一種基于可見光植被指數的高分辨率影像林地提取方法

王樹琪 朱大明 張述清 常方敏 王濤

摘 要：針對高分辨率可見光波段影像植被提取時，因缺少近紅外波段引起參考不足的問題，利用植被在可見光方面的光譜特性，實現對可見光波段植被自動化提取與初步分類。在可見光植被指數已有研究的基礎上，利用第三次全國土地調查的0.5m正射高分辨率DOM，將不同植被指數帶入計算，從一系列可見光植被指數中選取一組最優植被指數。通過篩選，選用RGBVI指數進行實驗。檢測結果證明，RGBVI-Ostu方法在第三次全國土地調查底圖中提取林地植被精度高達91.26%，由此證明該方法使高分辨率可見光植被指數林地識別更精確。

關鍵詞：高分辨率;可見光植被指數;三調底圖;RGBVI-Ostu方法

DOI：10. 11907/rjdk. 192334 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）007-0232-04

Forest Extraction Method Based on High-resolution Visile Light Vegetation Index

WANG Shu-qi1，ZHUN Da-ming1， ZHANG Shu-qing1，2， CHANG Fang-min1， WANG Tao3

（1. Faculty of Land Resource Engineering，Kuming University of Science and Technology， Kunming 650093， China; 2. Yunnan Institute of Planning and Design of Land Resources; 3. Yun Jindi Geo-information Technology Co.， Ltd，Kunming 650000， China）

Abstract： In the process of vegetation extraction from high-resolution visible band images，the lack of near-infrared band leads to the problem of insufficient parameters. The automatic extraction and preliminary classification of visible band vegetation are realized by using the spectral characteristics of vegetation in visible light. Based on the existing research of visible light vegetation index，we used the 0.5m ortho high resolution DOM of the third nationl land survey. Different vegetation indexes are substituted into the calculation， and a group of optimal vegetation indexes are selected from a series of visible light vegetation indexes. Through screening， the index of RGBVI was selected for the experiment. The results show that the accuracy of this method is 91.26% in the third nationl land survey map， which proves that the method can make the forest identification more accurate with high-resolution visible light.

Key Words： high-resolution; visible light vegetation index; the third nationl land surveymap; RGBVI-Ostu method

0 引言

由于光合作用下葉綠素對藍紫光與紅光波段的吸收作用，以及對綠色波段的強反射作用，所以綠色植被在藍紅光波段具有低反射率的特點;同時，根據植物波譜曲線，植被在近紅外波段高反射的特性，用可見光與近紅外波段計算結果反映植被蓋度等生物物理參數，是目前植被研究的主流方法[1]。目前植被研究主要基于多光譜或高光譜影像的可見光—近紅外波段構建植被指數[2]。對于大多數無人機影像來說，無人機遙感影像具有獲取時效性強、分辨率高的特點[3]。但是，無人機影像只具有RGB3個波段，缺少了最能表現出植被特征的近紅外波段，使普通無人機影像無法通過傳統植被指數方法獲取植被覆蓋區域面積數據。

眾多學者對可見光波段植被遙感進行了大量研究。例如，Torres-Snchez等[4]和Rasmussen 等[5]利用可見光高分辨率影像計算可見光植被指數，對作物蓋度進行了研究，最高精度達到83.7%，表明可見光植被指數在農作物管理上具有極大應用潛力;Demetrios等[6] 提出基于手機拍攝的照片，利用ExG-ExR 指數，以零為閾值提取照片中含有植物的區域;Suzuki等[7]利用微型無人機可見光傳感器，對試驗區進行了多次地面植被遙感監測，表明基于微型無人機影像的可見光植被指數可用于地面植被監測;毛智慧等[8]利用HSL空間模型構建一種基于色調亮度的植被指數，將該植被指數及其它常用的可見光植被指數分別與多光譜數據的NDVI進行相關性比較，再利用受試者工作特征曲線ROC的特點確定閾值，并進行植被信息提取與分析。

上述研究使用的圖像數據分別是普通電子相機拍攝的照片和分辨率低于10m的影像。由于第三次全國土地調查下發數據需保密，國家有關部門對下發的無人機影像及衛星影像進行了保密處理，如添加了部分噪聲、增加了混合像元等，使相關影像相對于普通無人機影像更加模糊，邊界識別難度更大。經過試驗，本文提及的可見光植被指數計算結果出現全為0值或第三次全國土地調查下發數據為1值的現象。因此，并不是所有可見光植被指數均可在第三次全國土地調查底圖上進行計算。本文創新性地引用一種新的可見光植被指數RGBVI[9]，首先計算各像元RGBVI值，然后通過分級自動閾值分割的方法選出各種植被覆蓋區域。

1 研究區概況與數據選取

1.1 研究區概況

本文研究區位于宜良縣匡遠街道境內，屬于宜良縣城郊區。該地地處北緯24°30′ 36″ ～25°17′ 02″ 、東經102°58′ 22″ ～103°28′ 75″ 之間。該區域屬于山地丘陵地形，大部分地區海拔在1 500～1 800m之間，氣候為亞熱帶季風氣候，冬春干旱少雨，夏秋多雨濕潤，冬無嚴寒，夏無酷暑。災害性天氣主要是春季常有干旱，秋季偶有低溫，冬季時有霜凍。土壤以紅壤為主，其次是水稻土和黃棕壤、紫色土、沖擊土等，水稻土為縣內糧食生產的主要土類。匡遠街道屬云貴高原亞熱帶植被區，境內森林植被類型為半濕性常綠闊葉林與針葉林。近代自然植被遭到破壞，動植物種群減少。森林類型多為次生云南松和櫟類闊葉林組成的混交林。主要植被類型有云南松和華山松林、河谷灌叢和山地灌叢、禾本科為主的荒草地及耕地。

1.2 數據選取

1.2.1 正射影像選取

本文研究正射影像來自于國家有關部門已處理的第三次全國國土調查DOM影像中宜良縣試點區域影像。已知影像共包含RGB 3個波段，空間分辨率為0.5m，平面坐標為CGCS2000國家大地坐標系，高程基準為1985國家高程基準。

1.2.2 數據資料

（1）國家內業提取的變化圖斑，主要在最新遙感影像的基礎上，結合全國土地調查數據，按照第三次全國國土調查土地現狀分類標準，提取不一致圖斑，并根據數據庫地類影像特征判讀土地利用類型。

（2）公司第三次全國土地調查項目部提取的部分地類圖斑。

（3）宜良縣林業調查數據。源于2007年開展的成果，數據為矢量數據，格式為*.MDB。

2 研究方法與結果分析

2.1 可見光植被指數

本次實驗引入常用的8種可見光植被指數（見表1），利用Matlab R2017a軟件的圖像處理計算工具，分別計算8種可見光波段圖像（見圖1）。

其中， R為紅光通道，G為綠光通道，B為藍光通道。

由圖1（彩圖掃描OSID碼可見）可知，前8種可見光植被指數中，對于第三次全國土地調查底圖影像，EXGR、COM、COM2這3個植被指數無分類效果;VEG指數分類界限并不明顯，主要表現在純白區域為背景以及植被覆蓋區，灰色與黑色區域為房屋區;NGRDI指數圖中淺色區域為植被覆蓋區，深色區域為非植被區;EXG指數黑色區域為部分非綠色覆蓋區;CIVE指數與WI指數計算結果圖為二值圖像，其中CIVE指數較好地提煉出了植被覆蓋區域，WI指數圖中白色為原圖中淺色部分，黑色部分為原圖中深色部分。但是，WI指數圖中有一部分中間房屋建筑分為植被區（如圖2）。

其中，圖2的左圖為研究區某一區域原始影像，右圖為該區域WI指數掩模處理后的圖像，黑色區域為WI指數計算的植被覆蓋區。可以發現，兩圖線框中部分老式民居的黑色屋頂未識別出來。

對比圖3與圖1中的NGRDI指數圖，發現RGBVI計算結果與NGRDI指數計算結果分布類似。但RGBVI計算公式中更綜合地考慮了紅綠藍3個波段的影響，而NGRDI只是提到了紅色波段的影響（見表1）。運用Otsu法計算閾值分割，實現了二值化處理（見圖4），其中白色部分為植被覆蓋區域，黑色部分為非植被覆蓋區，本文將該方法稱為RGBVI-Ostu方法。

2.2 結果分析

上述實驗證明，CIVE指數計算結果與RGBVI-Ostu方法計算結果總體效果較好。針對以上兩種結果進行像元統計分析，如表2所示。

利用合并后的第三次全國土地調查圖斑范圍，可將研究區分為3種類型：林地區、水田區、居住區（見圖5）。

對于上述3個區域，利用植被像元總數比總像元數（見式1），分別求CIVE提取的植被區所占比重（見表3）與RGBVI-Ostu方法提取的植被區精度（見表4）。

其中，Nveg為植被區像元個數，[Niall]為各個區域像元總數，α為植被精度。

由表3、表4可知，RGBVI-Ostu方法提取的林地區域植被精度達91.26%，明顯高于CIVE指數計算得到的林地區比例，說明在識別林地覆蓋區方面，RGBVI-Ostu方法比CIVE方法提取植被覆蓋區精度更高。

在居住區植被覆蓋提取方面，RGBVI-Ostu方法提取的植被覆蓋像元個數明顯高于CIVE指數計算結果。進行RGBVI指數計算并用Ostu提取閾值掩模影像減去CIVE掩模影像（見圖6），發現RGBVI-Ostu方法提取的庭院種植植被提取效果優于CIVE指數計算的提取效果。

在水田區植被覆蓋提取方面，CIVE方法獲得的植被像元比例僅比RGBVI-Ostu方法獲得的植被像元比例提高2.34%，說明在水田區提取方面，兩者差異相對于山林地區的24.15%與居住區的4.63%來說效果不顯著。

由于試驗區地處中國云南省，根據云南省的氣候特點分析，11月份全省溫度在10℃～20℃，植物生長情況較好。由于影像拍攝時間是在10月份，林地區綠色葉片的覆蓋較為完整。又由于該時節水田里部分農作物長勢良好，水田區域植被綠色葉片覆蓋也相對完整，因此基于本文影像提取出來的植被區精確度不會受到季節影響，精度較高。

3 結語

綜合以上分析，上述9種植被指數計算原理中只有RGBVI指數計算處植被指數對應亮度圖像，而CIVE指數計算結果為有規律的二值圖像。其它植被指數在第三次全國土地調查的計算應用上無結果，或計算得出的二值圖像準確性較差。

CIVE指數計算方法與RGBVI-Ostu方法在植被覆蓋提取效果上相比，在植被像元識別度總體上后者優于前者。因此，在可見光波段，RGBVI-Ostu方法在第三次全國土地調查底圖植被覆蓋區識別精確度較高。

根據表3和表4得出林地區植被覆蓋比例高于水田區植被覆蓋比例。這是由于一方面水田地區植物生長高度較低，為了方便農業生產管理便利，在農田區域往往會有一些房屋、溝渠、田間小路等配套設施;另一方面部分水田被閑置或收割后，無植被覆蓋。這些因素均會影響水田區域植被覆蓋情況。

由于第三次全國土地調查底圖影像波段少，缺少用來表現植物特征的近紅外波段，由于“異物同譜”的影響，用上述兩種方法提取植被時容易把部分非植被的綠色物體歸類為植被。因此，提取精度低于利用近紅外波段的多光譜影像精度。

雖然RGBVI-Ostu方法對可見光波段植被覆蓋區提取效果相對較好，但是對于基于第三次全國土地調查底圖的無地類參照數據分類實驗來說，RGBVI-Ostu方法并無可直接對植被類型進行有效提取的閾值。

隨著無人機遙感技術的廣泛應用、遙感影像技術及分類理論的發展，可見光波段植被指數應用前景將更廣闊。隨著機器學習在遙感圖像分類領域的廣泛使用，可見光植被指數（如RGBVI-Ostu方法提取的結果）可作為一個新的機器學習特征，進一步提高機器學習識別精度。

參考文獻：

[1] 井然， 鄧磊， 趙文吉，等. 基于可見光植被指數的面向對象濕地水生植被提取方法[J]. 應用生態學報， 2016， 27（5）：1427-1436.

[2] JIU T Q. Advances in study on vegetation indices[J]. Advance in Earth Sciences， 1998（13）：323-333.

[3] 黃潔， 唐守鋒， 童敏明， 等. 計算機視覺技術在無人機上的應用[J]. 軟件導刊， 2019， 18（1）：20-22.

[4] TORRES-SáNCHEZ J， LóPEZ-GRANADOS F， ISABEL D C A ， et al. Configuration and specifications of an unmanned aerial vehicle （UAV） for early site specific weed management[J]. PLoS ONE， 2013， 8（3）：e58210.

[5] RASMUSSEN J，NIELSEN J，GARCIA-RUIZ F，et al. Potential uses of small unmanned aircraft systems （UAS） in weed research[J]. Weed Research， 2013， 53（4）：242-248.

[6] DEMETRIOS G，LIENARD J F，ANDRE V，et al. 3D tree dimensionality assessment using photogrammetry and small unmanned aerial vehicles[J]. PLoS ONE， 2015， 10（9）：e0137765.

[7] SUZUKI T，AMANO Y，TAKIGUCHI J I，et al. Development of low-cost and flexible vegetation monitoring system using small unmanned aerial vehicle[C].ICCAS-SICE. 2009：4808-4812.

[8] 毛智慧，鄧磊，賀英，等. 利用色調—亮度彩色分量的可見光植被指數[J]. 中國圖象圖形學報， 2017， 22（11）：1602-1610.

[9] 李長春，牛慶林，楊貴軍. 基于無人機數碼影像的大豆育種材料葉面積指數估測[J]. 農業機械學報， 2017， 48（8）：147-158.

[10] GITELSON A A，KAUFMAN Y J，STARK R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment， 2002， 80（1）：76-87.

[11] XUE J，SU B. Significant remote sensing vegetation indices： a review of developments and applications[J]. Journal of Sensors， 2017.

[12] WU Y，ZHAO L，JIANG H，et al. Image segmentation method for green crops using improved mean shift[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（24）：161-167.

[13] HAGUE T，TILLETT N D，WHEELER H. Automated crop and weed monitoring in widely spaced cereals[J]. Precision Agriculture， 2006， 7（1）：21-32.

[14] SUN G，WANG X，YAN T，et al. Inversion method of flora growth parameters based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（20）：187-195.

[15] WOEBBECKE D M， MEYER G E， VON BARGEN K， et al. Color indices for weed identification under various soil， residue， and lighting conditions[J]. Transactions of the ASAE，1995，38（1）：259-269.

[16] GUIJARRO M， PAJARES G， RIOMOROS I， et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronics in Agriculture， 2011， 75（1）： 75-83.

[17] GUERRERO J M，PAJARES G，MONTALVO M，et al. Support vector machines for crop/weeds identification in maize fields[J]. Expert Systems with Applications， 2012， 39（12）：11149-11155.

（責任編輯：江 艷）