基于無人機(jī)可見光譜遙感的玉米長勢監(jiān)測

王翔宇，楊 菡，李鑫星，鄭永軍，嚴(yán)海軍，李 娜

1. 長治學(xué)院電子信息與物理系，山西 長治 046011 2. 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 3. 中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083 4. 中國農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京 100083 5. 承德石油高等專科學(xué)校工業(yè)技術(shù)中心，河北 承德 067000

引 言

玉米是我國規(guī)模最大、發(fā)展最快的糧食作物。2018年糧食作物中，玉米播種面積最大，共計(jì)4 212.9萬hm2，占比36.0%[1]。玉米長勢會(huì)直接影響到其產(chǎn)量和品質(zhì)，有效地監(jiān)測玉米長勢可以為田間管理、早期產(chǎn)量估算提供宏觀的信息，為國家和相關(guān)部門決策提供重要的參考依據(jù)。因此玉米長勢監(jiān)測研究具有重要的現(xiàn)實(shí)意義。

葉面積指數(shù)(leaf area index，LAI)常作為評價(jià)作物長勢和預(yù)測產(chǎn)量的依據(jù)[2-4]。傳統(tǒng)的LAI測量方法效率低且精度不高，而使用光學(xué)儀器測量可以達(dá)到無損測量的目的，測量結(jié)果準(zhǔn)確，但需要對采集圖像進(jìn)行后期處理，較為費(fèi)時(shí)。王宏博等利用玉米冠層高光譜數(shù)據(jù)，結(jié)合線性回歸算法，對春玉米葉面積指數(shù)進(jìn)行了反演。王傳宇等通過分析玉米冠層頂視單角度紅外圖像，完成了玉米葉面積指數(shù)的獲取[5]。遙感技術(shù)的出現(xiàn)，為作物長勢監(jiān)測提供了新的途徑，植被指數(shù)被廣泛應(yīng)用在遙感領(lǐng)域，用于評價(jià)植被覆蓋和長勢。Ishfaq Ahmad等利用機(jī)器學(xué)習(xí)算法對農(nóng)場玉米的衛(wèi)星遙感圖像進(jìn)行處理，計(jì)算出了玉米植被指數(shù)[6]。衛(wèi)星影像為作物長勢監(jiān)測提供了數(shù)據(jù)支撐，但衛(wèi)星影像受天氣影響大，且分辨率難以滿足作物覆蓋度變化研究需求[7]。低空無人機(jī)遙感可以彌補(bǔ)衛(wèi)星影像的不足，為作物長勢監(jiān)測提供了一種高時(shí)效、低成本的新方法。張宏鳴等利用無人機(jī)多光譜影像，完成了對夏玉米的葉面積指數(shù)反演[8]。陳鵬飛等利用無人機(jī)獲取玉米生育期的高光譜圖像，建立了玉米葉面積指數(shù)反演模型[9]。Eija Honkavaara等利用輕型無人機(jī)搭載FPI光譜相機(jī)，對采集到的光譜立體圖像進(jìn)行處理和評估[10]。Blancon Justin等利用無人機(jī)獲取玉米的多光譜圖像，并利用高通量模型輔助方法對玉米的葉面積指數(shù)的動(dòng)態(tài)變化進(jìn)行了監(jiān)測分析[11]。

作物覆蓋度和葉面積指數(shù)密切相關(guān)，是描述地表植被分布的重要參數(shù)，可以通過獲取作物覆蓋度來構(gòu)建葉面積指數(shù)反演模型，完成作物長勢分析。本研究主要以無人機(jī)為遙感平臺(tái)，通過搭載高精度數(shù)碼相機(jī)來完成玉米種植區(qū)域的圖像獲取，通過圖像處理來獲取玉米覆蓋度信息，并構(gòu)建玉米葉面積指數(shù)反演模型，實(shí)現(xiàn)對玉米長勢的監(jiān)測，為玉米的田間管理和早期產(chǎn)量估算提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)在河北省涿州東城坊鎮(zhèn)的“中國農(nóng)業(yè)大學(xué)涿州實(shí)驗(yàn)站”(115.857°E，39.471°N)選擇保護(hù)性耕作地塊開展，種植作物為夏玉米。試驗(yàn)時(shí)間為2017年5月18日12:00—13:00，天氣晴，太陽輻射強(qiáng)度穩(wěn)定，東北風(fēng)≤3級(約5 m·s-1)，微風(fēng)，適于無人機(jī)航拍。

采用四旋翼電動(dòng)無人機(jī)Phantom 3 professional作為遙感平臺(tái)，無人機(jī)飛行設(shè)定高度約為5～50 m，多次無人機(jī)遙感試驗(yàn)均采用同一套航線，相機(jī)鏡頭選擇Phantom 3 professional標(biāo)配鏡頭，進(jìn)行垂直拍攝。

1.2 方法

1.2.1 可見光譜遙感圖像預(yù)處理

利用無人機(jī)遙感獲取玉米冠層可見光譜彩色圖像，圖像分辨率4 000×3 000，水平、垂直分辨率72 dpi，24位深彩色圖像。利用ENVI軟件進(jìn)行幾何校正和輻射校正等預(yù)處理。由于選取閾值需要參照直方圖，因此在圖像進(jìn)行處理后，再獲取圖像的直方圖以選取閾值。

1.2.2 玉米覆蓋度提取

由于光照條件和復(fù)雜的環(huán)境對于作物圖像獲取具有較大影響[12]，因此采用AP-HI作物自動(dòng)提取算法完成玉米覆蓋度提取[13]。AP-HI算法具有較強(qiáng)的光照適應(yīng)性，能在復(fù)雜的環(huán)境下準(zhǔn)確提取作物的覆蓋度。

AP-HI算法結(jié)合了色度-亮度查找表(hue intensity-look up table，HI-LUT)[14]以及仿射傳播聚類方法(affinity propagation，AP)[15]，利用較少的訓(xùn)練樣本即可獲得較好的作物分割效果。當(dāng)葉片出現(xiàn)高光時(shí)，該方法性能下降，但由于發(fā)生高光的葉片面積占整幅圖像面積比例很小，因此對研究結(jié)果影響較小[16]。AP-HI算法概率密度函數(shù)為

fH(h|I,θ)=fH(h|I,μ,σ2)=

(1)

式(1)中，h為色度的隨機(jī)變量，θ=(μ,σ2|I)為某一特定亮度I下的未知分布參數(shù)，μ為期望，σ2為方差。

利用最大似然法估計(jì)分布參數(shù)θ=(μ,σ2|I)，其中使用的樣本數(shù)據(jù)來自戶外不同光照條件下的作物圖像。利用估計(jì)出特定亮度I下綠色色度的均值μ和方差σ2，組成最終亮度范圍在[1，250]下的色度-亮度查找表(HI-LUT)，其中μ為對應(yīng)亮度下的期望色度。

根據(jù)得到的顏色模型，定義測度|Ψ(i,j)|來表征給定的像素點(diǎn)pixel(i,j)的色度與期望色度之間的距離。距離越大時(shí)，該像素點(diǎn)屬于綠色作物的可能性就越小。

(2)

(3)

式(2)中，H(i,j)和I(i,j)分別表示像素點(diǎn)pixel(i,j)的色度值和亮度值，μI(i, j)和σI(i, j)分別表示I(i,j)在HI-LUT中對應(yīng)的均值μ和標(biāo)準(zhǔn)差σ。按照式(3)設(shè)定Ψ(i,j)的閾值k來對圖像進(jìn)行分割。當(dāng)Ψ(i,j)小于或等于閾值k時(shí)，像素點(diǎn)為作物，否則為背景。

由于分割結(jié)果對測度中的閾值選擇較敏感，故利用仿射傳播聚類算法對其進(jìn)行改進(jìn)，以類別代替單個(gè)像素點(diǎn)進(jìn)行分割，從而降低了閾值選擇帶來的影響，同時(shí)一定程度上提升了分割的效果，提取結(jié)果更為穩(wěn)定。

1.2.3 玉米葉面積指數(shù)反演模型

根據(jù)實(shí)際情況選擇合適的算法并計(jì)算各生育期作物冠層孔隙率，與同時(shí)期實(shí)測的葉面積指數(shù)作回歸分析，分別建立葉面積指數(shù)反演模型。葉面積指數(shù)與植被覆蓋度的關(guān)系如式(4)

Cc=1-e-λ0kLAI

(4)

將式(4)進(jìn)行轉(zhuǎn)化，得到

(5)

其中，k為冠層消光系數(shù)，λ0>1代表規(guī)則分布，λ0=1代表隨機(jī)分布，λ0<1代表叢生分布?？梢?，葉面積指數(shù)LAI與冠層孔隙率(1-Cc)為對數(shù)函數(shù)關(guān)系。

2 結(jié)果與討論

2.1 玉米可見光光譜圖像分割

獲取不同覆蓋度玉米冠層可見光譜彩色圖像，利用AP-HI算法去除土地、水管、道路、作物殘?jiān)缺尘埃Ａ粲衩讏D像。在近景拍攝條件下，AP-HI算法能夠準(zhǔn)確分割玉米圖像，分割結(jié)果如圖1所示。

由圖1(b)可以看出，在近景條件下，利用AP-HI算法可以有效去除圖像中的土地、作物殘?jiān)缺尘?，特別是土地中的黑色水管有反光現(xiàn)象，利用AP-HI算法可以有效去除水管，同時(shí)避免光照對圖像的影響。

在遠(yuǎn)景拍攝條件下，利用AP-HI算法對玉米圖像分割，分割結(jié)果如圖2所示。

由圖2(b)可以看出，在遠(yuǎn)景條件下，利用AP-HI算法同樣可以有效去除圖像中的土地、作物殘?jiān)缺尘?，并保留玉米圖像。

綜上，無論是近景航拍還是遠(yuǎn)景航拍，AP-HI算法均能有效去除圖像背景，并有效保留玉米圖像為后續(xù)研究提供基礎(chǔ)。

圖1 近景條件下的玉米圖像分割 (a)： 原圖； (b)： 分割后圖像Fig.1 Corn image segmentation (close shot) (a)： Original image； (b)： Image after segmentation

圖2 遠(yuǎn)景條件下的玉米圖像分割 (a)： 原圖； (b)： 分割后圖像Fig.2 Corn image segmentation (distant shot) (a)： Original image； (b)： Image after segmentation

圖3 玉米地塊圖像分割 (a)： 玉米地塊原圖； (b)： 分割后圖像Fig.3 Image segmentation of cornfield (a)： Original image； (b)： Image after segmentation

2.2 玉米覆蓋度計(jì)算

2.2.1 道路提取

計(jì)算玉米覆蓋度需選取視野范圍較大的圖像，由于近景航拍圖像所獲得的玉米作物視野范圍較小，因此選取視野范圍更大的遠(yuǎn)景航拍圖像作為處理對象。在無人機(jī)遠(yuǎn)景航拍的圖像中，選出整塊玉米田地的區(qū)域，作為新的待處理圖像，該圖像的分辨率為1722×2970，利用AP-HI算法將圖像進(jìn)行分割，并轉(zhuǎn)換為二值圖，如圖3所示。

圖3(b)中白色代表無作物區(qū)域，黑色代表玉米種植區(qū)域。由原始圖像觀察可知在農(nóng)田中存在道路區(qū)域，在計(jì)算實(shí)際作物覆蓋度時(shí)需將其排除。道路區(qū)域出現(xiàn)在圖像的四個(gè)邊界以及相對正中的位置處，且道路的區(qū)域一般不會(huì)超過200個(gè)像素值大小，因此將上下各200行、左右各200列以及圖像正中間的0.2n(n代表圖像的列數(shù))列的圖像單獨(dú)取出進(jìn)行處理，統(tǒng)計(jì)其中黑色像素點(diǎn)的個(gè)數(shù)，如圖4—圖6所示。

圖4 上下200行黑色像素點(diǎn)統(tǒng)計(jì) (a)： 起始200行像素統(tǒng)計(jì)； (b)： 末尾200行像素統(tǒng)計(jì)Fig.4 Black pixel statistics (up and down 200 rows) (a)： The pixel statistics in first 200 rows； (b)： The pixel statistics in last 200 rows

設(shè)置閾值為500，若存在某一行中黑色像素點(diǎn)數(shù)目小于500，則認(rèn)為可能存在道路。對于四邊可能存在道路的情況，找出其中最少像素點(diǎn)的坐標(biāo)位置與起始點(diǎn)相減即為道路寬度； 對于圖6的情況，需從最小點(diǎn)坐標(biāo)位置處向左向右延伸分別找到第一個(gè)極值點(diǎn)，兩個(gè)極值點(diǎn)坐標(biāo)相減即為道路寬度。設(shè)置道路寬度閾值為40，若計(jì)算值小于40則認(rèn)為不存在道路。

通過以上述方法分析，圖4(a)經(jīng)算法計(jì)算道路寬度為87個(gè)像素值，為驗(yàn)證算法的正確性，在原始圖像上手動(dòng)測量獲取道路寬度約為90個(gè)像素值； 圖4(b)中不存在道路； 圖5(a)中雖然存在小于500的位置，但其計(jì)算得到的道路寬度為20，小于道路閾值，需舍去； 圖5(b)經(jīng)算法計(jì)算道路寬度為74個(gè)像素值，在原始圖像上手動(dòng)測量獲取道路寬度約為75個(gè)像素值； 圖6經(jīng)算法計(jì)算寬度為57個(gè)像素值，在原始圖像上手動(dòng)測量獲取道路寬度約為60個(gè)像素值。

圖5 左右200列黑色像素點(diǎn)統(tǒng)計(jì) (a)： 起始200列像素統(tǒng)計(jì)； (b)： 末尾200列像素統(tǒng)計(jì)Fig.5 Blackpixel statistics (left and right 200 columns) (a)： The pixel statistics in first 200 columns； (b)： The pixel statistics in last 200 columns

圖6 中間346列黑色像素點(diǎn)統(tǒng)計(jì)Fig.6 Black pixel statistics (346 columns in the middle)

2.2.2 玉米提取

玉米的提取方法為在二值圖像中選定某一特定大小的區(qū)域，統(tǒng)計(jì)該區(qū)域內(nèi)黑色像素點(diǎn)占總像素點(diǎn)的比例，以此確定作物的多少。選取圖3作為處理對象，選取80×80像素值作為單位面積。由于在圖像的上邊界、右邊界以及中間處存有道路，在實(shí)際處理過程中需要將這些道路排除在算法處理之外，對處理圖像進(jìn)行分塊標(biāo)記，可以得到區(qū)塊數(shù)為720，如圖7所示。

圖7 處理區(qū)域分塊Fig.7 Processing region

對單位面積的分塊處理方法是進(jìn)行全區(qū)域掃描，每當(dāng)掃描到一個(gè)黑色像素值就將總的統(tǒng)計(jì)面積加1，直至掃描到6 400個(gè)像素點(diǎn)，計(jì)算其中含有的總的黑色像素值數(shù)目與6 400的比值。圖7中所有720個(gè)區(qū)塊黑色像素點(diǎn)占總像素比例的折線圖如圖8所示。

圖8 黑色像素占總像素點(diǎn)的比例Fig.8 The proportion of black pixels in total pixels

計(jì)算圖像中黑色像素?cái)?shù)與總像素?cái)?shù)之比，即為玉米覆蓋度。玉米覆蓋度為

Cc=CC/A

(6)

式(6)中，Cc為植被覆蓋度，CC為圖像中的黑色(玉米)像素總和，A為圖像的像素總和。

2.3 玉米葉面積指數(shù)反演

根據(jù)式(6)得到玉米覆蓋度，結(jié)合式(5)即可得到玉米葉面積指數(shù)為

(7)

根據(jù)式(7)可以完成玉米葉面積指數(shù)的計(jì)算，從而為玉米長勢監(jiān)測提供依據(jù)。

3 結(jié) 論

玉米的種植地塊，除了玉米外，還包括道路、水管、作物殘?jiān)葟?fù)雜背景，通過圖像分割算法可以將玉米作物從復(fù)雜的背景中提取出來，從而為玉米田間管理及早期產(chǎn)量估算提供一定的參考信息。此外，光照和作物陰影會(huì)對圖像分割造成較大影響，因此需要對分割方法進(jìn)行改進(jìn)以克服光照和陰影的影響，從而準(zhǔn)確提取出玉米圖像，以獲得其覆蓋度。

以無人機(jī)為遙感平臺(tái)，搭載影像傳感器構(gòu)建遙感系統(tǒng)，獲取玉米地塊的可見光譜彩色遙感影像。通過ENVI軟件對玉米冠層可見光譜彩色遙感圖像進(jìn)行預(yù)處理，然后利用AP-HI算法進(jìn)行作物分割來提取玉米覆蓋度信息，AP-HI算法對農(nóng)田復(fù)雜背景具有較好的適應(yīng)力，能夠準(zhǔn)確分割出玉米作物，在此基礎(chǔ)上，通過冠層孔隙率方法建立覆蓋度與葉面積指數(shù)模型，完成玉米葉面積指數(shù)反演。研究結(jié)果表明，無人機(jī)遙感系統(tǒng)可以進(jìn)行低空圖像數(shù)據(jù)采集，能夠有效提取作物覆蓋度，為玉米長勢監(jiān)測提供依據(jù)。