?基于數(shù)碼相機(jī)圖像的水稻冠層識別方法?

摘 要：采用數(shù)碼相機(jī)獲取水稻冠層的圖像，提取圖像中紅（R）、綠（G）、藍(lán)（B）三通道的色值，依據(jù)水稻冠層在可見光范圍內(nèi)的光譜反射規(guī)律，設(shè)置3個(gè)簡單的判斷條件，以決策樹的形式，逐步剔除圖像中的非冠層部分，從而達(dá)到識別水稻冠層的目的。與人工目視解譯的結(jié)果進(jìn)行對比驗(yàn)證，該方法的冠層識別準(zhǔn)確率為91.91%，分別比支持向量機(jī)方法、最大似然法和神經(jīng)網(wǎng)絡(luò)方法高1.56、5.56和15.65個(gè)百分點(diǎn);合計(jì)準(zhǔn)確率為90.58%，Kappa系數(shù)為0.79，其數(shù)值低于支持向量機(jī)方法（91.55%，0.81），但均高于最大似然法（89.35%，0.77）和神經(jīng)網(wǎng)絡(luò)方法（83.48%，0.66）。該方法識別精度較高，計(jì)算簡便，顯示出在水稻冠層識別上有較大的應(yīng)用潛力。

關(guān)鍵詞：水稻;冠層識別;數(shù)碼相機(jī);決策樹

中圖分類號：S126 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-060X（2018）02-0085-04

Rice Canopy Recognition Based on Digital Camera Image

YANG Shao-e1，DU Xin2，SU Li-rong1，QIN Fang1

（1. Guangxi Academy of Agricultural Sciences， Agricultural Resources and Environment Institute， Nanning 530007， PRC; 2. Institute of Remote Sensing and Digital Earth， Chinese Academy of Sciences， Beijing 100101， PRC）

Abstract：Using digital camera to obtain images of rice canopy， then extract the color value of red （R）， green （G） and blue （B），from the images， set 3 simple judgment conditions based on the characteristics of canopy spectral reflectance in the visible band， gradually eliminat the non-canopy area by using a decision tree algorithms， thereby identify the canopy. Verified with the visual interpretation result， this method’s accuracy of canopy identification was 91.91%， which was higher than the support vector machine method， the maximum likelihood method and neural network method by a percent of 1.56， 5.56 and 15.65 respectively. The total accuracy was 90.58%， Kappa coefficient was 0.79， which is less than the support vector machine method （91.55%， 0.81）， greater than the maximum likelihood method （89.35%， 0.77） and the neural network method （83.48%， 0.66）. This method has high recognition accuracy and is easy to calculate， show great potential in rice canopy recognition.

Key words：rice; canopy recognition; digital camera; decision tree

作物冠層圖像識別，通常是指在獲取的衛(wèi)星遙感影像、相機(jī)圖像、掃描儀圖像中，識別出綠色植物冠層部分，并剔除掉非冠層部分（如土壤、水體、枯葉、陰影等）。作物冠層圖像識別多被應(yīng)用于作物營養(yǎng)的快速診斷[1-4]，植物覆蓋度、葉面積指數(shù)的估

算[5-8]，進(jìn)而評估作物長勢、預(yù)估產(chǎn)量等。近年來，隨著技術(shù)提高，價(jià)格降低，數(shù)碼相機(jī)已相當(dāng)普及，利用其獲取冠層圖像非常便捷，因此越來越受到學(xué)者們的青睞。目前，針對數(shù)碼相機(jī)圖像的冠層識別方法主要有3種。一是使用Photoshop軟件的“色彩選擇”程序，人為手工地在圖像中選擇色彩相近的冠層區(qū)域[9-10];該方法的主要缺陷是耗時(shí)費(fèi)力，人為誤差較大。二是監(jiān)督學(xué)習(xí)分類方法，如支持向量機(jī)[11]、神經(jīng)網(wǎng)絡(luò)[12-14]、最大似然法等[15-16]，此類方法需要人工選擇監(jiān)督學(xué)習(xí)分類的純凈圖像樣本，然后根據(jù)樣本進(jìn)行學(xué)習(xí)，確定分類依據(jù);此類方法的缺點(diǎn)在于計(jì)算時(shí)間較長，而且需要事先選擇圖像樣本，樣本的選取質(zhì)量直接影響分類結(jié)果，操作不夠便捷。三是利用圖像中的紅（R）、綠（G）、藍(lán)（B）三通道的色值，根據(jù)植物冠層的光譜反射規(guī)律，設(shè)定相應(yīng)的計(jì)算公式進(jìn)行區(qū)分。此類方法較常用的指標(biāo)是2g-r-b[17]，其中g(shù)=G/（R+G+B），r=R/（R+G+B），b=B/（R+G+B）;其分類依據(jù)是圖像中土壤與綠色植物的2g-r-b差異，將圖像二值化處理即可區(qū)分開土壤和綠色植物;該方法的缺點(diǎn)是需要根據(jù)不同的圖像設(shè)置二值化閾值，閾值的設(shè)置對分類結(jié)果影響較大，容易將底層被陰影掩蓋的葉片錯(cuò)分為冠層葉片，同時(shí)將強(qiáng)光照射下的冠層葉片錯(cuò)分為非冠層，分類精度通常不如前2種方法。目前，常用的冠層識別方法較繁瑣，精度還有待提高，而針對數(shù)碼相機(jī)圖像進(jìn)行冠層識別方法的研究仍較少。因此，筆者基于數(shù)碼相機(jī)圖像中的紅（R）、綠（G）、藍(lán)（B）三通道色值，根據(jù)綠色葉片的光譜反射特征，設(shè)置3個(gè)簡單的分類條件，采用決策樹的分類方式，以達(dá)到簡便、快速、準(zhǔn)確識別水稻冠層的目的。

1 材料與方法

1.1 圖像獲取及處理

在晴天光線充足的情況下，設(shè)置數(shù)碼相機(jī)閃光燈關(guān)閉狀態(tài)，使用自動拍照模式，白平衡、曝光值均采用自動調(diào)節(jié)模式，垂直向下拍攝水稻冠層，獲得水稻冠層圖像。該試驗(yàn)在水稻分蘗期進(jìn)行拍攝，使用的是佳能550D數(shù)碼相機(jī)，圖像分辨率為2 595×1 728。為了減輕目視解譯的工作量，提高目視解譯的精度，截取了圖像中央的850×650區(qū)域進(jìn)行研究。

1.2 冠層識別方法

根據(jù)植物冠層的光譜反射特征，設(shè)置3個(gè)判斷條件，如圖1決策樹所示，圖像中的每個(gè)象元都依據(jù)這3個(gè)條件判斷是否為冠層或非冠層，只有滿足全部3個(gè)條件的象元才歸為冠層。

（1）G>R：綠色葉片最基本的特征是綠光反射值大于紅光反射值，因此不符合該條件的象元即為非冠層區(qū)域。

（2）G>max（G）×0.2：其中max（G）是指圖像中綠光通道的最大值，可反映圖像最大的亮度。因?yàn)榕臄z圖像時(shí)設(shè)置了自動拍照模式，白平衡、曝光值均采用自動調(diào)節(jié)模式，因此圖像中亮度較低的地方通常是光線較暗的底部陰影，或是其他黑色物體。設(shè)置條件Ggt;max（G）×0.2，是把圖像中低于最大亮度20%以下的圖像區(qū)域設(shè)定為陰影區(qū)域或黑色物體，歸屬于非冠層區(qū)域。

（3）G/B>1.15：設(shè)置該條件的目的，是把綠葉跟同樣是綠色的塑料、布料、油漆等區(qū)分開。這些物品通常是田間殘留的農(nóng)藥肥料包裝，或是工作人員穿著的鞋子、衣服、攜帶的工具等不慎被拍攝到圖像中。區(qū)分冠層綠葉與其他綠色物品的依據(jù)是：綠色冠層中綠光值顯著大于藍(lán)光值，而其他綠色物品的綠光值雖然大于藍(lán)光值，但與藍(lán)光值較為接近，因此其他綠色物品的G/B通常在1左右，而綠色冠層的G/B則通常大于1.1。這里設(shè)置閥值為1.15，以更好地去除掉非冠層的綠色物品。

1.3 冠層識別的具體實(shí)施

ENVI是一套功能強(qiáng)大的圖像處理軟件，能快速、準(zhǔn)確地提取圖像中紅（R）、綠（G）、藍(lán)（B）三通道的色值，并自帶有多種圖像分類功能，被廣泛應(yīng)用于遙感、農(nóng)業(yè)、醫(yī)學(xué)等眾多領(lǐng)域。試驗(yàn)采用ENVI軟件編寫了上述決策樹程序?qū)Σ杉膱D像進(jìn)行分類。同時(shí)，為了比較該方法與其他分類方法的效果，在ENVI軟件中還進(jìn)行了支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、最大似然法等方法的分類試驗(yàn)。

將數(shù)碼相機(jī)獲取的圖像（圖2）進(jìn)行人工目視解譯，人為識別出圖像中的冠層部分和非冠層部分，作為各分類方法的真值圖像（圖3），分別與各方法的分類結(jié)果進(jìn)行對比驗(yàn)證，并計(jì)算出分類準(zhǔn)確率及Kappa系數(shù)。

進(jìn)行支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、最大似然法分類前，在圖像中以綠葉、土壤、水體、陰影等4類分別選取各類別的純凈象元區(qū)，作為分類算法的學(xué)習(xí)樣本。如圖4所示，綠色區(qū)域?yàn)榫G葉區(qū)，黃色區(qū)域?yàn)橥寥绤^(qū)，藍(lán)色區(qū)域?yàn)樗w區(qū)，紅色區(qū)域?yàn)殛幱皡^(qū)。

根據(jù)ENVI軟件提供的各分類方法選擇參數(shù)。支持向量機(jī)采用的核函數(shù)（Kernel Type）是徑向基函數(shù)（Radial Basis Function），核參數(shù)σ值（Gamma in Kernel Function）為0.333，懲罰因子（Penalty Parameter）為100。

神經(jīng)網(wǎng)絡(luò)活化函數(shù)（Activation）采用Logistic函數(shù)，訓(xùn)練貢獻(xiàn)閾值（Training Threshold Contribution）為0.9，權(quán)重調(diào)節(jié)速度（Training Rate）為0.2，訓(xùn)練步幅（Training Momentum）為0.9，期望誤差最小值（Training RMS Exit Criteria）為0.1，隱藏層（Number of Hidden Layers）為1，訓(xùn)練迭代次數(shù)（Number of Training Iterations）為1 000。

最大似然法似然度閾值（Set Probability Threshold）選擇“None”。

1.4 冠層識別精度評價(jià)

采用分類準(zhǔn)確率和Kappa系數(shù)2個(gè)參數(shù)來評價(jià)各個(gè)方法的識別精度。其中，分類準(zhǔn)確率分為冠層準(zhǔn)確率，非冠層準(zhǔn)確率和合計(jì)準(zhǔn)確率，分別表示真值圖像中的冠層象元、非冠層象元及全部象元被準(zhǔn)確識別的百分比。Kappa系數(shù)是描述2幅圖像間差異程度的參數(shù)，理論值在-1～1間，但通常都是在0～1之間;如果兩幅圖像差異很大，則Kappa系數(shù)值小;2幅圖像完全一致時(shí)，Kappa系數(shù)值為1。通常認(rèn)為Kappa≥0.75時(shí)，兩者一致性好;0.40≤Kappa<0.75時(shí)，兩者一致性一般;Kappa<0.4時(shí)，兩者一致性差[18-19]。分類準(zhǔn)確率和Kappa系數(shù)的計(jì)算公式如下：

g1=a+b，g2=c+d，f1=a+d，f2=b+c

PC=a/g1，PNC=c/g2，PO=（a+c）/n

Pe=（g1×f1+g2×f2）/n2

K=（PO-Pe）/（1-Pe）

式中，a表示被正確識別的冠層象元數(shù)，b表示被錯(cuò)誤識別的冠層象元數(shù)，c表示被正確識別的非冠層象元數(shù)，d表示被錯(cuò)誤識別的非冠層象元數(shù)，n表示圖像總象元數(shù);PC表示冠層準(zhǔn)確率，PNC表示非冠層準(zhǔn)確率，PO表示合計(jì)準(zhǔn)確率，K表示Kappa系數(shù)。

2 結(jié)果與分析

各分類結(jié)果圖如圖5所示。直觀觀察可以看出，各個(gè)分類結(jié)果圖中均存在一部分較零碎的冠層區(qū)域，與實(shí)際圖像不符;神經(jīng)網(wǎng)絡(luò)方法的識別結(jié)果圖中，冠層的區(qū)域較少，與實(shí)際圖像和目視解譯結(jié)果差異較大。

以目視解譯結(jié)果圖為真值圖像，計(jì)算各分類方法的識別結(jié)果圖的分類準(zhǔn)確率和Kappa系數(shù)，各分類方法的精度檢驗(yàn)結(jié)果如表1所示。檢驗(yàn)結(jié)果顯示，除了神經(jīng)網(wǎng)絡(luò)方法以外，其他各分類方法的Kappa系數(shù)都大于0.75，表現(xiàn)出了對水稻冠層較好的識別精度。而決策樹方法對水稻冠層識別的準(zhǔn)確率為91.91%，分別比支持向量機(jī)方法、最大似然法和神經(jīng)網(wǎng)絡(luò)方法高1.56、5.56和15.65個(gè)百分點(diǎn);合計(jì)準(zhǔn)確率為90.58%，Kappa系數(shù)為0.79，其數(shù)值低于支持向量機(jī)方法，但高于最大似然法和神經(jīng)網(wǎng)絡(luò)方法。這說明該方法針對水稻冠層的識別精度僅略次于支持向量機(jī)方法，而優(yōu)于最大似然法和神經(jīng)網(wǎng)絡(luò)方法。

3 討 論

該研究中，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和最大似然法均采用ENVI軟件默認(rèn)的分類參數(shù)，這些參數(shù)是ENVI公司根據(jù)大量的試驗(yàn)數(shù)據(jù)得到的經(jīng)驗(yàn)參數(shù)，同時(shí)也是學(xué)者們常用的參數(shù)，因此選用這些默認(rèn)參數(shù)具有普遍意義;純凈象元區(qū)是筆者根據(jù)實(shí)際目視結(jié)果選取，且選取的范圍占全圖像的比例較大，確保了純凈象元區(qū)的質(zhì)量和數(shù)量。從該研究得到的分類結(jié)果來看，各方法的分類合計(jì)準(zhǔn)確率均在80%以上，取得了較好的分類結(jié)果，說明參數(shù)的設(shè)置和純凈象元區(qū)的選取都較為恰當(dāng)，分類結(jié)果可用于與新方法進(jìn)行比較。從比較結(jié)果可以看出，新方法的識別結(jié)果較好，達(dá)到并優(yōu)于現(xiàn)有分類方法的精度。另外還需指出，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和最大似然法如果設(shè)置其他參數(shù)將出現(xiàn)不一樣的分類結(jié)果;同時(shí)，這3種分類方法都需要對純凈象元區(qū)進(jìn)行學(xué)習(xí)，進(jìn)而形成分類論據(jù)，如果選擇不同的純凈象元區(qū)將產(chǎn)生不一樣的分類結(jié)果。因此，不能排除在選取其他參數(shù)和純凈象元區(qū)的條件下，出現(xiàn)神經(jīng)網(wǎng)絡(luò)或最大似然法的分類精度高于該研究新方法的情況。

該研究提出的方法中，G>max（G）×0.2和G/B>1.15設(shè)置的閾值，是對多幅不同光線條件下的圖像進(jìn)行試驗(yàn)后確定的經(jīng)驗(yàn)值，閾值設(shè)置如何能更合理，還需要進(jìn)行更多的研究總結(jié)。從研究結(jié)果來看，新方法的分類結(jié)果精度較高，省略了現(xiàn)有方法需要提前選擇圖像樣本的工作步驟，計(jì)算過程更簡單，電腦運(yùn)算時(shí)間更短，明顯提高了工作效率，顯示出在水稻冠層識別上有較大的應(yīng)用潛力。雖然研究只針對水稻冠層進(jìn)行了識別，但由于作物冠層的光譜反射規(guī)律比較相似，所以該研究的新方法也可以推廣應(yīng)用于其他作物的冠層識別。

4 結(jié) 論

基于數(shù)碼相機(jī)圖像中的紅（R）、綠（G）、藍(lán)（B）三通道色值，設(shè)置G>R、G>max（G）×0.2、G/B>1.15這3個(gè)遞進(jìn)分類條件，能較準(zhǔn)確地識別出分蘗期水稻冠層，分類精度達(dá)到并優(yōu)于常用的監(jiān)督分類方法（支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和最大似然法），且該方法操作簡便，顯示出在水稻冠層識別上具有較大的應(yīng)用潛力。

參考文獻(xiàn)：

[1] 李嵐?jié)?，?萌，任 濤，等. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營養(yǎng)診斷[J]. 植物營養(yǎng)與肥料學(xué)報(bào)，2015，21（1）：259-268.

[2] 王 遠(yuǎn)，王德建，張 剛，等. 基于數(shù)碼相機(jī)的水稻冠層圖像分割及氮素營養(yǎng)診斷[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（17）：131-136.

[3] 張立周，侯曉宇，張玉銘，等. 數(shù)字圖像診斷技術(shù)在冬小麥氮素營養(yǎng)診斷中的應(yīng)用[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2011，19（5）：1168-1174.

[4] Li Y，Chen D，Walker C N，et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research，2010，118：221-227.

[5] 李翠娜，張雪芬，余正泓，等. 基于圖像提取技術(shù)計(jì)算夏玉米覆蓋度和反演葉面積指數(shù)的精度評價(jià)[J]. 中國農(nóng)業(yè)氣象，2016，（4）：479-491.

[6] 陸秀明，黃 慶，孫雪晨，等. 圖像處理技術(shù)估測水稻葉面積指數(shù)的研究[J]. 中國農(nóng)學(xué)通報(bào)，2011，27（3）：65-68.

[7] 李 明，張長利，房俊龍. 基于圖像處理技術(shù)的小麥葉面積指數(shù)的提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（1）：205-209.

[8] 王桂琴，鄭麗敏，朱 虹，等. 圖像處理技術(shù)在冬小麥葉面積指數(shù)測定中的應(yīng)用[J]. 麥類作物學(xué)報(bào)，2004，24（4）：108-112.

[9] 賈良良，范明生，張福鎖，等. 應(yīng)用數(shù)碼相機(jī)進(jìn)行水稻氮營養(yǎng)診斷[J]. 光譜學(xué)與光譜分析，2009，29（8）：2176-2179.

[10] 王曉靜，張 炎，李 磐，等. 地面數(shù)字圖像技術(shù)在棉花氮素營養(yǎng)診斷中的初步研究[J].棉花學(xué)報(bào)，2007，19（2）：106-113.

[11] 王振武，孫佳駿，于忠義，等. 基于支持向量機(jī)的遙感圖像分類研究綜述[J]. 計(jì)算機(jī)科學(xué)，2016，43（9）：11-31.

[12] 呂京國. 基于神經(jīng)網(wǎng)絡(luò)集成的遙感圖像分類與建模研究[J]. 測繪通報(bào)，2014，（3）：17-20.

[13] 任軍號，吉沛琦，耿 躍. SOM神經(jīng)網(wǎng)絡(luò)改進(jìn)及在遙感圖像分類中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究，2011，28（3）：1170-1182.

[14] 王立海，趙正勇. 基于BP神經(jīng)網(wǎng)絡(luò)的針闊混交林TM遙感圖像自動分類技術(shù)研究[J].林業(yè)科學(xué)，2005，41（6）：94-100.

[15] 樊利恒，呂俊偉，于振濤，等. 基于改進(jìn)最大似然方法的多光譜遙感圖像分類方法[J].電光與控制，2014，21（10）：52-74.

[16] 琚存勇，蔡體久，馮仲科. 基于數(shù)學(xué)形態(tài)學(xué)和最大似然法的遙感圖像分類研究[J]. 北京林業(yè)大學(xué)學(xué)報(bào)，2005，27（2）：84-87.

[17] Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residue and lighting conditions[J]. Transaction of the American Society of Agricultural Engineering，1995，38（1）：259-269.

[18] 田 苗，王鵬新，嚴(yán)泰來，等. Kappa系數(shù)的修正及在干旱預(yù)測精度及一致性評價(jià)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（24）：1-7.

[19] Landis J R，Koch G G. The measurement of observer agreement for categorical data[J]. Biometrics，1977，33：159-174.