基于无人机遥感影像芨芨草盖度的图像分割方法*

吴赵丽, 梁 栋, 赵晋陵, 黄林生

(1.安徽大学 电子与信息工程学院,安徽 合肥 230601;2.中国科学院 南京地理与湖泊研究所, 江苏 南京 210008)

0 引 言

植被盖度获取有地表实测和遥感测量[1]两种。地表实测迅速、准确、客观,对低植被覆盖区，地表测量可以避免土壤反射率对植被生态属性的遥感定量化研究的影响，但容易受到时间和区域条件限制，耗时久、支出大。遥感测量，获取数据波段宽、数量少，很难满足高精度植被盖度信息提取的要求，且由于呼伦贝尔草原含有大量的沙地，而植被指数通常对土壤光谱比较敏感，存在获得地物光谱信息过多情况。近几年运用高光谱比较多，高光谱遥感数据具有很多窄波段，可以提供连续光谱曲线和准确地提取地物信息，但仍有一定的局限性，比如易受大气影响，波段之间相关性高。

本文采用的数据为无人机(unmanned aerial vehicle，UAV)获取的影像[2]，对影像可进行图像分割处理，分割出芨芨草目标物和非芨芨草其他物。根据UAV影像灰度直方图，采用最大类间方差算法得到阈值，再由阈值分割处理得到二值化图像，为了有效去除和抑制噪声，采用了中值滤波和形态学相结合的边缘检测方法[3]，对二值化图像进行边缘检测同时，可以保护好边缘细节，提高图像分割的精确度，提高芨芨草盖度估算准确度。

1 数据获取

利用大疆Phantom4 UAV，采集样本数据其携带着高精度数码相机，获取高分辨率影像无需冲洗、印相，可导入计算机中直接查看影像，大幅提高了工作效率。2016年7月份，在贝尔湖和呼伦湖附近采集样本数据，共有200块样方地。UAV航拍一块样方区域，面积为10 m×10 m[4]，一次可获得几十张影像，选择其中一张垂直俯拍角度、亮度适宜的影像，作为图像分割的样本图像，估算10 m×10 m区域内芨芨草盖度。

2 芨芨草图像提取方法

根据阈值分割[5]原理设原始图像为f(x，y)，以一定准则在f(x，y)中找到一个灰度值T作为阈值，将图像分为2个部分。即将大于等于该阈值像素点的值设置成1(图像目标)，小于该阈值像素点的值设置为0(图像背景)。阈值运算后的图像为二值图像g(x，y),如下表示

2.1 最大类间方差的阈值分割

根据芨芨草的样本影像构建灰度直方图，由于灰度化后的灰度直方图大部分是单峰，采用最大类间方差(Otsu)算法，来得到最佳阈值进行图像分割[6,7]。芨芨草和非芨芨草之间的类间方差越大，说明两部特征差别越大，越有利于图像的分割处理。

对于图像f(x，y)，假设图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数为N0，像素灰度值大于阈值T的像素个数记作N1，芨芨草和非芨芨草的分割阈值记为T，属于芨芨草的像素点数占整张图像的比例记为w0，有

采用遍历法得到类间方差最大阈值，即为最佳阈值。

Otsu算法步骤如下：

在冠状动脉管腔之中,只要血管被损害,且血小板产生了汇集,就会产生血栓,引发管腔内径持续减小,最后,引发重型甚至堵塞,加上各类有关的缺血型临床病症,即急性冠脉综合征(ACS)。ACS患病尤为急迫,且大多会重复发作,还会伴随其余并发症,对于患者的预后带来了尤为不利的影响[1]。文章调研了CTn T检验运用到不稳定型心绞痛患者中,对其预后的评价,并总结结果如下:

δ2=PC0(wC0-W0)2+PC1(wC1-W0)2

令T∈[0～(L-1)]，计算T不同取值时的类间方差，当取最大值时，即为T所对应的最佳阈值。

一张UAV影像，包含有芨芨草、细绳、土地等其他物，感兴趣区域是芨芨草，利用Otsu算法对UAV影像中的芨芨草进行分割可以将灰度差别较大的非芨芨草类分割开，具体过程为：

输入：芨芨草样本数据

输出：二值化结果

1)根据样本图像，计算出芨芨草区域所有的像素分布概率pi；

3)计算T取不同值时所对应的方差δ(T)；

4)求出δ(T)最大值时所对应的最佳阈值T*；

5)用T*对芨芨草区域进行分割，得到芨芨草轮廓。

使用的数据为A,B,C共3张无人机影像，经过灰度化得到灰度直方图再经过最大类间方差算法处理，如图1所示，得到阈值，对图像进行二值化处理，二值化可以对多个实体和一个对比较强的背景图像所组成的场景图像特别有效，二值化方法一般速度较快，且使每个分割出的物体均具有闭合和连通的边界。特别是目标物和背景的灰度值的差具有一定大小时，效果更明显。图1(a)分割阈值T*=0.451 0,芨芨草盖度w0=33.57 %,最大类间方法对应阈值T*=0.451 0;图1(b)中分割的阈值T*=0.478 4,芨芨草盖度w0=26.83 %,最大类间方差对应阈值T*=0.478 4;图1(c)中分割的阈值T*=0.443 1,芨芨草盖度w0=30.86 %,最大类间方差对应阈值T*=0.443。

图1 最大类间方差对芨芨草图像二值化处理

2.2 中值滤波和数字形态学结合的边缘提取

中值滤波滤除噪声的同时可以较好地保护信号的细节信息[8]。根据二值化后图像的特点、噪声的统计特征和频谱分布规律，采用的滤波窗口为3×3，其算法为:

1)确定一个模板，将模板中心与图像中的某个像素位置重合；

2)读取模板下对应的像素灰度值，设像素ai-1，j-1，ai-1，j，ai-1，j+1，ai，j-1，ai，j，ai，j+1，ai+1，j-1，ai+1，j，ai+1，j+1，将9个灰度值按值的大小顺序排列；

3)找出排在中间一个值设为bi，j，bi，j=Mid(ai，j)，将bi，j赋给对应模板中心位置。

数学形态学[9]主要是以膨胀、腐蚀为基础，基于微分运算的边缘提取，得到的图像骨架比较连续，断点较少，在有效抑制噪声的同时能够最大程度保留图像细节信息。

记A为要处理的图像，B为结构元素，膨胀运算为

A⊕B={a+b|a∈A,b∈B}=Ab

中值滤波可以有效地抑制噪声，保护芨芨草目标物的边缘细节，数字形态学方法修正二值化图像的边界，通过腐蚀和膨胀等操作解决了芨芨草目标区域与多余组织相连的问题，图像经过中值滤波后，去除噪声，由图2可以看出，图像边缘保护较好，图像轮廓比较清晰，考虑到芨芨草主要表现是细长状，曲率变化比较大，所以选择尺寸比较小的3×3正方形结构元素进行结构原色膨胀[10]，可使得断开的芨芨草得到连接，不会导致芨芨草的真实信息丢失。

图2 分割效果

3 结果与分析

由图2可知，Caneye处理提取出的芨芨草掺杂着非芨芨草的成分相对比较多。为分析不同的方法对芨芨草盖度估算的精确性，实验采用了15张UAV影像分别估算10 m×10 m区域芨芨草的盖度，对估算结果进行了统计，再以实测盖度参考值为纵坐标，算法处理盖度、Caneye盖度为横坐标，分别作散点图并作线性回归，如图3所示。

由回归斜率看，图3(a)回归线的斜率近乎等于1，图3(b)回归线的斜率略小于1，分别为1.041和0.881，2种方法均有着相对较高的估算精度，Caneye工具处理得到盖度的估算精度稍差。从散点分布情况以及R2大小来看，两图中各散点较密集分布在回归线两侧，R2大于0.9，表明测量值与参考值之间一致性较好，但很明显，算法处理得到的芨芨草盖度与实测盖度更加接近。从回归截距上看，两者均近于为0，估算误差较小。由此得出，图像分割算法估算的芨芨草盖度精确度高。

图3 不同方法得出芨芨草盖度与实测盖度的相关性

4 结 论

1)实现了基于沙地等其他物背景下，对芨芨草图像的完整分割。相较于传统遥感盖度检测由于土地反射率对植被盖度干涉，本文方法更具有实用性。

2)根据芨芨草和背景物的灰度特性，采用了最大类间方差法，有效地将图像转化为二值化，再结合中值滤波和数学形态学，可以全面地将非芨芨草和芨芨草图像分开，具有计算简单、与光照强度无关等优点。

3)方法能很好地完成对芨芨草图像的分割，得到的芨芨草盖度误差为2.7 %，从而验证了本文方法的有效性。

参考文献:

[1] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005,12(2):18-21.

[2] 李德仁,李 明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报：信息科学版,2014,39(5):505-513.

[3] 张艳玲,何鑫驰,李 立.基于最大类间方差与形态学的淋巴结图像分割[J].计算机科学,2013,40(8):296-299.

[4] Chen J,Yi S,Qin Y,et al.Improving estimates of fractional vegetation cover based on UAV in alpine grassland on the Qinghai-Tibetan Plateau[J].International Journal of Remote Sensing,2016,37(8):1922-1936.

[5] 谢鹏鹤.图像阈值分割算法研究[D].长沙：湘潭大学,2012.

[6] Otsu N.A threshold selection method from gray-Level histogram[J].IEEE Transactions on Systems Man & Cybernetics,2001,9(1):62-66.

[7] Huang D Y.Optimal multi-level thresholding using a two-stage ostu optimization approach[J].Pattern Recognition Letters,2009,30:275-284.

[8] 王香菊.基于中值滤波和小波变换的图像去噪方法研究[D].西安：西安科技大学,2008.

[9] 夏剑峰.基于数学形态学的癌细胞的分割与识别[J].电子科技,2016,29(10):36-38.

[10] Simoncelli E P.Image denoising using a local Gaussian scale mixture model in the wavelet domain[J].Proceedings of SPIE—The International Society for Optical Engineering,2009,4119(11):1338-1351.