吳趙麗, 梁 棟, 趙晉陵, 黃林生

(1.安徽大學 電子與信息工程學院,安徽 合肥 230601;2.中國科學院 南京地理與湖泊研究所, 江蘇 南京 210008)

0 引 言

植被蓋度獲取有地表實測和遙感測量[1]兩種。地表實測迅速、準確、客觀,對低植被覆蓋區(qū)，地表測量可以避免土壤反射率對植被生態(tài)屬性的遙感定量化研究的影響，但容易受到時間和區(qū)域條件限制，耗時久、支出大。遙感測量，獲取數(shù)據(jù)波段寬、數(shù)量少，很難滿足高精度植被蓋度信息提取的要求，且由于呼倫貝爾草原含有大量的沙地，而植被指數(shù)通常對土壤光譜比較敏感，存在獲得地物光譜信息過多情況。近幾年運用高光譜比較多，高光譜遙感數(shù)據(jù)具有很多窄波段，可以提供連續(xù)光譜曲線和準確地提取地物信息，但仍有一定的局限性，比如易受大氣影響，波段之間相關性高。

本文采用的數(shù)據(jù)為無人機(unmanned aerial vehicle，UAV)獲取的影像[2]，對影像可進行圖像分割處理，分割出芨芨草目標物和非芨芨草其他物。根據(jù)UAV影像灰度直方圖，采用最大類間方差算法得到閾值，再由閾值分割處理得到二值化圖像，為了有效去除和抑制噪聲，采用了中值濾波和形態(tài)學相結合的邊緣檢測方法[3]，對二值化圖像進行邊緣檢測同時，可以保護好邊緣細節(jié)，提高圖像分割的精確度，提高芨芨草蓋度估算準確度。

1 數(shù)據(jù)獲取

利用大疆Phantom4 UAV，采集樣本數(shù)據(jù)其攜帶著高精度數(shù)碼相機，獲取高分辨率影像無需沖洗、印相，可導入計算機中直接查看影像，大幅提高了工作效率。2016年7月份，在貝爾湖和呼倫湖附近采集樣本數(shù)據(jù)，共有200塊樣方地。UAV航拍一塊樣方區(qū)域，面積為10 m×10 m[4]，一次可獲得幾十張影像，選擇其中一張垂直俯拍角度、亮度適宜的影像，作為圖像分割的樣本圖像，估算10 m×10 m區(qū)域內(nèi)芨芨草蓋度。

2 芨芨草圖像提取方法

根據(jù)閾值分割[5]原理設原始圖像為f(x，y)，以一定準則在f(x，y)中找到一個灰度值T作為閾值，將圖像分為2個部分。即將大于等于該閾值像素點的值設置成1(圖像目標)，小于該閾值像素點的值設置為0(圖像背景)。閾值運算后的圖像為二值圖像g(x，y),如下表示

2.1 最大類間方差的閾值分割

根據(jù)芨芨草的樣本影像構建灰度直方圖，由于灰度化后的灰度直方圖大部分是單峰，采用最大類間方差(Otsu)算法，來得到最佳閾值進行圖像分割[6,7]。芨芨草和非芨芨草之間的類間方差越大，說明兩部特征差別越大，越有利于圖像的分割處理。

對于圖像f(x，y)，假設圖像的大小為M×N，圖像中像素的灰度值小于閾值T的像素個數(shù)為N0，像素灰度值大于閾值T的像素個數(shù)記作N1，芨芨草和非芨芨草的分割閾值記為T，屬于芨芨草的像素點數(shù)占整張圖像的比例記為w0，有

采用遍歷法得到類間方差最大閾值，即為最佳閾值。

Otsu算法步驟如下：

在冠狀動脈管腔之中,只要血管被損害,且血小板產(chǎn)生了匯集,就會產(chǎn)生血栓,引發(fā)管腔內(nèi)徑持續(xù)減小,最后,引發(fā)重型甚至堵塞,加上各類有關的缺血型臨床病癥,即急性冠脈綜合征(ACS)。ACS患病尤為急迫,且大多會重復發(fā)作,還會伴隨其余并發(fā)癥,對于患者的預后帶來了尤為不利的影響[1]。文章調(diào)研了CTn T檢驗運用到不穩(wěn)定型心絞痛患者中,對其預后的評價,并總結結果如下:

δ2=PC0(wC0-W0)2+PC1(wC1-W0)2

令T∈[0～(L-1)]，計算T不同取值時的類間方差，當取最大值時，即為T所對應的最佳閾值。

一張UAV影像，包含有芨芨草、細繩、土地等其他物，感興趣區(qū)域是芨芨草，利用Otsu算法對UAV影像中的芨芨草進行分割可以將灰度差別較大的非芨芨草類分割開，具體過程為：

輸入：芨芨草樣本數(shù)據(jù)

輸出：二值化結果

1)根據(jù)樣本圖像，計算出芨芨草區(qū)域所有的像素分布概率pi；

3)計算T取不同值時所對應的方差δ(T)；

4)求出δ(T)最大值時所對應的最佳閾值T*；

5)用T*對芨芨草區(qū)域進行分割，得到芨芨草輪廓。

使用的數(shù)據(jù)為A,B,C共3張無人機影像，經(jīng)過灰度化得到灰度直方圖再經(jīng)過最大類間方差算法處理，如圖1所示，得到閾值，對圖像進行二值化處理，二值化可以對多個實體和一個對比較強的背景圖像所組成的場景圖像特別有效，二值化方法一般速度較快，且使每個分割出的物體均具有閉合和連通的邊界。特別是目標物和背景的灰度值的差具有一定大小時，效果更明顯。圖1(a)分割閾值T*=0.451 0,芨芨草蓋度w0=33.57 %,最大類間方法對應閾值T*=0.451 0;圖1(b)中分割的閾值T*=0.478 4,芨芨草蓋度w0=26.83 %,最大類間方差對應閾值T*=0.478 4;圖1(c)中分割的閾值T*=0.443 1,芨芨草蓋度w0=30.86 %,最大類間方差對應閾值T*=0.443。

圖1 最大類間方差對芨芨草圖像二值化處理

2.2 中值濾波和數(shù)字形態(tài)學結合的邊緣提取

中值濾波濾除噪聲的同時可以較好地保護信號的細節(jié)信息[8]。根據(jù)二值化后圖像的特點、噪聲的統(tǒng)計特征和頻譜分布規(guī)律，采用的濾波窗口為3×3，其算法為:

1)確定一個模板，將模板中心與圖像中的某個像素位置重合；

2)讀取模板下對應的像素灰度值，設像素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，將9個灰度值按值的大小順序排列；

3)找出排在中間一個值設為bi，j，bi，j=Mid(ai，j)，將bi，j賦給對應模板中心位置。

數(shù)學形態(tài)學[9]主要是以膨脹、腐蝕為基礎，基于微分運算的邊緣提取，得到的圖像骨架比較連續(xù)，斷點較少，在有效抑制噪聲的同時能夠最大程度保留圖像細節(jié)信息。

記A為要處理的圖像，B為結構元素，膨脹運算為

A⊕B={a+b|a∈A,b∈B}=Ab

中值濾波可以有效地抑制噪聲，保護芨芨草目標物的邊緣細節(jié)，數(shù)字形態(tài)學方法修正二值化圖像的邊界，通過腐蝕和膨脹等操作解決了芨芨草目標區(qū)域與多余組織相連的問題，圖像經(jīng)過中值濾波后，去除噪聲，由圖2可以看出，圖像邊緣保護較好，圖像輪廓比較清晰，考慮到芨芨草主要表現(xiàn)是細長狀，曲率變化比較大，所以選擇尺寸比較小的3×3正方形結構元素進行結構原色膨脹[10]，可使得斷開的芨芨草得到連接，不會導致芨芨草的真實信息丟失。

圖2 分割效果

3 結果與分析

由圖2可知，Caneye處理提取出的芨芨草摻雜著非芨芨草的成分相對比較多。為分析不同的方法對芨芨草蓋度估算的精確性，實驗采用了15張UAV影像分別估算10 m×10 m區(qū)域芨芨草的蓋度，對估算結果進行了統(tǒng)計，再以實測蓋度參考值為縱坐標，算法處理蓋度、Caneye蓋度為橫坐標，分別作散點圖并作線性回歸，如圖3所示。

由回歸斜率看，圖3(a)回歸線的斜率近乎等于1，圖3(b)回歸線的斜率略小于1，分別為1.041和0.881，2種方法均有著相對較高的估算精度，Caneye工具處理得到蓋度的估算精度稍差。從散點分布情況以及R2大小來看，兩圖中各散點較密集分布在回歸線兩側，R2大于0.9，表明測量值與參考值之間一致性較好，但很明顯，算法處理得到的芨芨草蓋度與實測蓋度更加接近。從回歸截距上看，兩者均近于為0，估算誤差較小。由此得出，圖像分割算法估算的芨芨草蓋度精確度高。

圖3 不同方法得出芨芨草蓋度與實測蓋度的相關性

4 結 論

1)實現(xiàn)了基于沙地等其他物背景下，對芨芨草圖像的完整分割。相較于傳統(tǒng)遙感蓋度檢測由于土地反射率對植被蓋度干涉，本文方法更具有實用性。

2)根據(jù)芨芨草和背景物的灰度特性，采用了最大類間方差法，有效地將圖像轉化為二值化，再結合中值濾波和數(shù)學形態(tài)學，可以全面地將非芨芨草和芨芨草圖像分開，具有計算簡單、與光照強度無關等優(yōu)點。

3)方法能很好地完成對芨芨草圖像的分割，得到的芨芨草蓋度誤差為2.7 %，從而驗證了本文方法的有效性。

參考文獻:

[1] 顧祝軍,曾志遠.遙感植被蓋度研究[J].水土保持研究,2005,12(2):18-21.

[2] 李德仁,李 明.無人機遙感系統(tǒng)的研究進展與應用前景[J].武漢大學學報：信息科學版,2014,39(5):505-513.

[3] 張艷玲,何鑫馳,李 立.基于最大類間方差與形態(tài)學的淋巴結圖像分割[J].計算機科學,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] 謝鵬鶴.圖像閾值分割算法研究[D].長沙：湘潭大學,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.基于中值濾波和小波變換的圖像去噪方法研究[D].西安：西安科技大學,2008.

[9] 夏劍峰.基于數(shù)學形態(tài)學的癌細胞的分割與識別[J].電子科技,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.