徐金勤， 邱新法， 丁 肖， 何永健， 王丹丹

(1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇 南京 210044； 2.南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044)

草地植被蓋度是指觀測區(qū)域內(nèi)草的垂直投影面積占總地表面積的百分比[1]，它是衡量草地生態(tài)系統(tǒng)及其生長狀況的重要生態(tài)學(xué)參數(shù)和量化指標(biāo)[2-3]。在草原的動態(tài)監(jiān)測和評價中，草地植被蓋度是進(jìn)行草場資源評價、土地荒漠化評估以及合理化放牧的重要參考。

目前，植被蓋度的估算方法可以概括為2類：遙感估算法和地表實測法[4]。遙感估算法大多應(yīng)用于大尺度植被蓋度的提取和監(jiān)測，常用的方法包括經(jīng)驗?zāi)Ｐ头?、植被指?shù)法和亞像元分解法，估算精度相對較低[5]。地表實測方法主要包括點測法、目估法、數(shù)碼照相法、方格法、儀器測量法等，其中，數(shù)碼照相法由于其經(jīng)濟(jì)高效、準(zhǔn)確度高，被國內(nèi)外眾多學(xué)者應(yīng)用于植被蓋度的提取研究[6]。Guijarro等[7]基于數(shù)碼照片和紋理特征，借助于計算機(jī)技術(shù)識別田間雜草。池宏康等[8]利用Photoshop軟件對圖像進(jìn)行處理，分別統(tǒng)計圖像中的植被像元數(shù)量和樣地像元數(shù)量來計算草地植被蓋度。張清平等[9]利用WinCAM顏色分析軟件，通過實驗制定統(tǒng)一的顏色標(biāo)準(zhǔn)，利用顏色比對來提取綠色植被并計算植被蓋度。

利用現(xiàn)有的蓋度計算方法，如監(jiān)督分類、RGB閾值和分類決策樹等方法進(jìn)行室內(nèi)解譯時需要人工干預(yù)，存在自動化解算的困難。為此，本研究基于草地照片，設(shè)計一種自動閾值分割算法，對比分析EXG指數(shù)法、H分量法以及a*分量法對于快速提取植被蓋度的效果和適用性。本研究可以實現(xiàn)草地植被蓋度的快速自動解算，為當(dāng)前遙感監(jiān)測業(yè)務(wù)提供很好的補(bǔ)充作用。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

烏拉特中旗(41°07′～41°28′N，107°16′～109°42′E)地處內(nèi)蒙古高原西部，屬于大陸性干旱氣候，四季分明，年平均氣溫5.8 ℃，年均降水量僅198.6 mm，蒸發(fā)量2 347.8 mm。烏拉特中旗草場資源豐富，由于其地處半荒漠地帶，天然草場以荒漠化草原為主體，植被稀疏、低矮。主要植被種類有松葉豬毛藜、泠蒿、芨芨草、石針茅、紅砂、叢生小禾草等，顏色為偏黃綠色。

1.2 數(shù)據(jù)采集

2015年9月中下旬，利用多款智能手機(jī)(華為、三星等)沿S311(石哈河—巴音查干—海流圖)和S212(海流圖北—烏拉特中旗)公路進(jìn)行拍照取樣，拍照時保持手機(jī)平面與地面平行，于1米高度處進(jìn)行拍攝，以減少照片周圍幾何變形的誤差。隨機(jī)選取30張采樣照片(圖1)在PhotoShop中用1 000×1 000的像素窗口統(tǒng)一進(jìn)行裁切，選擇裁切后的圖像進(jìn)行后續(xù)處理。

圖1 烏拉特中旗草地采樣照片合成圖Fig.1 Synthetic map of sampling photos in Wulatezhongqi grassland

1.3 研究方法

1.3.1 顏色特征的選取與優(yōu)化 數(shù)碼相機(jī)或智能手機(jī)拍攝的照片，是基于RGB顏色空間進(jìn)行采集和保存的，因此關(guān)于植被蓋度提取方法的研究中大多數(shù)是基于RGB顏色空間。在所有基于RGB顏色空間的植被指數(shù)中，EXG是最為常用的植被指數(shù)[10]，該指數(shù)計算公式如下：

EXG=2g-r-b

(1)

其中，

r=R/(R+G+B)；g=G/(R+G+B)；b=B/(R+G+B)

式中，R、G、B分別表示紅、綠、藍(lán)三基色，r、g、b表示歸一化處理之后的R、G、B。

除了RGB顏色空間外，HIS顏色空間和L*a*b*顏色空間也較為常用。其中，HIS顏色空間是利用色度(Hue)、飽和度(Saturation)和亮度(Intensity)3個參數(shù)來描述顏色，模擬人類視覺系統(tǒng)對色彩的感知方式，其H分量與圖像彩色信息密切相關(guān)，因此該顏色空間中的H分量常被用來識別和研究彩色圖像中的目標(biāo)物[11]。L*a*b*顏色空間中，a*分量用來表示由深綠色到粉紅色的顏色變化。因此在彩色圖像中，像素的a*分量值越低，對應(yīng)綠色等級則越高。野外拍攝時易受光照影響，故而拍攝的圖像具有較高的對比度。RGB顏色空間中3個分量之間具有較強(qiáng)的相關(guān)性，亮度的變化會影響R、G、B的取值，而L*a*b*顏色空間3個分量的獨立性較高，能夠有效改善RGB顏色空間的缺點[12-13]。

為提高計算機(jī)的計算效率，應(yīng)盡量減少浮點型數(shù)據(jù)的運(yùn)算。因此，需要對3種空間的顏色特征進(jìn)行優(yōu)化處理，即將原始結(jié)果拉伸到0～255的灰度空間，具體計算公式如下：

(2)

式中，f(x,y)表示某一點的像素值，A(x,y)min、A(x,y)max分別表示整個圖像空間像素元的最小值和最大值。由于H、a*分量會存在奇異值，若直接按照上述公式進(jìn)行拉伸，將會導(dǎo)致圖像的灰度值過度集中在某個區(qū)間范圍內(nèi)。通過多次試驗，確認(rèn)當(dāng)取直方圖累計頻率為1%、99%時，其進(jìn)行拉伸的效果最好。

1.3.2 自動閾值分割方法 本研究利用最大類間方差法[14]作為閾值分割方法，其基本思想是：被分割的兩部分的類間方差越大，錯分率則越小。基于此方法的自動閾值設(shè)定具體如下：

設(shè)圖像有L個灰度級，灰度值為i的像素數(shù)表示為ni，則總像素數(shù)N為：

(4)

(5)

選擇灰度t將圖像分割成2個區(qū)域，分別為背景類A(灰度級為1～t)，目標(biāo)類B(灰度級為t+1～L-1)。A、B出現(xiàn)的概率分別為：

(6)

A、B 2類的灰度均值分別為：

(7)

圖像總的灰度均值為:

(8)

由此可以得到A、B兩區(qū)域的類間方差：

(9)

從1到L-1依次改變t，計算類間方差σ2，其中，使得σ2值最大的t*即為最佳閾值。

(10)

1.3.3 圖像分割后處理 為獲取更為準(zhǔn)確的蓋度提取結(jié)果，需要對圖像進(jìn)行后續(xù)處理。數(shù)學(xué)形態(tài)學(xué)[15]是研究數(shù)學(xué)形態(tài)特征和快速并行處理方法的形態(tài)學(xué)理論，其基本運(yùn)算包括開運(yùn)算、閉運(yùn)算、膨脹和腐蝕。

由圖2可見，開運(yùn)算濾除了圖像中的椒鹽狀噪聲；閉運(yùn)算則通過連接臨近物體，填補(bǔ)圖像中狹隘空隙和小空洞，使物體邊緣更平整。腐蝕與開運(yùn)算均能夠有效去除土壤中的隨機(jī)噪聲點，但當(dāng)植被葉片呈細(xì)針狀時，腐蝕也會去除大量的植被葉片，而開運(yùn)算先腐蝕再膨脹，能夠一定程度上還原腐蝕掉的葉片，效果最佳，因此最終選用3×3窗口的開運(yùn)算進(jìn)行圖像分割后的處理。

圖2 形態(tài)學(xué)處理圖Fig.2 The figures of morphological processing

1.3.4 草地植被蓋度的計算 植被蓋度的計算公式如下：

(11)

式中，N′和N分別表示植被像元數(shù)量和總像元數(shù)量。

此外，為了對比分析陰影對蓋度提取的影響，需要進(jìn)行去除陰影操作。具體方法如下：

首先將每一張照片基于RGB三通道轉(zhuǎn)化為亮度的灰度值圖像，計算公式為：

亮度=0.299×R+0.587×G+0.114×B

(12)

其次，設(shè)置特定閾值x，將圖像中灰度值小于x的像元判別為陰影，反之，大于x的像元則判別為非陰影。參考文獻(xiàn)[16]、[17]，并結(jié)合本研究區(qū)的實際情況，將閾值x設(shè)置為45。

1.3.5 精度評價方法 由于草地植被蓋度的“真實值”難以獲取，因此在進(jìn)行精度評價時往往從圖形統(tǒng)計的角度出發(fā)獲取“真實值”，常用、可靠的方法包括人工勾勒法[8](如Photoshop勾勒、手動勾勒)、針刺法[18]以及樣方圖形法[19]等。由于本研究區(qū)域草地植被顏色多為黃綠色，葉片多以長條形為主，因此人工勾勒方法不能完全滿足研究需求。

為此本研究設(shè)計了一種精度評價方法，即通過模擬傳統(tǒng)的針測法來獲取植被蓋度的參考值。其基本思想是在一幅圖像中隨機(jī)投放一批點(使用ArcGIS中的Create Random Points工具)，則落在植被區(qū)域內(nèi)點的個數(shù)占總點數(shù)的百分比即為蓋度參考值。為了獲取更為準(zhǔn)確的參考值，每次設(shè)置的隨機(jī)點個數(shù)為500，并且每幅圖像進(jìn)行3次測定后取其平均值作為最終的參考值。為檢驗此種植被蓋度“真實值”獲取方法(投點法)的可靠性，選取綠色特征顯著、適用于Photoshop勾勒方法的一些樣片進(jìn)行試驗，發(fā)現(xiàn)投點法與Photoshop勾勒法的提取結(jié)果相當(dāng)，因此可以將投點法獲取的蓋度值作為本研究的準(zhǔn)確參考值。

2 結(jié)果與分析

2.1 草地蓋度估算結(jié)果對比分析

由表1可見，EXG指數(shù)法的提取效果最好，其絕對偏差均值和均方根誤差值最小，分別為3.4%和4.2%，平均精度高達(dá)90.6%；a*分量法次之，其絕對偏差均值為4.5%，均方根誤差為6.0%，平均精度為83.9%；H分量法的提取效果最差，其絕對偏差均值為6.8%，均方根誤差較大，為9.1%，平均精度為79.7%。

表1草地蓋度的估算誤差表

Table1Estimationerrorofgrasslandvegetationcoverage

方法絕對偏差(%)均方根誤差(%)平均精確度(%)EXG指數(shù)法3．44．290．6a?分量法4．56．083．9H分量法6．89．179．7

為了進(jìn)一步比較這3種蓋度估算方法，以隨機(jī)點法獲得的植被蓋度參考值為橫坐標(biāo)，以EXG指數(shù)法、a*分量法和H分量法所獲取的蓋度為縱坐標(biāo)，分別作散點圖(圖3)。

由散點分布和決定系數(shù)R2來看，EXG指數(shù)法的散點較為密集地分布在回歸線附近，R2值為0.95，表明EXG指數(shù)法提取的結(jié)果與參考值具有較好的一致性。a*分量法和H分量法這2種方法的散點分布較為離散，R2值相對較低，為0.85，表明這2種方法計算的蓋度值與參考值存在較大差別。

由回歸線的斜率可見，EXG指數(shù)法和a*分量法的回歸斜率均小于1，表明這2種方法存在低估現(xiàn)象，這主要是由于利用投點法人工目視估算植被蓋度時，可以將照片中的非綠色植被以及部分陰影中的植被區(qū)域識別出來，而EXG指數(shù)法和a*分量法僅能識別出圖像中植被的綠色或黃綠色部位，對于非綠色植被的莖和枝條等未能識別出來。此外，H分量法的回歸斜率大于1，表明該方法存在整體高估現(xiàn)象，這可能是由于H分量法對于圖像中的陰影敏感所致。

圖3 烏拉特中旗草地植被蓋度計算值與參考值的相關(guān)關(guān)系Fig.3 The correlation between the calculated values and reference values of grassland vegetation coverage in Wulatezhongqi grassland

2.2 陰影對估算精度的影響分析

為探究陰影區(qū)域?qū)τ诓煌椒ǖ挠绊懀瑢x取的30幅圖像，參照公式(12)作去除陰影處理，進(jìn)而比對分析去除陰影前后的草地植被蓋度提取效果(表2)。

表2陰影影響誤差表

Table2Estimationerroroftheshadoweffect

方法未去陰影絕對偏差(%)均方根誤差(%)去除陰影絕對偏差(%)均方根誤差(%)EXG指數(shù)法3．44．24．45．3a?分量法4．56．04．96．1H分量法6．89．14．25．3

由表2可見，去除陰影之后，EXG指數(shù)法的絕對偏差由3.4%增加到4.4%，均方根誤差也呈現(xiàn)增大趨勢，由原來的4.2%增大至5.3%；H分量法的絕對偏差由6.8%降低到4.2%，均方根誤差也隨之顯著降低，由原來的9.1%降低至5.3%；a*分量法，去除陰影前和去除陰影后的絕對偏差和均方根誤差均無明顯變化。

由圖4可見，去除陰影之后，EXG指數(shù)法的決定系數(shù)R2由未去除陰影時的0.95降低到0.94，回歸線的斜率由0.90下降至0.88；對于H分量法，其決定系數(shù)R2由0.85增加至0.91，回歸線的斜率由1.08下降至1.01；對于a*分量法，其去除陰影前后的變化不大。

綜上可知，在去除陰影之后，EXG指數(shù)法的估算誤差增大，這主要是由于該方法對陰影區(qū)域中的植被葉片具有一定的識別能力，而在去除陰影的同時部分葉片也被一同去除，故而導(dǎo)致其計算結(jié)果被低估，因此在使用EXG指數(shù)法時不需要考慮去除圖像中的陰影影響。H分量法在去除陰影后，其計算精度會顯著提高，這是因為H分量對圖像中的陰影敏感，陰影區(qū)域的像元R、G、B值較為相近，當(dāng)從RGB彩色空間轉(zhuǎn)換至HIS空間時，H分量值的變異性較大，在提取綠色植被蓋度時也會將陰影區(qū)域一并讀入，因此最終會造成植被蓋度的高估現(xiàn)象。故而，在應(yīng)用H分量法時必須首先去除圖像中的陰影區(qū)域。

2.3 草地綠度對估算精度的影響分析

從原理上來講，植被像元的顏色越深則越容易被識別，提取精度也就越高。為探究草地綠度對于不同方法估算精度的影響，分別以綠色草地和黃綠色草地各為一組進(jìn)行比對分析(表3)。

由表3可見，EXG指數(shù)法對綠色草地的估算精度略高于黃綠色草地，其對綠色草地的估算精度平均為93.4%，而對黃綠色草地的估算精度平均為89.8%；H分量法對綠色草地的估算精度低于EXG指數(shù)法，平均為88.3%，其對黃綠色草地的估算精度相對最低，平均為78.6%；a*分量法對綠色草地的估算效果明顯優(yōu)于黃綠色草地，其中a*分量法對于黃綠色草地蓋度的估算精度平均為80.7%，均方根誤差為6.9%，而對綠色草地的估算精度平均卻高達(dá)91.7%，均方根誤差也降低至4.0%，僅次于EXG指數(shù)法，加之在去除陰影前后，a*分量法對草地蓋度的估算結(jié)果無明顯變化，因此可以判斷造成a*分量方法誤差相對較大的主要原因是草地綠度的影響。此外，無論是對綠色草地還是黃綠色草地，EXG指數(shù)法的估算精度均明顯大于其他2種方法，具有較好的適用性。

圖4 去除陰影后的草地蓋度計算值與參考值的相關(guān)關(guān)系Fig.4 The correlation between the calculated values and reference values of grassland vegetation coverage after removing the shadow

表3不同綠度草地的蓋度估算誤差

Table3Estimationerrorofgrasslandvegetationcoveragefordifferentgreendegrees

方法綠色草地估算精度(%)均方根誤差(%)黃綠色草地估算精度(%)均方根誤差(%)EXG指數(shù)法93．43．789．83．2a?分量法91．74．080．76．9H分量法88．36．578．68．6

3 討 論

本研究基于內(nèi)蒙古烏拉特中旗草地照片，設(shè)計出一種利用自動閾值分割算法快速計算植被蓋度的方法，并基于該方法對比分析了EXG指數(shù)法、H分量法以及a*分量法3種顏色特征方法快速提取草地植被蓋度的效果。在對隨機(jī)選取的30張采樣照片進(jìn)行蓋度計算時，EXG指數(shù)法的估算誤差最小，平均為3.4%，a*分量法次之，平均為4.5%，H分量法的估算誤差最大，平均為6.8%；而在去除陰影之后，EXG方法的平均估算誤差增大至4.4%，a*分量法的估算結(jié)果無明顯變化，H分量法的估算誤差顯著降低至4.2%。對于不同綠度的草地，3種方法對綠色草地的估算效果均明顯優(yōu)于黃綠色草地，其中EXG方法對綠色草地的平均估算精度高達(dá)93.4%，而對黃綠色草地的平均估算精度為89.8%；H分量法對綠色草地的平均估算精度為88.3%，而對黃綠色草地的平均估算精度為78.6%；a*分量法對黃綠色草地的蓋度估算平均精度為80.7%，而對綠色草地的估算精度高達(dá)91.7%，僅次于EXG指數(shù)法。

總體來看，EXG指數(shù)法能夠有效區(qū)分不同地物背景下的綠色或黃綠色植被，無論是對綠色草地還是黃綠色草地，其估算精度均明顯高于其他2種方法，適用性較好。a*分量法對于綠色草地的估算精度略低于EXG指數(shù)法，造成其估算誤差相對較大的原因主要是受草地綠度的影響。H分量法對陰影敏感，陰影是造成其估算誤差增大的主要原因，因此在應(yīng)用H分量法時必須首先去除圖像中的陰影區(qū)域。

本研究從圖像識別角度出發(fā)，利用自動化圖像閾值分割算法解決了傳統(tǒng)方法中人工設(shè)置分割閾值的問題。而在圖像識別研究中，可使用的特征除顏色外，還包括形狀、紋理等，當(dāng)植被顏色和背景差異不明顯時，僅使用顏色特征具有一定的局限性，因此，在未來的研究中可結(jié)合形狀和紋理特征進(jìn)行草地植被蓋度的自動化提取。

參考文獻(xiàn):

[1] 溫慶可，張增祥，劉 斌，等. 草地覆蓋度測算方法研究進(jìn)展[J]. 草業(yè)科學(xué)，2009，26(12)：30-36.

[2] 朱敬芳，邢白靈，居為民，等. 內(nèi)蒙古草原植被覆蓋度遙感估算[J]. 植物生態(tài)學(xué)報，2011，35(6)：615-622.

[3] 李 巖，尚士友，王曉娟，等．西烏珠穆沁典型草原植被蓋度空間異質(zhì)性研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45(22):283-288.

[4] 張云霞，李曉兵，陳云浩.草地植被覆蓋度的多尺度遙感與實地測量方法綜述[J].地球科學(xué)進(jìn)展，2003，18(1)：85-93.

[5] 張云霞，張云飛，李曉兵.地面測量與ASTER 影像綜合計算植被蓋度[J].生態(tài)學(xué)報，2007，27(3)：964-976.

[6] 陳祖剛，巴圖娜存，徐芝英，等.基于數(shù)碼相機(jī)的草地植被蓋度測量方法對比研究[J].草業(yè)學(xué)報，2014，23(6)：20-27.

[7] GUIJARRO M，PAJARES G，RIOMOROS I，et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers & Electronics in Agriculture，2011，75(1)：75-83.

[8] 池宏康，周廣勝，許振柱，等. 草地植被蓋度的近距離遙感測定[J]. 草業(yè)學(xué)報，2007，16(2)：105-110.

[9] 張清平，章山山，陳 露，等. 應(yīng)用WinCAM軟件判識分析草坪蓋度[J]. 草業(yè)科學(xué)，2010，27(7)：13-17.

[10] VOL N. Color indices for weed identification under various soil，residue，and lighting conditions[J]. Transactions of the Asae，1995，38(1)：259-269.

[11] 毛文華. 基于機(jī)器視覺的田間雜草識別技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2004.

[12] 任世龍，宜樹華，陳建軍，等.基于不同數(shù)碼相機(jī)和圖像處理方法的高寒草地植被覆蓋度估算的比較[J].草業(yè)科學(xué)，2014，31(6)：1007-1013.

[13] 談蓉蓉. 利用顏色和形狀特征的雜草識別方法研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2009.

[14] 付忠良. 圖像閾值選取方法——Otsu方法的推廣[J]. 計算機(jī)應(yīng)用，2000，20(5)：37-39.

[15] 陳 純. 計算機(jī)圖像處理技術(shù)與算法[M]. 北京：清華大學(xué)出版社，2003.

[16] LALIBERTE A S，RANGO A，HERRICK J E，et al. An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography [J]. Journal of Arid Environments，2007，69(1)：1-14.

[17] BAUER T，STRAUSS P. A rule-based image analysis approach for calculating residues and vegetation cover under field conditions[J]. Catena，2014，113(113)：363-369.

[18] 章超斌，李建龍，張 穎，等.基于RGB模式的一種草地蓋度定量快速測定方法研究[J].草業(yè)學(xué)報，2013，22(4)：220-226.

[19] 胡健波，張 璐，黃 偉，等. 基于數(shù)碼照片的草地植被覆蓋度快速提取方法[J]. 草業(yè)科學(xué)，2011，28(9)：1661-1665.