CN112730412A - 一种基于高光谱影像的植被冠层阴阳叶判别方法 - Google Patents

Abstract

本发明公开了一种基于高光谱影像的植被冠层阴阳叶判别方法，包括：对遥感影像进行滤波降低信号噪声；利用吸收谷深度H、以及构建的红边植被识别指数REVI和比值植被指数SRVI，采用决策树分类方法计算得到目标植被信息遥感影像；构建高光谱植被冠层阴阳叶识别指数；利用阈值分类法提取植被冠层阴阳叶空间分布信息。本发明通过构建红边植被识别指数REVI和比值植被指数SRVI利用决策树的方法逐层剔除复杂背景对植被信息影响，判别精度高。构建的植被冠层阴阳叶识别指数，可以快速精确识别植被阴叶和阳叶的空间分布，操作过程简单。相较于传统的数码成像技术，本发明采用的高光谱成像数据有利于植被生态参数的无损估测，可应用于不同的植被类型，普适性强。

Description

一种基于高光谱影像的植被冠层阴阳叶判别方法

技术领域

本发明涉及一种基于高光谱影像的植被冠层阴阳叶判别方法，属于植被生态遥感领域。

背景技术

植被在自然状态下，易受作物本身和周围环境的影响而出现太阳光的遮挡现象。因此，在不同受光状态下，植被冠层往往出现阴叶和阳叶，同一张叶片可能既包含阴叶又包含阳叶。植被冠层阴叶和阳叶是作物长势监测、生理生化参数反演、光合特性和通量估算及植被与大气间物质交换等领域的重要基础参数。

植被冠层在不同受光状态下会导致植株的结构、形态特征和生理生化参数产生差异，许多学者很早就意识到区分植被阴叶和阳叶的重要性，但主要是对光照冠层和阴影冠层在光能利用率、叶绿素荧光特性和光合作用方面的进行差异分析。Law等从光能利用率的角度考虑发现植被冠层阴叶由于只吸收散射辐射处于光亏缺状态导致光能利用效率高于阳叶；申双和等对比分析了不同高度的棉花阴、阳叶的光合速率和气孔导度的变化，认为任意高度的阴叶的气孔导度总是小于阳叶，光合作用则远小于阳叶。杨兴洪等研究了人为遮阴和全光下棉花光合作用和叶绿素荧光特性，发现光照条件对植物叶片结构和功能的影响尤为明显，受光态势是造成阴生叶片和阳生叶片光合特性差异的主要原因。然而，目前的研究中大多数研究中使用的是植被冠层阴阳叶经验值而非真实的信息，因此，精确识别植被冠层阴阳叶分布是提高模型精度的前提和保障。

获取植被冠层阴阳叶信息的方式主要有实地数码成像和高光谱成像。实地数码成像虽然精度高但测量范围小，耗时耗力，且实地采样时会破坏冠层的自然生长状态；近年来，应用较广的高光谱影像数据同时具有成像范围广和空间分辨率、光谱分辨率高的特点。目前识别植被阴阳叶高光谱成像数据主要包括可见光-近红外和荧光两种波段数据源，但荧光遥感主要用于荧光信息的提取，对设备信噪比、光谱分辨率等要求苛刻，成本高，普适性差；而有些利用可见光-近红外高光谱数据的研究未考虑复杂背景对植被提取精度的影响。

发明内容

针对现有技术存在的不足，本发明提出了一种基于高光谱影像的植被冠层阴阳叶判别方法，通过对复杂背景与植被、植被阴叶和阳叶间的光谱特征差异进行分析，构建植被识别指数和阴阳叶识别指数，利用决策树和阈值分类法精确快速提取植被信息和阴阳叶空间分布，适用于不同的植被类型，易推广应用。

为解决上述问题，本发明所采取的技术方案是：

一种基于高光谱影像的植被冠层阴阳叶判别方法，包括以下步骤：

S1，对高光谱原始影像进行预处理，得到目标高光谱反射率影像；

S2，逐步对植被信息进行提纯；

S2-1，基于步骤S1的目标高光谱反射率影像计算550-750nm吸收谷深度；

S2-2，对S2-1中的吸收谷深度进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表目标植被信息；

S2-3，将S2-2中的二值掩膜图与S1中的目标高光谱反射率影像进行空间运算，得到初步提取的植被信息遥感影像；

S2-4，基于步骤S2-3中的初步提取的植被信息遥感影像构建并计算红边植被识别指数REVI，其表述为：

其中，Ref₆₇₀、Ref₇₅₀分别指地物在670nm和750nm波段处的反射率值，band1和band2分别指750nm和670nm的波段值；

S2-5，对S2-4中的REVI指数进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表进一步提纯的目标植被信息；

S2-6，将S2-5中的二值掩膜图与S2-3中的初步提取的植被信息遥感影像进行空间运算，得到进一步提纯后的植被信息遥感影像；

S2-7，基于步骤S2-6中的进一步提纯后的植被信息遥感影像构建并计算比值植被指数SRVI，其表述为：

其中，Ref₅₅₀、Ref₆₀₀分别指地物在550nm、600nm波段处的反射率值；

S2-8，对S2-7中的SRVI指数进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表最终的目标植被信息；

S2-9，将S2-8中的二值掩膜图与S2-6中的进一步提纯后的植被信息遥感影像进行空间运算，得到最终的目标植被信息遥感影像；

S3，利用步骤S2的最终的目标植被信息遥感影像，构建并计算植被冠层阴阳叶识别指数VAI，其表述为：

其中，Ref₇₀₅、Ref₇₅₀、Ref₈₀₀、分别指地物在705nm、750nm和800nm波段处的反射率值。

S4，基于步骤S3中的植被冠层阴阳叶识别指数VAI，利用阈值分类法提取植被冠层的阴叶和阳叶的空间分布信息，得到最终的植被冠层阴阳叶空间分布图。

更进一步的技术方案是，步骤S1中对高光谱原始影像的预处理包括利用标准白板和暗电流校正得到目标影像反射率图，以及对获得的目标影像反射率图进行中值滤波，最终得到平滑降噪后的目标高光谱反射率影像。

更进一步的技术方案是，步骤S2中利用决策树的分类方法对目标植被信息进行逐步提纯。

本发明的有益效果在于：

(1)本发明通过构建红边植被识别指数REVI和比值植被指数SRVI利用决策树的方法逐层剔除复杂背景对植被信息影响，判别精度高；REVI和SRVI指数能有效去除植被阴影与土壤等非植被地物共同作用后同植被阴叶存在异物同谱现象。

(2)本发明构建的植被冠层阴阳叶识别指数，可以快速精确识别植被阴叶和阳叶的空间分布，操作过程简单。

(3)相较于传统的数码成像技术，本发明采用的高光谱成像遥感有利于植被生态参数的无损估测，可应用于不同的植被类型，普适性强；相较于荧光高光谱遥感，本发明使用可见光-近红外波段的高光谱数据，成本低、对设备信噪比、光谱分辨率等要求没有那么苛刻，使用的范围更广。

附图说明

图1为本发明的流程示意图；

图2为对高光谱原始影像进行预处理后的目标高光谱反射率影像；

图3为550-750nm吸收谷深度H空间分布图；

图4为红边植被识别指数REVI空间分布图；

图5为比值植被指数SRVI空间分布图；

图6最终的目标植被信息遥感影像；

图7为非植被-植被光谱曲线对比图；

图8为植被冠层阴阳叶识别指数VAI空间分布图；

图9为植被冠层的阴叶和阳叶的空间分布信息。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的目标是植被冠层阴叶和阳叶的快速精确识别，对植被的生育期和生长条件无特殊要求，因此本发明采用盆栽植被作为研究对象。本实例采用美国Headwall公司的HyperSpec VNIR系列高光谱成像光谱仪，光谱范围为380nm-1000nm，光谱分辨率为2-3nm，共853个波段。为模拟植被正常的生长环境条件，除了植被本身器官组分存在的遮挡，在实际的操作过程中，图像右侧大面积阴影为其他地物遮挡太阳直射光而引起的植被阴叶。

参考图1，图1为本发明一种基于高光谱影像的植被冠层阴阳叶判别方法的流程图，包括以下步骤：

S1，对高光谱原始影像进行预处理，包括利用标准白板和暗电流校正得到目标影像反射率图，以及对获得的目标影像反射率图进行中值滤波，有效消除椒盐噪声或斑点；最终得到平滑降噪后的目标高光谱反射率影像(见图2)。

S2，对步骤S1中的目标高光谱反射率影像进行增强算法处理，并在经过增强算法处理后的遥感影像结果中随机采取样本，对植被和复杂背景进行光谱差异分析，通过光谱差异分析，寻找二者差异较显著的光谱波段。利用吸收谷深度H、以及构建的红边植被识别指数REVI和比值植被指数SRVI，采用决策树分类法逐步对植被信息进行提纯，最终得到目标植被信息影像数据。

在本实施例中，对目标高光谱反射率影像的增强处理包括对目标反射率影像结果图进行RGB:850nm-650nm-550nm的假彩色波段组合，以及对影像进行Equalization增强算法处理。

可见光波段是植物叶片的强吸收波段，由于植物色素的吸收，会在550nm(绿光处)形成绿峰，670nm(红光附近)形成吸收谷，这是植被区别于其他地物的独特光谱特征。决策树分类法无需训练样本，也无需对数据进行分类后处理；是非参数化的，不需要知道输入数据预先概率的分布，能有效地解决特征和类别的非线性问题，且结构明确，容易操作。

S2-1，基于步骤S1的目标高光谱反射率影像计算550-750nm吸收谷深度H，结果如图3所示。

S2-2，对S2-1中的吸收谷深度H进行阈值的设定：H≥0.5为植被，H＜0.5为背景信息；并生成0-1二值掩膜图，0值代表背景，1值代表目标植被信息。

S2-3，将S2-2中的二值掩膜图与S1中的目标高光谱反射率影像进行空间运算，得到初步提取的植被信息遥感影像。

S2-4，基于步骤S2-3中的初步提取的植被信息遥感影像构建红边植被识别指数REVI，该红边植被识别指数REVI的计算公式为：

其中，Ref₆₇₀、Ref₇₅₀分别指地物在670nm和750nm波段处的反射率值，band1和band2分别指750nm和670nm的波段值。

基于步骤S2-3中的初步提取的植被信息遥感影像计算红边植被识别指数REVI，得到红边植被识别指数REVI空间分布图(见图4)。

S2-5，对S2-4中的REVI指数进行阈值的设定：REVI≥14为植被，REVI＜14为背景信息；并生成0-1二值掩膜图，0值代表背景，1值代表进一步提纯的目标植被信息。

S2-6，将S2-5中的二值掩膜图与S2-3中的初步提取的植被信息遥感影像进行空间运算，得到进一步提纯后的植被信息遥感影像。

S2-7，基于步骤S2-6中的进一步提纯后的植被信息遥感影像构建比值植被指数SRVI，该比值植被指数SRVI的计算公式为：

其中，Ref₅₅₀、Ref₆₀₀分别指地物在550nm、600nm波段处的反射率值。

基于步骤S2-6中的进一步提纯后的植被信息遥感影像计算比值植被指数SRVI，得到比值植被指数SRVI空间分布图(见图5)。

S2-8，对S2-7中的SRVI指数进行阈值的设定：SRVI≥1为植被，SRVI＜1为背景信息；并生成0-1二值掩膜图，0值代表背景，1值代表最终的目标植被信息。

S2-9，将S2-8中的二值掩膜图与S2-6中的进一步提纯后的植被信息遥感影像进行空间运算，得到最终的目标植被信息遥感影像(见图6)。

利用吸收谷深度H初步提取植被后，分析发现还存在与植被阴叶同物异谱现象(见图7)。因此分析植被与背景区(与植被存在异物同谱区)的光谱差异后建立了REVI和ASRVI指数对植被信息进行提纯，最后得到最终的目标植被信息遥感影像。

S3，对步骤S2中的最终的目标植被信息遥感影像进行增强算法处理，并在经过增强算法处理后的遥感影像结果中随机采取样本，对植被阴叶和阳叶进行光谱差异分析，经过对植被阴叶和阳叶进行光谱差异分析，构建植被冠层阴阳叶识别指数VAI，该植被冠层阴阳叶识别指数VAI的计算公式为：

其中，Ref₇₀₅、Ref₇₅₀、Ref₈₀₀、分别指地物在705nm、750nm和800nm波段处的反射率值。

利用步骤S2的最终的目标植被信息遥感影像，计算植被冠层阴阳叶识别指数VAI，得到植被冠层阴阳叶识别指数(VAI)空间分布图(见图8)。

在本实施例中，对遥感影像的增强处理包括对最终的目标植被信息遥感影像进行RGB:850nm-650nm-550nm的假彩色波段组合，以及对影像进行Optimized Linear增强算法处理。

700-780nm是叶绿素在红波段强吸收到近红外多次散射形成的高反射平台，是表征植被生理生态的指示性特征，当植被受到胁迫或其他外界因素干扰时，该波段会出现红移和蓝移的现象；800nm波段(近红外波段)与叶片内部结构有关，叶片内部近50％的光线被反射，在不同的受光状态下，阴叶和阳叶在该波段有较大的差异。

S4，基于步骤S3中的植被冠层阴阳叶识别指数VAI，利用阈值分类法提取植被冠层的阴叶和阳叶的空间分布信息，阈值设定为：VAI≥25万为阳叶，VAI＜25万为阴叶；并生成二值掩膜图(见图9)，0值代表背景，1值代表植被冠层阴叶，2值代表植被冠层阳叶，得到最终的植被冠层阴阳叶空间分布图。

在研究范围内随机生成500个验证样本点，对分类后的结果进行评价，并计算分类的总体精度、制图精度、用户精度和Kappa系数(见下表)，总体精度为98％，Kappa系数为96％，植被的识别精度高达99％，阴阳叶的用户精度和制图精度均在90％以上；对阴阳叶识别结果进一步分析发现，错判的像元主要分布在阴叶和阳叶的交界。

将步骤S2中获取的最终的目标植被信息遥感影像与步骤S3中的植被冠层阴阳叶识别指数VAI对比发现，VAI能更直观、更清晰的看出植被冠层阴叶和阳叶的空间分布，判别精度更高，而且利用VAI指数识别阴叶和阳叶时，利用阈值就可以快速精确的识别，不需要复杂的模型和参数，也不需要进行分类后处理，操作简单、易推广，具有较强的普适性。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (3)

1.一种基于高光谱影像的植被冠层阴阳叶判别方法，其特征在于，包括以下步骤：

S1，对高光谱原始影像进行预处理，得到目标高光谱反射率影像；

S2，逐步对植被信息进行提纯；

S2-1，基于步骤S1的目标高光谱反射率影像计算550-750nm吸收谷深度；

S2-2，对S2-1中的吸收谷深度进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表目标植被信息；

S2-3，将S2-2中的二值掩膜图与S1中的目标高光谱反射率影像进行空间运算，得到初步提取的植被信息遥感影像；

S2-4，基于步骤S2-3中的初步提取的植被信息遥感影像构建并计算红边植被识别指数REVI，红边植被识别指数REVI的计算公式为：

其中，Ref₆₇₀、Ref₇₅₀分别指地物在670nm和750nm波段处的反射率值，band1和band2分别指750nm和670nm的波段值；

S2-5，对S2-4中的REVI指数进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表进一步提纯的目标植被信息；

S2-6，将S2-5中的二值掩膜图与S2-3中的初步提取的植被信息遥感影像进行空间运算，得到进一步提纯后的植被信息遥感影像；

S2-7，基于步骤S2-6中的进一步提纯后的植被信息遥感影像构建并计算比值植被指数SRVI，比值植被指数SRVI的计算公式为：

其中，Ref₅₅₀、Ref₆₀₀分别指地物在550nm、600nm波段处的反射率值；

S2-8，对S2-7中的SRVI指数进行阈值的设定，并生成0-1二值掩膜图，0值代表背景，1值代表最终的目标植被信息；

S2-9，将S2-8中的二值掩膜图与S2-6中的进一步提纯后的植被信息遥感影像进行空间运算，得到最终的目标植被信息遥感影像；

S3，利用步骤S2的最终的目标植被信息遥感影像，构建并计算植被冠层阴阳叶识别指数VAI，植被冠层阴阳叶识别指数VAI的计算公式为：

其中，Ref₇₀₅、Ref₇₅₀、Ref₈₀₀、分别指地物在705nm、750nm和800nm波段处的反射率值。

S4，基于步骤S3中的植被冠层阴阳叶识别指数VAI，利用阈值分类法提取植被冠层的阴叶和阳叶的空间分布信息，得到最终的植被冠层阴阳叶空间分布图。

2.根据权利要求1所述的一种基于高光谱影像的植被冠层阴阳叶判别方法，其特征在于，步骤S1中对高光谱原始影像的预处理包括利用标准白板和暗电流校正得到目标影像反射率图，以及对获得的目标影像反射率图进行中值滤波，最终得到平滑降噪后的目标高光谱反射率影像。

3.根据权利要求1所述的一种基于高光谱影像的植被冠层阴阳叶判别方法，其特征在于，步骤S2中利用决策树的分类方法对目标植被信息进行逐步提纯。

Images