基于無人機數碼影像的馬鈴薯覆蓋度提取方法

吳智超 李長春 馮海寬 翟麗婷 王道勇 楊貴軍

(1.河南理工大學測繪與國土信息工程學院，焦作 454000；2.北京農業信息技術研究中心農業農村部農業遙感機理與定量遙感重點實驗室，北京 100097；3.國家農業信息化工程技術研究中心，北京 100097；4.安徽大學農業生態大數據分析與應用技術國家地方聯合工程研究中心，合肥 230601)

0 引言

植被覆蓋度是指觀測區域植被冠層的垂直投影面積與土壤總面積的比值，即植土比[1-3]。植被覆蓋度是反映植被基本情況的客觀指標，是農學、生態學等學科所關注的重要參數。植被覆蓋度測量方法的準確度，直接決定了測量結果的準確性和可信度。植被覆蓋度測量方法的發展大致經歷了簡單目估法、采樣法、儀器測量計算法、遙感監測法等。

目估法是傳統的快速獲取植被覆蓋度估測方法，簡單、易行，但主觀隨意性較大，其測算結果和目估對象的實際覆蓋度大小及測量人的經驗密切相關，有研究表明，個人目估最大誤差可達40.4%[4-5]。采樣法是通過設定樣方，將樣針在試驗田一根根垂直投下，記錄植被被樣針擊中的數目，然后計算擊中數目占總樣針數目的比值作為植被覆蓋度，這種方法雖然準確，但操作復雜，且十分耗時[6]。儀器法是采用專門的儀器，如空間定量計、移動光量計和照相機等直接進行覆蓋度的測量，其中照相法具有簡單、經濟等優勢，應用比較廣泛[7-12]。如GUIJARRO等[8]基于數碼影像和紋理特征，借助于計算機技術識別田間雜草;張清平等[9]利用顏色分析軟件WinCAM, 通過顏色比對提取植被，并求得植被覆蓋度；池宏康等[10]利用 Photoshop 軟件對圖像進行處理，通過分別統計圖像中的植被像元數量和樣地像元數量計算草地植被蓋度；章超斌等[11]利用RGB決策樹法提取新疆阜康市的草原區植被覆蓋度；任杰等[12]利用歸一化差異指數(Normalized difference index，NDI)對數字影像進行處理，提取植被覆蓋度信息；胡健波等[4]選取超綠特征作為植被指數，通過設定閾值提取草地覆蓋度。遙感監測法是指利用遙感技術進行植被覆蓋度計算的方法。近年來，隨著數碼相機的普及、精度的提高和數字圖像技術的快速發展，目前應用最為廣泛的遙感監測方法是植被覆蓋度與光譜指數的相關性及回歸模型法[13-14]。但其操作較為復雜，測量時間長，限制條件多，效率低等，因此不易推廣。無人機遙感技術以其靈活性高、影像獲取時間短、成本低等優勢，在森林資源調查、農情實時監測等方面發揮著巨大的作用[15-23]。如李冰等[15]對冬小麥不同生長階段的覆蓋度進行無人機遙感監測。路炳軍等[16]利用數碼相機拍攝的圖像快速獲取植被覆蓋度。張學霞等[17]通過選取植被和非植被的感興趣區域，分析各自的光譜信息規律，利用線性混合像元分解的方法獲取植被覆蓋度。ZHOU等[18]利用數碼影像，通過結合光譜和紋理的非監督分類方法提取草地覆蓋度。趙靜等[19]采用監督分類與可見光植被指數統計直方圖相結合確定閾值的方法進行玉米植被覆蓋度的提取。TORRES-SNCHEZ等[20]利用無人機的數碼影像提取出圖像指數，完成數碼影像小麥信息的提取。BENDIG等[21]利用作物表面模型結合無人機可見光、近紅外影像進行大麥生物量監測。劉煥軍等[22]利用航空高光譜數據，建立棉花光譜指數與產量的關系，實現田塊尺度的棉花產量預測。劉峰等[23]通過比較像元各波段反射率，對植被像元與土壤像元進行區分，進而得到影像的植被覆蓋度。

以上植被覆蓋度研究大多數是利用地面的傳統方法及部分數字圖像處理技術，而利用無人機影像進行研究的較少。本文提出一種利用顏色轉換空間HSI從無人機數碼影像快速提取植被覆蓋度的算法，并將此方法與最大似然監督分類法、EXG指數法進行比較，旨在探求一種更加客觀、適用性更強、耗時更少、準確性更高的植被覆蓋度提取方法。

1 材料與方法

1.1 研究區概況

實驗于2019年3—7月在北京市昌平區小湯山鎮國家精準農業研究示范基地開展。該區域位于小湯山鎮(北緯40°11′18″，東經116°27′5″)東北部，平均海拔為36 m,氣候為北溫帶半濕潤大陸性季風氣候，夏季高溫多雨，冬季寒冷干燥，春天、秋天較短。平均全年無霜期180 d。

圖1 研究區區位及小區分布圖

研究區區位及實驗小區分布如圖1所示。實驗品種設2個水平：中薯3(右)、中薯5(左)；密度設3個水平：60 000株/hm2(T1)、72 000株/hm2(T2，正常處理)、84 000株/hm2(T3)；6個處理，每個處理3個重復，共18個實驗小區。東西總長39.6 m，南北總長15 m(不包括保護行)，小區尺寸5 m×6.6 m。

1.2 數據獲取

實驗開始前在實驗小區內隨機放置1.3 m×1.3 m的白色方框作為研究小區，研究小區的方框需要垂直或平行于實驗作物行。本研究所使用的數據分為兩類：①無人機數碼影像，采用大疆公司生產的精靈系列4A產品獲取，無人機部分參數見表1。②地面數碼影像，采用佳能公司G系列的G16型相機獲取，地面數碼相機部分參數見表2。

表1 無人機部分參數

表2 地面數碼相機部分參數

無人機數碼影像拍攝于2019年5月16日11:00—12:00，拍攝時天氣晴朗，無云，微風，飛行高度為20 m，屬超低空飛行，獲得的圖像基本不受大氣因素影響。拍攝時無人機相機鏡頭保持垂直向下。由于本研究對中心波長的位置和波段范圍并無嚴格要求，故對所獲取的影像沒有進行輻射定標[24]。地面數碼影像拍攝時間為當天15:00—16:00，拍攝高度2 m，相機位于研究小區正上方，保持水平拍攝。

1.3 實驗方法

1.3.1植被覆蓋度提取算法

植被覆蓋度提取算法(Vegetation coverage extraction algorithm，VCEA)是學習借鑒了多篇求取植被覆蓋度的相關文獻的思路和想法[4,14,25]，并對其中部分方法進行了優化。算法原理如下：首先，利用顏色轉換空間HSI進行研究區外實驗區的處理，再通過過綠植被指數對前一步得到的研究區進行剔除綠色植被處理；然后通過最大類間方差(Otsu)求取閾值的方法進行剔除土壤處理；通過形態學閾值法去除土壤上的植被(雜草)；形態學原理進行去噪；最后分別提取植被像素數與總像素數并得到比值，即植被覆蓋度。

1.3.2植被指數提取法

植被指數提取法(EXG指數法)是利用ENVI軟件對Photoscan軟件拼接完成的數碼影像構建植被指數，如過綠植被指數(Excess green index，EXG=2G-B-R),并利用雙峰閾值法確定閾值，將植被指數大于閾值的像素歸為植被，小于閾值的像素歸為背景，利用ENVI的分析功能獲取植被占比，即植被覆蓋度。

1.3.3監督分類法

監督分類又稱訓練分類法，即用被確認類別的樣本像元識別其他未知類別像元的過程[1]。本文利用最大似然法對拼接完成的數碼影像進行監督分類，將圖像分成植被和非植被兩類，提取出圖像中植被部分后，計算植被覆蓋度。最大似然法是根據訓練樣本的均值和方差來評價其他像元和訓練類別之間的相似性。

1.3.4顏色轉換空間HSI算法

提出一種利用顏色轉換空間HSI實現的算法(Color conversion space HSI algorithm，H-A)，此算法從數碼影像中快速提取植被覆蓋度。其原理為：首先利用HSI空間的S通道進行去除白色處理，其間使用了最大類間方差法獲取閾值去白色，并采用了形態學處理去噪；其次是利用HSI空間的H通道進行去土壤處理，期間同樣使用了最大類間方差法獲取閾值以及形態學處理；然后合成偽彩色植被圖像；最終分別計算原圖像的總像元數和偽彩色植被圖像的總像元數，求比值獲取結果，即植被覆蓋度。

2 結果分析

首先利用VCEA法對地面所獲取的各小區的數碼影像進行處理，得到各小區的分類效果圖及分類結果，以此作為覆蓋度實測值。由于分類效果圖較大，故本文中僅隨機顯示其中6個研究小區的分類效果圖，見圖2。然后利用Photoscan軟件對無人機獲取的數碼影像進行預處理，包括對齊影像、建立密集點云、生成網格、生成紋理和生成正射影像，再分別利用EXG指數法、最大似然監督分類法對各個研究小區進行處理，得到各研究小區的分類效果圖及分類結果，即植被覆蓋度。綜合分析不同方法所得到的分類結果，見表3。利用預測值和實測值分別計算得到各個研究小區不同方法的預測精度，見表4。此外，從獲得的無人機數碼影像中選取幾幅包含較多研究小區的影像，利用處理軟件將各個研究小區進行裁剪并命名，然后利用H-A法分別對各個研究小區進行處理，獲取相對應的分類效果圖和分類結果，見圖3。利用所獲得的預測值與實測值建立對應的函數模型，結果見圖4。

圖2 實測值處理效果圖

圖3 不同處理方法的效果圖

表3 分類結果

由圖2研究小區原圖與對應的分類效果可以看出，VCEA法分類結果較為準確，貼近于真實情況，所測得覆蓋度具有較高的可靠性，故以VCEA法的提取結果作為馬鈴薯覆蓋度的實測值。從圖3中可以看出，最大似然監督分類法、EXG指數法和H-A法處理得到的影像效果與真實影像存在部分差別，但可以直觀看出，H-A法所獲得的效果圖和原圖的真實輪廓差距最小，最接近于真實圖，監督分類法次之，EXG指數法最差。從表3中可以看出，3種不同處理的分類結果與真實值差別，總體看來，3種方法大多數均出現多分現象，其中H-A法的分類結果與實測值之間的誤差普遍較小，誤差大多數在1%左右，最大的誤差為2.28%，覆蓋度平均值誤差為0.45%；監督分類法分類結果與實測值的誤差最大5.13%，平均誤差為2.65%；EXG指數法分類結果與實測值的誤差最大為14.25%，平均誤差為3.63%。綜上所述，H-A法分類效果最好，監督分類法結果次之，EXG指數法最差。

表4 分類結果精度

圖4 實測值與預測值函數模型

由表4可以看出，利用H-A法得到的處理結果精度最高，精度均達到0.91以上，最高達到0.99，而精度均值達到0.96，具有很高的準確性；監督分類法的精度次之，最低為0.75，最高達到0.98，精度均值為0.90，具有較高的準確性，但較為不穩定，人工干預較大；EXG指數法精度最差，最低為0.74，最高達到0.98，精度均值為0.88，具有較好的準確性，但也不穩定。圖4是由得到的實測值與3種不同方法獲取的預測值所建立的函數模型，從中可以看出，H-A法的覆蓋度函數為y=1.01x,R2=0.97；監督分類法所獲得的函數為y=1.07x,R2=0.82；而EXG指數法獲得的函數為y=1.11x,R2=0.74，由上述3個函數模型可得，H-A法獲得的函數中比例系數k和擬合度R2均最接近于1，精度最佳，效果最好。綜上所述，在求取植被覆蓋度的研究中，H-A法比最大似然監督分類法和EXG指數法精度高，可靠性更好，并且該方法操作更加簡單。

3 結論

(1)從分類效果圖來看，H-A法所估計的植被覆蓋度結果(分類準確度)高于監督分類法和EXG指數法，更加接近于真實情況。

(2)從分類精度來說，H-A法的分類精度均達到0.91以上，最高達到了0.99，均值達到了0.96；最大似然監督分類法的分類精度最高值達到0.98，但最低值為0.75，均值達到0.90，較為不穩定；EXG指數法的分類精度最高值達到0.98，但最低值為0.74，均值為0.88，也不穩定。故H-A法精度最高。

(3)從擬合函數和相關性來說，H-A法、監督分類法和EXG指數法的函數模型比例系數分別為1.01、1.07和1.11，相對應的擬合度分別為0.97、0.82和0.74，很明顯H-A法的比例系數和擬合度更加接近于1，說明其相關性更高，可靠性更好。