趙曉宇， 陳建軍,2*， 張凱琪， 覃巧婷， 尤號田,2， 韓小文,2

(1.桂林理工大學測繪地理信息學院， 桂林 541006； 2.桂林理工大學廣西空間信息與測繪重點實驗室， 桂林 541006)

植被是陸地生態(tài)系統(tǒng)重要的組成部分之一,在維護生態(tài)系統(tǒng)平衡、涵養(yǎng)水源和保持水土等方面具有重要作用[1]。植被覆蓋度(fractional vegetation cover，FVC)是描述地表植被分布的重要參數，通常定義為統(tǒng)計范圍內植被(包括葉、莖)垂直投影面積所占的百分比[2]，其變化關系到生物量、凈初級生產力、植被葉面積指數等生態(tài)指標和反射率、發(fā)射率、土壤濕度等地表參數，是植物群落覆蓋地表狀況的一個綜合量化指標，在分析植被分布影響因素、評價區(qū)域生態(tài)環(huán)境等方面意義非常重大[3]，是區(qū)域生態(tài)系統(tǒng)研究的重要指標之一[4-5]。

植被覆蓋度測量方法主要有地表實測法與遙感監(jiān)測法[6-7]。地表實測法主要包括目估法、采樣法和儀器法等，該方法在樣方尺度精度較高，但其受人力和物力等條件限制，采樣范圍有限，很難反映面上的時空變化特征，因此，在實際應用中具有很大的局限性[8-9]。衛(wèi)星遙感影像由于覆蓋范圍大，能較好地反映區(qū)域特征，經常被用于區(qū)域植被覆蓋度反演[10-11]。然而，受限于衛(wèi)星遙感影像的空間分辨率，當前衛(wèi)星遙感植被覆蓋度反演精度有限。隨著無人機遙感技術的不斷發(fā)展和普及，使得超高空間分辨率的遙感影像的獲取成為可能，并已被廣泛應用于生態(tài)環(huán)境領域[12-13]。

目前，無人機遙感影像已被應用于植被覆蓋度提取研究，其采用的方法主要有分類法、閾值分割法等。如Natesan[14]將無人機可見光影像與多光譜傳感器數據結合，采用監(jiān)督分類對植被與人工地物進行了分類；Tuhtan等[15]基于像素的監(jiān)督分類與非監(jiān)督分類，對無人機RGB(red,green,blue)影像覆蓋空間區(qū)域內的水體、裸地、植被進行了識別，但是都沒有對植被與非植被進行針對性的提取。而Yan等[16]以植被近地面的純像元作為判別標準，對無人機RGB影像進行色彩空間的轉換，再使用閾值分割提取植被覆蓋度；Yi[17]通過人機交互采用超綠植被指數閾值分割法對無人機可見光影像進行了植被覆蓋度的提取，該方法需要人工調整閾值，以確定最佳分割閾值。陳祖剛等[18]采用RGB閾值法、HSV(hue, saturation, value)判別法、RGB決策樹法對數碼相機拍攝的草地照片進行植被覆蓋度提取，并使用Java軟件開發(fā)了相應的Android軟件，但因土壤背景顏色不同，精度數據不同于以往研究。劉艷慧等[19]利用過綠植被指數基于最大熵-遺傳算法，估算草地植被覆蓋度，但需要將無人機影像數據進行一定的預處理。綜上，目前針對無人機影像植被覆蓋度提取的研究中，仍缺乏一種準確高效全程自動的提取方法。分類法與閾值分割法都需要人機交互完成，該過程不僅耗費時間，其結果也受主觀影響；同時，數據預處理也將耗費一定時間。針對該問題，提出一種全自動的高精度和高效率的被覆蓋度提取方法，為無人機遙感影像植被覆蓋度快速提取提供方法支撐。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于青海省果洛藏族自治州，地理坐標介于97°54′E～101°50′E，32°31′N～35°40′N，平均海拔4 200 m以上，屬于大陸性高原氣候。受氣候影響，該區(qū)域自然環(huán)境類型多樣，高寒植被分布廣泛，包括高寒草甸、高寒草原、高寒沼澤、高寒灌叢、高山稀疏植被、常綠針闊葉林等[20]，其中高寒草甸是源區(qū)最主要的植被覆蓋類型。

1.2 無人機影像數據獲取

于2018年7月下旬在黃河源區(qū)開展了野外數據采集工作，該時間段植被生長茂盛，能較好地反映當地生態(tài)環(huán)境現狀。野外數據采集主要是利用無人機航拍獲取高分辨率航拍影像，所使用的無人機型號為中國大疆公司生產的Phantom 3 Professional，該款無人機搭載了輕型數碼相機Sony EXMOR Sensor，其拍攝的影像包含3個波段(分別為紅、綠、藍3個波段)，有效像素為1 240萬。在影像獲取時，相機垂直向下，無人機飛行高度設為20 m。獲取的單張影像覆蓋地面范圍為35 m×26 m，地面空間分辨率約為1 cm，影像能非常清晰地分辨出植被和非植被。由于研究區(qū)的主要植被類型為草甸，因此，選取高寒草甸和沼澤草甸為研究對象，并分別選擇了5個植被覆蓋度梯度作為實驗樣地(表1)，進而使研究結果更具有普適性。

表1 兩種草甸類型五個植被覆蓋度梯度航拍影像Table 1 Aerial images of five vegetation coverage gradients of two meadow types

1.3 研究方法

1.3.1 真實植被覆蓋度獲取

運用基于JAVA編譯的斑塊分類軟件Pixel Based Manual Classifier V1(PBMC)[17]提取無人機航拍影像植被覆蓋度信息，以該軟件的提取結果作為該影像的真實植被覆蓋度。該軟件使用超綠指數EXG(EXG=2G-R-B，R、G、B分別代表3個波段的輻亮度值) 結合OpenCV圖像識別功能，通過人工選取閾值對植被斑塊與裸地斑塊進行提取，并計算植被斑塊所占像素數量與影像總像素數量之比得出植被覆蓋度。其所使用的植被指數能很好地增強植被信息，增強植被斑塊提取效果，已被廣泛應用于高分辨率影像的植被覆蓋度信息提取[21-22]，因此，該軟件所得結果有效可靠。

為進一步評估該方法的精度，邀請了10位實驗人員對同一張影像進行植被覆蓋度信息提取。經統(tǒng)計，10位人員進行植被覆蓋度提取所選取閾值的均值為125，波動范圍不超過±5，不同閾值對應的植被覆蓋度提取結果值為54.187±0.573。該結果表明，該軟件提取結果準確度高，閾值和植被覆蓋度波動小，可用作參考值。

1.3.2 最大類間方差法

傳統(tǒng)最大類間方差法[23]是由日本學者大津(Nobuyuki Otsu)于1979年提出的，是一種自適合于雙峰情況的自動求取閾值的方法，又叫大津法,簡稱Otsu。它是按圖像的灰度特性，將圖像分成背景和目標兩部分。當背景和目標之間差別越大時，錯分概率越小。

最大類間方差法簡單有效、適用范圍廣，但是它對噪聲與目標大小十分敏感，且當目標和背景灰度差不明顯時，會出現大片的黑色區(qū)域，甚至會丟失整幅圖像的信息，產生比較嚴重的分割錯誤。因此，在實際應用中常使用改進的最大類間方差法，該方法首先將圖像進行濾波處理，減小噪聲影響；再分別用最大類間方差法確定圖像的最佳閾值；然后采用邊緣檢測算子(sobel) 進行邊緣檢測，將差分算子與圖像進行卷積，確定圖像的邊緣位置，檢測邊緣特征；最后根據邊緣檢測的結果將灰度變化急劇的地方用局部閾值分割，其他部分采用最大類間方差法[24]。

相比基于機器學習、深度學習[25]的分割方法，最大類間方差方法在面對背景與目標兩者分割的情況下用時更短，可采用非監(jiān)督的方法在兩類間搜尋閾值并進行分割，而機器學習與深度學習對樣本選擇的要求較高，學習過程也需要花費大量時間，所以采用最大類間方差算法為基礎算法。

1.3.3 植被指數分割法

植被指數是對地表植被狀況的簡單、有效和經驗的度量，被廣泛地應用在全球與區(qū)域土地覆蓋、植被分類和環(huán)境變化等方面，基于植被指數閾值分割的植被覆蓋度提取是當前的主流方法[26]。由于當前無人機搭載的相機多為普通相機(只包含紅、綠、藍3個波段)，因此，選取4種常用的可見光植被指數(NGRDI、NGBDI、EXGR、EXG，見表2)作為植被覆蓋度提取的驅動數據，結合自適應的最大類間方差算法，利用MATLAB編程軟件，完成基于植被指數計算的判別。該過程可以計算圖像全部像素對應的植被指數，并且通過Otsu算法自動生成最佳閾值，根據閾值對圖像進行植被與非植被的分割。

表2 所使用的可見光植被指數Table 2 Common visible light vegetation index

1.3.4 基于HSV色彩空間的Otsu法

HSV色彩空間是根據顏色的直觀特性創(chuàng)建的一種顏色空間, 也稱六角錐體模型。該色彩模型中顏色的參數分別為色調(hue，H)、飽和度(saturation，S)、亮度(value,V)[30]。HSV因其具有比RGB色彩空間更強的直觀性，能更直接地表達色彩的明暗，色調，以及鮮艷程度，方便進行顏色之間的對比，所以在進行色彩的分割時，有更大的優(yōu)勢。HSV顏色模型中的3個分量獨立性高于RGB顏色模型中的3個分量。與常用的RGB空間的混合三原色原理不同，由于HSV空間有效地分離了色度、飽和度和亮度，更適合于對人類色彩感覺的描述[31]。因此，采用H分量對無人機影像中的植被進行提取，使用MATLAB編程軟件，將RGB影像轉換至HSV色彩空間，針對植被凸顯性較好的H分量，結合最大類間方差算法，在H分量內自動搜索最佳閾值并進行分割。

2 結果與分析

2.1 不同植被覆蓋度提取方法結果對比

根據高寒草甸同一蓋度類型不同方法的提取結果(表3)可知，低蓋度、中低蓋度、中蓋度的植被覆蓋度提取結果中，NGRDI+Otsu、EXGR+Otsu、NGBDI+Otsu的結果與參考值差距較大， EXG+Otsu與HSV+Otsu的結果與參考值差距較小。同時，在中蓋度時，HSV+Otsu結果優(yōu)于EXG+Otsu，更接近參考值。中高蓋度提取結果中，NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu數值相近，與參考值都存在一定的差距， HSV+Otsu與參考值差距最小。高蓋度提取結果中，NGBDI+Otsu、EXGR+Otsu、NGRDI+Otsu與參考值差距均較大， EXG+Otsu和HSV+Otsu結果相對接近，HSV+Otsu仍為最接近參考值的結果。高寒草甸的植被覆蓋度提取結果表明，EXG+Otsu與HSV+Otsu均能準確有效的提取植被覆蓋度，中低蓋度以下時，兩者差距較小，在中蓋度及以上時，HSV+Otsu方法可以更有效地提取準確的植被覆蓋度信息。

表3 高寒草甸植被覆蓋度提取結果Table 3 Extraction results of vegetation coverage of alpine meadow

沼澤草甸提取結果(表4)中， NGBDI+Otsu結果在全部5個蓋度等級的提取結果中，只有中低蓋度的提取結果與參考值差距相對較小，其他4個等級均與參考值不符，有較大差距。而EXG+Otsu結果在低蓋度時與參考值有差距，但在中低蓋度至高蓋度時，其提取結果相較于NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu有所提高。HSV+Otsu在低至高蓋度等級影像的提取結果中，與參考值最接近，在所有方法中精度最高。

表4 沼澤草甸植被覆蓋度提取結果Table 4 Extraction results of vegetation coverage of swamp meadow

2.2 不同植被覆蓋度提取方法精度評價

根據高寒草甸同一蓋度類型不同方法的提取結果(圖1)，低蓋度、中低蓋度、中蓋度的植被覆蓋度提取結果中，NGRDI+Otsu與EXGR+Otsu結果與參考值差距大于20%，EXG+Otsu、HSV+Otsu結果與參考值差距均不超過10%。同時，在中蓋度時，HSV+Otsu結果相比EXG+Otsu更接近參考值。中高蓋度提取結果中，NGRDI+Otsu、NGBDI+Otsu、EXGR+Otsu與參考值都存在10%以上的差距，EXG+Otsu與參考值差距為3.14%，HSV+Otsu與參考值差距為0.17%。高蓋度提取結果中，NGBDI+Otsu、EXGR+Otsu與參考值差距均超過60%，NGRDI+Otsu與參考值差距超過20%，EXG+Otsu和HSV+Otsu結果相對接近，HSV+Otsu仍為最接近參考值的結果，相差0.24%。

圖1 高寒草甸蓋度結果誤差變化Fig.1 Variation of coverage error of alpine meadow

隨著高寒草甸類型植被蓋度的增加，EXGR+Otsu、NGBDI+Otsu結果誤差在蓋度級別為高蓋度時陡然變大，NGRDI+Otsu的誤差隨蓋度變化無明顯趨勢，但整體誤差高于EXG+Otsu和HSV+Otsu。EXG+Otsu結果誤差在中蓋度時存在波動，隨蓋度增加無明顯變化規(guī)律， HSV+Otsu隨蓋度增加，誤差呈降低趨勢，蓋度越高，誤差絕對值越小。

沼澤草甸提取結果中(圖2)，低蓋度時，NGBDI+Otsu與參考值差距大于20%，EXG+Otsu與參考值差距接近10%，但EXGR+Otsu、NGRDI+Otsu、HSV+Otsu與參考值接近，差距小于5%，其中HSV+Otsu與參考值差距為0.37%。但是在中低蓋度至高蓋度的提取結果中，NGRDI+Otsu、EXGR+Otsu的結果與參考值差距均大于20%。NGBDI+Otsu結果在中低蓋度的提取結果與參考值差距為11.39%，其他蓋度與參考值均大于20%，在中高蓋度時最大，達到58.88%。EXG+Otsu在中高蓋度時誤差最大，為17.76%，高蓋度時誤差最低為7.91%。HSV+Otsu在5個蓋度等級影像的提取結果中，中低蓋度時誤差最大為8.44%，其他蓋度等級差距均不超過5%，最接近參考值。

圖2 沼澤草甸蓋度結果誤差變化Fig.2 Variation of coverage error of swamp meadow

隨著沼澤草甸類型參考植被蓋度的變化，NGBDI+Otsu、EXGR+Otsu結果的誤差有明顯波動，且存在增大的趨勢。NGRDI+Otsu的誤差隨蓋度增加整體呈增大趨勢；EXG+Otsu結果的誤差隨蓋度增加先逐漸增大后減小，誤差在中高蓋度處達到極大值，HSV+Otsu的誤差結果隨蓋度變化，在中低蓋度處有極大值，整體無明顯波動，但結果誤差為最低。

2.3 不同植被覆蓋度提取方法提取效率對比

在提取效率上，PBMC軟件用時較長，其他方法總體相差不大。植被指數+Otsu方法和HSV色彩空間+Otsu方法用時接近，全部在1～2 s。其中，基于HSV色彩空間+Otsu的高寒草甸從讀取到輸出結果僅用時1.1376 65 s，沼澤草甸提取從讀取圖像到輸出結果圖像與植被覆蓋度的時間僅為1.157 134 s。相比PBMC軟件，從調整閾值到輸出結果圖像至少需要20 s以上的時間，基于HSV色彩空間+Otsu方法的計算效率得到一定的提升。

表5 不同植被覆蓋度提取方法提取效率Table 5 Extraction efficiency of different vegetation coverage extraction methods

3 討論

目前針對植被覆蓋度的提取，很少有全自動的提取過程，大多基于可見光植被指數進行閾值分割[32]。例如，陳明華等[33]利用多種可見光植被指數進行閾值分割，可有效提取植被覆蓋度；郭震冬等[34]利用可見光波段差異植被指數VDVI結合Otsu來區(qū)分植被與非植被。利用無人機可見光影像在紅綠藍3個波段進行計算，其包含的計算量要大于單獨在H分量內閾值確定的計算量，所需的時間更長。而在HSV色彩空間中，由于3個分量獨立性更高，數據冗余小，3個分量之間的干擾性低，因此計算耗時短[35]。且本文研究只需要對H分量進行閾值確定，所需時間少。同時，以往多數研究中基于不同植被指數的閾值分割需要根據經驗閾值和人眼識別的結果不斷調整，以達到最佳的提取效果，該過程也需要耗費一定的時間。此外，人工操作還存在人為主觀判斷，進而引入人為誤差。本研究中采用HSV色彩空間+Otsu方法，在圖像區(qū)域內自動尋找最佳閾值，進行分割，全過程耗時較短，不受主觀干擾，提高了植被覆蓋度提取的效率。

在沼澤草甸類型中，由于植被自身的特殊性，其生長環(huán)境周圍需要豐富的水源。無人機航攝時，部分水體受鏡面反射影響，其反射率較大，易與植被混淆，在Otsu算法計算方差時難以區(qū)分，因此產生一定的誤差。而將RGB影像轉換至HSV色彩空間，影像分割不受像元值影響，錯分率較低，與標準值最為接近。同樣地，由于高寒草甸是高原鼠兔的主要生活環(huán)境，存在著較多的鼠洞，因此植被與非植被邊緣存在雜土[36]，導致錯分率較高。RGB影像中植被與非植被分界處由于受鼠洞附近土壤影響，草甸被土壤覆蓋了一部分，因而被分為非植被，而基于HSV色彩空間+Otsu的提取結果中，邊界處的植被能較好地被識別，因此提升了準確度。

本研究在植被覆蓋度自動化提取方面取得了一定進展，但仍存在一些局限性，但采用的Otsu算法，能夠快速計算閾值，但是受噪聲影響較大[37]。如果無人機影像中存在噪聲，會導致結果準確率降低，因此該方法對影像分辨率要求較高，在低分辨率影像中提取植被覆蓋度的準確率仍有待認證。此外，Otsu算法只能針對雙峰圖像進行閾值的計算，在包含多種差異較大的植被類型影像中，難以應用。為改進這些，后續(xù)研究可針對無人機影像先進行去噪處理，或利用局部閾值的計算減弱噪聲對Otsu算法的影響，加強算法在多種植被類型影像中的應用。

4 結論

本文提出了一種基于HSV色彩空間+Otsu的圖像自動分割方法，運用該算法可以實現對無人機遙感影像植被覆蓋度自動提取，克服了傳統(tǒng)人工調整閾值方法低效率、易受主觀性干擾的缺點。將基于HSV色彩空間+Otsu方法實際應用于植被覆蓋度的提取，得出如下結論。

(1)該方法能全程自動識別植被并提取植被覆蓋度，結果準確率與真實結果差距在±4%以內。

(2) 該方法耗時均在2 s以內，對比其他方法具有更高準確率、更小的誤分率，縮短了時間消耗。

(3)在針對不同植被類型的蓋度提取中，該方法較為穩(wěn)定，適合大區(qū)域、大批量無人機航拍影像植被覆蓋度提取需求，極大地提高了提取效率，滿足實際的提取要求。

因此，該方法可以應用于大規(guī)模的無人機遙感影像處理，適用于野外植被調查與監(jiān)測、植被保護等方面，為生態(tài)遙感領域相關研究提取節(jié)省時間并得到準確結果。