基于可见光波段的城市航空影像植被提取

打开文本图片集

摘要：指出了通过遥感技术提取植被信息已经是植被提取的主要方式，而植被指数是遥感技术植被提取的重要手段。植被在近红外波段有一个反射峰值，根据这一特性，植被指数一般都包含近红外波段。由于航空摄影一般都只搭载仅包含可见光波段的数码相机，所以需要设计出仅依赖可见光波段的波段指数来提取植被信息。试验比较了几种主要的可见光波段指数方法，通过比较其效果发现，航空影像植被指数跟绿波段和蓝波段的差异较为相关，而跟红波段相关性小。进而提出了一种加强绿波段和蓝波段差异的植被指数，试验结果证明：提取的植被效果很好，可以作为航空影像植被提取的一个有效方法。

关键词：航空影像；植被指数；可见光；植被提取

中图分类号：TP751.1

文献标识码：A 文章编号：1674-9944（2016）16-0247-04

1 引言

在有关气候或环境的研究中，植被通常是一个重点关注的内容。植被在生态系统中占据重要的作用，如净化空气、保持水土、调节气候、防风护沙。通过研究植被进而了解生态环境已经是一个常规方法。传统的考察方法主要依靠实地考察，需要消耗大量的人力和物力，已经越来越不适用。伴随着遥感技术的发展，人们将遥感技术运用到植被的研究当中，极大地节省了人力和物力。在林业和遥感领域的专家学者的推动下，遥感技术考察植被已经成为一个研究的热门。

植被指数通过组合不同波段的数据来对植被的生长状况、覆盖度来进行描述，仍然是植被提取的一个主要手段[1]。通过它可以有效地反演植被的覆盖度、生物量和叶面积指数等生物物理和化学指数[2]。植被指数是根据植被特有的光谱特征来构建的，但植被指数受很多的因素影响，主要是生物和物理方面的因素，包括植被的覆盖度、种类、大气和土壤的影响等[3，4]。一般的植被指数都是基于卫星遥感影像的可见光和近红外波段来构造[5]，然而卫星遥感影像的空间分辨率和时间分辨率都不高，生成的植被指数往往不够精准而且存在滞后的问题[6]。

航空影像具有空间分辨率高的特点，可以为植被提取提供更精确详细的数据。随着“智慧城市”等的推进，通过高分辨率航空影像来对城市环境进行认识和控制变得必不可少。航空影像植被提取也引起了国内外很多专家学者的注意，如Walker等利用高分辨率遥感影像通过面向对象的方法来提取城市植被信息[7]。航空影像搭载的可见光相机有红绿蓝3个成像波段，其波长范围分别为600～700 nm、520～600 nm、450～520 nm[8]。基于此，必须设计一种只利用可见光波段的植被指数来提取植被。

城市航空影像的地物类别一般是比较少的，主要有以下几类：植被、建筑物、道路、水体。所以植被的提取基本上可以等价于将植被和建筑物、道路水体等其它地物区分出来的过程。这个过程主要依靠地物的光谱特征来进行区分，通过区分不同地物的光谱特征来达到区分不同地物的目的。

植被的反射波谱特征主要是：在可见光中的0.55 μm（绿波段）有一个波峰，在0.45 μm（蓝波段）和0.67 μm（红波段）有两个吸收带，在近红外波段0.8～1.0 μm间有一个反射的陡坡，至1.1 μm附近出现峰值，在1.3～2.5 μm（中红外波段）间为反射率迅速下降的区间[9]。其反射波谱特征曲线如图1（a）所示。

建筑物的反射波谱特征主要是：在城市遥感影像中，主要是因建筑物顶部和部分侧面的建筑材料不同而有所差异，铁皮屋顶一般是灰色，反射率较低，曲线比较平坦，水泥平顶一般也为灰色，反射率稍高，沥青粘砂屋顶，由于其表面铺着的砂石反射率较高，所以反射率要更高一点，石棉瓦反射率最高，还有一种为绿色塑料棚顶，它和植被有点相似，在绿波段附近有一个反射峰值，但在近红外波段附近没有反射峰值，可以作为区别植被的一个特征[9]。其反射波谱特征曲线如图1（b）所示。

道路的反射波谱特征主要是：城市里主要是水泥地和沥青，少量的土路，水泥地的反色率最高，土路次之，沥青路最低[9]。其反射波谱特征曲线如图1（c）所示。

水体的反射波谱特征主要是：水体在蓝绿光波段反射率较强，在其他波段反射率很弱，特别在近红外、中红外波段吸收率非常强，几乎不反射[9]。但是水体往往会含有一定量的水生植物，其波谱特征曲线也会表现出植被的一些特征。其反射波谱特征曲线如图1（d）所示。

2 波段指数提取植被方法

大多数的植被指数都包含近红外波段，这跟植被波谱特征有关，这样的波段指数现在已经有100多种了[10]。但航空影像一般都只有红、绿、蓝可见光波段，这个时候必须设计一种利用可见光波段的植被指数。现在提出的可见光波段植被指数主要有，归一化绿红差异指数NGRDI[11]、归一化绿蓝差异指数NGBDI[12]、红绿比值指数RGRI[13]、蓝绿比值指数BGRI[14]、过绿指数EXG[15]、植被指数VEG[16]、超绿超红差分指数EXGR[17]、植被颜色指数CIVE[18]、红绿蓝植被指数RGBVI[19]、可见光波段差异植被指数VDVI[15]。

NGRDI= （Green-Red）/（Green+Red）

NGBDI= （Green-Blue）/（Green+Blue）

RGRI= Red/Green

BGRI= Blue/Green

EXG=2×Green-Red-Blue

VEG=Green/（Red^0.67 Blue^0.33 ）

EXGR=EXG-1.4×Red-Green

CIVE=0.44×Red-0.88×Green+0.39×Blue+18.79

RGBVI= （Green^2-（Red×Blue））/（Green^2+（Red×Blue））

VDVI= （2×Green-Red-Blue）/（2×Green+Red+Blue）

E-NGBDI=（Green^2-Blue^2）/（Green^2+Blue^2 ）

当计算得到图像的波段指数灰度图后，可以设定一个阈值来区分出植被和非植被区域。确定阈值的方法有很多，例如全局阈值法、局部自适应阈值法，最大熵自动阈值法[20～26]。

3 试验

笔者先试验比较了8种不同的植被指数用来提取植被，分别是NGBDI、NGRDI、GRRI（RGRI的倒数）、GBRI（BGRI的倒数）、EXG、RGBVI、VDVI、E-NGBDI。

3.1 试验数据

试验图像如图2所示。

此景像图包含城市航空影像的主要地物，包括植被（草地和林地）、道路、水体、建筑（图2）。

3.2 实验步骤与分析

分别求出实验图像的8种植被指数灰度图，如图3所示。

从图3可以看出，首先排除的是GBRI和GRRI，可见单纯的通过绿波段和蓝波段或者红波段的比值来提取植被是不可靠的，其他的提取方法中，E-NGBDI、NGBDI的提取效果最好，其次是RGBVI、VDVI、EXG，最后是NGRDI。据此可以得出结论，使用绿波段和蓝波段的植被指数提取效果最好，而使用绿波段和红波段的植被指数提效果最差，使用3个波段的植被指数提取效果在两者之间。

根据观察上述生成的灰度图，发现植被和水体较相似，这是因为城市水体往往受到一些污染，会有一些水生植物的存在，这样会影响植被和水体的区分。

为了观察不同的植被指数方法的分类效果，通过全局阈值法（阈值统一设置为170）将灰度图像转化为二值图像，白色代表植被，黑色代表非植被，它们的结果图如图4所示。

从二值图可以看出，在这个阈值选择下，只有E-NGBDI、NGBDI、RGBVI的分类效果较好，其中E-NGBDI的分类效果最好。

随机选择500个已知点，求得NGBDI和E-NGBDI的混淆矩阵如表1、表2所示。

从表1和表2可以看出，虽然在将非植被提取为植被的错误率，NGBDI的精度稍稍好一点，但将植被提取为非植被的错误率，NGBDI明显高于E-NGBDI，综合来看，E-NGBDI的分类精度要高于NGBDI。

4 结论

通过可见光波段植被指数来提取城市航空影像植被信息是可取的，主要是通过绿波段和蓝波段的差异来提取。提增强型绿蓝差异植被指数通过增强绿蓝波段值得差异来对植被进行提取，精度较高。

参考文献：

[1]郭 铌. 植被指数及其研究进展[J]. 干旱气象， 2003，21（4）：71～75.

[2]江 洪，汪小钦，吴 波，等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J]. 福州大学学报（自然科学版），2010，38（4）：527～532.

[3]Gamon J A，Peuelas J， Field C B. A narrow-wavebandspectral index that tracksdiurnal changes in photosyntheticefficiency[J]. Remote Sens. Environ， 1992（41）：35～44.

[4]田庆久，闵祥军. 植被指数研究进展[J]. 地球科学进展，1998，13（4）：327～333.

[5]田庆久，闵祥军. 植被指数研究进展[J]. 地球科学进展，1998（4）：10～16.

[6]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[J]. 应用生态学报，2016（5）：1427～1436.

[7]WALKER J S，BRIGGS J M. An object-oriented classificationof an arid urban forest withtrue-color aerialphotography[C]∥3rd International Symposium of RemoteSensing and DataFusion Over Urban Areas.USA.2005： 66～85.

[8]张正健，李爱农，边金虎，等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J]. 遥感技术与用，2016（1）：51～62.

[9]孙家抦.遥感原理与运用[M].武汉： 武汉大学出版社，2002：18～20.

[10]傅银贞，汪小钦. 基于北京一号CCD 数据的植被指数特性分析[J]. 测绘科学，2010，35（6）：35～38.

[11]Meyer G E， Neto J C. Verification of colorvegetation indices fo automated crop image applicati0n[J].Computers and Electronics in Agriculture， 2008（63）： 282～293.

[12]Hunt Jr E R，Cavigelli M，Daughtry C S T，et al. Evaluation of Digital Photography from Model Aricraft for Remote Sensing of Crop Biomass and Nitrogen Status[J]. Precision Agriculture，2005，6（4）：359～378

[13]Gamon J A， Surfus J S. Assessing Leaf Pigment Content and Activity with a Reflectometer[J]. New Phytologist，1999，143（1）：105～117.

[14]Sellaro R， Crepy M， Trupkin S A， et al. Cryptochrom as a Sensor of the Blue/Green Ratio of Natural Radiation in Arabidopsis[j].Plant Physiology，2010，154（1）：401～409.

[15]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[J]. 农业工程学报，2015（5）：152～159.

[16]Hague T， Tillett N D， Wheeler H. Automated crop andweed monitoring in widely spacedcereals[J]. Precision Agriculture， 2006（7）：21～32.

[17]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[J]. 农业工程学报，2014（20）：187～195.

[18]伍艳莲，赵 力，姜海燕，等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报，2014（24）：161～167.

[19]Bending J， Yu K， Aasen H， et al. Combining UAV-based Plant Height from Crop Surface Models， Visible， and Near infrared Vegetation Indices for Biomass Monitoring in Barley[J]. International Journal of Applied Earth Observation & Geoinformation，2015（39）：79～87.

[20]王丽荣. 基于高分辨率卫星影像的城市绿地景观分析[D]. 上海：上海交通大学，2007.

[21]黎 薇. 基于遥感影像的城市绿地信息提取及分析[D]. 上海：华东师范大学， 2007.

[22]吴根梅. 植被覆盖信息的提取方法研究[D]. 北京：北京林业大学 ，2007.

[23]张春鹏. 基于高分辨率遥感影像的城市环境结构信息提取研究[D]. 上海：华东师范大学 ，2007.

[24]游丽平. 面向对象的高分辨率遥感影像分类方法研究[D]. 福州：福建师范大学， 2007.

[25]朱瑞芳. 基于遥感影像的城市绿地信息提取方法研究[D]. 阜新：辽宁工程技术大学 ，2005.

[26]李栋梁. 基于TM影像的水系信息提取及变化制图研究[D]. 南京：河海大学 ，2006.