康 樂，陳 偉*，趙安琳，楊延征

(1.國家林業(yè)和草原局 華東調(diào)查規(guī)劃設(shè)計(jì)院，浙江 杭州 310019；2.中國科學(xué)院 生態(tài)環(huán)境研究中心 城市與區(qū)域生態(tài)國家重點(diǎn)實(shí)驗(yàn)室，北京 100085)

影像分析技術(shù)在植被覆蓋、土地分類等方面的研究越來越普遍[1-4]。為評估放牧場地的發(fā)展情況和培育趨勢，了解牧場草地的營養(yǎng)價(jià)值，牧場管理者需要借助地物分類來估量草地覆蓋度。草地分類的研究已有很多，主要體現(xiàn)在大尺度分類上[5-9]，分類方法也多種多樣，主要包括指標(biāo)指示法、多元聚類分析法以及監(jiān)督分類法等[7-12]。

IHS變換在圖像融合上的研究很多[13-14]，IHS變換的優(yōu)勢體現(xiàn)在兩個(gè)方面，一是IHS變換能夠分離出獨(dú)立性較強(qiáng)的波段，二是IHS變換后主要波段可以參與其他圖像融合方法，進(jìn)而提升圖像融合后的質(zhì)量。在視覺上定性描述色彩時(shí)，采用IHS系統(tǒng)則更為直觀[16]。王柳等[17]研究了2種地形圖分色方案直接用RGB和IHS進(jìn)行分色，通過比較2種分色方案的效果，在IHS空間分色的效果較好；沈世旻[18]基于IHS變換進(jìn)行圖像增強(qiáng)提高車牌識(shí)別的精度；Mean shift算法在視頻跟蹤和圖像識(shí)別方面有廣泛的應(yīng)用[19-21]。郅忠強(qiáng)[22]以顏色特征、紋理特征為Mean shift算法主要參數(shù)識(shí)別草地內(nèi)部結(jié)構(gòu)和障礙物，為割草機(jī)器人識(shí)別草地和障礙物提供了決策支撐；付勇等[23]采用核帶寬度自適應(yīng)調(diào)整的Mean shift算法，能夠根據(jù)物體的移動(dòng)和大小鎖定目標(biāo)；陳偉等[24-26]采用Mean shift算法對機(jī)載點(diǎn)云數(shù)據(jù)進(jìn)行森林結(jié)構(gòu)參數(shù)提取，提取結(jié)果優(yōu)于其他常規(guī)方法[27]。草地分類的方法很多，主要分為監(jiān)督分類和非監(jiān)督分類。宏觀尺度監(jiān)測草地類型或草地生物量采用非監(jiān)督分類較多，并且能夠整體客觀評價(jià)草地相關(guān)指標(biāo)[28-30]。Mean shift算法作為非監(jiān)督分類方法，具有在草地分類的獨(dú)特優(yōu)勢，可根據(jù)分類的尺度要求，合理調(diào)整特征向量和核帶寬度，實(shí)現(xiàn)更精細(xì)化分類。

1 材料與方法

1.1 研究數(shù)據(jù)

2019年6-9月，對內(nèi)蒙古草地放牧控制樣區(qū)進(jìn)行野外觀測工作。觀測內(nèi)容包括草地冠層光譜、草地覆蓋度和葉綠素含量等。共獲取了230個(gè)重復(fù)觀測的樣點(diǎn)數(shù)據(jù)，樣點(diǎn)的分布見圖1。結(jié)合收集到的2019年Hyperion高光譜數(shù)據(jù)，開展植被覆蓋度與放牧變化監(jiān)測方面的研究工作。

圖1 草地樣區(qū)230個(gè)樣點(diǎn)的分布

1.2 原理和方法

Mean shift算法是基于概率密度函數(shù)的估算過程，其計(jì)算過程就是圖像像素根據(jù)設(shè)定的特征向量向概率密度大的方向聚類，直到函數(shù)收斂為止[31]。

對一個(gè)概率密度函數(shù)f(x),已知d維空間中n個(gè)采樣點(diǎn)xi(i=1,…,n),f(x)的核函數(shù)的估計(jì)可以寫成

(1)

(2)

式中，mh(x)為Mean shift向量公式。

給定初始點(diǎn)x,核函數(shù)G(x)以及容許誤差ε，Mean Shift算法將循環(huán)執(zhí)行下面3個(gè)步驟，直到滿足結(jié)束條件：

1)計(jì)算mh(x)。

2)把mh(x)賦給x。

特征向量是草地分類的“識(shí)別碼”，不同類別的地物其特征向量的屬性不同。

1.3 圖像變換和融合

圖像變換和融合的目的是進(jìn)行圖像增強(qiáng)，突出目標(biāo)地物的波段或特征信息。根據(jù)RGB轉(zhuǎn)換IHS顏色空間轉(zhuǎn)換公式，分別轉(zhuǎn)換成I(表示亮度或強(qiáng)度)、H(表示色調(diào))、S單波段圖像(飽和度)，IHS顏色空間I、H、S具有相對獨(dú)立性。歸一化植被指數(shù)(NDVI)是植被生長狀態(tài)及植被覆蓋度的最佳指示因子，公式中表示為NDVI，被認(rèn)為是全球植被和生態(tài)環(huán)境變化的有效指標(biāo)[32-33]。

(3)

式中：NDVI為歸一化植被指數(shù)，ρNIR為近紅外波段的反射值，ρR為紅光波段的反射值。

由于RGB圖像沒有近紅外波段，可使用“綠度”指標(biāo)近似代替NDVI[34]。

(4)

式中：Green為綠度，ρG為綠色波段的反射值，ρR為紅光波段的反射值。

1.4 方法設(shè)計(jì)

由圖2可見，對原RGB始影像進(jìn)行2次計(jì)算：一是采用IHS變換得到IHS圖像，二是根據(jù)綠度計(jì)算公式提取綠度波段圖像；其次對IHS圖像和綠度圖像進(jìn)行波段融合，得到具有四波段的融合圖像，為下一步的圖像聚類分析提供了豐富的波段信息；然后，確定特征向量和核帶寬度，以Mean shift算法對融合圖像進(jìn)行分類；最后對分類結(jié)果進(jìn)行驗(yàn)證和精度評價(jià)。

圖2 總體技術(shù)流程

特征向量和核帶寬度是Mean shift算法主要參數(shù)，是決定圖像聚類質(zhì)量的關(guān)鍵因素。本研究取融合圖像(i,h,s)作為空間特征向量xs，帶寬為hs；綠度為植被指數(shù)向量x綠，帶寬為h綠。采用高斯核函數(shù)。以核函數(shù)G(x)和帶寬h估計(jì)密度函數(shù)為

(5)

式中：h為核窗寬；C是歸一化參數(shù)；x為特征向量。

(6)

確定帶寬后，利用Mean shift算法進(jìn)行迭代計(jì)算，在迭代過程中可得到多個(gè)穩(wěn)態(tài)點(diǎn)(即峰值)，把趨向某個(gè)穩(wěn)態(tài)點(diǎn)的像素歸于一類，并做好標(biāo)記，最終得到分類結(jié)果(圖3)。

圖3 Mean shift算法流程

1.5 試驗(yàn)驗(yàn)證

Mean shift聚類的計(jì)算過程是在Matlab(The math works：natick,MA,USA)平臺(tái)上進(jìn)行的?？紤]到標(biāo)準(zhǔn)Mean shift算法的運(yùn)行時(shí)間隨整個(gè)數(shù)據(jù)集的大小呈指數(shù)增長。如果我們直接把Mean shift方法應(yīng)用到批量圖像數(shù)據(jù)處理，是非常耗時(shí)和低效的。因此，為了提高計(jì)算效率，有必要采用多進(jìn)程并行計(jì)算方式。

2 結(jié)果與分析

2.1 圖像變換和圖像融合

由圖4可見，圖4A為原始RGB波段圖像，通過綠度公式波段計(jì)算得到綠度波段圖像(圖4B)，RGB圖像通過IHS變換得到IHS圖像(圖4C)，綠度圖像和IHS圖像融合得到圖像(圖4D)。融合后的圖像包含了I、H、S和綠度4個(gè)波段，草地紋理較為清晰，對比度較強(qiáng)。

圖4 圖像轉(zhuǎn)換及融合結(jié)果

2.2 Mean shift算法分類

基于Mean shift算法對融合圖像進(jìn)行聚類分析，聚類到同一穩(wěn)態(tài)點(diǎn)的像素記為{Ni}。每個(gè)Ni包括一類點(diǎn)集，為了區(qū)分不同的聚類地物，聚類分割后地物標(biāo)簽標(biāo)識(shí)。圖5為土壤、草地、其他3種類型,地物特征比較明顯，能夠直觀分辨出分類后的地物形態(tài)。由于試驗(yàn)期間草地常綠，所以草地和土壤能夠明顯區(qū)分，其他類型主要是歷年積累在地表的枯死植被，對土壤精準(zhǔn)識(shí)別有一定的干擾性，但對草地的分類精度影響不大。

圖5 對融合圖像進(jìn)行Mean shift分類

2.3 參數(shù)與靈敏度分析

Mean shift算法的核半徑h以及控制參數(shù)都要取合理的值。通過試驗(yàn)發(fā)現(xiàn)，核帶寬度h=0.3時(shí)，Mean shift算法聚類結(jié)果變化不敏感，迭代次數(shù)和收斂允許誤差分別設(shè)置在9和0.000 1,該方法對參數(shù)的變化不敏感。該方法所使用的具體參數(shù)見表1。

表1 試驗(yàn)參數(shù)

2.4 圖像精度分析

為驗(yàn)證圖像分割分類精度，對10個(gè)樣地的所有草地進(jìn)行試驗(yàn)。為了定量評估檢測結(jié)果的準(zhǔn)確性，在10個(gè)樣地將識(shí)別的草地覆蓋率和實(shí)測草地覆蓋率進(jìn)行比較。依據(jù)文獻(xiàn)[35]，真陽性(TP)、假陰性(FN)和假陽性(FP)可分別表示真實(shí)草地覆蓋率、未識(shí)別草地覆蓋率和誤識(shí)別的草地覆蓋率。可以用“召回率”(recall,r=TP/(TP+FN)表示地物檢測率和“準(zhǔn)確率”(precision,p=TP/(TP+FP)表示檢測到草地正確性，來評估檢測精度[36]。由表2可見，平均召回率為94.5%，平均準(zhǔn)確率為95.0%。表3列出了本研究方法與常規(guī)Mean shift方法(基于RGB圖像)結(jié)果比較，顯示本方法召回率提高了5.4%，準(zhǔn)確率提高5.2%。

表2 草地識(shí)別精度

表3 本方法與常規(guī)Mean shift算法比較

表4對比其他常規(guī)主流方法與本研究方法的聚類分析效果。除了“召回率”(Recall)和“準(zhǔn)確率”(Precision)這2個(gè)指標(biāo)外，還使用F值(F-Score)=準(zhǔn)確率×召回率×2/(準(zhǔn)確率+召回率)(F值即為準(zhǔn)確率和召回率的調(diào)和平均值)來評價(jià)總體檢測精度。與其他方法相比，本研究具有更好的總體識(shí)別指標(biāo)，即召回率和準(zhǔn)確率都高于其他方法，從F值也能看出總體識(shí)別精度較高并且指標(biāo)穩(wěn)定。

表4 不同識(shí)別方法的精度比較

3 結(jié)論與討論

基于IHS的圖形分割結(jié)果與地物實(shí)際形態(tài)比較吻合，采用的Mean shift算法不僅考慮顏色因子，同時(shí)也把植被特征因子考慮進(jìn)去，提高了圖像分類的精度。

1)IHS圖像三分量具有相對獨(dú)立性，I可以明顯區(qū)分陰影與非陰影的類別；H能很好地區(qū)別草地與枯草之間的色彩差別，進(jìn)一步把草分為綠草和枯草，但僅靠H還不能很好地分離出綠草和枯草，還需考慮紋理及I和綠度的閾值范圍；S體現(xiàn)了色彩的純潔性，可提取幾何頂點(diǎn)的端元波譜，通過二維散點(diǎn)圖量測圖像光譜的空間可分離度。

2)綠度是區(qū)分植被與非植被的有效指數(shù)，也被稱為歸一化綠紅差值指數(shù)NGRDI (normalized green-red difference index)，可替代NDVI估算草地覆蓋度。隨著手機(jī)拍照和無人機(jī)航拍可見光圖像的廣泛應(yīng)用，基于RGB綠度計(jì)算方式會(huì)更便捷，通過與IHS圖像融合可進(jìn)一步加強(qiáng)草地的辨識(shí)度及其他地物的可分離性，從而提高估算草地覆蓋度的工作效率。

3)Mean shift算法能夠很好地區(qū)分不同地物類型，但固定Mean shift算法在運(yùn)行的時(shí)候需要不斷試驗(yàn)才能達(dá)到預(yù)期的目標(biāo)，工作量巨大。自適應(yīng)Mean shift算法從微觀精準(zhǔn)識(shí)別草地的關(guān)鍵算法，下一步將研究自適應(yīng)Mean shift在草地分類的應(yīng)用。