基于無人機圖像顏色指數(shù)的植被識別

丁雷龍， 李強子， 杜鑫， 田亦陳， 袁超

(1.中國地質大學(北京)地球科學與資源學院，北京　100083；

2.中國科學院遙感與數(shù)字地球研究所，北京　100101)

?

基于無人機圖像顏色指數(shù)的植被識別

丁雷龍1,2， 李強子2， 杜鑫2， 田亦陳2， 袁超2

(1.中國地質大學(北京)地球科學與資源學院，北京100083；

2.中國科學院遙感與數(shù)字地球研究所，北京100101)

摘要：植被信息在農(nóng)業(yè)監(jiān)測、生態(tài)環(huán)境保護等方面具有重要作用。利用無人機(unmanned aerial vehicle，UAV)獲取的高分辨率圖像識別植被信息具有成本低廉、方式靈活等優(yōu)勢。目前UAV遙感使用的可見光圖像主要依靠各種顏色指數(shù)提取植被。以山東省微山縣為研究區(qū)，選用NGRDI，ExG，ExG-ExR和GLI等4種基于RGB色域的顏色指數(shù)，對覆蓋研究區(qū)的UAV圖像進行灰度化處理，用最大類間方差自動閾值檢測方法將植被區(qū)域與非植被區(qū)域識別出來，并分析各種顏色指數(shù)的適用性及影響因素。研究結果表明： 4種顏色指數(shù)均能快速準確地識別植被覆蓋區(qū)域，識別精度在90%以上。其中ExG-ExR指數(shù)優(yōu)于其他指數(shù)，識別精度最高，識別效果較穩(wěn)定； ExG與GLI指數(shù)的識別精度在研究區(qū)9景圖像中變化不大，相對穩(wěn)定，也可作為有效的植被識別方法。4種顏色指數(shù)對植被與背景的RGB特征差別較大圖像的植被識別精度均較高。植被識別精度與研究區(qū)圖像中冬小麥所占比例成正比，與闊葉林、建筑物/道路所占比例成反比。

關鍵詞：無人機(UAV)； 植被識別； 顏色指數(shù)； RGB色域

0引言

植被是生態(tài)環(huán)境的重要組成部分，植被長勢的好壞是反映生態(tài)環(huán)境質量的重要指標。傳統(tǒng)的植被覆蓋信息主要依靠地面調查獲取，該方法識別精度高，但耗費人力物力較大，不利于較快捷地對植被進行識別。隨著衛(wèi)星與傳統(tǒng)航空遙感技術的發(fā)展，利用遙感監(jiān)測植被信息的方法已被廣泛采納，大大地改善了植被調查的效率和效果。但獲取衛(wèi)星與航空傳感器的高空間分辨率圖像需要較高的費用，且容易受到云層的影響，難以及時獲取地面植被信息。隨著無人機(unmanned aerial vehicle,UAV)的廣泛使用，UAV搭載的傳統(tǒng)數(shù)碼相機或近紅外傳感器的高分辨率圖像因成本低廉、獲取方式靈活，已在城市調查、植被監(jiān)測和水資源調查等領域被廣泛應用[1]。

相對于衛(wèi)星與航空遙感圖像可以使用基于近紅外波段與紅波段的植被指數(shù)(如歸一化植被指數(shù)(normalized difference vegetation index,NDVI))來指示綠色植物[2]，搭載傳統(tǒng)數(shù)碼相機的UAV獲取的遙感圖像往往由于缺少近紅外波段的數(shù)據(jù)，在植被提取方面只能另辟蹊徑，借助可見光的紅光波段與綠光波段構建顏色指數(shù)來提取植被信息。目前使用傳統(tǒng)數(shù)碼相機圖像建立的顏色指數(shù)主要包括過綠指數(shù)(excess green index,ExG)、過綠減過紅指數(shù)(excess green minus excess red index,ExG-ExR)和歸一化綠-紅差值指數(shù)(normalized green-red difference index,NGRDI)等。Woebbecke等[3]在1995年測試了4種基于色度坐標(r,g,b)的顏色指數(shù)((r-g)，(g-r)，(g-b)/ |r-g|和ExG(2g-r-b))，發(fā)現(xiàn)ExG指數(shù)對于區(qū)分植被與土壤有較高的精度，因此ExG顏色指數(shù)在近些年的研究中已被廣泛引用[4-6]。其他顏色指數(shù)對于區(qū)分植被與背景信息也有較好的效果，Meyer等[7]通過對比NGRDI，ExG和ExG-ExR(3g-2.4r-b)指數(shù)，發(fā)現(xiàn)基于0閾值的ExG-ExR指數(shù)分離植被與背景的精度較高，其精度優(yōu)于基于最大類間方差(OTSU)自動閾值算法的NGRDI與ExG指數(shù)，并且對區(qū)分單株植被與不同背景圖像的效果最好。Hunt等[8]使用航模飛機獲取的圖像計算NGRDI指數(shù)來估算作物的生物量。Louhaichi等[9]利用基于0閾值的綠葉指數(shù)(green leaf index,GLI)提取小麥信息，分析過度放牧對小麥的影響。Hunt等[10-11]還通過計算三角形綠度指數(shù)(triangular greenness index,TGI)計算葉片葉綠素含量； TGI指數(shù)引入了波長信息對指數(shù)進行修正，在高葉面積指數(shù)和高郁閉度的區(qū)域，TGI指數(shù)與葉綠素的相關性最好。Shimada等[12]通過計算禾本科豐度指數(shù)(poaceae abundance index，PAI)來區(qū)分禾本科草地與其他植被。但現(xiàn)有的研究多半集中于對單項顏色指數(shù)的應用，并且圖像地物類型單一，前景與背景差別明顯，沒有討論復雜地物類型圖像的適用性。

本文選用NGRDI,ExG,ExG-ExR與GLI這4種顏色指數(shù)，以山東省微山縣為研究區(qū)，通過對UAV圖像中植被信息的提取，對比分析不同顏色指數(shù)識別植被的效果。具體研究內(nèi)容包括： ①建立高分辨率UAV圖像植被覆蓋區(qū)快速提取算法； ②分析不同地物構成所適用的最佳顏色指數(shù)，為快速、精確地識別植被提供依據(jù)； ③分析影響植被信息識別精度的關鍵因素，為相關的科學應用、管理規(guī)劃和決策分析提供有效的信息支持。

1研究區(qū)與數(shù)據(jù)源

1.1研究區(qū)概況

微山縣位于山東省南部與江蘇省交界地區(qū)，地理坐標為E116°34′～117°24′，N34°27′～35°20′，東依鄒滕丘陵，西臨蘇北平原； 總地勢北高南低，地面平均海拔36.56 m； 屬于溫帶季風性氣候，冬季寒冷干燥，夏季高溫多雨。植被類型為溫帶落葉闊葉林，農(nóng)業(yè)為典型的北方種植結構，主要種植冬小麥與玉米。冬小麥在10月播種，翌年5月份收獲； 玉米在5月份播種，10月初收獲。

1.2數(shù)據(jù)源選擇

采用UAV搭載數(shù)碼相機(Canon EOS 5D Mark II)獲取的研究區(qū)圖像，成像時間為2013年5月12日，空間分辨率為0.16 m。研究區(qū)主要植被類型為冬小麥，有少量闊葉林。為便于分析不同顏色指數(shù)的植被識別效果，選取9景地物組成多樣、具有代表性的UAV圖像。對其進行裁剪處理、去除無效區(qū)域后，圖像大小為4 860像元×3 744像元(圖1)。

圖1　研究區(qū)UAV圖像

在UAV圖像中，植被呈綠色，其中冬小麥呈暗綠色，闊葉林的顏色較冬小麥鮮艷； 非植被區(qū)域與植被區(qū)域有較明顯的差異，其地物的主要類型包括裸土地、建筑物和農(nóng)業(yè)大棚等，其中裸土地主要呈棕色。建筑物因屋頂材質不同而不同，主要呈灰色或藍色； 農(nóng)業(yè)大棚因主要材質為塑料，在圖像中呈亮灰色，反光明顯。

9景UAV圖像中的地物分布特征見表1。

表1　地物類型概況

由表1可知，圖像(a)中冬小麥占大多數(shù)，有少量的闊葉林，建筑物頂部主要為灰色與藍色； (b)(e)(f)中建筑物較多，其余為植被區(qū)域，其中(e)(f)有大量闊葉林； (c)(g)(h)中主要地物類型為冬小麥，(h)中裸土地較多； (i)中的地物主要為冬小麥與農(nóng)業(yè)大棚，這2種地物在圖像上差異明顯。

為了檢驗不同顏色指數(shù)對植被信息提取的效果，本文對照實地驗證數(shù)據(jù)，采用人工方法勾繪出植被覆蓋的區(qū)域，并進行二值化處理。在處理結果圖像上非植被區(qū)呈黑色(圖2)。

圖2　人工勾選植被區(qū)二值化驗證用圖像

由于無人機飛行高度較低，圖像實際地面分辨率優(yōu)于0.5 m，因此對照實地驗證數(shù)據(jù)人工勾繪植被覆蓋區(qū)的效果真實地反映了地面的實際植被分布情況。

2原理與方法

基于研究區(qū)的9景UAV圖像，首先計算NGRDI，ExG，ExG-ExR和GLI顏色指數(shù)； 然后使用OTSU方法自動確定植被檢測閾值，提取出植被信息； 最后對不同顏色指數(shù)的植被識別結果進行精度評估和效果分析。圖3為本文技術路線。

圖3　技術路線

2.1RGB色域

顏色是人類視覺感知的概念，人眼視網(wǎng)膜包含4%的藍色、32%的綠色和64%的紅色視錐細胞[13]。UAV搭載的數(shù)碼相機類似于人類視覺系統(tǒng)，所拍攝到的圖像顏色也基于RGB三原色成像原理。UAV圖像在計算機中存儲時，采取每一像元用24 bit表示的方法，紅、綠、藍三原色分別占8 bit(無符號整型)。用0～255定義顏色的深淺，(0, 0, 0)為黑色，(255, 255, 255)為白色，(255, 0, 0)為紅色，(0, 255, 0)為綠色，(0, 0, 255)為藍色。健康植被在RGB色域中呈綠色，紅光、藍光波段的DN值相對綠光波段DN值較小。綠色植被因葉綠素等植物生化組分和冠層結構等的差異而在紅光、綠光、藍光波段具有不同的反射率特征。

2.2顏色指數(shù)

2.2.1歸一化綠-紅差值指數(shù)(NGRDI)

NGRDI指數(shù)為使用綠光波段與紅光波段之差做歸一化比值的指數(shù)，旨在消除不同輻照度對植被光譜特征的影響[8]。其計算方法為

NGRDI=(G-R)/(G+R) ,

(1)

式中：G，R分別是綠光與紅光波段的DN值；NGRDI的理論值在-1～1之間。

2.2.2過綠指數(shù)(ExG)

ExG指數(shù)在農(nóng)田識別方面應用較多，用于自動分離作物與土壤[3]。其計算方法為

ExG=2g-r-b ,

(2)

式中：r，g，b分別為紅、綠、藍色度坐標(數(shù)值在0～1之間)，r+g+b=1。其中：

(3)

式中R*,G*,B*分別為歸一化的紅、綠、藍波段DN值(數(shù)值在0～1之間)，即

(4)

式中Rmax，Gmax，Bmax分別為R，G，B分量的最大值，在24 bit存儲方式中均為255。

2.2.3過綠減過紅指數(shù)(ExG-ExR)

ExG-ExR作為一種改進的顏色指數(shù)，Meyer等通過將ExG指數(shù)圖像與ExR指數(shù)圖像相減，發(fā)現(xiàn)基于0閾值的ExG-ExR指數(shù)可以很好地將植被與背景分離[7]。其計算方法為

ExG-ExR=3g-2.4r-b ,

(5)

式中ExR(excess red index)為過紅指數(shù)，即

ExR=1.4r-g 。

(6)

2.2.4綠葉指數(shù)(GLI)

GLI最早由Louhaichi等[9]提出，用于記錄放牧對小麥的影響。GLI指數(shù)通過判斷紅光波段與藍光波段DN值的平均值是否大于綠光波段DN值來生成灰度圖像，并進行歸一化處理，使結果圖像的像元值在-1～1之間。通常情況下，負值代表土壤與非植被區(qū)域，正值區(qū)域則為植被。其計算方法為

GLI=(2G-R-B)/(2G+R+B) 。

(7)

2.3植被提取

通過建立不同顏色指數(shù)的閾值檢測模型進行植被識別。經(jīng)過顏色指數(shù)灰度化之后的圖像直方圖上表現(xiàn)出2個明顯的波峰，分別代表綠色植被和背景。選取2個波峰之間的波谷處作為閾值，可以很好地從非植被背景中分離出植被目標。選取OTSU方法作為自動閾值確定方法，進行植被目標的識別與提取。OTSU[14]方法是一種自適應的閾值提取方法，它按照圖像的灰度特性將圖像分為前景與背景2部分，前景與背景間的類間方差越大，2部分之間的差別也就越大。OTSU方法能使類間方差達到最大的閾值即為最佳閾值。

定義圖像I(x,y)，閾值為T； 前景像元點占整景圖像的比例為W0，平均灰度為μ0； 背景像元點占整景圖像的比例為W1，平均灰度為μ1； 圖像總平均灰度μ，類間方差為σ； 圖像大小M像元×N像元，灰度小于T的像元個數(shù)為N0； 灰度大于T的像元個數(shù)為N1。則有

(8)

(9)

N0+N1=MN ，

(10)

W0+W1=1 ，

(11)

μ=W0μ0+W1μ1,

(12)

σ=W0(μ0-μ)2+W1(μ1-μ)2。

(13)

求得使σ最大的閾值T即為最佳閾值。

2.4精度驗證

本文的植被識別結果通過與經(jīng)過實地驗證、反映實際植被覆蓋情況的人工提取結果進行對比檢驗獲得。通過確定植被正確識別、植被錯分為非植被和非植被錯分為植被的區(qū)域，統(tǒng)計植被正確識別的精度。為了考察地面目標結構對植被識別精度的影響，本文分區(qū)域進行精度評價，查找精度最高與最低的分塊區(qū)域； 通過分析該區(qū)域中的地物組成類型，確定影響各顏色指數(shù)識別精度的主導地物類型及組合。

3結果與討論

3.1不同顏色指數(shù)計算結果

通過計算得到NGRDI，ExG，ExG-ExR與GLI這4種顏色指數(shù)的灰度化圖像。以圖1(a)為樣例，4種顏色指數(shù)的灰度化圖像對不同的地面目標具有不同的反映，對植被的識別效果也不同(圖4)。其灰度直方圖見圖5。

(a) NGRDI(b) ExG (c) ExG-ExR (d) GLI

圖44種顏色指數(shù)灰度化圖像

Fig.4Grayscale images of 4 color indices

(a) NGRDI(b) ExG (c) ExG-ExR(d) GLI

圖54種顏色指數(shù)灰度直方圖

Fig.5Grayscale histograms of 4 color indices

圖4(a)中，藍色屋頂?shù)慕ㄖ颪GRDI灰度值最高，呈白色； 灰色建筑物、道路與裸土地的灰度值較低，呈黑色； 植被的灰度值介于兩者之間。在圖5(a)中表現(xiàn)為2個波峰，分別為植被與其他地物，2個波峰之間沒有明顯的界限。以2個波峰之間的波谷作為閾值點，藍頂建筑物會被錯分為植被，表明該指數(shù)并不適于區(qū)分植被。

圖4(b)中，灰頂建筑與裸土地ExG灰度值較低，呈黑色； 藍頂建筑物與植被灰度相近。在圖5(b)中表現(xiàn)為2個明顯的波峰，分別為植被與其他地物，波峰之間界限清楚。

圖4(c)中，藍色屋頂?shù)慕ㄖ顴xG-ExR灰度值最高，呈白色； 灰色建筑物、道路與裸土地的灰度值較低，呈黑色。由圖5(c)分析發(fā)現(xiàn)，ExG-ExR灰度圖像整體像元灰度值偏大，波峰之間界限較明顯。

圖4(d)中，灰色建筑物與裸土地GLI灰度值較低，呈黑色； 藍頂建筑物灰度值在0值附近擺動。在圖5(d)中表現(xiàn)為2個明顯的波峰，分別為植被與其他地物，波峰之間界限清楚。以2個波峰之間的波谷作為閾值點，ExG,ExG-ExR和GLI都可以較好地將植被與其他地物分開。

表2和表3給出了4種顏色指數(shù)在灰度化圖像中不同地物類型的灰度特征，從中可以發(fā)現(xiàn)冬小麥和闊葉林的顏色指數(shù)灰度區(qū)間與其他地物類型具有明顯的差異。

表2　灰度化圖像地物灰度區(qū)間

表3　灰度化圖像直方圖統(tǒng)計特征

3.2結果與精度分析

利用4種顏色指數(shù)的灰度圖像，結合地面調查信息，采用OTSU閾值方法提取了研究區(qū)的植被信息。圖6為不同顏色指數(shù)植被識別后的二值化圖像。

(a) NGRDI(b) ExG(c) ExG-ExR

(d) GLI(e) 驗證圖像 (f) 原始圖像

圖6OTSU閾值二值化圖像對比

Fig.6Comparison of binary images of different indices by OTSU threshold method

分析圖6可以發(fā)現(xiàn)，ExG和GLI指數(shù)的植被識別結果與按地面實況人工勾選的驗證圖像最接近，而NGRDI和ExG-ExR指數(shù)的植被識別結果均與驗證圖像存在較大偏差。在原始圖像(圖1(a))中城鎮(zhèn)下方為冬小麥種植區(qū)域，而NGRDI指數(shù)的植被識別結果有較多區(qū)域被錯分為背景。表4為4種顏色指數(shù)對9景圖像(圖1(a)—(i))的植被識別效果評估。

表4　4種顏色指數(shù)提取效果評估

①-1為其他地物錯分為植被； ② 0為植被正確提??； ③ 1為植被錯分為其他地物。

從表4可以看出，4種指數(shù)中，ExG-ExR指數(shù)識別精度最高，平均達91%，整體精度也較穩(wěn)定。其他指數(shù)識別精度也較高，而且ExG和GLI指數(shù)標準差較小，整體的識別精度穩(wěn)定，提取結果的偏差也不大。從精度與穩(wěn)定性綜合考慮，ExG-ExR指數(shù)最值得推薦用于UAV圖像植被信息提??； ExG和GLI指數(shù)也可有效進行植被識別。

3.3精度影響因素分析

為檢驗不同地物類型對植被識別精度的影響，對UAV圖像(圖1(a))進行(3×3)區(qū)域劃分，每個網(wǎng)格大小為1 620像元×1 248像元； 對每個網(wǎng)格進行植被比例的單獨統(tǒng)計，統(tǒng)計不同格網(wǎng)內(nèi)冬小麥、闊葉林和建筑物/道路所占的比例及植被識別精度，以對比分析不同地類對植被識別精度的影響。

圖像中冬小麥所占比例與植被識別精度呈正比關系。當其比例超過80%時，4種顏色指數(shù)的植被識別精度都達到了90%以上。其中ExG和GLI與冬小麥比例的對應關系最好(圖7)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

圖7冬小麥比例對植被識別精度的影響

Fig.7Influence of winter wheat proportion on extraction accuracy

闊葉林所占比例在一定程度上會降低各顏色指數(shù)植被識別精度。當其比例超過25%時，植被識別精度不足90%。其中NGRDI指數(shù)植被識別精度與闊葉林比例的關系最不顯著(圖8)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

圖8闊葉林比例對植被識別精度的影響

Fig.8Influence of broad-leaved forest proportion on extraction accuracy

建筑物/道路所占的比例與植被識別精度呈反比關系。當其比例低于25%時，植被識別精度均達到90%以上。ExG-ExR指數(shù)的植被識別精度與建筑物/道路比例的相關性最大(圖9)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

圖9建筑物/道路比例對植被識別精度的影響

Fig.9Influence of building and road proportion on extraction accuracy

闊葉林與建筑物較多的區(qū)域植被識別精度最低，其原因在于高大樹木與建筑物會產(chǎn)生陰影，而陰影的RGB光譜特征與暗綠色的冬小麥很接近，容易將陰影錯分為植被。但圖像中裸土地所占比例對4種顏色指數(shù)的植被識別精度無明顯的影響。

綜合分析4種指數(shù)在各圖像中出現(xiàn)的植被識別精度驟減的區(qū)塊(圖1，表5)可以看出，對于4種顏色指數(shù)，圖1(a)第5塊區(qū)域的植被識別精度均較低，其中建筑物/道路所占比例為30%，主要為藍頂建筑物。藍頂建筑物各顏色指數(shù)普遍大于直方圖波谷處的值，因此大于OTSU自動計算得到的閾值，導致藍頂建筑物容易被錯分為植被。圖1(b)第8塊區(qū)域地物類型多樣，其精度同樣受到建筑物屋頂顏色的影響。圖1(c)第8塊區(qū)域、圖1(d)第7塊區(qū)域，圖1(e)第3塊區(qū)域和圖1(f)的第7,8,9塊區(qū)域影像內(nèi)陰影較多，陰影被錯分為植被，造成植被識別精度降低。在圖1(g)與圖1(h)精度出現(xiàn)驟減的區(qū)域中，部分裸地被錯分為了植被區(qū)域。圖1(i)中農(nóng)業(yè)大棚較多，隨著大棚所占比例的增加，植被識別精度下降。

表5　4種顏色指數(shù)精度驟減區(qū)域①

①表中數(shù)字為植被識別精度出現(xiàn)驟減的區(qū)域編號。

4種顏色指數(shù)對植被與背景差別較大區(qū)域的植被識別精度最高。對于NGRDI指數(shù)，建筑物較多區(qū)域的植被識別精度最低。雖然NGRDI指數(shù)對植被的整體識別精度較低，但闊葉林比例增大對NGRDI指數(shù)影響不大，在闊葉林較多的區(qū)域，可以考慮使用NGRDI指數(shù)輔助其他3種顏色指數(shù)對植被進行識別。

4結論

本文選用NGRDI,ExG,ExG-ExR和GLI等4種顏色指數(shù)，建立UAV圖像灰度化圖像； 利用OTSU自動閾值方法提取植被信息，植被識別平均精度均達到90%以上。得出結論如下：

1)ExG-ExR指數(shù)的總體植被識別精度最高，精度較穩(wěn)定，優(yōu)于其他算法。ExG與GLI指數(shù)能以較高的精度分離植被與背景區(qū)域，同時植被識別精度穩(wěn)定，計算方法簡單，可以作為一種有效的UAV圖像植被信息提取方法。NGRDI指數(shù)也能以較高的精度提取植被信息，但與其他算法相比波動較大。

2)4種顏色指數(shù)對藍頂建筑的識別精度均較差。藍頂建筑的顏色指數(shù)特征與植被差異較小，容易被錯分為植被。對于農(nóng)業(yè)大棚較多的區(qū)域，4種指數(shù)識別精度均有明顯的降低，原因是大棚頂棚有一定的透過率，大棚內(nèi)綠色植被會對大棚的圖像特征產(chǎn)生影響。

3)4種指數(shù)對植被和背景特征反差較大的圖像植被識別精度均較高。4種顏色指數(shù)的植被識別精度與冬小麥所占比例成正比，與闊葉林、建筑物/道路所占比例成反比。

在后續(xù)的研究中，將集中關注不同光照環(huán)境對顏色指數(shù)的影響、顏色指數(shù)改進、光照影響去除和顏色指數(shù)定量分析等方面，并考慮引入紋理等特征，實現(xiàn)農(nóng)田與樹木的分離，去除藍頂建筑與陰影的影響。

參考文獻(References)：

[1]Torres-Sánchez J,Pea-Barragán J M,Gómez-Candón D,et al.Imagery from Unmanned Aerial Vehicles for Early Site Specific Weed Management[M]//Precision Agriculture.The Netherlands:Wageningen Academic Publishers,2013:193-199.

[2]Motohka T,Nasahara K N,Oguma H,et al.Applicability of green-red vegetation index for remote sensing of vegetation phenology[J].Remote Sensing,2010,2(10):2369-2387.

[3]Woebbecke D M,Meyer G E,Bargen K V,et al.Color indices for weed identification under various soil,residue, and lighting conditions[J].Transactions of the ASABE,1995,38(1):259-269.

[4]遲德霞,張偉,王洋.基于EXG因子的水稻秧苗圖像分割[J].安徽農(nóng)業(yè)科學,2012,40(36):17902-17903.

Chi D X,Zhang W,Wang Y.Segmentation of rice seedling image based on EXG factor[J].Journal of Anhui Agricultural Sciences,2012,40(36):17902-17903.

[5]胡健波,張璐,黃偉,等.基于數(shù)碼照片的草地植被覆蓋度快速提取方法[J].草業(yè)科學,2011,28(9):1661-1665.

Hu J B,Zhang L,Huang W,et al.Quickly determining grassland cover using the digital image[J].Pratacultural Science,2011,28(9):1661-1665.

[6]龍滿生,何東健.玉米苗期雜草的計算機識別技術研究[J].農(nóng)業(yè)工程學報,2007,23(7):139-144.

Long M S,He D J.Weed identification from corn seedling based on computer vision[J].Transactions of the CSAE,2007,23(7):139-144.

[7]Meyer G E,Neto J C.Verification of color vegetation indices for automated crop imaging applications[J].Computers and Electronics in Agriculture,2008,63(2):282-293.

[8]Hunt E R Jr,Cavigelli M,Daughtry C S T,et al.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J].Precision Agriculture,2005,6(4):359-378.

[9]Louhaichi M,Borman M M,Johnson D E.Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J].Geocarto International,2001,16(1):65-70.

[10]Hunt E R Jr,Daughtry C S T,Eitel J U H,et al.Remote sensing leaf chlorophyll content using a visible band index[J].Agronomy Journal,2001,103(4):1090-1099.

[11]Hunt E R Jr,Doraiswamy P C,McMurtrey J E,et al.A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J].International Journal of Applied Earth Observation and Geoinformation,2013,21:103-112.

[12]Shimada S,Matsumoto J,Sekiyama A,et al.A new spectral index to detect Poaceae grass abundance in Mongolian grasslands[J].Advances in Space Research,2012,50(9):1266-1273.

[13]Meyer G E,Neto J C,Jones D D,et al.Intensified fuzzy clusters for classifying plant,soil,and residue regions of interest from color images[J].Computers and Electronics in Agriculture,2004,42(3):161-180.

[14]Gonzalez R C,Woods R E. Digital Image Processing[M].3rd ed.Beijing:Publishing House of Electronics Industry,2010:479-483.

(責任編輯： 李瑜)

Vegetation extraction method based on color indices from UAV images

DING Leilong1, 2， LI Qiangzi2， DU Xin2， TIAN Yichen2， YUAN Chao2

(1.SchooloftheEarthSciencesandResonrces,ChinaUniversityofGeosciences(Beijing)，Beijing100083，China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences，Beijing100101，China)

Abstract:Vegetation extraction plays a key role in such aspects as agricultural monitoring, ecological and environmental function evaluation. Traditionally, it is a labor input task before remotely sensed images are involved. Yet it is difficult to deal with conditions when clouds exist. Therefore, scenes become hopeful when unmanned aerial vehicle(UAV) images emerge in vegetation extraction, and hence this means is a low-cost and flexible way with high spatial resolution. High efficiency methods are therefore required to extract vegetation area automatically using UAV images, preferentially with various color indices always involved. The problem is that there is no evaluation of the effects of vegetation extraction with different color indices. In this paper, Weishan County of Shandong Province was chosen as the study area and four color vegetation indices comprising normalized green-red difference (NGRDI), excess green (ExG), excess green minus excess red (ExG-ExR) and green leaf index (GLI) were selected to extract vegetation information from UAV images with OTSU threshold values. The results show that all the color indices are capable of extracting vegetation area with accuracies above 90%. ExG-ExR index could more likely generate higher accurate results than other indices. ExG and GLI indices generate relatively high accurate and stable results, and could also be used for effective vegetation extraction. For images with high RGB value contrast between vegetation and background, all the color indices work especially well. Further analysis has revealed that accuracies of vegetation extraction have positive relationship with the proportion of winter wheat in images, and exhibit negative relationship with the proportion of broadleaf trees, buildings and roads.

Keywords:unmanned aerial vehicle(UAV)； vegetation extraction； color index； RGB color space

通信作者：李強子(1970-),男,博士,研究員,主要從事農(nóng)業(yè)遙感應用方面研究。Email： liqz@radi.ac.cn。

作者簡介：第一 丁雷龍(1988-),男, 碩士研究生,主要研究方向為農(nóng)業(yè)遙感與生態(tài)環(huán)境遙感。Email： dingleilong@163.com。

中圖法分類號：TP 751.1

文獻標志碼：A

文章編號：1001-070X(2016)01-0078-09

收稿日期：2014-08-27；

修訂日期：2014-10-29

doi:10.6046/gtzyyg.2016.01.12

引用格式： 丁雷龍,李強子,杜鑫,等.基于無人機圖像顏色指數(shù)的植被識別[J].國土資源遙感,2016,28(1)：78-86.(Ding L L,Li Q Z,Du X,et al.Vegetation extraction method based on color indices from UAV images[J].Remote Sensing for Land and Resources,2016,28(1)：78-86.)