基于歸一化植被指數的農田邊界識別方法

劉東 歐陽安 陳聰 李亦白

摘要：農田邊界識別對智能農機裝備作業具有重要的指導性作用，為實現農田邊界的精準識別，提出一種基于歸一化植被指數的農田識別方法。由于農田圖像地物信息復雜，普通RGB圖像處理結果受環境影響較大，模型魯棒性差，為解決這一問題，通過測繪無人機獲取農田多光譜數據，基于不同區域歸一化植被指數（NDVI）的差異，利用大津閾值分割法實現農田的有效分割。針對雜草和樹木等過分割問題，通過計算聯通區域的大小與長寬比的方法，在保證農田識別精度的情況下，減少其他因素干擾，最后通過Canny邊緣檢測算法提取農田邊界。通過驗證，本研究方法對農田的識別準確率達95%以上，可以為智能農機裝備提供作業環境數據。

關鍵詞：農田;邊界識別;植被指數;NDVI;聯通區域

中圖分類號：S127 文獻標志碼：A

文章編號：1002-1302（2022）11-0196-06

收稿日期：2022-03-29

基金項目：國家重點研發計劃（編號：2017YFD0700601-2）;中國農業科學院科技創新工程[編號：農科院辦（2014）216號]。

作者簡介：劉 東（1996—），男，山東聊城人，碩士，研究方向為農業機械化工程與農業信息管理。E-mail：liudong_96@ 163.com。

通信作者：歐陽安，博士，助理研究員，研究方向為農業機械化及農機裝備、智能制造等產業發展和政策。E-mail：oyangann@foxmail.com。

隨著智能農機裝備的快速發展，精細化作業、智能化作業要求的不斷提高，無論是自動駕駛的智能農機裝備還是智慧農業、無人農場，作業環境的感知與獲取都是前提與基礎，尤其是農田邊界、障礙物等作業環境信息，不僅影響作業范圍的確定，對作業方式和作業路徑都有較大的影響。以植保無人機為例，目標地塊的農田邊界需要通過人工打點標記或飛機打點標記的方式確定，不僅消耗人力物力，還嚴重制約了作業效率。因此迫切需要一種能夠自動、快速識別農田的方法，為智能農機作業提供數據支撐。目前遙感技術已經被廣泛應用在土地利用、地質災害、環境監測、測繪等多個研究領域，尤其是遙感技術與無人機相結合形成的無人機遙感技術，不僅操作簡單靈活可用于多種場合且獲取的遙感數據分辨率也比較高，因此利用無人機遙感影像實現農田道路的識別與信息提取得到了越來越多學者的關注。

實現作業環境信息的自動提取，尤其是農田地塊的有效識別，就是將圖形進行分割，常見的圖像分割方法有基于閾值的分割方法、基于邊緣的分割方法、基于區域的分割方法、基于聚類分析的分割方法、基于數學形態學方法和基于人工神經網絡的方法等。隨著深度學習理論和技術的成熟，圖像信息提取的效果和效率都得到了大幅度的提升，圖像分類、語義分割、全連接網絡等以深度學習為背景的圖像處理技術也得到了廣泛的應用。楊亞男等設計了FCN-8s模型與DeseCRF模型相結合的梯田識別方法，該方法對山脊區梯田、密集區梯田和不規則梯田的識別精度可達86.85%，可用于無人機遙感梯田識別。在傳統圖像分割方法中，陳伊哲等分別利用基于邊界和基于區域的2種圖像分割方法對農田地塊圖像進行處理與試驗，結果表明利用微分算子的圖像邊界分割算法雖然能夠有效識別出農田地塊的邊緣，但是對噪聲有放大作用;而利用閾值法的圖像區域分割算法可以很好地消除農田地塊圖像的噪聲影響。針對梯田邊緣識別，張宏鳴等將正射影像與梯田坡度數據融合，研究了基于Canny算子的粗邊緣提取方法和基于多尺度分割的精細邊緣提取方法，梯田提取精度可達84.9%。吳晗等在多尺度組合聚合（MCG）分割方法框架下，研究了影響邊界提取準確性的最優分割尺度選擇問題，試驗結果表明面向農田邊界提取的最佳地面采樣距離為30 cm，最優分割尺度為[0.2，0.4]，整場景總體地塊邊界識別準確率可達90%以上。

上述研究雖然都是針對農田識別，但處理對象都是RGB圖像，由于農田環境信息復雜，無論是傳統圖像處理方法還是基于機器學習的方法，農田識別精度均不高，尤其是雜草、樹木、田埂等，嚴重影響了識別效果。針對上述問題，本研究使用無人機搭載多光譜相機獲取農田多光譜影像，基于植被指數實現農田的高效識別，通過判斷聯通大小與長寬比的方法，減小樹木與雜草對識別效果的影響。

1 圖像獲取

農田影像拍攝于2020年11月，拍攝地點為江蘇省南京市棲霞區太平村（32°02′651″N，118°52′301″E），圖片采集使用極飛M500 2019遙感無人機，機身質量為10 kg，最大負載為6 kg，無人機飛行高度為 60 m，飛行速度為5 m/s，垂直拍攝，數據采集時間為12：00—14：00。無人機搭載極飛XCam農田多光譜相機，該相機可捕捉4個波段的作物高清影像及高清RGB可見光影像，其中四光譜通道高感光CMOS傳感器可涵蓋的4個波段的波長分別為550、660、735、790 nm，多光譜相機像素為 2 000 萬pixel，圖像分辨率為3 863×3 648 pixel，相機質量為 0.85 kg，圖1為拍攝的農田影像。試驗過程中，將50 cm×50 cm的標準白板放置在試驗地塊之上，作為遙感數據的輻射校正數據，且通過預設相機的畸變矯正數據，保證采集圖像清晰，同時方便后期地圖的拼接處理。數據采集結束后，通過Xsation將采集的單張RGB照片拼接在一起，得到完整的農田地塊圖像，如圖2所示。

2 研究方法

2.1 多光譜數據預處理與植被指數選擇

為消除和修正輻射誤差引起的圖像畸變，首先要對多光譜數據進行輻射校正。本次試驗所獲取影像的光譜分辨率為10 nm，圖形的空間分辨率為0.02 m×0.02 m，對白色校正區域的光譜數值取平均值，使用公式（1）對多光譜遙感數據進行輻射校正。

R=I-BW-B。（1）

式中：I表示圖像某波段的平均光譜值;W表示該天該波段標準白色校正區域光譜均值;B表示該天將鏡頭蓋住時該波段的像素均值;R為經過輻射校正后該天該波段的光譜反射率。

植被指數作為能夠度量地表植物狀況的一種指標，被廣泛應用在多個領域。常用的植被指數包括比值植被指數（RVI）、差值環境植被指數（DVIEVI）、增強型植被指數（EVI）、歸一化植被指數（NDVI）、綠度植被指數（GVI）、調整土壤亮度的植被指數（SAVI）、土壤調整型植被指數（MSAVI）等，可通過植被在近紅外、紅光、綠光和藍光波段的遙感反射率計算得到。各植被指數的具體應用范圍見表1。

其中，歸一化植被指數對綠色植物敏感，與植物分布密度呈線性關系，是植物生長狀況和空間分布密度的最佳指標，常被用于植被監測。NDVI主要是對2個波段的特征進行對比，即紅光波段中葉綠素的色素吸收率和近紅外波段中植物體的高反射率，該指數的輸出值范圍為[-1，1]，當NDVI值較低（≤0.1）時，表示巖石、沙石或雪覆蓋的貧瘠區域;當NDVI值中等（0.2～0.3）時，表示灌木叢和草地;當NDVI值較高（0.6～0.8）時，表示溫帶雨林或熱帶雨林。為更加高效的識別農田地塊，本研究選擇歸一化植被指數，其計算公式為

NDVI=R-RR+R。（2）

式中：R代表光譜;下標數字代表指定長度（nm）的波段。

由于光譜儀器的光譜分辨誤差為±30 nm，因此R用790 nm波段代替，R用660 nm波段代替。圖3為計算后得到的NDVI圖像。從圖3中可以看出，圖像中帶有植被的地方，包括農田與道路兩旁的樹木都呈現出綠色，NDVI取值范圍為[0.15，0.28]，而道路及池塘所在位置的NDVI取值范圍為[-0.31，-0.11]，所呈現的顏色也是與之對應的橙色。利用植物與非植物的NDVI值不同這一特點，可以實現農田地塊的識別提取。

2.2 農田地塊特征提取

由于NDVI值可以較好地反映植被與非植被間的差距，因此可用于植被覆蓋時農田地塊的識別，本研究基于圖像的NDVI值，通過閾值法提取農田地塊信息。因為每幅圖像的環境不同，所對應的閾值也會有所不同，為實現農田的自動識別，需要用一種自動程度高，可自動選擇閾值的算法。大津法（OTSU）作為一種常用的確定圖像二值化分割閾值的算法，由日本學者大津于1979年提出，該方法又被稱為最大類間方差法，它計算簡單，不受圖像亮度和對比度的影響，在圖像處理中得到了廣泛的應用。大津閾值法通過計算圖像的灰度特性，將圖像分成背景和前景2類。方差作為衡量灰度分布均勻性的一種度量，背景和前景之間的類間方差越大，說明構成圖像的2個部分差別越大，當部分前景錯分為背景或部分背景錯分為前景都會導致2個部分差別變小，因此方差最大也就意味著錯分概率最小，分割效果也最好。但該方法對圖像噪聲敏感，只能針對單一目標進行分割，在本研究對象中，歸一化植被指數將圖像分為了植被區域和非植被區域2個部分，現只對植被區域進行識別，因此不會影響分割效果，故本研究選擇最大類間方差法即大津閾值法作為圖像分割的方法。分割效果如圖4所示，大津閾值法可以較好地分割農田區域，但是包含很多噪聲點和其他區域。

2.3 二值化圖像優化

在提取的二值化圖像中，已經較好地實現了農田地塊的分割，其中以道路相隔的農田與農田分割效果明顯，農田地塊的邊界都比較清晰;以田埂相隔的農田分割效果整體來說也比較明顯，但存在個別地塊之間分割不明顯，部分地塊面積缺失等現象。提取的二值化圖像中還存在以下3個問題：（1）存在噪點干擾;（2）部分田塊內存在孔洞，存在提取不完整等現象;（3）分割農田地塊時，同樣分割到了道路兩旁的樹木。

為有效去除圖像經大津閾值法分割后的噪聲點，對二值化圖像進行去噪處理。常用的去噪算法包括基于空間域的中值濾波、基于小波域的小波閾值去噪和形態學濾波。在本試驗中若直接使用形態學濾波處理方法，雖然可以去除噪點，但對提取的農田地塊的邊界范圍也有較大的影響，所以不宜直接使用形態學濾波處理方法。為保證既不損害農田邊界，又能去除噪聲，本研究采用刪除較小聯通區域的方法，使用區域連接函數bwlabeln標記二值化圖像的聯通區域，大聯通區域對應的是農田地塊，小聯通區域對應的則是噪點，計算出各聯通區域的面積（像素個數），將像素點不足75的區域認為是噪點，圖5為標記的某處連通區域。

針對道路兩旁樹木的問題，不難看出該區域都是以帶狀形式存在，因此可以通過判斷各聯通區域的最小矩形的長寬比來斷定該聯通區域是否為道路樹木，本研究將長寬比大于50的區域認為是識別的道路兩旁的樹木，如圖6所示，首先通過cvBoundingRect函數計算各聯通區域最小矩形的長寬比，將長寬比大于50的聯通區域刪除，剔除二值化圖像中道路樹木的干擾。針對田塊內存在的孔洞問題，若直接使用膨脹運算，雖然可以填充孔洞，但邊界范圍也會擴大，降低農田邊界識別的準確率，因此本研究采用孔洞填充函數imfill實現農田內部圖像缺失區域的填充。flood fill算法是從邊緣處開始尋找，如果有多余2處的非邊緣閉合區域，則進行填充，因此對邊緣處的區域不進行填充，對內部空缺的小區域進行填充，處理后二值化提取效果如圖7所示。從圖7可以看出，無論是被道路間隔開的農田還是被田埂間隔開的農田均實現了有效分割。

為實現對農田邊界信息的提取，還需對二值化圖像進行邊緣檢測，常用的邊緣檢測算子有Roberts算子、Sobel算子、Marr-Hildreth算法和Canny算子。Roberts算子通過計算對角線方向相鄰2個像素的差值進行邊緣檢測，該算子定位較準確，但對噪聲比較敏感，檢測水平和豎直邊緣效果好于斜向邊緣。Sobel算子通過判斷像素點上下、左右鄰點灰度值加權差進行邊緣檢測，該算子對噪聲有較好的平滑作業，但邊緣定位精度不高。Marr-Hildreth算法即拉普拉斯算子，該算子屬于二階微分算子，首先采用高斯低通濾波對圖像進行濾波處理，再采用拉普拉斯模板對其進行卷積，利用邊緣處二階導函數出現零交叉的原理檢測圖像的邊緣，但該方法對噪聲較敏感。Canny邊緣檢測算法可以分為以下幾個步驟：首先用高斯濾波器對圖像進行平滑處理，然后計算各梯度幅值圖像和角度圖像，并對梯度幅值圖像進行非最大抑制，最后用雙閾值處理和連接分析檢測并連接邊緣。Canny算子在邊緣檢測中效果較好，且去噪能力強，但計算復雜，檢測時間較長。為保證檢測結果，使用Canny算法對農田二值化圖像進行邊緣檢測，效果見圖8。

3 結果與分析

為驗證分割效果，引用以下2個公式進行驗證：

PA=TPTP+FN×100%;（3）

CA=TPTP+FP×100%。（4）

式中：PA表示分割出來的地塊占原地塊的比例;CA為分割出來的地塊中正確的比例;TP為分割地塊被正確分割的像素數;FN為分割地塊未被分割的像素數;FP為分割到的非分割地塊的像素數。

運用上述公式，對每塊農田依次進行驗證，最后將各塊農田的平均值作為本研究算法的準確率。該圖像中共有21塊農田，算法識別結果為21塊，由表2可知，在21塊農田中，PA最大值為97.7%，最小值為86.6%;CA最大值為98.4%，最小值為85.5%。本研究算法對目標地塊識別的準確率達95%以上，識別效果基本符合實際情況。在農田識別效果中，楊亞男等設計的基于FCN-8s模型與DeseCRF模型結合的梯田識別方法準確率達86.85%;吳晗等的研究在最優分割尺度下地塊邊界識別的準確率達90%;張宏鳴等基于多尺度分割的方法，對梯田的提取精度達84.9%。本研究結合多光譜數據，基于NDVI實現對農田的準確識別，識別準確率達95%以上，均高于RGB影像的識別效果，因此本研究算法可以有效實現農田識別提取，為智能農機作業提供數據支撐。

4 結論

針對農田邊界提取問題，本研究基于歸一化植被指數，結合大津閾值法實現農田的有效識別，研究結果表明，利用歸一化植被指數對綠色植物敏感的特性，根據不同區域輸出的NDVI值的差異，實現農田分割。對于樹木、雜草等背景信息的干擾，為保證農田區域識別的準確率，本研究通過計算聯通區域的大小與長寬比，去除較小聯通區域和長寬比較大的聯通區域以減少其他干擾信息對農田識別的影響。通過驗證，本研究算法對農田識別的準確達95%以上，可用于指導智能農機作業。

參考文獻：

[1]曹光喬，李亦白，南 風，等. 植保無人機飛控系統與航線規劃研究進展分析[J]. 農業機械學報，2020，51（8）：1-16.

[2]周志艷，明 銳，臧 禹，等. 中國農業航空發展現狀及對策建議[J]. 農業工程學報，2017，33（20）：1-13.

[3]晏 磊，廖小罕，周成虎，等. 中國無人機遙感技術突破與產業發展綜述[J]. 地球信息科學學報，2019，21（4）：476-495.

[4]李德仁，李 明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報（信息科學版），2014，39（5）：505-513，540. [5]宋建濤，李大軍，郭丙軒. 基于遙感影像的地塊邊界半自動提取[J]. 北京測繪，2019，33（10）：1171-1175.

[6]何 磊，李玉霞，彭 博，等. 基于生成對抗網絡的無人機圖像道路提取[J]. 電子科技大學學報，2019，48（4）：580-585.

[7]祝思君.? 基于深度學習的無人機遙感圖像目標識別方法研究[D]. 北京：北京建筑大學，2018.

[8]王小娟. 無人機在國土資源調查監測方面的應用及研究[J]. 工程建設與設計，2017（8）：209-211.

[9]莫 玲，林 維，姚 屏，等. 基于機器視覺的道路邊界識別算法研究[J]. 廣東技術師范大學學報，2020，41（3）：28-32，55.

[10]楊亞男，張宏鳴，李杭昊，等. 結合FCN和DenseCRF模型的無人機梯田識別方法研究[J]. 計算機工程與應用，2021，57（3）：222-230.

[11]陳伊哲，湯修映，彭彥昆，等. 農田地塊圖像分割技術研究[J]. 農業機械學報，2010，41（增刊）：253-256.

[12]張宏鳴，全 凱，楊亞男，等. 基于深層殘差網絡的山區DEM超分辨率重構[J]. 農業機械學報，2021，52（1）：178-184.

[13]吳 晗，林曉龍，李曦嶸，等. 面向農業應用的無人機遙感影像地塊邊界提取[J]. 計算機應用，2019，39（1）：298-304.

[14]王正興，劉 闖，Huete A. 植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態學報，2003，23（5）：979-987.

[15]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31（5）：152-159.

[16]孫 剛，黃文江，陳鵬飛，等. 輕小型無人機多光譜遙感技術應用進展[J]. 農業機械學報，2018，49（3）：1-17.

[17]張智韜，魏廣飛，姚志華，等. 基于無人機多光譜遙感的土壤含鹽量反演模型研究[J]. 農業機械學報，2019，50（12）：151-160.

[18]趙學鵬，王媛媛，盧龍輝. 基于生態系統服務價值的艾比湖流域綠洲生態用地安全格局構建——以博爾塔拉蒙古自治州為例[J]. 江蘇農業科學，2021，49（14）：213-219.

[19]姜慧研，司岳鵬，雒興剛. 基于改進的大津方法與區域生長的醫學圖像分割[J]. 東北大學學報，2006，27（4）：398-401.

[20]李了了，鄧善熙，丁興號. 基于大津法的圖像分塊二值化算法[J]. 微計算機信息，2005（14）：76-77.

[21]段瑞玲，李慶祥，李玉和. 圖像邊緣檢測方法研究綜述[J]. 光學技術，2005（3）：415-419.

[22]徐天成，吳 敏，賀冬仙，等. 機器視覺在農業工程中的應用[J]. 農業工程，2021，11（8）：40-48.