結(jié)合三維密集點(diǎn)云的無人機(jī)影像大豆覆蓋度提取

何海清，嚴(yán)椰麗,2，凌夢云，楊勤銳，陳 婷，李 麟

（1. 東華理工大學(xué)測繪工程學(xué)院，南昌330013；2. 寧波市阿拉圖數(shù)字科技有限公司，寧波 315000；3. 中國地震局第二監(jiān)測中心，西安 710054；4. 東華理工大學(xué)水資源與環(huán)境工程學(xué)院，南昌330013；5. 江西裕豐智能農(nóng)業(yè)科技有限公司，贛州341309）

0 引 言

作物冠層覆蓋度是反映植物生長狀況的常用參數(shù)，它直接決定作物對光的截流量，進(jìn)而影響光合作用效率，是對作物長勢進(jìn)行分析的常用指標(biāo)之一。快速、準(zhǔn)確地獲取大豆冠層覆蓋度對于大豆農(nóng)田精細(xì)化管理和產(chǎn)量估測等具有重要價值。國內(nèi)外研究人員對植被覆蓋度提取進(jìn)行了廣泛而深入的研究，早期研究僅限于利用手持?jǐn)z像機(jī)采集單幅影像來提取作物覆蓋度，不適用于大范圍作物覆蓋度提取。近年來，以無人機(jī)為平臺的低空遙感飛速發(fā)展，使大面積田間影像數(shù)據(jù)的獲取更加便捷和多樣化。相比傳統(tǒng)的影像獲取手段，無人機(jī)數(shù)字?jǐn)z影測量具有成本低、操作靈活等優(yōu)點(diǎn)，可獲取高分辨率的遙感影像并能解算出高精度的三維點(diǎn)云數(shù)據(jù)，能為大范圍農(nóng)情信息監(jiān)測提供了新的技術(shù)手段。因此，利用無人機(jī)遙感技術(shù)進(jìn)行植被覆蓋度提取已成為研究熱點(diǎn)之一，且取得了良好的應(yīng)用效果，具有代表性的研究方法主要分為3類；一是僅基于可見光植被指數(shù)進(jìn)行二維遙感影像分割，實(shí)現(xiàn)植被與背景的分割以提取農(nóng)作物覆蓋度；二是結(jié)合可見光植被指數(shù)與其他分類方法如：面向?qū)ο蠓诸惙?、Otsu自動閾值分割法、監(jiān)督分類法、像元二分法等；三是通過顏色空間變換后再分割作物與土壤，實(shí)現(xiàn)農(nóng)作物信息提取。然而，前期研究表明，利用常用的歸一化的綠紅差值指數(shù)、可見光大氣阻抗植被指數(shù)、綠葉指數(shù)、比率指數(shù)等植被指數(shù)難以通過設(shè)定通用的閾值來最優(yōu)化提取植被信息。此外，以上研究主要采用二維影像來提取植被覆蓋度，受影像分辨率、光照條件、背景復(fù)雜度等諸多因素制約，導(dǎo)致在包含低矮雜草、地膜等復(fù)雜背景下難以精確地提取作物覆蓋度。

針對當(dāng)前僅利用二維遙感影像難以從光照不均勻和復(fù)雜背景中準(zhǔn)確獲得大豆冠層覆蓋度的問題，本研究結(jié)合無人機(jī)攝影測量三維點(diǎn)云進(jìn)行大豆覆蓋度提取，利用改進(jìn)的可見光植被指數(shù)來準(zhǔn)確提取植被信息，并采用經(jīng)過局部閾值算法分割后的數(shù)字表面模型來進(jìn)行空間分析，以剔除低矮雜草等噪聲影響，進(jìn)而實(shí)現(xiàn)三維空間內(nèi)大豆覆蓋度提取?；ㄑ糠只谑谴蠖股L較關(guān)鍵的時期，此生長期大豆尚未完全封壟、覆蓋度相對較低、田間雜草生長旺盛，獲取該時期的大豆覆蓋度對于作物長勢分析、產(chǎn)量估測等具有十分重要的現(xiàn)實(shí)意義。因此，本研究選取該時期大豆作為研究對象進(jìn)行作物冠層覆蓋度提取。

1 材料與方法

1.1 研究區(qū)概況

為驗(yàn)證本研究方法在起伏地形下大豆種植覆蓋度提取的有效性，選取中部地區(qū)包含平地和地形起伏的具有代表性大豆種植區(qū)進(jìn)行試驗(yàn)。研究區(qū)域?yàn)楹笔【┥绞杏缆℃?zhèn)（30°44′41″N，112°50′5″E）的大豆種植區(qū)，區(qū)位圖見圖1a，該地區(qū)總面積約100 km，地勢北高南低，屬暖溫帶東亞半濕潤季風(fēng)區(qū)，季風(fēng)氣候，四季分明，光照充足，雨量充沛，年平均降水量1 179 mm，年內(nèi)各個季節(jié)氣候差異明顯，年平均氣溫16.3 ℃，主要種植大豆和小麥等糧食作物。

為評估本研究方法在不同時期、不同雜草混雜程度、地形起伏下剔除低矮雜草等復(fù)雜背景的有效性，在研究區(qū)域內(nèi)選取具有代表性的3個地塊進(jìn)行試驗(yàn)，該區(qū)域數(shù)字正射影像圖（Digital Orthophoto Map，DOM）和三維密集點(diǎn)云高程渲染圖見圖1b～1d：地塊1位于研究區(qū)南部地形較為平坦區(qū)域，面積約為1 076 m，田間存在較多細(xì)小、低矮雜草等復(fù)雜背景的大豆花芽分化初期；地塊2位于研究區(qū)南部地形較為平坦區(qū)域，面積約1 325 m，大豆處于花芽分化中期，包含更多、更密的低矮雜草；地塊3位于研究區(qū)北部，面積約3 378 m，存在明顯的地形起伏變化，田間存在較多、較密的混雜低矮雜草等復(fù)雜背景，大豆生長期為花芽分化中期。采用等距穴播栽培法進(jìn)行種植，植株行距和穴距分別約為35、20 cm，同一時期大豆長勢情況大致相同。

1.2 遙感影像獲取與預(yù)處理

本研究試驗(yàn)數(shù)據(jù)采集時間為2020年6月4日、14日（晴朗、云少、風(fēng)速小于10 m/s），通過小型四旋翼無人機(jī)平臺（DJI御Mavic Air，大疆，中國）拍攝獲取的立體影像，該無人機(jī)飛行平臺主要參數(shù)如表1所示。本次試驗(yàn)無人機(jī)飛行高度設(shè)定為10 m，地面分辨率約為0.4 cm，飛行速度為1.2 m/s，鏡頭垂直向下拍攝，航向和旁向重疊度均設(shè)置為80%，每幅影像的分辨率像素為4 056×3 040，影像以24位真彩色.jpge格式存儲。

表1 無人機(jī)飛行平臺主要參數(shù) Table 1 Parameters of UAV flying platform

由于低成本無人機(jī)攜帶的相機(jī)幾何結(jié)構(gòu)不穩(wěn)定，導(dǎo)致其拍攝的影像存在較大的畸變。首先，基于相機(jī)參數(shù)對影像進(jìn)行畸變差校正，并重采樣生成無畸變的影像；其次，利用運(yùn)動恢復(fù)結(jié)構(gòu)（Structure from Motion，SfM）算法與區(qū)域網(wǎng)平差恢復(fù)影像攝站姿態(tài)、重構(gòu)地物稀疏三維點(diǎn)云；最后，利用半全局匹配（Semi-Global Matching，SGM）算法生成研究區(qū)包含真彩色紋理信息的稠密三維點(diǎn)云，并通過微分糾正法制作正射影像。本研究試驗(yàn)得到的DOM和三維密集點(diǎn)云渲染圖見圖1b～1d所示。

圖1 研究區(qū)位置及正射影像和密集點(diǎn)云 Fig.1 Location, DOM and dense point cloud of three fields in the study area

1.3 研究方法

本研究的技術(shù)路線如圖2所示，主要包括以下5個步驟：1）通過攝影測量技術(shù)如相機(jī)標(biāo)定、SfM、空三、SGM密集匹配等完成2個試驗(yàn)區(qū)無人機(jī)影像空中三角測量，并生成高分辨率正射影像和附帶真彩色紋理信息的三維密集點(diǎn)云；2）采用伽馬增強(qiáng)的綠葉指數(shù)（Gamma-enhanced Green Leaf Index，GGLI）精確提取植被信息；3）采用最佳結(jié)構(gòu)元的局部閾值分割法分割攝影測量數(shù)字表面模型；4）基于植被信息與數(shù)字表面模型分割結(jié)果的相交分析來剔除低矮雜草等復(fù)雜背景噪聲；5） 通過目視判讀構(gòu)建混淆矩陣來評價本研究大豆覆蓋度提取精度。

圖2 技術(shù)路線圖 Fig.2 Workflow of the proposed method

在本研究中，為了增強(qiáng)植被指數(shù)特征并抑制不相關(guān)的背景噪聲，通過增強(qiáng)植被光譜反射率來構(gòu)建伽馬增強(qiáng)綠葉指數(shù)GGLI以達(dá)到精確提取植被信息的目的。GGLI的定義如式（1）所示。

式中GGLI映射為8 bit影像灰度值，取值范圍為[0, 255]；表示伽馬增強(qiáng)系數(shù)，經(jīng)多次試驗(yàn)以達(dá)到最佳植被提取效果確定系數(shù)值為2.5；、、分別為紅、綠、藍(lán)真彩色的3個分量值。在本研究中，將GGLI0> 的部分視為植被，其他部分視為土壤背景，能較完整地提取綠色植被信息。然而，僅依賴二維影像提取植被信息雖能有效剔除非綠色植被背景，但難以剔除低矮雜草等復(fù)雜背景噪聲。

為有效剔除低矮雜草影響，本研究提出一種結(jié)合三維信息的局部閾值影像分割方法來精確提取大豆覆蓋度。首先，利用三維密集點(diǎn)云生成研究區(qū)不規(guī)則三角網(wǎng)（Triangulated Irregular Network，TIN）和數(shù)字地表柵格圖，則作物與背景物體的高度區(qū)別可映射為柵格圖灰度差異。由于農(nóng)田地形起伏和作物高度差異，導(dǎo)致生成的地表柵格圖灰度分布不均勻，難以通過設(shè)定全局閾值來精準(zhǔn)分割目標(biāo)物。因此，本研究采用一種基于局部閾值的影像分割方法來實(shí)現(xiàn)大豆作物分離，該方法通過頂帽變換和Otsu算法獲得局部閾值函數(shù)對影像進(jìn)行二值化，能有效克服灰度分布不均勻的影響，準(zhǔn)確分離作物與背景。

頂帽變換定義為從原影像中減去其數(shù)學(xué)形態(tài)學(xué)開運(yùn)算后的影像，能有效解決影像中背景紋理與光照不均勻、目標(biāo)物不突出等問題。頂帽變換的數(shù)學(xué)表達(dá)式如式（2）所示。

式中img、(img)分別為原影像和頂帽變換后的影像；img°表示結(jié)構(gòu)元對影像img的開運(yùn)算操作。

式中img? 和img⊕ 分別表示當(dāng)結(jié)構(gòu)元的原點(diǎn)位于像素點(diǎn)坐標(biāo)(,)時，用結(jié)構(gòu)元在該位置進(jìn)行腐蝕和膨脹操作；和為結(jié)構(gòu)元的相關(guān)參數(shù)。

通過開運(yùn)算操作可剔除比結(jié)構(gòu)元更小的噪聲點(diǎn)，而保留面積較大的區(qū)域。在開運(yùn)算中，假設(shè)有一個球形結(jié)構(gòu)元，推動該結(jié)構(gòu)元沿影像三維灰度曲面的下側(cè)面來回移動，直至移動位置覆蓋整個下側(cè)面，此時球體任何部分達(dá)到的最高點(diǎn)即可構(gòu)成開運(yùn)算之后的曲面。

然后，利用Otsu算法對頂帽變換結(jié)果進(jìn)行二值化處理，該算法具有直觀性和易實(shí)現(xiàn)等優(yōu)點(diǎn)。該算法利用影像灰度特性，可將影像分割成背景和感興趣區(qū)2個部分，該方法又被稱為最大類間方差法，即通過Otsu算法分割后的背景與感興趣區(qū)域的類間方差達(dá)到最大。

假設(shè)灰度級的 Otsu算法分割閾值為() = （0 ＜＜-1），將影像分割結(jié)果分為兩類：背景（）和目標(biāo)（）。、分別表示影像灰度值在范圍[ 0,]和[+ 1,- 1]內(nèi)的所有像素，則每一類出現(xiàn)的概率（）、（），以及各類的平均灰度值()、()如式（7）～式（10）所示。 同時，由灰度級0至累加均值 ()及整幅影像的平均灰度計算如式（11）和式（12）所示。

基于上述計算結(jié)果，閾值最大化的類間方差σ()和全局方差σ如式（13）和式（14）所示。

最佳閾值的最大類間方差σ()數(shù)學(xué)表達(dá)式如式（15）所示。

在確定最佳閾值后，將輸入影像二值化為背景和目標(biāo)區(qū)域（即0和1），其數(shù)學(xué)表達(dá)式如式（16）所示。

式中=0,1,2,… ,-1；=0,1,2,…,-1。

由于僅利用二維可見光譜影像提取大豆冠層覆蓋度無法剔除低矮雜草等非大豆植被，本研究結(jié)合攝影測量三維密集點(diǎn)云和相交分析過濾低矮雜草等噪聲。將提取后的植被影像與局部閾值分割影像作為對象進(jìn)行相交分析，則相交部分被視為精化后的大豆區(qū)提取結(jié)果，并計算大豆覆蓋度。該相交分析數(shù)學(xué)表達(dá)式如式（17）所示。

式中為公共像素點(diǎn)集合，(,)、 (,)分別為提取后的植被影像與局部閾值分割后的影像在像素點(diǎn)位置(,)的數(shù)值?！杀硎居跋竦南嘟贿\(yùn)算。若和在同一像素位置都為非零值，則將該像素點(diǎn)位置邏輯值設(shè)置為“是”，反之，將該像素點(diǎn)設(shè)置為“否”。

作物冠層覆蓋度（Canopy Coverage，CC）通常定義為統(tǒng)計范圍內(nèi)作物地上部分（包括葉、莖、枝）的垂直投影面積所占的百分比，其計算如式（18）所示。

式中為影像中大豆冠層像素點(diǎn)個數(shù)總和；為影像像素點(diǎn)個數(shù)總和，即×。

1.4 精度評價

為評價本研究方法的大豆覆蓋度提取精度，采用相對誤差（Relative Error，RE）衡量大豆覆蓋度提取結(jié)果與大豆覆蓋度參考值之間偏差程度，反映提取方法的可靠性，RE越小，大豆覆蓋度提取精度越高，計算公式如下：

式中、C分別表示大豆覆蓋度提取結(jié)果與大豆覆蓋度參考值。

同時，采用目視判讀構(gòu)建混淆矩陣的方法來計算總體分類精度（Overall Accuracy，OA）和Kappa系數(shù)評價。

總體分類精度（Overall Accuracy，OA）定義為被正確分類的特征點(diǎn)數(shù)量占總特征點(diǎn)數(shù)量的百分比，其數(shù)學(xué)表達(dá)式如式（20）所示。

式中、分別為作物和背景被正確分類的樣本數(shù)；為總樣本數(shù)。

Kappa系數(shù)是一個用于檢驗(yàn)分類結(jié)果與實(shí)際結(jié)果一致性的指標(biāo)，可用于衡量分類的效果，其取值范圍為[-1，1]，通常大于0，其值越接近1，說明分類效果越好。其數(shù)學(xué)表達(dá)式如式（21）和式（22）所示。

式中、分別為作物和背景被誤分的樣本數(shù)。

2 結(jié)果與分析

本研究結(jié)合可見光譜與三維密集點(diǎn)云進(jìn)行大豆覆蓋度提取試驗(yàn)，根據(jù)豆苗形態(tài)特征，經(jīng)多次試驗(yàn)，最終采用半徑為120個像素點(diǎn)的圓形結(jié)構(gòu)元對研究區(qū)數(shù)字表面模型柵格影像進(jìn)行開運(yùn)算操作，可較好地從復(fù)雜背景中分離出大豆，該方法不易受地形起伏影響，并能有效去除低矮雜草等噪聲。最后，結(jié)合可見光譜和三維信息對提取后的植被影像進(jìn)行相交分析，實(shí)現(xiàn)大豆覆蓋度精確提取。為便于對比分析，利用ArcGIS矢量化工具，通過人工判讀手動提取大豆覆蓋度作為參考值，地塊1、2、3的大豆覆蓋度參考值分別為42.51%、36.88%、33.63%。研究區(qū)3個地塊大豆覆蓋度提取結(jié)果見圖3，白色、黑色區(qū)域分別表示大豆和背景信息。

由圖3可知，基于二維影像GGLI的方法可較好地提取無雜草的大豆信息。通過公式（18）計算，地塊1、2、3的大豆覆蓋度分別為46.33%、41.75%、38.81%，但無法準(zhǔn)確提取包含雜草背景的大豆覆蓋區(qū)域，致使提取結(jié)果存在較多的噪聲，3個地塊提取大豆覆蓋度相對誤差RE分別為8.99%、13.20%、15.40%，可見隨著地塊1、2、3的雜草混雜程度與地形起伏等背景復(fù)雜性加劇，基于二維影像GGLI的方法提取大豆覆蓋度誤差也逐步變大。而本文研究方法能把大部分低矮雜草剔除，地塊1、2、3的大豆覆蓋度分別為41.16%、37.65%、34.17%，其大豆覆蓋度相對誤差RE分別為3.17%、2.09%、1.61%，與人工判讀的參考值較為吻合，可見本文研究方法提取大豆覆蓋度并未受到雜草混雜程度與地形起伏的影響。由于本研究方法受限于影像像素光譜數(shù)值，相比人工勾畫的大豆覆蓋區(qū)域，以像素為單元的提取方法存在提取大豆區(qū)域不連片、面積細(xì)小等現(xiàn)象。

圖3 試驗(yàn)地塊大豆覆蓋度提取結(jié)果對比 Fig.3 Comparisons of soybean coverage extraction results

此外，采用目視判讀構(gòu)建混淆矩陣并計算分類精度來定量化評價本研究方法針對大豆覆蓋度提取的效果?；谇捌谘芯拷?jīng)驗(yàn)，針對每一試驗(yàn)地塊，隨機(jī)選取1 000個樣本點(diǎn)，采用等分原則平均分配樣本點(diǎn)數(shù)量，即500個作物點(diǎn)，500個背景點(diǎn)。首先，在正射影像中分別手動標(biāo)記作物點(diǎn)和背景點(diǎn)，再疊加相交分析結(jié)果進(jìn)行目視判讀，并構(gòu)建混淆矩陣，見表2。由目視判讀可知，在選取的500個作物點(diǎn)中，在地塊1、2、3中，被錯誤分類為背景點(diǎn)數(shù)分別為8、6、9；在選取的500個背景點(diǎn)中，在地塊1、2、3中，被錯誤分類為作物點(diǎn)數(shù)分別為6、5、7，可見本文研究方法得到錯誤的作物點(diǎn)和背景點(diǎn)數(shù)較少。由混淆矩陣計算得到大豆覆蓋度提取的總體精度（OA）和Kappa系數(shù)見表3，由定性分析和前述相對誤差指標(biāo)與混淆矩陣定量化精度評價結(jié)果可知，相比僅依賴二維影像的提取方法，本研究方法可有效地從無人機(jī)低空攝影測量數(shù)據(jù)中分離大豆與背景信息，能得到較高的分類精度和實(shí)現(xiàn)大豆覆蓋度精準(zhǔn)提取。

表2 試驗(yàn)地塊大豆覆蓋度提取結(jié)果混淆矩陣 Table 2 Confusion matrix of soybean coverage extraction results in the study fields

表3 試驗(yàn)地塊大豆覆蓋度提取結(jié)果總體精度和Kappa系數(shù) Table 3 Overall accuracy and Kappa coefficient of soybean coverage extraction results in the study fields

為進(jìn)一步驗(yàn)證本研究方法的有效性和適用性，選用幾種具有代表性的基于二維圖像分割的覆蓋度提取方法來進(jìn)行對比分析，包括支持向量機(jī)（Support Vector Machine，SVM）分類、結(jié)合Lab顏色空間變換與Kmeans分割法、雙峰閾值法分割、基于過綠指數(shù)（Excess Green Index，ExG）、植被提取顏色指數(shù)（Color Index of Vegetation Extraction，CIVE）和紅綠比指數(shù)（Green Red Ratio Index，RGRI）分割，分割結(jié)果見圖4，經(jīng)SVM、Lab-Kmeans、雙峰閾值、ExG、CIVE和RGRI二維圖像分割后，田壟上低矮雜草噪聲顯然未能與大豆作物分離，無法得到準(zhǔn)確的大豆覆蓋度。相比而言，本文結(jié)合三維信息的局部閾值分割方法能較好地剔除低矮雜草等復(fù)雜背景噪聲，以精準(zhǔn)提取大豆覆蓋度。

圖4 試驗(yàn)地塊大豆覆蓋度不同提取方法結(jié)果對比 Fig.4 Extraction results of different extraction methods for soybean coverage in study fields

這幾種方法所提取的大豆覆蓋度對比見圖5、總體精度OA（精度評價方法同上）見圖6，僅基于二維圖像分割方法（M1～M6）提取大豆覆蓋度超過參考覆蓋度5%，而本研究提出基于伽馬增強(qiáng)的綠葉指數(shù)分割方法M7在3個地塊的大豆覆蓋度提取結(jié)果與覆蓋度參考值相比誤差均小于3%，總體精度OA要優(yōu)于方法M2～M6和略低于M1。由圖5對比3個地塊大豆覆蓋度參考值可知，相對于地塊1，地塊2大豆生長更為旺盛、地塊3地形起伏變化，方法M1～M6提取的大豆覆蓋度受不同生長期與地形起伏影響較大和參考值差距更大。在圖6中，方法M1-M2的總體精度OA相對M3～M6略高1%，其原因在于大豆覆蓋度較大致使被誤分的作物樣本點(diǎn)相對少一點(diǎn)，但仍然與目視判讀參考值差異較大。而本研究同時結(jié)合可見光譜和三維信息提取大豆覆蓋度與覆蓋度參考值最為接近，誤差小于1.5%，相比而言，3個試驗(yàn)地塊大豆覆蓋度提取總體精度OA值最高（優(yōu)于98%）?；谝曈X定性和指標(biāo)定量分析，試驗(yàn)驗(yàn)證了本研究方法結(jié)合二維影像和三維點(diǎn)云能較好地剔除細(xì)小、低矮雜草等復(fù)雜背景噪聲和準(zhǔn)確地提取出花芽分化期大豆冠層覆蓋度，對于不同時期、不同雜草混雜程度、不同地形起伏背景下大豆覆蓋度提取具有較強(qiáng)的魯棒性。此外，在同一硬件條件下，各方法耗時見表4，可見SVM耗時最長，相比而言，基于指數(shù)的大豆覆蓋度提取效率遠(yuǎn)高于基于分割的方法（高68%以上），而本研究方法大豆覆蓋度提取耗時與基于指數(shù)的方法較為接近。

表4 不同方法耗時對比 Table 4 Time consuming comparison of different methods s

圖5 地塊1、2、3不同方法大豆覆蓋度提取統(tǒng)計 Fig.5 Statistics of bean coverage extraction by different methods in field 1, 2, 3

圖6 試驗(yàn)地塊不同方法大豆覆蓋度提取的總體精度比較 Fig.6 Comparisons of overall accuracy of bean coverage extraction by different methods in study fields

3 結(jié) 論

本研究針對僅依賴二維遙感影像提取大豆覆蓋度難以剔除雜草等復(fù)雜背景干擾的問題，提出了一種結(jié)合三維點(diǎn)云進(jìn)行大豆覆蓋度提取的方法。以花芽分化期大豆的可見光無人機(jī)影像為研究對象，采用伽馬增強(qiáng)植被指數(shù)提取植被信息，結(jié)合最佳結(jié)構(gòu)元的局部閾值分割法二值化附帶三維信息的數(shù)字表面模型，并通過相交分析來過濾非大豆植被等低矮地物，實(shí)現(xiàn)不同時期、不同雜草混雜程度、不同地形起伏背景下大豆覆蓋度精確提取。主要結(jié)論如下：

1）基于伽馬增強(qiáng)的可見光植被指數(shù)（Gamma- enhanced Green Leaf Index，GGLI）可增強(qiáng)植被指數(shù)特征和抑制不相關(guān)的背景噪聲，達(dá)到有效剔除非植被信息的目的，從而大幅提高綠色植被提取精度。

2）本研究采用最佳結(jié)構(gòu)元的局部閾值二值化附帶三維信息的數(shù)字表面模型能有效剔除低矮雜草等復(fù)雜背景噪聲，對于光照和地形起伏變化具有較強(qiáng)的魯棒性。

3）結(jié)合植被提取結(jié)果與三維點(diǎn)云信息相交分析能進(jìn)一步剔除非大豆復(fù)雜背景干擾，實(shí)現(xiàn)大豆覆蓋度的精確提取，相關(guān)試驗(yàn)總體精度達(dá)到98%以上，相比支持向量機(jī)、結(jié)合Lab顏色空間變換與Kmeans分割法、雙峰閾值法等常用方法效率高68%以上，在精度和效率方面明顯優(yōu)于僅利用二維影像的覆蓋度提取方法。