Professional Documents
Culture Documents
Fiji
Fiji
魚眼レンズを装着したデジタルカメラと画像処理ソフト「Fiji-ImageJ」を用いた
生食用ブドウ品種の葉面積指数の推定
濱田美智雄 *・白石美樹夫
福岡県農林業総合試験場 818-8549 福岡県筑紫野市大字吉木
Estimation of Leaf Area Index of Table Grapes Using a Digital Camera Equipped
with Fisheye Lens and the Image Processing Software “Fiji-ImageJ”
Michio Hamada* and Mikio Shiraishi
Fukuoka Agriculture and Forestry Research Center, Chikushino, Fukuoka 818-8549
Abstract
Using a digital camera equipped with a fisheye lens and the image processing free-software “Fiji-Image J”, we developed a
new protocol for determination of the leaf area index (LAI) of table grapes with the same level of measurement accuracy as the
plant canopy analyzer (PCA). A regression analysis between the leaf width (X) and single leaf area (Y) indicated highly signifi-
cant values (Y = 0.5716X2.0425, R2 = 0.99**). A highly significant correlation was obtained between the actual LAI and the LAI
measured by PCA (r = 0.964**). Regarding “Fiji-Image J”, we performed the following three-step image processing: (1) R-, G-,
and B-separation of the original image taken, (2) correction of the three separated images by “Subtract background algorithm”
and “Minimum” threshold treatment mode, (3) calculation of cumulative vegetation rate in the three images. As the range of LAI
values was 1 to 4, a highly significant linear correlation was noted between the cumulative vegetation rate (X) and actual LAI
(Y): Y = 0.0769X − 18.325, R2 = 0.82**.
Key Words:leaf width, regression, RGB image, single leaf, threshold treatment
キーワード:RGB 画像,閾値処理,回帰,個葉,葉幅長
83
84 濱田美智雄・白石美樹夫
第 3 図 供試した 3 品種の葉身長(左)および葉幅長(右)と葉面積(LA)との関係
**:1%水準で有意
合計値である 276.8%となる.なお,棚面の構造物や枝の
面積率は,元となった R,G および B 画像の植被率を算出
した際の閾値と同値とし,元の植被率から棚面の構造物や
枝の面積率を除算した値を補正植被率とした.
供試した 3 品種のそれぞれの LAI 解析対象エリアの累
積植被率(補正前および補正後)と解体調査 LAI 値との間
には,いずれも有意な一次回帰関係が認められたが,補
正後の回帰式:Y = 0.0769X − 18.325,Y = 解体調査 LAI 値,
X = LAI 解析対象エリアの累積植被率,R2 = 0.82**)におい
て LAI 推定の精度の向上が認められた(第 5 図).以上の
「Fiji-ImageJ」を用いて LAI 解析対象エリア
検討結果から,
の原画像を R・G・B の 3 画像に分割後,補正処理して得
られた 3 画像の累積植被率(252 ~ 285%)の一次回帰によ 第 6 図 供試した 3 品種における 2 種類の LAI 推定法による
り,LAI 水準 1 ~ 4 を PCA 測定値と同精度で推定できた. 推定値と PCA 測定値との関係
**:1%水準で有意
従来の棚下に投影される葉影率に基づく LAI 推定法(安
図中 1 : 1 線は,LAI 推定値 = PCA 実測値を示す
藤 ら,1985; 茂 原 ら,1987; 白 石 ら,2012)で は, 葉 影 率 *1 は,LAI 解析対象画像(原画像)を RGB 分割後,自
43 ~ 95%に対して LAI 水準は 1.5 ~ 3.0 が適用範囲となっ 動閾値法(Minimum)による LAI 推定法により算出
*2 は,LAI 解 析 対 象 画 像(原 画 像)を 8 bit グ レ ー ス
ており,3 以上の LAI 値を推定することが困難である.
ケール変換後,二値化処理による LAI 推定法により
本研究においても,当初は LAI 解析対象エリア(原画 算出
像)を 8 bit グレースケール変換・二値化して植被率を求め
‘シャインマスカット’の LAI-1.8 が植被率 83%,
た結果, ルカメラにより撮影された RGB 画像から R・G・B 画像に
LAI-2.4 が植被率 90%,LAI-3.2 が植被率 97%であり,本 分離・二値化後,元の RGB 画像との合成画像を比較・演
解析法では,葉影率と同様に解析対象エリアの LAI が 3 以 算する手法によって水稲葉色が評価できるとしている.ま
上の水準を示す場合,植被率がほぼ 100%となって飽和し た,源野・小林(2017)はリンゴ樹の果実生育情報を自動
て し ま う こ と が 課 題 で あ っ た(デ ー タ 略). こ の た め, 抽出する手法として,RGB 画像から G および B 画像に着
LAI 解析対象エリアの原画像を R・G・B の 3 画像に分割 目した GBVI(Green-Blue Vegetation Index)を提案し,葉
後,補正処理して得られた 3 画像の累積植被率による LAI 領域の抽出を可能としている.いずれの報告も葉の分光透
推定法は,当初の 8 bit グレースケール変換・二値化して 過特性に注目しており,本研究においても同様な観点か
植被率による LAI 推定法より精度の向上を図ることが可 ら,棚面上のブドウ樹の葉色や葉の重なり程度の違いを分
能となった(第 6 図). 光透過特性の差として区別するために R・G・B の画像分
千田ら(2015)は,イネ‘コシヒカリ’を対象にデジタ 割処理を行い,棚面の植被率を補正・統合評価して算出す
園学研.(Hort. Res. (Japan)) 19 (1):83–88.2020. 87