基于Lab顏色空間的棉花覆蓋度提取方法研究

牛亞曉 張立元 韓文霆

(1.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； 2.農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100； 3.西北農(nóng)林科技大學(xué)水土保持研究所， 陜西楊凌 712100)

0 引言

植被覆蓋度(Fractional vegetation cover，F(xiàn)VC)是描述地表植被分布的重要參數(shù)，通常定義為統(tǒng)計(jì)范圍內(nèi)植被(包括葉莖)垂直投影面積所占的百分比[1-2]，是區(qū)域生態(tài)系統(tǒng)研究的重要指標(biāo)，在分析植被分布影響因素、評(píng)價(jià)區(qū)域生態(tài)環(huán)境等方面具有重要意義[3-11]。隨著遙感技術(shù)應(yīng)用越來(lái)越廣泛[12-14]，植被覆蓋度的遙感監(jiān)測(cè)已經(jīng)成為精準(zhǔn)農(nóng)業(yè)的重要內(nèi)容和研究熱點(diǎn)。根據(jù)ZHOU等[15]的建議，理想的植被覆蓋度獲取方法應(yīng)具備以下幾個(gè)特征：采用低成本、易于操作的設(shè)備，提取結(jié)果準(zhǔn)確、客觀，對(duì)采集時(shí)間要求較低，以及需要較少的人機(jī)交互。

目前，植被覆蓋度的獲取方法主要分為目估法、采樣法、儀器法以及照相法[16-17]。目估法是指通過(guò)專業(yè)人員目視估計(jì)植被覆蓋度，具有容易操作的優(yōu)點(diǎn)，但是其測(cè)量結(jié)果較為主觀。采樣法通過(guò)統(tǒng)計(jì)樣地內(nèi)植被出現(xiàn)的頻率進(jìn)行植被覆蓋度估計(jì)，該方法只能針對(duì)固定的植被類型或在固定的時(shí)間內(nèi)進(jìn)行測(cè)量，具有操作復(fù)雜、測(cè)量時(shí)間長(zhǎng)等缺陷。儀器法則是利用專門的空間定量計(jì)等進(jìn)行植被覆蓋度估計(jì)，由于需要專業(yè)儀器，增加了推廣難度。顯然，上述3種方法并不具備理想植被覆蓋度獲取方法的特征。而照相法則是利用低成本、易于操作的數(shù)碼相機(jī)，在作物上方采集數(shù)字圖像，進(jìn)而通過(guò)在圖像中區(qū)分植被與非植被提取植被覆蓋度。與上述其他方法相比，照相法具有操作簡(jiǎn)便、效率高等優(yōu)點(diǎn)，是較為理想的植被覆蓋度提取方法，目前得到廣泛應(yīng)用。

基于照相法獲取植被覆蓋度的關(guān)鍵是區(qū)分?jǐn)?shù)字圖像中的植被像元與非植被像元。目前，常見(jiàn)的區(qū)分方法主要有目視解譯、監(jiān)督分類和利用專業(yè)遙感軟件等，分類過(guò)程需要人機(jī)交互，效率較低。如汪小欽等[18]采用目視解譯的方式將數(shù)字圖像中的像元逐個(gè)區(qū)分為植被與非植被，并以此作為植被覆蓋度的地面參考值，用于評(píng)價(jià)各個(gè)植被指數(shù)對(duì)植被像元的提取效果。任世龍等[19]以商業(yè)軟件WinCAM獲取的植被覆蓋度為地面測(cè)量值，對(duì)比分析了其開發(fā)的DPPS系統(tǒng)與基于Lab顏色空間方法的估算結(jié)果精確度，認(rèn)為高寒草地生態(tài)系統(tǒng)DPPS比Lab顏色空間方法更適于提取植被覆蓋度。?；踇17]以通過(guò)CAN_EYE軟件獲取的草地植被覆蓋度作為地面測(cè)量值，選取了青海湖流域植被覆蓋度反演的最佳遙感模型。VALéRIE等[20]使用專業(yè)遙感軟件CAN_EYE處理多種作物的數(shù)字圖像，從土壤背景中正確識(shí)別植被像元。

隨著圖像處理技術(shù)的發(fā)展，越來(lái)越多的研究人員開始利用不同顏色空間中植被像元與非植被像元特異性進(jìn)行植被覆蓋度提取[16,21-25]。上述研究雖然在基于不同顏色空間提取植被覆蓋度方面取得了一定的成果，但是大多沒(méi)有分析所提出的提取方法對(duì)不同光照條件的適用性，或分類閾值在不同的光照條件下具有波動(dòng)性，限制了上述方法在田間的進(jìn)一步應(yīng)用[26]。

隨著傳感器等相關(guān)技術(shù)的發(fā)展，無(wú)人機(jī)遙感系統(tǒng)憑借其運(yùn)載便利、靈活性高、作業(yè)周期短、影像數(shù)據(jù)分辨率高等優(yōu)勢(shì)得到迅猛發(fā)展，越來(lái)越多地應(yīng)用到各領(lǐng)域遙感監(jiān)測(cè)中[18,27-31]。無(wú)人機(jī)可見(jiàn)光遙感技術(shù)與照相法的結(jié)合使得大范圍田間植被覆蓋度的高效、快速提取成為可能。本文以苗期和蕾期的棉花為研究對(duì)象，對(duì)不同光照條件下手持高清數(shù)碼相機(jī)獲取的可見(jiàn)光圖像進(jìn)行處理和分析，尋求一種受光照條件影響小且分類閾值相對(duì)穩(wěn)定的田間條件下快速提取棉花覆蓋度的方法，并通過(guò)與無(wú)人機(jī)可見(jiàn)光遙感技術(shù)的結(jié)合，提高該方法的效率和適用性，降低數(shù)據(jù)采集成本和勞動(dòng)強(qiáng)度。

1 材料與方法

1.1 試驗(yàn)地概況及數(shù)據(jù)采集

研究區(qū)域位于陜西省楊凌示范區(qū)西北農(nóng)林科技大學(xué)中國(guó)旱區(qū)節(jié)水農(nóng)業(yè)研究院(34°17′50.94″N，108° 4′4.17″E)。楊凌位于關(guān)中平原中部，屬于暖溫帶半干旱或半濕潤(rùn)氣候，年平均氣溫11～13℃，年降水量500～700 mm。分別于2017年6月18日15:00(苗期，多云)、2017年6月30日10:00(蕾期，多云)以及2017年7月2日12:00(蕾期，晴天)，在棉花試驗(yàn)田采集了不同天氣狀況及不同時(shí)間段的29幅具有不同覆蓋度的數(shù)字圖像，圖像按照采集時(shí)間進(jìn)行依次編號(hào)。圖像采集設(shè)備為數(shù)碼相機(jī)SONY ILCE-QX1，采集高度2 m，鏡頭垂直向下，圖像分辨率5 456像素×3 632像素，地面分辨率0.4 mm，視場(chǎng)2 m×1.3 m。由于采集高度較低、相機(jī)視場(chǎng)角較小(鏡頭焦距為16 mm)，因此在本研究中忽略了地面遙感圖像邊緣畸變。根據(jù)圖像捕獲時(shí)不同的天氣狀況可將29幅數(shù)字圖像分為兩類：16幅由棉花、土壤2部分構(gòu)成的圖像；13幅由棉花、陰影、土壤3部分組成的圖像。

在2017年7月2日(蕾期、晴天)和2017年7月6日(蕾期、多云)的14:30分別利用DJI精靈3標(biāo)準(zhǔn)版進(jìn)行了無(wú)人機(jī)可見(jiàn)光遙感數(shù)據(jù)采集，數(shù)據(jù)采集高度10 m，圖像分辨率4 000像素×3 000像素，地面分辨率4 mm，視場(chǎng)21.4 m×12.9 m，快門時(shí)間設(shè)置為1/1 600 s，ISO分別設(shè)置為200和400，白平衡分別設(shè)置為晴天和陰天，共采集280幅圖像。無(wú)人機(jī)可見(jiàn)光遙感圖像采集完成后，對(duì)2017年7月6日采集的數(shù)據(jù)利用Pix4DMapper軟件進(jìn)行圖像拼接處理，獲取棉花試驗(yàn)田全景圖。基于無(wú)人機(jī)可見(jiàn)光遙感技術(shù)獲取試驗(yàn)地全景圖(圖1a)和地面可見(jiàn)光圖像采集示意圖(圖1b)。對(duì)單幅無(wú)人機(jī)可見(jiàn)光遙感圖像進(jìn)行處理時(shí)，為了避免圖像邊緣畸變的影響，對(duì)圖像進(jìn)行了修剪，僅保留圖像中心部分的2 000×2 000個(gè)像元。

圖1 試驗(yàn)地概況Fig.1 Experimental site overviews

1.2 基于顏色空間的棉花植被覆蓋度提取方法

圖2 植被覆蓋度提取流程圖Fig.2 Flow chart of FVC extraction

彩色數(shù)字圖像具有適應(yīng)豐富場(chǎng)景的優(yōu)勢(shì)，尤其是戶外場(chǎng)景[27]。對(duì)于植被覆蓋度提取來(lái)說(shuō)，彩色圖像可以滿足多種維度的圖像分割要求。在實(shí)際應(yīng)用中，可以通過(guò)在某種顏色空間下的某個(gè)維度中選取閾值的方式，進(jìn)行植被覆蓋度提取[22]。本文將基于Lab(a)顏色空間、RGB(2G-R-B)顏色空間和HIS(H)顏色空間分別采用高斯分布擬合求解動(dòng)態(tài)閾值和固定閾值兩種方式進(jìn)行棉花覆蓋度提取。以Lab顏色空間為例，本文植被覆蓋度提取流程(利用Matlab軟件實(shí)現(xiàn))如圖2所示。

1.2.1顏色空間選取

基于HIS、Lab以及RGB等顏色空間的特定通道或指數(shù)都可以提取綠色植被覆蓋度。具體來(lái)說(shuō)，在HIS顏色空間中色調(diào)H用于描述純色的屬性(如綠色、黃色)；在Lab顏色空間中a用于描述從紅色到綠色的范圍；RGB顏色空間的2G-R-B為過(guò)綠指數(shù)，常用于提取綠色植被。因此，可以分別利用數(shù)字圖像中植被與非植被像元在H、a、2G-R-B指數(shù)上分布的差異性進(jìn)行棉花覆蓋度提取。

精確提取植被覆蓋度的關(guān)鍵在于精確區(qū)分?jǐn)?shù)字圖像中的植被與非植被像元，因此在進(jìn)行顏色空間選取時(shí)需要盡可能擴(kuò)大植被像元與非植被像元的分布差異性。為了對(duì)植被像元與非植被像元在上述顏色空間特定通道上的分布(高斯分布)差異性進(jìn)行量化，將其定義為

(1)

式中S——兩類高斯分布的可分離性

μ1——第1類高斯分布均值

μ2——第2類高斯分布均值

σ1——第1類高斯分布標(biāo)準(zhǔn)差

σ2——第2類高斯分布標(biāo)準(zhǔn)差

由圖3可知，S值越大則表示兩類高斯分布重疊部分越小，即兩類像元分布相距越遠(yuǎn)。

圖3 兩類高斯分布交點(diǎn)示意圖Fig.3 Diagrams of two Gaussian distribution

1.2.2高斯分布擬合

為了研究棉花與土壤像元在上述顏色空間某個(gè)通道上的分布情況，分別截取了僅包含棉花和僅包含土壤的圖像，如圖4a和圖4b所示。以其在Lab顏色空間a通道上的分布為例進(jìn)行分析，直方圖繪制間距為0.2。如圖4所示，棉花像元、土壤背景在a通道上近似服從高斯分布，且均值具有一定的差異。圖4a中的分布可以通過(guò)非線性最小二乘算法擬合成(通過(guò)軟件編程實(shí)現(xiàn))均值為-27.31、標(biāo)準(zhǔn)差為4.46的高斯分布(R2=0.99)。可以認(rèn)為在既包含棉花又包含背景像元的數(shù)字圖像中，像元在a通道上的分布為兩個(gè)或多個(gè)高斯分布的綜合(圖4c、圖4d)，同樣可以通過(guò)非線性最小二乘算法擬合成多個(gè)高斯分布，如圖4c和圖4d所示。在過(guò)綠指數(shù)2G-R-B以及H通道中具有相同的現(xiàn)象。綜上所述，可以利用軟件通過(guò)非線性最小二乘算法將數(shù)字圖像中的植被像元和非植被像元在a通道、2G-R-B指數(shù)以及H通道分布自動(dòng)擬合成分別對(duì)應(yīng)于植被和背景的多個(gè)高斯分布曲線。

1.3 精度評(píng)價(jià)

目前，植被覆蓋度的真實(shí)值難以獲取，在評(píng)價(jià)植被覆蓋度提取方法的有效性時(shí)，一般將目視解譯結(jié)果[18]或監(jiān)督分類結(jié)果[16]作為真實(shí)值。其中監(jiān)督分類方法需要在待處理圖像中人工選取N類典型訓(xùn)練樣本，訓(xùn)練樣本的選取在很大程度上影響該方法對(duì)圖像的分類結(jié)果。由于訓(xùn)練樣本的精確度與圖像分辨率呈正相關(guān)，且可以通過(guò)對(duì)訓(xùn)練樣本的評(píng)價(jià)與檢驗(yàn)避免出現(xiàn)嚴(yán)重錯(cuò)誤，因此圖像分辨率越高，分類誤差越小。文中所用遙感圖像分辨率分別為0.4 mm和4 mm，可以精確地選取土壤和植被兩種訓(xùn)練樣本，進(jìn)而保證分類結(jié)果的準(zhǔn)確性。因此，本文將通過(guò)監(jiān)督分類提取的植被覆蓋度作為真實(shí)值，對(duì)基于顏色空間與高斯分布擬合方法的提取效果進(jìn)行評(píng)價(jià)，并將植被覆蓋度提取誤差定義為

EF=|Fsup-Fcolor|

(2)

式中EF——植被覆蓋度提取誤差

Fsup——通過(guò)監(jiān)督分類方法獲取的植被覆蓋度

Fcolor——基于顏色空間獲取的植被覆蓋度

2 結(jié)果與分析

2.1 植被與非植被在不同顏色空間的可分離性

以16幅僅包含棉花、土壤的數(shù)字圖像為例，根據(jù)式(1)計(jì)算了兩類高斯分布的可分離性S，如表1所示。數(shù)字圖像在a通道、2G-R-B指數(shù)以及H通道的分布直方圖中采樣數(shù)量一致，均為80。由表1可知，在上述3種通道上棉花像元與土壤像元分布的可分離性S都大于3，意味著兩類高斯分布的重疊部分都小于0.1%。因此，基于a通道、2G-R-B指數(shù)和H通道3種灰度值的高斯分布特性對(duì)棉花覆蓋度進(jìn)行提取均是可行的，而影響植被覆蓋度提取精度的主要因素則為各個(gè)顏色空間對(duì)綠色植被的識(shí)別能力。

表1 植被像元與非植被像元分布的可分離性STab.1 Separability of vegetation pixel and non-vegetation pixel distribution

2.2 植被與非植被動(dòng)態(tài)分類閾值的分布

表2為通過(guò)高斯分布擬合得到植被像元與非植被像元在29幅圖像中的動(dòng)態(tài)分類閾值。

表2 植被像元與非植被像元的分類閾值Tab.2 Classification threshold of vegetation and non-vegetation pixels

對(duì)具有不同量綱或特性的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析時(shí)，為了使不同的數(shù)據(jù)具有可比性，一般需要進(jìn)行標(biāo)準(zhǔn)化處理[32]。為了對(duì)比分析棉花圖像在a通道、2G-R-B指數(shù)以及H通道中動(dòng)態(tài)分類閾值的離散程度，消除動(dòng)態(tài)閾值在3種通道上數(shù)據(jù)量級(jí)的差異性，對(duì)動(dòng)態(tài)閾值進(jìn)行了標(biāo)準(zhǔn)化處理，即得到均值為0、標(biāo)準(zhǔn)差為1的服從標(biāo)準(zhǔn)正態(tài)分布的動(dòng)態(tài)閾值數(shù)據(jù)。上述3種通道動(dòng)態(tài)閾值經(jīng)過(guò)標(biāo)準(zhǔn)化處理之后的分布情況如圖5所示，其中黑線為分類閾值單位標(biāo)準(zhǔn)差的中分位數(shù)，綠色矩形表示上、下四分位數(shù)之間的數(shù)據(jù)分布。由圖5可知，標(biāo)準(zhǔn)化后的動(dòng)態(tài)閾值集中分布在(-0.58，0.72)之間，分布較為集中，即上述3種顏色空間相應(yīng)通道上的動(dòng)態(tài)分類閾值離散性較小。

圖5 閾值分布Fig.5 Distribution of threshold

以a通道為例，標(biāo)準(zhǔn)化之后的動(dòng)態(tài)閾值分布范圍(-0.58，0.72)對(duì)應(yīng)的動(dòng)態(tài)閾值范圍為(-4.74，-2.59)。由表1可知，在上述3種通道中植被像元與非植被像元分布的可分離性S都大于3，即意味著兩類高斯分布的重疊部分小于0.1%。由圖4可知，a通道上植被像元與非植被像元高斯分布的重疊范圍約在(-10，-2)之間，由于重疊部分小于0.1%，分類閾值在上述范圍波動(dòng)并不會(huì)對(duì)提取結(jié)果造成較大影響。為了驗(yàn)證固定分類閾值在a通道、2G-R-B指數(shù)和H通道中進(jìn)行植被覆蓋度提取的可行性，本文以反映動(dòng)態(tài)閾值分布情況的平均值-3.78、0.06、0.13作為固定分類閾值進(jìn)行棉花植被覆蓋度提取。

2.3 基于地面遙感的棉花植被覆蓋度提取

圖6為基于顏色空間的植被覆蓋度提取方法得到的3種不同覆蓋度梯度棉花植被覆蓋的提取效果。

圖6 3種不同梯度的棉花植被覆蓋度提取效果圖Fig.6 Cotton FVC extraction results of three different gradients

圖7 植被覆蓋度提取誤差分布Fig.7 Distributions of FVC extraction error

按上述精度分析方法，分別對(duì)在Lab顏色空間(a)、RGB顏色空間(2G-R-B)、HIS顏色空間(H)中基于動(dòng)態(tài)分類閾值和固定閾值-3.78、0.06、0.13的棉花植被覆蓋度提取結(jié)果進(jìn)行了誤差計(jì)算，并繪制總體提取誤差分布圖，如圖7所示。由圖7可知，相比于RGB(2G-R-B)顏色空間和HIS(H)顏色空間，基于Lab(a)顏色空間的棉花覆蓋度提取精度最好，通過(guò)高斯分布擬合求解動(dòng)態(tài)閾值和以-3.78為固定閾值的平均提取誤差分別為0.011 1和0.009 4，固定分類閾值的提取效果更好，誤差降低了0.001 7。相比于動(dòng)態(tài)閾值，固定閾值的提取誤差分布更接近0，且較大的誤差出現(xiàn)的概率較低。

圖8 不同天氣的植被覆蓋度提取誤差Fig.8 FVC extraction error under different weathers

圖8和圖9分別為在Lab(a)顏色空間上應(yīng)用非線性最小二乘算法進(jìn)行高斯分布擬合的棉花覆蓋度提取誤差，按照?qǐng)D像采集時(shí)天氣狀況和采集時(shí)刻進(jìn)行分類的對(duì)比分析圖。由圖8和圖9可知，在不同天氣狀況(晴天和多云)與不同采集時(shí)刻(10:00、12:00和15:00)等不同光照條件下，基于Lab(a)顏色空間應(yīng)用動(dòng)態(tài)閾值時(shí)棉花覆蓋度平均提取誤差分別為0.007 3、0.014 2、0.020 2、0.007 3和0.004 1，應(yīng)用固定閾值-3.78時(shí)棉花覆蓋度平均提取誤差分別為0.005 6、0.012 5、0.018、0.005 6和0.003 5，具有較小的平均提取誤差，不超過(guò)0.0202%，且相比于動(dòng)態(tài)分類閾值，應(yīng)用固定分類閾值時(shí)提取精度更好。

圖9 不同時(shí)刻的植被覆蓋度提取誤差Fig.9 FVC extraction error at different times

圖11 基于UAV圖像的棉花植被覆蓋度提取結(jié)果Fig.11 FVC extraction results of cotton based on UAV images

由前文可知與晴天相比，在多云天氣下采集的棉花可見(jiàn)光圖像中只包含棉花和土壤兩部分，地物類型分布更為簡(jiǎn)單，其應(yīng)具有較小的提取誤差，而由圖8可知，多云天氣下提取誤差較大。多云天氣下采集的數(shù)據(jù)包括2017年6月18日15:00和2017年6月30日10:00，由圖9可知，與晴天(2017年7月2日12:00)相比，2017年6月18日15:00采集數(shù)據(jù)的提取誤差較小，而2017年6月30日10:00采集數(shù)據(jù)提取誤差的異常增大，進(jìn)而造成多云天氣下的提取誤差較大。經(jīng)過(guò)分析發(fā)現(xiàn)，2017年6月30日10:00采集棉花可見(jiàn)光圖像中存在大量枯萎的葉片(圖10)，與深色陰影相比，尚未完全干枯的落葉呈淺綠色與棉花葉片更為相似，即與晴天相比多云天氣下采集的圖像中地物類型更為復(fù)雜，從而造成提取誤差偏大。

圖10 包含枯葉的棉花圖像Fig.10 Cotton image containing dead leaves

綜上所述，相比于2G-R-B指數(shù)和H通道，a通道對(duì)綠色植被的識(shí)別能力最好，受不同天氣狀況(晴天和多云)與不同采集時(shí)刻(10:00、12:00和15:00)等不同光照條件的影響較小，且植被像元與非植被像元存在固定分類閾值-3.78，平均提取誤差為0.009 4，更適合提取棉花覆蓋度。

2.4 基于無(wú)人機(jī)可見(jiàn)光遙感的棉花植被覆蓋度提取

圖11為基于單幅無(wú)人機(jī)可見(jiàn)光遙感影像在a通道應(yīng)用固定閾值的方法得到的兩種天氣、兩種土壤濕度和兩種不同棉花覆蓋度的提取效果。圖11a、圖11b、圖11c分別為晴天及干燥土壤條件下的原始圖像、覆蓋度提取結(jié)果和監(jiān)督分類結(jié)果；圖11d、圖11e、圖11f分別為陰天及濕潤(rùn)土壤條件下的原始圖像、覆蓋度提取結(jié)果和監(jiān)督分類結(jié)果。

為了更好地評(píng)價(jià)該方法結(jié)合無(wú)人機(jī)可見(jiàn)光遙感技術(shù)進(jìn)行棉花覆蓋度提取的效果，在兩次采集的280幅無(wú)人機(jī)可見(jiàn)光遙感影像中各隨機(jī)選取12幅，共24幅進(jìn)行支持向量機(jī)的監(jiān)督分類，并按上述精度分析方法進(jìn)行誤差計(jì)算，提取誤差分布圖如圖12所示。由圖11和圖12可知，棉花覆蓋度的總體平均提取誤差為0.012，晴天和干燥土壤條件下的平均提取誤差為0.011 4，多云和濕潤(rùn)土壤條件下的平均提取誤差為0.012 6，提取誤差較小。因此，可以認(rèn)為基于兩種天氣和土壤干濕情況下采集的棉花蕾期無(wú)人機(jī)可見(jiàn)光遙感影像在a通道的分布情況，結(jié)合固定閾值的方法可以較好的提取棉花覆蓋度。

圖12 基于UAV圖像的棉花植被覆蓋度提取誤差分布Fig.12 FVC extraction error distributions of cotton based on UAV images

采用a通道與固定閾值相結(jié)合的方法，對(duì)2017年7月6日采集的無(wú)人機(jī)可見(jiàn)光遙感圖像進(jìn)行處理得到的試驗(yàn)地棉花總體植被覆蓋度情況如圖13所示。由圖可知，結(jié)合無(wú)人機(jī)可見(jiàn)光遙感技術(shù)和棉花在Lab顏色空間a通道上的提取閾值，可以精確地在低空無(wú)人機(jī)遙感尺度上提取棉花覆蓋度。

圖13 棉花植被覆蓋總體分布圖Fig.13 Overall distribution diagram of FVC of cotton based on UAV orthophoto image

3 結(jié)論

以苗期和蕾期的棉花為對(duì)象，提出了一種基于Lab顏色空間a通道的受不同光照條件影響小且分類閾值波動(dòng)小的棉花覆蓋度提取方法，并成功將該方法與無(wú)人機(jī)可見(jiàn)光遙感技術(shù)相結(jié)合，提高了方法適用性及作業(yè)效率，降低了數(shù)據(jù)采集成本及勞動(dòng)強(qiáng)度。研究結(jié)果表明：

(1)苗期和蕾期的棉花可見(jiàn)光圖像中，植被與非植被像元在Lab(a)顏色空間、RGB(2G-R-B)顏色空間和HIS(H)顏色空間呈現(xiàn)高斯分布，可以通過(guò)非線性最小二乘算法進(jìn)行高斯分布擬合。

(2)通過(guò)分析地面可見(jiàn)光遙感圖像在3個(gè)通道的動(dòng)態(tài)分類閾值分布情況，發(fā)現(xiàn)植被像元與非植被像元的分類閾值分布范圍較為集中，利用動(dòng)態(tài)閾值的平均值-3.78、0.06、0.13可以較好地提取棉花植被覆蓋度，相比于RGB(2G-R-B)顏色空間和HIS(H)顏色空間，Lab(a)顏色空間對(duì)綠色植被的識(shí)別能力最好，更適合提取棉花植被覆蓋度。

(3)所提出的棉花覆蓋度提取方法受天氣狀況(晴天和多云)與采集時(shí)刻(10:00、12:00和15:00)等不同光照條件的影響較小，可以通過(guò)a通道中固定閾值-3.78提取棉花覆蓋度，平均提取誤差為0.009 4。

(4)將該方法應(yīng)用到無(wú)人機(jī)尺度時(shí)，同樣可以較好地提取不同天氣狀況(晴天和多云)和不同土壤干濕類型的棉花覆蓋度，且總體平均提取誤差為0.012。