基于無人機遙感可見光影像的農(nóng)作物分類*

劉 斌，史 云，吳文斌，段玉林，趙立成

(中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部信息技術重點實驗室，北京 100081)

0 引言

無人機遙感具備高分辨率、操作簡單、獲取數(shù)據(jù)快及低成本等特點，可以快速針對某一區(qū)域進行影像采集工作，獲取更精確的作物分布信息，成為衛(wèi)星遙感和航空遙感的重要補充，對作物監(jiān)測技術的發(fā)展和應用具有重大意義[1-2]。

準確的作物分類仍然是一項具有挑戰(zhàn)性的任務，有效進行多種特征變量結合并使用是提高農(nóng)作物遙感分類精度的關鍵。目前已有學者基于無人機影像針對農(nóng)作物分類信息提取作了大量的研究，并提出相關的技術和方法。利用無人機影像進行農(nóng)作物分類方法主要分為光譜特征及紋理特征兩類?；诠庾V特征的農(nóng)作物分類方法主要是通過計算各類別光譜統(tǒng)計量，構造植被差異指數(shù)，并在這些植被差異指數(shù)的基礎上通過統(tǒng)計學習實現(xiàn)農(nóng)作物遙感分類。其中，汪小欽等[3]提出了一種新的可見光波段差異植被指數(shù)，實現(xiàn)了健康綠色植被信息的提取。李鑫[4]提出了基于紅綠波段的增強型紅綠差值指數(shù)，對藍藻信息識別可信度高。針對多光譜數(shù)據(jù)，劉偉等[5]結合NDVI、NDWI、及均值特征確定了最佳特征組合，改善了裸地與沙石的區(qū)分。Pena等[6]使用六波段多光譜影像，實現(xiàn)了在玉米生長早期的雜草制圖。Doi[7]對多光譜影像進行彩色合成，增加了相似像元的可區(qū)分性。由于單純依賴多光譜特征的農(nóng)作物遙感分類存在同物異譜及同譜異物的現(xiàn)象，此類研究多適用于分類對象單一，分類特征針對特定對象的情形。

另外，通過影像濾波提取紋理特征，可以實現(xiàn)在遙感影像中對特定作物的識別或分類。如李蘊雅等[8]建立相應的紋理規(guī)則集，對無人機影像進行樹冠的提取。郭鵬[9]使用可見光影像，選取亮度、飽和度和紅色二階矩作為最優(yōu)分類特征對農(nóng)田作物進行分類，分類精度明顯高于顏色指數(shù)方法。李宗南等[10]選取最適宜區(qū)分正常和倒伏玉米的特征為灰度共生矩陣的紅、綠、藍色均值特征。通過比較基于色彩特征或紋理特征的倒伏玉米面積提取結果，基于紋理特征分類結果更準確，提取誤差顯著低于基于色彩特征提取方法。但是，農(nóng)作物紋理特征隨著農(nóng)作物、遙感影像空間分辨率及波段的變化而變化，因此在復雜種植結構區(qū)域影像中存在紋理特征確定困難等問題。

此外，不同農(nóng)作物間的冠層結構差異非常明顯，作物理性狀也可用于分類，如高度、形態(tài)、葉傾角等。但傳統(tǒng)遙感無法獲得高分辨率冠層結構數(shù)據(jù)，隨著無人機遙感及攝影測量技術的快速發(fā)展，從而能夠獲取更多類型的數(shù)據(jù)，為農(nóng)作物遙感分類提供了新的發(fā)展空間，因此如何從無人機影像中提取作物物理性狀成為新的研究熱點[11]。其中，Kim等[12]通過手動采集地面控制點生成TIN(Triangulated Irregular Network)模型進而生成DEM(Digital Elevation Model)數(shù)據(jù)，計算了DSM和DEM的差值nDSM(normalized DSM)，選擇RGB波段、nDSM和改進NDVI為特征，實現(xiàn)了地表覆蓋類型分類。楊琦等[13]采集了蔗糖全生育期的高清數(shù)碼影像，建立各生育期作物表面模型CSMs(crop surface models)，并提取株高，該方法表明CSMs提取的株高擁有較高的精度。Bendig等[14]證實了從CSMs提取的株高具有良好的精度，并建立了大麥株高與生物量的估算模型。研究表明，利用無人機獲取的數(shù)字表面模型可以提取地表信息，如作物株高信息等。在農(nóng)田區(qū)域下，提取分類特征nDSM需要DEM，控制點布控及量測較難，難以生成高精度DEM。同時，目前利用DSM數(shù)據(jù)提取分類特征的研究較少。

基于此，文章的核心思路是圍繞如何利用作物在光譜和空間維度上的聯(lián)合特征尤其是作物高程特征以提高農(nóng)作物分類精度。在該研究中，通過無人機搭載可見光相機獲得高分辨率圖像和數(shù)字表面模型，進而利用兩個不同時期作物的DSM數(shù)據(jù)，生成差異數(shù)字表面模型(DDSM)，突出作物生長差異特征，并將該特征引入農(nóng)作物分類中。同時，分析并提取農(nóng)作物在光譜及空間維度上的聯(lián)合特征，通過比較分析變異系數(shù)和類間差異系數(shù)，構建了基于色彩、紋理、高度特征組合的SVM分類模型用于農(nóng)作物精細分類。

1 研究區(qū)與數(shù)據(jù)

研究區(qū)位于黑龍江省農(nóng)業(yè)科學院民主研究基地，基地面積約為7.5km2，地形有較大起伏，測區(qū)內(nèi)包含水稻、玉米、大豆及馬鈴薯等多類農(nóng)作物。測區(qū)面積適中，作物類型多樣，種植結構復雜度高，是檢驗作物分類算法的理想實驗區(qū)域。該研究中所涉及的實驗數(shù)據(jù)分兩期在該區(qū)域進行采集，分別是2017年8月及2018年6月。圖像獲取設備為SONY單反相機，選用固定翼無人機作為相機的搭載平臺。無人機獲取的影像為RGB圖像，且在無人機航拍過程中，旁向、航向上圖像的重疊率均達到80%，滿足生成RGB正射影像的要求。采用Smart3D軟件對獲取的圖像進行處理，輸出實驗對象區(qū)域的RGB正射影像和數(shù)字地表模型。實驗基地如圖1。

圖1 研究區(qū)域

圖2 原始RGB影像及DSM

2 基于無人機影像的農(nóng)作物分類方法

2.1 RGB正射影像及數(shù)字地表模型獲取

該研究中研究對象區(qū)域的RGB正射影像及數(shù)字地表模型見圖2。其像大小為6 000×6 000像素，地面分辨率為0.1m。其中，在2018年6月采集實驗數(shù)據(jù)時，試驗區(qū)域作物尚處在作物生長初期，苗高較低，可視為實驗區(qū)域的背景數(shù)據(jù)。

2.2 無人機影像農(nóng)作物分類方法

圖3 技術路線

表1 農(nóng)田地物樣本數(shù)

類別訓練樣本(個)測試樣本(個)池塘300100水稻200100玉米300200大豆400150樹300100建筑250100道路400150馬鈴薯150100亞麻400250草地300100裸地200100合計3 2001 450

由于無人機遙感可見光影像僅含有紅、綠、藍3通道的灰度信息，難以實現(xiàn)對農(nóng)作物類別的區(qū)分，因此該研究首先通過紋理濾波獲得研究區(qū)域農(nóng)作物紋理信息； 然后利用兩個不同時期作物的DSM數(shù)據(jù)，生成差異數(shù)字表面模型(DDSM，Difference of DSM)，分析并提取農(nóng)作物在光譜及空間維度上的聯(lián)合特征，通過比較分析變異系數(shù)和類間差異系數(shù)，構建了彩色特征、紋理特征、高度特征組合； 分別基于的組合訓練SVM分類器，進行農(nóng)作物分類； 以地面真值結合目視解譯所得到的樣點農(nóng)作物類別的實測值，以檢驗分類結果的精度。技術路線如圖3所示。

2.3 分類樣本選擇

根據(jù)目視分析和地面實際調(diào)查，確定研究區(qū)域內(nèi)地物分為11類，包括池塘、水稻、玉米、大豆、樹、建筑、道路、馬鈴薯、亞麻、草地和裸地。根據(jù)地物的面積比例大小選取樣本點數(shù)，如表1所示。

2.4 特征分析及選取

該文通過提取無人機影像中的光譜、紋理、高度等特征，分析并篩選適于農(nóng)作物分類的特征。濾波處理可以獲得農(nóng)作物的紋理特征，有助于解決同譜異物和同物異譜的問題，進而提高農(nóng)作物的分類精度。該研究中濾波處理在ENVI5.3環(huán)境下進行，濾波窗口大小為27×27。通過濾波處理，可得到相應波段的均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關性等特征信息。

進一步地，利用兩個不同時期作物的DSM數(shù)據(jù)，生成差異數(shù)字表面模型(DDSM)，突出作物生長差異特征，并將該特征引入農(nóng)作物分類中。在該研究中，在2018年6月采集實驗數(shù)據(jù)時，在東北地區(qū)該時期為常見農(nóng)作物生長初期，苗高較低，可視為裸地。2017年8月份是常見作物生長中后期，因此，將兩個時期的數(shù)字表面模型進行差值計算，可獲得差值數(shù)字表面模型DDSM，得到不同作物生長高度信息。

同時，考慮到不同作物株型不同，成片種植的作物在空間上呈現(xiàn)的局部鄰域高度信息不盡相同，因此再將DDSM影像進行濾波處理，獲得鄰域波動信息，并進行特征評價挑選出適合農(nóng)作物分類的特征。

DDSM=DSM1-DSM2

(1)

式(1)中，DSM1為2018年6月15號DSM數(shù)據(jù)；DSM2為2017年8月3號DSM數(shù)據(jù)。根據(jù)雙時相DSM計算的DDSM，其處理結果如圖3所示。圖片中顏色越深代表高度差異越大。DDSM隨機誤差出現(xiàn)在樹木、房屋邊緣，以及水體表面漏洞。

圖4 差異數(shù)字表面模型(DDSM)

統(tǒng)計RGB影像及DDSM影像共32項濾波影像中各類樣本的均值，方差(D)，變異系數(shù)(V)和類間差異系數(shù)Dw。計算公式為：

D=S2

(2)

(3)

(4)

式(2)～(4)中：D為方差，S為標準差，Dw為類間變異系數(shù)，M為均值，M1為第一類均值，M2為第二類均值。

3 農(nóng)作物分類結果

3.1 農(nóng)作物分類特征

分析各類樣本的均值，方差(D)，變異系數(shù)(V)和類間差異系數(shù)Dw。亞麻與其他作物可見光紋理特征比較結果如表2，圖5所示。

亞麻與其他作物DDSM濾波特征比較結果如表3，圖6所示。

如表2、表3所示，各項特征的變異系數(shù)和相對差異有很大差異，在紋理濾波中，亞麻最大變異系數(shù)為0.76，最小變異系數(shù)為0.10，亞麻與大豆類間差異系數(shù)最大為930.12%，

表2 亞麻與其他作物可見光紋理特征比較 %

與建筑類間差異系數(shù)最小為0.23%； 在DDSM濾波中，亞麻的特征變異系數(shù)最大為2.34，最小為0.01，與樹木類間差異系數(shù)最大為209.20%，最小為-0.89%。部分濾波特征變異系數(shù)較大或類間差異系數(shù)較小，并非所有濾波特征都能增強農(nóng)作物之間的差異。

圖5 亞麻與其他作物可見光紋理特征比較

表3 亞麻與其他作物DDSM濾波特征比較 %

圖6 亞麻與其他作物DDSM濾波特征比較

區(qū)分不同作物的特征存在交叉，適用于分類的特征需要具有較小的變異系數(shù)和較大的類間差異系數(shù)。變異系數(shù)反應的是離散程度，變異系數(shù)越小，越能根據(jù)該特征區(qū)分該類地物。類間差異系數(shù)反應兩種地物在該特征上的差異，差異越大越能區(qū)分兩種地物。如圖5所示，以亞麻為例，RGB影像的二階矩紋理濾波變異系數(shù)較小，與其他作物類間差異系數(shù)較大。其中相比紅波段、藍波段二階矩濾波特征，亞麻的綠波段二階矩與其他作物類間差異系數(shù)較大并且變異系數(shù)較小，能夠較好區(qū)分11類不同類型地物，可作為有效特征。

如圖6所示，作物在同一時期高度不同，DDSM可以作為高度特征參加分類。因作物的株型不同，作物表層波動情況表現(xiàn)為DDSM方差濾波特征和DDSM對比度濾波特征。

因此，該文分為3類組合特征：

①直接使用紅波段(R)、綠波段(G)、藍波段(B)特征進行分類；

②將作物的可見光光譜信息和紋理特征進行組合，即使用紅波段(R)、綠波段(G)、藍波段(B)和綠波段(G)二階矩濾波為組合特征進行SVM分類；

③將作物的可見光光譜、紋理及高度特征進行組合，即使用紅波段(R)、綠波段(G)、藍波段(B)、綠波段(G)二階矩濾波和DDSM方差、DDSM對比度濾波特征進行分類。

3.2 實驗結果

基于以上特征組合，對2017年8月無人機影像進行分類，并采用總分類精度和Kappa系數(shù)兩項指標評價分類結果。上述3種組合的分類結果及統(tǒng)計數(shù)據(jù)見圖7、表4。

圖7 基于特征組合的分類

表4 不同特征組合的分類精度及Kappa

特征精度KappaRGB76.000.73RGB、G二階矩82.890.81RGB、DDSM86.550.85RGB、DDSM、G二階矩、DDSM方差、DDSM對比度91.900.90

首先，基于可見光RGB波段的支持向量機分類的分類精度為76.00%，kappa系數(shù)為0.73，其中馬鈴薯未能分出，裸地、水稻錯分較少，而馬鈴薯、玉米、樹木、草地錯分較多，其中馬鈴薯錯分為玉米和樹木。其次，在添加綠波段二階矩濾波特征后精度分類精度為82.89%，Kappa為0.81，總體精度提升，玉米、樹木、水體分類中椒鹽現(xiàn)象減少，能區(qū)分出馬鈴薯，但仍存在馬鈴薯和大豆存在錯分情況； 再次，由RGB添加DDSM形成RGB-DDSM的 4維特征分類精度為86.55%，Kappa為0.85，其中玉米和樹木的區(qū)分效果明顯提升，地塊邊界更明顯，各類地塊內(nèi)椒鹽現(xiàn)象減少，并減少了馬鈴薯的錯分； 最后，在RGB-DDSM波段基礎上添加綠波段的二階矩濾波特征和DDSM方差、對比度濾波特征后，分類精度為91.90%，Kappa系數(shù)為0.90，玉米、亞麻、大豆、水稻地塊邊界區(qū)分明顯，玉米、大豆內(nèi)噪點現(xiàn)象減少，草地及樹木因陰影導致的錯分減少。盡管在添加綠色波段二階矩濾波、DDSM及DDSM方差和對比度后總體分類精度最高，但是分類時把部分樹的邊緣錯分為了建筑。

4 結論與討論

在該研究中，采用無人機搭載數(shù)碼相機以獲取研究區(qū)域的RGB圖像，與側重于從高分辨率RGB圖像中提取紋理特征的分類方法所不同，該研究中利用兩個不同時期作物的DSM數(shù)據(jù)，生成差異數(shù)字表面模型DDSM，突出作物生長差異特征，并創(chuàng)新性地將該特征引入農(nóng)作物分類中。進一步地，該研究對RGB及DDSM數(shù)據(jù)進行濾波，詳細分析并提取了農(nóng)作物在光譜及空間維度(特別是作物高度)上的聯(lián)合特征，采用SVM分類模型用于農(nóng)作物分類。實驗結果表明，相比于僅采用光譜特征，在采用光譜、紋理、高度特征等多維特征組合時，農(nóng)作物的分類總體精度從76.00%提高到91.90%，Kappa系數(shù)由0.73提高到0.90。特別是在加入高度差這一空間特征時，整體分類精度得到顯著提高，證實了作物高程特征對提高農(nóng)作物分類精度的有效性。

通過實驗結果發(fā)現(xiàn)，作物高程特征在農(nóng)作物分類中的主要貢獻如下。

(1)除了提高整體分類準確性外，各類分類結果中椒鹽現(xiàn)象減少；

(2)當引入高度特征時，在RGB影像中難以分離的類，例如樹木，草地和玉米分類精度提升；

(3)借助高度特征，RGB圖像中的由陰影引起的錯分減少。

盡管采用該文所提出的方法取得了較高的分類精度，但仍存在以下幾個問題。例如，在該文的實驗結果中，在樹的邊緣誤分類現(xiàn)象較明顯。通過分析發(fā)現(xiàn)，在圖像處理過程中生成地物數(shù)字表面模型時，通常在物體的邊緣即高差發(fā)生顯著變化的區(qū)域，所生成的高度值的誤差顯著增加，因而導致了誤分類現(xiàn)象。因此，如何提高地物數(shù)字表面模型數(shù)據(jù)的質(zhì)量是今后需要進行進一步的研究的課題。同時，在該研究中僅使用了可見光相機，所獲取的作物特征有限，在今后的研究中將進一步嘗試與其他類型的傳感器相結合，如低成本多光譜傳感器，增加光譜維度上的特征，以進一步提高農(nóng)作物的分類精度。