基于光饱和影响校正的作物叶绿素分布光谱成像检测

叶绿素含量是作物光合能力与营养评价的重要指标,因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取,开展玉米作物营养状态分布光谱学成像检测。构建了多光谱图像采集平台获取RGB和NIR图像,研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法,通过图像的匹配分割,冠层的提取校正,建立了基于冠层图像的作物SPAD值检测模型与分布成图。采集15株玉米植株RGB-NIR图像,并同步获取不同植株,不同位置共68个叶绿素含量指标SPAD值。首先对RGB图像进行光饱和校正,再对NIR图像进行滤波和图像增强,其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配,利用RGB图像的颜色特征,采用ExG(Extra Green)和OTSU算法生成分割掩模,对RGB图像和NIR图像进行分割提取,提取图像的R, G, B和NIR分量,利用4阶灰度板进行反射率校正,然后计算作物图像中像素级P_SPAD值,并建立图像P_SPAD值与叶绿素仪SPAD值的拟合模型,最后绘制作物SPAD分布图。通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围,以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。RGB图像光饱和校正前I分量集中在[140～180]之间,光饱和校正后的RGB图像I分量集中在[85～130]之间, 校正了相机成像时产生模糊和RGB图像饱和。对分割后的RGB图像和NIR图像提取R,G,B,NIR分量进行4阶灰度板校正,相关系数分别为0.829,0.828,0.745和0.994,进而生成R,G,B和NIR四波段的反射率伪彩色图像,反射率R_NIR＞R_C＞R_R＞R_B。体现了作物的在蓝光和红光区域吸收光,在绿光区域和近红外区域反射光的光谱特性。校正前后的R和NIR分量反射率计算图像P_SPAD值拟合叶绿素含量指标SPAD值的模型结果显示,校正前R2为0.332 6,校正后R2为0.619 3,绘制作物的SPAD特征分布图,可为作物的营养动态快速分析与分布检测提供技术支持。     

玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息,基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统,在田间采集玉米冠层可见光[Blue(B),Green(G),Red(R);400～700 nm]和近红外(Near-infrared: NIR,760～1 000 nm)图像,并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后,进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割,首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法,选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割,进而采用区域标记算法进行精细分割,分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R,G,B各通道,从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R,G,B和NIR四个通道的玉米冠层图像,提取了各通道图像灰度均值(A_NIR,A_Red,A_Green和A_Blue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数,建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明,建模R2达0.596 0,预测R2达0.568 5,该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量,可为大田玉米长势监测提供支持。     

玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息, 基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统, 在田间采集玉米冠层可见光［Blue(B), Green(G), Red(R);400～700 nm］和近红外(Near-infrared: NIR, 760～1 000 nm)图像, 并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后, 进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割, 首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法, 选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割, 进而采用区域标记算法进行精细分割, 分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R, G, B各通道, 从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R, G, B和NIR四个通道的玉米冠层图像, 提取了各通道图像灰度均值(ANIR, ARed, AGreen和ABlue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数, 建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明, 建模R2达0.596 0, 预测R2达0.568 5, 该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量, 可为大田玉米长势监测提供支持。     

基于作物谱图特征的植株分割与叶绿素分布检测

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺光谱成像传感器,研究了玉米植株冠层叶绿素含量分布式检测方法。试验采用IMEC 5×5成像传感器,拍摄47株苗期玉米植株冠层,获取673～951 nm范围内的25个波长的光谱图像。实验中,利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量,每株玉米冠层叶片设置2～3个采样点,每点测量3次取平均,共计242个样本数据。对光谱图像数据,经4灰度级标准板提取并校准反射率。为了实现玉米植株与花盆、土壤背景的有效分离,在分析不同对象光谱反射率与图像像素特征的基础上,提出了一种基于谱图特征组合的植株分割方法,即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。首先,计算各像素点归一化植被指数(NDVI),并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。其次,采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后,基于区域标记算法进行精细分割,获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长,并构建750～951 nm近红外(NIR)和673～750 nm红色(R)选中波长集合,遍历NIR和R集合组合计算比值植被指数(RVI),差值植被指数(DVI),归一化植被指数(NDVI)和SPAD转换指数(T_(SPAD))。然后,再次采用CA和RF算法筛选植被指数,利用SPXY算法将样本按照7∶3比例划分为建模集和验证集,并建立了叶绿素含量指标检测CA+RF-PLSR模型。结果表明,其建模集R■为0.573 9, RMSEC为3.84%,验证集R■为0.420 2, RMSEC为2.3%。利用建模结果对多光谱图像进行处理,绘制玉米叶片SPAD值伪彩色分布图,实现叶绿素含量分布可视化。研究表明采用镀膜型光谱成像数据,分析对象光谱与图像特征,探讨玉米冠层叶绿素含量分布检测的可行性,可为直观监测作物生长动态提供支持。     

AKAZE结合自适应局部仿射匹配的视差图像特征匹配算法

针对常用的图像特征匹配算法对具有视差的图像在图像特征匹配阶段会产生大量误匹配点的问题,提出了一种AKAZE（accelerated-KAZE）算法结合自适应局部仿射匹配的特征匹配算法。首先,采用AKAZE算法提取特征点;接着,采用二进制描述符M-LDB(modified-local difference binary)进行描述并进行暴力匹配产生粗匹配点对;最后,基于图像的仿射变换可以提供较强的几何约束这一特性,采用自适应局部仿射匹配完成精匹配。实验结果表明,该算法针对具有旋转变化、尺度变化、视角变化的图像匹配,具有提取特征点均匀、匹配准确等效果,提取的正确特征点数量分别平均相对于SIFT算法提升了1.66倍、SURF算法提升了1.08倍、ORB算法提升了6.92倍、GMS算法提升了1.23倍,能够满足具有较大视差图像匹配的需求。     

针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究

实时准确地获取作物叶绿素含量的三维空间分布信息,是作物营养、栽培和育种等科学研究和生产领域密切关注的问题。该研究以水稻植株为研究对象,采用改造后的普通单反相机加载近红外滤光片的方法,多角度获取水稻植株的多光谱图像。基于不同波段不同通道的组合图像计算多种植被指数,将其结果与对应的实测SPAD值之间建立水稻植株叶绿素(SPAD)预测模型,并筛选出最优预测模型。研究结果表明,近红外760 nm波段的R通道与可见光G通道构建的GNDVI植被指数,与实测SPAD值建立的二次函数预测模型能够很好地反演水稻植株叶绿素(SPAD)含量,其中,R2=0.758, RMSE=1.532。在此基础上,利用多角度成像三维建模方法建立具备纹理信息的水稻三维模型,将最优预测模型应用于水稻综合纹理图,得到水稻叶绿素含量三维空间分布信息, 从而实现水稻生长情况以及叶绿素养分分布状况的快速无损检测。     

基于边缘与SURF算子的SAR与可见光图像配准方法

鉴于SAR(synthetic aperture radar)与可见光图像的成像机理存在很大差别,使得其同名特征的提取和配准十分困难,但在某些情况下,这两类图像的边缘存在一定的相关性。提出一种基于边缘与SURF(speed-up robust feature)算子的图像配准方法。通过适当预处理增强图像间的共性,采用综合性能比较好的Canny算子提取两幅图像共有的边缘特征,在边缘图像的基础上提取SURF特征;通过比值提纯法进行特征点粗匹配,RANSAC(random sample consensus)算法剔除误匹配点,计算仿射变换模型从而实现SAR与可见光图像的自动配准。实验结果表明:该算法的正确匹配率为100%,均方根误差为0.852个像素,配准精度达到亚像素水平。     

高分辨率遥感图像SIFT和SURF算法匹配性能研究

遥感图像匹配是图像校正、拼接的基础。由于遥感图像特征相似度大,重叠区域小,遥感图像对匹配算法的要求更高。本文首先从特征检测、特征描述和特征匹配三个方面,比较了SIFT算法和SURF算法在计算速度和准确度方面性能,然后研究了算法对遥感图像重叠度、度量距离的要求,并针对SURF算法对特征方向误差敏感的特点,提出一种oSURF算法;最后利用卫星1A级条带遥感图像分析各个算法优劣性。测试结果表明,相比于SIFT算法,SURF算法计算速度为SIFT的3倍,需要的图像重叠宽度仅为1.25倍描述向量尺寸,而在保证同样匹配率的情况下,SIFT算法则需要图像重叠宽度为1.5倍描述向量尺寸。本文提出的oSURF算法在保证计算速度的同时,准确度相对于SURF算法提升5%~10%,因此,oSURF算法更适合1A级条带遥感图像的拼接。     

基于变换域PCNN的近红外与彩色可见光融合

针对近红外与彩色可见光图像融合后对比度低、细节丢失和颜色失真等问题,提出一种基于多尺度变换和自适应脉冲耦合神经网络(PCNN-pulse coupled neural network,PCNN)的红外与彩色可见光图像融合的新算法。首先将彩色可见光图像转换到HSI（hue saturation intensity)空间,HSI色彩空间包含亮度、色度和饱和度三个分量,并且这三个分量互不相关,因此利用这个特点可对三个分量分别进行处理。将其亮度分量与近红外图像分别进行多尺度变换,变换方法选择Tetrolet变换。变换后分别得到低频和高频分量,针对图像低频分量,提出一种期望最大的低频分量融合规则;针对图像高频分量,采用高斯差分算子调节PCNN模型的阈值,提出一种自适应的PCNN模型作为融合规则。处理后的高低频分量经过Tetrolet逆变换得到的融合图像作为新的亮度图像。然后将新的亮度图像和原始的色度和饱和度分量反向映射到RGB空间,得到融合后的彩色图像。为了解决融合带来的图像平滑化和原始图像光照不均的问题,引入颜色与锐度校正机制(colour and sharpness correction, CSC)来提高融合图像的质量。为了验证方法的有效性,选取了5组分辨率为1 024×680近红外与彩色可见光图像进行试验,并与当前高效的四种融合方法以及未进行颜色校正的本方法进行了对比。实验结果表明,同其他图像融合算法进行对比分析,该方法在有无CSC颜色的情况下均能保留最多的细节和纹理,可见度均大大提高,同时本方法的结果在光照条件较弱的情况下具有更多的细节和纹理,均具有更好的对比度和良好的色彩再现性。在信息保留度、颜色恢复、图像对比度和结构相似性等客观指标上均具有较大优势。     

点对称关系耦合距离约束的图像匹配算法

为了解决当前图像匹配算法主要通过图像的区域梯度信息来进行图像匹配,当图像存在光照变化等干扰时,将会使得匹配图像存在较多的错误匹配点以及匹配耗时较长等不足,提出了基于点对称关系耦合距离约束的图像匹配方法。采用FAST算法对图像特征点进行准确、快速的检测,利用拉普拉斯极值模型进一步剔除伪特征点,以提高算法的匹配正确度;对特征点的对称性进行计算,利用点对称关系构造点间距度量模型,以求取特征描述符中的特征向量,输出特征描述符;基于SURF特征点匹配机制,对特征点完成双向匹配约束,完成特征点匹配。对匹配特征点进行欧氏度量,以度量结果的比值以及均值作为依据,构造距离约束模型,利用距离约束模型判别错误匹配点,优化匹配结果。实验结果显示:与当前图像匹配算法相比较,所提算法不仅具有较高的匹配精度以及匹配效率,而且具有较好的鲁棒性能。     

基于近地遥感系统的小麦玉米冠层RVI和NDVI获取影响因素分析

以大型喷灌机为平台的近地遥感技术可有效观测作物的生长状态,对田间生产管理和作物水肥需求特性等研究具有十分重要的意义。由于在遥感观测过程中,作物冠层具有二向反射特性,因此不同观测方式会影响遥感观测结果。通过自行搭建的近地遥感系统模拟大型喷灌机平台的实地观测条件,使用双通道光谱传感器获取小麦与玉米冠层的光谱反射率信息,引入变异系数CV对由冠层二向反射特性引起的信息数据变幅进行量化,并采用影响因素权重W分析各观测参数对数据变幅的影响程度。通过获取2019年冬小麦返青期至灌浆期、夏玉米V7-V14生育期的冠层近红外波段（810 nm）和红光波段（650 nm）的反射率数据,分析多种观测因素对比值植被指数（RVI）数据和植被归一化指数（NDVI）数据的影响。结果表明,观测高度（0.5~2.5 m）、观测频率（2~60次·min-1）和移动速度（0~4 m·min-1）与观测结果无显著相关关系（p＞0.05）,观测时刻（8:00-18:00）、观测天顶角（-60°~60°）和观测方位角（0°~180°）与观测结果相关关系极为显著（p＜0.01）;小麦和玉米的冠层RVI、NDVI数据获取结果主要取决于冠层覆盖程度,在相同叶面积指数（LAI）情况下观测结果也会因观测时刻、观测方位角和观测天顶角的差异而受到不同程度的影响;冠层光谱反射率信息二向反射特性明显,小麦冠层RVI和NDVI变异系数分别为15%~50%和2%~50%,玉米冠层RVI和NDVI变异系数分别为10%~33%和18%~39%;进行观测时,应尽量选择在太阳天顶角较稳定的12:00-14:00时段,并尽量缩短观测时长,还应选择固定的观测角度,注意阴影效应与热点效应的影响;此外,在小麦返青至拔节期、抽穗至扬花期获取RVI和NDVI时,还应分别注意观测天顶角、观测时刻对测量精度的干扰。研究结果可为快速获取高精度的小麦、玉米冠层光谱反射率数据提供技术支撑。     

基于稀疏光流法的ORB特征匹配优化

针对图像特征误匹配数量大的问题，提出一种基于稀疏光流法的ORB图像特征点匹配算法。对特征点进行暴力匹配得到初始匹配点集，利用稀疏光流法计算特征点运动向量，估计出特征点在待匹配图像中的二维坐标位置，剔除偏离估计位置较远的特征点匹配对，最后利用随机抽样一致算法进行几何校验进一步优化匹配结果，达到剔除误匹配的效果。实验结果表明:该算法相较于ORB算子、SIFT算子、SURF算子准确率平均提升了21.6%，较RANSAC-ORB算法准确率平均提升了2%，且该算法对图像光照变换、视角变换、模糊变换、旋转和缩放变换和光照变化具有较好的通用性。     

利用多角度光谱数据探测冬小麦氮素含量垂直分布方法研究

作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义。本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法。分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型。针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R₇₀₀/R₆₇₀比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型。建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

集成SIFT算法与检测模型优化的UAV影像匹配方法

低空无人机(UAV)测量凭借着低成本、高效率、高精度的数据采集模式,可快速获取高空间分辨率的影像数据,已经成为遥感领域的一种重要技术手段.其中,影像匹配技术是UAV影像数据处理的重要步骤,图像间的匹配直接影响后期三维场景的精度及视觉效果.针对高原山地的高差起伏变化大地形复杂,植被覆被率高及地物分布不规则等问题存在,致使...     

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。