多光谱相机在农业灾害评估中的应用

多光谱相机 在农业灾害评估中的应用 1. 普通数码相机在农业灾后评估中的困难 2011年 8、9月份，东北辽宁地区发生了风灾和涝灾，安华技术研究所研制的无人 机农业灾害评估系统在灾后评估发挥了重要作用，在较短的时间完成了数据获取，数据处理 及提取，得出了较准确的受灾面积数据。但是，在数据提取分析中，我们发现利用普通 数码相机拍摄的影像自动提取分析有一定困难。 1.水体与植被难以区分 下图为辽宁冷子堡地区的影像，影像上的鱼塘显示为绿色，与水稻颜色类似，利用软件 进行自动识别时会出现较多的错分现象，必须引入较多的人工干预。 图 1.1 可见光影像上难以自动区分水体 2.由于天气条件限制，所获取的影像质量不好，难以自动识别受灾作物 若拍摄时所在地区的天气条件不太理想，比如有云雾，所拍摄的影像经过处理后拼接的 整幅影像在色调上很难一致，这样，同样的受灾情况在影像上差异较大，给灾后提取受灾面 积造成了较大困难。 图 1.2 影像不色彩不均一导致自动提取困难 基于以上原因，我们寻求能提供更多地物信息的相机设备，从而能够提高分类提取的自 动化程度，加快处理速度，提高受灾面积统计精度。 2．多光谱数据的优势 2.1多光谱影像 人眼能识别的光谱区间为可见光区间，波长从 400nm 到 700nm。普通数码相机的光谱 响应区间为与人眼能识别的光谱区间相同，包含蓝（450-520nm）、绿（520-600nm）、红 （630-690nm）3个波段，常见的数码影像就是由这 3个波段的影像组合而成。 常见的多光谱遥感影像有 4个波段，即蓝（450-520nm）、绿（520-600nm）、红（630-690nm） 和近红外（760-900nm）。其光谱范围与常见植物光谱图对比如下： 图 2.1 常见植被光谱图和多光谱影像光谱范围 植被光谱图显示，植被在可见光波段，对绿光反射较强，对红光和蓝光反射较弱。相对 于可见光波段，植被在近红外波段具有很强的反射特性。多数植被在可见光波段的光谱差异 很小，而在近红外波段的光谱差异更大。光谱差异越明显，越有利于分类。 在农业上，为了识别作物种类，评估受灾情况，应尽量采用近红外波段的影像。 目前高分辨率卫星影像如 QuickBird（全色分辨率为 0.7m，多光谱分辨率为 2.8m）、 IKONOS（全色分辨率为 1m，多光谱分辨率为 4m）等的多光谱影像都包含蓝、绿、红和近 红外 4个波段。下图为 QuickBird 4波段卫星影像及其对应的光谱区间。 图 2.2 QuickBird卫星 4波段影像及对应的光谱区间 图 2.2显示了 QuickBird卫星多光谱影像的蓝绿红近红外四个波段的影像。与植被的光 谱图对应，近红外波段植被最亮，其次是绿波段，蓝波段较暗，红波段最暗。影像上的水体 在近红外波段最暗，在其他三个波段的差异不太明显。因此，近红外波段为我们提供了一个 区分植被和水体的有效手段。我们所做的一系列实验表明通过组合近红外、绿和蓝波段组成 的假彩色影像在进行分类时相对于可见光波段的红绿蓝组合的影像具有较大优势。 图 2.3为多光谱遥感影像每个波段单独显示效果以及组合蓝、绿、红和组合蓝、绿、近 红外的显示效果。 图 2.3 多光谱相机的 4个波段影像单独显示 图 2.4 多光谱相机的 4个波段影像组合显示 蓝 B+绿 G+红 R 组合显示为自然的彩色影像，与一般相机拍摄的影像类似；蓝 B+绿 G+近红外 NIR组合显示为彩红外影像。图 2.4上显示，在可见光彩色影像上，水体与植被 较难区分，而在彩红外影像上，很容易区分水体。区分水体的意义在于评估洪涝灾害，快速 准确的区分水体有利于识别洪涝灾害的过水面积，评估受灾情况。 2.2多光谱相机 （1） 通过分光镜和多个 CCD部件实现多光谱功能 目前市场上高分辨率的多光谱相机一般是通过分光镜，加载多个 CCD部件实现多光谱 功能。由于 CCD 尺寸的限制，这类相机的特点是分辨率较低（最高为 200 万像素左右）； 蓝 B 绿 G 红 R 近红外 NIR 蓝 B+绿 G+红 R 蓝 B+绿 G+近红外 NIR 水体 由于加装了分光镜及配套设备，相机体积较庞大，加上其他控制部件和存储单元、电源等设 备，相机总重量在 6kg左右。以下为较具有代表性的多光谱相机： 1）FluxData 公司 FD-1665 3CCD 多光谱相机 FluxData公司能提供一系列 3CCD多光谱相机，分辨率从 VGA尺寸到 200万像素。能 提供安装好的 5波段或者 7波段 RGB/NIR相机，或者安装用于需求加装滤波器。 表 2.1 FD-1665多光谱相机参数 传感器类型 传感器尺寸 (水平×竖直 像素) 传感器技术 CCD尺寸 像素大小 （微米） 最大帧率 （全分辨率） Sony ICX285 1392x1040 Progressive Scan CCD 2/3" 6.45x6.45 30 Sony ICX274 1628x1236 Progressive Scan CCD 1/1.8" 4.4x4.4 14 2) 丹麦 JAI公司 的 JAI AD-080多光谱相机 JAI用 IR滤光片将近红外光线与可见光分离，并分别由两个 CCD芯片对他们进行成像， 然后通过两个 CameraLink通道输出两幅图像（第一幅为可见光、第二幅为近红外）。该相机 特别适用于药品包装、医疗成像和农产品中的水果检测。对化学品的表面检测、医疗成像和 水果检测等，在此类检测中希望能够通过一台相机同时给出利用可见光检测的结果（如物体 的尺寸）和通过近红外光检测的结果（如污点、温度、水果表面划伤等）。 表 2.2 AD-080多光谱相机参数 相机类型 型号 规格 有效像素 芯片尺 寸 行频 / 帧 频 接口 波长 多光谱相机 (2-CCD) AD-080CL XGA 1024 x 768 1/3'' 30 Camera Link 可见和近 红外 多光谱相机 (2-CCD) AD-080GE XGA 1024 x 768 1/3'' 30 GigE Vision 可见和近 红外 3）国产 MCC4-12F相机 MCC4-12F型四波段 CCD相机系统由中国科学院遥感应用研究所及北京国遥万维信息 技术有限公司联合研发，是我国首部可在民用无人小飞机上搭载的四波段 CCD相机。搭载 在无人机上，具备机动灵活、受天气影响小、高位作业、应急性高等特点。通过四个可更换 的滤波窗口，可获取多达数十个波段的多光谱数据，可获得水体、水汽、测大气、气溶胶参 数，在水文环保调查、大气监测等领域，可提供比遥感卫星、大飞机遥感更机动、更及时、 更方便、更高分辨率的多光谱影像。 植物胁迫（Vegetation Stress）：对植物来说，包括任何能导致 植物死亡的因素，例如缺乏或者过量的冷、热、水、光照、荫蔽及肥料 等。植被胁迫现象普遍存在。比如，贫瘠的土壤植被生长情况差，而且 种类较少。海拔较高的地区因为温度较低，是得植被稀少种类单一。常 年光照较少的地区，很少有植物生存。 植被胁迫现象在农业遥感领域很有用，因为受胁迫的植被在光谱曲 线上与正常植被有所差异，根据这些差异，我们可以找出胁迫植被的因 素，例如通过研究干旱区植被曲线，可以研究对植被产生的影响，进而 对农业估产等应用有贡献。 表 2.2MCC4-12F多光谱相机参数 传感器类型 传感器尺寸 (水平×竖直 像素) 重量 CCD尺寸 像素大小 （微米） 最大帧率 （全分辨率） Sony ICX285 1392x1040 2.8kg 2/3" 6.45x6.45 12 总重量： 2.8kg（相机） + 1.15kg（电池） +1.8kg（控制存储单元） = 5.75kg （2）通过改造普通数码相机实现多光谱功能 目前，通过相机改装满足农业应用需求的厂家有美国 maxmax 公司。对于用于拍摄植 被的相机，通过对相机改造以使其能捕获蓝色、绿色和近红外波段的光线，而滤除红色波段。 因为相机可以同时获取可见光和近红外波段，因此，可以用来获取不同的 NDVI（归一化查 分植被指数）和 ENDVI（增强归一化查分植被指数）数据（www.maxmax.com）。 相机改装产品： （1） XNiteCanon550NDVI 1800万像素 数字单反相机 3波段植被胁迫（Vegetation Stress）相机 （2）XNiteCanonSD780NDVI 1210 万像素 卡片式（Point & Shoot）轻型 3波段植 被胁迫相机 主要用途及特征： Remote Sensing 遥感 Can be used as a Chlorophyll Meter or 叶绿素量测 Plant stress and health 植物胁迫与健康 Fertilizer Optimization 优化施肥 Nitrogen Management Solutions 氮管理 Insect and pest plant diagnostics 植物虫害诊断 Plant disease diagnosis 植物疾病诊断 Camouflage detection 伪装探测 Forrest Analysis 森林分析 Plant Identification 植被识别 Easy to Use 易于使用 Up to 18 Megapixels of resolution 达到 1800万像素分辨率 SD780NDVI model is small, lightweight suitable for UAV's. SD780NDVI相机体型小，重量轻，较适合无人机 SD780NDVI optional firmware upgrade allows features such as timed interval shutter control SD780NDVI 可选的固件升级能实现一定时间间 隔的曝光控制 2.3 无人机平台多光谱数据获取方案 无人机对多光谱相机的要求： （1）相机本身的重量。安华 3号无人机具备 10kg左右载荷能力，能加载市场上的多光 谱相机设备及改装相机。 （2）相机的分辨率。市场上的多光谱相机分辨率较低，最高的在 200万像素左右，通 过改装佳能 5D Mark II 相机，分辨率为 2100万左右。在相同的镜头及像素尺寸下，相机的 分辨率越大，获取的影像范围就越大，能快速获取大范围的影像。 （3）数据处理方法。目前，安华无人机上装配的是 Canon 5D Mark II相机，与此相机 相对应的数据处理软件，相机检校设备，数据处理技术比较成熟。改装 Canon 5D Mark II 相机所获取的影像及其处理方法与未改装的相机处理方法几乎一样，而市场上的多光谱相机 数据处理方法及相机检校方法还需要进一步的测试研究。 综合考虑，我们选择改装 Canon 5D相机，从而实现获取多光谱数据。 3．多光谱数据在作物灾害评估分析中的应用试验 根据目前已有的改装后的多光谱相机获取数据及卫星影像数据，做了一系列多光谱数据 和普通可见光数据进行植被提取分类方面的实验，以对比这两种数据在农业方面的应用潜 力。 3.1识别沙漠中植被 目的：识别并量化沙漠中植被长势。 设备：Canon 550 NDVI Mark II植被胁迫相机 软件：ImageJ+MaxMax增强 NDVI宏代码（两个都免费） 图 3.1试验区域普通数码相机拍摄的影像 从影像上能看见一些看起来受到胁迫的植被，但是很难区分植被与沙漠。 图 3.2未经处理的 Canon 550 NDVI MK II 相机拍摄的影像 注意到植被显示为红色。这是由于植被反射近红外波段的光由相机的红通道获取所致。 数据处理： 用 ImageJ软件和 NDVI6_MKII宏脚本处理。 宏脚本用了 3个波段来计算 ENDVI，其公式为： ENDVI = ((Red + Green ) -2*Blue) / ((Red + Green) + 2*Blue)) 这样计算的原因在于植被在红外和绿波段都具有较强的反射性。植被吸收蓝光，因此将蓝通 道作为可见光通道，将其乘以 2以补偿两个反射通道。 宏脚本接下来对数据进行拉伸处理，将 NDVI数据拉伸至用户设置的最大最小值。这是由于 对这种图像，最大的植株具有的 NDVI值约为 0.50，而岩石的 NDVI值为-0.15。NDVI影像上的 像素至大多在-0.15-0.5之间。通过将 ENDVI值拉伸值-1.0 - 1.0，从而能更好地理解及识别图像。 接下来，宏脚本将处理拉伸后的 ENDVI值，对图像上每个像素赋颜色，越接近 1.0，颜色 越绿，越接近-1.0，颜色越蓝。这样生成了一幅新图，每个像素都有对应的颜色，而绿色与植被 对应，蓝色与非植被的地物对应。 注意到现在能非常容易指出植被所在区域。同时可以看到，岩石通常为蓝色，沙子为黑色。 图 3.3 NDVI图 能根据影像的亮度值，统计每一类影像对象所占的比例。 3.2 草坪 分析草坪、草皮及其他植被的例子较多，所用的相机为改装的 XNiteCanon780NDVI植被胁 迫相机。以下例子分别显示了普通相机拍摄的图片、改装后相机拍摄的未经处理的图片及对改装 后的相机拍摄的图像经过处理得到的 NDVI图像。 影像利用免费的软件 ImageJ处理，专门为处理编写的宏代码 aNDVI8_MKII也是免费的。 所有的图像用一个宏代码处理，设置相同。影像获取时间为 2011年 4月 20日下午 4:30 - 5:00， 晴天，美国 Northern New Jersey。影像拍摄于早春，这时草几乎已经绿了，而树还没怎么发芽。 简单说明：通常情况下，植被吸收可见光蓝波段和可见光红波段，同时反射绿波段和近红外 波段的光线。植物看起来是绿色是由于人眼接收了它反射了绿光。植被也反射近红外光线，因为 近红外光线不能提供足够能量进行光合作用。健康植被反射绿光和近红外同时吸收蓝光和红光。 当植被生病的时候，它们不再反射绿光和近红外光线。开发了专门与 NDVI相机配套的计算 ENDVI值的算法。利用 ENDVI算法，通过处理拍摄的图像，能获得一幅显示植被是否健康的图。 (1) 健康草坪 普通相机拍摄的 RGB影像。 图 3.4 健康草坪可见光彩色图像 改装后的 NDVI相机拍摄的未经处理的图片： 图 3.5 健康草坪彩红外图像 处理后的 NDVI图像： 图 3.6 由彩红外图像计算得到的健康草坪 NDVI图像 注意到草坪显示为健康的绿色，而路旁的草则没有那么健康。 (2) 运动场 普通相机拍摄的 RGB图像： 未经处理的 NDVI相机拍摄的图像和经过处理后的 ENDVI图像： 处理后的 NDVI图像： 图 3.7 由假彩色影像生成的运动场 NDVI图 注意到场地整体是健康的，除了一些有问的点。 3.3利用 eCognition对 NDVI相机与普通相机拍摄的影像进行植被提 取试验 利用现有的影像，在 eCognition中，对普通相机获取的影像，利用绿波段比值提取植被 及非植被地区；同时，对改装后的 NDVI 相机拍摄的影像，利用 ENDVI（增强归一化差异 植被指数）提取植被及非植被地区。对提取的结果进行对比分析。 （1）沙漠地区的植被 注意到沙漠地区的植被的颜色与周围的沙子及岩石的颜色非常接近，用肉眼识别有一定 难度。 图 3.8普通数码相机影像及提取的植被区域 提取方法：分割尺度为 10；利用绿波段比值提取。 Green_Ratio = G / (R + B + G） 提取结果：植被基本上能被提取出来，但是颜色与植被相近的岩石被错分入植被类。 图 3.9 NDVI数码相机影像及提取的植被区域 提取方法：分割尺度为 10；利用增强归一化差异植被指数提取。 ENDVI = （R + G - 2 *B / (R + 2*B + G） 提取结果：植被与岩石能较好区分，少许红色岩石被归入植被类，提取的植被效果较好。 （2）草坪 图 3.10普通数码相机影像及提取的非植被区域 提取方法：分割尺度为 10；利用绿波段比值提取。 Green_Ratio = G / (R + B + G） 提取结果：图中显示的是提取的裸地及植被健康状况较差的地区，图中跑道、裸露的运 动场、球门及树被提取出来。但是在有草生长的区域，提取效果不太好，提取对象太碎，有 一定错分现象。 图 3.11 NDVI数码相机影像及提取的非植被区域 提取方法：分割尺度为 10；利用增强归一化差异植被指数提取。 ENDVI = （R + G - 2 *B / (R + 2*B + G） 提取结果：图中显示的是提取的裸地及植被健康状况较差的地区，图中跑道、裸露的运 动场、球门及树被提取出来。在有草生长的区域，能较好的提取健康状况较差的草坪，提取 的精度较高。 3.4.卫星影像分类对比实验 试验地区：Bangladesh，The_Sundarbans 地区 地物特征：由水域、积水区、森林及草地等组成。 分类方法：利用 NDVI（归一化查分植被指数）值和绿波段（Green_Ratio）比值进行分 类。 ndvi = ( nir + green - 2 * blue )/ ( nir + green + 2 * blue) green_ratio = green / ( blue +green + red) 下图显示了近红外影像和可见光影像及其提取植被和水体的效果。 图 3.12近红外假彩色影像及利用该影像计算的 NDVI（归一化查分植被指数） 可见光真彩色影像及利用该影像计算出的 Green_Ratio（绿波段比值） 影像获取时，海面及地表有薄雾，在可见光影像上，水域部分为灰色；假彩色影像上， 水域部分为蓝青色。 图 3.13水体分类效果对比 近红外影像 RGB影像 NDVI Green_Ratio NDVI<0.11 Green_Ratio<0.438 设置 ndvi阈值为<0.11能较好的区分水体（海洋及河道）。 绿波段比值（Green_Ratio)阈值为<0.438能较好的区分海洋，但是，河道部分存在较多 的错分。 图 3.14 河道分类效果对比 从红外影像上，能识别出积水较深的地区和积水较浅的地区，而可见光波段的 RGB影 像很难区分： 河道分类较好 河道存在错分 图 3.15影像对于积水深度识别效果对比 利用 NDVI值，能较好的区分深水区和浅水区。在水灾后，水域的区分及积水深度的识 别对灾后评估有较大帮助。 积水区颜色与裸 地相似，难以区 分积水深浅 积水较深 积水较浅 图 3.16 假彩色影像提取的深水区和浅水区 利用绿波段比值通过调整参数将深水区区分出来时，有大量的水域被剔除。 图 3.17可见光影像上很难提取深水区及浅水区 因此，利用 RGB影像的绿波段比值很难区分深水区和浅水区。 若调整绿波段比值，将属于水域（包括河道及海洋）的影像尽可能的分类为水域类，则 有部分植被被归入水域类中。 图 3.18可见光影像上积水区地区与植被村庄混叠现象，难以区分 深水区 浅水区 植被被归入水域 适当减少阈值能将错分的植被区分出来，但同时，有部分水体不能正确区分。 图 3.19可见光影像很难完全提取水体 也就是说，很难利用绿波段比值，找到一个合理的阈值区分植被和水体。在今年的实际 分类提取过程中，也遇到较多水体难以提取的现象。 而红外波段的影像在提取水体及识别水体深度方面，具有较大优势，能够较准确的提取 水体。这是由于水体在红外波段的反射率很低，而植被在红外波段的反射率很高，这两地物 在红外波段的反差很明显。 图 3.20 利用 NDVI值进行分类的结果 利用 NDVI值对影像进行分类，可以很好提取水体，积水区，森林及草地等类别，分类 精度较高。而仅仅利用绿波段比值无法得到较好的分类效果。 水体不能完全识别 4.总结 为了提高提高分类提取的自动化程度，加快处理速度，提高受灾面积统计精度。我们研 究了多光谱相机在农业方面的应用。通过查找市面上的各种多光谱相机，综合分析无人机平 台对相机的需求及数据处理要求，我们选择改装 Canon 5D Mark II相机。通过替换相机内部 的滤光片，从而实现获取近红外红外波段影像的需求。 为了试验利用改装后的多光谱相机拍摄的彩红外影像在 eCognition软件中的提取效果， 进行了相关试验。实验显示了多光谱相机在提取植被方面，相对于普通数码相机有一定优势， 提取的效果较好，精度较高，显示出多光谱相机在农业灾害识别提取方面具有一定潜能。 但是，由于灾后评估时进行的航摄飞行天气情况复杂多变，在不同天气条件下获取的近 红外假彩色影像对受灾情况的提取分析能提供什么样的有用信息，目前还没有相关的应用案 例，需要在购入相机后，进行综合试验分析才能得出进一步的结论。 多光谱相机 在农业灾害评估中的应用 1. 普通数码相机在农业灾后评估中的困难 2．多光谱数据的优势 2.1多光谱影像 2.2多光谱相机 2.3 无人机平台多光谱数据获取方案 3．多光谱数据在作物灾害评估分析中的应用试验 3.1识别沙漠中植被 3.2 草坪 (1) 健康草坪 (2) 运动场 3.3利用eCognition对NDVI相机与普通相机拍摄的影像进行植被提取试验 （1）沙漠地区的植被 （2）草坪 3.4.卫星影像分类对比实验 4.总结