 典型植株不同生長(zhǎng)部位綠色分?jǐn)?shù)均值Figure 6 Mean green fraction of different parts of typical plants

表3 典型植株不同生長(zhǎng)部位均值提取精度Table 3 Verification for accuracy of plant green

表4 全生育期綠色分?jǐn)?shù)提取精度驗(yàn)證Table 4 Verification table for accuracy of plant green

由于葡萄冠層分布范圍較廣，為進(jìn)一步明確分段提取法在不同冠層部位的提取效果，利用改變天頂角的方式，對(duì)葡萄不同冠層部位綠色分?jǐn)?shù)進(jìn)行提取精度比較（圖 7），圖 7 中 a、b、c、d 依次為植株底部、中下部、中上部、頂部植株綠色分?jǐn)?shù)信息提取值。 總體來(lái)看，采用分段提取方法能夠較好地反映葡萄植株各部分冠層綠色分?jǐn)?shù)的變化趨勢(shì)，其中植株中下部和底部提取精度都非常高（R2＞0．94），方程的一致性指數(shù) d＞0．98，中上部和頂部提取效果也較為良好，R2分別為 0．854 和 0．813。 標(biāo)準(zhǔn)均差 RMSH 和一致性指數(shù) d 分別 0．039，0．067和0．957，0．940，相對(duì)而言，利用分段提取方法對(duì)葡萄植株底部和中下部的提取精度要高于中上部和頂部。 主要是由于，在葡萄生長(zhǎng)過(guò)程中需要利用修剪技術(shù)控制每枝新梢的葉片數(shù)量，從而達(dá)到營(yíng)養(yǎng)均衡的目的，故在整個(gè)生育期內(nèi)需根據(jù)實(shí)際情況對(duì)冠層進(jìn)行修整，中上部及頂部修剪頻率和強(qiáng)度均較大，導(dǎo)致綠色分?jǐn)?shù)波動(dòng)較為劇烈。 萌芽期至開(kāi)花坐果期，葡萄植株底部冠層的綠色分?jǐn)?shù)增長(zhǎng)迅速，開(kāi)花坐果期至果實(shí)膨大期增長(zhǎng)較緩慢，著色成熟期后綠色分?jǐn)?shù)呈現(xiàn)下降趨勢(shì)，符合葡萄植株的生長(zhǎng)狀況。

圖7 基于分段提取法的葡萄冠層不同部位綠色分?jǐn)?shù)監(jiān)測(cè)結(jié)果Figure 7 Mean green fraction of different parts of typical plants

3 討論與結(jié)論

從全生育期提取精度對(duì)比結(jié)果中可以看出，基于單一植被指數(shù)方法提取綠色分?jǐn)?shù)時(shí)，CIVH 指數(shù)在葡萄生育前期提取精度較高，而HXG 指數(shù)在葡萄生育后期提取精度較高，這可能與不同生育階段葡萄的綠色分?jǐn)?shù)大小差異有關(guān)。 一方面隨著生育期的推進(jìn)，植株完全長(zhǎng)成，葉片交錯(cuò)縱橫，進(jìn)而影響到光吸收與葉片反射率[36]；另一方面生育后期葉片逐漸枯萎，葉傾角降低，葉向值變大，高密度冠層中上部及頂部葉面積較少，也可能會(huì)影響綠色分?jǐn)?shù)提取[37]。 ZHANG 等[21]發(fā)現(xiàn)CIVH 對(duì)甘蔗、玉米、水稻、棉花4 種作物提取的綠色分?jǐn)?shù)較高，上述作物的綠色分?jǐn)?shù)提取主要集中于生育期前期，綠色分?jǐn)?shù)值普遍較低；而趙靜等[38]研究發(fā)現(xiàn)，HXG 在玉米生長(zhǎng)后期的植被覆蓋度提取效果最好，這與本研究結(jié)論不一致。此外，伍艷蓮等[39]研究表明CIVH、HXG 聯(lián)合進(jìn)行分割玉米、棉花、小麥等綠色作物時(shí)，分割時(shí)間明顯變長(zhǎng)，效果沒(méi)有提升，與本研究結(jié)論不一致。 這可能是因?yàn)樵撗芯渴菑拇筇锏耐寥?、雜草等背景中將作物分離出來(lái)，而本研究主要是從溫室內(nèi)的紅色磚墻及棚架、棚膜等背景中分割出葡萄冠層，由于圖像背景顏色特點(diǎn)不同，導(dǎo)致采用的顏色指數(shù)分割效果不同。 本研究所得結(jié)果主要著重于日光溫室內(nèi)不同生育階段及不同生長(zhǎng)部位的植株綠色分?jǐn)?shù)提取， 由于分段提取法實(shí)現(xiàn)了植株高精度綠色分?jǐn)?shù)的無(wú)損監(jiān)測(cè)，成本低廉，易于實(shí)現(xiàn)與推廣，具有良好地應(yīng)用前景。 對(duì)于該方法在大田條件下的適應(yīng)性將是下一步研究的重點(diǎn)。

本研究結(jié)果表明，利用大津法進(jìn)行閾值分割誤差率最?。?．5%），匹配率最高（97．78%），精度高于迭代法和直方圖雙峰法。 在不同的葡萄生育階段，綠色分?jǐn)?shù)的最佳提取方法存在差異，在葡萄的萌芽期和抽蔓期，CIVH法提取精度最高，而在開(kāi)花坐果期、漿果膨大期和著色成熟期則采用HXG 法提取效果最佳。在葡萄不同生長(zhǎng)部位，采用CIVH 和HXG 結(jié)合的分段提取法，其綠色分?jǐn)?shù)的提取精度均優(yōu)于單一方法提取結(jié)果，但不同生長(zhǎng)部位的效果也存在差異，其中葡萄冠層中下部和底部的提取精度最高（R2＞0．94，d＞0．98），中上部和頂部次之，模型的一次性指數(shù)分別為 0．957 和 0．940。