基于數(shù)碼照片的草地植被覆蓋度快速提取方法

胡健波,張 璐,黃 偉,吳世紅,劉長兵

(1.水路交通環(huán)境保護(hù)技術(shù)交通行業(yè)重點(diǎn)實(shí)驗(yàn)室 交通運(yùn)輸部天津水運(yùn)工程科學(xué)研究所,天津300456;2.河南理工大學(xué)測繪與國土信息工程學(xué)院,河南焦作 454000)

我國西北地區(qū)氣候干旱、多風(fēng),生態(tài)環(huán)境十分脆弱。草地植被具有改善氣候、防止水土流失等重要生態(tài)功能。植被覆蓋度是指包括喬、灌、草和農(nóng)作物在內(nèi)所有植被的冠層、枝葉在生長區(qū)域地面的垂直投影面積占生長區(qū)域面積的百分比[1],是生態(tài)系統(tǒng)健康與否的重要指示因子[2]。植被覆蓋度測量方法的好壞,直接決定了測量結(jié)果的準(zhǔn)確度和可信度。草地植被覆蓋度的實(shí)地測量方法較多,根據(jù)采用手段不同,可大致分為目估法、采樣法和儀器法[3]。

目估法是傳統(tǒng)的快速植被覆蓋度估測方法,雖然簡單易行,但是主觀隨意性較大,測算結(jié)果跟目估對(duì)象的實(shí)際覆蓋度大小及測量人的經(jīng)驗(yàn)密切相關(guān);有研究表明,個(gè)人目估最大絕對(duì)誤差可達(dá)40.4%[4]。采樣法是通過設(shè)定樣方,將一根根樣針在草地中垂直投下,記錄草葉被樣針擊中的數(shù)目,計(jì)算擊中數(shù)目占總樣針數(shù)的比值作為草地覆蓋度[5],這種方法雖然準(zhǔn)確,但是操作復(fù)雜,且十分耗時(shí)。儀器法是使用專門的測算草地植被覆蓋度的儀器來進(jìn)行作業(yè),如空間定量計(jì)、移動(dòng)光量計(jì)和照相法,測量速度較快,結(jié)果客觀;其中照相法因其具有簡單、經(jīng)濟(jì)等優(yōu)勢(shì),更是應(yīng)用廣泛[6]。隨著數(shù)碼相機(jī)的普及以及數(shù)字圖像處理技術(shù)的快速發(fā)展,照片法已越來越多地應(yīng)用于草地覆蓋度的實(shí)地調(diào)查工作中。

池宏康等[7]利用Photoshop圖像處理軟件手動(dòng)提取數(shù)碼照片中綠色像素,雖然和目估法相比工作量有所降低,但是仍然較費(fèi)時(shí)費(fèi)力,且同樣存在主觀隨意性較大的缺點(diǎn)。因此,快速自動(dòng)的植被覆蓋度估算方法是近年來照相法的研究熱點(diǎn)。Zhou和Robson[8]利用數(shù)碼照片,通過結(jié)合光譜和紋理的非監(jiān)督分類方法提取了草地覆蓋度,結(jié)果證明該方法比單純的利用k-means非監(jiān)督分類和最大似然法監(jiān)督分類,在準(zhǔn)確程度上有了很大的提高。宋雪峰等[9]用數(shù)碼相機(jī)獲取草地樣方照片,從樣方照片數(shù)據(jù)中提取6項(xiàng)指標(biāo),通過分析建立邏輯判別模型計(jì)算植被覆蓋度,總體精度達(dá)到94.7%。張清平等[10]利用顏色分析軟件WinCAM,選定一致的植被與非植被的顏色標(biāo)準(zhǔn),通過顏色比對(duì)提取植被并求得植被覆蓋度。張學(xué)霞等[11]通過選取植被和非植被的感興趣區(qū)域,分析各自的光譜信息規(guī)律,利用線性混合像元分解的方法來獲取植被覆蓋度。錢金波[12]計(jì)算過綠特征(Excess Green=2×G-R-B)植被指數(shù),并主觀設(shè)定閾值,區(qū)分植被和非植被,從而求得植被覆蓋度。張?jiān)葡嫉萚13]把數(shù)碼照片中的綠色大于紅色和藍(lán)色并且綠色大于特定閾值的像素劃分為綠色植被。然而目前的這些草地植被覆蓋度方法均存在參數(shù)設(shè)定主觀,對(duì)照片拍攝時(shí)間和光照條件要求較高等缺點(diǎn),限制了數(shù)碼照片在草地植被覆蓋度調(diào)查中的推廣應(yīng)用。本研究提出了一種利用過綠特征植被指數(shù)和半自動(dòng)閾值設(shè)定算法(半自動(dòng)閾值法)的從數(shù)碼照片中快速計(jì)算草地植被覆蓋度的方法,并將該方法與最大似然法監(jiān)督分類方法(最大似然法)和色度飽和度法進(jìn)行了比較,旨在提出一種更加客觀、適用性更強(qiáng)的草地植被覆蓋度提取方法。

1 材料與方法

1.1 數(shù)碼照片采集方式 以西藏阿里地區(qū)國道219日土至區(qū)界段公路改建項(xiàng)目的環(huán)境影響評(píng)價(jià)工作為依托,項(xiàng)目地處西北干旱地區(qū),公路沿線以低覆蓋度草地為基調(diào),少量高覆蓋度的草甸只分布在河流湖泊周邊。試驗(yàn)照片以公路沿線兩側(cè)的自然草地植被為主要拍攝內(nèi)容,也有部分村鎮(zhèn)的人工植被。本研究提出的方法對(duì)數(shù)碼相機(jī)的性能要求很低,任意一款能夠自動(dòng)調(diào)焦的普通家用數(shù)碼相機(jī)即可滿足要求。本研究中所有照片和數(shù)據(jù)均來自索尼DSC-V1數(shù)碼相機(jī),照片尺寸為2 592像素×1 944像素。拍攝時(shí)兩臂向前持平拿穩(wěn)相機(jī),保持垂直向下的拍攝角度和大約1.5 m的拍攝高度。拍攝時(shí)注意:當(dāng)拍攝地點(diǎn)存在葉片細(xì)小或狹長的植物時(shí),可適當(dāng)降低拍攝高度;當(dāng)拍攝時(shí)光照條件不好時(shí)(如陰天或者非正午前后的一定時(shí)間內(nèi)),利用閃光燈作為補(bǔ)充光源,以減少植物葉片互相遮擋產(chǎn)生的陰影。

1.2 數(shù)碼照片植被覆蓋度提取算法

1.2.1 算法原理 數(shù)碼照片中的植被提取主要分兩個(gè)步驟:首先,構(gòu)建一個(gè)能夠突出植被特征并抑制非植被背景的植被指數(shù)(圖1);然后,設(shè)定最佳的閾值,將植被指數(shù)大于閾值的像素歸為植被,小于閾值的像素歸為背景。植物在可見光波段附近的反射光譜呈現(xiàn)出藍(lán)色、紅色強(qiáng)烈吸收,近紅外和綠色強(qiáng)烈反射的特征;基于此特征,目前植被遙感領(lǐng)域已提出大量的植被指數(shù),如歸一化植被指數(shù)(NDVI)等[14]。鑒于普通的家用數(shù)碼相機(jī)拍攝的照片不存在近紅外波段,本研究選擇過綠特征(Excess Green=2×GR-B)作為植被指數(shù)[15]。確定植被指數(shù)后,最終分類結(jié)果的好壞取決于第2步的最佳閾值設(shè)定。

圖1 樣片a、b及對(duì)應(yīng)的過綠特征植被指數(shù)

在植被指數(shù)圖中指定一條直線,得到一條過綠特征剖面曲線(圖2)。以圖2為例,在理想情況下,只有在植被和背景交界處才存在變化梯度,閾值的設(shè)定十分簡單,閾值在-15～60隨意設(shè)定均能得到幾乎同樣的準(zhǔn)確結(jié)果;而在實(shí)際情況下,無論是植被還是背景,均存在鋸齒狀的隨機(jī)噪聲,合理的閾值應(yīng)當(dāng)設(shè)定在20～30。在絕大多數(shù)實(shí)際情況下,背景噪聲凌亂,人工主觀設(shè)定最佳的閾值十分困難,需要不斷的試錯(cuò)才能逐步逼近最佳值;即便如此,植被覆蓋度提取結(jié)果也會(huì)因人而異。本研究提出一種半自動(dòng)閾值設(shè)定方法設(shè)定最佳閾值。

1.2.2 植被指數(shù)半自動(dòng)閾值設(shè)定 植被指數(shù)半自動(dòng)閾值設(shè)定方法基于如下假設(shè):植被像素的植被指數(shù)較大,背景像素的植被指數(shù)較小,而且各自的隨機(jī)噪聲引起的平均波動(dòng)梯度小于植被和背景交界處的變化梯度(圖2)。當(dāng)設(shè)定閾值等于t時(shí),得到的結(jié)果是一幅二值圖(1代表植被、0代表背景),處于1和0像素交界處的像素為邊緣像素;圖2中,邊緣像素為剖面曲線與平行于x軸的直線(植被指數(shù)=t)交點(diǎn)。邊緣像素的平均梯度強(qiáng)度計(jì)算公式如下:

式中,g表示整張照片的邊緣像素的平均梯度強(qiáng)度,fv、fb、fj和 gv、gb、gj分別表示落在植被 、背景和邊界區(qū)域的邊緣像素百分比以及邊緣像素的梯度強(qiáng)度。fv、fb、fj總和等于 1,gj大于 gv和gb(根據(jù)前面的假設(shè))。

圖2 植被指數(shù)剖面曲線示意圖

最佳的t應(yīng)當(dāng)使邊緣像素落在植被和背景的交界處,同時(shí)會(huì)盡可能避免落在背景和植被區(qū)域,即fj盡可能的大,而 fv和 fb盡可能的小。以一定的步長不斷嘗試不同的t,計(jì)算g;根據(jù)公式(1)可知,t最佳時(shí)即為g最大時(shí)。

然而,考慮到圖像中存在不可預(yù)料的噪聲,t值只能在某個(gè)范圍內(nèi)選取,而不能在植被指數(shù)最小值至最大值之間選取。如圖3所示,當(dāng)t小于-50或者大于100的時(shí)候,邊緣像素?cái)?shù)量極少,但是平均梯度強(qiáng)度卻很大;說明這個(gè)范圍內(nèi)的個(gè)別像素與周邊像素的植被指數(shù)差異很大而數(shù)量又很小,從而產(chǎn)生較大的g,屬于不應(yīng)考慮的噪聲點(diǎn)。因此需要人為設(shè)定t的選取范圍,本研究建議設(shè)定在邊緣像素平均梯度強(qiáng)度分布圖的凹谷處,如樣片a的選取范圍為0～80,樣片b的選取范圍為-30～80。本研究的草地植被覆蓋度提取方法之所以不是一種全自動(dòng)的方法,就是因?yàn)樾枰藶樵O(shè)定這個(gè)閾值選取范圍進(jìn)行主觀干預(yù)。

最佳閾值確定之后,即可得到植被和背景分類圖(圖4)。植被的像素?cái)?shù)與整張數(shù)碼照片的像素?cái)?shù)之比即為該數(shù)碼照片的植被覆蓋度。樣片a、b的植被覆蓋度分別為12.50%和67.01%。

1.3 精度驗(yàn)證與方法比較 利用32張依托公路沿線的草地?cái)?shù)碼照片作為樣本對(duì)色度飽和度法[16]、最大似然法監(jiān)督分類方法(簡稱最大似然法)以及本研究的半自動(dòng)植被指數(shù)閾值設(shè)定法(半自動(dòng)閾值法)這3種植被覆蓋度提取方法進(jìn)行精度驗(yàn)證。對(duì)每一張數(shù)碼照片,手動(dòng)勾勒出植被像素,并將所得植被覆蓋度作為準(zhǔn)確結(jié)果。對(duì)所有樣本數(shù)碼照片,將3種方法的計(jì)算結(jié)果分別與準(zhǔn)確結(jié)果進(jìn)行線性回歸分析,比較回歸系數(shù)、斜率和截距這3個(gè)參數(shù),分析3種方法的優(yōu)缺點(diǎn)。

圖3 樣片 a、b的邊緣像素個(gè)數(shù)及平均梯度強(qiáng)度分布數(shù)

圖4 樣片a、b的植被提取結(jié)果

2 結(jié)果與分析

從回歸斜率來看,3種方法的回歸斜率均小于1,存在低估的現(xiàn)象(圖5)。這主要是因?yàn)槿斯つ恳暯庾g時(shí)勾畫的是植物的外輪廓,包括占植物絕大多數(shù)的綠色葉片和少量的非綠色的花朵、葉片互相遮擋的陰影等;而其他3種方法只是提取植物的綠色部分。低估現(xiàn)象無法避免,低估程度存在差異。色度飽和度法的低估現(xiàn)象比較嚴(yán)重,回歸斜率為0.644 6;半自動(dòng)閾值法和最大似然法比較接近,回歸斜率分別為0.861 7和0.863 3。

圖5 植被覆蓋度提取方法效果比較

從回歸截距來看,最大似然法最差,偏離0最遠(yuǎn),達(dá)到4.651 98;半自動(dòng)閾值法和色度飽和度法偏離0較小,分別-0.765 5和-0.253 0。最大似然法存在一個(gè)較嚴(yán)重的問題,即低植被覆蓋度高估現(xiàn)象。這主要是因?yàn)橹脖桓采w度低的時(shí)候,植物往往較小,往往找不到很純的植物葉片(混合像元問題)用于分類前的訓(xùn)練,訓(xùn)練的像素中帶有一定的非植被信息,使得部分顏色接近植物的背景也被歸為植被。

從回歸系數(shù)來看,最大似然法與準(zhǔn)確結(jié)果最接近半自動(dòng)閾值法次之;色度飽和度法最差。

綜上所述,最大似然法因?yàn)榇嬖谌斯じ深A(yù)選擇訓(xùn)練像素這個(gè)過程,包含了一定的主觀糾錯(cuò)功能在里面,故而計(jì)算結(jié)果與真實(shí)情況很接近,但是存在低植被覆蓋度高估現(xiàn)象。色度飽和度法雖然也有人工干預(yù)選擇參數(shù)這一步驟,但是只適用于植被簡單、背景單一的情形[16],植被和背景的色度飽和度重疊程度較高的復(fù)雜情形下,效果較差。這兩種方法的主觀干預(yù)部分都需要較為復(fù)雜且費(fèi)時(shí)的操作。相比之下,本研究的半自動(dòng)閾值法無論是從結(jié)果精度還是人工干預(yù)的簡便程度上,都更值得推薦。

當(dāng)然,本研究的半自動(dòng)閾值法同樣存在一定的缺陷,即無法準(zhǔn)確提取綠色特征不明顯的植物,比如葉片呈灰綠色的駝絨藜(Ceratoides latens)以及各種蒿類植物。根據(jù)經(jīng)驗(yàn),這類植物的大部分葉片會(huì)被錯(cuò)分成背景(圖6),造成植被覆蓋度低估。

圖6 存在藍(lán)綠色植物的草地樣片及其植被提取結(jié)果

3 結(jié)論

本研究提出了一種利用過綠特征植被指數(shù)和半自動(dòng)閾值設(shè)定算法的快速從數(shù)碼照片中計(jì)算草地植被覆蓋度的方法,并將該方法和最大似然法監(jiān)督分類方法和色度飽和度法進(jìn)行了比較。本研究提出的方法人工干預(yù)極少,計(jì)算過程客觀,結(jié)果比較準(zhǔn)確可靠;而且對(duì)拍攝器材和天氣條件等外在因素要求不高,適用性強(qiáng)。本研究采用過綠特征作為植被指數(shù),故而該方法無法準(zhǔn)確提取出綠色特征不明顯的植物,比如灰綠色植物。如能提出更好的可見光波段的植被指數(shù),或者數(shù)碼相機(jī)中增加近紅外波段的感光元件,可能能夠得到更準(zhǔn)確結(jié)果。

[1] 秦偉,朱清科,張學(xué)霞,等.植被覆蓋度及其測算方法研究進(jìn)展[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,34(9):163-170.

[2] Gutman G,Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use numerical weather prediction models[J].International Journal of Remote Sensing,1998,19(8):1533-1543.

[3] 溫慶可,張?jiān)鱿?劉斌,等.草地覆蓋度測算方法研究進(jìn)展[J].草業(yè)科學(xué),2009,26(12):30-36.

[4] 章文波,符素華,劉寶元.目估法測量植被覆蓋度的精度分析[J].北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,37(3):402-408.

[5] Chapman S B.植物生態(tài)學(xué)的方法[M].陽含熙,譯.北京:科學(xué)出版社,1980.

[6] White M A,Asner G P,Nemani R R,et al.Measuring fractional cover and leaf area index in arid ecosystem:Digital camera,radiation transmittance,and laser altimetry methods[J].Remote Sensing of Environment,2000,74(1):45-57.

[7] 池宏康,周廣勝,許振柱,等.草地植被蓋度的近距離遙感測定[J].草業(yè)學(xué)報(bào),2007,16(2):105-110.

[8] Zhou Q,Robson M.Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].International Journal of Remote Sensing,2001,22(17):3457-3470.

[9] 宋雪峰,董永平,單麗燕,等.用數(shù)碼相機(jī)測定草地蓋度的研究[J].內(nèi)蒙古草業(yè),2004,16(4):1-6.

[10] 張清平,章山山,陳露,等.應(yīng)用WinCAM 軟件判識(shí)分析草坪蓋度[J].草業(yè)科學(xué),2010,27(7):13-17.

[11] 張學(xué)霞,朱清科,吳根梅,等.數(shù)碼照相法估算植被覆蓋度[J].北京林業(yè)大學(xué)學(xué)報(bào),2008,30(1):164-169.

[12] 錢金波.祁連山狼毒蓋度地面測量與衛(wèi)星遙感估算[D].蘭州:蘭州大學(xué),2009.

[13] 張?jiān)葡?李曉兵,張?jiān)骑w.基于數(shù)字相機(jī)、ASTER和MODIS影像綜合測量植被蓋度[J].植物生態(tài)學(xué)報(bào),2007,31(5):842-849.

[14] 顧祝軍,曾志遠(yuǎn).遙感植被蓋度研究[J].水土保持研究,2005,12(2):18-21.

[15] 龍滿生,何東健.玉米苗期雜草的計(jì)算機(jī)識(shí)別技術(shù)研究[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(7):139-144.

[16] Richardson M D,Karcher D E,Purcell L C.Quantifying turfgrass cover using digital image analysis[J].Crop Science,2001,41:1884-1888.