張宏鳴 王佳佳 韓文霆 李書琴 王紅艷 付振宇

(1.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100； 2.寧夏智慧農(nóng)業(yè)產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心， 銀川 750004；3.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 4.西部電子商務(wù)股份有限公司， 銀川 750004)

0 引言

作物冠層溫度是大氣-土壤-植被系統(tǒng)內(nèi)物質(zhì)和能量交換的結(jié)果。作物本身的遺傳特性和其生長(zhǎng)環(huán)境是影響作物冠層溫度變化的主要原因[1-2]。而作物冠層溫度通過影響葉片功能期、葉綠素含量、蒸騰、光合能力、蔗糖合成酶以及內(nèi)部的抗衰老機(jī)制等來影響作物產(chǎn)量。因此，可利用作物冠層溫度來監(jiān)測(cè)作物是否受到干旱、病蟲害等不利環(huán)境因素的影響，并判斷作物的基因型狀，進(jìn)行合理的灌溉、施肥以提高作物產(chǎn)量[3]。

隨著熱成像儀越來越多地用于獲取作物冠層溫度[4-5]，國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了深入探討和研究[6-8]。目前，熱成像儀以其精度較高、獲取速度快、反應(yīng)靈敏等特性成為作物溫度獲取的主流形式[9]。然而，冠層溫度的獲取多通過人工手持的方式，需要花費(fèi)大量的時(shí)間和人員，且局限于小范圍的應(yīng)用，難以實(shí)現(xiàn)大范圍內(nèi)快速監(jiān)測(cè)作物信息[10]。針對(duì)這一問題，許多研究應(yīng)用遙感衛(wèi)星獲取熱紅外遙感圖像。但獲取的圖像分辨率低，且遙感衛(wèi)星費(fèi)用昂貴，靈活性較差，不能應(yīng)用于小范圍田間尺度[11]。近幾年，無人機(jī)以其分辨率高、周期短、靈活性高等特點(diǎn)，廣泛應(yīng)用于遙感圖像獲取。隨著熱紅外圖像獲取量和維度的增加，且熱紅外圖像自身分辨率較低，精確快速地從熱紅外圖像中提取所需信息已成為當(dāng)前研究的熱點(diǎn)[12-14]。文獻(xiàn)[15-18]雖然能夠提取作物冠層區(qū)域，但精確度不高，導(dǎo)致提取的作物冠層溫度精度低，難以滿足精細(xì)研究的要求。

本文以拔節(jié)期的玉米為研究對(duì)象，利用無人機(jī)拍攝玉米熱紅外影像和正射影像，并將兩者進(jìn)行幾何配準(zhǔn)。采用改進(jìn)的Canny邊緣檢測(cè)算子、支持向量機(jī)(Support vector machine，SVM)、小波變換等算法在高分辨率的正射影像上提取玉米冠層區(qū)域，將提取結(jié)果生成掩膜，以此在熱紅外影像中提取玉米冠層溫度，并將其與地面實(shí)測(cè)值進(jìn)行誤差分析。

1 材料與方法

1.1 實(shí)驗(yàn)區(qū)概況

圖1 實(shí)驗(yàn)小區(qū)概況Fig.1 Overviews of experimental plot

研究區(qū)域位于內(nèi)蒙古自治區(qū)鄂爾多斯市達(dá)拉特旗昭君鎮(zhèn)(40°26′0.29″N，109°36′25.99″E，海拔1 010 m)。實(shí)驗(yàn)地種植作物為夏玉米，于2018年5月20日播種，行距58 cm，株距23～30 cm，采用中心軸式噴灌機(jī)進(jìn)行灌溉，實(shí)驗(yàn)小區(qū)布置如圖1所示。實(shí)驗(yàn)地劃分為5個(gè)扇形區(qū)域，每個(gè)扇形區(qū)域劃分有3個(gè)樣方(長(zhǎng)×寬為6 m×6 m)，在樣方一條對(duì)角線上均勻畫出3個(gè)數(shù)據(jù)采集區(qū)(長(zhǎng)×寬為2 m×2 m)，并用藍(lán)布標(biāo)記測(cè)量植株。

1.2 地面數(shù)據(jù)和遙感數(shù)據(jù)獲取

在玉米拔節(jié)期，分別于2018年6月26日和7月4日，天氣晴朗，當(dāng)?shù)貢r(shí)間12:00進(jìn)行地面數(shù)據(jù)的采集。利用Raytek ST60+型手持測(cè)溫儀(圖2a)(測(cè)溫范圍為-32～600℃，精度±1℃)，以圖2b測(cè)量方式采集玉米冠層溫度。為了避免非冠層物體的影響，面向南以與水平線15°夾角掃射冠層(掃射范圍為120°)。為了得到更具代表性的冠層溫度，選擇標(biāo)記植株前后左右各1 m(長(zhǎng)×寬為2 m×2 m)作為數(shù)據(jù)采集點(diǎn)，并以3次測(cè)量平均值作為玉米冠層溫度。

圖2 玉米冠層溫度測(cè)量示意圖Fig.2 Schematics of maize canopy temperature measurement

遙感數(shù)據(jù)的采集包括熱紅外影像和正射影像的拍攝。在6月26日和7月4日，于當(dāng)?shù)貢r(shí)間12:45進(jìn)行無人機(jī)數(shù)據(jù)采集。采用大疆S1000型六旋翼無人機(jī)(圖3a)，無人機(jī)凈質(zhì)量4.4 kg，有效載質(zhì)量6 kg，續(xù)航時(shí)間15 min左右。無人機(jī)搭載FLIR Vue Pro 640R型非制冷熱像儀(圖2b)(質(zhì)量90 g，640像素×512像素，測(cè)溫范圍-20～100℃)拍攝熱紅外影像。飛行高度為70 m，拍攝影像的重疊率為85%，地面空間分辨率為7.5 cm，同時(shí)采用大疆精靈四Pro無人機(jī)(圖2c)拍攝正射影像(約2 020萬有效像素，最大分辨率為5 472像素×3 648像素，質(zhì)量179 g)，飛行高度為50 m，拍攝的影像重疊率為90%，地面空間分辨率為1.25 cm。

圖3 無人機(jī)及相機(jī)Fig.3 UAV and camera

1.3 技術(shù)方法

提取玉米冠層溫度技術(shù)流程如圖4所示。正射影像和熱紅外影像獲?。徽溆跋窈蜔峒t外影像拼接、幾何校正和配準(zhǔn)；熱紅外影像的輻射定標(biāo)；正射影像中提取玉米冠層區(qū)域；熱紅外影像上提取玉米冠層溫度；精度驗(yàn)證。

圖4 技術(shù)流程Fig.4 Flow chart of proposed method

1.3.1無人機(jī)影像拼接與校正

無人機(jī)共拍攝熱紅外影像568幅，正射影像1 874幅，采用pix4d進(jìn)行拼接。采用CGCS2000_3_Degree_GK_ CM_111E，D_China_2000坐標(biāo)系，根據(jù)地面5個(gè)像控點(diǎn)對(duì)影像進(jìn)行幾何校正。

1.3.2熱紅外影像輻射定標(biāo)

由于存在系統(tǒng)誤差和偶然誤差，為評(píng)價(jià)熱紅外影像提取玉米冠層溫度的效果，需進(jìn)行飛行前、后的輻射定標(biāo)。利用手持測(cè)溫儀和熱成像儀分別測(cè)得近地面(1 m左右)15種地物溫度進(jìn)行飛行前輻射定標(biāo)，通過相關(guān)性分析，確定手持測(cè)溫儀與熱成像儀在不受距離影響下，所測(cè)溫度具有一致性；利用幾何校正和配準(zhǔn)后的熱紅外影像和手持測(cè)溫儀，測(cè)得地面放置的黑白輻射定標(biāo)布、每個(gè)扇形實(shí)驗(yàn)區(qū)熱傳感器周圍的玉米冠層、土壤和混合像元共17個(gè)溫度，通過相關(guān)性分析確定輻射定標(biāo)系數(shù)，得到熱紅外影像中提取的玉米冠層溫度與實(shí)測(cè)溫度的誤差范圍。

1.3.3作物冠層區(qū)域提取

正射影像中利用改進(jìn)的Canny邊緣檢測(cè)算子、SVM、小波變換3種算法提取玉米冠層區(qū)域。再將提取結(jié)果進(jìn)行二值化處理并生成矢量面文件，基于此矢量文件，生成玉米冠層區(qū)域掩膜并在熱紅外影像中提取玉米冠層溫度。

1.3.3.1改進(jìn)的Canny邊緣檢測(cè)算子

對(duì)傳統(tǒng)的Canny邊緣檢測(cè)算子[19]進(jìn)行如下改進(jìn)[20-22]：

采用帶有保留邊緣功能的平滑方法，通過設(shè)定閾值，讓與中心像素灰度差值小于該閾值的像素參與計(jì)算，而與中心像素灰度差值相差過大的像素被認(rèn)為帶有有效信息，而非噪聲，不參與平滑計(jì)算，從而保留有用的高頻信號(hào)，邊緣信號(hào)也在保留的范圍。

以均值模糊為例，設(shè)置模糊閾值30，保持傳統(tǒng)Canny檢測(cè)應(yīng)用的高斯模糊高閾值100，低閾值50。應(yīng)用高斯模糊時(shí)，較難識(shí)別弱邊緣 (圖5b，黃框)，反而識(shí)別出較多偽邊緣(圖5b，紅框)。應(yīng)用保留邊緣的選擇性模糊時(shí)，能較好地識(shí)別出邊緣(圖5c)。不同模糊領(lǐng)域的半徑對(duì)Canny檢測(cè)的結(jié)果影響不大，主要與選擇模糊設(shè)定的閾值相關(guān)(圖5c、5d、5e)。

利用選擇性中值模糊、表面模糊、均值模糊進(jìn)行對(duì)比，效果如圖6所示。選擇性表面模糊，因?yàn)橹行南袼氐臋?quán)重大，在參數(shù)相同的情況下(半徑為5，閾值為30)，保留的邊緣相對(duì)選擇性均值模糊和中值模糊較多(圖6b，黃框、紅框)。

圖5 選擇性均值模糊與高斯模糊效果對(duì)比Fig.5 Comparison of selective mean confusion and Gaussian blur effect

圖6 不同選擇性模糊效果對(duì)比Fig.6 Comparison of different selective blur effects

本文選用3×3的Sobel梯度算子。對(duì)于算法中梯度的計(jì)算，梯度算子可以有多種選擇。以選擇性表面模糊為例，保持模糊半徑5，閾值30，分別采用一階差分梯度、Robert交叉等2×2的算子和3×3的Sobel算子來檢測(cè)玉米邊緣，效果對(duì)比如圖7所示。由于一階差分梯度算子和Robert算子都是2×2的算子，它們計(jì)算的梯度在幅度上都小于Sobel算子，因此參照Sobel算子的幅度，2×2算子的x、y方向梯度都乘以相應(yīng)的倍數(shù)(4倍)來進(jìn)行比較。一階差分在邊緣的連通性上最差，Robert算子好一些，Sobel算子效果最優(yōu)，能夠較好識(shí)別出弱邊緣和孤立邊緣信息。

圖7 不同梯度算子效果對(duì)比Fig.7 Comparison of different gradient operators

本文以選擇性表面模糊為例，保持模糊半徑5不變，使用不同的閾值，識(shí)別效果如圖8所示。閾值越大，參與模糊計(jì)算的領(lǐng)域像素越多，弱邊緣和孤立邊緣越不易識(shí)別，導(dǎo)致保留的邊緣信息減少，作物的真實(shí)邊緣信息較難識(shí)別出。

圖8 不同閾值門限效果對(duì)比Fig.8 Comparison of different threshold value effects

圖9 改進(jìn)的Canny邊緣檢測(cè)算子與傳統(tǒng)邊緣檢測(cè)算子效果對(duì)比Fig.9 Comparison of improved Canny edge detection and traditional edge detection

通過上述實(shí)驗(yàn)，選用可選擇性表面模糊代替高斯模糊，設(shè)置其閾值為30，選用3×3的Sobel算子作為梯度算子。改進(jìn)的Canny邊緣檢測(cè)算子與傳統(tǒng)的Canny算子效果對(duì)比如圖9所示。由圖9可知，傳統(tǒng)的邊緣檢測(cè)算子識(shí)別的邊緣連通性差，難以識(shí)別弱邊緣和孤立邊緣，導(dǎo)致漏掉許多真邊緣(圖9，籃框、紅框)；傳統(tǒng)的邊緣檢測(cè)算子會(huì)識(shí)別出一些偽邊緣(圖9，黃框)。而經(jīng)過改進(jìn)的Canny邊緣檢測(cè)算子能夠更好地聯(lián)通邊緣信息，對(duì)于孤立邊緣和弱邊緣具有較好的辨識(shí)效果，能夠更準(zhǔn)確地識(shí)別作物的邊緣信息。

1.3.3.2SVM圖像分割

SVM是二分類模型，是特征空間上最大的線性分類器，學(xué)習(xí)策略是間隔最大化，最終可轉(zhuǎn)換為對(duì)一個(gè)凸二次規(guī)劃問題的解決[23-26]。本實(shí)驗(yàn)讀取經(jīng)過校正、配準(zhǔn)后的正射影像，利用Surf算法提取土壤和玉米的顏色、波段反射率以及紋理等特征，基于Sigmoid核函數(shù)，采用遺傳算法(Genetic algorithms，GA)尋找最優(yōu)參數(shù)(懲罰系數(shù)c與核函數(shù)半徑g)，提取玉米冠層區(qū)域，流程如圖10所示。

圖10 SVM分割流程Fig.10 Flow chart of SVM split

1.3.3.3小波變換圖像分割

基于小波變換的閾值圖像分割方法的基本思想是首先由二進(jìn)小波變換將圖像的直方圖分解為不同層次的小波系數(shù)，然后依據(jù)給定的分割準(zhǔn)則和小波系數(shù)選擇閾值門限，最后利用閾值標(biāo)出圖像分割的區(qū)域[27-28]。本文采用Haar小波，Haar函數(shù)是正交小波函數(shù)，是支撐域在范圍內(nèi)的單個(gè)矩形波[29-31]。

1.3.4結(jié)果驗(yàn)證

(1)冠層區(qū)域提取結(jié)果分析及精度評(píng)價(jià)：以7月4日樣方1-3-3影像為例，用提取得到的矢量面對(duì)3種算法提取效果進(jìn)行對(duì)比分析。用精確度(S)對(duì)3種算法的準(zhǔn)確性進(jìn)行評(píng)價(jià)，越大表示提取算法精確度越高。在WIEDEMANN等[32]提出的方法基礎(chǔ)上改進(jìn)得到評(píng)估方法，計(jì)算公式如下

(1)

式中S——提取算法的精確度

Tp——預(yù)測(cè)為玉米的玉米樣本

Fp——預(yù)測(cè)為玉米的非玉米樣本

(2)冠層溫度提取及輻射校正精度評(píng)價(jià)：采用均方根誤差(Root mean square error, RMSE)進(jìn)行輻射校正以及提取的冠層溫度與實(shí)測(cè)溫度的誤差評(píng)價(jià)。

2 結(jié)果與分析

2.1 熱紅外影像輻射校正分析

飛行前的輻射定標(biāo)結(jié)果如圖11a所示，手持測(cè)溫儀與熱紅外成像儀在近地面(1 m左右)所測(cè)得物體的溫度具有很高的一致性(R2=0.986 4)，在不受距離影響下，可以用手持測(cè)溫儀對(duì)熱紅外成像儀測(cè)得的溫度進(jìn)行校正，提高提取冠層溫度的準(zhǔn)確性。

飛行后的輻射定標(biāo)結(jié)果如圖11b所示。圖像的擬合曲線斜率大于1，熱紅外成像儀測(cè)取的溫度低于手持測(cè)溫儀測(cè)得的溫度。在近距離情況下，兩者測(cè)得的溫度具有十分高的一致性，但距離影響結(jié)果的精度，飛行高度越高，溫度衰減越明顯，導(dǎo)致熱紅外影像的溫度準(zhǔn)確性越低。

圖11 輻射定標(biāo)Fig.11 Radiation calibration

2.2 冠層區(qū)域提取結(jié)果分析及評(píng)價(jià)

(1)提取矢量面結(jié)果對(duì)比分析：玉米枝葉交叉出現(xiàn)陰影部分，地面也存在雜草(圖12a)。SVM和小波變換將部分雜草劃分為玉米區(qū)域(圖12，紅框)，且將部分陰影也劃分為玉米區(qū)域(圖12，黃框)；SVM和小波變換不易識(shí)別出弱邊緣和孤立邊緣玉米區(qū)域(圖12，藍(lán)框、紫框)。而改進(jìn)的Canny邊緣檢測(cè)算子能夠較好地分割出雜草、陰影等非玉米區(qū)域，且對(duì)邊緣玉米區(qū)域能夠較好地識(shí)別(圖12b)。改進(jìn)的Canny邊緣檢測(cè)算子提取結(jié)果如圖13所示。

(2)提取算法精度評(píng)價(jià)：對(duì)90幅正射影像直方圖進(jìn)行分析，選擇合適的閾值區(qū)分玉米和非玉米區(qū)域(陰影、土壤、雜草等)，通過提取算法精確度(S)對(duì)3種方法進(jìn)行對(duì)比。通過小波變換算法提取玉米區(qū)域的精確度最低，SVM算法次之，改進(jìn)的Canny

圖12 3種方法分割效果矢量面對(duì)比Fig.12 Comparison of segmentation effect vector face of three methods

圖13 改進(jìn)的Canny邊緣檢測(cè)算子提取冠層區(qū)域示意圖Fig.13 Schematic of improved Canny extraction canopy area

邊緣檢測(cè)算子效果最優(yōu)，平均精確度分別為68.2%、74.5%、87.3%。

2.3 冠層溫度提取結(jié)果分析與評(píng)價(jià)

為了驗(yàn)證從熱紅外影像中提取的玉米冠層溫度的精確度，將提取的90個(gè)樣本點(diǎn)的溫度剔除無效值后與實(shí)測(cè)玉米冠層溫度進(jìn)行誤差分析。剔除標(biāo)準(zhǔn)是提取溫度的誤差超過限差(2倍的標(biāo)準(zhǔn)差)。應(yīng)用改進(jìn)的Canny邊緣檢測(cè)算子時(shí)，剔除10個(gè)無效值；應(yīng)用SVM算法時(shí)，剔除15個(gè)無效值；應(yīng)用小波變換時(shí)，剔除19個(gè)無效值。結(jié)果如圖14所示。

從圖14可以看到，基于改進(jìn)的Canny邊緣檢測(cè)算子提取的玉米冠層溫度與地面實(shí)測(cè)的相關(guān)性最高(R2=0.929 5)，其次是SVM算法(R2=0.895 7)，效果最差的為小波變換(R2=0.876 0)。改進(jìn)的Canny邊緣檢測(cè)算子能夠較好地提取出玉米冠層區(qū)域，并獲得更加精確的玉米冠層溫度。

3 討論

影像中提取的玉米冠層溫度與地面實(shí)測(cè)值存在誤差，產(chǎn)生這些誤差的原因主要有：

圖14 熱紅外提取溫度與對(duì)應(yīng)地面實(shí)測(cè)溫度一致性分析Fig.14 Analysis of consistency between hot infrared extraction temperature and corresponding ground measured temperature

(1)天氣影響。由于熱紅外影像與正射影像獲取時(shí)間不一致，天氣(風(fēng)、陽光等)會(huì)導(dǎo)致玉米性狀發(fā)生改變。所以正射影像與熱紅外影像中的部分玉米冠層區(qū)域的形狀有偏差，導(dǎo)致生成的掩膜不能精確地覆蓋于熱紅外影像上。因此，需選擇在晴朗無風(fēng)的天氣來拍攝遙感影像，并且盡可能縮短兩個(gè)影像獲取的時(shí)間間隔。

(2)高度影響。熱紅外自身的分辨率較低，而飛行高度越高，拍攝的熱紅外影像分辨率越低，影像越模糊，越難從混合像元中提取玉米冠層溫度。因此在利用無人機(jī)拍攝熱紅外影像時(shí)，盡可能根據(jù)續(xù)航時(shí)間降低飛行高度。

(3)儀器自身誤差。由于儀器存在系統(tǒng)誤差。因此，在飛行前需對(duì)儀器進(jìn)行檢查、校正和預(yù)熱，進(jìn)行飛行前后的輻射定標(biāo)，盡可能減少系統(tǒng)誤差的影響。

4 結(jié)束語

利用經(jīng)過幾何校正、配準(zhǔn)后的正射影像和熱紅外影像，基于改進(jìn)的Canny邊緣檢測(cè)算子、SVM、小波變換等方法在正射影像中提取玉米冠層區(qū)域，得到矢量文件并生成掩膜，以此在熱紅外影像中提取玉米冠層溫度。結(jié)果表明，改進(jìn)的Canny邊緣檢測(cè)算子能夠更加精確地提取玉米冠層區(qū)域，得到更準(zhǔn)確的玉米冠層溫度，解決了熱紅外圖像分辨率低難以獲取目標(biāo)像元的問題。