遙感技術在農作物識別方面的應用與研究

孫高祥 高靜 首都經濟貿易大學

高遠 首都航天機械有限公司

王綺涵 中國運載火箭技術研究院

趙佳 對外經濟貿易大學

一、遙感技術的發展及優勢

近半個世紀以來，全球糧食生產雖已取得了豐碩的成果，但依然面臨著嚴峻的挑戰；而當前最大的挑戰，是如何供養在21 世紀中后期約90 多億的人口。尤其受到氣候變遷、能源安全、區域飲食習慣的轉變等影響，在不調漲糧食價格的情況下，為滿足此需求量，全球預估還需要增加70%以上的糧食供應量。糧食供應是非常嚴肅的問題，隨著氣候改變的影響日益加劇，情況將會更為嚴峻。

基于此，迫切需要用盡各種可能的方法提高我國的食物自足水平。在這個重要議題上，如果要維護人民的利益，必須在防止現有農地繼續流失的同時，采取緊急而具創意的行動，大力發展農業技術。采取合理、積極的行動，將糧食供應安全置于經濟發展之上，可降低未來幾十年的風險。由此可見，農業發展的目標不再只是單純地增強其生產力，而是需要用先進的科學技術發展農業。

遙感技術是一種非接觸、遠距離的探測技術，具有獲取成本相對低、迅速地進行大范圍監測的優勢，對于大面積露天農作物的監測具有獨有的優勢，受到世界各農業大國和領域內專家學者的高度重視。

遙感技術在農業中的應用可歸結為以下三大方面：作物檢測、資源檢測、災害檢測。以作物檢測來說，遙感圖像可以利用其重訪周期短的優勢，以時間序列記錄同一地點農作物不同時期的生長狀況，了解不同生長階段農作物的長勢，但是由于農作物類別的復雜性及遙感信息的綜合性，農作物遙感分類精度仍難以達到運行所需的精度，兼顧精度和運算速度更加困難[1]。

因此，結合實際，深入研究農作物遙感分類方法中的一些關鍵技術，對于促進農業遙感監測技術的發展具有重要意義[2]。

二、遙感農作物圖像識別方法設計

（一）算法流程

基于對遙感農作物圖像區域分類和區域特征分析，提出本算法的基本思路：首先利用圖像預處理模塊將圖像中的植被與非植被兩種區域區分開，然后提取農作物特征，最后通過智能識別匹配判斷農作物的種類，具體算法流程見圖1。

圖1 具體算法流程

（二）圖像預處理

農作物識別的圖像預處理的關鍵是在遙感圖像中選取農作物區域，進行農作物圖像分割。圖像分割（segmentation）是計算機視覺領域中的一個經典難題，也是當今圖像處理領域的一個重要分支，按照分割算法的不同可分為閾值法、邊界探測法和區域生長法等。

在文章中，實現該模塊的關鍵在于從復雜環境中分割出植被與非植被兩種區域，要盡可能地去除干擾區域，比如一些綠色植被附近的建筑物、建筑物表體附著的爬山虎，易被識別為植被區域。

使用單一算法是無法實現模塊目標的，文章改進了NDVI 算法，實現了在復雜環境中劃分作物和非作物。NDVI 技術大范圍應用在農作物遙感領域中。它是農作物生長狀態及種植范圍的重要監測技術，與農作物長勢呈線性相關。經歸一化處理的遙感圖像，部分消除了衛星掃描角、太陽高度角和大氣輻射的影響，非常適合農作物的動態監測。

如果NDVI 值為負數，則代表該區域主要覆蓋的是云、水、雪等，它們在可見光波段比近紅外波段有更高的反射作用，因而其巖石或裸土的NIR 和R 近似相等，NDVI 趨近于0；如果NDVI 為正數，則表示該區域有植被覆蓋，并隨著植被覆蓋度增大，其NDVI 值也變大。可見，NDVI 可以利用各種地表類型反射光的不同，在圖像中突出或隱藏農作物顯示，如公式1。

公式1 中的NIR 為近紅外波段，R 為紅外光波段，圖2 中的建筑物經過NDVI 算法都被提取了出來，作物附近的小型建筑也可以被完全地識別，但是公路上的某些點會錯誤地被識別為建筑物。實驗圖像及原圖像見圖2。

圖2 原圖像（左）及NDVI 處理后的圖像（右）

（三）特征提取

特征提取（Feature extraction）是圖像處理中的一個概念。它是圖像處理的重要一環，對后續圖像識別具有重要的影響。由于遙感圖像具有樣本少、維數高的特點，為從圖像中提取所需信息，必須對圖像進行降維處理，特征提取就是一種有效的降維方法。

本研究均針對二維圖像，使用Prewitt 算子提取農作物的顯著特征。Prewitt 算子是一階微分算子，其利用圖像中像素點四周相鄰點的灰度差，達到對圖形邊緣進行值檢識別的目的，原理是在圖像中使用橫、縱兩個方向模板與實驗圖像鄰域疊積完成的，橫向檢測水平邊緣，縱向檢測垂直邊緣。

在邊緣檢測中，提取圖像中不連續部分的特征，將閉合的邊緣提取出來便可以作為一個區域，以便后續對區域進行識別。

以下是Prewitt 算子的定義：

對于航拍及近拍圖像中的單一農作物，可以很好地提取出來；但是如果有兩個及以上的農作物，識別效果就不是很好。

實驗圖像見圖3 和圖4。

圖3 原圖像（左）及Prewitt 算子處理后的圖像（右）

圖4 原圖像（左）及Prewitt 算子處理后的圖像（右）

（四）農作物識別

農作物識別主要采用模式識別，模式識別又稱作模式分類。模式是用主觀理性說明事物結構的一種形式，它是人們經過抽象和升華凝練的知識體系。

模式識別不同于機器學習，前者告訴計算機的是各種特征，讓計算機對未知的事物進行自我判斷，如果判斷錯誤再改進；后者是提供給計算機某一事物的海量樣本，讓計算機學習樣本，發現事物特征，并判斷未知的事物。模式識別的大致過程見圖5。

圖5 模式識別過程

文章在模塊NDVI 算法的基礎上改進，實現了在復雜環境中植被和非植被的劃分，同時采用SVM 中的徑向基核函數（見公式2）配合進行模式識別。

徑向基核函數具有以下優點：一是具有唯一最佳逼近任意的非線性函數的特性；二是學習過程收斂速度快；三是分類能力好。實驗圖像見圖6、圖7。

圖6 原圖像（左）及識別后的圖像（右）

圖7 原圖像（左）及識別后的圖像（右）

（五）算法處理結果比較分析

本算法測試硬件環境：Win 7 系統，雙核CPU，2G內存；軟件環境：VC++6.0；實現方法：C++。

對于本算法的有效性最終從識別率進行分析，采用隨機采樣法測試，采樣數為10。將樣本測試結果與NDVI 比較，實驗結果表明在圖像相對清晰的條件下，對于圖像的識別準確率達到90%左右。程序具有較高的研究和應用價值，系統測試統計數據見表1。

表1 系統測試統計數據

根據表1 可知，采用隨機采樣法測試，能夠取得相對滿意的結果。

三、結語

民以食為天，發展農業產業是保障社會群體生活穩定、國家經濟發展的重要舉措。隨著城市化建設速度的加快，如何實現農業規范化發展成為政府的關注重點，提早預測農作物的產量及動態監測農作物產量變化十分必要。

為落實此項工作，文章從圖像預處理、特征提取、農作物識別三個方面開展研究，在總結已有農作物識別方法的基礎上優化NDVI 算法，在農作物識別方面具有一定的研究與應用價值，并通過實例應用證明了此次研究方法的可行性。后續，將在農作物合理分類與農作物精準識別能力方面進一步探索。