改進(jìn)的基于視覺認(rèn)知特征的植被識(shí)別方法

李 成，陳仁喜，王秋燕

(1．河海大學(xué)地球與工程學(xué)院，南京 210098;2．華南理工大學(xué)亞熱帶建筑科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，廣州 510640)

0 引言

利用遙感圖像進(jìn)行植被信息提取的方法可以歸納為目視解譯法、基于像元的方法和面向?qū)ο蟮姆椒?類［1］。其中，目視解譯勞動(dòng)強(qiáng)度大，工作效率低;基于像元的方法中以植被指數(shù)法應(yīng)用最廣，并得到很廣泛研究［2－4］，提取精度也得到了很大程度提高，但其受到多種因素影響，在地表像元結(jié)構(gòu)復(fù)雜的城市區(qū)域，很難滿足提取精度要求［5］;面向?qū)ο蟮姆椒芫C合多種圖像信息(形狀、紋理等)進(jìn)行決策［6－8］，分類結(jié)果較好，但目前發(fā)展還不成熟。迄今為止，仍然沒有一個(gè)公認(rèn)的、普遍適用的城市綠地植被信息提取方法［1］。

基于植被視覺認(rèn)知特征的植被區(qū)域提取方法，可以在沒有任何先驗(yàn)知識(shí)的情況下，僅依靠輸入的高分辨率圖像中植被本身的色調(diào)特征，對(duì)圖像進(jìn)行一系列的數(shù)學(xué)變換，便能自動(dòng)地、高精度地提取出圖像中的植被區(qū)域，操作簡便，運(yùn)算快速［9］。目前，該方法在較明亮的高分辨率遙感圖像及航空?qǐng)D像中具有較高的提取準(zhǔn)確度，為高分辨率遙感圖像的植被區(qū)域自動(dòng)提取提供了一種可行的解決方案;但在自動(dòng)提取類似樹冠一類小而破碎的目標(biāo)物時(shí)以及色調(diào)偏暗圖像中植被區(qū)域時(shí)，效果仍不佳。如何解決這些難題是該方法的研究方向。針對(duì)該方法在色調(diào)偏暗圖像中存在容易發(fā)生非植被區(qū)域誤判、植被區(qū)域提取精度不高的不足，本文進(jìn)行了一些技術(shù)改進(jìn)，顯著提高了植被區(qū)域的提取精度。

1 自動(dòng)提取模型

1．1 原理及算法

基于視覺認(rèn)知特征的植被區(qū)域自動(dòng)提取模型是主要根據(jù)植被在可見光波段呈現(xiàn)綠色調(diào)的視覺特征，在不采用任何先驗(yàn)知識(shí)和輔助信息的情況下，僅依靠被處理圖像自身建立起的模型。在輸入圖像中人工選取植被的代表區(qū)域，計(jì)算植被的特征參數(shù)，以此作為人眼對(duì)植被視覺認(rèn)知進(jìn)行導(dǎo)入;然后，對(duì)圖像進(jìn)行一系列的數(shù)學(xué)變換(如RGB空間到HIS空間變換、特征圖像變換、特征圖像融合等)，突出植被與非植被類別之間的差別;最后根據(jù)植被樣區(qū)的特征參數(shù)形成決策函數(shù)，提取出植被區(qū)域。

1．2 圖像變換

1．2．1 HIS 變換

RGB空間到HIS空間的變換公式為

式中:R，G，B分別是一個(gè)像元的紅、綠、藍(lán)分量值;min(R，G，B)為像元紅、綠、藍(lán)最小分量值;H，S，I分別為輸出的色度、飽和度和亮度特征值。

1．2．2 特征圖像變換

在色度空間中，植被的分布范圍為0～240°，分布較為廣泛，不利于植被信息提取，通過

變換，可縮小植被的色度分布范圍，以更好地提取植被區(qū)域。式中:μH，σH分別為色度分圖像的灰度均值和標(biāo)準(zhǔn)差;H0(m，n)分別為變換前后的色度特征圖像;HU，HL分別為植被色度的上限值和下限值;m，n分別為像元橫、縱坐標(biāo)值。

根據(jù)樣區(qū)位置，重新計(jì)算樣區(qū)在新色調(diào)特征圖像上的灰度均值和標(biāo)準(zhǔn)差，然后進(jìn)行高斯變換，以凸顯植被在各個(gè)特征圖像中的特征，增加植被與非植被的可分離性。高斯變換公式為

式中:μ，σ分別代表植被樣區(qū)在特征圖像的灰度均值和標(biāo)準(zhǔn)差;H，S，I分別為變換后的色度、飽和度、亮度特征圖像;f為高斯變換后的特征圖像;下標(biāo)H，S，I分別代表色度、飽和度、亮度。

1．2．3 特征圖像融合

特征圖像融合變換為

該變化可進(jìn)一步擴(kuò)大植被與非植被的差異，形成融合圖像M，用于綜合決策。

1．2．4 決策函數(shù)建立

建立決策函數(shù)，即

式中μM，σM分別為融合后圖像M(m，n)中植被樣區(qū)的均值和標(biāo)準(zhǔn)差。對(duì)T取合適閾值，便能區(qū)分出植被與非植被區(qū)域。

2 模型改進(jìn)

在色調(diào)偏暗的城市區(qū)域圖像中，地物錯(cuò)綜復(fù)雜;植被、水體、年代久遠(yuǎn)的建筑物、柏油路等都會(huì)呈現(xiàn)暗色調(diào)，且像元結(jié)構(gòu)復(fù)雜。若僅根據(jù)植被色調(diào)特征，單純采用數(shù)學(xué)變換對(duì)圖像進(jìn)行變換，無法很好地區(qū)分出植被與非植被的差異，會(huì)造成誤判，使植被區(qū)域提取的精度不高。針對(duì)色調(diào)偏暗的圖像，本文進(jìn)行了2個(gè)方面的改進(jìn)。

2．1 NDVI植被指數(shù)綜合處理

歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)，又稱標(biāo)準(zhǔn)化植被指數(shù)，是植物生長狀態(tài)以及植被空間分布密度的最佳指示因子，是估算植被覆蓋研究中最常用的方法，廣泛用于定性和定量評(píng)價(jià)植被覆蓋及其生長活力［10－11］。NDVI計(jì)算公式為

式中:NIR為近紅外波段亮度值，對(duì)應(yīng)于植被的反射峰;R為紅光波段亮度值，對(duì)應(yīng)于植被葉綠素的吸收峰［12－13］。NDVI對(duì)植被區(qū)域反映敏感，與植被覆蓋度有良好的相關(guān)性，可以很好地從植被的光譜特征上區(qū)分植被和非植被，標(biāo)定出植被的可能覆蓋區(qū)域，且較為可靠。

在色調(diào)偏暗的圖像中進(jìn)行植被區(qū)域提取時(shí)，利用NDVI法對(duì)植被覆蓋敏感而對(duì)其他地物不敏感的特性，能夠彌補(bǔ)僅用色調(diào)進(jìn)行判斷的不足，可以很好地從光譜特征上區(qū)分植被與非植被。通過將用NDVI法提取出的植被二值圖像與基于植被視覺認(rèn)知特征法提取出的植被二值圖像做“與運(yùn)算”，那些基于植被視覺認(rèn)知特征法誤判為植被的區(qū)域便可得到糾正;另外，NDVI法與基于植被視覺特征法都能很好地提取出真實(shí)植被區(qū)域，基于視覺認(rèn)知特征提取出的精確植被邊界又會(huì)彌補(bǔ)NDVI法在高分辨率圖像中提取植被區(qū)域邊界不準(zhǔn)確的缺點(diǎn)。將NDVI法與基于植被視覺認(rèn)知方法綜合，相互取長補(bǔ)短，很好地解決了基于視覺特征的植被區(qū)域提取法在色調(diào)偏暗圖像中提取精度不高的難題。

2．2 填補(bǔ)植被內(nèi)部孔洞

數(shù)學(xué)形態(tài)學(xué)“閉運(yùn)算”可以消除孔洞，消除細(xì)長鴻溝中的斷裂，使得邊界的輪廓更加連貫、光滑。形態(tài)學(xué)閉運(yùn)算定義為先膨脹后腐蝕的過程，即

使用結(jié)構(gòu)元素B對(duì)集合A的閉運(yùn)算就是先用B對(duì)A進(jìn)行膨脹，然后用B對(duì)膨脹結(jié)果進(jìn)行腐蝕［14］。

在高分辨率遙感圖像中，植被的樹冠層會(huì)出現(xiàn)色差，在色調(diào)上表現(xiàn)為亮綠色和暗綠色相間的現(xiàn)象;此外，還存在一些枝葉比較稀疏、植被的覆蓋度不高的區(qū)域。這些區(qū)域在上述方法模型的植被二值圖像中表現(xiàn)為在一片植被區(qū)域內(nèi)部會(huì)隨機(jī)出現(xiàn)一些小面積(通常為3～5個(gè)像元)的非植被區(qū)域孔洞(圖1(左))。本文根據(jù)形態(tài)學(xué)閉運(yùn)算能夠填補(bǔ)區(qū)域內(nèi)部孔洞的特性，采用“閉運(yùn)算”對(duì)植被二值圖像進(jìn)行處理，以去除植被區(qū)域內(nèi)部小于一定大小的孔洞，結(jié)果如圖1(右)所示。圖1中，白色為植被區(qū)域，黑色為非植被區(qū)域。從中可以看出，進(jìn)行形態(tài)學(xué)閉運(yùn)算后的植被二值圖像明顯具有更高的連續(xù)性，植被斑塊更加明顯，植被區(qū)域邊界也更接近實(shí)際的植被邊界，更有利于植被區(qū)域邊界的提取。

圖1 形態(tài)學(xué)閉運(yùn)算前(左)、后(右)植被二值圖像Fig．1 Two－value images of vegetation before(left)and after(right)morphologicalclosing operation

綜上所述，改進(jìn)后的基于視覺認(rèn)知特征的植被區(qū)域自動(dòng)提取模型的計(jì)算流程如圖2。

圖2 改進(jìn)算法的基本流程Fig．2 Basic flow chart of improved method

3 實(shí)驗(yàn)及結(jié)果分析

3．1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)

根據(jù)基于視覺認(rèn)知特征的植被區(qū)域自動(dòng)提取模型的計(jì)算方法，本文在VC++開發(fā)平臺(tái)上應(yīng)用OpenCV開發(fā)包編寫了一個(gè)植被提取的實(shí)驗(yàn)程序。選取南京東北部城鄉(xiāng)結(jié)合區(qū)(圖3(a))和玄武湖北部城區(qū)(圖3(b))2組具有代表性的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中NDVI的決策系數(shù)選取為0．1。一般情況下NDVI＞0時(shí)，便認(rèn)為該區(qū)域?yàn)橹脖?，但由于大氣折光及成像鏈路信?hào)污染，會(huì)出現(xiàn)一些雖然NDVI＞0卻不是植被的現(xiàn)象［15］。經(jīng)過多次實(shí)驗(yàn)，本文最終選取0．1作為NDVI的閾值;并發(fā)現(xiàn)形態(tài)學(xué)閉運(yùn)算的模板大小采用5像元×5像元時(shí)，植被區(qū)域內(nèi)部填充效果比較好。從圖3中可以看出，城鄉(xiāng)結(jié)合部地區(qū)的植被區(qū)域比較明顯，分布較集中，色調(diào)也較統(tǒng)一;而玄武湖北部中城區(qū)的圖像色調(diào)比較復(fù)雜，且植被色調(diào)較暗。

圖3 實(shí)驗(yàn)數(shù)據(jù)Fig．3 Experimental data

3．2 實(shí)驗(yàn)結(jié)果及分析

圖4和圖5分別對(duì)比展示了2個(gè)實(shí)驗(yàn)區(qū)運(yùn)用原方法和改進(jìn)方法對(duì)植被區(qū)域提取效果。圖4和圖5中，紅色線條代表植被區(qū)域的外邊界，綠色線條代表位于植被區(qū)域內(nèi)部的非植被區(qū)域邊界。圖4(a)和圖5(a)為用未改進(jìn)方法提取植被的效果，其中，白色標(biāo)記的是植被采樣區(qū)域，藍(lán)色、黃色標(biāo)記的是被誤判的其他地物;圖4(b)和圖5(b)為用改進(jìn)方法提取植被區(qū)域的效果。由于篇幅原因，本文選取4個(gè)誤判區(qū)進(jìn)行改進(jìn)前后的圖像對(duì)比，分別如圖4，5的(c)—(f)所示。

圖4 實(shí)驗(yàn)區(qū)1植被區(qū)域提取效果對(duì)比Fig．4 Comparison of the results of vegetation areas extracted in experimental zone one

圖5 實(shí)驗(yàn)區(qū)2植被區(qū)域提取效果對(duì)比Fig．5 Comparison of the results of vegetation areas extracted in experimental zone two

3．2．1 定性評(píng)價(jià)

從圖4(a)可以看出，該地區(qū)植被布分布比較密集，色調(diào)較一致，用原方法及改進(jìn)方法都能很好地提取出植被區(qū)域的內(nèi)外邊界，且這些邊界與人眼目視解譯的邊界有很高的符合程度。改進(jìn)方法的優(yōu)越性體現(xiàn)在對(duì)與植被色調(diào)相近的水體誤判區(qū)(如圖4(a)中2處藍(lán)色標(biāo)記區(qū)域和2處黃色標(biāo)記區(qū)域的剔除)，改進(jìn)方法很好地去除了與植被色調(diào)相近的水體誤判，植被區(qū)域的提取精度更高。對(duì)比圖5(a)和圖5(b)可以看出，本文改進(jìn)方法具有優(yōu)越性。該實(shí)驗(yàn)區(qū)為城市地區(qū)，圖像中地物比較復(fù)雜，色調(diào)也比較暗，很多地物在色調(diào)上與植被相近，僅采用色度圖像數(shù)學(xué)變換的原方法，造成了很多的誤判，提取效果不佳(其中，以裸露地的誤判為最多，其次為水體、色調(diào)偏暗的道路等，如圖5(a)中多處用藍(lán)色標(biāo)記出的區(qū)域)。由于改進(jìn)方法中加入了NDVI法的糾正，在圖5(b)中的植被區(qū)域和植被區(qū)域內(nèi)部的非植被區(qū)域明顯減少，植被區(qū)域的總體提取精度得到了很大提高。從圖5(c)—(f)中可以看出，誤判區(qū)域都得到了有效的剔除，解譯精度更高。

根據(jù)上述實(shí)驗(yàn)結(jié)果可以得出，改進(jìn)方法不僅適用于色調(diào)較明亮圖像中的植被區(qū)域提取，也適用于色調(diào)偏暗圖像中的植被區(qū)域提取;且植被區(qū)域提取結(jié)果均與人眼目視解譯結(jié)果基本一致，精度較高。

3．2．2 定量評(píng)價(jià)

由于缺乏標(biāo)準(zhǔn)的對(duì)比對(duì)象，本文的定量分析采用了相對(duì)定量分析。對(duì)比數(shù)據(jù)來自于ENVI 4．8軟件的監(jiān)督分類結(jié)果。鑒于在小區(qū)域高分辨率圖像中，人眼的目視解譯精度還是比較高的，故對(duì)監(jiān)督分類結(jié)果進(jìn)行了精細(xì)的后處理(小區(qū)域植被刪除、混淆矩陣精度驗(yàn)證、矢量化并統(tǒng)計(jì)植被區(qū)域面積和植被像元總數(shù))，使監(jiān)督分類得出的植被區(qū)域基本與人眼的目視解譯結(jié)果相一致。采用植被總象元數(shù)、改進(jìn)率、分類近似度幾個(gè)評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比，總像元數(shù)指運(yùn)用該方法從圖像中提取出的植被總像元個(gè)數(shù);改進(jìn)率=(改進(jìn)前方法植被總像元數(shù)－改進(jìn)后方法植被總像元)/改進(jìn)前方法植被總像元數(shù);分類近似度=改進(jìn)后方法提取植被總像元數(shù)/監(jiān)督分類提取植被總像元數(shù)，也稱為改進(jìn)后的方法與監(jiān)督分類方法的分類相似度。結(jié)果見表1。

表1 相對(duì)精度評(píng)價(jià)結(jié)果Tab．1 Evaluation results of the relative accuracy

在表1中，改進(jìn)前、后方法提取出的植被總像元數(shù)及邊界數(shù)由實(shí)驗(yàn)程序統(tǒng)計(jì)得來，監(jiān)督分類植被總像元數(shù)由ENVI4．8軟件得來。由表1可知，對(duì)于植被色調(diào)較統(tǒng)一的圖像，原方法和改進(jìn)方法的提取效果差不多;對(duì)于色調(diào)較暗的圖像，改進(jìn)方法提取效果更佳。改進(jìn)方法提取出的結(jié)果與監(jiān)督分類結(jié)果基本一致，這也說明改進(jìn)方法不僅適用于色調(diào)較明亮的圖像，而且還適用于色調(diào)偏暗的圖像，且具有較高的植被區(qū)域提取精度。

本文的實(shí)驗(yàn)是在基于VC++配置的OPENCV平臺(tái)環(huán)境下進(jìn)行的，改進(jìn)前、后的方法運(yùn)算速度都比較快，充分顯示了基于視覺認(rèn)知特征方法在植被區(qū)域提取中的速度優(yōu)勢。操作人員只需要進(jìn)行植被代表區(qū)域的選取工作，其余工作均由程序自動(dòng)完成，已達(dá)到了半自動(dòng)化的效果。

4 結(jié)論

1)本文針對(duì)基于植被視覺認(rèn)知特征提取植被區(qū)域方法的不足之處，通過改進(jìn)，解決了原方法會(huì)將色調(diào)與植被相近但不是植被的地物誤判為植被的難題，使其不僅能夠在色調(diào)明亮的圖像上運(yùn)用，還可運(yùn)用到暗色調(diào)圖像中。

2)通過實(shí)驗(yàn)驗(yàn)證，改進(jìn)方法既繼承了原方法能夠快速、準(zhǔn)確、自動(dòng)化提取出植被邊界的優(yōu)點(diǎn)，又提高了提取準(zhǔn)確度，使其適用范圍進(jìn)一步擴(kuò)大，為解決從高分辨率圖像中提取植被區(qū)域的問題提出了一個(gè)很好解決方案。

3)雖然改進(jìn)方法能夠高精度地提取出植被區(qū)域，但仍然存在著一些不足，例如還沒有較好地利用圖像的紋理、形狀等其他特征進(jìn)行分類應(yīng)用，單株樹木的提取精度不高等，有待進(jìn)一步改進(jìn)。

［1］ 李成范，尹京苑，趙俊娟．一種面向?qū)ο蟮倪b感影像城市綠地提取方法［J］．測繪科學(xué)，2011，36(5):112－114．Li C F，Yin JY，Zhao JJ．An extraction algorithm of urban vegetation from remote sensing images based on object－origent approach［J］．Science of Surveying and Mapping，2011，36(5):112－114．

［2］ 王延飛，溫小榮．基于NDVI再分類的城市綠地信息提取——以江蘇省徐州市為例［J］．福建林業(yè)科技，2012，39(2):66－69，88 Wang Y F，Wen X R．Urban green space information extraction based on NDVI reclassify:Taking Xuzhou，Jiangsu as the example［J］．Journal of Fujian Forestry Science and Technology，2012，39(2):66－69，88．

［3］ 房 媛，王秀蘭，馮仲科，等．一種基于Quickbird影像提取城市綠地信息的模型算法［J］．林業(yè)調(diào)查規(guī)劃，2010，35(4):19－23，28．Fang Y，Wang X L，F(xiàn)eng Z K，et al．One method for model calculation of Quick Bird image extraction of urban green space information［J］．Forest Inventory and Planning，2010，35(4):19－23，28．

［4］ 李 穎，陳秀萬，段紅偉，等．基于多尺度NDVI的膠東半島植被研究［J］．鄭州大學(xué)學(xué)報(bào)，2010，31(4):40－43．Li Y，Chen XW，Duan HW，et al．Vegetation analysis in Jiaodong Peninsula based on multi－scale NDVI［J］．Journal of Zhengzhou University，2010，31(4):40－43．

［5］ 馬 婭，匡耀求，黃寧生，等．基于ETM+的植被覆蓋信息提取及動(dòng)態(tài)變化分析——以廣州市為例［J］．測繪科學(xué)，2009，34(4):114－116．Ma Y，Kuang Y Q，Huang N S，et al．Estimation and spatio－temporal characteristics analyses of vegetation abundances based on ETM+images:A case study in Guangzhou［J］．Science of Surveying and Mapping，2009，34(4):114－116．

［6］ 熊軼群，吳健平．面向?qū)ο蟮某鞘芯G地信息提取方法研究［J］．華東師范大學(xué)學(xué)報(bào):自然科學(xué)版，2006(4):84－90．Xiong YQ，Wu JP．Research of urban vegetation by object－oriented classification［J］．Journal of East China Normal University:Natural Science，2006(4):84－90．

［7］ 聶敏莉．基于Quick Bird衛(wèi)星影像的城市綠地提取與分類研究［D］．北京:北京林業(yè)大學(xué)，2010:35－42．Nie M L．The research of urban space abstraction and classification based on Quick Bird image［D］．Beijing:Beijing Forestry University，2010:35－42．

［8］ 張學(xué)儒，劉林山，張億鋰，等．基于ENVIZOOM面向?qū)ο蟮母吆０喂鄥仓脖惶崛　远ㄈ湛h為例［J］．地理與地理信息科學(xué)，2010，26(4):104－109．Zhang X R，Liu L S，Zhang Y L，et al．Extraction of urban vegetation by object－oriented classification method based on ENVI ZOOM in high altitude area:A case of Dingri country［J］．Geography and Geo－Information Science，2010，26(4):104－109．

［9］ 柳稼航．高分辨率遙感影像視覺認(rèn)知與自動(dòng)識(shí)別技術(shù)研究［D］．上海:上海交通大學(xué)，2010:103－120．Liu J H．Study on visual recognition and automatic extraction of typical ground objects in remote sensing images［D］．Shanghai:Shanghai Jiao Tong University，2010:103－120．

［10］ 陳述彭，趙英時(shí)．遙感地學(xué)分析［M］．北京:測繪出版社，1990:1147－1521．Chen SP，Zhao S Y．Remote sensing analysis in geography［M］．Beijing:Surveying and Mapping Press，1990:1147－1521．

［11］ Gilabert M A，Gonzalez P J，Garcia H F J，etal．A generalized solid adjusted vegetation index［J］．Remote Sensing of Environment，2002，82(2/3):303－310．

［12］ 許 凱，秦 昆，杜 鹢．基于AdaBoost的高分辨率遙感影像城市綠地提取算法［J］．計(jì)算機(jī)工程與應(yīng)用，2008，44(20):23－25，82．Xu K，Qin K，Du Y．New algorithm of extraction of urban vegetation from high resolution image based on Ada Boost［J］．Compute Engineering and Application，2008，44(20):23－25，82．

［13］ 武鵬飛，王茂軍，張學(xué)霞．基于ETM+的北京西部山區(qū)喬木群落結(jié)構(gòu)研究［J］．遙感信息，2010(5):105－109．Wu P F，Wang M J，Zhang X X．Study on tree community structure in western mountainous area of Beijing based on ETM+［J］．Remote Sensing Information，2010(5):105－109．

［14］ 岡薩雷斯，伍茲．?dāng)?shù)字圖像處理［M］．2版．北京:電子工業(yè)出版社，2007:421－431．Gonzalez R C，Woods R E．Digital image processing［M］．2nd ed．Beijing:Publishing House of Electronics Industry，2007:421－431．

［15］ 趙麗麗，趙云升，張建輝，等．基于ETM+的深圳市綠地信息提取方法研究［J］．遙感技術(shù)與應(yīng)用，2005，20(6):596－600．Zhao L L，Zhao Y S，Zhang JH，et al．A study method of obtaining green land information based on ETM+in Shenzhen City［J］．Remote Sensing Technology and Application，2005，20(6):596－600．