摘要：構造一種通用而有效的無人機低空遙感圖像處理方法，是無人機進行精準施藥、實時農(nóng)情監(jiān)測等的關鍵。
之前的欄目中，我們介紹過 3D 遙感技術在植物生長監(jiān)測、病蟲害監(jiān)測方面的應用，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)用無人機精準施藥與農(nóng)情監(jiān)測提供參考。
無人機超低空遙感技術的優(yōu)勢
目前我國耕地存在較嚴重的農(nóng)藥污染問題。無人機低空施藥技術結合 GPS 技術能規(guī)劃航線施藥，但只能全程噴施，并不能按需施藥。無人機遙感技術可以快速獲取某個重點研究區(qū)域的遙感影像及農(nóng)情信息，從而對作物精準施藥，減少化肥與農(nóng)藥的使用，已成為精準農(nóng)業(yè)不可或缺的手段。
相比傳統(tǒng)遙感，無人機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，若能與無人機噴施技術結合，將為無人機精準農(nóng)業(yè)、病蟲害分析等領域提供新方法。
植被指數(shù)與無人機低空遙感圖像處理
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)的重要技術手段。
目前應用的植被指數(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)測與實時農(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低空遙感圖像處理技術的方法，為無人機農(nóng)業(yè)精準施藥、農(nóng)田信息提取等提供參考。
研究過程與方法
我們對無人機可見光影像圖像進行了校正，研究了圖像中各地物的光譜特征，并結合可見光植被指數(shù) NGRDI、GLI、RGRI 與 ExG 等計算，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，進行了植被信息提取并進行了試驗驗證。
第 1 步：可見光遙感圖像獲取
我們采用實驗室自主搭建的電動四軸無人機采集圖像。飛行控制器為 APM，帶有 OSD( On-screen display) 功能與氣壓計等傳感器，搭配圖傳后可以實時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。
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和基于影像特征的校正。基于控制點的校正主要是利用 GPS 信息進行。由于本試驗圖像是由普通 RGB 光學相機拍攝所得，照片拍攝時的焦距、相機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 平面標定法來標定相機，獲得相機的內(nèi)部畸變矩陣，并校正試驗圖片。
第 3 步：可見波段植被指數(shù)計算
可見光波段指數(shù)計算公式如下：
R、G、B 分別表示紅波段、綠波段和藍波段像素值，r、g、b 分別表示歸一化后相應波段像素值。
結果與分析——
哪些植被指數(shù)適用于超低空無人機可見光農(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 個區(qū)域進行統(tǒng)計，并分析各波段間的差異。統(tǒng)計信息如表 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)計算公式計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 個植被指數(shù)分布圖中，RGRI 指數(shù)分布圖的色調越暗，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節(jié)不夠清晰，可能會導致分類精度下降。
我們還利用確定的閾值對各指數(shù)分布圖進行植被提取，并進行各植被指數(shù)的植被提取精度評價(表 3)，植被指數(shù)提取結果如圖 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、時效更好，在農(nóng)情監(jiān)測、精準農(nóng)業(yè)等領域具有很大的潛力與優(yōu)勢。
一系列試驗和驗證結果表明，GLI 與 ExG 指數(shù)提取精度很高，準確度都大于 97 %，適用于超低空無人機可見光農(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果，對于精準農(nóng)業(yè)、精準噴施、病蟲害監(jiān)測與農(nóng)情分析等領域有一定的應用價值。
關于研究過程與方法，補充兩個知識點，供感興趣的同學閱讀學習：
1、為什么無人機采集的圖像會產(chǎn)生畸變?
無人機成像時，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。在我們做的試驗中，可見光圖片皆為鏡頭垂直向下拍攝，試驗地點地形平緩，相機是普通的廣角光學相機，沒有經(jīng)過嚴格標定，因此影像畸變主要為相機鏡頭導致的桶形畸變。
2、什么是 Zhang 平面標定法?
Zhang 平面標定法屬于離線相機標定，需要準確的相機內(nèi)參數(shù)和外參數(shù)作為重構算法的輸入和先決條件。該方法需要對一個平面標定圖案的至少兩幅不同視圖來進行標定。
在使用 zhang 平面標定法校正圖像時，只需用相機從不同的角度和深度拍攝標準國際棋盤紙，然后用方程求出相機的內(nèi)部參數(shù)，繼而利用內(nèi)部參數(shù)校正圖像。
本試驗中采用固定棋盤紙而移動相機的方式拍攝，共獲得不同角度與深度的棋盤格圖像 24 張，并編程求取相機的內(nèi)部矩陣?；兤灞P格與校正后的棋盤格的試驗圖像見圖 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，并編程調整圖像大小。
【說明】 本文轉載自中國農(nóng)業(yè)航空界領軍人物蘭玉彬教授在極飛學院開設的專欄《通往精準農(nóng)業(yè)之路》。極飛學院是極飛科技成立的無人機技術和現(xiàn)代農(nóng)業(yè)知識分享平臺，包括“線上知識服務”和“線下操作培訓”兩部分。極飛學院在現(xiàn)代農(nóng)業(yè)知識服務領域有重大影響力，不斷邀請農(nóng)業(yè)科技專家、學者和實踐者入駐并分享成果。目前，極飛學院擁有超過50000名注冊學員，文章與教材的總閱讀量突破500萬，讓25萬新農(nóng)人接觸和學習到無人機技術和精準農(nóng)業(yè)理念。
?