基于热红外遥感影像的作物冠层温度提取

张宏鸣 王佳佳 韩文霆 李书琴 王红艳 付振宇

(1.西北农林科技大学信息工程学院， 陕西杨凌 712100； 2.宁夏智慧农业产业技术协同创新中心， 银川 750004；3.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 4.西部电子商务股份有限公司， 银川 750004)

0 引言

作物冠层温度是大气-土壤-植被系统内物质和能量交换的结果。作物本身的遗传特性和其生长环境是影响作物冠层温度变化的主要原因[1-2]。而作物冠层温度通过影响叶片功能期、叶绿素含量、蒸腾、光合能力、蔗糖合成酶以及内部的抗衰老机制等来影响作物产量。因此，可利用作物冠层温度来监测作物是否受到干旱、病虫害等不利环境因素的影响，并判断作物的基因型状，进行合理的灌溉、施肥以提高作物产量[3]。

随着热成像仪越来越多地用于获取作物冠层温度[4-5]，国内外学者对此进行了深入探讨和研究[6-8]。目前，热成像仪以其精度较高、获取速度快、反应灵敏等特性成为作物温度获取的主流形式[9]。然而，冠层温度的获取多通过人工手持的方式，需要花费大量的时间和人员，且局限于小范围的应用，难以实现大范围内快速监测作物信息[10]。针对这一问题，许多研究应用遥感卫星获取热红外遥感图像。但获取的图像分辨率低，且遥感卫星费用昂贵，灵活性较差，不能应用于小范围田间尺度[11]。近几年，无人机以其分辨率高、周期短、灵活性高等特点，广泛应用于遥感图像获取。随着热红外图像获取量和维度的增加，且热红外图像自身分辨率较低，精确快速地从热红外图像中提取所需信息已成为当前研究的热点[12-14]。文献[15-18]虽然能够提取作物冠层区域，但精确度不高，导致提取的作物冠层温度精度低，难以满足精细研究的要求。

本文以拔节期的玉米为研究对象，利用无人机拍摄玉米热红外影像和正射影像，并将两者进行几何配准。采用改进的Canny边缘检测算子、支持向量机(Support vector machine，SVM)、小波变换等算法在高分辨率的正射影像上提取玉米冠层区域，将提取结果生成掩膜，以此在热红外影像中提取玉米冠层温度，并将其与地面实测值进行误差分析。

1 材料与方法

1.1 实验区概况

图1 实验小区概况Fig.1 Overviews of experimental plot

研究区域位于内蒙古自治区鄂尔多斯市达拉特旗昭君镇(40°26′0.29″N，109°36′25.99″E，海拔1 010 m)。实验地种植作物为夏玉米，于2018年5月20日播种，行距58 cm，株距23～30 cm，采用中心轴式喷灌机进行灌溉，实验小区布置如图1所示。实验地划分为5个扇形区域，每个扇形区域划分有3个样方(长×宽为6 m×6 m)，在样方一条对角线上均匀画出3个数据采集区(长×宽为2 m×2 m)，并用蓝布标记测量植株。

1.2 地面数据和遥感数据获取

在玉米拔节期，分别于2018年6月26日和7月4日，天气晴朗，当地时间12:00进行地面数据的采集。利用Raytek ST60+型手持测温仪(图2a)(测温范围为-32～600℃，精度±1℃)，以图2b测量方式采集玉米冠层温度。为了避免非冠层物体的影响，面向南以与水平线15°夹角扫射冠层(扫射范围为120°)。为了得到更具代表性的冠层温度，选择标记植株前后左右各1 m(长×宽为2 m×2 m)作为数据采集点，并以3次测量平均值作为玉米冠层温度。

图2 玉米冠层温度测量示意图Fig.2 Schematics of maize canopy temperature measurement

遥感数据的采集包括热红外影像和正射影像的拍摄。在6月26日和7月4日，于当地时间12:45进行无人机数据采集。采用大疆S1000型六旋翼无人机(图3a)，无人机净质量4.4 kg，有效载质量6 kg，续航时间15 min左右。无人机搭载FLIR Vue Pro 640R型非制冷热像仪(图2b)(质量90 g，640像素×512像素，测温范围-20～100℃)拍摄热红外影像。飞行高度为70 m，拍摄影像的重叠率为85%，地面空间分辨率为7.5 cm，同时采用大疆精灵四Pro无人机(图2c)拍摄正射影像(约2 020万有效像素，最大分辨率为5 472像素×3 648像素，质量179 g)，飞行高度为50 m，拍摄的影像重叠率为90%，地面空间分辨率为1.25 cm。

图3 无人机及相机Fig.3 UAV and camera

1.3 技术方法

提取玉米冠层温度技术流程如图4所示。正射影像和热红外影像获取；正射影像和热红外影像拼接、几何校正和配准；热红外影像的辐射定标；正射影像中提取玉米冠层区域；热红外影像上提取玉米冠层温度；精度验证。

图4 技术流程Fig.4 Flow chart of proposed method

1.3.1无人机影像拼接与校正

无人机共拍摄热红外影像568幅，正射影像1 874幅，采用pix4d进行拼接。采用CGCS2000_3_Degree_GK_ CM_111E，D_China_2000坐标系，根据地面5个像控点对影像进行几何校正。

1.3.2热红外影像辐射定标

由于存在系统误差和偶然误差，为评价热红外影像提取玉米冠层温度的效果，需进行飞行前、后的辐射定标。利用手持测温仪和热成像仪分别测得近地面(1 m左右)15种地物温度进行飞行前辐射定标，通过相关性分析，确定手持测温仪与热成像仪在不受距离影响下，所测温度具有一致性；利用几何校正和配准后的热红外影像和手持测温仪，测得地面放置的黑白辐射定标布、每个扇形实验区热传感器周围的玉米冠层、土壤和混合像元共17个温度，通过相关性分析确定辐射定标系数，得到热红外影像中提取的玉米冠层温度与实测温度的误差范围。

1.3.3作物冠层区域提取

正射影像中利用改进的Canny边缘检测算子、SVM、小波变换3种算法提取玉米冠层区域。再将提取结果进行二值化处理并生成矢量面文件，基于此矢量文件，生成玉米冠层区域掩膜并在热红外影像中提取玉米冠层温度。

1.3.3.1改进的Canny边缘检测算子

对传统的Canny边缘检测算子[19]进行如下改进[20-22]：

采用带有保留边缘功能的平滑方法，通过设定阈值，让与中心像素灰度差值小于该阈值的像素参与计算，而与中心像素灰度差值相差过大的像素被认为带有有效信息，而非噪声，不参与平滑计算，从而保留有用的高频信号，边缘信号也在保留的范围。

以均值模糊为例，设置模糊阈值30，保持传统Canny检测应用的高斯模糊高阈值100，低阈值50。应用高斯模糊时，较难识别弱边缘 (图5b，黄框)，反而识别出较多伪边缘(图5b，红框)。应用保留边缘的选择性模糊时，能较好地识别出边缘(图5c)。不同模糊领域的半径对Canny检测的结果影响不大，主要与选择模糊设定的阈值相关(图5c、5d、5e)。

利用选择性中值模糊、表面模糊、均值模糊进行对比，效果如图6所示。选择性表面模糊，因为中心像素的权重大，在参数相同的情况下(半径为5，阈值为30)，保留的边缘相对选择性均值模糊和中值模糊较多(图6b，黄框、红框)。

图5 选择性均值模糊与高斯模糊效果对比Fig.5 Comparison of selective mean confusion and Gaussian blur effect

图6 不同选择性模糊效果对比Fig.6 Comparison of different selective blur effects

本文选用3×3的Sobel梯度算子。对于算法中梯度的计算，梯度算子可以有多种选择。以选择性表面模糊为例，保持模糊半径5，阈值30，分别采用一阶差分梯度、Robert交叉等2×2的算子和3×3的Sobel算子来检测玉米边缘，效果对比如图7所示。由于一阶差分梯度算子和Robert算子都是2×2的算子，它们计算的梯度在幅度上都小于Sobel算子，因此参照Sobel算子的幅度，2×2算子的x、y方向梯度都乘以相应的倍数(4倍)来进行比较。一阶差分在边缘的连通性上最差，Robert算子好一些，Sobel算子效果最优，能够较好识别出弱边缘和孤立边缘信息。

图7 不同梯度算子效果对比Fig.7 Comparison of different gradient operators

本文以选择性表面模糊为例，保持模糊半径5不变，使用不同的阈值，识别效果如图8所示。阈值越大，参与模糊计算的领域像素越多，弱边缘和孤立边缘越不易识别，导致保留的边缘信息减少，作物的真实边缘信息较难识别出。

图8 不同阈值门限效果对比Fig.8 Comparison of different threshold value effects

图9 改进的Canny边缘检测算子与传统边缘检测算子效果对比Fig.9 Comparison of improved Canny edge detection and traditional edge detection

通过上述实验，选用可选择性表面模糊代替高斯模糊，设置其阈值为30，选用3×3的Sobel算子作为梯度算子。改进的Canny边缘检测算子与传统的Canny算子效果对比如图9所示。由图9可知，传统的边缘检测算子识别的边缘连通性差，难以识别弱边缘和孤立边缘，导致漏掉许多真边缘(图9，篮框、红框)；传统的边缘检测算子会识别出一些伪边缘(图9，黄框)。而经过改进的Canny边缘检测算子能够更好地联通边缘信息，对于孤立边缘和弱边缘具有较好的辨识效果，能够更准确地识别作物的边缘信息。

1.3.3.2SVM图像分割

SVM是二分类模型，是特征空间上最大的线性分类器，学习策略是间隔最大化，最终可转换为对一个凸二次规划问题的解决[23-26]。本实验读取经过校正、配准后的正射影像，利用Surf算法提取土壤和玉米的颜色、波段反射率以及纹理等特征，基于Sigmoid核函数，采用遗传算法(Genetic algorithms，GA)寻找最优参数(惩罚系数c与核函数半径g)，提取玉米冠层区域，流程如图10所示。

图10 SVM分割流程Fig.10 Flow chart of SVM split

1.3.3.3小波变换图像分割

基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域[27-28]。本文采用Haar小波，Haar函数是正交小波函数，是支撑域在范围内的单个矩形波[29-31]。

1.3.4结果验证

(1)冠层区域提取结果分析及精度评价：以7月4日样方1-3-3影像为例，用提取得到的矢量面对3种算法提取效果进行对比分析。用精确度(S)对3种算法的准确性进行评价，越大表示提取算法精确度越高。在WIEDEMANN等[32]提出的方法基础上改进得到评估方法，计算公式如下

(1)

式中S——提取算法的精确度

Tp——预测为玉米的玉米样本

Fp——预测为玉米的非玉米样本

(2)冠层温度提取及辐射校正精度评价：采用均方根误差(Root mean square error, RMSE)进行辐射校正以及提取的冠层温度与实测温度的误差评价。

2 结果与分析

2.1 热红外影像辐射校正分析

飞行前的辐射定标结果如图11a所示，手持测温仪与热红外成像仪在近地面(1 m左右)所测得物体的温度具有很高的一致性(R2=0.986 4)，在不受距离影响下，可以用手持测温仪对热红外成像仪测得的温度进行校正，提高提取冠层温度的准确性。

飞行后的辐射定标结果如图11b所示。图像的拟合曲线斜率大于1，热红外成像仪测取的温度低于手持测温仪测得的温度。在近距离情况下，两者测得的温度具有十分高的一致性，但距离影响结果的精度，飞行高度越高，温度衰减越明显，导致热红外影像的温度准确性越低。

图11 辐射定标Fig.11 Radiation calibration

2.2 冠层区域提取结果分析及评价

(1)提取矢量面结果对比分析：玉米枝叶交叉出现阴影部分，地面也存在杂草(图12a)。SVM和小波变换将部分杂草划分为玉米区域(图12，红框)，且将部分阴影也划分为玉米区域(图12，黄框)；SVM和小波变换不易识别出弱边缘和孤立边缘玉米区域(图12，蓝框、紫框)。而改进的Canny边缘检测算子能够较好地分割出杂草、阴影等非玉米区域，且对边缘玉米区域能够较好地识别(图12b)。改进的Canny边缘检测算子提取结果如图13所示。

(2)提取算法精度评价：对90幅正射影像直方图进行分析，选择合适的阈值区分玉米和非玉米区域(阴影、土壤、杂草等)，通过提取算法精确度(S)对3种方法进行对比。通过小波变换算法提取玉米区域的精确度最低，SVM算法次之，改进的Canny

图12 3种方法分割效果矢量面对比Fig.12 Comparison of segmentation effect vector face of three methods

图13 改进的Canny边缘检测算子提取冠层区域示意图Fig.13 Schematic of improved Canny extraction canopy area

边缘检测算子效果最优，平均精确度分别为68.2%、74.5%、87.3%。

2.3 冠层温度提取结果分析与评价

为了验证从热红外影像中提取的玉米冠层温度的精确度，将提取的90个样本点的温度剔除无效值后与实测玉米冠层温度进行误差分析。剔除标准是提取温度的误差超过限差(2倍的标准差)。应用改进的Canny边缘检测算子时，剔除10个无效值；应用SVM算法时，剔除15个无效值；应用小波变换时，剔除19个无效值。结果如图14所示。

从图14可以看到，基于改进的Canny边缘检测算子提取的玉米冠层温度与地面实测的相关性最高(R2=0.929 5)，其次是SVM算法(R2=0.895 7)，效果最差的为小波变换(R2=0.876 0)。改进的Canny边缘检测算子能够较好地提取出玉米冠层区域，并获得更加精确的玉米冠层温度。

3 讨论

影像中提取的玉米冠层温度与地面实测值存在误差，产生这些误差的原因主要有：

图14 热红外提取温度与对应地面实测温度一致性分析Fig.14 Analysis of consistency between hot infrared extraction temperature and corresponding ground measured temperature

(1)天气影响。由于热红外影像与正射影像获取时间不一致，天气(风、阳光等)会导致玉米性状发生改变。所以正射影像与热红外影像中的部分玉米冠层区域的形状有偏差，导致生成的掩膜不能精确地覆盖于热红外影像上。因此，需选择在晴朗无风的天气来拍摄遥感影像，并且尽可能缩短两个影像获取的时间间隔。

(2)高度影响。热红外自身的分辨率较低，而飞行高度越高，拍摄的热红外影像分辨率越低，影像越模糊，越难从混合像元中提取玉米冠层温度。因此在利用无人机拍摄热红外影像时，尽可能根据续航时间降低飞行高度。

(3)仪器自身误差。由于仪器存在系统误差。因此，在飞行前需对仪器进行检查、校正和预热，进行飞行前后的辐射定标，尽可能减少系统误差的影响。

4 结束语

利用经过几何校正、配准后的正射影像和热红外影像，基于改进的Canny边缘检测算子、SVM、小波变换等方法在正射影像中提取玉米冠层区域，得到矢量文件并生成掩膜，以此在热红外影像中提取玉米冠层温度。结果表明，改进的Canny边缘检测算子能够更加精确地提取玉米冠层区域，得到更准确的玉米冠层温度，解决了热红外图像分辨率低难以获取目标像元的问题。