基于無人機可見光譜遙感的玉米長勢監測

王翔宇，楊 菡，李鑫星，鄭永軍，嚴海軍，李 娜

1. 長治學院電子信息與物理系，山西 長治 046011 2. 中國農業大學信息與電氣工程學院，食品質量與安全北京實驗室，北京 100083 3. 中國農業大學工學院，北京 100083 4. 中國農業大學水利與土木工程學院，北京 100083 5. 承德石油高等?？茖W校工業技術中心，河北 承德 067000

引 言

玉米是我國規模最大、發展最快的糧食作物。2018年糧食作物中，玉米播種面積最大，共計4 212.9萬hm2，占比36.0%[1]。玉米長勢會直接影響到其產量和品質，有效地監測玉米長勢可以為田間管理、早期產量估算提供宏觀的信息，為國家和相關部門決策提供重要的參考依據。因此玉米長勢監測研究具有重要的現實意義。

葉面積指數(leaf area index，LAI)常作為評價作物長勢和預測產量的依據[2-4]。傳統的LAI測量方法效率低且精度不高，而使用光學儀器測量可以達到無損測量的目的，測量結果準確，但需要對采集圖像進行后期處理，較為費時。王宏博等利用玉米冠層高光譜數據，結合線性回歸算法，對春玉米葉面積指數進行了反演。王傳宇等通過分析玉米冠層頂視單角度紅外圖像，完成了玉米葉面積指數的獲取[5]。遙感技術的出現，為作物長勢監測提供了新的途徑，植被指數被廣泛應用在遙感領域，用于評價植被覆蓋和長勢。Ishfaq Ahmad等利用機器學習算法對農場玉米的衛星遙感圖像進行處理，計算出了玉米植被指數[6]。衛星影像為作物長勢監測提供了數據支撐，但衛星影像受天氣影響大，且分辨率難以滿足作物覆蓋度變化研究需求[7]。低空無人機遙感可以彌補衛星影像的不足，為作物長勢監測提供了一種高時效、低成本的新方法。張宏鳴等利用無人機多光譜影像，完成了對夏玉米的葉面積指數反演[8]。陳鵬飛等利用無人機獲取玉米生育期的高光譜圖像，建立了玉米葉面積指數反演模型[9]。Eija Honkavaara等利用輕型無人機搭載FPI光譜相機，對采集到的光譜立體圖像進行處理和評估[10]。Blancon Justin等利用無人機獲取玉米的多光譜圖像，并利用高通量模型輔助方法對玉米的葉面積指數的動態變化進行了監測分析[11]。

作物覆蓋度和葉面積指數密切相關，是描述地表植被分布的重要參數，可以通過獲取作物覆蓋度來構建葉面積指數反演模型，完成作物長勢分析。本研究主要以無人機為遙感平臺，通過搭載高精度數碼相機來完成玉米種植區域的圖像獲取，通過圖像處理來獲取玉米覆蓋度信息，并構建玉米葉面積指數反演模型，實現對玉米長勢的監測，為玉米的田間管理和早期產量估算提供依據。

1 實驗部分

1.1 材料

試驗在河北省涿州東城坊鎮的“中國農業大學涿州實驗站”(115.857°E，39.471°N)選擇保護性耕作地塊開展，種植作物為夏玉米。試驗時間為2017年5月18日12:00—13:00，天氣晴，太陽輻射強度穩定，東北風≤3級(約5 m·s-1)，微風，適于無人機航拍。

采用四旋翼電動無人機Phantom 3 professional作為遙感平臺，無人機飛行設定高度約為5～50 m，多次無人機遙感試驗均采用同一套航線，相機鏡頭選擇Phantom 3 professional標配鏡頭，進行垂直拍攝。

1.2 方法

1.2.1 可見光譜遙感圖像預處理

利用無人機遙感獲取玉米冠層可見光譜彩色圖像，圖像分辨率4 000×3 000，水平、垂直分辨率72 dpi，24位深彩色圖像。利用ENVI軟件進行幾何校正和輻射校正等預處理。由于選取閾值需要參照直方圖，因此在圖像進行處理后，再獲取圖像的直方圖以選取閾值。

1.2.2 玉米覆蓋度提取

由于光照條件和復雜的環境對于作物圖像獲取具有較大影響[12]，因此采用AP-HI作物自動提取算法完成玉米覆蓋度提取[13]。AP-HI算法具有較強的光照適應性，能在復雜的環境下準確提取作物的覆蓋度。

AP-HI算法結合了色度-亮度查找表(hue intensity-look up table，HI-LUT)[14]以及仿射傳播聚類方法(affinity propagation，AP)[15]，利用較少的訓練樣本即可獲得較好的作物分割效果。當葉片出現高光時，該方法性能下降，但由于發生高光的葉片面積占整幅圖像面積比例很小，因此對研究結果影響較小[16]。AP-HI算法概率密度函數為

fH(h|I,θ)=fH(h|I,μ,σ2)=

(1)

式(1)中，h為色度的隨機變量，θ=(μ,σ2|I)為某一特定亮度I下的未知分布參數，μ為期望，σ2為方差。

利用最大似然法估計分布參數θ=(μ,σ2|I)，其中使用的樣本數據來自戶外不同光照條件下的作物圖像。利用估計出特定亮度I下綠色色度的均值μ和方差σ2，組成最終亮度范圍在[1，250]下的色度-亮度查找表(HI-LUT)，其中μ為對應亮度下的期望色度。

根據得到的顏色模型，定義測度|Ψ(i,j)|來表征給定的像素點pixel(i,j)的色度與期望色度之間的距離。距離越大時，該像素點屬于綠色作物的可能性就越小。

(2)

(3)

式(2)中，H(i,j)和I(i,j)分別表示像素點pixel(i,j)的色度值和亮度值，μI(i, j)和σI(i, j)分別表示I(i,j)在HI-LUT中對應的均值μ和標準差σ。按照式(3)設定Ψ(i,j)的閾值k來對圖像進行分割。當Ψ(i,j)小于或等于閾值k時，像素點為作物，否則為背景。

由于分割結果對測度中的閾值選擇較敏感，故利用仿射傳播聚類算法對其進行改進，以類別代替單個像素點進行分割，從而降低了閾值選擇帶來的影響，同時一定程度上提升了分割的效果，提取結果更為穩定。

1.2.3 玉米葉面積指數反演模型

根據實際情況選擇合適的算法并計算各生育期作物冠層孔隙率，與同時期實測的葉面積指數作回歸分析，分別建立葉面積指數反演模型。葉面積指數與植被覆蓋度的關系如式(4)

Cc=1-e-λ0kLAI

(4)

將式(4)進行轉化，得到

(5)

其中，k為冠層消光系數，λ0>1代表規則分布，λ0=1代表隨機分布，λ0<1代表叢生分布?？梢?，葉面積指數LAI與冠層孔隙率(1-Cc)為對數函數關系。

2 結果與討論

2.1 玉米可見光光譜圖像分割

獲取不同覆蓋度玉米冠層可見光譜彩色圖像，利用AP-HI算法去除土地、水管、道路、作物殘渣等背景，保留玉米圖像。在近景拍攝條件下，AP-HI算法能夠準確分割玉米圖像，分割結果如圖1所示。

由圖1(b)可以看出，在近景條件下，利用AP-HI算法可以有效去除圖像中的土地、作物殘渣等背景，特別是土地中的黑色水管有反光現象，利用AP-HI算法可以有效去除水管，同時避免光照對圖像的影響。

在遠景拍攝條件下，利用AP-HI算法對玉米圖像分割，分割結果如圖2所示。

由圖2(b)可以看出，在遠景條件下，利用AP-HI算法同樣可以有效去除圖像中的土地、作物殘渣等背景，并保留玉米圖像。

綜上，無論是近景航拍還是遠景航拍，AP-HI算法均能有效去除圖像背景，并有效保留玉米圖像為后續研究提供基礎。

圖1 近景條件下的玉米圖像分割 (a)： 原圖； (b)： 分割后圖像Fig.1 Corn image segmentation (close shot) (a)： Original image； (b)： Image after segmentation

圖2 遠景條件下的玉米圖像分割 (a)： 原圖； (b)： 分割后圖像Fig.2 Corn image segmentation (distant shot) (a)： Original image； (b)： Image after segmentation

圖3 玉米地塊圖像分割 (a)： 玉米地塊原圖； (b)： 分割后圖像Fig.3 Image segmentation of cornfield (a)： Original image； (b)： Image after segmentation

2.2 玉米覆蓋度計算

2.2.1 道路提取

計算玉米覆蓋度需選取視野范圍較大的圖像，由于近景航拍圖像所獲得的玉米作物視野范圍較小，因此選取視野范圍更大的遠景航拍圖像作為處理對象。在無人機遠景航拍的圖像中，選出整塊玉米田地的區域，作為新的待處理圖像，該圖像的分辨率為1722×2970，利用AP-HI算法將圖像進行分割，并轉換為二值圖，如圖3所示。

圖3(b)中白色代表無作物區域，黑色代表玉米種植區域。由原始圖像觀察可知在農田中存在道路區域，在計算實際作物覆蓋度時需將其排除。道路區域出現在圖像的四個邊界以及相對正中的位置處，且道路的區域一般不會超過200個像素值大小，因此將上下各200行、左右各200列以及圖像正中間的0.2n(n代表圖像的列數)列的圖像單獨取出進行處理，統計其中黑色像素點的個數，如圖4—圖6所示。

圖4 上下200行黑色像素點統計 (a)： 起始200行像素統計； (b)： 末尾200行像素統計Fig.4 Black pixel statistics (up and down 200 rows) (a)： The pixel statistics in first 200 rows； (b)： The pixel statistics in last 200 rows

設置閾值為500，若存在某一行中黑色像素點數目小于500，則認為可能存在道路。對于四邊可能存在道路的情況，找出其中最少像素點的坐標位置與起始點相減即為道路寬度； 對于圖6的情況，需從最小點坐標位置處向左向右延伸分別找到第一個極值點，兩個極值點坐標相減即為道路寬度。設置道路寬度閾值為40，若計算值小于40則認為不存在道路。

通過以上述方法分析，圖4(a)經算法計算道路寬度為87個像素值，為驗證算法的正確性，在原始圖像上手動測量獲取道路寬度約為90個像素值； 圖4(b)中不存在道路； 圖5(a)中雖然存在小于500的位置，但其計算得到的道路寬度為20，小于道路閾值，需舍去； 圖5(b)經算法計算道路寬度為74個像素值，在原始圖像上手動測量獲取道路寬度約為75個像素值； 圖6經算法計算寬度為57個像素值，在原始圖像上手動測量獲取道路寬度約為60個像素值。

圖5 左右200列黑色像素點統計 (a)： 起始200列像素統計； (b)： 末尾200列像素統計Fig.5 Blackpixel statistics (left and right 200 columns) (a)： The pixel statistics in first 200 columns； (b)： The pixel statistics in last 200 columns

圖6 中間346列黑色像素點統計Fig.6 Black pixel statistics (346 columns in the middle)

2.2.2 玉米提取

玉米的提取方法為在二值圖像中選定某一特定大小的區域，統計該區域內黑色像素點占總像素點的比例，以此確定作物的多少。選取圖3作為處理對象，選取80×80像素值作為單位面積。由于在圖像的上邊界、右邊界以及中間處存有道路，在實際處理過程中需要將這些道路排除在算法處理之外，對處理圖像進行分塊標記，可以得到區塊數為720，如圖7所示。

圖7 處理區域分塊Fig.7 Processing region

對單位面積的分塊處理方法是進行全區域掃描，每當掃描到一個黑色像素值就將總的統計面積加1，直至掃描到6 400個像素點，計算其中含有的總的黑色像素值數目與6 400的比值。圖7中所有720個區塊黑色像素點占總像素比例的折線圖如圖8所示。

圖8 黑色像素占總像素點的比例Fig.8 The proportion of black pixels in total pixels

計算圖像中黑色像素數與總像素數之比，即為玉米覆蓋度。玉米覆蓋度為

Cc=CC/A

(6)

式(6)中，Cc為植被覆蓋度，CC為圖像中的黑色(玉米)像素總和，A為圖像的像素總和。

2.3 玉米葉面積指數反演

根據式(6)得到玉米覆蓋度，結合式(5)即可得到玉米葉面積指數為

(7)

根據式(7)可以完成玉米葉面積指數的計算，從而為玉米長勢監測提供依據。

3 結 論

玉米的種植地塊，除了玉米外，還包括道路、水管、作物殘渣等復雜背景，通過圖像分割算法可以將玉米作物從復雜的背景中提取出來，從而為玉米田間管理及早期產量估算提供一定的參考信息。此外，光照和作物陰影會對圖像分割造成較大影響，因此需要對分割方法進行改進以克服光照和陰影的影響，從而準確提取出玉米圖像，以獲得其覆蓋度。

以無人機為遙感平臺，搭載影像傳感器構建遙感系統，獲取玉米地塊的可見光譜彩色遙感影像。通過ENVI軟件對玉米冠層可見光譜彩色遙感圖像進行預處理，然后利用AP-HI算法進行作物分割來提取玉米覆蓋度信息，AP-HI算法對農田復雜背景具有較好的適應力，能夠準確分割出玉米作物，在此基礎上，通過冠層孔隙率方法建立覆蓋度與葉面積指數模型，完成玉米葉面積指數反演。研究結果表明，無人機遙感系統可以進行低空圖像數據采集，能夠有效提取作物覆蓋度，為玉米長勢監測提供依據。