基于無人機(jī)遙感的玉米株高提取方法

張宏鳴 譚紫薇 韓文霆 朱珊娜 張姝茵 葛晨宇

(1.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100； 2.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)

0 引言

農(nóng)情遙感監(jiān)測是以遙感技術(shù)為主對農(nóng)業(yè)生產(chǎn)進(jìn)行動態(tài)監(jiān)測的過程。在整個植被時期監(jiān)測作物是精準(zhǔn)農(nóng)業(yè)的先決條件，在精準(zhǔn)農(nóng)業(yè)中占有重要地位[1-2]。隨著遙感技術(shù)不斷發(fā)展，遙感監(jiān)測作物株高成為可能。玉米在解決糧食安全、飼料保障、發(fā)展國民經(jīng)濟(jì)以及緩解能源危機(jī)等方面具有重要作用[3]。玉米植株高度可以間接地反映生物量積累，從而估算玉米產(chǎn)量，是進(jìn)行生產(chǎn)調(diào)控的重要參考因素之一。因此在生長周期內(nèi)，估算玉米植株高度具有重要意義。

傳統(tǒng)的玉米株高測量方法采用刻度尺人工測量，速度慢、工作量大且準(zhǔn)確率較低，已不能滿足農(nóng)業(yè)生產(chǎn)需要。無人機(jī)遙感系統(tǒng)具有運(yùn)載便利，靈活性高，作業(yè)周期短，影像數(shù)據(jù)分辨率高等一系列優(yōu)點(diǎn)[4]，為大范圍玉米株高信息的快速、準(zhǔn)確、動態(tài)監(jiān)測提供重要的技術(shù)手段，有效彌補(bǔ)了地面調(diào)查的部分缺陷[5]。

文獻(xiàn)[6-7]利用作物的3D模型對作物的高度進(jìn)行計算。文獻(xiàn)[8-9]利用高光譜數(shù)據(jù)建立植株高度估算模型。文獻(xiàn)[10-12]通過將航空數(shù)字影像轉(zhuǎn)換為作物表面模型(Digital surface model，DSM)提取作物高度。文獻(xiàn)[13]利用數(shù)字圖像處理技術(shù)處理作物圖像，從圖像中取得株高等長勢信息。文獻(xiàn)[14-15]利用地面激光雷達(dá)實現(xiàn)作物冠層高度測量。文獻(xiàn)[16]運(yùn)用機(jī)器視覺和圖像處理技術(shù)間接計算出作物株高，但是這種方法僅依靠二維圖像特征對植物生長信息進(jìn)行測量，植株生長中的彎曲變形對測量誤差影響較大，降低誤差較困難。

圖像分割及識別技術(shù)在農(nóng)業(yè)工程領(lǐng)域中得到廣泛運(yùn)用。文獻(xiàn)[17-18]利用顏色特征對綠色植物圖像進(jìn)行分割。文獻(xiàn)[19-20]通過圖像處理和支持向量機(jī)(Support vector machine，SVM)進(jìn)行植物的分割及識別。文獻(xiàn)[21]采用直方圖閾值化和形態(tài)學(xué)濾波方法實現(xiàn)綠色植物與土壤背景的分割。文獻(xiàn)[22]提出一種基于植物整體外觀特征提取的植物自動識別方案，但是當(dāng)圖像存在復(fù)雜背景時，可能會將背景分割到植物對象區(qū)域中。

目前關(guān)于無人機(jī)數(shù)字正射影像(Digital orthophoto map,DOM)與DSM結(jié)合進(jìn)行玉米株高提取的研究較少。本文通過無人機(jī)獲取大面積、高精度的夏玉米DOM和DSM，采用K-means算法、遺傳神經(jīng)網(wǎng)絡(luò)算法和骨架算法提取玉米株高，與實地測量株高進(jìn)行對比和精度評價。

1 材料與方法

1.1 實驗區(qū)概況

實驗區(qū)位于內(nèi)蒙古自治區(qū)鄂爾多斯市達(dá)拉特旗昭君鎮(zhèn)，其地勢南高北低，南部為丘陵山區(qū)，北部為肥沃的黃河沖積平原。實驗區(qū)域的地理位置為東經(jīng)109°36′24″～109°36′28″，北緯40°25′58″～40°26′2″，常年干旱少雨，氣候為溫帶大陸性氣候。實驗區(qū)為半徑60 m的圓形區(qū)域，總面積約為9 498.5 m2。實驗區(qū)玉米行距58 cm,株距25 cm。將其劃分為5個不同水分實驗區(qū)域，如圖1a所示，各時期的實際灌溉量和降雨量分別通過安裝在噴灌機(jī)上的流量計(MIK-2000H型)及和實驗地相鄰的標(biāo)準(zhǔn)氣象站采集。在每個區(qū)域內(nèi)選擇3個地勢高低有差異的6 m×6 m的實驗規(guī)劃區(qū)域，每個區(qū)域的對角線上平均選取3株玉米作為標(biāo)記植株，在每個標(biāo)記植株附近隨機(jī)采集4株玉米的高度，每個樣本區(qū)取5株玉米高度求平均值，以該平均值作為地面采集玉米的高度值，從而獲取不同的玉米植株高度。為精確統(tǒng)計株高，采用2 m×2 m作為實驗樣本區(qū)，共計45個樣本區(qū)。研究區(qū)域位置及樣本區(qū)分布如圖1a所示。標(biāo)記植株的選取方法及實驗樣本區(qū)如圖1b所示。部分實驗樣本區(qū)如圖2所示。

圖1 研究區(qū)域Fig.1 Study area

圖2 實驗樣本區(qū)Fig.2 Experimental sample regions

1.2 無人機(jī)遙感影像采集系統(tǒng)

采用大疆精靈4Pro型無人機(jī)進(jìn)行遙感影像的采集。大疆精靈4Pro型無人機(jī)具有飛行穩(wěn)定、續(xù)航時間長、防止快速移動過程中產(chǎn)生拖影、障礙感知等優(yōu)點(diǎn)，可以穩(wěn)定獲取無畸變失真、可拼接的遙感影像。該無人機(jī)系統(tǒng)主要由飛行器、穩(wěn)定云臺、影像傳感器等組成。其中飛行器是影像傳感器及其穩(wěn)定云臺的搭載平臺，是獲取農(nóng)業(yè)遙感數(shù)據(jù)的基礎(chǔ);穩(wěn)定云臺使得影像傳感器在飛行過程中保持相對地面穩(wěn)定的狀態(tài)，從而避免了遙感影像的幾何畸變，同時也保證了影像采集過程中成像角度的相對穩(wěn)定。無人機(jī)及傳感器如圖3所示，其主要技術(shù)參數(shù)如表1所示。

圖3 無人機(jī)和影像傳感器Fig.3 UAV and image sensor

參數(shù)數(shù)值/類型軸距/mm350起飛質(zhì)量/g1388續(xù)航時間/min30最大遙控距離/mFCC:7000影像傳感器1英寸2000萬像素CMOS

在無人機(jī)遙感影像獲取時，為了避免云朵遮擋，選取太陽光輻射強(qiáng)度穩(wěn)定的正午12：00，天空晴朗無云的天氣情況進(jìn)行采集。采用Pix4Dmapper軟件快速生成專業(yè)的、精確的DOM及DSM數(shù)據(jù)。Pix4Dmapper處理數(shù)據(jù)大致流程如下：①導(dǎo)入影像(格式為TIF)和位置與姿態(tài)系統(tǒng)(Position and orientation system,POS)數(shù)據(jù)。②導(dǎo)入地面控制點(diǎn)(Ground control point，GCP)文件。③根據(jù)不同要求設(shè)置參數(shù)。④“一鍵式”全自動處理進(jìn)行點(diǎn)云提取和立體模型建立，獲得DOM和DSM[23]。技術(shù)路線如圖4所示。

圖4 技術(shù)路線圖Fig.4 Technical roadmap

由Pix4Dmapper拼合得到的DSM和DOM數(shù)據(jù)的精度與無人機(jī)飛行高度、影像數(shù)量、影像重疊度、影像比例等因素有關(guān)。飛行高度越小，模型表面越光滑,具有更多的細(xì)節(jié)內(nèi)容；影像數(shù)量多則產(chǎn)生的模型表面會更加光滑清晰,細(xì)節(jié)更加突出；重疊度越高,相鄰影像間的差異越小,同名點(diǎn)的匹配也越容易,相對定向精度越高,建成的模型質(zhì)量越好[24]，而影像重疊度不夠則會缺失模型信息；影像比例越大生成點(diǎn)越多，模型表現(xiàn)細(xì)節(jié)越豐富。

參照有關(guān)無人機(jī)遙感研究的設(shè)置參數(shù)[12,25-29]，綜合分析實驗區(qū)域情況，最終選用飛行高度50 m拍攝的854幅影像作為數(shù)據(jù)源，地面分辨率為1.25 cm?；诰纫螅瑯訁^(qū)范圍共布設(shè)5個地面控制點(diǎn)，使用實時動態(tài)定位(Real-time kinematic,RTK)進(jìn)行測量，可用于空三運(yùn)算和精度檢測。同時用這些點(diǎn)來檢測影像集合定位精度，保證校正影像在作物株高提取中的基本應(yīng)用需求。GCP坐標(biāo)系選擇CGCS2000/3-degree Gauss- Kruger CM111E (egm96)，拼接時Pix4Dmapper自動獲取相機(jī)型號FC63108.85472x3648(84ddd3d74c736564626ec d8e10c57f19)(RGB)。其他參數(shù)設(shè)置如表2所示。

表2 Pix4Dmapper拼接主要參數(shù)Tab.2 Main parameters of splicing in Pix4Dmapper

1.3 基于數(shù)字表面模型的株高提取原理

無人機(jī)影像實驗數(shù)據(jù)于2018年6月12日至2018年7月8日在內(nèi)蒙古自治區(qū)鄂爾多斯市達(dá)拉特旗昭君鎮(zhèn)進(jìn)行采集,共5期數(shù)據(jù)，分別記作D0、D1、D2、D3和D4,對應(yīng)時期為t0～t4。在t0時獲取的數(shù)據(jù)記作D0，此時實驗田為播種后至出苗前的裸土，獲取其無人機(jī)可見光影像，結(jié)合GCP生成實驗田的DSM，記作Ddsm0，可以得到實驗田高精度的高低起伏變化情況，作為后期H數(shù)據(jù)提取的地表基準(zhǔn)面(因為此時地面近乎為裸土,無植株高度變化,不進(jìn)行株高提取實驗,僅作為后期輔助計算的地表基準(zhǔn)面)。在ti(i=1,2,3,4)時期使用與t0時相同的GCP，生成后期各生長階段的Ddsmi(i=1,2,3,4)，與Ddsm0作差可以得到對應(yīng)ti時期玉米的植株高度為

Hi=Ddsmi-Ddsm0(i=1,2,3,4)

(1)

研究區(qū)域的玉米DSM如圖5a所示，基于DSM的株高提取原理如圖5b所示。在玉米生長過程中，實地測量值以頂端完全展開的葉子為基準(zhǔn)測量的高度作為玉米的高度。

圖5 DSM及株高提取原理Fig.5 DSM and plant height extraction principles

從圖5a可看出高度為-4.581～4.775 m，這是因為兩期數(shù)據(jù)的噴灌機(jī)位置不同。t0時，噴灌機(jī)位于圖5a標(biāo)記位置1處，此時的Ddsm0為噴灌機(jī)高度，后期Ddsm1較噴灌機(jī)Ddsm0低，則Ddsm1與Ddsm0作差產(chǎn)生負(fù)值；t=1時，噴灌機(jī)位于圖5a標(biāo)記位置2處，此時的Ddsm1為噴灌機(jī)高度，后期Ddsm1較Ddsm0高，則Ddsm1與Ddsm0作差產(chǎn)生正值。根據(jù)統(tǒng)計，99.8%的高度數(shù)據(jù)在正常范圍內(nèi)，可以進(jìn)行研究。

2 研究方法

采用無人機(jī)DOM與DSM結(jié)合的方法進(jìn)行玉米株高提取。主要步驟包括：①獲取玉米高清可見光航拍影像。②完成航拍影像的拼接以及預(yù)處理等，生成所需的DSM及DOM，選擇播種前的DSM作為地表基準(zhǔn)面，用之后測量的各生長時期的DSM與其相減得到不同時期的玉米DSM。③對DOM進(jìn)行圖像增強(qiáng)等多種預(yù)處理，通過K-means算法[30]、遺傳神經(jīng)網(wǎng)絡(luò)算法[31]和骨架算法[32]得到玉米植株區(qū)域。④提取的玉米區(qū)域進(jìn)行幾何配準(zhǔn)后經(jīng)過遙感影像處理軟件生成掩膜。⑤運(yùn)用得到的掩膜與DSM套和得到影像上的玉米高度。⑥影像高度與實際株高進(jìn)行對比及精度評價，得出精確度較好的株高模型。方法流程如圖6所示。

圖6 方法流程圖Fig.6 Flow chart of method

2.1 數(shù)據(jù)預(yù)處理

2.1.1遙感影像預(yù)處理

無人機(jī)拍攝的原始影像僅僅記錄了實驗區(qū)部分區(qū)域，為了便于數(shù)據(jù)分析，需要對原始影像進(jìn)行拼接,得到實驗區(qū)的整體影像。本文采用Pix4Dmapper軟件進(jìn)行影像拼接。導(dǎo)入無人機(jī)可見光航拍影像、POS數(shù)據(jù)，結(jié)合5個控制點(diǎn)對影像進(jìn)行幾何校正，通過全自動空三加密，生成DOM及DSM。

2.1.2圖像增強(qiáng)

由于光線原因會造成圖像局部過亮或過暗，對圖像進(jìn)行拉伸，使之覆蓋較大的取值區(qū)間，提高圖像的對比度，便于后期提取玉米區(qū)域。圖像增強(qiáng)公式為

J=iimadjust(I,[llow.in;hhigh.in],[llow.out;hhigh.out])

(2)

將圖像I中的亮度值映射到圖像J中的新值，即將llow.in至hhigh.in之間的值映射到llow.out至hhigh.out之間的值。llow.in以下與hhigh.in以上的值則被剪切掉，它們都可以使用空矩陣，默認(rèn)值是[0 1]。圖7a原圖增強(qiáng)后效果如圖7b所示。

2.1.3色彩空間轉(zhuǎn)換

通過對RGB、HSV和YCbCr色彩空間模型[29]進(jìn)行色彩空間轉(zhuǎn)換并對比,如圖7c、7d所示。

2.1.4OTSU閾值分割

最大類間方差法簡稱OTSU，可以根據(jù)圖像的灰度特性,將圖分為前景和背景兩部分。

對于圖像I(x,y)，前景(即目標(biāo))和背景的分割閾值記作T，屬于前景的像素點(diǎn)數(shù)占整幅圖像的比例記為ω0，平均灰度為u0；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω1，平均灰度為u1；整幅圖像的平均灰度記為u，類間方差記為g。則有

u=ω0u0+ω1u1

(3)

g=ω0(u0-u)2+ω1(u1-u)2

(4)

聯(lián)立式(3)、(4)可得

g=ω0ω1(u0-u1)2

(5)

當(dāng)方差g最大時，可以認(rèn)為此時前景和背景差異最大，此時的灰度T為最佳閾值。

通過對比圖7e、7f可發(fā)現(xiàn)，原始圖像進(jìn)行分割后會產(chǎn)生大量噪聲，增強(qiáng)后能夠有效解決此類問題。對比圖7f、7g、7h可以發(fā)現(xiàn)，HSV色彩空間進(jìn)行圖像分割會丟失大量玉米區(qū)域信息，增強(qiáng)后的圖像進(jìn)行圖像分割則存在大量非玉米植株區(qū)域，而通過YCbCr色彩空間進(jìn)行圖像分割減少了大量非玉米植株區(qū)域，同時保證了較完整的玉米區(qū)域信息。因此，采用YCbCr色彩空間進(jìn)行玉米株高的骨架提取。

圖7 圖像預(yù)處理Fig.7 Image preprocessing

2.2 玉米高度提取方法

2.2.1骨架提取算法

骨架包含了圖像特征的最有效數(shù)字化信息，能夠?qū)D像進(jìn)行有效描述。它是由一些細(xì)(或者比較細(xì))的弧線和曲線集合構(gòu)成的一個能夠保持原始形狀相連性的表示[33]。文獻(xiàn)[34]提出利用火燒稻草的模型進(jìn)行骨架提取，即“草火法”。假設(shè)一個模型的內(nèi)部被稻草填滿，火從邊緣的每一點(diǎn)以相同的速度燃燒，則中軸點(diǎn)即為稻草邊界上的火源同時向內(nèi)燃燒的相遇點(diǎn)。因為火燒的速度相同，所以在同一個時間相對的兩個邊緣點(diǎn)的前進(jìn)距離是相同的，于是他們停止的位置同樣是這兩個邊緣點(diǎn)的對稱中心，也就是骨架點(diǎn)，如圖8所示。

圖8 草火法示意圖Fig.8 Diagram of grass fire

一般說來，骨架必須保持3個特性:①連續(xù)性，即連通結(jié)構(gòu)必須細(xì)化成連通線結(jié)構(gòu)。②中心性，即骨架與圖像具有結(jié)構(gòu)同一性。③最小寬度為l。

骨架提取是指根據(jù)不同的定義和算法提取原始形狀骨架的方法。本文主要應(yīng)用Zhang-Suen骨架算法[35]結(jié)合形態(tài)學(xué)處理進(jìn)行玉米骨架的提取。

假設(shè)已知目標(biāo)標(biāo)記為1，背景點(diǎn)標(biāo)記為0。定義邊界點(diǎn)為1，其8連通鄰域至少有1個點(diǎn)標(biāo)記為0。根據(jù)算法，需要對邊界點(diǎn)進(jìn)行以下處理:

(1)在以8連通鄰域為中心的邊界點(diǎn)上，中心點(diǎn)為P1，順時針方向的相鄰點(diǎn)記為P2,P3，…，P9。其中P2位于中心點(diǎn)P1之上(圖9)。首先，選擇滿足要求的點(diǎn)

(6)

N(P1)為非零相鄰點(diǎn)的個數(shù)，S(P1)為P2～P9～P2序列從0到1的變化個數(shù)。經(jīng)過對所有邊界點(diǎn)的檢查，所有標(biāo)記點(diǎn)都被刪除。

圖9 8鄰域圖Fig.9 Eight neighborhood diagram

(2)滿足

(7)

經(jīng)檢查，標(biāo)識點(diǎn)已刪除。

循環(huán)上述兩步驟，直到都沒有像素被標(biāo)記為刪除為止，輸出的結(jié)果即為二值圖像細(xì)化后的骨架。

2.2.2玉米骨架掩膜與高度提取

2.2.2.1提取骨架制作掩膜

由圖10c、10f可以看出，單像素寬骨架制作掩膜不連貫，會丟失大量玉米骨架區(qū)域信息，通過合適的結(jié)構(gòu)元素對其進(jìn)行形態(tài)學(xué)處理得到2像素寬骨架，可以得到較完整的玉米骨架區(qū)域。因為掩膜不能與DSM疊加顯示，所以為了方便觀察，使用制作掩膜的面替代掩膜進(jìn)行顯示。

圖10 制作的掩膜Fig.10 Making mask

2.2.2.2玉米高度提取

通過K-means算法(圖11a)、遺傳神經(jīng)網(wǎng)絡(luò)算法(圖11c)和骨架算法(圖11e)分別對無人機(jī)DOM中的玉米區(qū)域進(jìn)行提取，生成掩膜，與DSM套和(圖11b與K-means算法套和，圖11d與遺傳神經(jīng)網(wǎng)絡(luò)算法套和，圖11f與骨架算法套和)，獲取玉米高度信息。3種方法提取效果如圖11所示,圖中從左到右依次為D1、D2、D3和D4時期，白色部分表示玉米植株區(qū)域。

圖11 玉米區(qū)域提取與DSM結(jié)合Fig.11 Maize area extraction combining with DSM

2.3 方法對比與精度驗證

2.3.1方法對比

通過K-means算法、遺傳神經(jīng)網(wǎng)絡(luò)算法及骨架算法提取玉米區(qū)域與DOM疊加(圖12)，可以看到本文的骨架算法在提取完整玉米植株區(qū)域的同時避免了較低葉片和大范圍陰影區(qū)域?qū)χ旮咛崛〉母蓴_。而K-means會將大量較低葉片和陰影區(qū)域保留下來，遺傳神經(jīng)網(wǎng)絡(luò)方法則會丟失部分玉米植株區(qū)域，對株高提取干擾嚴(yán)重。

2.3.2精度驗證

(1)提取算法精度驗證

為驗證本文方法的準(zhǔn)確性，用精確度S對3種提取算法效果進(jìn)行評價，越大表示提取算法精確度越高。評估方法在文獻(xiàn)[36]提出的方法基礎(chǔ)上改進(jìn)得到。計算公式為

(8)

式中S——提取算法的精確度

T——預(yù)測為玉米的玉米樣本

F——預(yù)測為玉米的非玉米樣本

(2)提取高度精度驗證

為驗證本文方法的準(zhǔn)確性，用平均絕對誤差(Mean absolute error，MAE)和均方根誤差(Root mean squared error，RMSE)兩個指標(biāo)對模型精度進(jìn)行驗證，值越小，表示提取株高與實測株高越接近；用決定系數(shù)R2(Coefficient of determination)對模型擬合優(yōu)度進(jìn)行評價，越大表示提取株高與實測株高擬合效果越好。

3 結(jié)果與分析

3.1 玉米區(qū)域提取的結(jié)果分析與精度評價

圖12 掩膜+DOM提取效果對比(部分)Fig.12 Comparison of mask and DOM extraction effect(part)

從圖12中紅框區(qū)域可以看出，K-means算法及遺傳神經(jīng)網(wǎng)絡(luò)算法會將大量較低葉片和陰影區(qū)域保留下來，經(jīng)過掩膜和DSM結(jié)合提取的高度會受到一定影響；從圖12中黃框區(qū)域可以看出，遺傳神經(jīng)網(wǎng)絡(luò)算法則會丟失部分玉米植株區(qū)域，對于玉米株高提取也會產(chǎn)生一定的誤差。而骨架算法提取的是玉米植株的中心骨架，在提取完整玉米植株區(qū)域的同時避免了較低葉片和大范圍陰影區(qū)域?qū)χ旮咛崛〉母蓴_，同時骨架算法在提取玉米骨架的過程中同樣存在誤提取的情況，如圖12中藍(lán)框區(qū)域，在苗期出現(xiàn)誤把雜草或者石子當(dāng)作玉米區(qū)域而保留下的情況，在后期生長過程中這種情況均有所減少。

對4期共180幅DOM的灰度直方圖進(jìn)行分析，選擇合適的閾值區(qū)分玉米和其他區(qū)域(包括陰影和較低葉片)，通過提取算法的精確度S對3種方法進(jìn)行對比，結(jié)果如表3所示。通過K-means算法提取玉米區(qū)域的精確度最低，通過遺傳神經(jīng)網(wǎng)絡(luò)算法提取玉米區(qū)域的精確度較高，通過骨架算法提取玉米區(qū)域的精確度最高。3種方法的S平均值分別為0.57、0.68、0.83。結(jié)合圖12可知，D1時期陰影和葉片較小，遺傳神經(jīng)網(wǎng)絡(luò)算法和骨架算法提取效果差距不大，K-means算法對土壤區(qū)域識別能力較差，對提取效果影響較大；在D2～D4期間，葉片逐漸長大、展開，產(chǎn)生大量陰影區(qū)域，K-means算法和遺傳神經(jīng)網(wǎng)絡(luò)算法誤提取大量陰影區(qū)域和較低葉片，提取效果較差；相比而言，骨架算法在D1～D4期間的提取效果較穩(wěn)定，誤提取的土壤區(qū)域更少，設(shè)定合適的閾值區(qū)分玉米和其他區(qū)域后，通過骨架算法可以有效減少陰影和較低葉片等區(qū)域?qū)μ崛∮衩讌^(qū)域的影響，精確度更高。

表3 玉米區(qū)域提取精度Tab.3 Maize area extraction accuracy evaluation

3.2 玉米高度提取的結(jié)果分析與精度評價

通過決定系數(shù)(R2)、均方根誤差(RMSE)和平均絕對誤差(MAE)對3種方法提取的株高進(jìn)行對比，如表4所示。K-means算法提取株高的R2為0.853，RMSE為15.886 cm，MAE為13.743 cm；遺傳神經(jīng)網(wǎng)絡(luò)算法提取株高的R2為0.877，RMSE為14.519 cm，MAE為11.884 cm;骨架算法提取株高的R2為0.923,RMSE為11.493 cm，MAE為8.927 cm。由此可知，通過骨架算法提取株高，效果更好。

表4 精度評價Tab.4 Evaluation of precision

4 結(jié)論

(1)利用K-means算法、遺傳神經(jīng)網(wǎng)絡(luò)算法和骨架算法分別對玉米區(qū)域提取，生成掩膜，并結(jié)合DSM提取株高。3種方法的R2分別為0.853、0.877、0.923，RMSE分別為15.886、14.519、11.493 cm，MAE分別為13.743、11.884、8.927 cm。表明基于玉米生長階段的無人機(jī)DOM提取玉米區(qū)域，效果較好，結(jié)合DSM能為玉米株高提取研究提供借鑒，且骨架算法提取精度較高，可為大面積的田間株高測量提供新的技術(shù)手段。

(2)利用無人機(jī)影像進(jìn)行玉米區(qū)域提取的精度受天氣影響較為明顯。在無人機(jī)獲取數(shù)據(jù)期間，如有風(fēng)則會導(dǎo)致實驗材料的高度改變；如陰天則會影響無人機(jī)遙感影像的拼接，大量陰影則不利于玉米植株區(qū)域的提取。這些都會明顯影響數(shù)據(jù)的質(zhì)量，因此獲取數(shù)據(jù)時盡量選擇晴朗無風(fēng)的天氣，且在正午時分、無外界因素影響的情況下進(jìn)行拍攝。

(3)土地、石子、陰影、較低葉片等區(qū)域?qū)μ崛∮衩讌^(qū)域影響較大，骨架算法可以解決多數(shù)問題，且提取效果較穩(wěn)定。但對于部分陰影仍需手工進(jìn)行一定干預(yù)才能達(dá)到較好的效果，可以通過結(jié)合紋理特征的方法進(jìn)行進(jìn)一步的研究。