在生产活动和育种计划中，需要对作物高通量表型信息进行大规模调查，以帮助改进管理和决策。无人机遥感技术的发展为大规模、高效、准确获取作物表型提供了新的手段，但数据处理复杂，阻碍了其实际应用和推广。迄今为止，还没有一种自动化系统可以利用无人机获取的冠层图像进行表型特征分析。为了解决这个瓶颈，本文开发了一个新的软件CimageA。CimageA以无人机获取的作物冠层图像为素材。它可以结合机器视觉技术和机器学习技术，对作物遥感数据进行高通量处理和表型分析。首先，应用分区工具绘制兴趣区域（area-of-interest，AOI）。然后，CimageA可以快速提取地块内作物冠层的颜色、纹理、光谱等重要遥感信息。此外，开发了数据分析模块，通过分析测量作物表型与CimageA衍生的遥感特征值之间的关联来估计和量化相关表型（如叶面积指数、冠层覆盖度和株高）。通过一系列实验，证实了CimageA在提取农作物高通量遥感信息方面具有良好的性能，并验证了CimageA检索LAI （r2 = 0.796）、估算株高（r2 = 0.989）和种植面积的可靠性。总之，CimageA是一种高效、无损的作物表型分析工具，对监测作物生长和指导育种决策具有重要价值。

图1  苎麻试验区地块分布及多通道遥感影像。Result_RGB为测试区域最高分辨率可见光图像，Result_Blue为蓝色通道光谱反射率图像，Result_Green为绿色通道光谱反射率图像，Result_Red为红色通道光谱反射率图像，Result_RedEdge为红边通道光谱反射率图像，Result_Nir为近红外通道光谱反射率图像。

图2  CimageA的用户界面和使用说明。图中数字提供指导：(1)文件处理。(2)图像处理及参数设置。(3)数据处理。(4)数据分析。(5)表型可视化。

图3  CimageA的操作流程。

图4  CimageA的倾斜校正。(A)倾斜校正前的图像。(B)倾斜校正后的图像。

图5  AOI的智能绘制。(A)按对角线分区划分的地块。(B)斜边分区。

图6  基于ExR的苎麻植物分割结果。(A)原图。(B) ExR通道灰度图像。(C)分割后的图像。

图7  三种不同叶色的苎麻品种。(A)大竹麻。(B)湘竹；(C)长顺苎麻。

图8  基于无人机遥感的苎麻株高提取。

图9  作物种植面积测量。区域1（红色区域）为苎麻种植区，区域2（绿色区域）为黄麻种植区，区域3（蓝色区域）为白菜种植区，区域4包括所有种植区。

图10  不同叶色等级苎麻的定量色彩特征。

图11   三个苎麻品种叶片颜色的定量评价。

图12  苎麻LAI与遥感特征值的相关性分析。

图13  测量株高与估计株高之间的关系。

图14  估计株高的时间变化。

图15  CimageA提取作物面积的精度。**表示显著相关。