面向无人机可见光影像的植被指数评价_刘美艳.pdf

第 卷 第 期 年 月测绘与空间地理信息 ，收稿日期：基金项目：云南省基础研究计划项目（）；云南省教育厅科学研究基金（）资助作者简介：刘美艳（），女，云南昭通人，地图学与地理信息系统专业硕士研究生，主要研究方向为无人机影像处理与应用。通信作者：李 佳（），女，湖北荆州人，副教授，博士，年毕业于南京师范大学地图学与地理信息系统专业，主要从事无人机影像处理与应用等方面的教学与科研工作。面向无人机可见光影像的植被指数评价刘美艳，段 平，李 佳（云南师范大学 地理学部，云南 昆明）摘要：以无人机可见光影像为数据源，选用归一化绿红差指数（）、归一化绿蓝差异指数（）、超绿指数（）、超绿超红差分指数（）、植被颜色指数（）、可见光波段差异植被指数（）、改进型绿红植被指数（）、超绿红蓝差分指数（）、红绿蓝比值植被指数（）以及增强归一化绿蓝差异指数（）可见光植被指数，通过 种植被指数分别计算出植被指数灰度图。采用最大熵值法计算阈值划分出植被与非植被，并将分类结果与通过监督分类获得的参照图进行精度验证。精度评定采用 系数、用户精度、生产者精度 种方法。通过比较其结果发现，和 的植被提取结果最为准确，方法适用性和可靠性较好。关键词：无人机；可见光影像；植被指数；植被提取中图分类号：文献标识码：文章编号：（），（，）：，（），（），（），（），（），（），（），（），（）（），：，：；引 言植被是覆盖于地面的植物及其群落的总称，是自然地理环境的组成要素，是气候和自然等因素影响环境的一个敏感性指标，在全球大陆体系中一直扮演着重要角色。植被指数是植被提取的重要手段，是用一种数量关系形式来较为精确地实现植物分布状态信息的表达，通过组合不同波段的数据来对植被来进行估算，以定性和定量地评价植被覆盖区域、分布密度及生物量大小等。植被指数利用可见光和近红外波段来进行构造，如归一化植被指数，这仅仅适用于卫星遥感影像，然而卫星遥感影像会受到时间分辨率和空间分辨率的影响，且成像易受到云雾的干扰。这导致成像误差较大，生成的地面影像往往不够精准而且存在进展滞后的问题。相对于卫星遥感来说，无人机（，）作为一种新型的获取地面信息的设备，具有成本低、操作简单、影像获取速度快、获取时间灵活和高时间、高空间分辨率等卫星遥感技术所无可比拟的优势。无人机飞行高度低，避免了云层对图像的影响，此外还可在阴天进行影像数据采集。对小尺度的植被区域以及地形地势复杂区域的估算方面优势明显等，为植被提取提供更高分辨率的影像数据。目前，可用于无人机可见光影像的植被指数已经有 余种，常见的有归一化绿红差指数（，）、归一化绿蓝差异指数（，）、超绿指数（，）、超绿超红差分指数（，）、植被颜色指数（，）、可见光 波 段 差 异 植 被 指 数（，）、改进型绿红植被指数（，）、超绿红蓝差分指数（，）、红绿蓝比值植被指数（，）、增强归一化绿蓝差异指数（，）。上述 种植被指数在城市植被提取、农业棉花叶面积指数、林业植被覆盖度等方面得到广泛应用。本文以无人机可见光影像为数据源，选取 种较为常见的可见光植被指数，对研究区进行实验，探讨分析 种常见可见光植被指数的适用性、可靠性，为无人机可见光影像在植被信息提取时提供有价值的参考。研究区域以云南师范大学呈贡校区部分区域为研究区域。采用 年 月 日获取的无人机可见光波段的影像作为数据源，无人机及其影像参数见表。基于摄影测量原理将其拼接成正射影像，该影像包括植被、水体、不透水面、裸土几种典型地物。表 数据源主要参数 无人机型号相机型号单镜头像素相对航高像幅大小焦距影像分辨率哈瓦 （镜头）万 方 法 常见的 种植被指数 种植被指数及其表达式见表。表 可见光植被指数基本参数 序号植被指数表达式理论区间 ，（）（），注：红波段；：绿波段；：蓝波段；：红波段的标准化结果；：绿波段的标准化结果；：蓝波段的标准化结果。其中：；，的取值范围是，。典型地物的可见光波段像元统计分析像元统计分析用于计算表征图像像元值数理统计特征，选取感兴趣区域（，）并进行实地调查检验，其中植被 个、水体 个、不透水面 个、裸土 个。分别统计其可见光红、绿、蓝波段的像元平均值和标准差。利用像元平均值和标准差分析植被与非植被区域的像元值差异和像元波动范围。具体来说，均值可评价可见光红绿蓝波段之间像元值总体的差异，标准差可对像元值波离散程度进行评价，统计结果见表。表 中植被的可见光波段像元值的均值呈现出的排列规律与典型健康绿色植被的光谱特性具有一致性，比较统计数值结果的大小可得到：绿波段红波段蓝波段；不同地物的标准差相差较大。通过计算波段范围可以发现，裸土在绿波段和蓝波段与植被有部分交叉，原因可能是所选择的裸土兴趣区域生长有部分绿植。除此之外，植被区域和非植被区域之间在可见光红、绿、蓝波段无明显重叠。说明进行植被识别的过程中，使用绿波段和蓝波段、以及使用 个波段的植被指数效果会更好。总的来说，植被的识别不能只依靠单一波段，应综合考虑不同类型的地物在红、绿、蓝波段的光谱特性，这对检验植被指数的可行性提供了一定的理论基础。植被信息提取方法植被指数阈值法是识别图像中植被区域与非植被区域像元的有效方法，设定合适的阈值从无人机可见光影像中提取植被起到关键作用。利用植被指数计算出研究区域灰度图，统计其像元值，通过分析像元值的分布情况，采用最大熵值法确定阈值。最大熵值法假设阈值，通过阈值将无人机可见光影像分为背景区域和目标区第 期刘美艳等：面向无人机可见光影像的植被指数评价域，分别代表非植被区域和植被区域。背景区域的熵为（），目标区域的熵为（），当总熵公式（）（）（）取得最大值时，对应的值 则为可选取的最佳阈值。表 研究区 类地物在可见光波段的像元统计值 地物红波段绿波段蓝波段平均值标准差平均值标准差平均值标准差植被水体不透水面裸土 精度评估方法对各植被指数的提取结果采用 系数、用户精度、生产者精度 种指标进行精度评定。分类结果的总体分类精度、用户精度、生产者精度以及 系数都来源于建立的遥感影像精度评价标准格式混淆矩阵。）混淆矩阵：混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用 行 列的矩阵形式来表示。通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算。）系数：是一个用于一致性检验的指标，可以用于衡量分类的效果。基于混淆矩阵的 系数计算公式如下：（）其中，是总体分类精度，它是将每一类正确分类的样本数量之和除以总样本数；即所有类别分别对应的“实际与预测样本数量的乘积”总和除以“样本总数的平方”。）用户精度（）：是指从实验的结果中随机任意选取一个样本，样本的类型与对应的地面实际类型相同的概率，也就是结果真正为该类别的像元数值的百分比。简述为：正确分类数（正确分类数错分到某类别的总数）。）生产者精度（）：是指某一真实地面真实参考的地物类型的检验点，被正确分类出的像元数值的百分比。简述为：正确分类数 某类别总数。实验结果与分析 基于可见光指数的灰度图根据表 中的公式分别计算研究区正射影像的各可见光植被指数，获得 种植被指数灰度分布图（如图 所示）和计算结果统计特征值（见表）。为比较不同指数，对可见光红绿蓝波段进行标准化处理，将计算结果变换为可见光植被指数的数量级，。通过比较 个植被指数计算结果中植被与非植被区域的交叉程度以及灰度图的分离准确程度，从而分析各个植被指数的适用性和可靠性。在图 中，、以暗色图 计算结果连续灰度图 区代表非植被信息，亮色区代表植被信息，而、中颜色较暗区域表示植被指数数值大，颜色较亮区域表示植被指数数值小。在、五种植被指数分布图中，植被与非植被的差异较为明显，勉强可以辨认，而其余 种的植被指数分布图极为不清晰，目标和背景的灰度集不属于两个层次。在 指数中，部分道路边缘与植被的灰度值相近，进而交界处分类出现不明确的情况，这会导致植被信息在进一步的处理过程中易出现误差。为了更进一步分析对比 种可见光植被指数的提取结果，分别在 种植被指数图中选取 类典型地物的感兴趣区域，统计特征值并比较，结果见表。测绘与空间地理信息 年表 基于 的 种可见光植被指数的统计特征值 植被指数统计值植被水体不透水面裸土均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差 由表 可以看出，经过植被指数计算后，各地物的波谱统计特征值标准差减小，离散程度明显降低。其中，、中植被与非植被地物的计算值基本无重叠，可用于植被信息的提取；、中植被与非植被地物的计算值有部分重合的现象，这样会造成一定程度的漏分或者错分现象。而、交叉重合部分较高，故后期不再考虑，继续讨论剩余 种。植被提取结果使用最大熵值法获取阈值。、通过最大熵值法求得的阈值分别为、，根据阈值计算得到二值图。将提取的二值图通过密度分割，将植被区域提取出来，覆盖于原始影像之上，结果较为明显。如图 所示为提取结果，其中图（）为使用监督分类方法提取的结果作为精度评价的参考结果。得到 种植被指数对应的植被分布结果图（如图（）图（）所示）。对比分类参考图（）评价 植被指数识别植被信息的精度，补充各植被指数提取精度的定量评价结果（见表）。图 中、的分类效果较好，根据观察生成的灰度图和二值图，可以发现植被和水体较为相似，这是因为水域中存在水生植被，这种现象会直图 植被指数二值图 接影响植被和水体的区分。和 指数计算出的结果的裸土与植被混淆，没有正确区分出来。基于地面真实 计算混淆矩阵，总体精度、系数见表，生产者精度和用户精度见表。通过表 可以看出，种植被指数的总体精度都在 以上，的提取结果的总精度，这与其他的植被指数计算结果的精度相比较而言，识别植被信息效果较差，正确率略低。从提取出的结果可以看出，靠近道路边缘的植被区域会出现较为严重的错分和漏提现象，其中，提取出来的结果正确率较高，无明显的植被区域缺失，植被覆盖密度较高区域提取结果较为理想，但是在植被密度较低的区域效果却并不理想，很大一部分裸土区域被划归为植被区域，如左边的裸土和植被混合区域全部被归为植被。、和 的总体精度都大于，提取出来的结果图精度较高，植被与其他地物的交界处与参照图结果相近，提取的结果也更为全面。表 总体精度和 系数 植被指数阈值正确率植被非植被总精度 系数第 期刘美艳等：面向无人机可见光影像的植被指数评价表 生产者精度和用户精度 地物类型植被指数植被非植被 通过表 可以看出，、的生产者精度和用户精度均大于，准确性较高；生产者精度和用户精度均大于，准确性次之；而 和 的植被的生产者精度分别为 和，准确性较低。综合表 和表 所述，使用、更适合于基于无人机影像的植被信息提取。结束语无人机获取的可见光影像在探索植被遥感方面具有广阔的应用前景。本研究利用无人机低空遥感影像，在综合分析 种典型地物在可见光的光谱特性的基础上，对 种常见的可见光植被指数进行估算研究。首先利用可将光植被指数分别处理研究区域的正射影像图，设定合适的阈值，提取出研究区的植被信息，再用监督分类所得到的参照结果进行精度评估，用以验证研究结果的可靠性以及选取的植被指数的适用性，最后得出结论：和 的植被提取结果与其他植被指数的分类结果相比较更为清晰。在道路、裸土与植被交界区域等植被较为稀疏的地区，细节处理较为准确，没有明显的错误发生，在绝大多数情况下的无人机影像中适用性更强。参考文献：井然，邓磊，赵文吉，等基于可见光植被指数的面向对象湿地水生植被提取方法应用生态学报，（）：，（）：王利民，刘佳，杨玲波，等基于无人机影像的农情遥感监测应用农业工程学报，（）：，（）：，（）：汪小钦，王苗苗，王绍强，等基于可见光波段无人机遥感的植被信息提取 农业工程学报，（）：，（）：孙国祥，汪小旵，闫婷婷，等基于机器视觉的植物群体生长参数反演方法 农业工程学报，（）：，（）：，（）：高永刚，林悦欢，温小乐，等基于无人机影像的可见光波段植被信息识别农业工程学报，（）：井然，邓磊，赵文吉，等基于可见光植被指数的面向对象湿地水生植被提取方法 应用生态学报，（）：周勇兵，朱永清基于可见