吳趙麗, 梁 棟, 趙晉陵, 黃林生

(1.安徽大學(xué) 電子與信息工程學(xué)院,安徽 合肥 230601;2.中國科學(xué)院 南京地理與湖泊研究所, 江蘇 南京 210008)

0 引 言

植被蓋度獲取有地表實(shí)測和遙感測量[1]兩種。地表實(shí)測迅速、準(zhǔn)確、客觀,對低植被覆蓋區(qū)，地表測量可以避免土壤反射率對植被生態(tài)屬性的遙感定量化研究的影響，但容易受到時間和區(qū)域條件限制，耗時久、支出大。遙感測量，獲取數(shù)據(jù)波段寬、數(shù)量少，很難滿足高精度植被蓋度信息提取的要求，且由于呼倫貝爾草原含有大量的沙地，而植被指數(shù)通常對土壤光譜比較敏感，存在獲得地物光譜信息過多情況。近幾年運(yùn)用高光譜比較多，高光譜遙感數(shù)據(jù)具有很多窄波段，可以提供連續(xù)光譜曲線和準(zhǔn)確地提取地物信息，但仍有一定的局限性，比如易受大氣影響，波段之間相關(guān)性高。

本文采用的數(shù)據(jù)為無人機(jī)(unmanned aerial vehicle，UAV)獲取的影像[2]，對影像可進(jìn)行圖像分割處理，分割出芨芨草目標(biāo)物和非芨芨草其他物。根據(jù)UAV影像灰度直方圖，采用最大類間方差算法得到閾值，再由閾值分割處理得到二值化圖像，為了有效去除和抑制噪聲，采用了中值濾波和形態(tài)學(xué)相結(jié)合的邊緣檢測方法[3]，對二值化圖像進(jìn)行邊緣檢測同時，可以保護(hù)好邊緣細(xì)節(jié)，提高圖像分割的精確度，提高芨芨草蓋度估算準(zhǔn)確度。

1 數(shù)據(jù)獲取

利用大疆Phantom4 UAV，采集樣本數(shù)據(jù)其攜帶著高精度數(shù)碼相機(jī)，獲取高分辨率影像無需沖洗、印相，可導(dǎo)入計算機(jī)中直接查看影像，大幅提高了工作效率。2016年7月份，在貝爾湖和呼倫湖附近采集樣本數(shù)據(jù)，共有200塊樣方地。UAV航拍一塊樣方區(qū)域，面積為10 m×10 m[4]，一次可獲得幾十張影像，選擇其中一張垂直俯拍角度、亮度適宜的影像，作為圖像分割的樣本圖像，估算10 m×10 m區(qū)域內(nèi)芨芨草蓋度。

2 芨芨草圖像提取方法

根據(jù)閾值分割[5]原理設(shè)原始圖像為f(x，y)，以一定準(zhǔn)則在f(x，y)中找到一個灰度值T作為閾值，將圖像分為2個部分。即將大于等于該閾值像素點(diǎn)的值設(shè)置成1(圖像目標(biāo))，小于該閾值像素點(diǎn)的值設(shè)置為0(圖像背景)。閾值運(yùn)算后的圖像為二值圖像g(x，y),如下表示

2.1 最大類間方差的閾值分割

根據(jù)芨芨草的樣本影像構(gòu)建灰度直方圖，由于灰度化后的灰度直方圖大部分是單峰，采用最大類間方差(Otsu)算法，來得到最佳閾值進(jìn)行圖像分割[6,7]。芨芨草和非芨芨草之間的類間方差越大，說明兩部特征差別越大，越有利于圖像的分割處理。

對于圖像f(x，y)，假設(shè)圖像的大小為M×N，圖像中像素的灰度值小于閾值T的像素個數(shù)為N0，像素灰度值大于閾值T的像素個數(shù)記作N1，芨芨草和非芨芨草的分割閾值記為T，屬于芨芨草的像素點(diǎn)數(shù)占整張圖像的比例記為w0，有

采用遍歷法得到類間方差最大閾值，即為最佳閾值。

Otsu算法步驟如下：

在冠狀動脈管腔之中,只要血管被損害,且血小板產(chǎn)生了匯集,就會產(chǎn)生血栓,引發(fā)管腔內(nèi)徑持續(xù)減小,最后,引發(fā)重型甚至堵塞,加上各類有關(guān)的缺血型臨床病癥,即急性冠脈綜合征(ACS)。ACS患病尤為急迫,且大多會重復(fù)發(fā)作,還會伴隨其余并發(fā)癥,對于患者的預(yù)后帶來了尤為不利的影響[1]。文章調(diào)研了CTn T檢驗(yàn)運(yùn)用到不穩(wěn)定型心絞痛患者中,對其預(yù)后的評價,并總結(jié)結(jié)果如下:

δ2=PC0(wC0-W0)2+PC1(wC1-W0)2

令T∈[0～(L-1)]，計算T不同取值時的類間方差，當(dāng)取最大值時，即為T所對應(yīng)的最佳閾值。

一張UAV影像，包含有芨芨草、細(xì)繩、土地等其他物，感興趣區(qū)域是芨芨草，利用Otsu算法對UAV影像中的芨芨草進(jìn)行分割可以將灰度差別較大的非芨芨草類分割開，具體過程為：

輸入：芨芨草樣本數(shù)據(jù)

輸出：二值化結(jié)果

1)根據(jù)樣本圖像，計算出芨芨草區(qū)域所有的像素分布概率pi；

3)計算T取不同值時所對應(yīng)的方差δ(T)；

4)求出δ(T)最大值時所對應(yīng)的最佳閾值T*；

5)用T*對芨芨草區(qū)域進(jìn)行分割，得到芨芨草輪廓。

使用的數(shù)據(jù)為A,B,C共3張無人機(jī)影像，經(jīng)過灰度化得到灰度直方圖再經(jīng)過最大類間方差算法處理，如圖1所示，得到閾值，對圖像進(jìn)行二值化處理，二值化可以對多個實(shí)體和一個對比較強(qiáng)的背景圖像所組成的場景圖像特別有效，二值化方法一般速度較快，且使每個分割出的物體均具有閉合和連通的邊界。特別是目標(biāo)物和背景的灰度值的差具有一定大小時，效果更明顯。圖1(a)分割閾值T*=0.451 0,芨芨草蓋度w0=33.57 %,最大類間方法對應(yīng)閾值T*=0.451 0;圖1(b)中分割的閾值T*=0.478 4,芨芨草蓋度w0=26.83 %,最大類間方差對應(yīng)閾值T*=0.478 4;圖1(c)中分割的閾值T*=0.443 1,芨芨草蓋度w0=30.86 %,最大類間方差對應(yīng)閾值T*=0.443。

圖1 最大類間方差對芨芨草圖像二值化處理

2.2 中值濾波和數(shù)字形態(tài)學(xué)結(jié)合的邊緣提取

中值濾波濾除噪聲的同時可以較好地保護(hù)信號的細(xì)節(jié)信息[8]。根據(jù)二值化后圖像的特點(diǎn)、噪聲的統(tǒng)計特征和頻譜分布規(guī)律，采用的濾波窗口為3×3，其算法為:

1)確定一個模板，將模板中心與圖像中的某個像素位置重合；

2)讀取模板下對應(yīng)的像素灰度值，設(shè)像素ai-1，j-1，ai-1，j，ai-1，j+1，ai，j-1，ai，j，ai，j+1，ai+1，j-1，ai+1，j，ai+1，j+1，將9個灰度值按值的大小順序排列；

3)找出排在中間一個值設(shè)為bi，j，bi，j=Mid(ai，j)，將bi，j賦給對應(yīng)模板中心位置。

數(shù)學(xué)形態(tài)學(xué)[9]主要是以膨脹、腐蝕為基礎(chǔ)，基于微分運(yùn)算的邊緣提取，得到的圖像骨架比較連續(xù)，斷點(diǎn)較少，在有效抑制噪聲的同時能夠最大程度保留圖像細(xì)節(jié)信息。

記A為要處理的圖像，B為結(jié)構(gòu)元素，膨脹運(yùn)算為

A⊕B={a+b|a∈A,b∈B}=Ab

中值濾波可以有效地抑制噪聲，保護(hù)芨芨草目標(biāo)物的邊緣細(xì)節(jié)，數(shù)字形態(tài)學(xué)方法修正二值化圖像的邊界，通過腐蝕和膨脹等操作解決了芨芨草目標(biāo)區(qū)域與多余組織相連的問題，圖像經(jīng)過中值濾波后，去除噪聲，由圖2可以看出，圖像邊緣保護(hù)較好，圖像輪廓比較清晰，考慮到芨芨草主要表現(xiàn)是細(xì)長狀，曲率變化比較大，所以選擇尺寸比較小的3×3正方形結(jié)構(gòu)元素進(jìn)行結(jié)構(gòu)原色膨脹[10]，可使得斷開的芨芨草得到連接，不會導(dǎo)致芨芨草的真實(shí)信息丟失。

圖2 分割效果

3 結(jié)果與分析

由圖2可知，Caneye處理提取出的芨芨草摻雜著非芨芨草的成分相對比較多。為分析不同的方法對芨芨草蓋度估算的精確性，實(shí)驗(yàn)采用了15張UAV影像分別估算10 m×10 m區(qū)域芨芨草的蓋度，對估算結(jié)果進(jìn)行了統(tǒng)計，再以實(shí)測蓋度參考值為縱坐標(biāo)，算法處理蓋度、Caneye蓋度為橫坐標(biāo)，分別作散點(diǎn)圖并作線性回歸，如圖3所示。

由回歸斜率看，圖3(a)回歸線的斜率近乎等于1，圖3(b)回歸線的斜率略小于1，分別為1.041和0.881，2種方法均有著相對較高的估算精度，Caneye工具處理得到蓋度的估算精度稍差。從散點(diǎn)分布情況以及R2大小來看，兩圖中各散點(diǎn)較密集分布在回歸線兩側(cè)，R2大于0.9，表明測量值與參考值之間一致性較好，但很明顯，算法處理得到的芨芨草蓋度與實(shí)測蓋度更加接近。從回歸截距上看，兩者均近于為0，估算誤差較小。由此得出，圖像分割算法估算的芨芨草蓋度精確度高。

圖3 不同方法得出芨芨草蓋度與實(shí)測蓋度的相關(guān)性

4 結(jié) 論

1)實(shí)現(xiàn)了基于沙地等其他物背景下，對芨芨草圖像的完整分割。相較于傳統(tǒng)遙感蓋度檢測由于土地反射率對植被蓋度干涉，本文方法更具有實(shí)用性。

2)根據(jù)芨芨草和背景物的灰度特性，采用了最大類間方差法，有效地將圖像轉(zhuǎn)化為二值化，再結(jié)合中值濾波和數(shù)學(xué)形態(tài)學(xué)，可以全面地將非芨芨草和芨芨草圖像分開，具有計算簡單、與光照強(qiáng)度無關(guān)等優(yōu)點(diǎn)。

3)方法能很好地完成對芨芨草圖像的分割，得到的芨芨草蓋度誤差為2.7 %，從而驗(yàn)證了本文方法的有效性。

參考文獻(xiàn):

[1] 顧祝軍,曾志遠(yuǎn).遙感植被蓋度研究[J].水土保持研究,2005,12(2):18-21.

[2] 李德仁,李 明.無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J].武漢大學(xué)學(xué)報：信息科學(xué)版,2014,39(5):505-513.

[3] 張艷玲,何鑫馳,李 立.基于最大類間方差與形態(tài)學(xué)的淋巴結(jié)圖像分割[J].計算機(jī)科學(xué),2013,40(8):296-299.

[4] Chen J,Yi S,Qin Y,et al.Improving estimates of fractional vegetation cover based on UAV in alpine grassland on the Qinghai-Tibetan Plateau[J].International Journal of Remote Sensing,2016,37(8):1922-1936.

[5] 謝鵬鶴.圖像閾值分割算法研究[D].長沙：湘潭大學(xué),2012.

[6] Otsu N.A threshold selection method from gray-Level histogram[J].IEEE Transactions on Systems Man & Cybernetics,2001,9(1):62-66.

[7] Huang D Y.Optimal multi-level thresholding using a two-stage ostu optimization approach[J].Pattern Recognition Letters,2009,30:275-284.

[8] 王香菊.基于中值濾波和小波變換的圖像去噪方法研究[D].西安：西安科技大學(xué),2008.

[9] 夏劍峰.基于數(shù)學(xué)形態(tài)學(xué)的癌細(xì)胞的分割與識別[J].電子科技,2016,29(10):36-38.

[10] Simoncelli E P.Image denoising using a local Gaussian scale mixture model in the wavelet domain[J].Proceedings of SPIE—The International Society for Optical Engineering,2009,4119(11):1338-1351.