CN106709922B - 基于图像的牧草覆盖度和生物量自动检测方法 - Google Patents

Abstract

本发明涉及一种检测方法，尤其是一种基于图像的牧草覆盖度和生物量自动检测方法，属于图像处理的技术领域。以摄像机在田间实时扫描采集的全景图像序列为对象，从图像特征上实时自动检测牧草覆盖度和生物量等信息，优化资源配置，开展精细化农业生产，检测结果准确率高、实用性强、信息获取速度快，安全可靠。

Description

基于图像的牧草覆盖度和生物量自动检测方法

技术领域

本发明涉及一种检测方法，尤其是一种基于图像的牧草覆盖度和生物量自动检测方法，属于图像处理的技术领域。

背景技术

牧草覆盖度和生物量是衡量草地资源、进行草原规划和生态评价的重要指标，传统方法的牧草观测主要以人工观测为主，通常监测点与台站距离较远，观测周期间隔也相对较长，同时，由于人工观测时受主观因素影响较大，无统一严格标准，不同观测人员的观测结果通常存在较大出入，这一现状迫切需要改变。

随着卫星遥感技术的发展，为牧草监测开辟了新的途径，通过卫星影像可以在短时间内估算出大范围面积的牧草生物量数据，为检测植被动态变化、合理开发利用草地资源等方面提供了重要的基础信息。目前国内外学者利用遥感手段检测草原牧草信息应用较为广泛的是NOAA/AVHRR数据和MODIS数据，其主要方法是建立遥感数据的NDVI(NormalizedDifference Vegetation Index,归一化差分植被指数)与牧草生物量之间的线性或非线性模型。其中，用于计算NDVI数值的MODIS数据的第一通道分辨率和第二通道分辨率为250m，NOAA/AVHRR数据的相关通道更是低至1km，俨然，较低的空间分辨率无法满足目前日趋精细化的农业生产要求。此外，由于遥感图像容易受到云层、降水和气溶胶等天气影响，致使所获取的遥感影像多存在不同程度的斑点，大量信息缺失，影响到研究区牧草的观测；遥感卫星由于其观测周期的限制，每天在固定区域仅可获取较少图像，因此利用遥感影像对牧草进行实时观测存在较大的局限性。

可见，基于遥感图像的监测方式并不是牧草覆盖度和生物量自动观测的最好选择，目前仍需一种高空间分辨率、长时间序列、实用性强和操作方便的方式来代替人工观测。利用农业自动气象站的数码摄像机实时拍摄的牧草照片，借助遥感影像处理方法，可以实时获取牧草的覆盖度和生物量等信息，便于精细化农业生产活动的展开。但国内利用数码摄像机观测牧草覆盖度和生物量信息尚处于起步阶段，无法满足使用要求。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于图像的牧草覆盖度和生物量自动检测方法，其能实时获取牧草覆盖度和生物量数据，有效地实现牧草的智能化观察，观测准确率高，实用性强，安全可靠。

按照本发明提供的技术方案，一种基于图像的牧草覆盖度和生物量自动检测方法，所述检测方法包括如下步骤：

步骤1、利用农业气象自动观测站中的摄像机拍摄获取所需方位角以及俯仰角的的牧草图片；

步骤2、对拍摄的牧草图片进行处理，以获取所述牧草图片的图像成像时间，并根据所述牧草图片的图像成像时间确定牧草图片对应的光合有效辐射照射度，且将所确定的光合有效辐射照射度与辐射照射度阈值比较，若牧草图片的光合有效辐射照射度低于辐射照射度阈值时，跳转至步骤4，否则，跳转至步骤3；

步骤3、利用「G-B」模型计算牧草图片的初始实测作物长势指数VARIobserve，并构建牧草生长期内作物长势指数的时间模型DAY-VARI，利用所述牧草生长期内作物长势指数的时间模型DAY-VARI以及牧草的当前生长期，得到预期作物长势指数VARImodel；当|VARI_model﹣VARI_observe|/VARI_model小于等于色度判断阈值时，跳转至步骤5，否则，跳转至步骤4；

步骤4、对牧草图片进行白平衡校正，以得到白平衡校正牧草图片；

步骤5、对得到的白平衡校正牧草图片，获取每个像元的G/R通道比值以及G/B通道比值，当G/R通道比值、G/B通道比值均大于牧草分割阈值时，且G通道数值大于35时，则当前的像元判定为牧草作物，否则，当前的像元判定为背景；

将白平衡校正牧草图片的像元均进行上述判断处理后，得到白平衡校准牧草图片对应的牧草初始二值图像；

步骤6、计算牧草初始二值图像中牧草像元区域的连通域面积，并获取各连通区域具有相同标准二阶中心矩的椭圆的长轴长度和短轴长度，当长轴长度与短轴长度的比值大于轴长度判断阈值时，则将当前区域判定为牧草区域像元，否则，将当前区域判定为非作物区域，以得到牧草最终二值图像；

对牧草最终二值图像，计算牧草区域像元数占总像元数的比例，以得到并输出牧草实时覆盖度；

步骤7、对步骤4得到的白平衡校正牧草图片，计算得到最终实测作物长势指数VRARI，根据牧草生物量-作物长势指数关系，得到牧草实时生物量，具体为：

Biomass＝C/(1+exp(m-n·VRARI))

其中，Biomass为牧草实时生物量，C、m、n均为常数，VRARI为最终实测作物长势指数。

所述步骤2中，在获取牧草图像的图像成像时间后，利用农田小气候数据确定牧草图像对应的光合有效辐射照射度。

牧草生长期内作物长势指数的时间模型DAY-VARI，具体为：

其中，a₁、b₁、c₁、a₂、b₂、c₂均为模型拟合参数，其取值范围在1～100之间，x为牧草生长期日数。

步骤4中，利用直方图匹配方式对牧草图片进行白平衡校正，对牧草图片进行白平衡校正的具体过程包括：

步骤4.1、对牧草图片的每个色彩通道数值进行提取，以得到牧草图片直方图；

步骤4.2、提供标准图片，并计算所述标准图片以及牧草图片直方图的各级灰度值的累计概率，具体为：

Pk＝Nk/N,k＝0,1,…,255

其中，Pk表示数值为k的灰度值出现的概率，Nk表示数值为k的灰度值出现的频数，N为图像像素总数；

步骤4.3、根据上述标准图片、牧草图片直方图对应的各级灰度值的累积概率，得到标准图片的累计概率曲线，以及牧草图片的累计概率曲线；

步骤4.4、在标准图片的累计概率曲线、牧草图片的累计概率曲线上任选概率P，确定所选概率对应的灰度值；根据所选概率P下，标准图片的灰度值与牧草图片的灰度值对应关系，将牧草图片的数值概率集合校正至标准图片的概率集合，以实现对牧草图片的白平衡校正。

本发明的优点：以摄像机在田间实时扫描采集的全景图像序列为对象，从图像特征上实时自动检测牧草覆盖度和生物量等信息，优化资源配置，开展精细化农业生产，检测结果准确率高、实用性强、信息获取速度快，安全可靠。

附图说明

图1为本发明的流程图。

图2为本发明进行白平衡校正的流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示：为了能实时获取牧草覆盖度和生物量数据，有效地实现牧草的智能化观察，提高观测准确率，本发明的检测方法包括如下步骤：

步骤1、利用农业气象自动观测站中的摄像机拍摄获取所需方位角以及俯仰角的的牧草图片；

具体地，利用农业气象自动观测站中摄像机拍摄的多角度、多时相、长时间序列的牧草图片，其中，单次拍摄时，固定摄像机位置，预设旋转摄像机镜头水方向角度平和垂直方向角度以获取周围作物全景信息，摄像机每天获取数十张不同机位参数的牧草图片；

不同牧草要素的获取，需基于摄像机不同的机位参数的图片进行解译分析，如牧草生物量观测基于低俯角优先，覆盖度观测则基于垂直视角优先，明确要素提取对象以确定牧草观测的最优机位参数，根据此参数对数十张不同机位参数的输入照片集合进行初次筛选。具体实施时，可以利用Matlab2014a自带函数(DigitalCamera.UserComment)获取牧草图片拍摄时的具体参数信息，如例：D＝2016-04-01,T＝13:30:25,F＝5.50,H＝113.12,V＝27.50，D为日期，T为时间，F为焦距，H为方位角，V为俯角。当然，获取图片拍摄时的具体参数还可以采用本技术领域的其他技术手段实现，具体可以根据需要进行选择，此处不再赘述。

步骤2、对拍摄的牧草图片进行处理，以获取所述牧草图片的图像成像时间，并根据所述牧草图片的图像成像时间确定牧草图片对应的光合有效辐射照射度，且将所确定的光合有效辐射照射度与辐射照射度阈值比较，若牧草图片的光合有效辐射照射度低于辐射照射度阈值时，跳转至步骤4，否则，跳转至步骤3；

具体地，在获取牧草图像的图像成像时间后，利用农田小气候数据确定牧草图像对应的光合有效辐射照射度。本发明实施例中，农田小气候数据为预先测量得到的数据，农田小气候数据的具体测量以及利用农田小气候数据得到牧草图片的光合有效辐射照射度的具体过程均为本技术领域人员所熟知。获取牧草图片的图像成像时间的具体过程可以参考上述的说明，此处不再赘述。具体实施时，辐射照射度阈值一般为500μmol/(m·m·s)，当然，辐射照射度阈值还可以根据需要选取其他所需的数值，其他数值的选取过程为本技术领域人员所熟知，此处不再赘述。

步骤3、利用「G-B」模型计算牧草图片的初始实测作物长势指数VARIobserve，并构建牧草生长期内作物长势指数的时间模型DAY-VARI，利用所述以及牧草的当前生长期，得到预期作物长势指数VARImodel；当|VARI_model﹣VARI_observe|/VARI_model小于等于色度判断阈值时，跳转至步骤5，否则，跳转至步骤4；

具体实施时，「G-B」模型具体是指计算牧草图片(RGB)中G通道数值与B通道数据之差)，即通过计算牧草图片中所有像元G通道数值、B通道数值对应差值的均值，以得到牧草图片对应的初始实测作物长势指数VARI_observe。

此外，在牧草生长期内，作物长势指数与作物生长时间具有对应的关系，所述对应关系即为牧草生长期内作物长势指数的时间模型DAY-VARI，本发明实施例中，牧草生长期内作物长势指数的时间模型DAY-VARI，具体为：

其中，x为牧草生长期日数，具体实施时，以每年的4月1日作为牧草生长期的起始日期，当x为1时，表示当前日期为4月2日，由步骤1的具体说明可知，在获取牧草图片后，能够获取牧草图片的相关参数，即能够获得当前日期，从而能够确定x的具体数值。a₁、b₁、c₁、a₂、b₂、c₂均为模型拟合参数，其取值范围在1～100之间，数值的确定与牧草的生长周期、牧草长势状态和牧草的最大生物量等参数有关。

具体实施时，所述色度判断阈值为0.2，当|VARI_model﹣VARI_observe|/VARI_model小于等于20％时，则认为牧草图片的色度正常；当|VARI_model﹣VARI_observe|/VARI_model大于20％时，判定牧草图片的色度异常，需要进行白平衡校正。

步骤4、对牧草图片进行白平衡校正，以得到白平衡校正牧草图片；

本发明实施例中，利用直方图匹配方式对牧草图片进行白平衡校正，具体地，利用直方图匹配方式对牧草图片进行白平衡校正时，具体是指，将牧草图片的直方图各色彩通道以标准图像各通道直方图为标准进行变换，使牧草图像的各色彩通道直方图与标准图像各色彩通道直方图的相同或近似，从而使白平衡校正牧草图片与标准图像间具有类似的色调和反差。

本发明实施例中，对牧草图片进行白平衡校正的具体过程包括：

步骤4.1、对牧草图片的每个色彩通道数值进行提取，以得到牧草图片直方图；

本发明实施例中，可以采用本技术领域常用的技术手段，实现对牧草图片每个通道色彩的提取，对每个色彩通道提取后，能得到牧草图片的直方图。

步骤4.2、提供标准图片，并计算所述标准图片以及牧草图片直方图的各级灰度值的累计概率，具体为：

Pk＝Nk/N,k＝0,1,…,255

其中，Pk表示数值为k的灰度值出现的概率，Nk表示数值为k的灰度值出现的频数，N为图像像素总数；

步骤4.3、根据上述标准图片、牧草图片直方图对应的各级灰度值的累积概率，得到标准图片的累计概率曲线，以及牧草图片的累计概率曲线；

步骤4.4、在标准图片的累计概率曲线、牧草图片的累计概率曲线上任选概率P，确定所选概率对应的灰度值；根据所选概率P下，标准图片的灰度值与牧草图片的灰度值对应关系，将牧草图片的数值概率集合校正至标准图片的概率集合，以实现对牧草图片的白平衡校正。

步骤5、对得到的白平衡校正牧草图片，获取每个像元的G/R通道比值以及G/B通道比值，当G/R通道比值、G/B通道比值均大于牧草分割阈值时，且G通道数值大于35(在牧草图像中，当季牧草颜色不同于枯草(黄色)、土地(灰褐色)而显示为绿色，根据目视解译，有且当G通道数值大于R、B通道数值并且G通道数值大于35时，当前像元在图像中显示为表征绿色；若G通道数值大于R通道数值、B通道数值但小于35时，通常情况下所述像元目视解译判断为偏白色，不易观察出绿色特征，本发明实施例中，设定阈值为35为判断该像元为绿色的最低阈值。)时，则当前的像元判定为牧草作物，否则，当前的像元判定为背景；

将白平衡校正牧草图片的像元均进行上述判断处理后，得到白平衡校准牧草图片对应的牧草初始二值图像；

具体实施时，牧草分割阈值为1，当前像元判定为牧草作物时，将当前像元的数值确定为1，当当前像元判定为背景时，将当前像元的数值确定为0，即得到白平衡校准牧草图片对应的牧草初始二值图像。

步骤6、计算牧草初始二值图像中牧草像元区域的连通域面积，并获取各连连通区域具有相同标准二阶中心矩的椭圆的长轴长度和短轴长度，当长轴长度与短轴长度的比值大于轴长度判断阈值时，则将当前区域判定为牧草区域像元，否则，将当前区域判定为非作物区域，以得到牧草最终二值图像；

对牧草最终二值图像，计算牧草区域像元数占总像元数的比例，以得到并输出牧草实时覆盖度；

本发明实施例中，可以采用本技术领域常用的技术手段，实现对牧草初始二值图像中牧草像元区域连通域面积的计算，具体如采用matlab2014自带函数bwareaopen即能实现牧草像元区域连通域面积的计算，当然，也可以采用其他方式进行计算，具体可以根据需要进行选择，具体为本技术领域人员所数值，此处不再赘述。当采用matlab2014自带函数bwareaopen能实现牧草像元区域连通域面积的计算时，还可以剔除连通域面积小于20像元的牧草区块。

在实现牧草像元区域连通域面积计算后，对任一牧草像元区域连通域，可利用本技术领域常用的技术手段获取与当前牧草像元区域连通域具有相同标准二阶中心矩的椭圆的长轴长度和短轴长度(本发明实施例中，椭圆的长轴、短轴均是指像素意义下的)。具体实施时，可以采用Matlab2014a自带函数regionprops.AxisLength获取具有相同标准二阶中心矩的椭圆的长轴长度和短轴长度。此外，还可以采用其他的技术手段进行获取，具体可以根据需要进行选择，此处不再赘述。本发明实施例中，轴长度判断阈值可以为1.1，当长轴长度与短轴长度的比值大于轴长度判断阈值时，将当前区域置1；当长轴长度与短轴长度的比值小于轴长度判断阈值时，将当前区域置0，即能得到牧草最终二值图像。

在得到牧草最终二值图像后，计算牧草区域像元数占总像元数的比例，具体是指，计算数值为1的像元数占总像元数(数值为1的像元数与数值为0的像元数之和)的比例，即所述比值为牧草实时覆盖度。

步骤7、对步骤4得到的白平衡校正牧草图片，计算得到最终实测作物长势指数VRARI，根据牧草生物量-作物长势指数关系，得到牧草实时生物量，具体为：

Biomass＝C/(1+exp(m-n·VRARI))

其中，Biomass为牧草实时生物量，C的取值范围为100～200之间，C的具体取值与人工观测目标区域牧草的最大生物量有关，m、n为数值参数，其取值范围均为0～1之间，与牧草的长势情况有关。VRARI为最终实测作物长势指数。

本发明实施例中，在得到白平衡校正牧草图片时，根据步骤3的过程说明，能得到最终实测作物长势指数VRARI，在得到最终实测作物长势指数VRARI后，能够利用最终实测作物长势指数VRARI得到牧草实时生物量。

Claims (4)

1.一种基于图像的牧草覆盖度和生物量自动检测方法，其特征是，所述检测方法包括如下步骤：

步骤1、利用农业气象自动观测站中的摄像机拍摄获取所需方位角以及俯仰角的的牧草图片；

步骤2、对拍摄的牧草图片进行处理，以获取所述牧草图片的图像成像时间，并根据所述牧草图片的图像成像时间确定牧草图片对应的光合有效辐射照射度，且将所确定的光合有效辐射照射度与辐射照射度阈值比较，若牧草图片的光合有效辐射照射度低于辐射照射度阈值时，跳转至步骤4，否则，跳转至步骤3；

步骤3、利用「G-B」模型计算牧草图片的初始实测作物长势指数VARIobserve，并构建牧草生长期内作物长势指数的时间模型DAY-VARI，利用所述牧草生长期内作物长势指数的时间模型DAY-VARI以及牧草的当前生长期，得到预期作物长势指数VARImodel；当|VARI_model﹣VARI_observe|/VARI_model小于等于色度判断阈值时，跳转至步骤5，否则，跳转至步骤4；

步骤4、对牧草图片进行白平衡校正，以得到白平衡校正牧草图片；

步骤5、对得到的白平衡校正牧草图片，获取每个像元的G/R通道比值以及G/B通道比值，当G/R通道比值、G/B通道比值均大于牧草分割阈值时，且G通道数值大于35时，则当前的像元判定为牧草作物，否则，当前的像元判定为背景；

将白平衡校正牧草图片的像元均进行上述判断处理后，得到白平衡校准牧草图片对应的牧草初始二值图像；

步骤6、计算牧草初始二值图像中牧草像元区域的连通域面积，并获取各连通区域具有相同标准二阶中心矩的椭圆的长轴长度和短轴长度，当长轴长度与短轴长度的比值大于轴长度判断阈值时，则将当前区域判定为牧草区域像元，否则，将当前区域判定为非作物区域，以得到牧草最终二值图像；

对牧草最终二值图像，计算牧草区域像元数占总像元数的比例，以得到并输出牧草实时覆盖度；

步骤7、对步骤4得到的白平衡校正牧草图片，计算得到最终实测作物长势指数VRARI，根据牧草生物量-作物长势指数关系，得到牧草实时生物量，具体为：

Biomass＝C/(1+exp(m-n·VRARI))

其中，Biomass为牧草实时生物量，C、m、n均为常数，VRARI为最终实测作物长势指数。

2.根据权利要求1所述的基于图像的牧草覆盖度和生物量自动检测方法，其特征是：所述步骤2中，在获取牧草图像的图像成像时间后，利用农田小气候数据确定牧草图像对应的光合有效辐射照射度。

3.根据权利要求1所述的基于图像的牧草覆盖度和生物量自动检测方法，其特征是，牧草生长期内作物长势指数的时间模型DAY-VARI，具体为：

其中，a₁、b₁、c₁、a₂、b₂、c₂均为模型拟合参数，其取值范围在1～100之间，x为牧草生长期日数。

4.根据权利要求1所述的基于图像的牧草覆盖度和生物量自动检测方法，其特征是，步骤4中，利用直方图匹配方式对牧草图片进行白平衡校正，对牧草图片进行白平衡校正的具体过程包括：

步骤4.1、对牧草图片的每个色彩通道数值进行提取，以得到牧草图片直方图；

步骤4.2、提供标准图片，并计算所述标准图片以及牧草图片直方图的各级灰度值的累计概率，具体为：

Pk＝Nk/N,k＝0,1,…,255

其中，Pk表示数值为k的灰度值出现的概率，Nk表示数值为k的灰度值出现的频数，N为图像像素总数；

步骤4.3、根据上述标准图片、牧草图片直方图对应的各级灰度值的累积概率，得到标准图片的累计概率曲线，以及牧草图片的累计概率曲线；

步骤4.4、在标准图片的累计概率曲线、牧草图片的累计概率曲线上任选概率P，确定所选概率对应的灰度值；根据所选概率P下，标准图片的灰度值与牧草图片的灰度值对应关系，将牧草图片的数值概率集合校正至标准图片的概率集合，以实现对牧草图片的白平衡校正。

Images