基于HSV色彩空間和Otsu算法的無人機(jī)影像植被覆蓋度自動提取

趙曉宇， 陳建軍,2*， 張凱琪， 覃巧婷， 尤號田,2， 韓小文,2

(1.桂林理工大學(xué)測繪地理信息學(xué)院， 桂林 541006； 2.桂林理工大學(xué)廣西空間信息與測繪重點(diǎn)實驗室， 桂林 541006)

植被是陸地生態(tài)系統(tǒng)重要的組成部分之一,在維護(hù)生態(tài)系統(tǒng)平衡、涵養(yǎng)水源和保持水土等方面具有重要作用[1]。植被覆蓋度(fractional vegetation cover，F(xiàn)VC)是描述地表植被分布的重要參數(shù)，通常定義為統(tǒng)計范圍內(nèi)植被(包括葉、莖)垂直投影面積所占的百分比[2]，其變化關(guān)系到生物量、凈初級生產(chǎn)力、植被葉面積指數(shù)等生態(tài)指標(biāo)和反射率、發(fā)射率、土壤濕度等地表參數(shù)，是植物群落覆蓋地表狀況的一個綜合量化指標(biāo)，在分析植被分布影響因素、評價區(qū)域生態(tài)環(huán)境等方面意義非常重大[3]，是區(qū)域生態(tài)系統(tǒng)研究的重要指標(biāo)之一[4-5]。

植被覆蓋度測量方法主要有地表實測法與遙感監(jiān)測法[6-7]。地表實測法主要包括目估法、采樣法和儀器法等，該方法在樣方尺度精度較高，但其受人力和物力等條件限制，采樣范圍有限，很難反映面上的時空變化特征，因此，在實際應(yīng)用中具有很大的局限性[8-9]。衛(wèi)星遙感影像由于覆蓋范圍大，能較好地反映區(qū)域特征，經(jīng)常被用于區(qū)域植被覆蓋度反演[10-11]。然而，受限于衛(wèi)星遙感影像的空間分辨率，當(dāng)前衛(wèi)星遙感植被覆蓋度反演精度有限。隨著無人機(jī)遙感技術(shù)的不斷發(fā)展和普及，使得超高空間分辨率的遙感影像的獲取成為可能，并已被廣泛應(yīng)用于生態(tài)環(huán)境領(lǐng)域[12-13]。

目前，無人機(jī)遙感影像已被應(yīng)用于植被覆蓋度提取研究，其采用的方法主要有分類法、閾值分割法等。如Natesan[14]將無人機(jī)可見光影像與多光譜傳感器數(shù)據(jù)結(jié)合，采用監(jiān)督分類對植被與人工地物進(jìn)行了分類；Tuhtan等[15]基于像素的監(jiān)督分類與非監(jiān)督分類，對無人機(jī)RGB(red,green,blue)影像覆蓋空間區(qū)域內(nèi)的水體、裸地、植被進(jìn)行了識別，但是都沒有對植被與非植被進(jìn)行針對性的提取。而Yan等[16]以植被近地面的純像元作為判別標(biāo)準(zhǔn)，對無人機(jī)RGB影像進(jìn)行色彩空間的轉(zhuǎn)換，再使用閾值分割提取植被覆蓋度；Yi[17]通過人機(jī)交互采用超綠植被指數(shù)閾值分割法對無人機(jī)可見光影像進(jìn)行了植被覆蓋度的提取，該方法需要人工調(diào)整閾值，以確定最佳分割閾值。陳祖剛等[18]采用RGB閾值法、HSV(hue, saturation, value)判別法、RGB決策樹法對數(shù)碼相機(jī)拍攝的草地照片進(jìn)行植被覆蓋度提取，并使用Java軟件開發(fā)了相應(yīng)的Android軟件，但因土壤背景顏色不同，精度數(shù)據(jù)不同于以往研究。劉艷慧等[19]利用過綠植被指數(shù)基于最大熵-遺傳算法，估算草地植被覆蓋度，但需要將無人機(jī)影像數(shù)據(jù)進(jìn)行一定的預(yù)處理。綜上，目前針對無人機(jī)影像植被覆蓋度提取的研究中，仍缺乏一種準(zhǔn)確高效全程自動的提取方法。分類法與閾值分割法都需要人機(jī)交互完成，該過程不僅耗費(fèi)時間，其結(jié)果也受主觀影響；同時，數(shù)據(jù)預(yù)處理也將耗費(fèi)一定時間。針對該問題，提出一種全自動的高精度和高效率的被覆蓋度提取方法，為無人機(jī)遙感影像植被覆蓋度快速提取提供方法支撐。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于青海省果洛藏族自治州，地理坐標(biāo)介于97°54′E～101°50′E，32°31′N～35°40′N，平均海拔4 200 m以上，屬于大陸性高原氣候。受氣候影響，該區(qū)域自然環(huán)境類型多樣，高寒植被分布廣泛，包括高寒草甸、高寒草原、高寒沼澤、高寒灌叢、高山稀疏植被、常綠針闊葉林等[20]，其中高寒草甸是源區(qū)最主要的植被覆蓋類型。

1.2 無人機(jī)影像數(shù)據(jù)獲取

于2018年7月下旬在黃河源區(qū)開展了野外數(shù)據(jù)采集工作，該時間段植被生長茂盛，能較好地反映當(dāng)?shù)厣鷳B(tài)環(huán)境現(xiàn)狀。野外數(shù)據(jù)采集主要是利用無人機(jī)航拍獲取高分辨率航拍影像，所使用的無人機(jī)型號為中國大疆公司生產(chǎn)的Phantom 3 Professional，該款無人機(jī)搭載了輕型數(shù)碼相機(jī)Sony EXMOR Sensor，其拍攝的影像包含3個波段(分別為紅、綠、藍(lán)3個波段)，有效像素為1 240萬。在影像獲取時，相機(jī)垂直向下，無人機(jī)飛行高度設(shè)為20 m。獲取的單張影像覆蓋地面范圍為35 m×26 m，地面空間分辨率約為1 cm，影像能非常清晰地分辨出植被和非植被。由于研究區(qū)的主要植被類型為草甸，因此，選取高寒草甸和沼澤草甸為研究對象，并分別選擇了5個植被覆蓋度梯度作為實驗樣地(表1)，進(jìn)而使研究結(jié)果更具有普適性。

表1 兩種草甸類型五個植被覆蓋度梯度航拍影像Table 1 Aerial images of five vegetation coverage gradients of two meadow types

1.3 研究方法

1.3.1 真實植被覆蓋度獲取

運(yùn)用基于JAVA編譯的斑塊分類軟件Pixel Based Manual Classifier V1(PBMC)[17]提取無人機(jī)航拍影像植被覆蓋度信息，以該軟件的提取結(jié)果作為該影像的真實植被覆蓋度。該軟件使用超綠指數(shù)EXG(EXG=2G-R-B，R、G、B分別代表3個波段的輻亮度值) 結(jié)合OpenCV圖像識別功能，通過人工選取閾值對植被斑塊與裸地斑塊進(jìn)行提取，并計算植被斑塊所占像素數(shù)量與影像總像素數(shù)量之比得出植被覆蓋度。其所使用的植被指數(shù)能很好地增強(qiáng)植被信息，增強(qiáng)植被斑塊提取效果，已被廣泛應(yīng)用于高分辨率影像的植被覆蓋度信息提取[21-22]，因此，該軟件所得結(jié)果有效可靠。

為進(jìn)一步評估該方法的精度，邀請了10位實驗人員對同一張影像進(jìn)行植被覆蓋度信息提取。經(jīng)統(tǒng)計，10位人員進(jìn)行植被覆蓋度提取所選取閾值的均值為125，波動范圍不超過±5，不同閾值對應(yīng)的植被覆蓋度提取結(jié)果值為54.187±0.573。該結(jié)果表明，該軟件提取結(jié)果準(zhǔn)確度高，閾值和植被覆蓋度波動小，可用作參考值。

1.3.2 最大類間方差法

傳統(tǒng)最大類間方差法[23]是由日本學(xué)者大津(Nobuyuki Otsu)于1979年提出的，是一種自適合于雙峰情況的自動求取閾值的方法，又叫大津法,簡稱Otsu。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。當(dāng)背景和目標(biāo)之間差別越大時，錯分概率越小。

最大類間方差法簡單有效、適用范圍廣，但是它對噪聲與目標(biāo)大小十分敏感，且當(dāng)目標(biāo)和背景灰度差不明顯時，會出現(xiàn)大片的黑色區(qū)域，甚至?xí)G失整幅圖像的信息，產(chǎn)生比較嚴(yán)重的分割錯誤。因此，在實際應(yīng)用中常使用改進(jìn)的最大類間方差法，該方法首先將圖像進(jìn)行濾波處理，減小噪聲影響；再分別用最大類間方差法確定圖像的最佳閾值；然后采用邊緣檢測算子(sobel) 進(jìn)行邊緣檢測，將差分算子與圖像進(jìn)行卷積，確定圖像的邊緣位置，檢測邊緣特征；最后根據(jù)邊緣檢測的結(jié)果將灰度變化急劇的地方用局部閾值分割，其他部分采用最大類間方差法[24]。

相比基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)[25]的分割方法，最大類間方差方法在面對背景與目標(biāo)兩者分割的情況下用時更短，可采用非監(jiān)督的方法在兩類間搜尋閾值并進(jìn)行分割，而機(jī)器學(xué)習(xí)與深度學(xué)習(xí)對樣本選擇的要求較高，學(xué)習(xí)過程也需要花費(fèi)大量時間，所以采用最大類間方差算法為基礎(chǔ)算法。

1.3.3 植被指數(shù)分割法

植被指數(shù)是對地表植被狀況的簡單、有效和經(jīng)驗的度量，被廣泛地應(yīng)用在全球與區(qū)域土地覆蓋、植被分類和環(huán)境變化等方面，基于植被指數(shù)閾值分割的植被覆蓋度提取是當(dāng)前的主流方法[26]。由于當(dāng)前無人機(jī)搭載的相機(jī)多為普通相機(jī)(只包含紅、綠、藍(lán)3個波段)，因此，選取4種常用的可見光植被指數(shù)(NGRDI、NGBDI、EXGR、EXG，見表2)作為植被覆蓋度提取的驅(qū)動數(shù)據(jù)，結(jié)合自適應(yīng)的最大類間方差算法，利用MATLAB編程軟件，完成基于植被指數(shù)計算的判別。該過程可以計算圖像全部像素對應(yīng)的植被指數(shù)，并且通過Otsu算法自動生成最佳閾值，根據(jù)閾值對圖像進(jìn)行植被與非植被的分割。

表2 所使用的可見光植被指數(shù)Table 2 Common visible light vegetation index

1.3.4 基于HSV色彩空間的Otsu法

HSV色彩空間是根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間, 也稱六角錐體模型。該色彩模型中顏色的參數(shù)分別為色調(diào)(hue，H)、飽和度(saturation，S)、亮度(value,V)[30]。HSV因其具有比RGB色彩空間更強(qiáng)的直觀性，能更直接地表達(dá)色彩的明暗，色調(diào)，以及鮮艷程度，方便進(jìn)行顏色之間的對比，所以在進(jìn)行色彩的分割時，有更大的優(yōu)勢。HSV顏色模型中的3個分量獨(dú)立性高于RGB顏色模型中的3個分量。與常用的RGB空間的混合三原色原理不同，由于HSV空間有效地分離了色度、飽和度和亮度，更適合于對人類色彩感覺的描述[31]。因此，采用H分量對無人機(jī)影像中的植被進(jìn)行提取，使用MATLAB編程軟件，將RGB影像轉(zhuǎn)換至HSV色彩空間，針對植被凸顯性較好的H分量，結(jié)合最大類間方差算法，在H分量內(nèi)自動搜索最佳閾值并進(jìn)行分割。

2 結(jié)果與分析

2.1 不同植被覆蓋度提取方法結(jié)果對比

根據(jù)高寒草甸同一蓋度類型不同方法的提取結(jié)果(表3)可知，低蓋度、中低蓋度、中蓋度的植被覆蓋度提取結(jié)果中，NGRDI+Otsu、EXGR+Otsu、NGBDI+Otsu的結(jié)果與參考值差距較大， EXG+Otsu與HSV+Otsu的結(jié)果與參考值差距較小。同時，在中蓋度時，HSV+Otsu結(jié)果優(yōu)于EXG+Otsu，更接近參考值。中高蓋度提取結(jié)果中，NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu數(shù)值相近，與參考值都存在一定的差距， HSV+Otsu與參考值差距最小。高蓋度提取結(jié)果中，NGBDI+Otsu、EXGR+Otsu、NGRDI+Otsu與參考值差距均較大， EXG+Otsu和HSV+Otsu結(jié)果相對接近，HSV+Otsu仍為最接近參考值的結(jié)果。高寒草甸的植被覆蓋度提取結(jié)果表明，EXG+Otsu與HSV+Otsu均能準(zhǔn)確有效的提取植被覆蓋度，中低蓋度以下時，兩者差距較小，在中蓋度及以上時，HSV+Otsu方法可以更有效地提取準(zhǔn)確的植被覆蓋度信息。

表3 高寒草甸植被覆蓋度提取結(jié)果Table 3 Extraction results of vegetation coverage of alpine meadow

沼澤草甸提取結(jié)果(表4)中， NGBDI+Otsu結(jié)果在全部5個蓋度等級的提取結(jié)果中，只有中低蓋度的提取結(jié)果與參考值差距相對較小，其他4個等級均與參考值不符，有較大差距。而EXG+Otsu結(jié)果在低蓋度時與參考值有差距，但在中低蓋度至高蓋度時，其提取結(jié)果相較于NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu有所提高。HSV+Otsu在低至高蓋度等級影像的提取結(jié)果中，與參考值最接近，在所有方法中精度最高。

表4 沼澤草甸植被覆蓋度提取結(jié)果Table 4 Extraction results of vegetation coverage of swamp meadow

2.2 不同植被覆蓋度提取方法精度評價

根據(jù)高寒草甸同一蓋度類型不同方法的提取結(jié)果(圖1)，低蓋度、中低蓋度、中蓋度的植被覆蓋度提取結(jié)果中，NGRDI+Otsu與EXGR+Otsu結(jié)果與參考值差距大于20%，EXG+Otsu、HSV+Otsu結(jié)果與參考值差距均不超過10%。同時，在中蓋度時，HSV+Otsu結(jié)果相比EXG+Otsu更接近參考值。中高蓋度提取結(jié)果中，NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu與參考值都存在10%以上的差距，EXG+Otsu與參考值差距為3.14%，HSV+Otsu與參考值差距為0.17%。高蓋度提取結(jié)果中，NGBDI+Otsu、EXGR+Otsu與參考值差距均超過60%，NGRDI+Otsu與參考值差距超過20%，EXG+Otsu和HSV+Otsu結(jié)果相對接近，HSV+Otsu仍為最接近參考值的結(jié)果，相差0.24%。

圖1 高寒草甸蓋度結(jié)果誤差變化Fig.1 Variation of coverage error of alpine meadow

隨著高寒草甸類型植被蓋度的增加，EXGR+Otsu、NGBDI+Otsu結(jié)果誤差在蓋度級別為高蓋度時陡然變大，NGRDI+Otsu的誤差隨蓋度變化無明顯趨勢，但整體誤差高于EXG+Otsu和HSV+Otsu。EXG+Otsu結(jié)果誤差在中蓋度時存在波動，隨蓋度增加無明顯變化規(guī)律， HSV+Otsu隨蓋度增加，誤差呈降低趨勢，蓋度越高，誤差絕對值越小。

沼澤草甸提取結(jié)果中(圖2)，低蓋度時，NGBDI+Otsu與參考值差距大于20%，EXG+Otsu與參考值差距接近10%，但EXGR+Otsu、NGRDI+Otsu、HSV+Otsu與參考值接近，差距小于5%，其中HSV+Otsu與參考值差距為0.37%。但是在中低蓋度至高蓋度的提取結(jié)果中，NGRDI+Otsu、EXGR+Otsu的結(jié)果與參考值差距均大于20%。NGBDI+Otsu結(jié)果在中低蓋度的提取結(jié)果與參考值差距為11.39%，其他蓋度與參考值均大于20%，在中高蓋度時最大，達(dá)到58.88%。EXG+Otsu在中高蓋度時誤差最大，為17.76%，高蓋度時誤差最低為7.91%。HSV+Otsu在5個蓋度等級影像的提取結(jié)果中，中低蓋度時誤差最大為8.44%，其他蓋度等級差距均不超過5%，最接近參考值。

圖2 沼澤草甸蓋度結(jié)果誤差變化Fig.2 Variation of coverage error of swamp meadow

隨著沼澤草甸類型參考植被蓋度的變化，NGBDI+Otsu、EXGR+Otsu結(jié)果的誤差有明顯波動，且存在增大的趨勢。NGRDI+Otsu的誤差隨蓋度增加整體呈增大趨勢；EXG+Otsu結(jié)果的誤差隨蓋度增加先逐漸增大后減小，誤差在中高蓋度處達(dá)到極大值，HSV+Otsu的誤差結(jié)果隨蓋度變化，在中低蓋度處有極大值，整體無明顯波動，但結(jié)果誤差為最低。

2.3 不同植被覆蓋度提取方法提取效率對比

在提取效率上，PBMC軟件用時較長，其他方法總體相差不大。植被指數(shù)+Otsu方法和HSV色彩空間+Otsu方法用時接近，全部在1～2 s。其中，基于HSV色彩空間+Otsu的高寒草甸從讀取到輸出結(jié)果僅用時1.1376 65 s，沼澤草甸提取從讀取圖像到輸出結(jié)果圖像與植被覆蓋度的時間僅為1.157 134 s。相比PBMC軟件，從調(diào)整閾值到輸出結(jié)果圖像至少需要20 s以上的時間，基于HSV色彩空間+Otsu方法的計算效率得到一定的提升。

表5 不同植被覆蓋度提取方法提取效率Table 5 Extraction efficiency of different vegetation coverage extraction methods

3 討論

目前針對植被覆蓋度的提取，很少有全自動的提取過程，大多基于可見光植被指數(shù)進(jìn)行閾值分割[32]。例如，陳明華等[33]利用多種可見光植被指數(shù)進(jìn)行閾值分割，可有效提取植被覆蓋度；郭震冬等[34]利用可見光波段差異植被指數(shù)VDVI結(jié)合Otsu來區(qū)分植被與非植被。利用無人機(jī)可見光影像在紅綠藍(lán)3個波段進(jìn)行計算，其包含的計算量要大于單獨(dú)在H分量內(nèi)閾值確定的計算量，所需的時間更長。而在HSV色彩空間中，由于3個分量獨(dú)立性更高，數(shù)據(jù)冗余小，3個分量之間的干擾性低，因此計算耗時短[35]。且本文研究只需要對H分量進(jìn)行閾值確定，所需時間少。同時，以往多數(shù)研究中基于不同植被指數(shù)的閾值分割需要根據(jù)經(jīng)驗閾值和人眼識別的結(jié)果不斷調(diào)整，以達(dá)到最佳的提取效果，該過程也需要耗費(fèi)一定的時間。此外，人工操作還存在人為主觀判斷，進(jìn)而引入人為誤差。本研究中采用HSV色彩空間+Otsu方法，在圖像區(qū)域內(nèi)自動尋找最佳閾值，進(jìn)行分割，全過程耗時較短，不受主觀干擾，提高了植被覆蓋度提取的效率。

在沼澤草甸類型中，由于植被自身的特殊性，其生長環(huán)境周圍需要豐富的水源。無人機(jī)航攝時，部分水體受鏡面反射影響，其反射率較大，易與植被混淆，在Otsu算法計算方差時難以區(qū)分，因此產(chǎn)生一定的誤差。而將RGB影像轉(zhuǎn)換至HSV色彩空間，影像分割不受像元值影響，錯分率較低，與標(biāo)準(zhǔn)值最為接近。同樣地，由于高寒草甸是高原鼠兔的主要生活環(huán)境，存在著較多的鼠洞，因此植被與非植被邊緣存在雜土[36]，導(dǎo)致錯分率較高。RGB影像中植被與非植被分界處由于受鼠洞附近土壤影響，草甸被土壤覆蓋了一部分，因而被分為非植被，而基于HSV色彩空間+Otsu的提取結(jié)果中，邊界處的植被能較好地被識別，因此提升了準(zhǔn)確度。

本研究在植被覆蓋度自動化提取方面取得了一定進(jìn)展，但仍存在一些局限性，但采用的Otsu算法，能夠快速計算閾值，但是受噪聲影響較大[37]。如果無人機(jī)影像中存在噪聲，會導(dǎo)致結(jié)果準(zhǔn)確率降低，因此該方法對影像分辨率要求較高，在低分辨率影像中提取植被覆蓋度的準(zhǔn)確率仍有待認(rèn)證。此外，Otsu算法只能針對雙峰圖像進(jìn)行閾值的計算，在包含多種差異較大的植被類型影像中，難以應(yīng)用。為改進(jìn)這些，后續(xù)研究可針對無人機(jī)影像先進(jìn)行去噪處理，或利用局部閾值的計算減弱噪聲對Otsu算法的影響，加強(qiáng)算法在多種植被類型影像中的應(yīng)用。

4 結(jié)論

本文提出了一種基于HSV色彩空間+Otsu的圖像自動分割方法，運(yùn)用該算法可以實現(xiàn)對無人機(jī)遙感影像植被覆蓋度自動提取，克服了傳統(tǒng)人工調(diào)整閾值方法低效率、易受主觀性干擾的缺點(diǎn)。將基于HSV色彩空間+Otsu方法實際應(yīng)用于植被覆蓋度的提取，得出如下結(jié)論。

(1)該方法能全程自動識別植被并提取植被覆蓋度，結(jié)果準(zhǔn)確率與真實結(jié)果差距在±4%以內(nèi)。

(2) 該方法耗時均在2 s以內(nèi)，對比其他方法具有更高準(zhǔn)確率、更小的誤分率，縮短了時間消耗。

(3)在針對不同植被類型的蓋度提取中，該方法較為穩(wěn)定，適合大區(qū)域、大批量無人機(jī)航拍影像植被覆蓋度提取需求，極大地提高了提取效率，滿足實際的提取要求。

因此，該方法可以應(yīng)用于大規(guī)模的無人機(jī)遙感影像處理，適用于野外植被調(diào)查與監(jiān)測、植被保護(hù)等方面，為生態(tài)遙感領(lǐng)域相關(guān)研究提取節(jié)省時間并得到準(zhǔn)確結(jié)果。