基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统与流程

本申请涉及果树生长研究技术领域，具体涉及一种基于影像阴影去除的果树冠层氮素含量遥感反演方法。

背景技术：

氮素养分状况是评价果树长势的重要指标，传统的果树氮素含量测量方法费时、费力且不能满足大面积、快速、实时监测的需要。而无人机低空遥感与传统的氮素测量方法相比机动灵活，可以迅速捕获高空间和时间分辨率的影像，快速进行果树冠层氮素含量反演，已经在精准农业领域得到了广泛应用。

由于果树冠层具有三维结构，当无人机传感器观测方向与太阳直射方向不一致时，无人机影像中通常包含阴影。这些阴影削弱了冠层光谱信息，降低了冠层氮素含量反演精度。因此，如何去除果树冠层遥感影像中的阴影，以提高氮素含量反演精度，是一个亟需解决的现实问题。

传统技术中，阴影去除的方法一般是对原始影像进行归一化、多波段阴影监测等处理,这些方法操作简单快速，但精度较低，且在对阴影进行识别的过程中改变了非阴影区的信息，降低了原影像的精度。近年来，一些模型和算法应用于阴影的识别和去除中，这些方法一般基于先验知识对阴影进行识别或模拟，实现阴影与非阴影区的分离以达到阴影去除的目的。虽然能够将植被与阴影有效分离，但往往包含复杂的参数及高阶函数，操作复杂且费时。

技术实现要素：

本申请为了解决上述技术问题，提出了如下技术方案：

第一方面，本申请实施例提供了一种基于影像阴影去除的果树冠层氮素含量遥感反演方法,所述方法包括：获取果园无人机多光谱影像并进行预处理；确定影像阴影去除的阴影指数，去除无人机多光谱影像中果树冠层的阴影；建立遥感反演模型对果树冠层氮素含量进行遥感反演。

采用上述实现方式，由于无人机植被冠层多光谱影像中通常包含阴影，这些阴影削弱了植被的光谱信息，降低了冠层氮素含量反演精度。基于阴影指数去除阴影前后冠层氮素含量反演模型，不仅避免了将阴影与非阴影区的分离的复杂性，还可以有效去除果树冠层阴影且去除阴影后模型反演精度较高、更稳定。

结合第一方面，在第一方面第一种可能的实现方式中，所述获取果园无人机多光谱影像并进行预处理，包括：通过无人接携带的传感器采集所述果树冠层的多光谱遥感影像；对无人机多光谱影像进行拼接；将拼接后的多光谱影像进行几何校正和辐射校正的预处理。

结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，与无人机飞行同步进行果树叶片采集，采样后将样本转入保鲜箱带回，测定叶片氮素含量。

结合第一方面，在第一方面第三种可能的实现方式中，所述确定影像阴影去除的阴影指数，去除无人机多光谱影像中果树冠层的阴影，包括：在envi中利用波段运算工具计算阴影指数；确定第一预设阈值，大于所述第一预设阈值的像素为植被,小于所述第一预设阈值的像素归为阴影等非植被；基于阈值建立掩膜得到去除阴影后果树冠层多光谱影像。

结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，所述确定第一预设阈值包括：据植被指数的阈值范围，以预设步长为累进值依次提取果树冠层的影像，对比该阈值情况下阴影的识别情况将最大值设为阈值，其中大于所述最大值时，提取的冠层影像过于破碎，不足以保持冠层光谱信息的完整性。

结合第一方面，在第一方面第五种可能的实现方式中，所述建立遥感反演模型对果树冠层氮素含量进行遥感反演包括：通过相关性分析方法，将基于原始光谱影像和基于nsvi、ndcsi去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析，分别筛选氮素含量的敏感波段并构建光谱参量；采用偏最小二乘及支持向量机方法构建果树冠层氮素含量反演模型并进行精度检验。

第二方面，本申请实施例提供了一种基于影像阴影去除的果树冠层氮素含量遥感反演系统,所述系统包括：获取模块，用于获取果园无人机多光谱影像并进行预处理；确定模块，用于确定影像阴影去除的阴影指数，去除无人机多光谱影像中果树冠层的阴影；遥感反演模块，用于建立遥感反演模型对果树冠层氮素含量进行遥感反演。

结合第二方面，在第二方面第一种可能的实现方式中，所述获取模块包括：采集单元，用于通过无人接携带的传感器采集所述果树冠层的多光谱遥感影像；拼接单元，用于对无人机多光谱影像进行拼接；校正单元，用于将拼接后的多光谱影像进行几何校正和辐射校正的预处理。

结合第二方面，在第二方面第二种可能的实现方式中，所述确定模块包括：计算单元，用于在envi中利用波段运算工具计算阴影指数；第一确定单元，用于确定第一预设阈值，大于所述第一预设阈值的像素为植被,小于所述第一预设阈值的像素归为阴影等非植被；第二确定单元，用于基于阈值建立掩膜得到去除阴影后果树冠层多光谱影像。

结合第二方面，在第二方面第三种可能的实现方式中，所述遥感反演模块包括：模型建立单元，用于通过相关性分析方法，将基于原始光谱影像和基于nsvi、ndcsi去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析，分别筛选氮素含量的敏感波段并构建光谱参量；遥感反演单元，用于采用偏最小二乘及支持向量机方法构建果树冠层氮素含量反演模型并进行精度检验。

附图说明

图1为本申请实施例提供的一种基于影像阴影去除的果树冠层氮素含量遥感反演方法的流程示意图；

图2为本申请实施例提供的植被指数计算结果示意图；

图3为本申请实施例提供的nsvi和ndcsi不同阈值下阴影的识别情况示意图；

图4为本申请实施例提供的基于nsvi去除阴影后冠层多光谱影像示意图；

图5为本申请实施例提供的基于ndcsi去除阴影后冠层多光谱影像示意图；

图6为本申请实施例提供的基于原始多光谱影像及基于nsvi、ndcsi去除阴影后多光谱影像各波段光谱反射率平均值示意图；

图7为本申请实施例提供的氮素含量反演最佳模型散点示意图；

图8为本申请实施例提供的一种基于影像阴影去除的果树冠层氮素含量遥感反演系统示意图。

具体实施方式

下面结合附图与具体实施方式对本方案进行阐述。

图1为本申请实施例提供的一种基于影像阴影去除的果树冠层氮素含量遥感反演方法的流程示意图，参见图1，本申请实施例提供的基于影像阴影去除的果树冠层氮素含量遥感反演方法包括：

s101，获取果园无人机多光谱影像并进行预处理。

本申请实施例研究区位于胶东半岛中心位置——山东省烟台栖霞市苹果园区(37°12′25″n,120°44′41″e)，暖温带季风性气候，四季分明，年日照时数2631h，秋季昼夜温差大，年平均气温11.6℃，土壤为棕壤，丘陵地形。栖霞市凭借独特的地理位置和良好的气候土壤条件，已成为环渤海湾苹果优势主产区的典型代表。

选择晴朗无云无风天气，于10:00-14:00间采集无人机多光谱遥感影像。在试验区四周合适位置布设白色参考板便于进行辐射定标。无人机飞行高度设置为50m，空间分辨率为2.2cm，飞行速度为5m/s。无人机携带的传感器为具有4个多光谱波段和1个全色波段的sequoia多光谱相机，传感器波段参数如表1所示。

表1多光谱传感器的波段参数

选用photoscan对无人机多光谱影像进行拼接。为消除几何畸变和辐射失真等因素对影像质量的干扰，对拼接后的多光谱影像进行几何校正和辐射校正的预处理。几何校正主要在envi中实现，以无人机正射影像为参考影像，在影像中均匀选取30个参考点进行几何精校正，保证校正后误差小于0.5个像元。采用伪标准地物辐射纠正法，将多光谱影像dn值转化为反射率，如公

式1所示。

式中r目标为目标地物的反射率，dn目标为目标地物的dn均值，dn参考板为白色参考板的dn均值，r参考板为参考板的反射率值。

与无人机飞行同步进行苹果树叶片采集。按照均匀布点的原则，在果园中随机选择51棵果树，在每棵果树中部营养枝东、南、西、北四个方位，分别摘取3片大小相似、无损的叶片作为1个样本，每个样本包含12个叶片，共计51个样本。采样后，迅速将样本转入保鲜箱带回。

在实验室称取叶片鲜质量，将叶片样本放入105℃鼓风干燥箱中杀青0.5h后，在80℃下烘干至恒重。把烘干的样品用研钵研磨成粉末状后过筛，采用凯氏定氮法测定叶片氮素含量。

s102，确定影像阴影去除的阴影指数，去除无人机多光谱影像中果树冠层的阴影。

ndvi是目前应用最广泛的植被指数之一，但由于ndvi易饱和，对阴影的识别并不敏感，因此许多学者基于ndvi构建新型植被指数以达到去除阴影的目的。在ndvi的基础上，许章华及xu等分别提出ndcsi、nsvi两个阴影指数，计算公式如下。

ndvi＝(rnir-rred)/(rnir+rred)(2)

svi＝ndvi*rnir(3)

nsvi＝(svi-svimin)/(svimax-svimin)(4)

式(2)中ndvi为归一化植被指数，rnir为近红外波段灰度值，rred为红边波段灰度值；式(3)中svi为阴影植被指数，rnir为近红外波段灰度值；式(4)中nsvi为归一化阴影指数，svimin为影像波段运算后svi最小值，svimax为影像波段运算后svi最大值；式(5)中ndcsi为归一化冠层阴影指数，(rred-edge)min为影像红边波段最小值，(rred-edge)max为影像红边波段最大值。

本申请采用阈值法去除果树冠层阴影，提取冠层光谱信息。为去除果树冠层的阴影，首先在envi中利用波段运算工具计算阴影指数；随后确定合适的阈值，大于阈值的像素为植被,小于阈值的像素归为阴影等非植被；最后基于阈值建立掩膜得到去除阴影后果树冠层多光谱影像。其中，阈值的确定是去除阴影的关键，据植被指数的阈值范围，以0.5为累进值依次提取果树冠层的影像，对比该阈值情况下阴影的识别情况将最大值设为阈值。

s103，建立遥感反演模型对果树冠层氮素含量进行遥感反演。

采用等距抽样的方法确定建模集及验证集。将51个研究样本按照氮素含量由小到大排序分组，根据建模集与验证集为2∶1的比例进行等距抽样，建模集34个，验证集17个。

本实施例采用偏最小二乘和支持向量机两种方式构建叶片氮素含量反演模型，对比分析阴影对不同反演模型精度的影响。偏最小二乘法可以通过最小化误差的平方和找到一组数据的最佳函数匹配，可在一定程度上有效地消除参量之间的多重共线性，是目前应用最广泛的模型之一。支持向量机是基于小样本统计理论，建立在统计学习、vc维理论以及结构风险最小化的原理上的一种新型机器学习方法，已经在农业定量遥感领域得到了广泛应用。

选取决定系数(r2)、相对分析误差(rpd)作为反演模型评价与验证模型的指标。反演模型及验证时r²越大，表明模型的估测能力越好；当rpd<1.4时，模型无法对样本进行预测；当1.4＜rpd＜2时，模型可以有效的对样本进行预测；当rpd>2时，模型有极好的样本预测能力。计算公式如：

式(6)(7)中为实测叶片氮含量平均值，n为样本数量，i为样本序号，指叶片氮含量预测值，yi指叶片氮含量实测值。

依据灰度值的差异可以反映各阴影指数对阴影的识别情况，初步判断阴影指数在去除冠层阴影效果中的优劣。如图2所示，ndvi仅能以冠层轮廓为界区分果树冠层与土壤背景，并不能识别冠层内部的阴影；阴影植被指数nsvi和ndcsi对阴影均有一定的识别能力，不仅能够区分果树冠层和土壤背景信息，也能够识别冠层内部绝大部分阴影，但与nsvi相比，ndcsi对阴影更加敏感，识别能力更强。

分析图2，果树冠层、土壤背景与阴影的灰度值大小关系为：果树冠层＞阴影＞土壤背景，阴影与果树冠层的灰度值存在较大差异，因此，设定合适的阈值可以将冠层内部的阴影有效区分。不同阈值下冠层内部阴影的识别情况如图3所示，当nsvi阈值为0.6时，冠层内部仍有部分阴影没有被识别；当阈值为0.7时，冠层被分割的过于破碎；阈值为0.65时，可以识别冠层内部绝大部分阴影且冠层整体形状保持较完整，因此将0.65设定为nsvi的阈值。同理，ndcsi的阈值最终确定为0.4。如图4和图5所示，以0.65为nsvi阈值，以0.4为ndcsi阈值，最终得到去除阴影后果树冠层多光谱影像。

基于三幅多光谱影像分别提取51个样点的冠层光谱信息，将其各波段的平均值绘成光谱曲线进行比较分析，结果如图6所示。基于三副影像提取的光谱反射率均值折线图走势趋于一致，但去除阴影前后冠层光谱信息差异较大且在红边波段及近红外波段尤为明显。同时结果显示基于两阴影指数去除阴影后提取的光谱信息略有不同，基于ndcsi去除阴影后提取的光谱信息与原始光谱信息差异较显著。

样本叶片氮素含量与基于三副影像提取的光谱反射率相关性分析结果如表2所示。基于相关系数法，筛选与氮素含量相关性较高的波段为敏感波段，结果显示去除阴影前后叶片氮素含量的敏感波段均为绿光波段和红光波段。此外，基于阴影指数去除阴影后，冠层叶片氮素含量与多光谱四个波段的敏感程度均有提升，其中与绿光波段、近红外波段的相关性提升显著。基于nsvi去除阴影后绿光波段、近红外波段与氮素含量实测值的相关性分别提升了0.08、0.13，基于ndcsi去除阴影后分别提升了0.12、0.20。

表2敏感波段分析

将筛选的敏感波段进行加减、平方根、倒数等多波段数学组合运算，构建了10个光谱参量，与氮素含量的相关性分析结果如表3所示。结果显示，去除阴影后，光谱参量与氮素含量的相关性均有所提升；基于乘积和加法运算构建的光谱参量与叶片氮素含量的相关性高于基于两波段作比值和差值构建的光谱参量；同时，基于ndcsi去除阴影后构建的光谱参量与氮素含量的相关性高于基于nsvi去除阴影后构建的光谱参量。

分别筛选相关性较高的5个光谱参量构建叶片氮素含量反演模型，基于原始光谱反射率筛选的敏感光谱参量为bg+br、bg*br、1/(bg+br)和基于nsvi和ndcsi去除阴影后影像提取的光谱反射率筛选的敏感光谱参量为bg+br、1/(bg+br)和

表3光谱参量及其与氮素含量的相关性分析

以筛选的敏感光谱参量为自变量，冠层叶片氮素含量为因变量，构建偏最小二乘及支持向量机氮素含量反演模型，建模及验证结果如表4、5所示。

如表4所示，与基于原始多光谱影像构建的反演模型相比，基于nsvi、ndcsi去除阴影后构建的偏最小二乘及支持向量机模型反演精度均有提升。基于nsvi去除阴影后构建的偏最小二乘模型与去除阴影前相比，建模集r²提升了0.047，rpd提升了0.042；验证集r²提升了0.516，rpd提升了0.548。基于ndcsi去除阴影后构建的偏最小二乘模型与去除阴影前相比，建模集r²、rpd分别提升了0.175、0.405；验证集r²、rpd分别提升了0.594、0.782。

表4基于三种影像psl模型反演结果

如表5所示，基于nsvi去除阴影后构建的支持向量机模型与去除阴影前相比，建模集r²提升了0.049，rpd提升了0.136；验证集r²提升了0.486，rpd提升了0.584。基于ndcsi去除阴影后构建的支持向量机模型与去除阴影前相比，建模集r²、rpd分别提升了0.167、0.413；验证集r²、rpd分别提升了0.582、0.924。

表5基于三种影像svm模型反演结果

结果显示，阴影降低了氮素含量反演精度，无论是线性模型还是机器学习模型，基于阴影指数去除阴影后构建的氮素含量反演模型精度更高。由于验证集样本数量较少及阴影等因素的影响，基于原始多光谱影像构建的模型验证集r²值均较低，但去除阴影后验证集精度显著提升，表明基于nsvi、ndcsi去除阴影后提取的光谱信息与冠层叶片氮素含量的相关性更高，建模效果更好。

对比两阴影指数的建模结果，基于ndcsi去除阴影后构建的偏最小二乘模型反演精度与基于nsvi去除阴影后构建的模型相比，建模集r²提升了0.128、rpd提升了0.363，验证集r²提升了0.078、rpd提升了0.234；基于ndcsi去除阴影后构建的支持向量机模型反演精度与基于nsvi去除阴影后构建的模型相比，建模集r²、rpd分别提升了0.118、0.277，验证集r²、rpd分别提升了0.096、0.340。结果表明，ndcsi较nsvi去除阴影的效果更好，无论是线性模型还是机器学习模型，基于ndcsi去除阴影后构建的模型反演精度更高。

对比两种建模方法，基于ndcsi去除阴影后构建的支持向量机模型与偏最小二乘模型相比，建模集r²提升了0.024，验证集rpd提升了0.159。综上所述，如图7所示，氮素含量反演的最优模型为基于ndcsi去除阴影后构建的支持向量机模型。

无人机植被冠层多光谱影像中通常包含阴影，这些阴影削弱了植被的光谱信息，降低了冠层氮素含量反演精度。本实施例对比分析去除阴影前后冠层氮素含量反演模型，发现基于阴影指数可以有效去除果树冠层阴影且去除阴影后模型反演精度较高、更稳定。同时研究发现ndcsi更适用于果树冠层阴影的去除，对今后基于遥感影像进行植被营养元素反演具有重要意义。

与对原始影像进行变换及模型法去除阴影相比，基于阴影指数去除阴影的方法较为简洁，处理迅速且精度高。阴影削弱了果树冠层光谱信息，在红边波段及近红外波段尤为明显，这与xu和noh的研究结果一致。xu等对比不同光照阴影比例下植被冠层高光谱信息，发现不同明暗比例下植被冠层光谱信息于红边波段附近振幅差异较大，阴影会削弱红边波段的光谱信息；noh等研究表明，近红外是分割背景噪声最敏感的通道，阴影、土壤背景都会干扰近红外波段的光谱信息。如图3、图5和图6所示，土壤的灰度值低于阴影的灰度值，采用阈值法去除阴影不仅在一定程度上降低了阴影的影响，也缓解了土壤等背景信息对冠层光谱信息的干扰作用。因此，去除阴影前后光谱信息于红边波段及近红外波段差异较大。

去除阴影前后冠层氮素的敏感波段均为绿光波段和红光波段，且基于两波段构建的光谱参量与氮素含量的相关性均有提升，这与filella等的研究结果一致。此外，结果显示，无论是线性模型还是非线性反演模型，去除阴影后模型反演精度均高于去除阴影前。陈鹏飞等基于去除土壤背景的无人机影像提取棉花冠层光谱信息并构建主成分分析氮素含量反演模型，发现土壤背景削弱了棉花冠层光谱信息并对氮素反演模型产生了影响，结果显示去除土壤背景后构建的氮素反演模型精度高于去除前。本实施例中发现，阴影及土壤背景信息削弱了果树冠层光谱信息，基于两阴影指数去除阴影后，阴影及土壤背景信息得到了有效去除，因此基于阴影指数去除阴影后氮素反演模型精度均有所提升。

基于阴影指数去除阴影的方法操作简单且去除阴影后氮素反演精度有所提升，但本实施例试验范围仅局限于一个果园的尺度中，该方法在卫星遥感影像中的应用还需进一步探究。阈值的确定是基于阈值法去除阴影的关键，虽然本实施例确定的阈值取得了较好的阴影去除效果，但筛选过程花费时间较长，更加快速准确的确定阴影指数的合适阈值是下一步的研究方向。果树具有复杂的冠层结构，当传感器观测方向与太阳直射方向不一致时，无人机影像中通常出现阴影。本次研究过程中没有较多从辐射传输角度出发，通过构建辐射传输模型模拟更加准确的冠层光谱信息，以减少阴影对氮素反演模型精度的影响，这也是今后的研究方向。

与上述实施例提供的一种基于影像阴影去除的果树冠层氮素含量遥感反演方法相对应，本申请还提供了一种基于影像阴影去除的果树冠层氮素含量遥感反演系统的实施例。

参见图8，基于影像阴影去除的果树冠层氮素含量遥感反演系统20包括：获取模块201、确定模块202和遥感反演模块203。

所述获取模块201，用于获取果园无人机多光谱影像并进行预处理。

所述获取模块201包括：采集单元、拼接单元和校正单元。所述采集单元，用于通过无人接携带的传感器采集所述果树冠层的多光谱遥感影像。所述拼接单元，用于对无人机多光谱影像进行拼接。所述校正单元，用于将拼接后的多光谱影像进行几何校正和辐射校正的预处理。

所述确定模块202，用于确定影像阴影去除的阴影指数，去除无人机多光谱影像中果树冠层的阴影。

所述确定模块202包括：计算单元、第一确定单元和第二确定单元。

所述计算单元，用于在envi中利用波段运算工具计算阴影指数。所述第一确定单元，用于确定第一预设阈值，大于所述第一预设阈值的像素为植被,小于所述第一预设阈值的像素归为阴影等非植被。所述第二确定单元，用于基于阈值建立掩膜得到去除阴影后果树冠层多光谱影像。

所述遥感反演模块203，用于建立遥感反演模型对果树冠层氮素含量进行遥感反演。

所述遥感反演模块203包括：模型建立单元和遥感反演单元。

所述模型建立单元，用于通过相关性分析方法，将基于原始光谱影像和基于nsvi、ndcsi去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析，分别筛选氮素含量的敏感波段并构建光谱参量。所述遥感反演单元，用于采用偏最小二乘及支持向量机方法构建果树冠层氮素含量反演模型并进行精度检验。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。