王夢玄，沙正霞，楊寶華，高 遠

（安徽農(nóng)業(yè)大學(xué) 信息與計算機學(xué)院，安徽 合肥 230036）

0 引言

小麥作為三大主要種植的糧食作物之一，其氮含量營養(yǎng)診斷標(biāo)準(zhǔn)越來越受到關(guān)注，尤其是非破壞性的監(jiān)測方法。利用遙感平臺快速、高效、無破壞性的特點去獲取作物的表型信息是人們一直期望的，為此科學(xué)家們研究設(shè)計了地面遙感平臺［1］和低空遙感平臺［2］。地面遙感平臺具有部署移動方便、空間分辨率高等眾多優(yōu)勢，但是也存在著價格昂貴、監(jiān)測范圍有限等問題。Zaman等［3］于2015 年將ADC- Lite 多光譜儀搭載在無人機上，提出在低氮環(huán)境下根據(jù)多光譜成像得到的歸一化差分植被指數(shù)（normalized difference vegetation index，NDVI）估測表型信息，研究NDVI與玉米糧食產(chǎn)量、灌漿期下作物衰老系數(shù)之間的相關(guān)性，結(jié)果表明基于無人機進行遙感圖像下的作物表型分析方法有望作為提高作物育種效率的重要手段。Liebisch 等［4］研究了氮素含量、冠層覆蓋等變量與玉米NDVI 的潛在關(guān)系，通過對灌漿期的監(jiān)測預(yù)測其衰老信息，該實驗是為了實現(xiàn)對表型信息進行有效的無損方法提取。姚霞［5］基于無人機小麥全生育期遙感圖像，利用顏色植被指數(shù)、氮充足植被指數(shù)準(zhǔn)確估測植株氮濃度、地上部生物量，以及在不同施氮量的條件構(gòu)建近紅外光譜波段與氮營養(yǎng)指數(shù)的關(guān)系，其決定系數(shù)可達0. 9 以上。江杰等［6］和劉小輝［7］利用無人機獲取小麥關(guān)鍵生育期——灌漿期的遙感影像，提取顏色特征構(gòu)建植被指數(shù)，并建立基于顏色植被指數(shù)的葉綠素含量和葉片氮積累量的估算模型，結(jié)果表明在灌漿期所建立的反演模型精度達到0. 7 以上，為實現(xiàn)作物生長的無損監(jiān)測提供了有力證據(jù)。陳鵬飛等［8］通過獲取不同生育期棉花的無人機多光譜影像，建立了影像紋理特征與植株氮濃度間的反演模型，從而證明了通過無人機遙感圖像提取的紋理指標(biāo)可作為重要信息用于監(jiān)測作物生長狀況。

隨著無人機應(yīng)用的普及，在作物監(jiān)測中取得了很多成果［9-12］。但是，利用無人機快速獲取作物生長的圖像，受到光線、角度及作物冠層變化的影響，小麥特征的提取存在很大誤差，為了更準(zhǔn)確提取反演作物生長的信息量用于對農(nóng)業(yè)生產(chǎn)過程的指導(dǎo)，有必要研究無人機圖像的處理技術(shù)。另外，灌漿期是小麥生長的重要時期，在農(nóng)田管理中具有一定的代表性。因此，本文選取小麥灌漿時期，基于無人機開展了遙感圖像的拼接和融合的研究，提取小麥冠層的顏色特征，對其變換構(gòu)建了不同輸入量的預(yù)測模型，結(jié)果表明該方法快速、準(zhǔn)確、成本低，可為無人機在農(nóng)業(yè)上的應(yīng)用提供指導(dǎo)。

1 材料與方法

1.1 實驗數(shù)據(jù)的采集

1.1.1 圖像獲取 本文研究的小麥無人機遙感圖像數(shù)據(jù)來源于安徽農(nóng)業(yè)大學(xué)產(chǎn)學(xué)研究基地——合肥市廬江縣郭河鎮(zhèn)實驗基地。于2019 年5 月利用無人機航拍采集小麥灌漿期遙感圖像，航拍高度設(shè)置為35 m。本次實驗所采用無人機型號為精靈3 Pro，其航拍持續(xù)時間約20 min，鏡頭焦距為20 nm，圖像分辨率為4 000× 3 000，Micro SD 卡的存儲容量為32 G，最大飛行高度為120 m，精確懸停范圍為30 ～300 cm。為了獲取高質(zhì)量的小麥灌漿期遙感圖像，無人機航拍時的參數(shù)設(shè)置包括飛行速度為3 m/s，相機拍攝角度為垂直向下90°。

1.1.2 葉片氮含量獲取 航拍當(dāng)日將采集回來的灌漿時期小麥葉片切碎放入鋁盒中，然后將鋁盒放入烘箱中烘干1 h，最后將其放入鼓風(fēng)干燥箱中進行干燥，直至其質(zhì)量不變，對干燥后的樣品進行研磨篩選，利用凱氏定氮法測量篩選后的小麥葉片氮含量，其氮素的計算如下：

其中X為氮含量，c為溶液濃度，V1為樣本滴定消耗的硫酸體積，V2為空白樣滴定消耗的硫酸體積，V3為消化液體積，m為樣品質(zhì)量，F(xiàn)為氮換算為蛋白質(zhì)的系數(shù)。

1.2 尺度不變特征變換（SIFT）拼接算法

通過航拍采集的小麥灌漿期圖像建立高斯差分（DOG）尺度空間，基于所有尺度上的圖像位置進行尺度空間極值點的檢測，并對極值點的主方向和關(guān)鍵點的特征進一步精準(zhǔn)確定，再通過一個擬合精細的模型進行對關(guān)鍵點的精確定位，最后實現(xiàn)特征點匹配［13］。

假設(shè)在n維空間中存在著匹配對Dp和Dq，其特征描述符為

其中I1、I2表示兩張待融合圖像，x1,x2,…,xn對應(yīng)圖像的特征點。

兩個127 維特征向量的歐氏距離為

其中Dp(i)和Dq(i)對應(yīng)圖像的兩個特征點。

利用特征點通過歐氏距離找出最近鄰距離Di和次近距離Dj，計算出Di和Dj的比值d，即

將比值d與設(shè)定的閾值T比對，進而判定特征點的正確性。當(dāng)d小于T時，認(rèn)定為匹配正確，反之為匹配錯誤，依次遍歷圖像中的每個點。

匹配完后的點肯定存在錯誤匹配點，因此本文先利用K維平衡樹（KD- Tree）算法［14］對兩幅待配準(zhǔn)圖像進行粗略匹配后，再利用隨機抽樣一致性（RANSAC）算法［15］對錯誤匹配點進一步去除，該算法的實現(xiàn)思路［16-17］如下：

步驟一在匹配點集中隨機抽取3 個匹配對，估算變換矩陣，并求出變換矩陣支撐集E；

步驟二將數(shù)據(jù)集中的數(shù)據(jù)與E的投影偏差值計算出來，若投影偏差值小于設(shè)定的閾值，則將其存儲在內(nèi)點集I里，其閾值計算公式dv=d2(x-Ex)；

步驟三當(dāng)存放在內(nèi)點集I中的元素個數(shù)超過內(nèi)點集Ibest中的個數(shù)時，更新Ibest=I，并且更新迭代次數(shù)n=n+ 1；

步驟四當(dāng)?shù)螖?shù)超過迭代次數(shù)的上限（即最大采樣次數(shù)num）時，本次迭代過程中止。此時可獲得最優(yōu)內(nèi)點集Ibest，利用最優(yōu)內(nèi)點集Ibest計算出透視矩陣F；反之迭代次數(shù)加1，重復(fù)以上步驟。

利用RANSAC 算法從數(shù)據(jù)集里找出一條有效的直線。數(shù)據(jù)集中的點包含有效點和無效點，有效點可以擬合成一條直線，無效點則偏離該擬合的直線，散落在直線兩側(cè)。

1.3 改進的加權(quán)平均算法

1.3.1 算法原理 為了實現(xiàn)融合后的圖像在亮度上趨于一致，本文提出改進的加權(quán)平均算法，針對圖像融合后的重疊區(qū)域，將其中一幅圖像的重疊范圍采用線性的方式過渡到另外一幅圖像的重疊范圍上，并且融合后圖像重疊范圍的灰度值是根據(jù)原圖像的灰度值按照一定的權(quán)重比例計算得到。圖像融合完成后，對重疊區(qū)域的亮度進行調(diào)整。分別統(tǒng)計出兩幅圖像的灰度值，計算兩幅圖像的灰度比值，進而依據(jù)比值結(jié)果對融合后圖像的重疊區(qū)域的灰度值重新進行調(diào)整。

設(shè)置兩張待融合圖像相對應(yīng)的灰度值分別為f1(x,y)和f2(x,y)，并假設(shè)重疊范圍的寬度為W，引入權(quán)重分配因子μ(0 ≤μ≤ 1)用于針對兩幅待融合的圖像重疊區(qū)域的灰度權(quán)重值重新賦值，引入灰度比值k對其灰度權(quán)重值進一步優(yōu)化調(diào)整。將兩幅圖像沿x軸線重疊范圍的灰度最大值和最小值分別表示為xmax和xmin。則引入的權(quán)重因子的計算公式為

圖像灰度比值（k）計算為

其中P和Q表示圖像的高度和寬度。

圖像融合的重疊區(qū)域像素灰度值f(x,y)為

1.3.2 融合評價指標(biāo) 對融合圖像的評價指標(biāo)選取了均值（mean,ME）、標(biāo)準(zhǔn)差（standard deviation，STD）、信息熵（information entropy, E）和平均梯度（average gradient, AG）。

1.4 植被指數(shù)的選取與計算

植被指數(shù)是遙感領(lǐng)域用于作物生長無損監(jiān)測的有效參數(shù)，選用綠度比值差異指數(shù)［18］（MGRVI）、綠度比值植被指數(shù)［19］（GRVI）、過綠指數(shù)［20］（ExG）和抗大氣植被指數(shù)［21］（VARI）4 種基于RGB 色域的顏色指數(shù)（R 代表紅色（red），G 代表綠色（green），B 代表藍色（blue）），其具體計算公式如表1 所示。

表1 植被指數(shù)公式Tab. 1 Vegetation indices formulas

2 結(jié)果與分析

2.1 拼接特征圖

圖1 為利用SIFT 算法對小麥的灌漿期遙感圖像的特征點進行提取。先利用KD- Tree 算法對特征點經(jīng)過粗略匹配，再利用RANSAC 算法進一步剔除KD- Tree 處理后出現(xiàn)的錯誤及其異常特征匹配對。圖1 中綠色的點表示SIFT 對小麥灌漿期圖像提取后的結(jié)果。

圖2 是對小麥灌漿期的圖像特征點（關(guān)鍵點）匹配結(jié)果。圖2（a）所示是利用KD- Tree 算法對SIFT 算法提取出的圖像關(guān)鍵點進行特征粗略匹配后的結(jié)果，圖2（b）是利用RANSAC 去除粗略匹配中出現(xiàn)的錯誤匹配對的結(jié)果。圖2（a）中標(biāo)記的紅色圓圈是錯誤的特征匹配對，其產(chǎn)生原因是由于兩幅圖像中包含相似的結(jié)構(gòu)，從而引起了錯誤的匹配結(jié)果，而錯誤的特征匹配結(jié)果會對變換矩陣支撐集的估算產(chǎn)生影響，導(dǎo)致后續(xù)的圖像拼接效果差。為了解決這一問題，采用RANSAC 對圖2（a）里出現(xiàn)的錯誤特征匹配對進一步刪除，得到圖2（b）的效果圖，其中特征匹配對由原來的247 個減少為183 個。

圖1 小麥灌漿期的SIFT 特征點提取結(jié)果Fig. 1 Results of SIFT feature points extraction at filling stage of wheat

圖2 小麥灌漿期的特征匹配結(jié)果Fig. 2 Results of characteristic matching at filling stage of wheat

2.2 融合結(jié)果

對完成配準(zhǔn)后的小麥灌漿期遙感圖像，利用改進的加權(quán)平均法分別與直接平均法、小波變換法和加權(quán)平均法實現(xiàn)了圖像融合，并對其結(jié)果進行比較。圖3 為灌漿時期的融合結(jié)果，從圖3 可以看出，采用直接平均法和小波變換法對小麥遙感圖像進行融合時，融合后的圖像拼接接點處出現(xiàn)了細微的疊壓痕跡。而采用加權(quán)平均法對小麥遙感圖像進行融合時，有效消除了重疊區(qū)域出現(xiàn)的拼接痕跡，但融合后的圖像重疊區(qū)域出現(xiàn)了明暗亮度差異現(xiàn)象?；诟倪M后的加權(quán)平均方法的融合結(jié)果，不僅消除了其他方法融合后出現(xiàn)的陰影現(xiàn)象，還使得融合后的圖像在亮度上趨于一致。

圖3 小麥灌漿期的融合結(jié)果Fig. 3 Results of fusion at filling stage of wheat

基于融合后圖像的評價指標(biāo)選取了ME、STD、AG和E。如表2 所示，表中的均值、標(biāo)準(zhǔn)差、平均梯度和信息熵的值越大，代表融合后的圖像質(zhì)量越高。基于改進的加權(quán)平均法的融合結(jié)果，對比直接平均法，其評價系數(shù)分別提升了24% 、34. 6% 、43. 1% 和9. 8% ；對比小波變換法，其評價系數(shù)分別提升了8. 8% 、28. 7% 、18. 5% 和7. 2% ；對比加權(quán)平均法，其評價系數(shù)分別提升了2. 8% 、5. 6% 、5. 1% 和3. 5% 。綜上所述，基于本文提出的方法對圖像融合后的質(zhì)量比其他3 種方法融合后的圖像質(zhì)量更高。

表2 灌漿期下4 種融合方法的圖像評價指標(biāo)比較Tab. 2 Comparison of results of four fusion methods during filling stage

2.3 顏色特征提取

顏色特征包括RGB 模型和HIS 模型，其中HSI 模型中的H 代表色調(diào)、S 代表飽和度、I 代表亮度。利用RGB 模型和HSI 模型對融合后的遙感圖像實現(xiàn)顏色特征提取。灌漿時期的部分小麥遙感圖像的顏色特征提取內(nèi)容如表3 所示，依次為顏色特征分量R、G、B、H、S和I的均值。由表3 可以看出，R、G、B的平均值都在60 ～200 之間，其最大值分別為192. 377、167. 397 和151. 170，其最小值分別為119. 679、126. 667 和61. 106，H、S、I分量的均值低于0. 7。

表3 基于小麥遙感圖像的顏色特征參數(shù)均值Tab. 3 M ean values of color characteristic parameters based on wheat remote sensing images

2.4 相關(guān)性分析

本研究基于灌漿期小麥遙感圖像拼接融合后的結(jié)果進行RGB 特征的提取，但由于航拍獲取圖像過程中RGB 特征易受到背景和航拍角度等因素的干擾，所以將其轉(zhuǎn)化到HIS 特征空間，并以RGB 特征構(gòu)建4 種常見植被指數(shù)（VIs）；與對應(yīng)的氮含量（LNC）進行相關(guān)性分析，結(jié)果如圖4所示。

由圖4 可知，RGB、HIS 各分量與LNC 的相關(guān)系數(shù)絕對值均不超過0. 5，其相關(guān)性較弱；VIs與LNC 的相關(guān)性較高，其絕對值分別為0. 660 8、0. 729 5、0. 699 9 和0. 700 5。

2.5 基于混合特征的氮含量估算模型

針對灌漿時期的小麥，從拼接和融合后的遙感圖像中提取出RGB 顏色特征，并轉(zhuǎn)化為HIS特征及構(gòu)建VIs，并基于SVR 模型按照3∶1 的比例將樣本數(shù)據(jù)劃分為校正集和驗證集進行氮含量估算。分別構(gòu)建基于RGB 特征、HIS 特征、4 個VIs 和HIS 特征+ VIs 組合的氮含量估算模型。

圖4 相關(guān)系數(shù)分析Fig. 4 Analysis of correlation coefficients

利用SVR 模型預(yù)測灌漿時期的小麥葉片氮含量，將其預(yù)測的小麥葉片氮含量與實際測量的葉片氮含量進行比較分析，所得到的結(jié)果如表4 所示。對比表中灌漿期下所建立的不同模型的校正集和驗證集參數(shù)值大小，基于HIS 特征+ VIs 組合的預(yù)測模型精度大小比僅依據(jù)單一特征值的預(yù)測精度高。它比基于RGB 特征預(yù)測模型的校正集系數(shù)高38% 左右，驗證集系數(shù)高50% 左右，比HIS 預(yù)測模型的校正集RC2系數(shù)高14% 左右，驗證集RP2系 數(shù)高37% 左右，比VIs預(yù)測模型的校正集RC2系數(shù)高16% 左右，驗證集RP2系數(shù)高14% 左右。因此，利用小麥遙感圖像的HIS 特征+ VIs 組合用于小麥的葉片氮含量預(yù)測更加準(zhǔn)確。圖5 為基于HIS 特征+ VIs 組合后的小麥葉片氮含量的預(yù)測結(jié)果，結(jié)果顯示校正集RC2系數(shù)為0. 891 3，RMSE系數(shù)為0. 305 9，驗證集RP2系數(shù)為0. 774 0,RMSE系數(shù)為0. 363 1。決定系數(shù)值RC2、RP2越接近1，RMSE越接近0，其對應(yīng)模型預(yù)測結(jié)果越準(zhǔn)確，預(yù)測點的離散程度越小，即在圖中表現(xiàn)為數(shù)據(jù)點更加集中分布在擬合線周圍，故基于HIS 特征+ VIS 組合的小麥葉片氮含量反演模型預(yù)測效果更好。

表4 小麥葉片氮含量預(yù)測結(jié)果比較Tab. 4 Comparison of prediction results of wheat leaves nitrogen content

圖5 基于HIS特征+VIs組合的小麥葉片氮含量的預(yù)測結(jié)果Fig. 5 Prediction results of wheat leaves nitrogen content based on HIS characteristics+ VIs combination

3 結(jié)語

本文利用無人機航拍采集灌漿時期小麥遙感圖像。通過SIFT 算法對灌漿期小麥圖像進行關(guān)鍵點提取，利用KD- Tree 算法和RANSAC 算法對圖像進一步匹配，再運用不同的融合算法進行處理?；诟倪M的加權(quán)平均方法的融合結(jié)果，不僅消除了其他幾種方法融合后的陰影現(xiàn)象和重疊區(qū)域出現(xiàn)的拼接痕跡，還使融合后的圖像在亮度上趨于一致。基于提取出的灌漿期小麥圖像的RGB 特征、HIS 特征和植被指數(shù)（VIs），分別構(gòu)建葉片氮含量的估算模型。結(jié)果表明基于HIS 特征+ VIs 組合預(yù)測小麥葉片氮含量模型精度更高，該研究結(jié)果可以推廣到小麥其他時期以及其他作物的無人機監(jiān)測中。