用VDF法从数码照片中快速提取植被覆盖度
用VDF法从数码照片中快速提取植被覆盖度
摘要：植被覆盖度是反映地表植被基本情况的指标，对研究植被覆盖与土壤侵蚀关系、植被覆盖的水土保持效益等具有重要意义。获取地表数码照片并进一步提取植被覆盖度已成为一种颇具潜力的对植被覆盖度进行地面测量的手段。通过VDF法对数码照片的处理，实现了植被覆盖度的快速和批量提取，同时用NDI法提取相同数码照片的植被覆盖来进行对比验证。通过对两种方法的计算结果的准确度进行评价和比较表明，若是在正常温和的光照条件下拍摄的数码照片，用VDF法和NDI法估计的植被覆盖度都能够达到90%以上的准确度，结果可信度高；但是在强烈的阳光照射下拍摄的数码照片，VDF法要比NDI法更细致和准确，更具有一定的实用价值。
关键词：VDF；NDI；植被覆盖度
文献标志码：A 中图分类号：X826，TP7
Extracting Vegetation Coverage from Digital Photographs Efficiently By VDF
BAN Ai-qin1, QIAN Yu-rong1，MO Yuan-qi1, YANG Nan1
(1.College of Software, Xinjiang University, Urumqi, 830091，China)
Abstract:The vegetation coverage is one of the objectively indicators that reflecting the basic situation of the target vegetation,which is important to research the relationship between vegetation coverage and soil erosion and benefit of soil and water conservation from vegetation coverage. Access to digital photos and further extracting surface vegetation coverage has become a considerable potential measurement of ground-based vegetation coverage. This paper introduces a method VDF through which batch extraction of vegetation coverage can be achieved quickly,While NDI was used to compare and verify the VDF by extracting vegetation coverage from the same digital photos.The comparison and accuracy of the results of these two methods indicates that, if the digital photos were token in the normal mild-light, the accuracy of both methods are able to reach more than 90%; but if the photos were taken in the strong sunlight, the VDF method is more detailed and accurate and practical than the NDI method.
Key words:VDF；NDI；Vegetation Coverage
１ 前言
植被覆盖具有截留降雨，削减径流，保持水土等生态功能。植被覆盖度是指观测区域内植被冠层的垂直投影面积占地表总面积的百分比，即植土比[1]。植被覆盖度是反映植被基本情况的客观指标，是农学、生态学等所关心的一个重要参数。例如，在农业中反演作物肥水胁迫、监测长势的定量研究提供基础数据；为最优化农业生产管理提供重要的决策信息；对区域或全球性地表覆盖变化、景观分异等前沿问题的研究提供指示作用[2]。
植被覆盖度的计算方法可分为遥感监测和地表实测两大类。经过多年的科学研究已发展了许多利用遥感技术计算植被覆盖度的方法，其中应用最广泛的方法是植被覆盖度与光谱指数的相关分析法以及回归模型法[3-4]。但是这些方法都具有操作复杂、测量时间长 、受条件限制多、效率低或只适用于特定的区域与特定的植被类型，一般不易推广。而直接利用植被指数近似估算植被覆盖度是一种比较好的方法，并且相对于回归模型法更具有普遍意义[5]，其中利用NDI方法直接获取植被覆盖度是比较普遍应用的方法之一[6]。但由于数字照片的NDI处理过程中只体取提取可见光的红和绿波段，对可见光的其他波段并没有进行考虑，因而该方法所得到的计算结果精确性在有些特定情况下并不是很高。
虽然植被覆盖度的遥感方法已经得到广泛应用，但地面或近地表的植被覆盖度测量仍然在研究和应用中具有重要意义。例如，对于航天遥感估计的植被覆盖度，需要在地面实测进行植被覆盖度测量以验证遥感模型和结果的准确性。在精准农业作业系统中，需要对农田杂草的覆盖度进行实时测以实现变量喷药、变量施肥等[7]。地面植被覆盖度的实测方法很多：有目估法、正方形试点框架法、阴影法、点测法、网格法、空间定量计法、移动光量计法和照相法等[8-9]。但目估法主观性太强，而其他方法虽然比较客观，提高了测量的精度，但野外操作不便，并且成本较高，难以在大范围内快速提取植被覆盖度。随着摄影技术特别是数码摄影成像技术的普及，利用数码相机获取地表的数码照片并进一步提取植被覆盖度成为一种极具潜力的快速测量地表植被覆盖度的手段。如何快速、准确地从数码照片中提取植被覆盖度信息尚缺乏成熟的方法[7]。
从数码照片中快速、准确地获取植被覆盖度的关键环节是利用计算机技术对图像进行分析和处理，将图像的植被部分和非植被部分自动正确地区分，从而计算出植被覆盖度，最后利用批处理技术计算批量数码照片的植被覆盖度[7]。为此，本文根据植被和下垫面的颜色属性差异构造了基于RGB三原色的植被判定流程图VDF（vegetation determine flowchart），VDF的核心是提取数码照片中每个像元的RGB三原色颜色分量，根据归纳出的常见的植被类型的RGB三原色颜色分量分布规律，来判断每个像元是否属于植被的划分范围。为了证实VDF的可靠性，我们用相同的数码照片分别用植被判定流程图和NDI模型计算植被覆盖度，并对结果进行精度评价。最后通过比较两种方法得到的结果来说明VDF的可靠性。
２ 数据获取和研究方法
2.1 数据获取及处理
为了得到不同气候条件下植被覆盖度的数码照片，本文中所涉及的数码照片数据分别于春季采自江苏、河南、新疆三个气候差异明显的省份，这个时期大地开始回春，而三个省份分别位于沿海、内地、边远干旱地带，因此保证了我们所采集的数据来源广泛性和代表性。在获取数码照片前，我们在每个实验点中用竹竿圈出1m×1m的拍摄样本。然后，相机在实验点1.5ｍ高处，对所选的样本进行垂直拍摄。为了保证由照片数据所计算的植被覆盖度的准确，在拍照时要将相机置于样本的中心位置，并保证相机镜头与地面水平且成像范围完全覆盖样本，这样所拍摄出的照片最大程度地减少了因几何形变带来的误差。同样为了尽可能的避免因为手工操作相机拍摄角度的不准确而造成的人工因素误差，我们在对一个样本都按照刚才的要求拍摄了10张照片。本文选取了此次数码照片拍摄实验的10个样本的共100张照片，将这100张照片根据照片中４根竹竿摆放的位置将照片裁剪出来，这样保证了所有照片都代表实际样本范围大小，从而可以计算相对植被覆盖度和绝对植被覆盖度。需要说明的是，计算数码照片的植被覆盖度只与照片中植被的信息有关，因此数码相片的裁剪范围与计算植被覆盖度的方法精度不相关。
研究方法
2.2.1 NDI法：
由于可见光的红和绿波段对植被和土壤背景的光谱响应有较大差异，而且植被对红光的反射小于对绿光的反射。为了在可见光波段的数码照片中，从背景信息中提取植被信息，Warbeck[10]等提出了归一化差异指数（NDI－Normalized Difference Index）。NDI被定义为可见光绿波段与可见光红波段数值之差和这两个波段数值之和的比值。即：
NDI＝（green－red）/（green＋red） （1）
其中：green代表绿波段的像元值；red代表红波段的像元值。NDI为正值，表示有植被的覆盖，且随植被覆盖度的增大而增大。
将NDI值按照正负做二值化处理。NDI值大于零的像元表示为植被覆盖，小于零的像元为非植被覆盖像元，然后统计植被覆盖像元所占的比例，便可以得到数码照片覆盖范围内的植被覆盖度。具体处理流程如图1所示。为了自动快速地从大量数码照片中根据NDI提取植被覆盖度信息，根据NDI的定义，建立NDI处理模型，然后对所选定的100张数码照片进行处理。
图 SEQ 图表 \* ARABIC 1 NDI法提取植被覆盖度流程图
Fig.1 Flowchart of using NDI method to extract vegetation converge．
将要处理的100幅数字图像输入到模型之中，经过模型的计算，得到100幅二值图像。统计植被像元占整幅图像的面积，从而计算出每张样本照片中植被的覆盖度。
2.2.2 VDF法：
与NDI法不同，NDI方法只考虑了植被对红光的反射小于对绿光的反射，并没有考虑到植被的下垫面对可见光中各种光波段的反射也可能出现对红光的反射小于对绿光的反射情况，NDI方法也没有考虑到在强光照射下，有些植被颜色会发白或者发黑，这时植被对红光的反射不一定小于对绿光的反射。鉴于任何一种颜色都可以由红（Red）、绿（Green）、蓝（Blue）三个颜色按照特定的比例混合调配而成，考虑到NDI方法的这些不足，VDF法提取了图像像元的红（Red）、绿（Green）、蓝（Blue）三个颜色分量。为了使我们的划分范围更加精确，我们对各种常见绿色植被RGB的分布范围进行大规模的统计，于是我们得到了如图2所示的植被判定流程图，根据每个像元这三个颜色分量的数值来判定该像元是否属于植被覆盖像元，具体处理流程如下图所示：
图SEQ 图表 \* ARABIC 2 植被判定流程图
Fig.2 Flowchart of vegetation determined．
３ 结果与验证
为了验证由VDF法所计算的植被覆盖度的可信度和准确度，将其对数码照片的处理效果和计算的植被覆盖度结果与用NDI法进行比较分析，从而说明VDF法的可靠性。本文分别从在温和阳光照射下拍摄的5个样本照片中随机选取5张数码照片（w1-1、w2-5、w3-6、w4-7、w5-8）和强烈阳光照射下拍摄的5个样本照片中随机选取5张数码照片（q6-1、q7-2、q8-3、q9-4、q10-7）的处理效果和植被覆盖度计算结果进行对比说明，见表1。
表 1 VDF法和NDI法处理图片效果和计算植被覆盖度结果
Table 1 The disposed pictures with results of vegetation coverage by methods of VDF and NDI
TABLE I. THE DISPOSED PICTURES WITH RESULTS OF VEGETATION COVERAGE BY METHODS OF VDF AND NDI
表 2 VDF法和NDI法计算植被覆盖度结果的比较
Table 2 The results compared between VDF and NDI
从表1和表2的处理图片效果和计算植被覆盖度结果来看，VDF法和NDI法结果相差很大。从对各个样本方差的统计结果看，VDF法和NDI法的各个样本方差都小于0.0007。从对植被覆盖度的计算结果来看，其中样本1、2、3、6、8、10用VDF法比NDI法计算的植被盖度结果大，样本4、5、7、9用VDF法比NDI法计算的植被盖度结果小。从图片处理效果来看，两种方法对在温和阳光照射下对样本1、2、3、4、5拍摄的数码照片处理效果相差不大，准确度除了样本5的NDI方法都能达到90%以上；而对在强烈阳光照射下对样本6、7、8、9、10拍摄的数码照片处理效果相差很大，VDF的准确度在90.01%到93%之间，而NDI的准确度在81.31%到88.34%之间。从表1的图片效果处理图上可以明显的发现，NDI方法对在强烈阳光照射下颜色发白发亮的植被以及植被下形成的黑色阴影并不能很好有效的处理。从而说明在数码照片中提取植被信息方面，如果是在温和正常阳光下拍摄的数码照片，VDF法和NDI法处理效果相差不大，而如果是在强烈阳光照射下拍摄的数码照片，VDF法比NDI法考虑范围要广，涉及信息要全面，可信度要高，准确度要高，处理效果要好。
４ 结语
地面或近地表的植被覆盖度测量对于验证遥感模型、精准农业系统等研究和应用领域中具有重要意义。而快速、准确地从数码照片中提取植被覆盖度信息目前还没有比较成熟的方法。本文提出了基于VDF从数码照片中批量提取植被覆盖度的方法，利用VDF法和NDI法分别计算了相同一组只有可见光波段的数码照片的植被覆盖度，并将VDF法和NDI法的计算结果的处理效果和准确度进行评价和比较，从而对VDF方法进行了检验。
研究表明：从VDF法与NDI法的结果准确度评价和比较来看，在提取植被覆盖度信息上VDF法可以得到且优于NDI法的处理效果；从VDF法与NDI法所计算的植被覆盖度结果来看，两种方法在强烈阳光下处理效果分歧很大，VDF法所计算的植被覆盖度可信度高，准确度在90%以上；从VDF法与NDI法模型的过程来看，VDF是一种精确的、高效的、试用范围广的估计植被覆盖度的方法，可以利用计算机自动监控，进行快速的植被提取，而不像NDI那样只有在温和阳光下才有一定的可信度。
参考文献：
[1] Purevdorj TS ,Tateishi R ,Ishiyama T,et al. Relationships between percent vegetaion cover and vegetaion indices[J].International Journal of Remote Sensing，1998，19(18)：3519-3535.
[2] Qin Wei.Review of Vegetation Covering and Its Measuring andCalculating Method[J].Journal of Northwest Sci－Tech Universityof Agriculture and Forestry （Natural Science Edition），2006，34（9）：163－170.［秦伟.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报，2006，34（9）：163－170.］
[3] Sellers P J.A Global 1° by 1° NDVI Data Set for ClimateStudies.Part 2：The Generation of Global Fields of TerrestrialBiophysical Parameters from the NDVI[J].InternationalJournal of Remote Sensing，1994，15（17）：3519－3545.
[4] North P R J.Estimation of fAPAR，LAI，and Vegetation Fractional Cover from ATSR－2Imagery[J].Remote Sensing ofEnvironment，2002，80（1）：114－121.
[5] Gillies R R.A Verification of the Triangle’s Method for Obtaining Surface Soil Water Content and Energy Fluxes from Remote Measurementsof the Normalized Diverence VegetatiIndex（NDVI）and Surface Radiant Temperature[J].International Journal of RemoteSensing，1997，18：3145－3166.
[6]Pan Jianping.Extraction of Vegetation Fraction Based on Remote Sensing Classification [J] .Journal of Geomatics，2007， 32（6）：17－19.［潘建平.基于遥感分类的植被覆盖度提取［J］.测绘信息与工程，2007，32（6）：17－19.］
[7] Ren Jie,Bo Yan-chen,Wang Jin-di. An Efficent Method for Extracting Vegetation Coverage from Digital Photographs[J]. Remote Sensing Technology and Application，2010，25(5)：719－720. ［任杰，柏延臣，王锦地.从数码照片中快速提取植被覆盖度的方法研究[J].遥感技术与应用，2010，25(5)：719－720.］
[8] Zhang Wenbo，Fu Suhua.Error Assessment of Visual Estimation[J].Journal of Beijing Normal University：Natural Science，2001，37（3）：402－408.［章文波，符素华.目估法测量植被覆盖度的精度分析[J].北京师范大学学报：自然科学版，2001，37（3）：402－408.］
[9] Zhang Yunxia，Li Xiaobing.Overview of Field and Multi－scaleRemote Sensing Measurement Approaches to Grassland Vegetatiion Coverage[J].Advance in Earth Science，2003，18（1）：85－93.［张云霞，李晓兵.草地植被盖度的多尺度遥感与实地测量方法综述[J].地球科学进展，2003，18（1）：85－93.］
[10] Woebbecke D M.Plant Species Identification，Size，and Enumeration Using Machine Vision Techniques on Nea-binary Images[J].Proceedings of SPIE，1993，1836：208－219.
用VDF法从数码照片中快速提取植被覆盖度.doc
