基于可见波段的无人机超低空遥感图像处理技术
基于可见波段的无人机超低空遥感图像处理技术
植保资讯
2018-08-24 11:55
11144
官方新闻
植保资讯
2018-08-24 11:55
基于可见波段的无人机超低空遥感图像处理技术


大家好!我是兰玉彬。很高兴受邀作为极飞学院的特聘专家,来这儿跟大家分享农业科技方面的最新知识,以及我对中国农业未来的一些思考。

 

之前的栏目中,我们介绍过 3D 遥感技术在植物生长监测、病虫害监测方面的应用,以及国内外的研究与发展现状。今天,我们来具体探讨一下如何利用低成本的可见光超低空农业遥感平台提取与分析农情信息,以期为农用无人机精准施药与农情监测提供参考。 






无人机超低空遥感技术的优势

 

目前我国耕地存在较严重的农药污染问题。无人机低空施药技术结合 GPS 技术能规划航线施药,但只能全程喷施,并不能按需施药。无人机遥感技术可以快速获取某个重点研究区域的遥感影像及农情信息,从而对作物精准施药,减少化肥与农药的使用,已成为精准农业不可或缺的手段。


相比传统遥感,无人机的多光谱遥感可见光波段的图像易于采集、空间分辨率高、获取成本低,若能与无人机喷施技术结合,将为无人机精准农业、病虫害分析等领域提供新方法。

 

植被指数与无人机低空遥感图像处理


植被指数可以有效地反映植被活力和植被信息,是遥感中最常用的参数之一,也是遥感反映植被叶绿素含量、植被覆盖度、叶面积指数、生物量等参数的重要技术手段。


目前应用的植被指数种类很多,但通常为可见光波段与近红外等结合的指数,如归一化植被指数 ( Normalized difference vegetation index,NDVI) 、比值植被指数 ( Ratio vegetation index,RVI) 等,有 100 多种,所需的遥感影像获取成本高、周期长、空间分辨率较低,很难用于田间的病虫害监测与实时农情信息提取与分析。

 

基于可见光的植被指数主要有归一化绿红差异指数( Normalized green-red difference index,NGRDI )、绿叶指数( Green leaf index,GLI )、红绿比值指数( Red green ratio index,RGRI ) 、过绿指数( Excess green,ExG )等。


我们针对仅包含可见光波段的超低空遥感图像,开展图像校正、可见光植被指数信息提取与作物区域提取等一系列研究,找出一种低成本的基于无人机低空遥感图像处理技术的方法,为无人机农业精准施药、农田信息提取等提供参考。 


研究过程与方法


我们对无人机可见光影像图像进行了校正,研究了图像中各地物的光谱特征,并结合可见光植被指数 NGRDI、GLI、RGRI 与 ExG 等计算,得到图像的各指数分布图,在分析各指数分布图的光谱特性与直方图后,进行了植被信息提取并进行了试验验证。


第 1 步:可见光遥感图像获取


我们采用实验室自主搭建的电动四轴无人机采集图像。飞行控制器为 APM,带有 OSD( On-screen display) 功能与气压计等传感器,搭配图传后可以实时显示飞行高度等信息,还搭载自稳定云台、数字图传和可见光波段广角摄像机。

 

第 2 步:图像校正

遥感图像的几何校正方法主要有基于控制点和基于影像特征的校正。基于控制点的校正主要是利用 GPS 信息进行。由于本试验图像是由普通 RGB 光学相机拍摄所得,照片拍摄时的焦距、相机传感器的物理尺等信息未知,并且存在较大的桶形失真,因此我们通过 Zhang 平面标定法来标定相机,获得相机的内部畸变矩阵,并校正试验图片。 

 

第 3 步:可见波段植被指数计算


可见光波段指数计算公式如下:

 

R、G、B 分别表示红波段、绿波段和蓝波段像素值,r、g、b 分别表示归一化后相应波段像素值。 



结果与分析——


哪些植被指数适用于超低空无人机可见光农田影像的植被提取?

 

由于只提取植被,因此将试验的影像文件分为植被与非植被两大类。为了更好地开展指数分析,我们针对每种地物选取 10 个区域进行统计,并分析各波段间的差异。统计信息如表 1 所示。

 

从表 1 中可以看出,对于植被(作物)而言,绿波段像素值 > 红波段像素值 > 蓝波段像素值(像素值为均值),这符合健康绿色植物光谱特性。利用可见光波段指数计算公式计算各可见光波段植被指数,可以得到植被指数分布图。

 

(注:以上 4 个植被指数分布图中,RGRI 指数分布图的色调越暗,表示植被指数值越高;而 NGRDI、GLI 与 ExG 指数分布图的色调越亮,表示植 被的指数值越高。)


从图 5 可看出,GLI 与 ExG 植被指数分布图的植被与非植被灰度值差异很明显,植被区域呈现亮白色,而非植被区域都比较暗。NGRDI 与 RGRI 植被指数分布图的部分植被与裸地区域灰度值很相近,容易混淆。此外,NGRDI 与 RGRI 的部分裸地与植被存在重叠,植被与裸地的交界处细节不够清晰,可能会导致分类精度下降。

 

我们还利用确定的阈值对各指数分布图进行植被提取,并进行各植被指数的植被提取精度评价(表 3),植被指数提取结果如图 7 所示。

 

从表 3 和图 7 可以看出,GLI 与 ExG 的提取效果最好,细节部分都能很好地提取,总体精度均大于 97%,与参考图像最接近。


而 NGRDI 与 RGRI 的提取结果中,植被与非植被存在较多的重叠,且植被的提取正确率高,而零星的植被提取效果差,非植被的提取精度差,说明 NGRDI 与 RDRI 只适用于成片植被的提取。

超低空无人机影像与卫星影像相比,其空间分辨率更高、获取方式更灵活、时效更好,在农情监测、精准农业等领域具有很大的潜力与优势。


一系列试验和验证结果表明,GLI 与 ExG 指数提取精度很高,准确度都大于 97 %,适用于超低空无人机可见光农田影像的植被提取。这种图像处理方法,可以用较小成本获取高精度的植被信息提取结果,对于精准农业、精准喷施、病虫害监测与农情分析等领域有一定的应用价值。




关于研究过程与方法,补充两个知识点,供感兴趣的同学阅读学习:


1、为什么无人机采集的图像会产生畸变?


无人机成像时,受地形起伏、飞行姿态变化等因素的影响,获得的遥感影像会产生几何畸变。与航天遥感、高空遥感等图像相比,地球曲率、地球自转和大气折射等因素对超低空遥感图像的影响较小,可以忽略。


超低空无人机遥感图像的畸变,主要是由传感器和地形起伏引发的几何畸变。在我们做的试验中,可见光图片皆为镜头垂直向下拍摄,试验地点地形平缓,相机是普通的广角光学相机,没有经过严格标定,因此影像畸变主要为相机镜头导致的桶形畸变。



2、什么是 Zhang 平面标定法?


Zhang 平面标定法属于离线相机标定,需要准确的相机内参数和外参数作为重构算法的输入和先决条件。该方法需要对一个平面标定图案的至少两幅不同视图来进行标定。


在使用 zhang 平面标定法校正图像时,只需用相机从不同的角度和深度拍摄标准国际棋盘纸,然后用方程求出相机的内部参数,继而利用内部参数校正图像。

本试验中采用固定棋盘纸而移动相机的方式拍摄共获得不同角度与深度的棋盘格图像 24 并编程求取相机的内部矩阵畸变棋盘格与校正后的棋盘格的试验图像见图 3由获得的畸变矩阵校正后的影像见图 4为保证校正后图像与原图大小一致采用 1 次插值并编程调整图像大小。