土壤学始于对土壤剖面及其形态特征的观察^[1]，土壤剖面形态特征是土壤形成过程的直观表现，也是野外调查获得的第一手资料^[2]。土壤在形成过程中所形成的具有特定性质和组成的、大致与地面相平行的，并具有成土过程的层次称为发生层^[3-4]。发生层的划分与发生层边界特征的描述是土壤调查的基础^[5]，在过去几十年，划分土壤剖面发生层的技术和工具并未发生实质性的变化^[6-7]，仍是基于传统的“手眼并用”法来观察土体中砾石、根系、土壤颜色、结持性、结构体、新生体等的差异。土壤发生层的准确识别和划分需要土壤调查者具有丰富的土壤学基础知识和实践经验，但大量实践表明，即使面对同一个土壤剖面，不同的专业人员对土壤发生层的识别结果也会存在一定差异，而非专业人员则更难准确地识别土壤发生层，这限制了土壤学研究与应用的快速发展^[6-7]。

为了对土壤属性进行更客观和定量地描述，Hartemink和Minasny^[6]提出了数字土壤形态计量学（Digital Soil Morphometrcis，DSMorph）这一概念，数字形态测量技术已应用于诊断土壤发生层，包括探地雷达（GPR）、电阻率（ER）、X射线荧光光谱仪（XRF）等，但该方法通常检测费用高、耗时耗力，不适用于野外的快速测定以及大规模非专业人员的使用。随着计算机视觉领域的高速发展，数字图像处理技术同样在经历着革新与更替^[8]。近年来，K-means聚类和图像分割技术在智能安防、无人驾驶、卫星遥感、医学影像处理、生物特征识别、农业生产等领域均得到了广泛应用，如金文东等^[9]采用K均值聚类并结合空间分析和统计学方法实现了肿瘤生物标记物的空间数据分析及可视化，Zhang和Peng^[10]基于PSO和K-means聚类对各种复杂环境下的农产品图像进行了有效、准确地分割，但这些技术在土壤学领域尤其是土壤剖面识别方面的应用和研究尚鲜有报道。

紫色土是重庆市最为重要、分布面积最广的旱地土壤类型^[11]，由于其土体中物质淋溶和淀积较弱，颜色较为均一，剖面多无明显层次分异^[12]，导致发生层划分存在较大的难度。由此，建立方便、客观、定量的识别土壤剖面发生层边界的方法，对于通过研发手机APP终端，辅助户外紫色土剖面发生层识别和划分具有积极的指导意义。为此，本文拟以紫色土剖面图像为研究对象，采用K-means聚类和图像分割技术，结合图像的颜色特征（CIE Lab色彩空间）和纹理特征（Entropy），实现紫色土剖面发生层边界的识别。研究结果可为土壤剖面智能辨识系统的开发提供科学参考。

1 材料与方法 1.1 紫色土剖面图像

供试的紫色土剖面位于重庆市境内典型紫色土分布区，在重庆市紫色土中有着较好的代表性，土壤剖面深度从50 cm到110 cm不等，质地多为壤土。本研究选择了6个紫色土剖面样本（图 1），有无明显层次划分、通体颜色均一的剖面（Z1、Z2、Z5、Z6），也有层次较清晰、层间颜色差异明显的剖面（Z3、Z4）。拍照前对剖面进行清洁和光滑处理，以减少表面粗糙度和阴影对图像质量的影响，在自然光照条件下数码相机的镜头垂直于剖面拍摄，所用相机型号为SONY NEX-5N，图像为高分辨（2364 X 4921）的JPEG格式。完成拍摄后，按传统的“手眼并用”方法实地对土壤剖面发生层及其边界特征进行了识别和划分。

表 1列出了关于供试紫色土剖面的详细信息，包括剖面号、剖面地点、母岩、发生层名称、发生层深度、质地以及实地识别的发生层边界特征（过渡形状和明显度）。

1.2 图像特征提取

在Adobe Photoshop CC 2019中将每个土壤剖面图像按照一定的大小进行裁剪，只保留光滑面，裁剪深度从表层（Ap）到基岩（R）。

图像特征包括颜色特征、纹理特征、形状特征和空间关系特征^[13]，本文使用土壤剖面图像的颜色特征（CIE Lab色彩空间）和纹理特征（Entropy）进行聚类和划分发生层。通常通过相机或者手机所获得的图像均为RGB图像，RGB色彩空间需要先转换成CIE XYZ色彩空间再转换为CIE Lab色彩空间，即RGB→XYZ→Lab，RGB转XYZ公式如下^[14]：

$ \left\{ \begin{gathered} X = R \times 0.4124 + G \times 0.3576 + B \times 0.1805 \hfill \\ Y = R \times 0.2126 + G \times 0.7152 + B \times 0.0722 \hfill \\ Z = R \times 0.0193 + G \times 0.1192 + B \times 0.9505 \hfill \\ \end{gathered} \right. $

(1)

式中，X、Y、Z分别为XYZ色彩空间的三色通道的值。

XYZ再转换为Lab色彩空间：

$ \left\{ \begin{array}{l} L = 116f\left( {\frac{Y}{{Yn}}} \right) - 16 \hfill \\ a = 500\left[ {f\left( {\frac{X}{{Xn}}} \right) - f\left( {\frac{Y}{{Yn}}} \right)} \right] \hfill \\ b = 200\left[ {f\left( {\frac{Y}{{Yn}}} \right) - f\left( {\frac{Z}{{Zn}}} \right)} \right] \hfill \\ \end{array} \right. $

(2)

式中，Xn、Yn、Zn分别为参照白点的CIE XYZ三色刺激值，计算时分别取96.4221、100.0000、82.5221；f为以色道值与刺激值之比为变量的函数。f的取值情况如下：

$ f(t)=\left\{\begin{array}{l}{t}^{1/3}\qquad \quad \text{t} > {\left(\frac{6}{29}\right)}^{2}\\ \frac{1}{3}{\left(\frac{29}{6}\right)}^{2}+\frac{16}{116}\quad 其他\end{array} \right.$

(3)

式中，t为XYZ色彩空间色道值与刺激值之比。

Entropy通过以下公式得到^[15]：

$ {\text{ENT}} = - \sum\nolimits_i {)\sum\nolimits_j {p{\text{(}}i{\text{, }}j{\text{)lg}}\boxed{\text{?}}} } p{\text{(}}i{\text{, }}j{\text{)}} $

(4)

式中p（i，j）表示特定位置关系下的像素对的频数。

1.3 发生层边界识别

剖面图像的K-means聚类和分割均在MATLAB R2021b中实现，具体的流程如图 2所示。图像结果包括图像特征图、聚类图、发生层边界图和发生层深度图。发生层深度为各发生层下边界深度的平均值。发生层边界特征包括过渡形状和明显度，过渡形状通过发生层边界图判别，包括平滑、波状、不规则和间断；明显度通过聚类图判别，包括突变、清晰、渐变和模糊^[16]。

2 结果 2.1 图像特征

供试紫色土剖面图像的颜色特征和纹理特征如图 3所示。从原图和裁剪图可以直观地看出，Z1、Z2、Z3和Z5剖面通体颜色偏红，Z4剖面的Br1层颜色偏黄，Z6剖面有颜色偏白的E层；L通道与其所在剖面的灰度图十分接近，表现出与灰度图像相似的特征；a通道能够识别出Z3剖面中的Bw层，从而划分出Ap层和R层，Z5剖面和Z6剖面的R层也能在a通道中明显识别，对于Z4剖面的Br1层和Br2层以及Z6剖面的Br层和E层，由于其颜色偏黄和偏白，a通道无法对其进行准确的识别；b通道能够识别出Z3剖面的Bw层、Z4剖面的Br1层和Z5剖面的R层；a、b通道还能够较好地识别出Z2、Z3剖面中的孔洞，Z1、Z2剖面通体颜色差异小，a、b通道均无法明显地识别出发生层；在Entropy纹理图中能够看出Z1剖面的Bw层、Z2剖面的Bt层、Z4剖面的Ap层和R层和Z6剖面的R层与其相邻的发生层纹理差异较大，能够被准确识别。

由表 2可知，供试紫色土剖面图像的CIE Lab色彩空间L坐标值范围为24~51，多集中在30~35之间，ΔL范围为1~14，多集中在3~7之间；a坐标值范围为7~22，多集中在12~18之间，Δa范围为0~7，多集中在2~4之间；b坐标值范围为7~19，多集中在11~14之间，Δb范围为0~6，多集中在1~4之间；Entropy的值为4或者5，除Z6剖面的Ap层和Z3剖面的R层Entropy为4，其余剖面的Ap层和R层均为5；Z1、Z2、Z3、Z5、Z6剖面的B层Entropy为4，Z4剖面的Br1层为5，Br2层为4。由表 3可知，由CIE XYZ转换而来的Munsell颜色，色调范围为10R~2.5Y，多集中在2.5YR~5YR之间；明度范围为4~8，多集中在5~6之间；彩度范围为3~8多集中在4~6之间；实地由土壤比色卡判读的土壤颜色色调（干/润态）Z1~Z6剖面依次为7.5R、2.5YR、5YR、10RP、10R、7.5YR。

2.2 聚类识别

将实地划分的发生层与通过K-means聚类和图像分割得到的发生层和聚类图进行比较，如图 4所示。Z1、Z3、Z5剖面在实地划分出Ap、Bw和R层，通过聚类和图像分割技术，这3个剖面的所有发生层均被准确识别；Z4剖面在实地划分出的Ap层、Br1层、Br2层和R层同样被准确识别；Z2剖面通过聚类识别的发生层数量与实地识别的发生层数量一致，但Ap层和Bt层识别的结果与实地划分较为接近，C层和R层均被错误识别；Z6剖面通过聚类识别的发生层数量与实地识别的发生层数量一致，Ap层与实地划分的结果相差较大。总的来看，通过聚类识别的发生层数量与实地识别的发生层数量基本一致，Ap层和R层被准确识别，除Z2剖面C层、R层和Z6剖面的Ap层以外，其余发生层深度与实地划分的发生层深度也基本一致。

2.3 边界特征

将实地划分的发生层边界特征与通过Lab色空间聚类得到的发生层边界特征进行比较，表 4是对基于不同划分方式的紫色土发生层深度对比。在识别出的所有发生层中，Z2剖面C层的发生层下边界深度与实地识别的发生层下边界深度相差最大，为13 cm；其次是Z6剖面的Ap层，为8 cm；其余剖面的发生层下边界深度与实地识别的发生层下边界深度差均在3 cm以内，其中Z2剖面的Bt层、Z4剖面的Br2层、Z6剖面的Br层为3 cm，Z2、Z3、Z5剖面的Ap层为2 cm，Z3剖面的Bw层下边界深度差为0 cm，与实地划分的发生层完全一致，其余发生层下边界深度差为1 cm。

由表 2和表 5可知，Z1剖面的Bw层、Z2剖面的Bt层和Z4剖面的Br2层聚类识别的过渡形状与实地划分的过渡形状一致，均为平滑；Z3剖面的Ap层、Z4剖面的Ap层和Br1层以及Z6剖面的E层聚类识别的过渡形状与实地划分的过渡形状一致，均为波状；其余发生层聚类识别的过渡形状与实地划分的过渡形状不一致。Z1剖面的Bw层实地划分的明显度为突变，聚类识别为渐变；Z2剖面的C层实地划分的明显度为清晰，聚类识别为模糊；Z4剖面的Ap层实地划分的明显度为清晰，聚类识别为渐变；Z5剖面的Ap层和Z6剖面的Br层实地划分的明显度均为渐变，聚类识别为模糊；其余发生层聚类识别的明显度与实地划分的明显度一致。

图 5是实地划分与聚类划分的过渡形状和明显度数量对比，可以得到聚类划分的过渡形状更多的是波状，实地划分的过渡形状更多的是平滑；实地划分没有过渡形状为不规则的边界，而聚类划分识别出3个过渡形状为不规则的边界；实地划分和聚类划分的明显度渐变类型的数量均一样；实地划分中明显度为模糊的占少数，数量为1，而聚类划分中明显度为模糊的边界增加为4，清晰占少数，数量为1。可见，聚类识别出的发生层边界更为精细和不规则。

3 讨论 3.1 颜色和纹理特征的发生层识别原理及效果

颜色和纹理是图像分割中常用的图像特征^[17]。常见的颜色特征为RGB色彩空间，RGB色彩空间将所有的颜色看作是三基色的组合，但三分量之间存在很强的相关性^[17-18]，因而不适于直接用于基于三个分量独立运算的图像分割。CLE Lab色彩空间是基于人类视觉原理的一种色彩系统^[9]，不同于日常生活中广为人知的RGB色彩空间，CIE Lab色彩空间通过数字化的方式描述人的视觉感应，因此，Lab色彩空间表现能力强，色域宽，在进行图像分割时可以使图像之间的差异更显著^[19]。L通道代表图像的亮度或明度，取值范围为（0~100），表示纯黑到纯白，与灰度图有着相似的特性，因此不适于作为聚类和图像分割的变量，而a、b通道表示颜色的变化，a通道取值范围为（+127~-128），表示了从红色到绿色的颜色变化，b通道取值范围为（+127~–128），表示颜色从黄色到蓝色的变化，因此a、b通道可以作为聚类和图像分割的有效变量。在本文6个剖面中（图 3），利用a、b通道能够区分主要的发生层（A、B）和基岩层（R），但是仅通过颜色特征不能准确地识别出每一个发生层，如Z1和Z2剖面，这两个剖面通体颜色差异较小，各发生层之间a、b通道变化值在3以内，导致识别效果并不理想。

颜色是土壤最重要的特征之一^[20]，土壤颜色是判断土壤形成和发育的依据和指标^[11，21]，同时，土壤颜色也与土壤属性有直接或间接的关系，包括土壤有机碳、铁含量和母岩堆积方式^[22-24]。本研究所选用的紫色土是一类岩性土，受母岩影响深刻，其土壤形状的诸多方面均继承了母岩特性^[11，25]，由表 1、表 3可知，供试土壤均是由紫色泥岩或紫色砂岩发育而来，其色调范围为10PR~7.5YR，由CIE XYZ转换而来的Munsell颜色色调范围为10R~2.5Y，其主色调均能达到5YR或更红，符合系统分类检索中铁质特性和亚类前缀为“红色”的色调要求^[26]。但是转换而来的色调与实地比色的色调出现了一定的偏差，可能是因为：（1）标准土壤比色卡和CIE系统转换为Munsell系统过程均存在一定的色差和误差；（2）实地判读土壤颜色存在较强的主观性，导致颜色的误判；（3）外部环境条件对人眼判别和照片质量的影响，如光照条件和拍摄角度等。

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征，纹理特征是一种全局特征，反映的是图像中同质现象的视觉特征，体现物体表面的具有缓慢变换或周期性变化的表面组织结构排列属性^[18，27]。Haralick等^[28]定义了14个用于纹理分析的灰度共生矩阵特征参数，常用的参数主要有均值（Mean）、方差（Variance）、相关性（Correlation）、熵（Entropy）。Entropy反映出图像纹理的非均匀程度或者复杂程度，图像边缘处灰度变化剧烈且局部纹理熵具有较大值，而其他区域的局部纹理熵具有较小值，因此局部区域熵值的大小可作为边缘的判断依据，而土壤剖面各发生层之间由于孔隙、砾石含量、结构与质地的不同^[29-30]，在图像中则反映为纹理熵值大小的差异。由表 2可知，大多数发生层之间纹理均会发生变化，且A层纹理熵值高于B层，这可能是因为A层土壤含有较多的根系，并且由于耕作等原因导致孔隙较多，由此导致A层与B层之间纹理的差异。

3.2 K-means聚类、图像分割与发生层边界识别

图像分割是指将图像划分成互不相交的、有意义的子区域，在同一个区域的像素点具有一定的相关性，不同区域的像素点存在一定的差异性，即是对图片中有相同性质的像素赋予相同标签的过程^[31-32]。随着分割场景的复杂化，图像分割技术也在不断地完善和发展，陆续出现了基于边缘、区域、图论和聚类等的分割方法^[32-34]。Mac于1967年提出K-means聚类法^[35]，该方法属于聚类分割，它首先确定K个类，每个类随机选择初始聚类中心，通过对初始聚类中心进行聚类运算得到K个簇，反复迭代聚类的结果至收敛，从而实现分割。K-means聚类算法是目前颇受欢迎且应用较为广泛的聚类分析方法之一。该算法用于图像分割具有快速、直观、易于实现的优点，但其缺点是要事先确定聚类数目^[36]。本研究中，各剖面的K值是基于实地发生层划分的结果确定，虽然识别出的发生层数量与实地识别的发生层数量一致，但会存在识别错误的情况，如Z2和Z6剖面（图 4）。另一方面，利用聚类算法对图像进行分割，仅仅使用了图像的颜色特征和纹理特征，而未利用形状特征和空间关系特征，因而图像识别的结果受噪声影响很大。在未来的研究中，可以尝试使用结合更多的图像特征和分割方法（如区域生长^[37]和分水岭算法^[38]）并结合滤波^[39]等技术噪声的影响，使分割效果更加理想。

发生层深度由边界点的纵坐标取平均值得到，由于实地判读发生层深度存在误差以及拍照时不能保证完全垂直于剖面拍摄，因此，本研究认为当聚类识别的发生层深度与实地划分的发生层下边界深度相差不超过3cm时，该识别结果是准确的。由表 4可知，除被错误识别的Z2剖面的C层和Z6剖面的Ap层下边界深度与实地划分的深度相差为13 cm和8 cm外，其余各剖面所识别的发生层下边界深度与实地划分的发生层深度相差均小于3 cm，因此对于发生层深度的判别认为是准确可靠的，而造成部分发生层被错误识别（下边界深度相差大于3 cm）的原因则是发生层之间颜色和纹理差异较小或者没有差异，如Z2剖面C层的Δa、Δb、ΔEntropy分别为2、3、0，Z6剖面Ap层的Δa、Δb、ΔEntropy均为0（表 3），在进行聚类时则不能准确地识别出发生层边界，在今后的研究中，可以结合砾石含量和孔隙等因素综合考虑，提高划分精度。通常情况下，计算机能够较人眼观察到更多的细节，聚类算法能识别出图像中更多细微的差异^[31]。由表 5、图 4和图 5可知，聚类使得发生层之间的边界更加清晰和直观，同时，聚类识别出的发生层轮廓更加的精细和不规则，更详细地反映了土壤属性的局部变异。此外，虽然图像颜色与实地判别的土壤颜色出现了一定的偏差，但K-means聚类和图像分割技术对紫色土发生层边界识别的结果与专家实地识别的结果基本一致，由此可见，这两种方法有着较好的适用性和稳定性，不易因拍摄器材、拍摄人员的不同导致图像颜色差异而引起识别结果不同。

由于发生层边界形状和明显度是由图像识别的结果再次进行人为判读的，也存在一定的主观性，因此有待开发出一种新的算法实现发生层过渡形状和明显度的定量化判别。K-means聚类和图像分割可以识别出主要的发生层，但进一步识别（如区分出Br1和Br2）则很难实现，应加入更多的图像特征和土壤剖面特征并结合更多的分割方法对发生层进行更进一步的识别。在未来土壤剖面智能辨识系统的开发中，建议将相关系统与传统“手眼并用”方法相结合，以保证更为准确地识别和划分土壤发生层。

4 结论

K-means聚类和图像分割技术可以实现紫色土发生层边界的识别。CIE Lab色彩空间的ab通道和Entropy纹理特征能够识别出紫色土的主要发生层和基岩，聚类识别的发生层数量和深度与实地识别的发生层数量和深度基本一致，聚类识别的发生层过渡形状更为不规则、精细程度更高；此外，K-means聚类和图像分割技术还有着较好的适用性和稳定性。