氮是氨基酸、蛋白质、核酸和叶绿素等重要有机化合物的组成部分，缺氮会影响氨基酸、叶绿素和其他物质的合成，降低其光合能力，从而对玉米植株的生长、质量和产量造成影响。氮含量是影响玉米植株生长状况的重要指标，因此，实时监测玉米植株中的氮含量对其生长和发育起着至关重要的作用。

目前检测玉米叶片氮含量的化学方法已经非常成熟，但仍存在检测时间长、操作繁琐、误差大等问题，难以保证检测的及时性和实用性。随着无损检测技术的不断发展，高光谱成像已被广泛应用于检测植物叶片氮含量（Leaf Nitrogen Content, LNC）。LNC对波段的吸收和反射会影响作物内部的材料组成和结构信息，而基于高光谱成像的植物氮检测技术是在不损害作物组织结构的前提下，利用高光谱传感器获取植物和冠层的光谱特征，然后通过分析植物叶片或冠层的光谱信息，快速准确地获得植物体内氮含量情况。但基于标准高光谱成像的作物含氮无损检测技术大多采用单一特征作为模型的输入变量，这降低了预测模型的泛化能力。

为此，提出了一种图像与光谱特征融合的玉米叶片氮含量预测模型。本研究以调制阶段的玉米叶片为研究对象，对不同氮含量的样品进行编号，并采集其400~1100 nm波长范围内的高光谱数据，且将模型的平均光谱作为有效光谱信息。选用一阶导数、标准正态变量变换(Standard Normalized Variate transformation, SNV)、Savitzky-Golay (S-G)等方法对光谱特征进行预处理，CARS-SPA算法筛选敏感光谱变量，灰度共生矩阵(Grey Level Co-occurrence Matrix, GLCM)用于提取测试样本的纹理图像特征。然后，将玉米叶片的光谱和纹理特征融合为目标特征，再采用偏最小二乘回归法(Partial Least Squares Regression, PLSR)和支持向量回归法(Support Vector Regression, SVR)对玉米叶片氮素含量进行预测，结果显示，在特征融合基础上的PLSR模型预测结果最佳。综上表明，与单变量模型相比，利用光谱和纹理特征的融合模型在一定程度上有助于缓解光谱分析技术灵敏度低的缺点，提高氮预测模型的准确性和稳健性，为无损且准确检测玉米叶片氮含量提供了可靠的理论依据和技术支持。

图1 样品干燥处理

图2 高光谱成像系统结构

图3 LNC检测流程：（a）玉米叶片样品;（b）烘干机;（c）研磨的样品碎片;（d）精密电子天平;（e）石墨分解器;（g）溶解的测试溶液;（f）凯氏定氮仪

图4 融合RGB图像：（a）波长R，灰度图像;（b）波长G，灰度图像;（c）波长B，灰度图像;（d）彩色融合图像

图5 GLCM结果：（a）原始数据;（b）特征图像

图6 光谱和图像融合的LNC预测模型设计流程图

图7 数据融合比较：（a）标准化前;（b）标准化后

图8（a）原始光谱曲线;（b）一阶导数曲线

图9 CARS法筛选过程。（a）不同采样数量下样本变量的变化规律;（b）RMSECV在不同采样数量的变化;（c）各波长回归系数随采样数量的变化趋势

图10 敏感光谱波段与 n 值间的相关性

图11（a）全光谱波段-SVR模型;（b）特征波长-SVR模型;（c）全光谱波段-PLSR模型;（d）特征波长-PLSR模型

图12 玉米叶片纹理属性与氮素值的相关系数

图13 基于图像纹理特征的SVR（a）和PLSR（b）模型对玉米叶片氮含量的预测

图14 基于融合特征的SVR（a）和PLSR（b）模型预测的玉米叶片氮含量

表 1 各种特征模型对作物叶片氮含量的预测结果