Vol. 41,No. 1,pp265-270
January , 2021
第41卷，第1期
2021 年1 月光谱学与光谱分析
基于无人机可见光谱遥感的玉米长势监测
王翔宇】，杨 菡2，李鑫星2，郑永军3，严海军4，李 娜5*
1. 长治学院电子信息与物理系，山西长治046011
2. 中国农业大学信息与电气工程学院，食品质量与安全北京实验室，北京100083
3. 中国农业大学工学院，北京100083
4. 中国农业大学水利与土木工程学院，
北京100083
5.
承德石油高等专科学校工业技术中心，河北承德
067000
摘 要 玉米是我国重要的粮食作物之一，在我国种植规模最大、发展最快。玉米的长势会直接影响到其产 量和品质，因此通过对玉米的长势进行有效监测，可以为田间管理、早期产量估算提供宏观的参考信息，为 国家和相关部门决策提供重要的参考依据。以无人机为遥感平台，搭载影像传感器构建遥感系统，获取玉米 可见光谱遥感影像。利用ENVI 软件对获取的玉米冠层可见光谱彩图像进行几何校正和辐射校正，然后 对图像进行彩图像灰度化和增强处理。利用对农田复杂背景适应能力较好以及具有较强光照适应性的
AP-HI 算法完成作物分割来提取玉米覆盖度信息°在计算玉米覆盖度时，首先利用AP-HI 算法将图像进行 kkman分割，并转换为二值图，来去除图像中的土地、水管、道路、作物残渣等背景，以保留玉米的二值图像。图像 中的农田存在道路区域，计算实际作物覆盖度时需将其排除。道路区域出现在图像的四个边界以及相对正 中的位置处，对这些位置分别进行处理，统计其中黑像素点的个数，根据像素点个数确定道路宽度，并将
道路部分从二值图中去除。去除后的二值图中，白像素为无作物区域，黑像素为玉米种植区域，统计黑 像素占总像素的比例，以此确定作物的多少。选取80X80像素值作为单位面积，对处理图像进行分块标
记，得到区块数为720，对单位面积的分块进行全区域扫描，每当扫描到一个黑像素值就将总的统计面积
加1，直至扫描到6 400个像素点，计算其中含有的总的黑像素值数目与6 400的比值，直至将720个区块
黑像素点占总像素比例统计完全，即可计算图像中黑像素数与总像素数之比，即为玉米覆盖度。在此基
础上，根据实际情况计算玉米冠层孔隙率，并建立覆盖度与叶面积指数模型，完成玉米叶面积指数反演，为
玉米长势监测提供理论依据。
关键词 无人机；遥感；可见光谱；玉米；长势监测；叶面积指数
中图分类号：S127 文献标识码：A DOI ： 10. 3964/j. issn. 1000-0593(2021)01-0265-06
引言
玉米是我国规模最大、发展最快的粮食作物。2018年粮
食作物中，玉米播种面积最大，共计4 212. 9万hm 2，占比
36.0%玉米长势会直接影响到其产量和品质，有效地监
测玉米长势可以为田间管理、 早期产量估算提供宏观的信
息，为国家和相关部门决策提供重要的参考依据。因此玉米
长势监测研究具有重要的现实意义。
叶面积指数(leaf area index, LAI)常作为评价作物长势
和预测产量的依据[24] °传统的LAI 测量方法效率低且精度
不高，而使用光学仪器测量可以达到无损测量的目的，测量 结果准确，但需要对采集图像进行后期处理，较为费时°王
宏博等利用玉米冠层高光谱数据，结合线性回归算法，对春
玉米叶面积指数进行了反演°王传宇等通过分析玉米冠层顶 视单角度红外图像，完成了玉米叶面积指数的获取⑸。遥感
技术的出现，为作物长势监测提供了新的途径，植被指数被
广泛应用在遥感领域，用于评价植被覆盖和长势° Ishfaq
Ahmad 等利用机器学习算法对农场玉米的卫星遥感图像进
行处理，计算出了玉米植被指数卫星影像为作物长势监
收稿日期：2019-11-21,
修订日期：2020-04-03
基金项目：国家重点研发计划项目(2017YFD0201502)
资助作者简介：
王翔宇，1989年生，长治学院电子信息与物理系讲师*
通讯作者
e-mail ： cdpc _ln.@cdpc. edu. cn
e-mail : ********************
266光谱学与光谱分析第41卷
测提供了数据支撑，但卫星影像受天气影响大！且分辨率难以满足作物覆盖度变化研究需求低空无人
机遥感可以弥补卫星影像的不足！为作物长势监测提供了一种高时效、低成本的新方法"张宏鸣等利用无人机多光谱影像！完成了对夏玉米的叶面积指数反演陈鹏飞等利用无人机获取玉米生育期的高光谱图像！建立了玉米叶面积指数反演模型Efa Honkavaara等利用轻型无人机搭载FPI光谱相机，对采集到的光谱立体图像进行处理和评估*10+°Blancon Justin等利用无人机获取玉米的多光谱图像，并利用高通量模型辅助方法对玉米的叶面积指数的动态变化进行了监测分析*11+。
作物覆盖度和叶面积指数密切相关，是描述地表植被分布的重要参数，可以通过获取作物覆盖度来构建叶面积指数反演模型，完成作物长势分析。本研究主要以无人机为遥感平台，通过搭载高精度数码相机来完成玉米种植区域的图像获取！通过图像处理来获取玉米覆盖度信息，并构建玉米叶面积指数反演模型！实现对玉米长势的监测！为玉米的田间管理和早期产量估算提供依据"
胭脂红景天1实验部分
1.1材料
试验在河北省涿州东城坊镇的(中国农业大学涿州实验站)115.857°E,39.47iN)选择保护性耕作地块开展，种植作物为夏玉米°试验时间为2017年5月18日12：00—13：00，天气晴!太阳辐射强度稳定!东北风43级(约5m・s1)，微风，适于无人机航拍。
采用四旋翼电动无人机Phantom3professional作为遥感平台，无人机飞行设定高度约为5〜50m，多次无人机遥感试验均采用同一套航线，相机镜头选择Phantom3professional标配镜头!进行垂直拍摄。
1.2方法
12.1可见光谱遥感图像预处理
利用无人机遥感获取玉米冠层可见光谱彩图像！图像分辨率4000X3000，水平、垂直分辨率72dpi,24位深彩图像。利用ENVI软件进行几何校正和辐射校正等预处理。由于选取阈值需要参照直方图，因此在图像进行处理后，再获取图像的直方图以选取阈值。
12.2玉米覆盖度提取
由于光照条件和复杂的环境对于作物图像获取具有较大影响*2+，因此采用AP-HI作物自动提取算法完成玉米覆盖度提取*3+°AP-HI算法具有较强的光照适应性，能在复杂的环境下准确提取作物的覆盖度°
AP-HI算法结合了度-亮度查表(hue intensity-look up table,HILUT)⑷以及仿射传播聚类方法(affinity propagation,AP)
*15+，利用较少的训练样本即可获得较好的作物分割效果°当叶片出现高光时，该方法性能下降，但由
于发生高光的叶片面积占整幅图像面积比例很小，因此对研究结果影响较小*16+°AP-HI算法概率密度函数为
<0+,$)=f o(L=
槡評p]—右L—#)2]⑴式(1)中,L为度的随机变量,$=,\1)为某一特定亮度+下的未知分布参数，#为期望，,2为方差°
利用最大似然法估计分布参数$=，+)，其中使用的样本数据来自户外不同光照条件下的作物图像°利用估计
出特定亮度+下绿度的均值#和方差，2，组成最终亮度范围在[1,250]下的度-亮度查表(HI-LUT)，其中#为对应亮度下的期望度°
根据得到的颜模型，定义测度\-$,)\来表征给定的像素点pixel s N)的度与期望度之间的距离°距离越大时，该像素点属于绿作物的可能性就越小。
-(/,j)=0(/,n)—n$)
f pixel(2,j)-作物，当-(/,j)4k()
\pixeK z,j)—背景，当-(/,j)%k
式(2)中，0(/,j)和+(/,j)分别表示像素点pixeKz,j)的度值和亮度值,“和6/Q分别表示1(/,j)在HI-LUT中对应的均值#和标准差，按照式(3)设定-(/,j)的阈值k 来对图像进行分割°当-(/,j)小于或等于阈值k时，像素点为作物否则为背景°
由于分割结果对测度中的阈值选择较敏感，故利用仿射传播聚类算法对其进行改进，以类别代替单个像素点进行分割，从而降低了阈值选择带来的影响，同时一定程度上提升了分割的效果提取结果更为稳定°
12.3玉米叶面积指数反演模型
根据实际情况选择合适的算法并计算各生育期作物冠层孔隙率，与同时期实测的叶面积指数作回归分析，分别建立叶面积指数反演模型°叶面积指数与植被覆盖度的关系如式(4)
C=1—e
占领运动将式(4)进行转化，得到
(4)
LAI
—n(1—o
'o k(
5)其中，k为冠层消光系数，%1代表规则分布，'0=1代表随机分布，'0$1代表丛生分布°可见，叶面积指数LAI与冠层孔隙率(1—C J为对数函数关系°
2结果与讨论
2.1玉米可见光光谱图像分割
获取不同覆盖度玉米冠层可见光谱彩图像，利用AP-HI算法去除土地、水管、道路、作物残渣等背景，保留玉米图像°在近景拍摄条件下AP-HI算法能够准确分割玉米图像分割结果如图1所示°
由图1(b)可以看出，在近景条件下，利用AP-HI算法可以有效去除图像中的土地、作物残渣等背景特别是土地中的黑水管有反光现象，利用AP-HI算法可以有效去除水管，同时避免光照对图像的影响°
在远景拍摄条件下，利用AP-HI算法对玉米图像分割,
第1期
光谱学与光谱分析
267
分割结果如图2所示。
由图2(b)可以看出，在远景条件下，利用AP-HI 算法
同样可以有效去除图像中的土地、作物残渣等背景，并保留
玉米图像。
综上，无论是近景航拍还是远景航拍，AP-HI 算法均能有
效去除图像背景，并有效保留玉米图像为后续研究提供基础。
图1近景条件下的玉米图像分割
(a)：
原图；(b)：
分割后图像
F)g.1 Corn)magesegmentat)on (closeshot )
(a) : Original image ； (b) : Image after segmentation
图2远景条件下的玉米图像分割
(a):
原图；(b):
分割后图像
Fig. 2 Corn image segmentation (distant shot )
(a ) Originalimage ；(b ) Imageafter2egmentation
图3玉米地块图像分割
(a)：
玉米地块原图；(b)：
分割后图像
Fig.3 Imagesegmentationofcornfield
(a ) Originalimage ；(b ) Imageafter2egmentation
2.2玉米覆盖度计算
2. 2. 1 道路提取
计算玉米覆盖度需选取视野范围较大的图像, 由于近景
航拍图像所获得的玉米作物视野范围较小，因此选取视野范
李泰伯
围更大的远景航拍图像作为处理对象。在无人机远景航拍的
图像中！选出整块玉米田地的区域！作为新的待处理图像,
该图像的分辨率为1722 X 2970，利用AP-HI 算法将图像进
行分割，并转换为二值图，如图3所示。
图3(b )中白代表无作物区域，黑代表玉米种植区
域-由原始图像观察可知在农田中存在道路区域，在计算实 际作物覆盖度时需将其排除。道路区域出现在图像的四个边
界以及相对正中的位置处，且道路的区域一般不会超过200 个像素值大小，因此将上下各200行、左右各200列以及图
像正中间的0. 2n2n 代表图像的列数)列的图像单独取出进行 处理，统计其中黑像素点的个数，如图4—图6所示。
snoo
I fD x
旦
5PEIW
lunoo
lux 旦 5
P &I W
图4上下200行黑像素点统计
(a):
起始200行像素统计；(b)：末尾200
行像素统计
Fig. 4 Black pixel statistics (up and down 200 rows )
(a) : The pixel statistics in first 200 rows ；
(b ) : The pixel statistics in last 200 rows
设置阈值为500，若存在某一行中黑像素点数目小于
500，则认为可能存在道路。对于四边可能存在道路的情况,
出其中最少像素点的坐标位置与起始点相减即为道路宽
度；对于图6的情况，需从最小点坐标位置处向左向右延伸
分别到第一个极值点，两个极值点坐标相减即为道路宽
度-设置道路宽度阈值为40，若计算值小于40则认为不存 在道路。
通过以上述方法分析，图4(a)经算法计算道路宽度为
87个像素值，为验证算法的正确性，在原始图像上手动测量
获取道路宽度约为90个像素值；图4(b)中不存在道路；图5
268
光谱学与光谱分析
第41卷
为单位面积。由于在图像的上边界、右边界以及中间处存有 道路，在实际处理过程中需要将这些道路排除在算法处理之
外，对处理图像进行分块标记，可以得到区块数为720，如图
$）中虽然存在小于500的位置，但其计算得到的道路宽度
为20，小于道路阈值，需舍去；图5（b ）经算法计算道路宽度 为74个像素值，在原始图像上手动测量获取道路宽度约为
75个像素值；图6经算法计算宽度为57个像素值，在原始Fig. 5 Blackpixel statistics (left and right 200 columns )
(a) : The pixel statistics in first 200 columns ；
(b) : The pixel statistics in last 200 columns
一］：・「
7所示。
4牙
345678a.10
:•,、
-:M
亠
1
厶
.5 *^ r """''—**•、袱fe
縄禽京镖宗熱；总直養京谕鼠口为晟爛卜
-F 壬代吊&38贬三卫小能矍;E 思 12醫醐伽购觀;
a 髯翳豔黠轟勰豔鑫鑑?
■«9HHSV k anHIBRiaiK&KT
亟強鵝Mi 口骄程m 壽儈皺耐射«i SI®
说师摘鞋汎暑% ;；沁：融麵
*腔甫黴爲船春毬爲探 为蜀爲醴逆豔翳密界邈
龄P 灌藝总灵靭心
數齊規陋詛瀆劇4HKHSKKiK.1
宙湮廉孵氓齟滋 扇癇溝魏血卷漏動豐味桃诙禺盘， 魅翱魯蜜珥觀圈: 场矗込曲环闰樹Y 矗歴噓脛点腳廉打■麗疏脳灵锻掘: 总越凳屢逼鬻除U
^HHRSaaM% S«SKB»K!S$»iS :?
•總卿瞬孵湘硬阕倉我澄沙舐閏社❺ :：收勰器电"寿海屍龟注§?尉初潦谨嵋0汽85 ；;：展张匸莎Y 誌激瞳誥赛财妥谆吏咫更曲00；： 旦誹累圧怎百忌券逻5S 总熬迓探曦!S3b 药3夕“ 茨笑毬遷嚟訂出悄毀朗5S 筋靈島1聽劉斎砌门兀£ d 醴孫翅F 罰％戟舉猱蜃醪减虽懸觀
图7处理区域分块
Fig.7 Procesingregion
对单位面积的分块处理万法是进行全区域扫描，每当扫
描到一个黑像素值就将总的统计面积加1，直至扫描到
6 400个像素点，计算其中含有的总的黑像素值数目与6
400的比值。图7中所有720个区块黑像素点占总像素比
例的折线图如图8所示。
l.O-i Fig. 6 Black pixel statistics (346 columns in the middle )
SIQXId
I E ©
2S I Q x -d k Q e l q jo
UOPJOdo-Id
9
87654321
O.O.O.O.O.O.O.O.O.
° 0 100 200 300 400 500 600 700 800
Coordinate
图8黑像素占总像素点的比例
Fig. 8 The proportion of black pixels in total pixels
2.2.2 玉米提取
玉米的提取方法为在二值图像中选定某一特定大小的区
域, 统计该区域内黑像素点占总像素点的比例, 以此确定
作物的多少。选取图3作为处理对象，选取80X80像素值作计算图像中黑像素数与总像素数之比，即为玉米覆盖
度。玉米覆盖度为
C c = CC/A （6）
式（6）中，C c 为植被覆盖度，CC 为图像中的黑（玉米）像素
总和，A 为图像的像素总和。
2.3玉米叶面积指数反演
根据式（6）得到玉米覆盖度，结合式（5）即可得到玉米叶
面积指数为
根据式（7）可以完成玉米叶面积指数的计算，从而为
玉
第1 期
光谱学与光谱分析
大众传播对社会的影响269
米长势监测提供依据"3结论
玉米的种植地块！除了玉米外！还包括道路、水管、作
物残渣等复杂背景！通过图像分割算法可以将玉米作物从复
杂的背景中提取出来！从而为玉米田间管理及早期产量估算 提供一定的参考信息"此外！光照和作物阴影会对图像分割
造成较大影响！因此需要对分割方法进行改进以克服光照和 阴影的影响！从而准确提取出玉米图像！以获得其覆盖度"
References
以无人机为遥感平台！搭载影像传感器构建遥感系统！
获取玉米地块的可见光谱彩遥感影像。通过ENVI 软件对
玉米冠层可见光谱彩遥感图像进行预处理！然后利用AP-
HI 算法进行作物分割来提取玉米覆盖度信息! AP-HI 算法
对农田复杂背景具有较好的适应力，能够准确分割出玉米作 物！在此基础上！通过冠层孔隙率方法建立覆盖度与叶面积
指数模型！完成玉米叶面积指数反演"研究结果表明！无人
机遥感系统可以进行低空图像数据采集！能够有效提取作物 覆盖度！为玉米长势监测提供依据"
:1 : WEI Bin （魏 斌
）.Agricultural Outlook （农业展望），2019, 15（1）： 8.* 2 + GAO Lin , YANG Gui-jun , WANG Baoshan , et al （高 林，杨贵军，王宝山，等）.
Chinese Journal of Eco-Agriculture （
中国农业生态学
报
），2015, 23（7）： 868.
* 3 + Hu Ronghai , Yang Guangjian , Nerry F , et al. IEEE Transactions on Geoscience and Remote Sensing , 2018, 56（6） : 3196.* 4 + Paul D Colaizzi , Steven R Evett , David K Brauer , et al. Agronomy Journal , 2017, 109（3） : 883.
* 5 + WANG Chuan-yu, GUO Xin-yu , DU Jian-jun （
王传宇,
郭新宇,
杜建军）. Transactions of the Chinese Society of Agricultural Engineering
（
农业工程学报） 2018 34（6）: 175.
* 6 + Ishfaq Ahmad , Umer Saeed , Muhammad Fahad , et al. Journal of the Indian Society of Remote Sensing , 2018, 46（10） : 1701.
* 7 + LI Bing , LIU Rong-yuan , LIU Su-hong , et al （李
冰,
刘镕源,
刘素红,
等）. Transactions of the Chinese Society of Agricultural Engi-
neering （
农业工程学报），2012 , 28（13）： 160.
* 8 + ZHANG Hong-ming , LIU Wen , HAN Wen-ting , et al
（张宏鸣，刘 雯，韩文霆，等）.Transactions of the Chinese Society for Agricul
tural Machinery
（农业机械学报
），2019 , 50（5） : 251.
* 9 + CHEN Peng-fei , LI Gang , SHI Ya-jiao , et al （
陈鹏飞，李 刚，石雅娇，等
）.Scientia Agricultura Sinica （
中国农业科学
），2018 , 51（8）:
1464.
*10+ Eija Honkavaara , Heikki Saari , JereKaivosoja , et al. Remote Sensing , 2013 , 5（10） : 5006.
*11+ Blancon Justin , Dutartre Dan , Tixier Marie-Helene , et al. Frontiers in Plant Science , 2019 , 10 : 685.*12+ MA Jun-cheng , WEN Hao-jie , LI Xin-xing , et al （马浚诚，温皓杰，李鑫星，等）.Transactions of the Chinese Society for Agricultural
Machinery （农业机械学报），2017 , 48（2） 195.
*13+ Yu Zhenghong , Cao Zhiguo , Wu Xi , et al. Agricultural and Forest Meteorology , 2013 , 174-175 : 65.*14+ ZHAI Rui-fang , FANG Yi-hang , LIN Cheng-da , et al （翟瑞芳，方益杭，林承达，等）.Transactions of the Chinese Society of Agricultur
al Engineering （农业工程学报
），2016 , 32（8）: 142.
盲人歌手张玉霞
*15+ Wei Zexian , Wang Yanxue , He Shuilong , et al. Knowledge-Based Systems , 2017 , 116 : 1.*16+ LI Cui-na , ZHANG Xue-fen , YU Zheng-hong , et al （李翠娜，张雪芬，余正泓，等
）.Chinese Journal of Agrometeorology （
中国农业气
象
），2016 , 37（4）: 479.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议