摘要:構(gòu)造一種通用而有效的無人機(jī)低空遙感圖像處理方法,是無人機(jī)進(jìn)行精準(zhǔn)施藥、實(shí)時(shí)農(nóng)情監(jiān)測等的關(guān)鍵。
之前的欄目中,我們介紹過 3D 遙感技術(shù)在植物生長監(jiān)測、病蟲害監(jiān)測方面的應(yīng)用,以及國內(nèi)外的研究與發(fā)展現(xiàn)狀。今天,我們來具體探討一下如何利用低成本的可見光超低空農(nóng)業(yè)遙感平臺提取與分析農(nóng)情信息,以期為農(nóng)用無人機(jī)精準(zhǔn)施藥與農(nóng)情監(jiān)測提供參考。
無人機(jī)超低空遙感技術(shù)的優(yōu)勢
目前我國耕地存在較嚴(yán)重的農(nóng)藥污染問題。無人機(jī)低空施藥技術(shù)結(jié)合 GPS 技術(shù)能規(guī)劃航線施藥,但只能全程噴施,并不能按需施藥。無人機(jī)遙感技術(shù)可以快速獲取某個(gè)重點(diǎn)研究區(qū)域的遙感影像及農(nóng)情信息,從而對作物精準(zhǔn)施藥,減少化肥與農(nóng)藥的使用,已成為精準(zhǔn)農(nóng)業(yè)不可或缺的手段。
相比傳統(tǒng)遙感,無人機(jī)的多光譜遙感可見光波段的圖像易于采集、空間分辨率高、獲取成本低,若能與無人機(jī)噴施技術(shù)結(jié)合,將為無人機(jī)精準(zhǔn)農(nóng)業(yè)、病蟲害分析等領(lǐng)域提供新方法。
植被指數(shù)與無人機(jī)低空遙感圖像處理
植被指數(shù)可以有效地反映植被活力和植被信息,是遙感中最常用的參數(shù)之一,也是遙感反映植被葉綠素含量、植被覆蓋度、葉面積指數(shù)、生物量等參數(shù)的重要技術(shù)手段。
目前應(yīng)用的植被指數(shù)種類很多,但通常為可見光波段與近紅外等結(jié)合的指數(shù),如歸一化植被指數(shù) ( Normalized difference vegetation index,NDVI) 、比值植被指數(shù) ( Ratio vegetation index,RVI) 等,有 100 多種,所需的遙感影像獲取成本高、周期長、空間分辨率較低,很難用于田間的病蟲害監(jiān)測與實(shí)時(shí)農(nóng)情信息提取與分析。
基于可見光的植被指數(shù)主要有歸一化綠紅差異指數(shù)( Normalized green-red difference index,NGRDI )、綠葉指數(shù)( Green leaf index,GLI )、紅綠比值指數(shù)( Red green ratio index,RGRI ) 、過綠指數(shù)( Excess green,ExG )等。
我們針對僅包含可見光波段的超低空遙感圖像,開展圖像校正、可見光植被指數(shù)信息提取與作物區(qū)域提取等一系列研究,找出一種低成本的基于無人機(jī)低空遙感圖像處理技術(shù)的方法,為無人機(jī)農(nóng)業(yè)精準(zhǔn)施藥、農(nóng)田信息提取等提供參考。
研究過程與方法
我們對無人機(jī)可見光影像圖像進(jìn)行了校正,研究了圖像中各地物的光譜特征,并結(jié)合可見光植被指數(shù) NGRDI、GLI、RGRI 與 ExG 等計(jì)算,得到圖像的各指數(shù)分布圖,在分析各指數(shù)分布圖的光譜特性與直方圖后,進(jìn)行了植被信息提取并進(jìn)行了試驗(yàn)驗(yàn)證。
第 1 步:可見光遙感圖像獲取
我們采用實(shí)驗(yàn)室自主搭建的電動四軸無人機(jī)采集圖像。飛行控制器為 APM,帶有 OSD( On-screen display) 功能與氣壓計(jì)等傳感器,搭配圖傳后可以實(shí)時(shí)顯示飛行高度等信息,還搭載自穩(wěn)定云臺、數(shù)字圖傳和可見光波段廣角攝像機(jī)。
第 2 步:圖像校正
遙感圖像的幾何校正方法主要有基于控制點(diǎn)和基于影像特征的校正。基于控制點(diǎn)的校正主要是利用 GPS 信息進(jìn)行。由于本試驗(yàn)圖像是由普通 RGB 光學(xué)相機(jī)拍攝所得,照片拍攝時(shí)的焦距、相機(jī)傳感器的物理尺等信息未知,并且存在較大的桶形失真,因此我們通過 Zhang 平面標(biāo)定法來標(biāo)定相機(jī),獲得相機(jī)的內(nèi)部畸變矩陣,并校正試驗(yàn)圖片。
第 3 步:可見波段植被指數(shù)計(jì)算
可見光波段指數(shù)計(jì)算公式如下:
R、G、B 分別表示紅波段、綠波段和藍(lán)波段像素值,r、g、b 分別表示歸一化后相應(yīng)波段像素值。
結(jié)果與分析——
哪些植被指數(shù)適用于超低空無人機(jī)可見光農(nóng)田影像的植被提取?
由于只提取植被,因此將試驗(yàn)的影像文件分為植被與非植被兩大類。為了更好地開展指數(shù)分析,我們針對每種地物選取 10 個(gè)區(qū)域進(jìn)行統(tǒng)計(jì),并分析各波段間的差異。統(tǒng)計(jì)信息如表 1 所示。
從表 1 中可以看出,對于植被(作物)而言,綠波段像素值 > 紅波段像素值 > 藍(lán)波段像素值(像素值為均值),這符合健康綠色植物光譜特性。利用可見光波段指數(shù)計(jì)算公式計(jì)算各可見光波段植被指數(shù),可以得到植被指數(shù)分布圖。
(注:以上 4 個(gè)植被指數(shù)分布圖中,RGRI 指數(shù)分布圖的色調(diào)越暗,表示植被指數(shù)值越高;而 NGRDI、GLI 與 ExG 指數(shù)分布圖的色調(diào)越亮,表示植 被的指數(shù)值越高。)
從圖 5 可看出,GLI 與 ExG 植被指數(shù)分布圖的植被與非植被灰度值差異很明顯,植被區(qū)域呈現(xiàn)亮白色,而非植被區(qū)域都比較暗。NGRDI 與 RGRI 植被指數(shù)分布圖的部分植被與裸地區(qū)域灰度值很相近,容易混淆。此外,NGRDI 與 RGRI 的部分裸地與植被存在重疊,植被與裸地的交界處細(xì)節(jié)不夠清晰,可能會導(dǎo)致分類精度下降。
我們還利用確定的閾值對各指數(shù)分布圖進(jìn)行植被提取,并進(jìn)行各植被指數(shù)的植被提取精度評價(jià)(表 3),植被指數(shù)提取結(jié)果如圖 7 所示。
從表 3 和圖 7 可以看出,GLI 與 ExG 的提取效果最好,細(xì)節(jié)部分都能很好地提取,總體精度均大于 97%,與參考圖像最接近。
而 NGRDI 與 RGRI 的提取結(jié)果中,植被與非植被存在較多的重疊,且植被的提取正確率高,而零星的植被提取效果差,非植被的提取精度差,說明 NGRDI 與 RDRI 只適用于成片植被的提取。
超低空無人機(jī)影像與衛(wèi)星影像相比,其空間分辨率更高、獲取方式更靈活、時(shí)效更好,在農(nóng)情監(jiān)測、精準(zhǔn)農(nóng)業(yè)等領(lǐng)域具有很大的潛力與優(yōu)勢。
一系列試驗(yàn)和驗(yàn)證結(jié)果表明,GLI 與 ExG 指數(shù)提取精度很高,準(zhǔn)確度都大于 97 %,適用于超低空無人機(jī)可見光農(nóng)田影像的植被提取。這種圖像處理方法,可以用較小成本獲取高精度的植被信息提取結(jié)果,對于精準(zhǔn)農(nóng)業(yè)、精準(zhǔn)噴施、病蟲害監(jiān)測與農(nóng)情分析等領(lǐng)域有一定的應(yīng)用價(jià)值。
關(guān)于研究過程與方法,補(bǔ)充兩個(gè)知識點(diǎn),供感興趣的同學(xué)閱讀學(xué)習(xí):
1、為什么無人機(jī)采集的圖像會產(chǎn)生畸變?
無人機(jī)成像時(shí),受地形起伏、飛行姿態(tài)變化等因素的影響,獲得的遙感影像會產(chǎn)生幾何畸變。與航天遙感、高空遙感等圖像相比,地球曲率、地球自轉(zhuǎn)和大氣折射等因素對超低空遙感圖像的影響較小,可以忽略。
超低空無人機(jī)遙感圖像的畸變,主要是由傳感器和地形起伏引發(fā)的幾何畸變。在我們做的試驗(yàn)中,可見光圖片皆為鏡頭垂直向下拍攝,試驗(yàn)地點(diǎn)地形平緩,相機(jī)是普通的廣角光學(xué)相機(jī),沒有經(jīng)過嚴(yán)格標(biāo)定,因此影像畸變主要為相機(jī)鏡頭導(dǎo)致的桶形畸變。
2、什么是 Zhang 平面標(biāo)定法?
Zhang 平面標(biāo)定法屬于離線相機(jī)標(biāo)定,需要準(zhǔn)確的相機(jī)內(nèi)參數(shù)和外參數(shù)作為重構(gòu)算法的輸入和先決條件。該方法需要對一個(gè)平面標(biāo)定圖案的至少兩幅不同視圖來進(jìn)行標(biāo)定。
在使用 zhang 平面標(biāo)定法校正圖像時(shí),只需用相機(jī)從不同的角度和深度拍攝標(biāo)準(zhǔn)國際棋盤紙,然后用方程求出相機(jī)的內(nèi)部參數(shù),繼而利用內(nèi)部參數(shù)校正圖像。
本試驗(yàn)中采用固定棋盤紙而移動相機(jī)的方式拍攝,共獲得不同角度與深度的棋盤格圖像 24 張,并編程求取相機(jī)的內(nèi)部矩陣。畸變棋盤格與校正后的棋盤格的試驗(yàn)圖像見圖 3。由獲得的畸變矩陣校正后的影像見圖 4,為保證校正后圖像與原圖大小一致,采用 1 次插值,并編程調(diào)整圖像大小。
【說明】 本文轉(zhuǎn)載自中國農(nóng)業(yè)航空界領(lǐng)軍人物蘭玉彬教授在極飛學(xué)院開設(shè)的專欄《通往精準(zhǔn)農(nóng)業(yè)之路》。極飛學(xué)院是極飛科技成立的無人機(jī)技術(shù)和現(xiàn)代農(nóng)業(yè)知識分享平臺,包括“線上知識服務(wù)”和“線下操作培訓(xùn)”兩部分。極飛學(xué)院在現(xiàn)代農(nóng)業(yè)知識服務(wù)領(lǐng)域有重大影響力,不斷邀請農(nóng)業(yè)科技專家、學(xué)者和實(shí)踐者入駐并分享成果。目前,極飛學(xué)院擁有超過50000名注冊學(xué)員,文章與教材的總閱讀量突破500萬,讓25萬新農(nóng)人接觸和學(xué)習(xí)到無人機(jī)技術(shù)和精準(zhǔn)農(nóng)業(yè)理念。