基于無人機可見光影像的城市植被信息提取

張曉同，徐 佳，陳仁喜

（1. 河海大學 地球科學與工程學院，江蘇 南京 211100）

近年來，無人機遙感作為一種低空遙感技術，以其機動性好、使用成本低、獲取影像分辨率高、現勢性強等特點，已成為傳統航空遙感、衛星遙感技術的有效補充[1]。植被是陸地生態系統的重要組成部分，在碳、水、能量等地球要素循環中起著關鍵性作用[2]；城市植被更是城市生態系統的重要元素，對于城市生態環境保護具有重要意義。隨著遙感技術的不斷發展，利用遙感影像進行植被信息提取與動態監測已得到了廣泛應用。植被指數能簡單有效地反映地表植被狀況，是從遙感影像中快速提取植被信息的主要方法之一，迄今為止，國內外學者已相繼提出植被指數超過100 種。Bannari A[3]等從土壤亮度、環境效應、陰影、土壤顏色等方面對40余種有明確定義的植被指數進行分析發現，大多數植被指數包含可見光—近紅外波段。然而，考慮到使用成本和普及性，目前大多數無人機搭載的相機往往缺少近紅外波段，因此許多需要近紅外波段的植被指數并不適用，不少學者利用綠色植被在可見光波段的特性，提出了一系列基于可見光波段的植被指數，如歸一化綠紅差分指數（NGRD）[4]、超綠指數（EXG）[5]、紅綠比指數（RGRI）[6]、歸一化綠藍差分指數（NGBDI）[7]等；也對不同植被指數的適用性進行了研究，如Kazmi W[8]等運用10 種可見光植被指數對甜菜田中的薊進行檢測發現，EXG和植被提取顏色指數（CIVE）[9]的平均識別率優于其他指數；高永剛[10]等構建了一種基于紅、綠、藍光波段的超綠紅藍差分指數(EGRBDI)，并與18 種常用的可見光植被指數進行了對比研究；丁雷龍[11]等利用NGBDI、EXG、綠葉指數（GLI）[12]和超紅超綠差分指數（EXGR）[13]等4 種植被指數進行了植被提取實驗，結果表明EXGR指數的提取效果最好，且植被識別精度與研究區中冬小麥含量呈正比，與其他地物呈反比；李昊民[14]對19種植被指數在農林遙感中的適用性進行了分析，為農林經營提供了借鑒。雖然利用無人機可見光影像提取植被信息已受到廣泛關注，但現有研究大多針對農業應用，研究區往往不在中心城市，且地物類型相對比較單一，上述植被指數并不一定適用于城市植被提取。

針對城市環境下彩色屋頂、水體對植被提取造成的影響，本文在分析城市典型地物特性的基礎上，以不同地物覆蓋的3幅無人機影像為數據源，對16種可見光植被指數進行了對比研究；評價了各種植被指數對于城市復雜地物環境的適用性，以及對于道路、常規建筑物、紅頂建筑物、藍頂建筑物、水體、裸土等地物與植被的區分能力；并分析了影響植被信息提取精度的關鍵因素，為無人機遙感在城市植被信息提取方面的應用研究提供參考。

1 數據來源與研究方法

1.1 研究區與無人機影像概況

本文采用3 幅江蘇省南京市區的無人機可見光影像作為數據源進行研究，如圖1、表1所示。3幅影像內地物類別豐富，包含城市典型場景居民區、學校、公園等中的代表性地物，如草地、喬木、灌木、水體、各類建筑物、道路、裸土等。由于拍攝時天氣狀況良好，獲得的影像受氣象等因素影響較小，且研究對各波段中心波長的位置和波段范圍并沒有嚴格要求，因此對影像沒有進行嚴格的輻射校正，影像包括紅光、綠光、藍光3個波段，空間分辨率如表1所示。

圖1 研究區影像

表1 研究區影像信息

1.2 城市典型地物分析

利用植被指數從遙感影像中提取植被信息，通常會受到地物類型的影響，現有研究以農業、林業方面的應用居多。為了探討各種植被指數對于城市復雜地物環境的適用性，本文對草地、灌木、喬木、水體、道路、建筑物、裸土等城市典型地物進行了分析?？紤]到部分高層建筑物的彩色屋頂等可能對植被提取造成干擾，因此將建筑物細分為常規建筑物、藍頂建筑物和紅頂建筑物。

根據上述9種地物從研究區影像中選擇樣點數目分布均衡的樣區，再根據各種地物像元值（DN值）的均值來分析不同地物在紅光（R）、綠光（G）、藍光（B）波段間的總體差異，最后利用1 倍標準來分析各類地物在各波段中像元值的波動范圍，結果如圖2所示。

圖2 城市典型地物在不同波段中像元的統計特征值（均值和1倍標準差）

由圖2 可知，草地、喬木、灌木等綠色植被的均值雖存在差異，但在R、G、B波段間均呈現相似的先升后降趨勢，其中G 波段最大、R 波段次之、B 波段最??；道路和常規建筑物在R、G、B波段的均值大于植被，且波段間變化不顯著，不易與植被混淆；水體在R、G波段的均值小于其他地物，但在R、G波段的變化趨勢與綠色植被十分相似，且在B波段也與植被有重疊；藍頂建筑物雖在B 波段的均值大于其他地物，但在R 波段與植被有重疊；紅頂建筑物在G、B波段與植被有重疊，但其在R、G、B波段呈先降后升趨勢，與植被存在明顯差異；裸土在R、G、B波段均與植被有重疊，但其在R、G 波段的變化趨勢與綠色植被不同。綜上所述，①由于城市地物種類多樣，不同地物在R、G、B波段均存在重疊，因此僅利用單一波段或僅簡單利用某兩個波段不易將植被與某些非植被區分開，應考慮波段間關系綜合利用多個波段構造植被指數；②在復雜城市環境中，道路、常規建筑物與植被在各波段的像元值差異明顯，紅頂建筑物在R、G、B 波段的變化趨勢與植被存在明顯差異，而藍頂建筑物、水體、裸土等則與植被在某些波段存在明顯重疊，可能會是影響植被信息提取的主要因素，構造植被指數時應考慮如何減少這些地物的干擾。

1.3 可見光植被指數構建原理與分析

根據植被光譜特性，由于光合作用，通常健康的綠色植被對于紅光波段有較強的吸收作用，而對于綠光和近紅外波段則具有較強的反射作用，特別是在紅光和近紅外波段的反射差異較大，因此常用的植被指數往往利用近紅外和紅光波段進行構建。然而，由于很多無人機搭載的相機缺少近紅外波段，因此不少學者根據綠色植被在可見光波段的特性，提出了一系列基于可見光波段的植被指數。16 種常用的可見光植被指數如表2 所示，可以看出，基于可見光的植被指數可分為兩類：①根據地物對各波段間的響應差異計算不同波段的差值或比值，可分為利用紅、綠光波段構建的雙通道指數，如歸一化綠紅差分指數（NGRDI）、改進型綠紅植被指數（MGRVI）[15]、RGRI、超紅指數（EXR）[16]等，利用藍、綠光波段構建的雙通道指數，如綠藍比指數（GBRI）[17]、NGB?DI、超藍指數（EXB）[18]等，以及綜合利用紅、綠、藍光波段構建的三通道植被指數，如GLI、EXG、紅綠藍植被指數（RGBVI）[15]、EGRBDI、植被指數（VEG）[19]、CIVE 等；②通過對第一類中的植被指數進行組合計算得到，如EXGR是對EXG與EXR進行差值計算得到的，聯合指數（COM）[18]是根據最小均勻性對EXG、EXGR、CIVE、VEG 進行線性組合得到的；聯合指數2（COM2）[20]是對EXG、CIVE、VEG進行線性組合得到的。

表2 可見光植被指數

1.4 植被信息提取與精度評價

為評價不同植被信息對于城市復雜地物環境的適用性，分析影響植被信息提取精度的關鍵因素，本文基于研究區的3幅無人機影像，首先計算得到16種植被指數，然后通過閾值分割獲取植被信息，最后根據反映實際植被分布的人工提取結果對利用不同植被指數提取的植被信息進行精度評價。

閾值分割的關鍵在于閾值的選取，本文主要利用雙峰直方圖法獲取閾值。該方法對影像進行灰度直方圖計算，若直方圖呈現明顯的雙峰狀，則位于兩個“山峰”間的峰谷位置對應的灰度值可作為圖像分割的閾值。精度評價主要以人工標記的植被分布影像為參考，通過計算植被提取結果的正檢率和錯檢率來評價各種指數在不同場景中的適用性。正檢率（DR）和錯檢率（FE）的計算公式為：

式中，TP 為正確檢測到的植被像元個數；MP 為未檢測到的植被像元個數；FP 為不是植被卻被檢測為植被的像元個數。

2 實驗結果與分析

2.1 植被提取結果與精度分析

按照本文提出的方法，利用16 種可見光植被指數分別提取3個典型研究區的植被信息。各研究區植被提取結果如圖3~5所示，其中綠色為植被區，灰色為非植被區。

為了定量評價不同植被指數的提取精度，根據參考圖像分別對植被提取結果的正檢率和錯檢率進行統計，如圖6所示。

由圖3、圖6a 可知，研究區1 中除了GBRI、NG?BDI和EXB指數外，其余大部分指數難以區分植被與水體，錯檢率較大；正檢率較高的3 種指數依次為EXG、NGBDI 和RGBVI，正檢率分別為82.3%、77.6%和77.2%，但EXG 和RGBVI 的錯檢率分別達到了34.98%和35.34%；綜合而言，NGBDI 的提取效果最好。由圖4、圖6b 可知，研究區2 中正檢率高于85%的指數包括 CIVE、EGRDI、RGBVI、MGRVI、EXB、GLI、EXG和COM2等8種；錯檢率低于5%的指數包括 COM、EXG、COM2、GLI 和 GBRI 等 5 種；盡管CIVE、 EGRDI、RGBVI 的正檢率分別達到了96.9%、92.2%和91.4%，但其錯檢率依次為30.05%、11.0%和10.2%；綜合而言，GLI、COM2 和EXG 的提取效果最好。由圖5、圖6c可知，正檢率高于85%的指數包括 COM、CIVE、EXGR、EXG、EGRBDI 和GLI 等6 種；各種指數的錯檢率普遍較高，錯檢率低于10%的指數包括NGBDI、GLI、EXB、GBRI 和EXG等5種；盡管COM、CIVE、EXGR的正檢率分別達到了98.9%、97.8%和93.4%，但其錯檢率依次為46.2%、27.8%和38.4%；綜合而言，EXG和GLI的提取效果最好。

圖3 研究區1提取結果

圖4 研究區2植被提取結果

圖5 研究區3植被提取結果

圖6 不同植被指數的植被提取精度對比

2.2 精度影響因素分析

通過分析圖3~6可知，16種植被指數在城市不同場景下均可實現植被提取，但由于城市地物類型復雜，不同場景下包含的地物不同，各種植被指數的提取精度也不相同。為了探究各實驗區中錯檢來源、分析城市地區中典型地物對植被提取的影響，本文統計了水體、道路、常規建筑物、藍頂建筑物、紅頂建筑物、裸土6 種地物的錯檢情況，結果如表3 所示。對于每種地物均勻選取1 200 個樣本點，統計該地物被誤分為植被的像元數；對于僅存在于一個實驗區的地物，全圖均勻獲取1 200 個樣本點；對于存在于多個實驗區的地物，則平均分配在各實驗區中的樣本數目。

由表3 可知，各種植被指數對水體和藍頂建筑物的錯檢情況最嚴重，其次為裸土，道路、常規建筑物、紅頂建筑物僅存在少量錯檢；對于水體而言，除GBRI、NGBDI、EXB 以外，其他13 種指數均存在較嚴重的錯檢；對于藍頂建筑物而言，除GBRI、NGBDI、EXB、GLI、EXG、COM、COM2 以外，其他9 種指數均存在較嚴重的錯檢；對于裸土而言，GBRI、NGBDI、EXB 存在不同程度的錯檢；各種植被指數對于道路、常規建筑物、紅頂建筑物的錯檢均較少，僅NGRDI、MGRVI、RGRI、EXR存在少量錯檢。

表3 不同植被指數對于非植被地物的錯檢情況統計

究其原因可以發現，對于水體存在明顯錯檢的13種指數主要是利用R、G 波段構建的雙通道指數和綜合利用R、G、B波段構建的三通道植被指數，由圖2可知，水體與植被在R 波段與G 波段間的變化趨勢相近，且二者在G 波段反射率均高于R、B 波段反射率均值，因此依據這些性質構建的植被指數不易區分水體與植被；對于藍頂建筑物存在明顯錯檢的植被指數均利用了R 波段，而藍頂建筑物的反射率與植被在R波段有重疊，且R 與G 波段間的變化均為上升趨勢；對于裸土存在明顯錯檢的指數為EXB，該指數是利用G、B 波段的差異性構造的差值型指數，而裸土的反射率在G、B 波段均與綠色植被有重疊，且變化趨勢較相似，與§1.2節的分析基本相符。

此外，由于城市區域內高大樹木與建筑物會產生陰影，本文也對陰影區域的錯檢情況進行了分析，可以發現，各種植被指數在陰影區域均存在不同程度的錯檢，特別是R、G 波段構建的雙通道指數；由于研究區3 為居民區，區域內建筑物與樹木較多，陰影明顯多于其他兩個區域，這可能也是不同植被指數在該區域的錯檢率較高的原因。

3 結 語

現有關于可見光植被指數適用性的研究往往針對農業應用，研究區不在中心城市，且地物類型相對較單一。本文探討了16種常用可見光植被指數的構建原理，在分析城市典型地物特性的基礎上，以覆蓋城市典型場景居民區、學校、公園的3 幅無人機影像為數據源，利用16種植被指數對無人可見光影像中的植被信息進行提取實驗，評價了各種植被指數對于城市復雜地物環境的適用性，并分析了精度影響因素。實驗結果表明：①由于城市地物復雜，各種植被指數用于城市植被提取的精度普遍低于農業應用，特別是存在水體的場景，大部分植被指數的正檢率在60%~75%；②對于不含水體的城市場景，綜合而言EXG和GLI的提取效果最好，在保持較低錯檢率的情況下，正檢率能達到85%以上；③對城市植被提取精度影響最大的兩類地物分別為水體和藍頂建筑物，其次為裸土，道路、常規建筑物、紅頂建筑物的影響相對較??；④陰影會對城市植被提取精度造成影響，特別是對于含有較多高大樹木和建筑物的居民區，各種植被指數的錯檢率普遍較高。

后續研究可根據不同城市場景內的地物覆蓋類型選取合適的植被指數，在對復雜城市場景中植被信息進行提取時不能依賴某一植被指數，不同的植被指數在不同場景下各有優劣，需要根據實際地物情況選取合適的指數。