張宏鳴 王佳佳 韓文霆 李書琴 王紅艷 付振宇

(1.西北農林科技大學信息工程學院， 陜西楊凌 712100； 2.寧夏智慧農業(yè)產業(yè)技術協同創(chuàng)新中心， 銀川 750004；3.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100； 4.西部電子商務股份有限公司， 銀川 750004)

0 引言

作物冠層溫度是大氣-土壤-植被系統(tǒng)內物質和能量交換的結果。作物本身的遺傳特性和其生長環(huán)境是影響作物冠層溫度變化的主要原因[1-2]。而作物冠層溫度通過影響葉片功能期、葉綠素含量、蒸騰、光合能力、蔗糖合成酶以及內部的抗衰老機制等來影響作物產量。因此，可利用作物冠層溫度來監(jiān)測作物是否受到干旱、病蟲害等不利環(huán)境因素的影響，并判斷作物的基因型狀，進行合理的灌溉、施肥以提高作物產量[3]。

隨著熱成像儀越來越多地用于獲取作物冠層溫度[4-5]，國內外學者對此進行了深入探討和研究[6-8]。目前，熱成像儀以其精度較高、獲取速度快、反應靈敏等特性成為作物溫度獲取的主流形式[9]。然而，冠層溫度的獲取多通過人工手持的方式，需要花費大量的時間和人員，且局限于小范圍的應用，難以實現大范圍內快速監(jiān)測作物信息[10]。針對這一問題，許多研究應用遙感衛(wèi)星獲取熱紅外遙感圖像。但獲取的圖像分辨率低，且遙感衛(wèi)星費用昂貴，靈活性較差，不能應用于小范圍田間尺度[11]。近幾年，無人機以其分辨率高、周期短、靈活性高等特點，廣泛應用于遙感圖像獲取。隨著熱紅外圖像獲取量和維度的增加，且熱紅外圖像自身分辨率較低，精確快速地從熱紅外圖像中提取所需信息已成為當前研究的熱點[12-14]。文獻[15-18]雖然能夠提取作物冠層區(qū)域，但精確度不高，導致提取的作物冠層溫度精度低，難以滿足精細研究的要求。

本文以拔節(jié)期的玉米為研究對象，利用無人機拍攝玉米熱紅外影像和正射影像，并將兩者進行幾何配準。采用改進的Canny邊緣檢測算子、支持向量機(Support vector machine，SVM)、小波變換等算法在高分辨率的正射影像上提取玉米冠層區(qū)域，將提取結果生成掩膜，以此在熱紅外影像中提取玉米冠層溫度，并將其與地面實測值進行誤差分析。

1 材料與方法

1.1 實驗區(qū)概況

圖1 實驗小區(qū)概況Fig.1 Overviews of experimental plot

研究區(qū)域位于內蒙古自治區(qū)鄂爾多斯市達拉特旗昭君鎮(zhèn)(40°26′0.29″N，109°36′25.99″E，海拔1 010 m)。實驗地種植作物為夏玉米，于2018年5月20日播種，行距58 cm，株距23～30 cm，采用中心軸式噴灌機進行灌溉，實驗小區(qū)布置如圖1所示。實驗地劃分為5個扇形區(qū)域，每個扇形區(qū)域劃分有3個樣方(長×寬為6 m×6 m)，在樣方一條對角線上均勻畫出3個數據采集區(qū)(長×寬為2 m×2 m)，并用藍布標記測量植株。

1.2 地面數據和遙感數據獲取

在玉米拔節(jié)期，分別于2018年6月26日和7月4日，天氣晴朗，當地時間12:00進行地面數據的采集。利用Raytek ST60+型手持測溫儀(圖2a)(測溫范圍為-32～600℃，精度±1℃)，以圖2b測量方式采集玉米冠層溫度。為了避免非冠層物體的影響，面向南以與水平線15°夾角掃射冠層(掃射范圍為120°)。為了得到更具代表性的冠層溫度，選擇標記植株前后左右各1 m(長×寬為2 m×2 m)作為數據采集點，并以3次測量平均值作為玉米冠層溫度。

圖2 玉米冠層溫度測量示意圖Fig.2 Schematics of maize canopy temperature measurement

遙感數據的采集包括熱紅外影像和正射影像的拍攝。在6月26日和7月4日，于當地時間12:45進行無人機數據采集。采用大疆S1000型六旋翼無人機(圖3a)，無人機凈質量4.4 kg，有效載質量6 kg，續(xù)航時間15 min左右。無人機搭載FLIR Vue Pro 640R型非制冷熱像儀(圖2b)(質量90 g，640像素×512像素，測溫范圍-20～100℃)拍攝熱紅外影像。飛行高度為70 m，拍攝影像的重疊率為85%，地面空間分辨率為7.5 cm，同時采用大疆精靈四Pro無人機(圖2c)拍攝正射影像(約2 020萬有效像素，最大分辨率為5 472像素×3 648像素，質量179 g)，飛行高度為50 m，拍攝的影像重疊率為90%，地面空間分辨率為1.25 cm。

圖3 無人機及相機Fig.3 UAV and camera

1.3 技術方法

提取玉米冠層溫度技術流程如圖4所示。正射影像和熱紅外影像獲?。徽溆跋窈蜔峒t外影像拼接、幾何校正和配準；熱紅外影像的輻射定標；正射影像中提取玉米冠層區(qū)域；熱紅外影像上提取玉米冠層溫度；精度驗證。

圖4 技術流程Fig.4 Flow chart of proposed method

1.3.1無人機影像拼接與校正

無人機共拍攝熱紅外影像568幅，正射影像1 874幅，采用pix4d進行拼接。采用CGCS2000_3_Degree_GK_ CM_111E，D_China_2000坐標系，根據地面5個像控點對影像進行幾何校正。

1.3.2熱紅外影像輻射定標

由于存在系統(tǒng)誤差和偶然誤差，為評價熱紅外影像提取玉米冠層溫度的效果，需進行飛行前、后的輻射定標。利用手持測溫儀和熱成像儀分別測得近地面(1 m左右)15種地物溫度進行飛行前輻射定標，通過相關性分析，確定手持測溫儀與熱成像儀在不受距離影響下，所測溫度具有一致性；利用幾何校正和配準后的熱紅外影像和手持測溫儀，測得地面放置的黑白輻射定標布、每個扇形實驗區(qū)熱傳感器周圍的玉米冠層、土壤和混合像元共17個溫度，通過相關性分析確定輻射定標系數，得到熱紅外影像中提取的玉米冠層溫度與實測溫度的誤差范圍。

1.3.3作物冠層區(qū)域提取

正射影像中利用改進的Canny邊緣檢測算子、SVM、小波變換3種算法提取玉米冠層區(qū)域。再將提取結果進行二值化處理并生成矢量面文件，基于此矢量文件，生成玉米冠層區(qū)域掩膜并在熱紅外影像中提取玉米冠層溫度。

1.3.3.1改進的Canny邊緣檢測算子

對傳統(tǒng)的Canny邊緣檢測算子[19]進行如下改進[20-22]：

采用帶有保留邊緣功能的平滑方法，通過設定閾值，讓與中心像素灰度差值小于該閾值的像素參與計算，而與中心像素灰度差值相差過大的像素被認為帶有有效信息，而非噪聲，不參與平滑計算，從而保留有用的高頻信號，邊緣信號也在保留的范圍。

以均值模糊為例，設置模糊閾值30，保持傳統(tǒng)Canny檢測應用的高斯模糊高閾值100，低閾值50。應用高斯模糊時，較難識別弱邊緣 (圖5b，黃框)，反而識別出較多偽邊緣(圖5b，紅框)。應用保留邊緣的選擇性模糊時，能較好地識別出邊緣(圖5c)。不同模糊領域的半徑對Canny檢測的結果影響不大，主要與選擇模糊設定的閾值相關(圖5c、5d、5e)。

利用選擇性中值模糊、表面模糊、均值模糊進行對比，效果如圖6所示。選擇性表面模糊，因為中心像素的權重大，在參數相同的情況下(半徑為5，閾值為30)，保留的邊緣相對選擇性均值模糊和中值模糊較多(圖6b，黃框、紅框)。

圖5 選擇性均值模糊與高斯模糊效果對比Fig.5 Comparison of selective mean confusion and Gaussian blur effect

圖6 不同選擇性模糊效果對比Fig.6 Comparison of different selective blur effects

本文選用3×3的Sobel梯度算子。對于算法中梯度的計算，梯度算子可以有多種選擇。以選擇性表面模糊為例，保持模糊半徑5，閾值30，分別采用一階差分梯度、Robert交叉等2×2的算子和3×3的Sobel算子來檢測玉米邊緣，效果對比如圖7所示。由于一階差分梯度算子和Robert算子都是2×2的算子，它們計算的梯度在幅度上都小于Sobel算子，因此參照Sobel算子的幅度，2×2算子的x、y方向梯度都乘以相應的倍數(4倍)來進行比較。一階差分在邊緣的連通性上最差，Robert算子好一些，Sobel算子效果最優(yōu)，能夠較好識別出弱邊緣和孤立邊緣信息。

圖7 不同梯度算子效果對比Fig.7 Comparison of different gradient operators

本文以選擇性表面模糊為例，保持模糊半徑5不變，使用不同的閾值，識別效果如圖8所示。閾值越大，參與模糊計算的領域像素越多，弱邊緣和孤立邊緣越不易識別，導致保留的邊緣信息減少，作物的真實邊緣信息較難識別出。

圖8 不同閾值門限效果對比Fig.8 Comparison of different threshold value effects

圖9 改進的Canny邊緣檢測算子與傳統(tǒng)邊緣檢測算子效果對比Fig.9 Comparison of improved Canny edge detection and traditional edge detection

通過上述實驗，選用可選擇性表面模糊代替高斯模糊，設置其閾值為30，選用3×3的Sobel算子作為梯度算子。改進的Canny邊緣檢測算子與傳統(tǒng)的Canny算子效果對比如圖9所示。由圖9可知，傳統(tǒng)的邊緣檢測算子識別的邊緣連通性差，難以識別弱邊緣和孤立邊緣，導致漏掉許多真邊緣(圖9，籃框、紅框)；傳統(tǒng)的邊緣檢測算子會識別出一些偽邊緣(圖9，黃框)。而經過改進的Canny邊緣檢測算子能夠更好地聯通邊緣信息，對于孤立邊緣和弱邊緣具有較好的辨識效果，能夠更準確地識別作物的邊緣信息。

1.3.3.2SVM圖像分割

SVM是二分類模型，是特征空間上最大的線性分類器，學習策略是間隔最大化，最終可轉換為對一個凸二次規(guī)劃問題的解決[23-26]。本實驗讀取經過校正、配準后的正射影像，利用Surf算法提取土壤和玉米的顏色、波段反射率以及紋理等特征，基于Sigmoid核函數，采用遺傳算法(Genetic algorithms，GA)尋找最優(yōu)參數(懲罰系數c與核函數半徑g)，提取玉米冠層區(qū)域，流程如圖10所示。

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

1.3.3.3小波變換圖像分割

基于小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然后依據給定的分割準則和小波系數選擇閾值門限，最后利用閾值標出圖像分割的區(qū)域[27-28]。本文采用Haar小波，Haar函數是正交小波函數，是支撐域在范圍內的單個矩形波[29-31]。

1.3.4結果驗證

(1)冠層區(qū)域提取結果分析及精度評價：以7月4日樣方1-3-3影像為例，用提取得到的矢量面對3種算法提取效果進行對比分析。用精確度(S)對3種算法的準確性進行評價，越大表示提取算法精確度越高。在WIEDEMANN等[32]提出的方法基礎上改進得到評估方法，計算公式如下

(1)

式中S——提取算法的精確度

Tp——預測為玉米的玉米樣本

Fp——預測為玉米的非玉米樣本

(2)冠層溫度提取及輻射校正精度評價：采用均方根誤差(Root mean square error, RMSE)進行輻射校正以及提取的冠層溫度與實測溫度的誤差評價。

2 結果與分析

2.1 熱紅外影像輻射校正分析

飛行前的輻射定標結果如圖11a所示，手持測溫儀與熱紅外成像儀在近地面(1 m左右)所測得物體的溫度具有很高的一致性(R2=0.986 4)，在不受距離影響下，可以用手持測溫儀對熱紅外成像儀測得的溫度進行校正，提高提取冠層溫度的準確性。

飛行后的輻射定標結果如圖11b所示。圖像的擬合曲線斜率大于1，熱紅外成像儀測取的溫度低于手持測溫儀測得的溫度。在近距離情況下，兩者測得的溫度具有十分高的一致性，但距離影響結果的精度，飛行高度越高，溫度衰減越明顯，導致熱紅外影像的溫度準確性越低。

圖11 輻射定標Fig.11 Radiation calibration

2.2 冠層區(qū)域提取結果分析及評價

(1)提取矢量面結果對比分析：玉米枝葉交叉出現陰影部分，地面也存在雜草(圖12a)。SVM和小波變換將部分雜草劃分為玉米區(qū)域(圖12，紅框)，且將部分陰影也劃分為玉米區(qū)域(圖12，黃框)；SVM和小波變換不易識別出弱邊緣和孤立邊緣玉米區(qū)域(圖12，藍框、紫框)。而改進的Canny邊緣檢測算子能夠較好地分割出雜草、陰影等非玉米區(qū)域，且對邊緣玉米區(qū)域能夠較好地識別(圖12b)。改進的Canny邊緣檢測算子提取結果如圖13所示。

(2)提取算法精度評價：對90幅正射影像直方圖進行分析，選擇合適的閾值區(qū)分玉米和非玉米區(qū)域(陰影、土壤、雜草等)，通過提取算法精確度(S)對3種方法進行對比。通過小波變換算法提取玉米區(qū)域的精確度最低，SVM算法次之，改進的Canny

圖12 3種方法分割效果矢量面對比Fig.12 Comparison of segmentation effect vector face of three methods

圖13 改進的Canny邊緣檢測算子提取冠層區(qū)域示意圖Fig.13 Schematic of improved Canny extraction canopy area

邊緣檢測算子效果最優(yōu)，平均精確度分別為68.2%、74.5%、87.3%。

2.3 冠層溫度提取結果分析與評價

為了驗證從熱紅外影像中提取的玉米冠層溫度的精確度，將提取的90個樣本點的溫度剔除無效值后與實測玉米冠層溫度進行誤差分析。剔除標準是提取溫度的誤差超過限差(2倍的標準差)。應用改進的Canny邊緣檢測算子時，剔除10個無效值；應用SVM算法時，剔除15個無效值；應用小波變換時，剔除19個無效值。結果如圖14所示。

從圖14可以看到，基于改進的Canny邊緣檢測算子提取的玉米冠層溫度與地面實測的相關性最高(R2=0.929 5)，其次是SVM算法(R2=0.895 7)，效果最差的為小波變換(R2=0.876 0)。改進的Canny邊緣檢測算子能夠較好地提取出玉米冠層區(qū)域，并獲得更加精確的玉米冠層溫度。

3 討論

影像中提取的玉米冠層溫度與地面實測值存在誤差，產生這些誤差的原因主要有：

圖14 熱紅外提取溫度與對應地面實測溫度一致性分析Fig.14 Analysis of consistency between hot infrared extraction temperature and corresponding ground measured temperature

(1)天氣影響。由于熱紅外影像與正射影像獲取時間不一致，天氣(風、陽光等)會導致玉米性狀發(fā)生改變。所以正射影像與熱紅外影像中的部分玉米冠層區(qū)域的形狀有偏差，導致生成的掩膜不能精確地覆蓋于熱紅外影像上。因此，需選擇在晴朗無風的天氣來拍攝遙感影像，并且盡可能縮短兩個影像獲取的時間間隔。

(2)高度影響。熱紅外自身的分辨率較低，而飛行高度越高，拍攝的熱紅外影像分辨率越低，影像越模糊，越難從混合像元中提取玉米冠層溫度。因此在利用無人機拍攝熱紅外影像時，盡可能根據續(xù)航時間降低飛行高度。

(3)儀器自身誤差。由于儀器存在系統(tǒng)誤差。因此，在飛行前需對儀器進行檢查、校正和預熱，進行飛行前后的輻射定標，盡可能減少系統(tǒng)誤差的影響。

4 結束語

利用經過幾何校正、配準后的正射影像和熱紅外影像，基于改進的Canny邊緣檢測算子、SVM、小波變換等方法在正射影像中提取玉米冠層區(qū)域，得到矢量文件并生成掩膜，以此在熱紅外影像中提取玉米冠層溫度。結果表明，改進的Canny邊緣檢測算子能夠更加精確地提取玉米冠層區(qū)域，得到更準確的玉米冠層溫度，解決了熱紅外圖像分辨率低難以獲取目標像元的問題。