基于多特征的高分辨率影像松材线虫病树识别

刘世川,王 庆,魏 薇,唐 晴,刘 浪,何辉羽,芦佳飞

(长江大学 地球科学学院，湖北 武汉 430100)

1 引言

森林病虫害是森林健康和林业生产的宿敌。松材线虫是对松树危害较大的外来入侵物种之一，感染松树后会造成松树针叶黄褐色或红褐色，在6个月内即导致病树整株干枯死亡。且该病虫繁殖速度快，传播途径广，传播范围广，难以防治，是使松林大片被毁的重要害虫。张增光[1]提出基于过程模型的松材线虫灾害的遥感早期识别，利用光谱分析和叶子含水量用知识规则的决策树方法对植物进行分类，但只运用光谱分析提取结果未使用其空间特征等其他特征。马箐[2]结合遥感影像，对不同染病时期的马尾松单株进行单株测定、生态因子调查、蒸腾速率测定和光谱特征建模，模型复杂且受环境湿度、温度的影像较大。吴琼[3]基于深度神经网络分类算法监测病虫害树木，但是需求的数据量大且参数过多时难以训练。李丰毅[4]将多光谱图像进行光谱特征、纹理特征和空间特征分析，但纹理特征计算复杂且效果不明显。

所以基于多特征提取的高分辨率遥感影像松材线虫病树识别，对松材线虫病树的植被指数、颜色模型、空间分布特征进行多特征分析，筛选疑似病树的方法速度快、针对性强，可以实现高效率、高精度的提取病树。既能减少人工筛查的成本，更能监测人工无法到达的深山林区，提升了筛查病害树木的效率，及时发现病害树木和枯死树木，防止病害进一步扩大感染范围，减少病虫害造成的经济损失。

2 松材线虫病树多特征研究

松材线虫的侵染能明显引起寄主植株叶绿素、类胡萝卜素发生改变，从而导致植物光谱特征发生变化。健康松树的反射光谱在绿光区(510～570 nm)有一个较低的反射峰值；红光区(640～680 nm)有一个较低的吸收谷值；感染松材线虫后松树绿光区的反射峰会逐渐减弱，红光区的吸收谷却会逐渐增强[5]。高分辨率影像上的病树像元会表现出聚集性的空间特性，由此可筛去部分噪点，并且满足周围一定范围内有健康树木的空间分布特性。

2.1 植被指数

植被指数就是利用绿色植被在不同波段的反射和吸收特性，对传感器不同波段进行组合运算，增强植被的信息。其本质上是综合考虑各有关光谱信号，把多波段反射率做一定的数学变换，使其在增强植被信息的同时，使非植被信息最小化。目前较为常见的归一化植被指数NDVI(Normalized Vegetation Index)、比值植被指数 RVI(ratio vegetation index)、差值植被指数DVI(Difference Vegetation Index)、增强型植被指数 EVI(enhanced vegetation index)、过绿指数 EXG(Excess Green)、归一化绿红差异指数 NGRDI(Normalized Green-red Difference Index)、仿照NGRDI构造的归一化绿蓝差异指数 NGBDI (Normalized Green-blue Difference Index)及红绿比值指数 RGRI(Red-green Ratio Index)[6]，计算公式如表1。

2.2 颜色空间模型

在可见光范围，松材线虫病树死亡前的颜色变化主要包括：先是褪色发黄，此现象可以出现在单枝或少量枝条上，也可出现在整株，针叶进而枯萎变成红褐色。现在绝大部分的彩色图像是基于RGB颜色三基色模型，但RGB空间中3个分量之间存在很强的相关性，因而不适于直接用于基于3个分量独立运算的图像分割。利用各种变换，可以由RGB空间推导出其他颜色空间如表2。

表1 植被指数计算公式(其中R、G、B分别为红、绿、蓝三色的光谱反射率)

表2 颜色空间模型

2.3 Relief特征选择算法

Relief算法是一种高效的过滤式特征选择方法,由Kira和Rendell提出用于二分类问题的特征选择算法[4]。根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。计算公式如下：

δj=∑i-diff(Xji,Xji,nh)2+diff(Xji,Xji,nm)2

(1)

式(1)中，若xi与其猜中近邻xi,nh在属性j上的距离小于xi与其非同类别的最近邻xi,nm的距离，则说明属性j对区分同类与异类样本是有利的，反之则不利，因此公式的值越大则说明该属性的分类能力越强[5]。

利用Relief特征选择算法得到单个样本对每个特征的评价值，将所有样本对同一个特征的评价值进行平均就得到了该属性的相关统计分量，分量值越大，分类能力就越强，从而选出最优特征用以分类病树像元和非病树像元。

3 技术路线

通过人工筛选高分辨率航空样本影像(含红色、绿色、蓝色和近红外波段)，取样得到病树、健康树、房屋、裸土地和柏油路的样本像元区域。计算样本像元区域的光谱特征，利用Relief特征选择算法，得到二分类病树和非病树的最佳特征。将最佳特征的病树像元样本集进行统计分析，取得合适阈值构建病树的光谱特征模型，用以在目标影像上筛选出病树像元。再运用空间聚类算法对像元进行聚类分析，并剔除周围一定范围内不附着健康树像元的病树像元，最后得到结果像元集(图1)。

图1 技术路线

4 实验与分析

4.1 人工取样

将2019年10月份拍摄于30°1′33″～ 30°1′46″N/111°43′9″～111°44′24″E和30°38′6″～ 30°38′23″N/111°33′48″～111°34′16″E附近的高分辨率遥感影像数据进行RGB真彩色显示，采用人工取样的形式，得到病树、健康树、蓝顶房屋、灰顶房屋、裸土、柏油路和小路的像元区域(图2)并统计出像元样本数量(表3)。

图2 人工取样示意

表3 各地物像元样本总数

4.2 Relief特征选择结果

特征：将各植被指数和各颜色模型所包含的各分量作为单独特征种类，总计21种特征。数量：由于样本数量参差不齐，以及考虑到运算耗时，各类地物选取300份样本总计2100份样本。Relief特征选择算法得出各特征所对应的权重(表4、图3)。

表4 各特征权重

图3 各特征权重统计

经过实验和比较，选择权重较高的OHTA、NDVI、DVI作为病树模型参数，各参数的箱线图见图4。

图4 各参数箱线图

4.4 病树筛选结果

提取各参数的10%至90%作为置信区间，采用较为成熟的DBScan聚类算法[11]进行病树的空间聚集性筛选算法，并结合周围一定范围内有一定数量上的健康树木像元，对拍摄地点30°1′N/111°43′E附近的三幅高分辨率遥感影像筛选病树，将自动识别结果与人工目判结果进行对比(图5、表5)，得到统计结果(表6)。

注：左中红斑为人工识别，右中白斑为自动识别

表5 人工筛选和自动识别结果对比

表6 自动识别相对人工筛选数据统计 %

5 结论

基于光谱特征与空间特征的高分辨率遥感影像松材线虫病树识别总体来看，耗时是人工目视判读的45%左右，数量识别的相对准确度为80%左右，实现了高效率、较高准确度识别松材线虫病树。本次识别过程中得出以下结论。

(1) 由于EXG与OHTA的I3分量计算方法一样，所以在各特征权重统计图权重一样，在作为特征参数识别病树时舍弃了重复的EXG指数。

(2) 针对健康树木的光谱样本缺少对松材线虫病树的针对性，采用随机取样，作为病树空间分布特征的参数效果不佳。

(3) 光谱特征阈值与前期光谱实验样本质量关系紧密，光谱实验采样的样本仅局限于所识别目标30°1′N/111°43′E附近的单幅图像，如果扩大采样范围和样本数量，将有利于提升多特征识别准确度和应用范围。