基于偏振光谱融合的镜面反射去除方法及其在植被健康监测中的应用

李思远, 焦健楠, 王 驰

上海大学精密机械工程系, 上海 200444

引 言

叶绿素作为绿色植物的主要色素之一, 在光合作用中起着至关重要的作用, 其含量的变化可以用于表征植物的生理变化和受胁迫情况等。 因此, 监测植物叶绿素含量变化对于了解植物长势、 监测植被病虫害有着重要的意义[1-3]。 目前已发展出多种方法来监测叶绿素含量, 传统的叶绿素含量测量是使用湿化学方法确定的[4], 这种方法不仅需要破坏植株, 耗时费力, 而且不能实时的进行大尺度的监测[5-6]。

随着遥感技术的发展, 为植物叶绿素含量的测量提供了快速、 有效、 非破坏性的数据采集与分析方法。 由于植被通常以红色到近红外波长的红边为特征[7], 许多学者利用这一光谱特征开发各种植被指数来监测植被生长和健康状况。 利用遥感探测树木损害的检测进行了大量研究。 例如, Kim等[8]在550～670 nm光谱范围内选取波段, 提出了用于检测松木线虫早期感染的绿红光谱面积指数。 Zang等[9]提出了一种红绿区光谱角指数, 并与其他10种常用的检测受损树木早期死亡过程的光谱角指数进行了比较, 结果表明所提出的GRRSGI在检测损伤树早期死亡过程方面具有更大的潜力。 以上植被指数的主要优点是对叶绿素含量变化敏感。 然而, 这些植被指数, 可能会受到叶片镜面反射的影响, 从而影响利用它们对叶绿素含量的反演精度。 一些研究已经注意到植被的镜面反射问题并试图解决它。 Sims和Gamon[10]通过将叶片的总反射值减去445 nm处的反射值, 提出了mSR和mND指数, 从而显著提高叶绿素反演精度。 Li等[11]认为镜面反射的存在会影响叶绿素反演的精度, 当通过偏振消除镜面反射后, 叶绿素反演精度得到提升。 Wang等[12]通过将高亮区域去除, 并利用周围信息补全来去除镜面反射。 林沂[13]等通过测量叶片表面的偏振反射, 消除了部分镜面反射, 提升了冬小麦氮含量的反演精度。 苏伟[14]等利用小波变换法去除了叶片的镜面反射成分。 虽然以上这些研究去除叶片的镜面反射干扰的效果良好, 但并没有人尝试用植被指数与偏振融合去除镜面反射干扰的方法。

由于冠层形态和叶片化学成分会受到胁迫、 活力和生长阶段的影响, 因此可以预期植物冠层反射的偏振程度将包含胁迫程度、 植被类型、 活力和生长阶段等信息。 偏振成像和多光谱成像可以在目标检测等应用中提供互补的鉴别信息。 然而, 很少有方法提出融合偏振和多光谱图像提供的信息, 以更好地增强目标对比度。 因此, 作者课题组在文献[15]中提出一种利用目标漫反射和镜面反射的光谱和偏振特性来检测目标的算法, 以检测夜间环境下的植物健康状态。

基于以前的研究基础, 本文的主要目的是消除镜面反射并对植物的健康状态进行遥感监测。 为此, 开发一套偏振多光谱成像系统, 用于记录镜面反射干扰下植被的482、 680和760 nm的光谱图像以及角度为0、 60、 120的偏振图像, 建立一种镜面去除指数(specular reflection removal index, SRRI), 并将其与线偏振度(DoLP)和偏振角(AOP)进行融合以消除植物镜面反射的干扰并提高植物健康状态检测精度。 此外, 基于SRRI、 DoLP和AOP的融合算法计算了一种偏振融合镜面去除指数(polarization fusion specular reflection removal index, PFSRRI)。 将SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI与SPAD进行关联分析, 以了解它们消除镜面反射干扰的能力, 并给出相应的测试结果。

1 实验部分

1.1 植物材料

研究中分析的光谱与偏振数据来自上海大学校园内的芒果树的树叶。 如图1为实验室的盆栽芒果树, 图1(a)—(d)分别定义为健康叶片区域(绿色叶片)、 镜面反射叶片区域(健康叶片区域)、 胁迫1级叶片区域(轻微泛黄)、 胁迫2级叶片区域(中度泛黄)。 胁迫等级分类见表1。

图1 植物材料

表1 芒果树叶的胁迫等级分类

1.2 装置

如图2所示, 搭建偏振多光谱成像系统, 系统包括2 048像素×2 048像素的制冷型高灵敏sCMOS相机(pco.edge 4.2), 一个装有滤波片的旋转滤光轮和一个装有偏振片的旋转架。 其中滤波片分别为semrock公司型号为FF02-482/18-25的蓝光波段滤波片, 以及Thorlabs公司型号为FB680-10和FB760-10的红光和近红外波段滤波片。 实验的目的是验证新方法的可行性, 因此随机选取30°作为入射天顶角, 未来将扩大不同几何条件下的观测研究。 测量是在天底方向进行的, 因为天底方向是遥感中常规的观测方向。

图2 偏振多光谱成像系统

1.3 植被偏振信息提取原理

偏振技术可以为植被制图和植被状况评估提供对比度增强信息[16]。 有研究表明镜面反射是偏振反射的主要来源[11]。 因此, 本文将偏振引入对植被的分析中来, 并与植被指数进行融合, 以消除植被的镜面反射干扰。 本文采用Fessenkovs方法测量线性Stokes参数。

斯托克斯公式

(1)

式(1)中,I为辐射强度;Ax、Ay分别为电子束在相互垂直方向上的振幅;γ为Ax,Ay之间的相位角。S0是通过将光波通过0°方向的线性偏振器得到的;S1是通过将光波通过60°方向的线性偏振器得到的;S2通过将光波通过120°方向的线性偏振器得到的;S3是圆偏振分量。

Fessenkovs方法

(2)

线偏振度(DoLP)

(3)

偏振角(AOP)

(4)

1.4 植被指数的构建

1.4.1 SR和NDVI的构建

基于植被指数的分析已经成为学者们在植被遥感探测研究与实践中的主要途径。 迄今为止, 已有多种不同形式的植被指数被相继提出, 这些植被指数通常具有一定的生物或理化意义, 是植物光谱的一种重要的应用形式。 其中SR和NDVI指标被广泛使用, 计算方法如下[17]。 其中,R482 nm、R680 nm和R760 nm分别为482、 680和760 nm波长处的反射率值。

(5)

(6)

1.4.2 SRRISR和SRRINDVI的构建

如图3(a)是R482 nm图像、 (b)是R680 nm图像、 (c)是DoLP图像、 (d)是R760 nm图像, 图中红色区域为镜面反射区域, 实验发现R482 nm和R680 nm的光谱图像对镜面反射较敏感且敏感度相似, 而R760 nm的光谱图像对镜面反射不敏感。 因此, 本文假设R482 nm处的反射率是镜面反射, 并且只需要R680 nm减去R482 nm。

图3 (a) R482 nm图像、 (b) R680 nm图像、 (c) DoLP图像、 (d) R760 nm图像

(7)

(8)

1.4.3 PFSRRISR和PFSRRINDVI的构建

如图3(c)可以看到, 镜面反射区域的DoLP值较低, 这是因为目标的DoLP与表面反射率成反比[18]。 因此, 提出了一种利用目标漫反射和镜面反射的光谱和偏振特性来检测目标的融合算法, 镜面去除指数(SRRI), 线偏振度(DoLP)和偏振角(AOP)均在融合框架内计算, 以去除镜面反射干扰并提高植物健康状态检测精度。

对镜面去除指数(SRRI), 线偏振度(DoLP)和偏振角(AOP)进行HSV融合, 融合算法:

∑HSV→RGB{DoLP, SRRI, AOP}

(9)

式(9)中, PFSRRI为HSV融合后的SRRI的值。 其中,G(SRRISR)和G(SRRINDVI)分别为图像融合后的G波段分量。

PFSRRISR=G(SRRISR)

(10)

PFSRRINDVI=G(SRRINDVI)

(11)

2 结果与讨论

2.1 SPAD含量测量

使用手持式叶绿素测定仪(中科维禾, 型号: TYS-4N)进行叶片的SPAD测量。 测定了不同健康状态的芒果树叶的SPAD。 健康叶片的SPAD在37.94 SPAD以上, 胁迫1级叶片的SPAD在20.05～37.94 SPAD范围内, 胁迫2级叶片的SPAD在0～20.05 SPAD范围内。 植物不同健康状态的叶片区域的平均SPAD含量三维散点图, 如图4,x轴为植被胁迫等级,y轴为样本数,z轴为相对叶绿素含量(SPAD)。 使用SPAD散点图的误分率计算不同植物状态的敏感性(Se)和特异性(Sp)以及各自的阳性预测值(PPV)和阴性预测值(NPV)值见表2。

图4 SPAD含量散点图

表2 SPAD、 SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI对植物不同健康状态等级的判别精度

2.2 植被指数成像对比

如5图所示, 图5(a)是由式(5)计算得到的SR图像、 图5(b)是SR的伪彩色图像、 图5(c)是由式(6)计算得到的NDVI图像、 图5(d)是NDVI的伪彩色图像。 图5(a)—(d)黑色框中的值要比其周围的值低, 这是因为叶片表面发生镜面反射造成的(见第3节), 因此镜面反射使得健康叶片被误认为胁迫叶片。

图5 (a)SR图像、 (b) SR伪彩色图像、 (c)NDVI图像、 (d) NDVI伪彩色图像、 (e)SRRISR图像、 (f) SRRISR伪彩色图像、 (g) SRRINDVI图像、 (h) SRRINDVI伪彩色图像

图5(e)是由式(7)计算得到的SRRISR图像、 图5(f)是SRRISR的伪彩色图像、 图5(g)是由式(8)计算得到的SRRINDVI图像、 图5(h)是SRRINDVI的伪彩色图像。 图5(e)—(h)黑色框中的值要比其周围的值高, 这是因为SRRISR和SRRINDVI将叶片的镜面反射从低值改善为高值(见第3节)。 而叶片的镜面反射区域是健康叶片区域, 因此改善后的SRRISR和SRRINDVI进行叶绿素反演的精度得到提高(如图8)。

图6(a)是DoLP图像、 图6(b)是AOP图像、 图6(c)是由式(7)计算得到的SRRISR图像、 图6(d)是由DoLP、 AOP和SRRISR融合得到的PFSRRISR图像、 图6(e)是由式(8)计算得到的SRRINDVI图像、 图6(f)是由DoLP、 AOP和SRRINDVI融合得到的PFSRRINDVI图像。 图6(d)、 (f)黑色框中的值和其周围的值已经几乎相等, 因此PFSRRISR和PFSRRINDVI几乎完全消除了叶片的镜面反射。

2.3 植被指数的分类散点图

图7(a)—(f)分别是SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI三维散点图,x轴为植被的不同健康水平分类、y轴为分组数,z轴分别为SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI值。 图7(a)、 (b)可以看出, 镜面反射叶片的值低于胁迫2级叶片的值, 镜面反射叶片被误认为是胁迫叶片, 这是采用SR和NDVI进行叶绿素反演产生误差的原因。 图7(c)、 (d)可以看出, 镜面反射叶片的值大于健康叶片的值(实际上应该相等)。 图7(e)、 (f)可以看出, 镜面反射叶片的值与健康叶片区域的值相等, 并且其他健康叶片水平分类明显。 PFSRSI极大的消除了镜面反射带来的干扰, 提高了叶绿素检索的精度。

通过曲面的颜色和趋势的变化可以很直观地看到植被健康状态的变化趋势, 将曲面投影在xy面和yz面上, 在yz面上相邻植被状态等级的算术平均值上画出截断线。 根据相邻植物状态的误分率, 确定了植物不同健康状态区分的敏感性和特异性以及分类的阳性预测值(PPV)和阴性预测值(NPV)见表2。

2.4 SPAD值与不同植被指数的相关性分析

将SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI与SPAD进行线性相关性分析。 如图8(a)、 (b), SR与SPAD的相关系数R2为0.012 8, 而NDVI与SPAD的相关系数R2为0.007 5。 图8(c)和(d), SRRISR与SPAD含量的相关系数R2为0.818, SRRINDVI与SPAD含量的相关系数R2为0.889, 精度明显得到改善。 图8(e)、 (f), PFSRRISR与SPAD含量的相关系数R2为0.955, PFSRRINDVI与SPAD含量的相关系数R2为0.948, 精度得到极大的改善。

镜面反射是远程反演叶绿素含量的重要误差源。 为了消除叶片镜面反射对植物健康检测的影响, 将镜面去除指数(SRRI)、 线偏振度(DoLP)和偏振角(AOP)进行融合, 开发了一个偏振融合镜面去除指数(PFSRRI), 以更好地检测镜面反射干扰下的植物健康状态。 搭建了一套偏振多光谱成像系统, 用于监测植物健康状态, 评价叶片镜面反射去除的效果。

如图4所示, 健康叶片区域和镜面反射区域(健康叶片), 其SPAD值都在37.94之上。 镜面反射区域位于健康叶片区域, 这也说明叶片的表面越光滑, 镜面反射就越强, 而叶片的表面光滑程度与健康程度有关, 即叶片越健康表面则越光滑。

在遥感监测中, 叶子的反射率是由两部分组成的: 镜面反射率和漫反射[19]。 镜面反射源于叶表皮界面处的直接反射, 入射辐射不会穿透叶内部[20]而漫反射来自于叶片内部, 其光谱的变化取决于生物化学成分。 因此, 镜面反射分量不携带叶生物化学信息[21-22], 叶片镜面反射的存在可能导致远程检测叶绿素含量的干扰。 如图5(a)—(d)黑色框, 镜面反射产生的干扰使得健康叶片被误认为是胁迫叶片。 从如图7(a)、 (b)中也可以看到, 镜面反射区域的值低于胁迫2级叶片的值, 这是反常的。 此外, 叶片的镜面反射干扰使得叶绿素反演精度大大降低, SPAD与SR和NDVI相关性仅为0.012 8和0.007 5[如图8(a)和(b)]。

由于SR和NDVI指标对镜面反射的敏感性, 本文提出了SRRISR和SRRINDVI来缓解镜面反射的影响[式(7)和式(8)]。 本文的研究也证实了SRRISR和SRRINDVI指数比SR和NDVI指数有改善, 图8(c)、 (d)说明了该策略的有效性, SPAD与SRRISR和SRRINDVI相关性为0.818和0.889。 然而, 如图5(e)—(h)可以看到镜面反射区域的值高于周围的值, 这也是反常的。 由于本文将R482 nm当作是叶片镜面反射的测量值, 而实际上R482 nm同时包含漫反射和镜面反射, 因此R482 nm的值高于镜面反射的测量值。 在SRRISR和SRRINDVI中[式(7)和式(8)],R680 nm减去R482 nm以消除镜面干扰。 因此, SRRISR和SRRINDVI的镜面反射区域的值大于健康叶片的值[如图7(c)和(d)]。 故SRRISR和SRRINDVI在消除镜面反射效应方面的并不是特别理想。

光的偏振是比光的强度更普遍的物理特性。 如图3(b)、 (c)黑色框, DoLP与R680 nm变化趋势相反[23-24], 并且镜面反射区域的DoLP值较低, 这是因为目标的DoLP与表面反射率成反比[18]。 此外, SRRISR和SRRINDVI使得镜面反射区域高亮。 因此, 如果将SRRISR和SRRINDVI分别与偏振图像融合, 生成的图像将会具有更优秀的镜面反射去除效果。 本文开发了一个偏振融合镜面去除指数[式(9)—式(11)], 几乎完全消除叶片的镜面反射[如图6(d)和(f)黑色框]。 利用PFSRRISR和PFSRRINDVI数据进行绘制散点图[图7(e)和(f)], 对植物不同健康状况等级进行分类。 可以看出, 健康叶片和镜面反射叶片区域的值已经相等, 镜面反射干扰被消除。 SPAD与PFSRRISR和PFSRRINDVI相关性分别为0.955和0.948[如图8(e)和(f)], 精度得到极大的改善。 此外, 表2中PFSRRISR和PFSRRINDVI将镜面反射叶片从胁迫1级中分类的灵敏度分别为100%、 100%, 特异性分别为100%、 98%, 这具有重要意义, 因为它们证明了该指数在镜面反射干扰下检测植物健康状况的潜力。

目前, 该系统只能静态的进行检测植被健康状况, 因为本文偏振测量选择的是手动旋转, 当然这也增加了偏振测量的误差。 在未来, 将开发可动态测量的设备, 并将其部署在平台上, 如小车、 无人机和卫星, 在消除镜面反射干扰的同时, 以在远距离感受各种类型的生物和非生物胁迫对农田和森林的影响。

3 结 论

建立了一个偏振多光谱成像系统, 用于去除植物的镜面反射干扰并对植物的健康状态进行遥感监测。 并将镜面去除指数(SRRI)、 线偏振度(DoLP)和偏振角(AOP)进行融合, 开发了一个偏振融合镜面去除指数(PFSRRI), 以消除植物的镜面反射干扰并提高植物健康状态检测精度。 利用PFSRRISR和PFSRRINDVI的散点图对植物不同健康状态等级进行分类研究, 从1级胁迫叶片对镜面叶片进行分类的灵敏度分别为100%、 98%, 特异性分别为100%、 100%, 表明该方法对消除植物的镜面反射干扰是非常有效的。 为了评估PFSRRI消除镜面反射干扰并监测植物健康状态的遥感监测能力, 对芒果树叶的不同健康状态叶片区域进行了测量。

结果表明:

(1) SR和NDVI对镜面反射较敏感, 受叶片镜面反射的干扰最大。 SPAD与SR和NDVI相关性仅为0.012 8和0.007 5。

(2) SRRISR和SRRINDVI比SR和NDVI有改善, SPAD与SRRISR和SRRINDVI相关性分别为0.818和0.889。 然而, 镜面反射区域的值高于健康叶片的值, 这是反常的。 故SRRISR和SRRINDVI在消除镜面反射效应方面的并不是特别理想。

(3) PFSRRISR和PFSRRINDVI消除镜面反射干扰表现最优秀, SPAD与PFSRRISR和PFSRRINDVI相关性分别为0.955和0.948, 精度得到极大的改善。 健康叶片和镜面反射叶片区域的值已经相等, 说明镜面反射干扰几乎被完全消除。

该研究可在不同遥感平台上使用, 如车载、 无人机和卫星, 在消除植物的镜面反射干扰的同时评估植被健康状况。