我将如何使用单反相机来测量照片的“绿色”？

背景

我的数码照片可以作为amxnx 3矩阵读入计算机程序（如Matlab或R），其中mxn是三个（红色，绿色和蓝色）传感器分别观察到的像素数，并且矩阵中的每个单元都有一个数字从1-255可以反映传感器观察到的亮度。

我想利用这些信息来客观地衡量照片中的绿色度，因为我想尝试将绿色度与植物生长相关联（想象一下，每天玉米田一张照片）。

先前在此方向上的工作已经取得了一些成功，方法是计算绿色指数，即

• 绿色％=绿色/（蓝色+红色）或
• 绿色散度= 2 *绿色-红色-蓝色

来自网络摄像机图像的每个mxn像素，但无法控制光圈或入射辐射（太阳角）。

请注意，我并不是要寻找“绝对”的绿色度量标准，数字的规模和分布并不重要-它只需要提供一致的相对绿色度量标准即可。

题

我可以使用我的SLR来获得可靠的绿色度量，该度量对于以下任何一个或所有特征都是不变的：

• 云盖？
• 一天中的时间？
• 一年中的一天？（这是唯一的要求）
• 在背景中天空/地面的比例是多少？

当前状态

我提出了以下想法，但是我不确定哪个是必要的，或者哪个对绿色/（红色+蓝色）的比例没有影响

1. 拍摄白色塑料片的图片，并使用此图片对其他值进行归一化
2. 固定光圈
3. 固定快门速度
4. 用白纸设置白平衡
5. 从同一角度拍摄所有照片
6. 在太阳正午拍所有照片

如果您可以处理RAW文件，则将有一个由RGRGRG和GBGBGB行（或可能是RGBGRGBG行）组成的拜耳像素阵列。您可以忽略所有R和B像素，将G像素相加，取平方根（ （因为绿色像素的数量是红色或蓝色像素的两倍），然后除以G像素数量的一半。这应该为您的照片中的“绿色”提供适当的加权平均值。然后，您可以取红色和蓝色的平均值，然后从所有三个平均值中计算出绿色百分比。

为了更准确，您可能需要考虑红色，绿色和蓝色传感器像素的适当权重，因为CMOS传感器对每种波长的光都有不同的灵敏度。权重通常取决于传感器。那将是简单的方法。

要考虑到由于一天中的时间，各种类型的人工照明等导致的偏色，则更合适的方法是先使用Lightroom等工具对每张照片进行预处理，以首先校正白平衡，然后对标准RGB像素图像执行计算。与处理RAW传感器数据不同，您希望基于像素“绿色纯度”对计算进行加权，而不是对整个绿色分量进行平均。绿色像素越纯，相对于红色或蓝色像素就越重。在处理之前对白平衡进行归一化应该消除使切线复杂化的复杂度，而这些切线旨在解决诸如云量，一天中的时间，季节等众多因素。

您可能仍要考虑大面积的非入射像素，例如天空。在没有确切了解您要实现的目标方面，我无法真正为您提供帮助。通过计算绿色与红色和蓝色的比率（其中包括“天空”像素），可能最好地满足“照片”整体的绿色要求。

对于您的步骤，不用说，如果您使用相同的相机设置，在相同的光源（相同的强度和色温）下，按照通用基准（例如18％的灰卡）进行测光，则照片显然可以拍摄使您的结果正常化还有很长的路要走。使用数码相机时，可以使用RAW处理软件和基本的白平衡选择器工具纠正任何差异，因此请确保以RAW拍摄。

为了提供更多有关计算照片“绿色”的见解。显然有简单的方法，例如计算绿色拜耳像素与蓝色和红色的权重，或计算与RGB像素的红色/蓝色纯度有关的绿色纯度。如果您转换到更合适的色彩空间（例如HSV（色相/饱和度/值，有时称为HSB，用亮度替换值），并使用色相空间中的曲线计算绿色量，则可能会更有运气。（注意：HSL是一种不同类型的色彩空间，因此可能不太适合计算照片中的“绿色”量，因此我将使用HSV。您可以在此处详细了解这些色彩空间。）纯绿色（无论饱和度或值如何）都以120°的色相角落下，并随着您向红色（0°）或向蓝色（240°）的方向从那里掉落。在240°和360°之间，无论饱和度或值如何，像素中的绿色量都为零。

^{图1.色相图-色相中的绿色纯度}

您可以调整实际的权重曲线以满足您的特定需求，但是一条简单的曲线可能类似于以下内容：

range = 240
period = range * 2 = 240 * 2 = 480
scale = 360/period = 0.75
pureGreen = sin(scale * 120)

的值pureGreen应为1.0。greenness然后可以按如下方式计算公式：

             sin(scale * hue)   } 0 > hue > 240
greenness = 
             0                  } 240 <= hue <= 360 || hue == 0

这hue是HSV颜色值中的颜色度。这radius是period其中某种程度上存在绿色的一半。该scale调整罪曲线给我们的期限，这样sin(scale * hue)峰（返回1.0）正是你将有纯绿色（忽略绿色强度）。由于的数量greenness仅在我们周期的前半部分有效，因此绿色计算仅在色度大于0°且小于240°且对于其他任何色度为零时才有效。

您可以通过调整周期来调整权重，定义的范围green可能会存在（即，从0到240，而不是从0到240，您可能会设置类似的约束40 > hue > 200），并定义该范围之外的任何东西以使绿色为0应该注意的是，这在数学上将是准确的，但是可能在感觉上并不是完全准确的。当然，您可以调整公式以将pure green更多点调整为黄色（这可能会产生更直观的准确结果），将曲线的幅度增加到平稳状态，并将纯绿色的范围扩展到某个色调范围，而不是单个范围色调值等。要获得总体人类感知准确度，需要在CIE XYZ和CIE L a b *中处理更复杂的算法可能需要空间。（注意：在XYZ和实验室空间中工作的复杂性大大超出了我在此描述的范围。）

要计算照片的绿色度，您可以计算每个像素的绿色度，然后得出平均值。然后，您可以从那里获取算法，并针对您的特定需求进行调整。

您可以在EasyRGB上找到用于颜色转换的算法，例如用于RGB到HSV的算法：

var_R = ( R / 255 )                     // Red percentage
var_G = ( G / 255 )                     // Green percentage
var_B = ( B / 255 )                     // Blue percentage

var_Min = min( var_R, var_G, var_B )    //Min. value of RGB
var_Max = max( var_R, var_G, var_B )    //Max. value of RGB
del_Max = var_Max - var_Min             //Delta RGB value 

V = var_Max                             //Value (or Brightness)

if ( del_Max == 0 )                     //This is a gray, no chroma...
{
   H = 0                                //Hue (0 - 1.0 means 0° - 360°)
   S = 0                                //Saturation
}
else                                    //Chromatic data...
{
   S = del_Max / var_Max

   del_R = ( ( ( var_Max - var_R ) / 6 ) + ( del_Max / 2 ) ) / del_Max
   del_G = ( ( ( var_Max - var_G ) / 6 ) + ( del_Max / 2 ) ) / del_Max
   del_B = ( ( ( var_Max - var_B ) / 6 ) + ( del_Max / 2 ) ) / del_Max

   if      ( var_R == var_Max ) H = del_B - del_G
   else if ( var_G == var_Max ) H = ( 1 / 3 ) + del_R - del_B
   else if ( var_B == var_Max ) H = ( 2 / 3 ) + del_G - del_R

   if ( H < 0 ) H += 1
   if ( H > 1 ) H -= 1
}

GLOBE项目？

请勿使用白纸。它们包含荧光增白剂，该增白剂会将某些紫外线转换为蓝光，从而导致不正确的曝光。这就是为什么存在商业灰卡（由jrista建议）的原因。

从完全相同的地方拍摄所有照片无疑是正确的方法。关于快门速度和光圈，这些无关紧要。快门速度根本不会改变颜色，光圈会使图像模糊，但是我认为当您总结所有像素值时，这种效果还是会消失。我宁愿尝试不断曝光。

关于混浊和不混浊之间的区别，您可能只想运行一些测试。如果真实的绿色量没有快速变化（即从今天到明天），则在检查图片时也不应这样做。也许可以采用经验方法来解决问题（例如，如果发现浑浊时绿色始终高出10％，则可以对此进行补偿）。

1. 我建议拍摄“ RAW”，并使用相机的自动白平衡但不进行伽玛校正（即色彩平衡但线性输出）转换为16位TIFF。16位将可以更好地计算深阴影和高光中的比率和索引（即无剪切）。DCRAW可以做到这一点，但您的相机将随附其自己的软件，该软件可能更易于使用。

2. 如果需要索引，则RGB实际上是唯一有用的色彩空间。您已经提到了“绿色差异”指数（也称为“超额绿色指数”）-该指数和与之密切相关的“绿色叶子算法”非常有效。如果要执行基于颜色的像素分类（即蔬菜与非蔬菜），那么我会仔细看为L 一 b *色彩空间，而不是HSV / HSI。实际上，Mathworks网站上有一个很好的演示，说明了b *分析。可以将分类与光谱分析相结合，以回答以下问题：a）有多少绿色像素，b）它们有多少绿色？这可能不仅比绿色指数更有用，绿色指数还会受到背景光谱质量（土壤，垃圾等）的影响，背景光谱质量也会随时间变化。您提到了一个玉米作物，所以我认为您是将相机指向下方，而不是指向上方？

3. 如果您有两个摄像头，则可以将向下看的图像（测量绿色）与测量植被覆盖度的向上看的图像组合在一起。向上的图像将不适用于光谱分析，而像素分类将基于天空/非天空之间的对比度，可能仅使用RGB图像的蓝色通道。

4. 如果您正在收集（每天？）时间序列，则可以将向下的图像分为“阴天”图像和“晴天”图像，并检查偏差。您可以在原始处理过程中使用色彩平衡来校正偏差（如果存在），或者假设阳光和阴天散布在一个系列中以重新匹配另一个系列（保持简单）。

玩得开心。