基于视觉认知特征的植被区域自动提取模型是主要根据植被在可见光波段呈现绿色调的视觉特征, 在不采用任何先验知识和辅助信息的情况下, 仅依靠被处理图像自身建立起的模型。在输入图像中人工选取植被的代表区域, 计算植被的特征参数, 以此作为人眼对植被视觉认知进行导入; 然后, 对图像进行一系列的数学变换(如RGB空间到HIS空间变换、特征图像变换、特征图像融合等), 突出植被与非植被类别之间的差别; 最后根据植被样区的特征参数形成决策函数, 提取出植被区域。

1.2.1 HIS变换

RGB空间到HIS空间的变换公式为

H=θ, G≥B2π-θ, 其他I=0.46R+0.5G+0.04BS=1-3R+G+Bmin(R, G, B); (1)

θ=arccos(R-G)(R-B)2(R-G)2+(R-B)(G-B)。 (2)

式中: R, G, B分别是一个像元的红、绿、蓝分量值; min(R, G, B)为像元红、绿、蓝最小分量值; H, S, I分别为输出的色度、饱和度和亮度特征值。

1.2.2 特征图像变换

在色度空间中, 植被的分布范围为0~240° , 分布较为广泛, 不利于植被信息提取, 通过

H(m, n)=1-|H0(m, n)-μH|μH, HL≤H0(m, n)≤HU0, 其他, (3)

HL=μH-2σHHU=μH+2σH(4)

变换, 可缩小植被的色度分布范围, 以更好地提取植被区域。式中: μ _H, σ _H分别为色度分图像的灰度均值和标准差; H₀(m, n)分别为变换前后的色度特征图像; H_U, H_L分别为植被色度的上限值和下限值; m, n分别为像元横、纵坐标值。

根据样区位置, 重新计算样区在新色调特征图像上的灰度均值和标准差, 然后进行高斯变换, 以凸显植被在各个特征图像中的特征, 增加植被与非植被的可分离性。高斯变换公式为

fH(m, n)=12σHexp[(H(m, n)-μH)22σH2]fI(m, n)=12σIexp[(I(m, n)-μI)22σI2]fS(m, n)=12σSexp[(S(m, n)-μS)22σS2], (5)

式中: μ , σ 分别代表植被样区在特征图像的灰度均值和标准差; H, S, I分别为变换后的色度、饱和度、亮度特征图像; f为高斯变换后的特征图像; 下标H, S, I分别代表色度、饱和度、亮度。

1.2.3 特征图像融合

特征图像融合变换为

M(m, n)=fH(m, n)fS(m, n)fI(m, n)3, (6)

该变化可进一步扩大植被与非植被的差异, 形成融合图像M, 用于综合决策。

1.2.4 决策函数建立

建立决策函数, 即

T=μ _M- 2σ _M , (7)

式中μ _M, σ _M分别为融合后图像M(m, n)中植被样区的均值和标准差。对T取合适阈值, 便能区分出植被与非植被区域。

归一化差值植被指数(normalized difference vegetation index, NDVI), 又称标准化植被指数, 是植物生长状态以及植被空间分布密度的最佳指示因子, 是估算植被覆盖研究中最常用的方法, 广泛用于定性和定量评价植被覆盖及其生长活力^{[10, 11]}。NDVI计算公式为

NDVI=(NIR-R)/(NIR+R) , (8)

式中: NIR为近红外波段亮度值, 对应于植被的反射峰; R为红光波段亮度值, 对应于植被叶绿素的吸收峰^[12-13]。NDVI对植被区域反映敏感, 与植被覆盖度有良好的相关性, 可以很好地从植被的光谱特征上区分植被和非植被, 标定出植被的可能覆盖区域, 且较为可靠。

在色调偏暗的图像中进行植被区域提取时, 利用NDVI法对植被覆盖敏感而对其他地物不敏感的特性, 能够弥补仅用色调进行判断的不足, 可以很好地从光谱特征上区分植被与非植被。通过将用NDVI法提取出的植被二值图像与基于植被视觉认知特征法提取出的植被二值图像做“ 与运算” , 那些基于植被视觉认知特征法误判为植被的区域便可得到纠正; 另外, NDVI法与基于植被视觉特征法都能很好地提取出真实植被区域, 基于视觉认知特征提取出的精确植被边界又会弥补NDVI法在高分辨率图像中提取植被区域边界不准确的缺点。将NDVI法与基于植被视觉认知方法综合, 相互取长补短, 很好地解决了基于视觉特征的植被区域提取法在色调偏暗图像中提取精度不高的难题。

数学形态学“ 闭运算” 可以消除孔洞, 消除细长鸿沟中的断裂, 使得边界的轮廓更加连贯、光滑。形态学闭运算定义为先膨胀后腐蚀的过程, 即

(9)

使用结构元素B对集合A的闭运算就是先用B对A进行膨胀, 然后用B对膨胀结果进行腐蚀^[14]。

在高分辨率遥感图像中, 植被的树冠层会出现色差, 在色调上表现为亮绿色和暗绿色相间的现象; 此外, 还存在一些枝叶比较稀疏、植被的覆盖度不高的区域。这些区域在上述方法模型的植被二值图像中表现为在一片植被区域内部会随机出现一些小面积(通常为3~5个像元)的非植被区域孔洞(图1(左))。本文根据形态学闭运算能够填补区域内部孔洞的特性, 采用“ 闭运算” 对植被二值图像进行处理, 以去除植被区域内部小于一定大小的孔洞, 结果如图1(右)所示。图1中, 白色为植被区域, 黑色为非植被区域。从中可以看出, 进行形态学闭运算后的植被二值图像明显具有更高的连续性, 植被斑块更加明显, 植被区域边界也更接近实际的植被边界, 更有利于植被区域边界的提取。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 形态学闭运算前(左)、后(右)植被二值图像Fig.1 Two-value images of vegetation before(left)and after (right)morphologicalclosing operation

综上所述, 改进后的基于视觉认知特征的植被区域自动提取模型的计算流程如图2。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 改进算法的基本流程Fig.2 Basic flow chart of improved method

根据基于视觉认知特征的植被区域自动提取模型的计算方法, 本文在VC++开发平台上应用OpenCV开发包编写了一个植被提取的实验程序。选取南京东北部城乡结合区(图3(a))和玄武湖北部城区(图3(b))2组具有代表性的数据进行实验。实验中NDVI的决策系数选取为0.1。一般情况下NDVI> 0时, 便认为该区域为植被, 但由于大气折光及成像链路信号污染, 会出现一些虽然NDVI> 0却不是植被的现象^[15]。经过多次实验, 本文最终选取

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 实验数据Fig.3 Experimental data

0.1作为NDVI的阈值; 并发现形态学闭运算的模板大小采用5像元× 5像元时, 植被区域内部填充效果比较好。从图3中可以看出, 城乡结合部地区的植被区域比较明显, 分布较集中, 色调也较统一; 而玄武湖北部中城区的图像色调比较复杂, 且植被色调较暗。

图4和图5分别对比展示了2个实验区运用原方法和改进方法对植被区域提取效果。图4和图5中, 红色线条代表植被区域的外边界, 绿色线条代表位于植被区域内部的非植被区域边界。图4(a)和图5(a)为用未改进方法提取植被的效果, 其中, 白色标记的是植被采样区域, 蓝色、黄色标记的是被误判的其他地物; 图4(b)和图5(b)为用改进方法提取植被区域的效果。由于篇幅原因, 本文选取4个误判区进行改进前后的图像对比, 分别如图4, 5的(c)— (f)所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 实验区1植被区域提取效果对比Fig.4 Comparison of the results of vegetation areas extracted in experimental zone one

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 实验区2植被区域提取效果对比Fig.5 Comparison of the results of vegetation areas extracted in experimental zone two

3.2.1 定性评价

从图4(a)可以看出, 该地区植被布分布比较密集, 色调较一致, 用原方法及改进方法都能很好地提取出植被区域的内外边界, 且这些边界与人眼目视解译的边界有很高的符合程度。改进方法的优越性体现在对与植被色调相近的水体误判区(如图4(a)中2处蓝色标记区域和2处黄色标记区域的剔除), 改进方法很好地去除了与植被色调相近的水体误判, 植被区域的提取精度更高。对比图5(a)和图5(b)可以看出, 本文改进方法具有优越性。该实验区为城市地区, 图像中地物比较复杂, 色调也比较暗, 很多地物在色调上与植被相近, 仅采用色度图像数学变换的原方法, 造成了很多的误判, 提取效果不佳(其中, 以裸露地的误判为最多, 其次为水体、色调偏暗的道路等, 如图5(a)中多处用蓝色标记出的区域)。由于改进方法中加入了NDVI法的纠正, 在图5(b)中的植被区域和植被区域内部的非植被区域明显减少, 植被区域的总体提取精度得到了很大提高。从图5(c)— (f)中可以看出, 误判区域都得到了有效的剔除, 解译精度更高。

根据上述实验结果可以得出, 改进方法不仅适用于色调较明亮图像中的植被区域提取, 也适用于色调偏暗图像中的植被区域提取; 且植被区域提取结果均与人眼目视解译结果基本一致, 精度较高。

3.2.2 定量评价

由于缺乏标准的对比对象, 本文的定量分析采用了相对定量分析。对比数据来自于ENVI 4.8软件的监督分类结果。鉴于在小区域高分辨率图像中, 人眼的目视解译精度还是比较高的, 故对监督分类结果进行了精细的后处理(小区域植被删除、混淆矩阵精度验证、矢量化并统计植被区域面积和植被像元总数), 使监督分类得出的植被区域基本与人眼的目视解译结果相一致。采用植被总象元数、改进率、分类近似度几个评价指标进行对比, 总像元数指运用该方法从图像中提取出的植被总像元个数; 改进率=(改进前方法植被总像元数-改进后方法植被总像元)/改进前方法植被总像元数; 分类近似度=改进后方法提取植被总像元数/监督分类提取植被总像元数, 也称为改进后的方法与监督分类方法的分类相似度。结果见表1。

表1

Tab.1

表1(Tab.1)

表1 相对精度评价结果 Tab.1 Evaluation results of the relative accuracy 实验 植被总像元数 植被边界数 改进 率/% 分类 近似 度/% 监督 分类 原方法 改进 方法 原方法 改进 方法 实验区1 203 336 208 538 198 328 401 397 4.8 97.5 实验区2 37 504 60 335 35 572 584 403 41.0 94.8

表1 相对精度评价结果 Tab.1 Evaluation results of the relative accuracy

在表1中, 改进前、后方法提取出的植被总像元数及边界数由实验程序统计得来, 监督分类植被总像元数由ENVI4.8软件得来。由表1可知, 对于植被色调较统一的图像, 原方法和改进方法的提取效果差不多; 对于色调较暗的图像, 改进方法提取效果更佳。改进方法提取出的结果与监督分类结果基本一致, 这也说明改进方法不仅适用于色调较明亮的图像, 而且还适用于色调偏暗的图像, 且具有较高的植被区域提取精度。

本文的实验是在基于VC++配置的OPENCV平台环境下进行的, 改进前、后的方法运算速度都比较快, 充分显示了基于视觉认知特征方法在植被区域提取中的速度优势。操作人员只需要进行植被代表区域的选取工作, 其余工作均由程序自动完成, 已达到了半自动化的效果。