基于可見(jiàn)光波段的城市航空影像植被提取

周勇兵，朱永清

(1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2.長(zhǎng)江水利委員會(huì) 長(zhǎng)江流域水土保持監(jiān)測(cè)中心站，湖北 武漢 430015)

?

基于可見(jiàn)光波段的城市航空影像植被提取

周勇兵1，朱永清2

(1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079；2.長(zhǎng)江水利委員會(huì) 長(zhǎng)江流域水土保持監(jiān)測(cè)中心站，湖北 武漢 430015)

指出了通過(guò)遙感技術(shù)提取植被信息已經(jīng)是植被提取的主要方式，而植被指數(shù)是遙感技術(shù)植被提取的重要手段。植被在近紅外波段有一個(gè)反射峰值，根據(jù)這一特性，植被指數(shù)一般都包含近紅外波段。由于航空攝影一般都只搭載僅包含可見(jiàn)光波段的數(shù)碼相機(jī)，所以需要設(shè)計(jì)出僅依賴可見(jiàn)光波段的波段指數(shù)來(lái)提取植被信息。試驗(yàn)比較了幾種主要的可見(jiàn)光波段指數(shù)方法，通過(guò)比較其效果發(fā)現(xiàn)，航空影像植被指數(shù)跟綠波段和藍(lán)波段的差異較為相關(guān)，而跟紅波段相關(guān)性小。進(jìn)而提出了一種加強(qiáng)綠波段和藍(lán)波段差異的植被指數(shù)，試驗(yàn)結(jié)果證明：提取的植被效果很好，可以作為航空影像植被提取的一個(gè)有效方法。

航空影像；植被指數(shù)；可見(jiàn)光；植被提取

1　引言

在有關(guān)氣候或環(huán)境的研究中，植被通常是一個(gè)重點(diǎn)關(guān)注的內(nèi)容。植被在生態(tài)系統(tǒng)中占據(jù)重要的作用，如凈化空氣、保持水土、調(diào)節(jié)氣候、防風(fēng)護(hù)沙。通過(guò)研究植被進(jìn)而了解生態(tài)環(huán)境已經(jīng)是一個(gè)常規(guī)方法。傳統(tǒng)的考察方法主要依靠實(shí)地考察，需要消耗大量的人力和物力，已經(jīng)越來(lái)越不適用。伴隨著遙感技術(shù)的發(fā)展，人們將遙感技術(shù)運(yùn)用到植被的研究當(dāng)中，極大地節(jié)省了人力和物力。在林業(yè)和遙感領(lǐng)域的專家學(xué)者的推動(dòng)下，遙感技術(shù)考察植被已經(jīng)成為一個(gè)研究的熱門。

植被指數(shù)通過(guò)組合不同波段的數(shù)據(jù)來(lái)對(duì)植被的生長(zhǎng)狀況、覆蓋度來(lái)進(jìn)行描述，仍然是植被提取的一個(gè)主要手段[1]。通過(guò)它可以有效地反演植被的覆蓋度、生物量和葉面積指數(shù)等生物物理和化學(xué)指數(shù)[2]。植被指數(shù)是根據(jù)植被特有的光譜特征來(lái)構(gòu)建的，但植被指數(shù)受很多的因素影響，主要是生物和物理方面的因素，包括植被的覆蓋度、種類、大氣和土壤的影響等[3，4]。一般的植被指數(shù)都是基于衛(wèi)星遙感影像的可見(jiàn)光和近紅外波段來(lái)構(gòu)造[5]，然而衛(wèi)星遙感影像的空間分辨率和時(shí)間分辨率都不高，生成的植被指數(shù)往往不夠精準(zhǔn)而且存在滯后的問(wèn)題[6]。

航空影像具有空間分辨率高的特點(diǎn)，可以為植被提取提供更精確詳細(xì)的數(shù)據(jù)。隨著“智慧城市”等的推進(jìn)，通過(guò)高分辨率航空影像來(lái)對(duì)城市環(huán)境進(jìn)行認(rèn)識(shí)和控制變得必不可少。航空影像植被提取也引起了國(guó)內(nèi)外很多專家學(xué)者的注意，如Walker等利用高分辨率遙感影像通過(guò)面向?qū)ο蟮姆椒▉?lái)提取城市植被信息[7]。航空影像搭載的可見(jiàn)光相機(jī)有紅綠藍(lán)3個(gè)成像波段，其波長(zhǎng)范圍分別為600～700 nm、520～600 nm、450～520 nm[8]。基于此，必須設(shè)計(jì)一種只利用可見(jiàn)光波段的植被指數(shù)來(lái)提取植被。

城市航空影像的地物類別一般是比較少的，主要有以下幾類：植被、建筑物、道路、水體。所以植被的提取基本上可以等價(jià)于將植被和建筑物、道路水體等其它地物區(qū)分出來(lái)的過(guò)程。這個(gè)過(guò)程主要依靠地物的光譜特征來(lái)進(jìn)行區(qū)分，通過(guò)區(qū)分不同地物的光譜特征來(lái)達(dá)到區(qū)分不同地物的目的。

植被的反射波譜特征主要是：在可見(jiàn)光中的0.55 μm(綠波段)有一個(gè)波峰，在0.45 μm(藍(lán)波段)和0.67 μm(紅波段)有兩個(gè)吸收帶，在近紅外波段0.8～1.0 μm間有一個(gè)反射的陡坡，至1.1 μm附近出現(xiàn)峰值，在1.3～2.5 μm(中紅外波段)間為反射率迅速下降的區(qū)間[9]。其反射波譜特征曲線如圖1(a)所示。

建筑物的反射波譜特征主要是：在城市遙感影像中，主要是因建筑物頂部和部分側(cè)面的建筑材料不同而有所差異，鐵皮屋頂一般是灰色，反射率較低，曲線比較平坦，水泥平頂一般也為灰色，反射率稍高，瀝青粘砂屋頂,由于其表面鋪著的砂石反射率較高，所以反射率要更高一點(diǎn)，石棉瓦反射率最高，還有一種為綠色塑料棚頂，它和植被有點(diǎn)相似，在綠波段附近有一個(gè)反射峰值，但在近紅外波段附近沒(méi)有反射峰值，可以作為區(qū)別植被的一個(gè)特征[9]。其反射波譜特征曲線如圖1(b)所示。

道路的反射波譜特征主要是：城市里主要是水泥地和瀝青，少量的土路，水泥地的反色率最高，土路次之，瀝青路最低[9]。其反射波譜特征曲線如圖1(c)所示。

水體的反射波譜特征主要是：水體在藍(lán)綠光波段反射率較強(qiáng),在其他波段反射率很弱,特別在近紅外、中紅外波段吸收率非常強(qiáng),幾乎不反射[9]。但是水體往往會(huì)含有一定量的水生植物，其波譜特征曲線也會(huì)表現(xiàn)出植被的一些特征。其反射波譜特征曲線如圖1(d)所示。

圖1不同地物反射波譜特征曲線

2　波段指數(shù)提取植被方法

大多數(shù)的植被指數(shù)都包含近紅外波段，這跟植被波譜特征有關(guān)，這樣的波段指數(shù)現(xiàn)在已經(jīng)有100多種了[10]。但航空影像一般都只有紅、綠、藍(lán)可見(jiàn)光波段，這個(gè)時(shí)候必須設(shè)計(jì)一種利用可見(jiàn)光波段的植被指數(shù)?，F(xiàn)在提出的可見(jiàn)光波段植被指數(shù)主要有，歸一化綠紅差異指數(shù)NGRDI[11]、歸一化綠藍(lán)差異指數(shù)NGBDI[12]、紅綠比值指數(shù)RGRI[13]、藍(lán)綠比值指數(shù)BGRI[14]、過(guò)綠指數(shù)EXG[15]、植被指數(shù)VEG[16]、超綠超紅差分指數(shù)EXGR[17]、植被顏色指數(shù)CIVE[18]、紅綠藍(lán)植被指數(shù)RGBVI[19]、可見(jiàn)光波段差異植被指數(shù)VDVI[15]。

NGRDI= (Green-Red)/(Green+Red)

NGBDI= (Green-Blue)/(Green+Blue)

RGRI= Red/Green

BGRI= Blue/Green

EXG=2×Green-Red-Blue

VEG=Green/(Red^0.67 Blue^0.33 )

EXGR=EXG-1.4×Red-Green

CIVE=0.44×Red-0.88×Green+0.39×Blue+18.79

RGBVI= (Green^2-(Red×Blue))/(Green^2+(Red×Blue))

VDVI= (2×Green-Red-Blue)/(2×Green+Red+Blue)

E-NGBDI=(Green^2-Blue^2)/(Green^2+Blue^2 )

當(dāng)計(jì)算得到圖像的波段指數(shù)灰度圖后，可以設(shè)定一個(gè)閾值來(lái)區(qū)分出植被和非植被區(qū)域。確定閾值的方法有很多，例如全局閾值法、局部自適應(yīng)閾值法，最大熵自動(dòng)閾值法[20～26]。

3　試驗(yàn)

筆者先試驗(yàn)比較了8種不同的植被指數(shù)用來(lái)提取植被，分別是NGBDI、NGRDI、GRRI(RGRI的倒數(shù))、GBRI(BGRI的倒數(shù))、EXG、RGBVI、VDVI、E-NGBDI。

3.1試驗(yàn)數(shù)據(jù)

試驗(yàn)圖像如圖2所示。

圖2　試驗(yàn)圖像

此景像圖包含城市航空影像的主要地物，包括植被(草地和林地)、道路、水體、建筑(圖2)。

3.2實(shí)驗(yàn)步驟與分析

分別求出實(shí)驗(yàn)圖像的8種植被指數(shù)灰度圖，如圖3所示。

從圖3可以看出，首先排除的是GBRI和GRRI，可見(jiàn)單純的通過(guò)綠波段和藍(lán)波段或者紅波段的比值來(lái)提取植被是不可靠的，其他的提取方法中，E-NGBDI、NGBDI的提取效果最好，其次是RGBVI、VDVI、EXG，最后是NGRDI。據(jù)此可以得出結(jié)論，使用綠波段和藍(lán)波段的植被指數(shù)提取效果最好，而使用綠波段和紅波段的植被指數(shù)提效果最差，使用3個(gè)波段的植被指數(shù)提取效果在兩者之間。

圖3植被指數(shù)灰度

根據(jù)觀察上述生成的灰度圖，發(fā)現(xiàn)植被和水體較相似，這是因?yàn)槌鞘兴w往往受到一些污染，會(huì)有一些水生植物的存在，這樣會(huì)影響植被和水體的區(qū)分。

為了觀察不同的植被指數(shù)方法的分類效果，通過(guò)全局閾值法(閾值統(tǒng)一設(shè)置為170)將灰度圖像轉(zhuǎn)化為二值圖像，白色代表植被，黑色代表非植被，它們的結(jié)果圖如圖4所示。

圖4植被指數(shù)二值

從二值圖可以看出，在這個(gè)閾值選擇下，只有E-NGBDI、NGBDI、RGBVI的分類效果較好，其中E-NGBDI的分類效果最好。

隨機(jī)選擇500個(gè)已知點(diǎn)，求得NGBDI和E-NGBDI的混淆矩陣如表1、表2所示。

表1　NGBDI的混淆矩陣

表2　E-NGBDI的混淆矩陣

從表1和表2可以看出，雖然在將非植被提取為植被的錯(cuò)誤率，NGBDI的精度稍稍好一點(diǎn)，但將植被提取為非植被的錯(cuò)誤率，NGBDI明顯高于E-NGBDI，綜合來(lái)看，E-NGBDI的分類精度要高于NGBDI。

4　結(jié)論

通過(guò)可見(jiàn)光波段植被指數(shù)來(lái)提取城市航空影像植被信息是可取的，主要是通過(guò)綠波段和藍(lán)波段的差異來(lái)提取。提增強(qiáng)型綠藍(lán)差異植被指數(shù)通過(guò)增強(qiáng)綠藍(lán)波段值得差異來(lái)對(duì)植被進(jìn)行提取，精度較高。

[1]郭鈮. 植被指數(shù)及其研究進(jìn)展[J]. 干旱氣象， 2003,21(4)：71～75.

[2]江洪，汪小欽，吳波，等. 地形調(diào)節(jié)植被指數(shù)構(gòu)建及在植被覆蓋度遙感監(jiān)測(cè)中的應(yīng)用[J]. 福州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，38(4)：527～532.

[4]田慶久，閔祥軍. 植被指數(shù)研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，1998，13(4)：327～333.

[5]田慶久,閔祥軍. 植被指數(shù)研究進(jìn)展[J]. 地球科學(xué)進(jìn)展,1998(4):10～16.

[6]井然,鄧?yán)?趙文吉,等. 基于可見(jiàn)光植被指數(shù)的面向?qū)ο鬂竦厮脖惶崛》椒╗J]. 應(yīng)用生態(tài)學(xué)報(bào),2016(5):1427～1436.

[7]WALKER J S，BRIGGS J M． An object-oriented classificationof an arid urban forest withtrue-color aerialphotography[C]∥3rd International Symposium of RemoteSensing and DataFusion Over Urban Areas.USA．2005: 66～85．

[8]張正健,李愛(ài)農(nóng),邊金虎,等. 基于無(wú)人機(jī)影像可見(jiàn)光植被指數(shù)的若爾蓋草地地上生物量估算研究[J]. 遙感技術(shù)與用,2016(1):51～62.

[9]孫家抦．遙感原理與運(yùn)用[M]．武漢: 武漢大學(xué)出版社，2002：18～20．

[10]傅銀貞，汪小欽. 基于北京一號(hào)CCD 數(shù)據(jù)的植被指數(shù)特性分析[J]. 測(cè)繪科學(xué)，2010，35(6)：35～38.

[11]Meyer G E, Neto J C. Verification of colorvegetation indices fo automated crop image applicati0n[J].Computers and Electronics in Agriculture, 2008(63): 282～293.

[12]Hunt Jr E R,Cavigelli M,Daughtry C S T,et al. Evaluation of Digital Photography from Model Aricraft for Remote Sensing of Crop Biomass and Nitrogen Status[J]. Precision Agriculture,2005,6(4):359～378

[13]Gamon J A, Surfus J S. Assessing Leaf Pigment Content and Activity with a Reflectometer[J]. New Phytologist,1999,143(1):105～117.

[14]Sellaro R, Crepy M, Trupkin S A, et al. Cryptochrom as a Sensor of the Blue/Green Ratio of Natural Radiation in Arabidopsis[j].Plant Physiology,2010,154(1):401～409.

[15]汪小欽,王苗苗,王紹強(qiáng),等. 基于可見(jiàn)光波段無(wú)人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015(5):152～159.

[16]Hague T, Tillett N D, Wheeler H. Automated crop andweed monitoring in widely spacedcereals[J]. Precision Agriculture, 2006(7):21～32.

[17]孫國(guó)祥,汪小旵,閆婷婷,等. 基于機(jī)器視覺(jué)的植物群體生長(zhǎng)參數(shù)反演方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014(20):187～195.

[18]伍艷蓮,趙力,姜海燕,等. 基于改進(jìn)均值漂移算法的綠色作物圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014(24):161～167.

[19]Bending J, Yu K, Aasen H, et al. Combining UAV-based Plant Height from Crop Surface Models, Visible, and Near infrared Vegetation Indices for Biomass Monitoring in Barley[J]. International Journal of Applied Earth Observation & Geoinformation,2015(39):79～87.

[20]王麗榮. 基于高分辨率衛(wèi)星影像的城市綠地景觀分析[D]. 上海：上海交通大學(xué)，2007.

[21]黎薇. 基于遙感影像的城市綠地信息提取及分析[D]. 上海：華東師范大學(xué)， 2007.

[22]吳根梅. 植被覆蓋信息的提取方法研究[D]. 北京：北京林業(yè)大學(xué) ，2007.

[23]張春鵬. 基于高分辨率遙感影像的城市環(huán)境結(jié)構(gòu)信息提取研究[D]. 上海：華東師范大學(xué) ，2007.

[24]游麗平. 面向?qū)ο蟮母叻直媛蔬b感影像分類方法研究[D]. 福州：福建師范大學(xué)， 2007.

[25]朱瑞芳. 基于遙感影像的城市綠地信息提取方法研究[D]. 阜新:遼寧工程技術(shù)大學(xué) ，2005.

[26]李棟梁. 基于TM影像的水系信息提取及變化制圖研究[D]. 南京：河海大學(xué) ，2006.

Vegetation Extraction in Urban Aerial Image on the Basis of Visible Light Wave

Zhou Yongbing1, Zhu Yongqing2

(Instituteofremotesensinginformationengineering,WuhanUniversity,Wuhan, 430079,China)

This paper pointed out that extracting vegetation information through remote sensing was a main way of vegetation information extraction, and vegetation index was an important means of extracting vegetation information through remote sensing. Vegetation had a reflection peak in near-infrared wave band, according to the characteristics, vegetation index generally contained near-infrared wave band. As aerial photography only carried visible light wave band digital camera, we needed to design a vegetation index relying on visible light band to extract vegetation information. In this paper, we conducted a experiment comparing several main visible light wave band vegetation index, through which we found that vegetation index is related with the difference between green band and blue band, and rarely related with the red band. So we presented a vegetation index enhancing the difference between green band and blue band, which was proved a effective way from experiment.

aerial image; vegetation index; visible light; vegetation extraction

2016-07-05

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(編號(hào)：2013AA063905)

周勇兵(1991—)，男，武漢大學(xué)遙感信息工程學(xué)院碩士研究生。

TP751.1

A

1674-9944(2016)16-0247-04