Home > Industry Application > Precision Agriculture

基于无人机成像高光谱的作物覆盖度提取研究

Announcer：四川双利合谱科技有限公司 Release time：2017-08-01

基于无人机成像高光谱的作物覆盖度提取研究

——四川双利合谱科技有限公司

一、测试原理及方法：

高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景。它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机的结合在一起的一门新兴技术。

高光谱成像技术的定义是在多光谱成像的基础上，在从紫外到近红外（200-2500nm）的光谱范围内，利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。在获得物体空间特征成像的同时，也获得了被测物体的光谱信息。

目标物体-成像物镜-入射狭缝-准直透镜-PGP-聚焦透镜-CCD棱镜-光栅-棱镜：PGP

图1 成像原理图

光谱仪的光谱分辨率由狭缝的宽度和光学光谱仪产生的线性色散确定。最小光谱分辨率是由光学系统的成像性能确定的（点扩展大小）。

成像过程为：每次成一条线上的像后（X方向），在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描（Y方向）。综合横纵扫描信息就可以得到样品的三维高光谱图像数据。

图2 像立方体

图3 GaiaSky-min高光谱成像仪

图4 基于无人机的GaiaSky-min高光谱成像系统

GaiaSky-mini高光谱成像系统是针对小型旋翼无人机开发的高性价比机载高光谱成像系统。采用**的内置扫描系统和增稳系统，成功克服了小型无人机系统搭载推扫式高光谱相机时，由于无人机系统的震动造成的成像质量差的问题。为高光谱成像技术在目标识别、伪装与反伪装等军事领域，地面物体与水体遥测、现代精细农业等生态环境监测等领域的广泛应用奠定了基础。

可搭载于轻型旋翼无人机，极低的系统成本与测试成本
采用悬停拍摄方式，无需高精度惯导系统，图像实时自动拼接
操作方便，无需专业无人机操控手，可实现单人操作
图像实时回传，监控拍摄效果
辅助取景摄像头实现真正的所见即所得
数据预览及矫正功能：辐射度校正、反射率校正、区域校正支持批处理
数据格式完美兼容Evince、Envi等第三方数据分析软件
支持Win7-32位或64位系统

相机规格参数表

型号（GaiaField-mini）
谱仪特性
光谱范围	400-1000（nm）
光谱分辨率（30um）	4nm+-0.5nm
数值孔径	F/2.8
有效狭缝长度	8.9(mm)
总效率	>50%
相机特性
传感器	CCD Sony ICX285，逐行扫描
全幅像素	1392 （空间维）x 1040（光谱维）
像素间距	6.45（um）
相机输出	16（bit）
连接方式	USB 2.0
耗电量	约2.5w
工作电压	5V
系统特性
拍摄方式	悬停（内置扫描）
搭载平台	旋翼无人机、无人飞艇、无人直升机等可悬停飞行器推荐：大疆Ｓ１０００
飞行高度	<1000米 (决定于无人机安全飞行高度)
镜头	18.5,23mm（可选）
横向视角 (FOVac，°)	27@18.5mm, 21@23mm
横向视场	234米@18.5mm, 186米@23mm （飞行高度500米）
扫描视场(°)	33.5@18.5mm, 26@23mm
Bin方式	1X	2X (推荐)	4X
空间分辨率（@23mm,高度500米）	0.17m @18.5； 0.14m @23mm	0.34m @18.5； 0.27m @23mm	0.67m @18.5； 0.53m @23mm
扫描速度 (line images/s)	30	60	84
单幅拍摄速度（秒）	60	15	7
重量	相机（含内置扫描）1.3Kg 增稳云台：1.7kg 数采及控制器及电池：0.9kg 总重<4kg
电池	容量40Wh(工作时间>2小时)

产品详细清单

名称	型号	说明
高光谱成像仪	GaiaSky-mini	4nm光谱分辨率 400~1000nm,光谱范围±0.5nm
成像镜头	OL及OLE系列镜头，标配：Hsia-OL23	23mm，C-mount,400~1000nm
悬疑无人机（大疆）	S1000	含有：DJI S1000八轴航拍机，DJI A2飞控，DJI iosd视频叠加，DJI5.8G图传, 10寸标清显示器+HDMI转接线, pl8充电器, 充电保姆，FUTABA 8J遥控器，FUTABA 14SG遥控器，模拟器，2.4G地面站
高空下落缓速系统	DJI DROPSAFE	含降落伞一套，及备用CO2气瓶一组
采集控制系统	GaiaSky-mini-CP	250G SSD，4G内存
电池	6S	16000mAh, 22.2V,355.2Wh
增稳云台	GaiaSky- gimbal	无刷云台重量, BGM5208电机
数据采集软件	specview	光谱相机控制，数据采集，自动曝光，自动扫描速度，辅助摄像头功能，支持远程遥控，支持巡航+惯导（BGC IG-500N）采集模式，数据支持ENVI等第三方分析软件。数据预处理功能：反射率校正、区域校正、辐射度校正、光谱及图像数据预览功能等（两年内免费更新）
选配模块
高精度组合航姿系统	Ellipse-N INS/Gps	功能：通过记录姿态及位置信息，实现巡航拍摄模式，参数详见：http://www.sbg-systems.com
无线数据链路	GaiaSky-datalink	功能：远程控制相机采集与停止 900MHz，功率1W（最大），传输距离最大达可22kg(户外/无线可视距离)

二、数据预处理分析：

本文利用四川双利合谱科技有限公司的GaiaSky-mini高光谱成像系统（光谱范围400 nm - 1000 nm）采集野外作物的的高光谱数据，以分析作物的覆盖度分布情况。图5为采集现场。

图5 数据采集现场

对Gaiask-mini拍摄的原始影像数据进行数据的预处理，预处理过程主要包括两部分。第一部分是辐射定标；第二部分为噪声去除。

首先进行辐射定标。辐射定标的计算公式如1所示。

(1)

其中，Ref_target为目标物的反射率，Ref_panel为标准参考板的反射率，DN_target为原始影像中目标物的的数值，DN_panel为原始影像中标准参考板的数值，DN_dark为成像光谱仪系统误差。

其次是噪声去除，本文运用国外较为常用的最小噪声分离方法(Minimum Noise Fraction Rotation， MNF)进行噪声去除。最小噪声分离工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。由于此次采集的高光谱影像没有白板校正，因此数据预处理的第一步辐射定标没有进行分析处理，直接作MNF降噪分析。图6为MNF降噪前后的成像高光谱数据中DN值的变化。

图6 MNF变换前(左)后(右)高光谱影像DN值的变化

下图分别为不同作物及土壤的光谱反射率值。从图7可知，不同作物在绿光区域均有明显的反射峰，在红光区域有明显的吸收谷，在可见光波段与近红外波段之间，即大约0.73um附近，反射率急剧上升，形成“红边”现象，“绿峰”、“红谷”、“红边”均是绿色植物曲线的最为明显的三个特征；但不同作物“绿峰”、“红谷”高低不一样，红边位置也不相同。土壤的光谱反射率值在可见光和近红外区域缓慢上升，其反射率光谱曲线与作物的光谱反射率曲线差别较大。

图7 不同作物、土壤的光谱反射率值

三、基于无人机影像数据的作物覆盖度提取

植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。

植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。

1、估算模型

目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。下面是李苗苗等在像元二分模型的基础上研究的模型：

VFC = (NDVI - NDVI_soil)/ ( NDVI_veg - NDVI_soil) （2）

其中，NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值，NDVIveg则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。两个值的计算公式为：

NDVI_soil=（VFC_max*NDVI_min- VFC_min*NDVI_max）/( VFC_max- VFC_min) （3）

NDVI_veg=（(1-VFC_min)*NDVI_max- (1-VFC_max)*NDVI_min）/( VFC_max- VFC_min) （4）

利用这个模型计算植被覆盖度的关键是计算NDVI_soil和NDVI_veg。这里有两种假设：

1）当区域内可以近似取VFC_max=100%，VFC_min=0%。

公式（1）可变为：

VFC = (NDVI - NDVI_min)/ ( NDVI_max - NDVI_min) （5）

NDVI_max 和NDVI_min分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVI_max 和NDVI_min一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。

2）当区域内不能近似取VFC_max=100%，VFC_min=0%

当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值作为VFC_max和 VFC_min，这两个实测数据对应图像的NDVI作为NDVI_max和NDVI_min。

当没有实测数据的情况下，取一定置信度范围内的NDVI_max和NDVI_min。VFC_max和VFC_min根据经验估算。

2、实现流程

我们下面我们以“当区域内可以近似取VFCmax=100%，VFCmin=0%”情况下

整个影像中NDVI_soil 和NDVI_veg 取固定值，介绍在ENVI中实现植被覆盖度的计算方法。

使用的数据是经过辐射校准、噪声去除的高光谱影像。

(1) 选择Basic Tools-> Band Math，利用高光谱影像计算NDVI，输入的公式为(float(b1)-float(b2)/ float(b1)-float(b2))，图8为NDVI的密度分割图。

图8 无人机高光谱影像的NDVI密度分割图

(2) 选择Basic Tools->Statistics ->Compute Statistics，在文件选择对话框中，选择统计文件并计算统计参数，如图9所示。

图9选择统计文件及统计参数

(3) 得到研究区的统计结果。在统计结果中，最后一列表示对应NDVI值的累积概率分布。我们分别取累积概率为5%和95%的NDVI值作为NDVI_min和NDVI_max，如图10所示。这里得到：

NDVI_max=0.875057，NDVI_min=0.077420

图10统计结果

(4) 根据公式（4），我们可以将整个地区分为三个部分：当NDVI小于0.077420，VFC取值为0；NDVI大于0.875057，VFC取值为1；介于两者之间的像元使用公式（4）计算。利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：

(b1 lt 0.077420)*0+(b1 gt 0.875057)*1+(b1 ge 0.077420 and b1 le 0.875057)* ((b1-0.077420)/ (0.875057-0.077420))

b1：选择NDVI图像

(5) 得到一个单波段的植被覆盖度图像文件，像元值表示这个像元内的平均植被覆盖度，在Display显示。

(6) 选择Tools->Color Mapping->Density Slice，单击Clear Range按钮清除默认区间。

(7) 选择Options->Add New Ranges，根据上面的对照表依次添加8个区间，分别为每个区间设置一定的颜色，单击Apply得到如下的植被覆盖图（图11）。

图11植被覆盖度遥感估算结果

Next 无人机高光谱技术对林业病虫害监测的可行性分析

基于无人机成像高光谱的作物覆盖度提取研究

Quick navigation

China Sales

BeiJing