改進的基于視覺認知特征的植被識別方法

李 成，陳仁喜，王秋燕

(1．河海大學地球與工程學院，南京 210098;2．華南理工大學亞熱帶建筑科學國家重點實驗室，廣州 510640)

0 引言

利用遙感圖像進行植被信息提取的方法可以歸納為目視解譯法、基于像元的方法和面向對象的方法3類［1］。其中，目視解譯勞動強度大，工作效率低;基于像元的方法中以植被指數法應用最廣，并得到很廣泛研究［2－4］，提取精度也得到了很大程度提高，但其受到多種因素影響，在地表像元結構復雜的城市區域，很難滿足提取精度要求［5］;面向對象的方法能綜合多種圖像信息(形狀、紋理等)進行決策［6－8］，分類結果較好，但目前發展還不成熟。迄今為止，仍然沒有一個公認的、普遍適用的城市綠地植被信息提取方法［1］。

基于植被視覺認知特征的植被區域提取方法，可以在沒有任何先驗知識的情況下，僅依靠輸入的高分辨率圖像中植被本身的色調特征，對圖像進行一系列的數學變換，便能自動地、高精度地提取出圖像中的植被區域，操作簡便，運算快速［9］。目前，該方法在較明亮的高分辨率遙感圖像及航空圖像中具有較高的提取準確度，為高分辨率遙感圖像的植被區域自動提取提供了一種可行的解決方案;但在自動提取類似樹冠一類小而破碎的目標物時以及色調偏暗圖像中植被區域時，效果仍不佳。如何解決這些難題是該方法的研究方向。針對該方法在色調偏暗圖像中存在容易發生非植被區域誤判、植被區域提取精度不高的不足，本文進行了一些技術改進，顯著提高了植被區域的提取精度。

1 自動提取模型

1．1 原理及算法

基于視覺認知特征的植被區域自動提取模型是主要根據植被在可見光波段呈現綠色調的視覺特征，在不采用任何先驗知識和輔助信息的情況下，僅依靠被處理圖像自身建立起的模型。在輸入圖像中人工選取植被的代表區域，計算植被的特征參數，以此作為人眼對植被視覺認知進行導入;然后，對圖像進行一系列的數學變換(如RGB空間到HIS空間變換、特征圖像變換、特征圖像融合等)，突出植被與非植被類別之間的差別;最后根據植被樣區的特征參數形成決策函數，提取出植被區域。

1．2 圖像變換

1．2．1 HIS 變換

RGB空間到HIS空間的變換公式為

式中:R，G，B分別是一個像元的紅、綠、藍分量值;min(R，G，B)為像元紅、綠、藍最小分量值;H，S，I分別為輸出的色度、飽和度和亮度特征值。

1．2．2 特征圖像變換

在色度空間中，植被的分布范圍為0～240°，分布較為廣泛，不利于植被信息提取，通過

變換，可縮小植被的色度分布范圍，以更好地提取植被區域。式中:μH，σH分別為色度分圖像的灰度均值和標準差;H0(m，n)分別為變換前后的色度特征圖像;HU，HL分別為植被色度的上限值和下限值;m，n分別為像元橫、縱坐標值。

根據樣區位置，重新計算樣區在新色調特征圖像上的灰度均值和標準差，然后進行高斯變換，以凸顯植被在各個特征圖像中的特征，增加植被與非植被的可分離性。高斯變換公式為

式中:μ，σ分別代表植被樣區在特征圖像的灰度均值和標準差;H，S，I分別為變換后的色度、飽和度、亮度特征圖像;f為高斯變換后的特征圖像;下標H，S，I分別代表色度、飽和度、亮度。

1．2．3 特征圖像融合

特征圖像融合變換為

該變化可進一步擴大植被與非植被的差異，形成融合圖像M，用于綜合決策。

1．2．4 決策函數建立

建立決策函數，即

式中μM，σM分別為融合后圖像M(m，n)中植被樣區的均值和標準差。對T取合適閾值，便能區分出植被與非植被區域。

2 模型改進

在色調偏暗的城市區域圖像中，地物錯綜復雜;植被、水體、年代久遠的建筑物、柏油路等都會呈現暗色調，且像元結構復雜。若僅根據植被色調特征，單純采用數學變換對圖像進行變換，無法很好地區分出植被與非植被的差異，會造成誤判，使植被區域提取的精度不高。針對色調偏暗的圖像，本文進行了2個方面的改進。

2．1 NDVI植被指數綜合處理

歸一化差值植被指數(normalized difference vegetation index，NDVI)，又稱標準化植被指數，是植物生長狀態以及植被空間分布密度的最佳指示因子，是估算植被覆蓋研究中最常用的方法，廣泛用于定性和定量評價植被覆蓋及其生長活力［10－11］。NDVI計算公式為

式中:NIR為近紅外波段亮度值，對應于植被的反射峰;R為紅光波段亮度值，對應于植被葉綠素的吸收峰［12－13］。NDVI對植被區域反映敏感，與植被覆蓋度有良好的相關性，可以很好地從植被的光譜特征上區分植被和非植被，標定出植被的可能覆蓋區域，且較為可靠。

在色調偏暗的圖像中進行植被區域提取時，利用NDVI法對植被覆蓋敏感而對其他地物不敏感的特性，能夠彌補僅用色調進行判斷的不足，可以很好地從光譜特征上區分植被與非植被。通過將用NDVI法提取出的植被二值圖像與基于植被視覺認知特征法提取出的植被二值圖像做“與運算”，那些基于植被視覺認知特征法誤判為植被的區域便可得到糾正;另外，NDVI法與基于植被視覺特征法都能很好地提取出真實植被區域，基于視覺認知特征提取出的精確植被邊界又會彌補NDVI法在高分辨率圖像中提取植被區域邊界不準確的缺點。將NDVI法與基于植被視覺認知方法綜合，相互取長補短，很好地解決了基于視覺特征的植被區域提取法在色調偏暗圖像中提取精度不高的難題。

2．2 填補植被內部孔洞

數學形態學“閉運算”可以消除孔洞，消除細長鴻溝中的斷裂，使得邊界的輪廓更加連貫、光滑。形態學閉運算定義為先膨脹后腐蝕的過程，即

使用結構元素B對集合A的閉運算就是先用B對A進行膨脹，然后用B對膨脹結果進行腐蝕［14］。

在高分辨率遙感圖像中，植被的樹冠層會出現色差，在色調上表現為亮綠色和暗綠色相間的現象;此外，還存在一些枝葉比較稀疏、植被的覆蓋度不高的區域。這些區域在上述方法模型的植被二值圖像中表現為在一片植被區域內部會隨機出現一些小面積(通常為3～5個像元)的非植被區域孔洞(圖1(左))。本文根據形態學閉運算能夠填補區域內部孔洞的特性，采用“閉運算”對植被二值圖像進行處理，以去除植被區域內部小于一定大小的孔洞，結果如圖1(右)所示。圖1中，白色為植被區域，黑色為非植被區域。從中可以看出，進行形態學閉運算后的植被二值圖像明顯具有更高的連續性，植被斑塊更加明顯，植被區域邊界也更接近實際的植被邊界，更有利于植被區域邊界的提取。

圖1 形態學閉運算前(左)、后(右)植被二值圖像Fig．1 Two－value images of vegetation before(left)and after(right)morphologicalclosing operation

綜上所述，改進后的基于視覺認知特征的植被區域自動提取模型的計算流程如圖2。

圖2 改進算法的基本流程Fig．2 Basic flow chart of improved method

3 實驗及結果分析

3．1 實驗平臺及數據

根據基于視覺認知特征的植被區域自動提取模型的計算方法，本文在VC++開發平臺上應用OpenCV開發包編寫了一個植被提取的實驗程序。選取南京東北部城鄉結合區(圖3(a))和玄武湖北部城區(圖3(b))2組具有代表性的數據進行實驗。實驗中NDVI的決策系數選取為0．1。一般情況下NDVI＞0時，便認為該區域為植被，但由于大氣折光及成像鏈路信號污染，會出現一些雖然NDVI＞0卻不是植被的現象［15］。經過多次實驗，本文最終選取0．1作為NDVI的閾值;并發現形態學閉運算的模板大小采用5像元×5像元時，植被區域內部填充效果比較好。從圖3中可以看出，城鄉結合部地區的植被區域比較明顯，分布較集中，色調也較統一;而玄武湖北部中城區的圖像色調比較復雜，且植被色調較暗。

圖3 實驗數據Fig．3 Experimental data

3．2 實驗結果及分析

圖4和圖5分別對比展示了2個實驗區運用原方法和改進方法對植被區域提取效果。圖4和圖5中，紅色線條代表植被區域的外邊界，綠色線條代表位于植被區域內部的非植被區域邊界。圖4(a)和圖5(a)為用未改進方法提取植被的效果，其中，白色標記的是植被采樣區域，藍色、黃色標記的是被誤判的其他地物;圖4(b)和圖5(b)為用改進方法提取植被區域的效果。由于篇幅原因，本文選取4個誤判區進行改進前后的圖像對比，分別如圖4，5的(c)—(f)所示。

圖4 實驗區1植被區域提取效果對比Fig．4 Comparison of the results of vegetation areas extracted in experimental zone one

圖5 實驗區2植被區域提取效果對比Fig．5 Comparison of the results of vegetation areas extracted in experimental zone two

3．2．1 定性評價

從圖4(a)可以看出，該地區植被布分布比較密集，色調較一致，用原方法及改進方法都能很好地提取出植被區域的內外邊界，且這些邊界與人眼目視解譯的邊界有很高的符合程度。改進方法的優越性體現在對與植被色調相近的水體誤判區(如圖4(a)中2處藍色標記區域和2處黃色標記區域的剔除)，改進方法很好地去除了與植被色調相近的水體誤判，植被區域的提取精度更高。對比圖5(a)和圖5(b)可以看出，本文改進方法具有優越性。該實驗區為城市地區，圖像中地物比較復雜，色調也比較暗，很多地物在色調上與植被相近，僅采用色度圖像數學變換的原方法，造成了很多的誤判，提取效果不佳(其中，以裸露地的誤判為最多，其次為水體、色調偏暗的道路等，如圖5(a)中多處用藍色標記出的區域)。由于改進方法中加入了NDVI法的糾正，在圖5(b)中的植被區域和植被區域內部的非植被區域明顯減少，植被區域的總體提取精度得到了很大提高。從圖5(c)—(f)中可以看出，誤判區域都得到了有效的剔除，解譯精度更高。

根據上述實驗結果可以得出，改進方法不僅適用于色調較明亮圖像中的植被區域提取，也適用于色調偏暗圖像中的植被區域提取;且植被區域提取結果均與人眼目視解譯結果基本一致，精度較高。

3．2．2 定量評價

由于缺乏標準的對比對象，本文的定量分析采用了相對定量分析。對比數據來自于ENVI 4．8軟件的監督分類結果。鑒于在小區域高分辨率圖像中，人眼的目視解譯精度還是比較高的，故對監督分類結果進行了精細的后處理(小區域植被刪除、混淆矩陣精度驗證、矢量化并統計植被區域面積和植被像元總數)，使監督分類得出的植被區域基本與人眼的目視解譯結果相一致。采用植被總象元數、改進率、分類近似度幾個評價指標進行對比，總像元數指運用該方法從圖像中提取出的植被總像元個數;改進率=(改進前方法植被總像元數－改進后方法植被總像元)/改進前方法植被總像元數;分類近似度=改進后方法提取植被總像元數/監督分類提取植被總像元數，也稱為改進后的方法與監督分類方法的分類相似度。結果見表1。

表1 相對精度評價結果Tab．1 Evaluation results of the relative accuracy

在表1中，改進前、后方法提取出的植被總像元數及邊界數由實驗程序統計得來，監督分類植被總像元數由ENVI4．8軟件得來。由表1可知，對于植被色調較統一的圖像，原方法和改進方法的提取效果差不多;對于色調較暗的圖像，改進方法提取效果更佳。改進方法提取出的結果與監督分類結果基本一致，這也說明改進方法不僅適用于色調較明亮的圖像，而且還適用于色調偏暗的圖像，且具有較高的植被區域提取精度。

本文的實驗是在基于VC++配置的OPENCV平臺環境下進行的，改進前、后的方法運算速度都比較快，充分顯示了基于視覺認知特征方法在植被區域提取中的速度優勢。操作人員只需要進行植被代表區域的選取工作，其余工作均由程序自動完成，已達到了半自動化的效果。

4 結論

1)本文針對基于植被視覺認知特征提取植被區域方法的不足之處，通過改進，解決了原方法會將色調與植被相近但不是植被的地物誤判為植被的難題，使其不僅能夠在色調明亮的圖像上運用，還可運用到暗色調圖像中。

2)通過實驗驗證，改進方法既繼承了原方法能夠快速、準確、自動化提取出植被邊界的優點，又提高了提取準確度，使其適用范圍進一步擴大，為解決從高分辨率圖像中提取植被區域的問題提出了一個很好解決方案。

3)雖然改進方法能夠高精度地提取出植被區域，但仍然存在著一些不足，例如還沒有較好地利用圖像的紋理、形狀等其他特征進行分類應用，單株樹木的提取精度不高等，有待進一步改進。

［1］ 李成范，尹京苑，趙俊娟．一種面向對象的遙感影像城市綠地提取方法［J］．測繪科學，2011，36(5):112－114．Li C F，Yin JY，Zhao JJ．An extraction algorithm of urban vegetation from remote sensing images based on object－origent approach［J］．Science of Surveying and Mapping，2011，36(5):112－114．

［2］ 王延飛，溫小榮．基于NDVI再分類的城市綠地信息提取——以江蘇省徐州市為例［J］．福建林業科技，2012，39(2):66－69，88 Wang Y F，Wen X R．Urban green space information extraction based on NDVI reclassify:Taking Xuzhou，Jiangsu as the example［J］．Journal of Fujian Forestry Science and Technology，2012，39(2):66－69，88．

［3］ 房 媛，王秀蘭，馮仲科，等．一種基于Quickbird影像提取城市綠地信息的模型算法［J］．林業調查規劃，2010，35(4):19－23，28．Fang Y，Wang X L，Feng Z K，et al．One method for model calculation of Quick Bird image extraction of urban green space information［J］．Forest Inventory and Planning，2010，35(4):19－23，28．

［4］ 李 穎，陳秀萬，段紅偉，等．基于多尺度NDVI的膠東半島植被研究［J］．鄭州大學學報，2010，31(4):40－43．Li Y，Chen XW，Duan HW，et al．Vegetation analysis in Jiaodong Peninsula based on multi－scale NDVI［J］．Journal of Zhengzhou University，2010，31(4):40－43．

［5］ 馬 婭，匡耀求，黃寧生，等．基于ETM+的植被覆蓋信息提取及動態變化分析——以廣州市為例［J］．測繪科學，2009，34(4):114－116．Ma Y，Kuang Y Q，Huang N S，et al．Estimation and spatio－temporal characteristics analyses of vegetation abundances based on ETM+images:A case study in Guangzhou［J］．Science of Surveying and Mapping，2009，34(4):114－116．

［6］ 熊軼群，吳健平．面向對象的城市綠地信息提取方法研究［J］．華東師范大學學報:自然科學版，2006(4):84－90．Xiong YQ，Wu JP．Research of urban vegetation by object－oriented classification［J］．Journal of East China Normal University:Natural Science，2006(4):84－90．

［7］ 聶敏莉．基于Quick Bird衛星影像的城市綠地提取與分類研究［D］．北京:北京林業大學，2010:35－42．Nie M L．The research of urban space abstraction and classification based on Quick Bird image［D］．Beijing:Beijing Forestry University，2010:35－42．

［8］ 張學儒，劉林山，張億鋰，等．基于ENVIZOOM面向對象的高海拔灌叢植被提取——以定日縣為例［J］．地理與地理信息科學，2010，26(4):104－109．Zhang X R，Liu L S，Zhang Y L，et al．Extraction of urban vegetation by object－oriented classification method based on ENVI ZOOM in high altitude area:A case of Dingri country［J］．Geography and Geo－Information Science，2010，26(4):104－109．

［9］ 柳稼航．高分辨率遙感影像視覺認知與自動識別技術研究［D］．上海:上海交通大學，2010:103－120．Liu J H．Study on visual recognition and automatic extraction of typical ground objects in remote sensing images［D］．Shanghai:Shanghai Jiao Tong University，2010:103－120．

［10］ 陳述彭，趙英時．遙感地學分析［M］．北京:測繪出版社，1990:1147－1521．Chen SP，Zhao S Y．Remote sensing analysis in geography［M］．Beijing:Surveying and Mapping Press，1990:1147－1521．

［11］ Gilabert M A，Gonzalez P J，Garcia H F J，etal．A generalized solid adjusted vegetation index［J］．Remote Sensing of Environment，2002，82(2/3):303－310．

［12］ 許 凱，秦 昆，杜 鹢．基于AdaBoost的高分辨率遙感影像城市綠地提取算法［J］．計算機工程與應用，2008，44(20):23－25，82．Xu K，Qin K，Du Y．New algorithm of extraction of urban vegetation from high resolution image based on Ada Boost［J］．Compute Engineering and Application，2008，44(20):23－25，82．

［13］ 武鵬飛，王茂軍，張學霞．基于ETM+的北京西部山區喬木群落結構研究［J］．遙感信息，2010(5):105－109．Wu P F，Wang M J，Zhang X X．Study on tree community structure in western mountainous area of Beijing based on ETM+［J］．Remote Sensing Information，2010(5):105－109．

［14］ 岡薩雷斯，伍茲．數字圖像處理［M］．2版．北京:電子工業出版社，2007:421－431．Gonzalez R C，Woods R E．Digital image processing［M］．2nd ed．Beijing:Publishing House of Electronics Industry，2007:421－431．

［15］ 趙麗麗，趙云升，張建輝，等．基于ETM+的深圳市綠地信息提取方法研究［J］．遙感技術與應用，2005，20(6):596－600．Zhao L L，Zhao Y S，Zhang JH，et al．A study method of obtaining green land information based on ETM+in Shenzhen City［J］．Remote Sensing Technology and Application，2005，20(6):596－600．