打开文本图片集
摘 要：采用数码相机获取水稻冠层的图像，提取图像中红（R）、绿（G）、蓝（B）三通道的色值，依据水稻冠层在可见光范围内的光谱反射规律，设置3个简单的判断条件，以决策树的形式，逐步剔除图像中的非冠层部分，从而达到识别水稻冠层的目的。与人工目视解译的结果进行对比验证，该方法的冠层识别准确率为91.91%，分别比支持向量机方法、最大似然法和神经网络方法高1.56、5.56和15.65个百分点;合计准确率为90.58%，Kappa系数为0.79，其数值低于支持向量机方法（91.55%，0.81），但均高于最大似然法（89.35%，0.77）和神经网络方法（83.48%，0.66）。该方法识别精度较高，计算简便，显示出在水稻冠层识别上有较大的应用潜力。
关键词：水稻;冠层识别;数码相机;决策树
中图分类号：S126文献标识码：A文章编号：1006-060X（2018）02-0085-04
Rice Canopy Recognition Based on Digital Camera Image
YANG Shao-e1，DU Xin2，SU Li-rong1，QIN Fang1
（1. Guangxi Academy of Agricultural Sciences， Agricultural Resources and Environment Institute， Nanning 530007， PRC; 2. Institute of Remote Sensing and Digital Earth， Chinese Academy of Sciences， Beijing 100101， PRC）
Abstract：Using digital camera to obtain images of rice canopy， then extract the color value of red （R）， green （G） and blue （B），from the images， set 3 simple judgment conditions based on the characteristics of canopy spectral reflectance in the visible band， gradually eliminat the non-canopy area by using a decision tree algorithms， thereby identify the canopy. Verified with the visual interpretation result， this method’s accuracy of canopy identification was 91.91%， which was higher than the support vector machine method， the maximum likelihood method and neural network method by a percent of 1.56， 5.56 and 15.65 respectively. The total accuracy was 90.58%， Kappa coefficient was 0.79， which is less than the support vector machine method （91.55%， 0.81）， greater than the maximum likelihood method （89.35%， 0.77） and the neural network method （83.48%， 0.66）. This method has high recognition accuracy and is easy to calculate， show great potential in rice canopy recognition.
Key words：rice; canopy recognition; digital camera; decision tree
作物冠层图像识别，通常是指在获取的卫星遥感影像、相机图像、扫描仪图像中，识别出绿色植物冠层部分，并剔除掉非冠层部分（如土壤、水体、枯叶、阴影等）。作物冠层图像识别多被应用于作物营养的快速诊断[1-4]，植物覆盖度、叶面积指数的估
算[5-8]，進而评估作物长势、预估产量等。近年来，随着技术提高，价格降低，数码相机已相当普及，利用其获取冠层图像非常便捷，因此越来越受到学者们的青睐。目前，针对数码相机图像的冠层识别方法主要有3种。一是使用Photoshop软件的“色彩选择”程序，人为手工地在图像中选择色彩相近的冠层区域[9-10];该方法的主要缺陷是耗时费力，人为误差较大。二是监督学习分类方法，如支持向量机[11]、神经网络[12-14]、最大似然法等[15-16]，此类方法需要人工选择监督学习分类的纯净图像样本，然后根据样本进行学习，确定分类依据;此类方法的缺点在于计算时间较长，而且需要事先选择图像样本，样本的选取质量直接影响分类结果，操作不够便捷。三是利用图像中的红（R）、绿（G）、蓝（B）三通道的色值，根据植物冠层的光谱反射规律，设定相应的计算公式进行区分。此类方法较常用的指标是2g-r-b[17]，其中g=G/（R+G+B），r=R/（R+G+B），b=B/（R+G+B）;其分类依据是图像中土壤与绿色植物的2g-r-b差异，将图像二值化处理即可区分开土壤和绿色植物;该方法的缺点是需要根据不同的图像设置二值化阈值，阈值的设置对分类结果影响较大，容易将底层被阴影掩盖的叶片错分为冠层叶片，同时将强光照射下的冠层叶片错分为非冠层，分类精度通常不如前2种方法。目前，常用的冠层识别方法较繁琐，精度还有待提高，而针对数码相机图像进行冠层识别方法的研究仍较少。因此，笔者基于数码相机图像中的红（R）、绿（G）、蓝（B）三通道色值，根据绿色叶片的光谱反射特征，设置3个简单的分类条件，采用决策树的分类方式，以达到简便、快速、准确识别水稻冠层的目的。
1 材料与方法
1.1 图像获取及处理
在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，白平衡、曝光值均采用自动调节模式，垂直向下拍摄水稻冠层，获得水稻冠层图像。该试验在水稻分蘖期进行拍摄，使用的是佳能550D数码相机，图像分辨率为2 595×1 728。为了减轻目视解译的工作量，提高目视解译的精度，截取了图像中央的850×650区域进行研究。
1.2 冠层识别方法
根据植物冠层的光谱反射特征，设置3个判断条件，如图1决策树所示，图像中的每个象元都依据这3个条件判断是否为冠层或非冠层，只有满足全部3个条件的象元才归为冠层。
（1）G>R：绿色叶片最基本的特征是绿光反射值大于红光反射值，因此不符合该条件的象元即为非冠层区域。
（2）G>max（G）×0.2：其中max（G）是指图像中绿光通道的最大值，可反映图像最大的亮度。因为拍摄图像时设置了自动拍照模式，白平衡、曝光值均采用自动调节模式，因此图像中亮度较低的地方通常是光线较暗的底部阴影，或是其他黑色物体。设置条件G>max（G）×0.2，是把图像中低于最大亮度20%以下的图像区域设定为阴影区域或黑色物体，归属于非冠层区域。
（3）G/B>1.15：设置该条件的目的，是把绿叶跟同样是绿色的塑料、布料、油漆等区分开。这些物品通常是田间残留的农药肥料包装，或是工作人员穿着的鞋子、衣服、携带的工具等不慎被拍摄到图像中。区分冠层绿叶与其他绿色物品的依据是：绿色冠层中绿光值显著大于蓝光值，而其他绿色物品的绿光值虽然大于蓝光值，但与蓝光值较为接近，因此其他绿色物品的G/B通常在1左右，而绿色冠层的G/B则通常大于1.1。这里设置阀值为1.15，以更好地去除掉非冠层的绿色物品。
1.3 冠层识别的具体实施
ENVI是一套功能强大的图像处理软件，能快速、准确地提取图像中红（R）、绿（G）、蓝（B）三通道的色值，并自带有多种图像分类功能，被广泛应用于遥感、农业、医学等众多领域。试验采用ENVI软件编写了上述决策树程序对采集的图像进行分类。同时，为了比较该方法与其他分类方法的效果，在ENVI软件中还进行了支持向量机、神经网络、最大似然法等方法的分類试验。
将数码相机获取的图像（图2）进行人工目视解译，人为识别出图像中的冠层部分和非冠层部分，作为各分类方法的真值图像（图3），分别与各方法的分类结果进行对比验证，并计算出分类准确率及Kappa系数。
进行支持向量机、神经网络、最大似然法分类前，在图像中以绿叶、土壤、水体、阴影等4类分别选取各类别的纯净象元区，作为分类算法的学习样本。如图4所示，绿色区域为绿叶区，黄色区域为土壤区，蓝色区域为水体区，红色区域为阴影区。
根据ENVI软件提供的各分类方法选择参数。支持向量机采用的核函数（Kernel Type）是径向基函数（Radial Basis Function），核参数σ值（Gamma in Kernel Function）为0.333，惩罚因子（Penalty Parameter）为100。
神经网络活化函数（Activation）采用Logistic函数，训练贡献阈值（Training Threshold Contribution）为0.9，权重调节速度（Training Rate）为0.2，训练步幅（Training Momentum）为0.9，期望误差最小值（Training RMS Exit Criteria）为0.1，隐藏层（Number of Hidden Layers）为1，训练迭代次数（Number of Training Iterations）为1 000。
最大似然法似然度阈值（Set Probability Threshold）选择“None”。
1.4 冠层识别精度评价
采用分类准确率和Kappa系数2个参数来评价各个方法的识别精度。其中，分类准确率分为冠层准确率，非冠层准确率和合计准确率，分别表示真值图像中的冠层象元、非冠层象元及全部象元被准确识别的百分比。Kappa系数是描述2幅图像间差异程度的参数，理论值在-1～1间，但通常都是在0～1之间;如果两幅图像差异很大，则Kappa系数值小;2幅图像完全一致时，Kappa系数值为1。通常认为Kappa≥0.75时，两者一致性好;0.40≤Kappa<0.75时，两者一致性一般;Kappa<0.4时，两者一致性差[18-19]。分类准确率和Kappa系数的计算公式如下：
g1=a+b，g2=c+d，f1=a+d，f2=b+c
PC=a/g1，PNC=c/g2，PO=（a+c）/n
Pe=（g1×f1+g2×f2）/n2
K=（PO-Pe）/（1-Pe）
式中，a表示被正确识别的冠层象元数，b表示被错误识别的冠层象元数，c表示被正确识别的非冠层象元数，d表示被错误识别的非冠层象元数，n表示图像总象元数;PC表示冠层准确率，PNC表示非冠层准确率，PO表示合计准确率，K表示Kappa系数。
2 结果与分析
各分类结果图如图5所示。直观观察可以看出，各个分类结果图中均存在一部分较零碎的冠层区域，与实际图像不符;神经网络方法的识别结果图中，冠层的区域较少，与实际图像和目视解译结果差异较大。
以目视解译结果图为真值图像，计算各分类方法的识别结果图的分类准确率和Kappa系数，各分类方法的精度检验结果如表1所示。检验结果显示，除了神经网络方法以外，其他各分类方法的Kappa系数都大于0.75，表现出了对水稻冠层较好的识别精度。而决策树方法对水稻冠层识别的准确率为91.91%，分别比支持向量机方法、最大似然法和神经网络方法高1.56、5.56和15.65个百分点;合计准确率为90.58%，Kappa系数为0.79，其数值低于支持向量机方法，但高于最大似然法和神经网络方法。这说明该方法针对水稻冠层的识别精度仅略次于支持向量机方法，而优于最大似然法和神经网络方法。
3 讨 论
该研究中，支持向量机、神经网络和最大似然法均采用ENVI软件默认的分类参数，这些参数是ENVI公司根据大量的试验数据得到的经验参数，同时也是学者们常用的参数，因此选用这些默认参数具有普遍意义;纯净象元区是笔者根据实际目视结果选取，且选取的范围占全图像的比例较大，确保了纯净象元区的质量和数量。从该研究得到的分类结果来看，各方法的分类合计准确率均在80%以上，取得了较好的分类结果，说明参数的设置和纯净象元区的选取都较为恰当，分类结果可用于与新方法进行比较。从比较结果可以看出，新方法的识别结果较好，达到并优于现有分类方法的精度。另外还需指出，支持向量机、神经网络和最大似然法如果设置其他参数将出现不一样的分类结果;同时，这3种分类方法都需要对纯净象元区进行学习，进而形成分类论据，如果选择不同的纯净象元区将产生不一样的分类结果。因此，不能排除在选取其他参数和纯净象元区的条件下，出现神经网络或最大似然法的分类精度高于该研究新方法的情况。
该研究提出的方法中，G>max（G）×0.2和G/B>1.15设置的阈值，是对多幅不同光线条件下的图像进行试验后确定的经验值，阈值设置如何能更合理，还需要进行更多的研究总结。从研究结果来看，新方法的分类结果精度较高，省略了现有方法需要提前选择图像样本的工作步骤，计算过程更简单，电脑运算时间更短，明显提高了工作效率，显示出在水稻冠层识别上有较大的应用潜力。虽然研究只针对水稻冠层进行了识别，但由于作物冠层的光谱反射规律比较相似，所以该研究的新方法也可以推广应用于其他作物的冠层识别。
4 结 论
基于数码相机图像中的红（R）、绿（G）、蓝（B）三通道色值，设置G>R、G>max（G）×0.2、G/B>1.15这3个递进分类条件，能较准确地识别出分蘖期水稻冠层，分类精度达到并优于常用的监督分类方法（支持向量机、神经网络和最大似然法），且该方法操作简便，显示出在水稻冠层识别上具有较大的应用潜力。
参考文献：
[1] 李岚涛，张 萌，任 涛，等. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报，2015，21（1）：259-268.
[2] 王 远，王德建，张 刚，等. 基于数码相机的水稻冠层图像分割及氮素营养诊断[J].农业工程学报，2012，28（17）：131-136.
[3] 张立周，侯晓宇，张玉铭，等. 数字图像诊断技术在冬小麦氮素营养诊断中的应用[J].中国生态农业学报，2011，19（5）：1168-1174.
[4] Li Y，Chen D，Walker C N，et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research，2010，118：221-227.
[5] 李翠娜，张雪芬，余正泓，等. 基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价[J]. 中国农业气象，2016，（4）：479-491.
[6] 陆秀明，黄 庆，孙雪晨，等. 图像处理技术估测水稻叶面积指数的研究[J]. 中国农学通报，2011，27（3）：65-68.
[7] 李 明，張长利，房俊龙. 基于图像处理技术的小麦叶面积指数的提取[J]. 农业工程学报，2010，26（1）：205-209.
[8] 王桂琴，郑丽敏，朱 虹，等. 图像处理技术在冬小麦叶面积指数测定中的应用[J]. 麦类作物学报，2004，24（4）：108-112.
[9] 贾良良，范明生，张福锁，等. 应用数码相机进行水稻氮营养诊断[J]. 光谱学与光谱分析，2009，29（8）：2176-2179.
[10] 王晓静，张 炎，李 磐，等. 地面数字图像技术在棉花氮素营养诊断中的初步研究[J].棉花学报，2007，19（2）：106-113.
[11] 王振武，孙佳骏，于忠义，等. 基于支持向量机的遥感图像分类研究综述[J]. 计算机科学，2016，43（9）：11-31.
[12] 吕京国. 基于神经网络集成的遥感图像分类与建模研究[J]. 测绘通报，2014，（3）：17-20.
[13] 任军号，吉沛琦，耿 跃. SOM神经网络改进及在遥感图像分类中的应用[J]. 计算机应用研究，2011，28（3）：1170-1182.
[14] 王立海，赵正勇. 基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究[J].林业科学，2005，41（6）：94-100.
[15] 樊利恒，吕俊伟，于振涛，等. 基于改进最大似然方法的多光谱遥感图像分类方法[J].电光与控制，2014，21（10）：52-74.
[16] 琚存勇，蔡体久，冯仲科. 基于数学形态学和最大似然法的遥感图像分类研究[J]. 北京林业大学学报，2005，27（2）：84-87.
[17] Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residue and lighting conditions[J]. Transaction of the American Society of Agricultural Engineering，1995，38（1）：259-269.
[18] 田 苗，王鹏新，严泰来，等. Kappa系数的修正及在干旱预测精度及一致性评价中的应用[J]. 农业工程学报，2012，28（24）：1-7.
[19] Landis J R，Koch G G. The measurement of observer agreement for categorical data[J]. Biometrics，1977，33：159-174.