李翠娜，張雪芬，余正泓，王秀芳

?

基于圖像提取技術計算夏玉米覆蓋度和反演葉面積指數的精度評價**

李翠娜1,2,3，張雪芬3，余正泓4，王秀芳5

（1.中國科學院大氣物理研究所大氣科學和地球流體力學數值模擬國家重點實驗室，北京100029;2.中國科學院大學，北京 100049; 3.中國氣象局氣象探測中心，北京100081; 4.廣東科學技術職業(yè)學院，珠海 519090; 5.河南省信陽氣象局，信陽 464000）

如何將農作物從復雜動態(tài)變化的農田場景中準確提取出來，是作物分割方法后續(xù)提取覆蓋度或反演葉面積指數準確與否的關鍵。本文以鄭州、泰安和固城站2011年和2012年生長季的夏玉米為研究對象，利用在線式圖像自動傳輸裝置實時獲取戶外不同光照強度以及真實農田復雜背景下的夏玉米群體動態(tài)圖像，在對原始圖像進行幾何校正的基礎上，采用AP-HI、ExG、ExGR和CIVE4種作物分割方法提取夏玉米覆蓋度和反演葉面積指數，通過對比試驗定量評價每種作物分割方法對農田復雜背景的適應能力和精度，并從中選取適合農田復雜環(huán)境下夏玉米冠層圖像覆蓋度和葉面積指數的有效提取方法。結果表明：光照強度變化以及植物陰影、植物殘渣等復雜背景對作物分割算法的精確性影響較大，AP-HI方法在光照適應性和對抗復雜環(huán)境兩個方面均優(yōu)于其它方法，相對誤差在0.2以下，高于目估法測量的精度；通過對比分析發(fā)現，利用4種作物分割方法通過冠層孔隙率估算不同生長期夏玉米LAI，AP-HI反演模型最優(yōu)，其估算的LAI與實際測得的LAI值比較的相關系數最高，為0.89~0.96,均方根誤差最小，為0.47~0.75。綜合考慮模型的精度和穩(wěn)定性認為，基于AP-HI方法反演葉面積指數的方法具有一定應用優(yōu)勢。

農作物；圖像處理；覆蓋度；LAI；模型

作物覆蓋度(Cc)和葉面積指數(LAI)是定性和定量評價作物群體長勢狀況的重要指標，準確提取其信息對監(jiān)測作物生長狀態(tài)和預測作物產量具有重要意義[1-3]。估測作物覆蓋度和葉面積指數的方法主要有地面實測和遙感監(jiān)測兩種方式[4]。地面實測是遙感等現代測量方法必不可少的輔助和校驗手段[5]。常用的地面實測方法是目估法，該方法繁瑣、費時、破壞性大，且受觀測者的主觀影響，最大絕對誤差可達40%[6]。隨著數碼相機分辨率的提高和數字圖像技術的應用，基于靜態(tài)圖像信息提取技術估測覆蓋度和葉面積指數成為獲取樣本實測數據的主要方法，是今后作物覆蓋度和葉面積指數地面測量的發(fā)展趨勢[7-9]。該方法利用CCD成像技術獲取作物冠層照片，在計算機中將影像分成作物和非作物，并通過閾值法提取作物覆蓋度，然后用覆蓋度估算葉面積指數[10-12]。較之傳統的地面測量方法，這種方法更為方便、快捷且準確。但靜態(tài)圖像信息提取技術也存在一定的局限性，它通過人工近距離拍攝圖像，難以對作物進行實時、動態(tài)觀測，資料時效性和可比性較低。針對上述技術難點，國內外已有研究提出了一種利用在線式圖像處理技術估測覆蓋度和葉面積指數的方法[13-15]，它將自動采集、圖像處理、通信傳輸、遠程控制等多種技術手段相結合計算作物覆蓋度，進而用覆蓋度估算葉面積指數。這種方法可相對快速、客觀獲取實時、連續(xù)、動態(tài)的植被覆蓋度和葉面積指數信息，展現出良好的研究和應用前景。當前對該方法的研究主要集中在從復雜動態(tài)變化的農田里精確提取作物的分類方法及其精度評價。趙繼強等[16]定量研究了照相法測量規(guī)則林地覆蓋度中采樣策略、相機非垂直拍攝等因素對覆蓋度計算結果的影響。任杰等[11]比較了NDI法和監(jiān)督分類法計算植被覆蓋度精度。孫濤等[17]基于Gamma校正原理對水稻冠層數碼相片進行校正處理，在此基礎上利用2G-R-B植被指數提取作物信息，結果表明，經過Gamma校正的相片估算的水稻葉面積指數總體精度有顯著提高。以上各研究僅對比了靜態(tài)圖像在不同分類方法或相機拍攝采樣策略下覆蓋度的計算結果，并未考慮實地農田測量中作物覆蓋度或葉面積指數估測精度受光照變化、種植地背景復雜等因素的影響。

本文以夏玉米為例，通過在線式圖像自動傳輸裝置實時獲取農田作物動態(tài)圖像，并在圖像幾何參數自動標定基礎上，采用4種常用的圖像自動提取算法計算作物覆蓋度，利用冠層孔隙率方法建立覆蓋度與葉面積指數模型。通過對比試驗，對每種提取算法的計算性能進行評價，以期確定一種更加適于實際農田作物覆蓋度和葉面積指數的測量方法，為作物長勢動態(tài)監(jiān)測提供依據。

1 資料與方法

1.1 田間試驗數據獲取

試驗于2011-2012年在河南省鄭州（34.46°N, 113.40°E）、山東省泰安（36.11°N, 117.08°E）和河北省固城（39.13°N, 115.67°E）農業(yè)氣象試驗站進行。試驗區(qū)地勢平坦，土壤類型為壤土。試驗選擇當地主栽夏玉米優(yōu)質品種，分別為浚單20、鄭單958和冀單32，行間距均為90cm，行內距約為19cm，成株株高250cm左右，生育期為每年6月-10月上旬，出苗-成熟期約需100d。在每個試驗區(qū)選擇總面積約0.5km×0.5km作為核心監(jiān)測區(qū)域，中央架設田間監(jiān)測設備。試驗區(qū)分為儀器自動觀測地段和人工對比觀測地段，二者位于同一地塊，儀器自動觀測地段實際觀測面積30m2左右，在避免邊際效應的同時，兩個觀測地段盡可能靠近，使兩個區(qū)域的作物生長環(huán)境一致，保證對比觀測的可比性。

試驗測定了夏玉米主要生育期(出苗期、三葉期、七葉期、拔節(jié)期、抽雄期、開花期、吐絲期、乳熟期和成熟期)的葉面積指數，作為評價葉面積反演模型精度的評價標準。葉面積指數的測定采用傳統的長寬系數法[18]，測量40株夏玉米植株高度，按不同高度分配比例取5株，測定其葉長和葉寬，系數取0.7，取平均值作為單株葉面積值，根據大田密度換算實際葉面積指數值。

1.2 圖像采集

在線式作物圖像自動傳輸裝置由CCD相機（E-450Olympus）、圖像采集器、通訊傳輸裝置和計算機終端組成，如圖1所示。圖像采集器由中國氣象局氣象探測中心和江蘇省無線電科學研究所聯合自主研發(fā)，具備采集計劃設置、自動拍攝控制、數據存儲和數據傳輸等功能，可較好滿足大田作物圖像拍攝需求。CCD相機外部裝有防風沙球罩狀裝置，以抵抗戶外雨水和灰塵的侵蝕，其CCD傳感器鏡頭焦距為16mm。圖像采集器和CCD傳感器均被固定在立柱上，離地高度分別為1m和5m。

設定每日9：00-16：00正點經由CCD相機自動拍攝夏玉米圖像，并通過3G/4G無線網絡將獲取的夏玉米圖像遠程傳輸至計算機終端，計算機終端利用內置的作物圖像處理算法實現夏玉米覆蓋度實時自動計算。圖像分辨率為2736×3648，彩色，JPG格式。

1.3研究方法

1.3.1 圖像幾何參數標定

CCD相機的圖像幾何參數標定是實現視覺圖像信息精確識別、解譯的重要基礎。本研究采用Zhang等[19]提出的標定方法，具體步驟如下：

（1）根據實驗設計的觀測樣區(qū)環(huán)境要求，通過計算機模擬，給出相機標定板的參數要求，并按規(guī)格制作。用打印機打印出相機標定用的黑白相間的棋盤格，每格邊長為7.3cm的正方形(圖2)，再將棋盤格貼在準備好的65.7cm×73cm的長方形木板上，木板厚度均勻且不大于3cm，通過以上步驟便可完成標定板的制作。

（2）將相機標定板置于自動觀測區(qū)域內的不同空間位置并拍攝不同放置方式的圖像。其中，水平放置于地塊中心和4個角落共拍攝5張，將標定板放置在指定位置和高度，從不同角度拍攝20張圖像（圖3）。

（3）計算CCD相機的內外參數：利用CCD相機拍攝的標定圖像，自動檢測并獲取棋盤格角點的實際坐標和其在圖像中的坐標，再根據式（1）單應性矩陣中向量正交和模相等的條件，求解出相機的內外參數（包括內參數矩陣以及每張圖像的外參數矩陣）和畸變系數。

（4）原始圖像的正下視校正：利用計算出來的相機畸變系數，對存在幾何畸變的原始前下視作物圖像進行幾何校正處理。經上述幾何校正的原始作物圖像，即可通過遙感圖像處理中的重采樣技術，將其轉換為正下視圖像或正射圖像，為作物覆蓋度計算提供基礎圖像。

1.3.2 圖像自動提取算法

（1）AP-HI法

2013年Yu等[20]首次提出了一種具備光照自適應能力的AP-HI作物自動提取算法。該方法結合了色度-亮度查找表（Hue Intensity-Look Up Table，簡稱HI-LUT）以及仿射傳播聚類方法（Affinity Propagation，簡稱AP）[21]，利用較少的訓練樣本即可獲得較好的作物分割效果。雖然當葉片出現高光時該方法性能下降，但由于發(fā)生高光的葉片面積占整幅圖像面積比例很小，因此不會影響整體研究結果。

AP-HI法采用高斯模型來表征特定亮度I下綠色色度H的分布情況，即假設亮度為I時，色度H符合高斯分布，其概率密度函數如式（2）所示。

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（Affinity Propagation，簡稱AP）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(wěn)定。

（2）基于可見光顏色指數的分割算法

該方法被廣泛用于提取綠色植被。它首先利用不同通道的顏色信息生成顏色指數，再通過設置固定閾值或自適應選擇閾值對圖像進行二值分割。本文選用3種常用指數進行作物提取，并通過自適應閾值方法獲得分割結果。它們分別是超綠算子（ExG）[22]、超綠減超紅（ExGR）[23]和作物提取顏色算子（CIVE）[24]，其相應的計算式分別為

式（5）-式（8）中，R、G、B分別表示每個像素的紅、綠、藍3個通道顏色值，而r、g、b表示該3個通道的歸一化值。對于待提取圖像，首先利用式（5）-式（7）針對每個像素進行計算，將具有3個通道的彩色圖像轉換成僅具有一個通道的灰度圖像，然后采用OTSU[25]方法獲得分割閾值，得到最終的作物分割圖像。

（3）真值圖像

采用目視解譯法，即在Adobe Photoshop7.0軟件支持下，將作物多邊形盡可能準確完全地手工勾畫出來，并對圖像中的作物、土壤及其它背景物做人工判讀和標記，最后對圖像進行二值分割，其中白色代表作物，黑色代表背景，白色面積占總面積的百分比即作為目視解譯法的植被覆蓋度。

1.3.3 植被覆蓋度計算方法

利用在線式作物圖像自動傳輸裝置獲取夏玉米冠層圖像，并對存在幾何畸變的原始前下視作物圖像進行幾何校正，將其轉換為正下視圖像，計算正下視圖像中作物像素數與正下視圖像總像素數之比，即為植被覆蓋度。

式中，Cc為植被覆蓋度，CC為正下視區(qū)圖像中的作物像素總和，A為正下視區(qū)圖像的像素總和，為3648×1368像素。

1.3.4 葉面積指數計算方法

葉面積指數與植被覆蓋度的關系可以表示為[26]

式（10）可轉換為

2 結果與分析

2.1 四種方法提取玉米覆蓋度計算精度的比較

2.1.1 玉米生育期覆蓋度變化

從2011年夏玉米10個生育期80幅圖像中，剔除由于設備故障造成圖像像素缺失，或降水、大霧等天氣原因造成圖像模糊的問題圖像，然后利用4種提取方法分別對余下的有效作物圖像進行處理，經二值分割得到各幅圖像的植被覆蓋度計算結果，最后計算各發(fā)育期當日有效作物圖像植被覆蓋度的平均值，即為2011年夏玉米各生育期植被覆蓋度計算結果（圖4）。

由圖4可見，各方法計算的夏玉米全生育期內3個試驗點的覆蓋度動態(tài)變化均相似，均呈非對稱、開口向下的拋物線型變化。在夏玉米幼苗生長期（出苗-七葉）覆蓋度較小，七葉-拔節(jié)期開始迅速增長，尤以泰安站覆蓋度變化最明顯，AP-HI、EXG、EXGR和CIVE計算的覆蓋度變化范圍分別為0.114~0.775、0.129~0.797、0.123~0.792和0.024~0.698。進入抽雄期時，夏玉米的生長達到最佳狀態(tài)，以AP-HI法為例，3個試驗點的覆蓋度平均值為0.813，其中鄭州站為0.712，固城站為0.758，泰安為0.970。在開花和吐絲期覆蓋度變化幅度不大，但略有波動。隨著夏玉米生長期的推進，進入乳熟期后，夏玉米覆蓋度開始下降，直至成熟期降至較低水平。從圖中還可看出，利用AP-HI、EXG和EXGR法提取的各生育期玉米覆蓋度在3個站點基本接近，而由CIVE法提取的各生育期玉米覆蓋度普遍偏低。

2.1.2 玉米生育期覆蓋度提取精度

從各站出苗-成熟9個生育期分別選取陰天、晴天以及復雜背景（包括麥茬、陰影、標桿等）3種天氣條件的大田作物圖像各13張，對4種提取方法進行測試。圖像均由在線式作物圖像自動傳輸裝置通過以上步驟提取獲得作物覆蓋度。部分典型樣本圖像如圖5所示。

將4種提取方法計算的植被覆蓋度與覆蓋度真值進行比較，使用相對誤差和均方根誤差定量評價提取精度，結果見表1。由表可知，AP-HI法在弱、強光照以及復雜背景條件下均有較穩(wěn)定的分割效果，相對誤差分別為0.20、0.07和0.15，均方根誤差分別為0.18、0.06和0.16。同時，CIVE法也可以有效分割陰天拍攝的作物圖像，分割精度略高于AP-HI法，相對誤差和均方根誤差分別為0.14和0.08，但其對復雜環(huán)境的適應性比AP-HI法低，相對誤差和均方根誤差分別為0.20和0.21。ExG和ExGR分割方法在光照較強和較弱時則效果均不理想，總體性能不如AP-HI和CIVE分割算法。

表1 典型日覆蓋度誤差統計（與真值圖像比較）

Table 1 Error statistics of crop coverage estimated by different extraction methods on the typical day compared with true image

表1 典型日覆蓋度誤差統計（與真值圖像比較）

陰天Cloudy晴天Sunny復雜背景Complex background總體Overall condition 相對誤差 MRE均方根誤差 RMSE相對誤差 MRE均方根誤差 RMSE相對誤差 MRE均方根誤差RMSE相對誤差MRE均方根誤差RMSE AP-HIExGExGRCIVE0.200.330.310.140.180.140.130.080.070.140.110.090.060.100.070.090.150.29.0.260.200.160.230.220.210.120.220.190.140.120.180.170.15

2.2 四種方法反演葉面積指數及精度比較

2.2.1 葉面積指數反演模型

將2011年鄭州、泰安和固城站夏玉米各關鍵發(fā)育期用上述4種方法計算的作物冠層孔隙率，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，結果如圖6所示。由圖可見，在夏玉米全生育期內，植被冠層孔隙率與葉面積指數具有較好的對數函數關系，表明利用冠層孔隙率及建立的對數函數y=-alnx，可以反演群體葉面積指數。表2列出了基于ExG、ExGR、CIVE和AP-HI各方法計算的葉面積指數反演模型，由表可以看出，ExG、ExGR和AP-HI法均能較好地反映夏玉米生育期葉面積指數與冠層孔隙率之間的變化關系，構建的夏玉米葉面積反演模型精度較高，相關系數平均在0.94以上，而CIVE與葉面積指數之間的相關系數在0.83~0.89，相關性稍低。受作物品種和葉面積指數人工觀測精度差異的影響，用4種方法建立的葉面積指數反演模型精度在3個站點略有不同，固城站最高，其次是鄭州站，泰安站最低。

表2 圖6中對應的葉面積指數與冠層孔隙率關系模型

2.2.2 玉米生育期葉面積指數變化

利用4種圖像提取方法得到的2011年3站夏玉米各發(fā)育期的冠層孔隙率，根據表2中葉面積指數與冠層孔隙率的擬合方程，得到2011年各發(fā)育期的葉面積指數，結果見圖7。從圖可以看出，夏玉米各發(fā)育期葉面積指數與覆蓋度變化基本相似，整體也呈非對稱、開口向下的拋物線型特征，從三葉-拔節(jié)期緩慢增長，拔節(jié)-抽雄期增長迅速并達到峰值，之后處于穩(wěn)定期，開花-乳熟期緩慢下降。對比4種方法不難發(fā)現，AP-HI和EXGR法計算的3個站點各發(fā)育期的葉面積指數變化趨勢基本相近，CIVE法與其略有不同，而EXG法除固城站外，在鄭州站和泰安站計算的各發(fā)育期的葉面積指數與其它3種方法計算結果差異較明顯。

2.2.3 葉面積指數反演精度

利用3個試驗站2012年地面實測夏玉米各發(fā)育期LAI數據，對不同算法建立的模型進行驗證，選取相關系數（R）和均方根誤差（RMSE）作為模型的評價指標，將其中相關系數高、均方根誤差較小的模型作為最佳葉面積指數反演模型。表3和圖8為各站點4種方法反演的葉面積指數與實測值的對比分析。由圖8可見，利用4種方法計算的夏玉米葉面積指數與實測值總體趨勢基本一致，對數據質量檢驗具有參考價值。回歸分析表明（表3），在夏玉米各發(fā)育期選用的4種方法中，AP-HI法反演各地葉面積指數與實測值相關性顯著，相關系數在0.89~0.96，均方根誤差在0.47~0.75，反演結果較好。CIVE法反演各站夏玉米各發(fā)育期葉面積指數與實測值相關性最低，相關系數在0.57~0.86（圖8c），均方根誤差在0.8以上。ExGR法獲得的葉面積指數模型反演值與實測值之間的相關系數在0.83~0.95，均方根誤差在0.70~0.87，反演結果僅次于AP-HI法。ExG法作為目前被廣泛使用的算法，其獲得的葉面積指數反演值與實測值之間的相關系數為0.70~0.96，均方根誤差在0.46~1.03，反演結果不如AP-HI法和ExGR法。可見，根據上述分析結果，AP-HI法或EXGR法更適于反演夏玉米整個生育期的葉面積指數，利用該方法建立的反演模型可以獲得精度較高的葉面積指數。

表3 圖8中對比的統計結果

3 結論與討論

將作物從復雜動態(tài)變化的場景中準確提取出來，是作物分割方法以及計算覆蓋度或反演葉面積指數的關鍵，以往研究主要集中于作物分割算法估測簡單背景下靜態(tài)單株作物覆蓋度[27]，忽略了作物分割算法在光照強度變化以及植物陰影、植物殘渣等真實農田復雜背景環(huán)境下的適應能力和精度。本文采用4種傳統常用的作物分割方法（ExG、ExGR、CIVE和AP-HI）提取夏玉米覆蓋度信息，通過對比試驗定量評價每種圖像分割方法對農田復雜背景的適應能力和精度，在此基礎上，通過冠層孔隙率方法研究建立了覆蓋度與葉面積指數模型，并用實測數據進行驗證。

由于農田環(huán)境的復雜性，獲取標準、規(guī)范的作物圖像是檢驗各作物分割方法是否精確的基礎。本文根據田間夏玉米群體的圖像特點，自行設計并成功構建了以CCD相機和圖像采集裝置為核心的在線式作物圖像自動傳輸裝置，實時獲取戶外不同光照變化和復雜背景環(huán)境條件下夏玉米群體動態(tài)標準圖像，并對原始圖像進行幾何校正以克服圖像畸變造成的誤差，確保了各作物分割方法提取的作物特征具有可比性和穩(wěn)定性。

光照強度變化以及植物陰影、植物殘渣等復雜背景對作物分割算法的精確性影響較大，這一結論與Ewing等[28]的研究結果一致。以夏玉米田間圖像為對象，分析比較4種作物分割方法的原理和分割效果，篩選出適合夏玉米生育期內的自動分割方法。從4種作物分割方法提取覆蓋度結果精度評價和比較來看，AP-HI法在光照適應性和對抗復雜環(huán)境兩個方面都優(yōu)于其它方法，相對誤差在0.2以下，高于目前目估法測量的精度[6]。CIVE法主要用于綠色作物和土壤的分割，其對復雜環(huán)境的適應性較差。ExG和ExGR法作為被廣泛使用的方法，其在光照較強和較弱時的分割效果均不理想，總體性能不如AP-HI和CIVE法。

采用冠層孔隙率方法估算夏玉米葉面積指數是本文的特色之一。利用圖像處理技術獲取作物覆蓋度，建立覆蓋度與人工實測的葉面積指數的回歸關系模型是估測葉面積指數研究中常用的方法[9]，具有簡單、方便等優(yōu)點，但易受地域、植被類型等因素影響。本文與之相比，經過理論推導和試驗數據分析，引入冠層孔隙率建立了冠層覆蓋度和葉面積指數的對數模型，使其具有更為明確的生物學意義，經檢驗模型反演的葉面積指數值與實測值的相關性較高，說明基于農田夏玉米圖像提取地面覆蓋度并估算夏玉米葉面積指數的方法是可行的。

借助夏玉米各生育期葉面積指數實測數據，比較AP-HI、CIVE、EXG和EXGR各分割算法反演的葉面積指數的精度，結果表明，AP-HI-LAI反演模型的相關系數最高（0.89~0.96），CIVE-LAI的相關系數最低（0.57~0.86），ExGR-LAI各站反演模型相關系數在0.83~0.95，僅次于AP-HI-LAI反演模型，ExG-LAI反演模型除在鄭州站的相關系數偏低為0.70外，其在泰安站和固城站相關系數較高，均在0.92以上，即各反演模型預測精度大小整體表現為AP-HI＞EXGR＞EXG＞CIVE。綜合考慮模型的精度和穩(wěn)定性認為，基于AP-HI方法反演葉面積指數的方法具有一定的應用優(yōu)勢。

參考文獻References

[1]瞿瑛,劉素紅,謝云,等.植被覆蓋度計算機模擬模型與參數敏感性分析[J].作物學報,2008,34(11):1964-1969.

Qu Y,Liu S H,Xie Y,et al.Computer simulation model of fractional vegetation cover and its parameters sensitivity[J].Acta Agronomica Sinic,2008,34(11):1964-1969.(in Chinese)

[2]張學藝,郭建茂,韓穎娟,等.基于植被指數的寧夏灌區(qū)春小麥葉面積指數模型[J].中國農業(yè)氣象,2011,32(2):279-282.

Zhang X Y,Guo J M,Han Y J,et al.LAI model of spring wheat in Ningxia irrigated area based on MODIS-VI[J].Chinese Journal of Agrometeorology,2011,32(2):279-282.(in Chinese)

[3]Weiss M,Troufleau D,Baret F,et al.Coupling canopy functioning and radiative transfer models for remote sensing data assimilation[J].Agricultural and Forest Meteorology, 2001,108(2):113-128.

[4]秦偉,朱清科,張學霞,等.植被覆蓋度及其測算方法研究進展[J].西北農林科技大學學報(自然科學版),2006,34(9): 163-168.

Qin W,Zhu Q K,Zhang X X,et al.Review of vegetation covering and its measuring and calculating method[J].Jour. of Northwest Sci-Tech Univ. of Agri. and For.(Nat. Sci. Ed.),2006,34(9):163-168.(in Chinese)

[5]Zhou Q,Robson M.Automated range land vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].Remote Sensing,2001,22(17): 3457-3470.

[6]章文波,符素華,劉寶元,等.目估法測量植被覆蓋度的精度分析[J].北京師范大學學報(自然科學版),2001,37(3):402-407.

Zhang W B,Fu S H,Liu B Y,et al.Error assessment of visual estimation plant coverage[J].Journal of Beijing Normal University(Natural Science),2001,37(3):402-407.(in Chinese)

[7]王桂琴,鄭麗敏,朱虹,等.圖像處理技術在冬小麥葉面積指數測定中的應用[J].麥類作物學報,2004, 24(4):108-112.

Wang G Q,Zheng L M,Zhu H,et al.Application of image processing technology in wheat canopy leaf area index measuring[J].Journal of Triticeae Crops,2004,24(4):108-112. (in Chinese)

[8]李榮春,陶洪斌,張竹琴,等.基于圖像處理技術的夏玉米長勢監(jiān)測研究[J].玉米科學,2010,18(2):128-132.

Li R C,Tao H B,Zhang Z Q,et al.Study on summer maize group growth monitoring based on image processing technique[J].Journal of Maize Sciences,2010,18(2):128-132. (in Chinese)

[9]李存軍,王紀華,劉良云,等.基于數字照片特征的小麥覆蓋度自動提取研究[J].浙江大學學報(農業(yè)與生命科學版), 2004,30(6) :650-656.

Li C J,Wang J H,Liu L Y,et al.Automated digital image analyses for estimating percent ground cover of winter wheat based on object features[J].Journal of Zhejiang University (Agriculture & Life Sciences),2004,30(6):650-656.(in Chinese)

[10]陸明,申雙和,王春艷,等.基于圖像識別技術的夏玉米生育期識別方法初探[J].中國農業(yè)氣象,2011,32(3):423-429.

Lu M,Shen S H,Wang C Y,et al.Initial exploration of maize phonological stage based on image recognition[J].Chinese Journal of Agrometeorology,2011,32(3):423-429.(in Chinese)

[11]任杰,柏延臣,王錦地,等.從數碼照片中快速提取植被覆蓋度的方法研究[J].遙感技術與應用,2010,25(5):719-723.

Ren J,Bai Y C,Wang J D,et al.An efficient method for extracting vegetation coverage from digital photographs[J]. Remote Sensing Technology and Application,2010,25(5): 719-723.(in Chinese)

[12]陸秀明,黃慶,孫雪晨,等.圖像處理技術估測水稻葉面積指數的研究[J].中國農學通報,2011,27(3):65-68

Lu X M,Huang Q,Sun X C,et al.Application of image processing technology in rice canopy leaf area index[J].Chinese Agricultural Science Bulletin,2011,27(3): 65-68.(in Chinese)

[13]張雪芬,薛紅喜,孫涵,等.自動農業(yè)氣象觀測系統功能與設計[J].應用氣象學報,2012,23(1):105-112.

Zhang X F,Xue H X,Sun H,et al.Function and designing of automatic observing system for agro-meteorology[J].Journal of Applied Meteorological Science,2012,23(1):105-112.(in Chinese)

[14]Sakamoto T,Shibayama M,Kimura A,et al.Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(6):872-882.

[15]Shibayama M,Sakamoto T,Takada E,et al.Regression-based models to predict rice leaf area index using biennial fixed point continuous observations of near infrared digital Images[J].Plant Production Science,2011,14(4):365-376.

[16]趙繼強,謝東輝,孟夏,等.規(guī)則林地覆蓋度照相測量法的精度分析[J].農業(yè)工程學報,2013,29(19):152-158.

Zhao J Q,Xie D H,Meng X.Accuracy analysis of vegetation cover measurement using digital photography for regular planted woodland[J].Transactions of the CSAE,2013,29(19): 152-158.(in Chinese)

[17]孫濤,劉振波,葛云健,等.基于數碼相片Gamma校正的水稻葉面積指數估算[J].生態(tài)學報,2014,37(13):3548-3557.

Sun T,Liu Z B,Ge Y J,et al.Estimation of paddy rice leaf area index based on photo gamma correction[J].Acta Ecologica Sinica,2014,37(13):3548-3557.(in Chinese)

[18]中國氣象局.農業(yè)氣象觀測規(guī)范[M].北京:氣象出版社, 1993.

China Meteorological Administration.Specification for agricultural meteorological observation[M].Beijing :China Meteorological Press,1993.(in Chinese)

[19]Zhang Z.Flexible camera calibration by viewing a plane from unknown orientations[A]. Proceedings of the Seventh IEEE International Conference on Computer Vision[C]. USA,1999:666-673.

[20]Yu Z,Cao Z,Wu X,et al.Automatic image-based detection technology for two critical growth stages of maize: emergence and three-leaf stage[J].Agricultural and Forest Meteorology,2013,174-175:65-84.

[21]Frey B J,Dueck D.Clustering by passing messages between data points[J].Science,2007,315(5814): 972-976.

[22]Woebbecke D M,Meyer G E,von Bargen K,et al.Color indices for weed identification under various soil,residue and lighting conditions[J].Transaction of the American Society of Agricultural Engineering,1995,38(1):259-269.

[23]Neto J C.A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[D].University of Nebraska,NE,2004.

[24]Kataoka T,Kaneko T,Okamoto H,et al.Crop growth estimation system using machine vision[A].The 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics[C]. USA,2003

[25]Otsu N.A threshold selection method from gray-level histogram[J].IEEE Transactions on System Man and Cybernetics,1979,11(285-296): 23-27.

[26]Nilson T.A theoretical analysis of the frequency of gaps in plant sands[J].Agric Meteorol,1971,8:25-38.

[27]陳江魯,王克如,李少昆,等.基于寬范圍動態(tài)植被指數的棉花冠層覆蓋度監(jiān)測[J].棉花學報,2011,23(3):265-271.

Chen J L,Wang K R,Li S K,et al.Monitoring of the cotton vegetation fraction based on wide dynamic range vegetation index[J].Cotton Science,2011,23(3):265-271.(in Chinese)

[28]Ewing R P,Horton R.Quantitative color image analysis of agronomic images[J].Agron J,1999,91:148-153.

Accuracy Evaluation of Summer Maize Coverage and Leaf Area Index Inversion Based on Images Extraction Technology

LI Cui-na1, 2, 3, ZHANG Xue-fen3, YU Zheng-hong4, WANG Xiu-fang5

(1.State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China; 2.University of Chinese Academy of Sciences, Beijing 100049; 3.Meteorological Observation Centre, CMA, Beijing 100081; 4.Guangdong Institute of Science and Technology, Zhuhai 519090; 5.Xinyang Meteorological Bureau of Henan Province, Xinyang 464000)

How to extract accurately the crops from the complex field scene is the key to calculate crop coverage and invert LAI for crop segmentation methods. In this paper, the dynamic images of summer maize growth season in 2011-2012, in Zhengzhou,Taian and Gucheng, which were under the different light intensity and complex outdoor background with shadows, plants residues, were obtained through on-line, real-time automatic transmission device. Meanwhile, to overcome the error caused by image distortion, geometric correction of the raw images was needed, crop coverage extraction ability and leaf area index inversion performance of four popular crop extraction algorithms (ExG, ExGR, CIVE and AP-HI) were compared and evaluated. By comparison, the effective extraction method for canopy coverage and leaf area index of summer maize under complex environment was selected. On this basis, models of canopy coverage and leaf area index with canopy porosity method were established and verified with measured data. The results showed that the light intensity changes and complex field environment, which contained plant shadows and residues, had a significant impact on the accuracy of crop segmentation algorithm. And inversion model of AP-HI was superior to the other methods in both light adaptability and complex environment, the relative error compared with true image was less than 0.2 and higher than the current visual estimation accuracy. Leaf area index was estimated by four extraction algorithms in summer maize growth season in 2011 and 2012. Based on comparison of Rand RMSR among models, high fitting models were selected. The optimal model for LAI was based on AP-HI extraction algorithm, which had the highest R (0.89-0.96) and the lowest RMSR (0.47-0.75). Considering the accuracy and stability of the model, inversion model of AP-HI based on the method of application had more advantages.

Crops; Image processing; Coverage; Leaf area index; Model

10.3969/j.issn.1000-6362.2016.04.013

2015-12-24

中國氣象局沈陽大氣環(huán)境研究所開放基金課題；中國氣象局氣象探測中心青年科技課題（TCQN201617）

李翠娜(1981-)，女，工程師，碩士，主要從事農業(yè)氣象自動化研究。E-mail：licn1030@126.com