本发明属于农业气象探测技术领域，具体涉及一种基于机器视觉的获取植被覆盖度和叶面积指数的方法。
背景技术：
除了光照、温度和雨量等农田作物生长环境要素外，农作物视觉图像和作物生长特征要素也是农业气象自动观测资料的重要组成部分。覆盖度和叶面积指数(leafareaindex，lai)是表征植被冠层结构的重要参数，它反映了植被的光合、呼吸、蒸腾、碳循环和降水截获等许多重要生物物理过程，可为植被冠层表面最初能量交换描述提供结构化定量信息，因此也是描述植被生长状况的重要参数。
然而如何有效地将农作物从图像中提取出来，并以提取出来的图像为参数集，得到植被覆盖度和叶面积指数是困难的；尤其是在户外复杂光照条件下将图像中的像素点进行区分是有相当大挑战的。
技术实现要素：
为了解决背景技术中提到的技术问题，本发明提供了一种基于机器视觉的获取植被覆盖度和叶面积指数的方法，该方法能够在户外复杂光照条件下准确的分割农作物图像，并获得植被覆盖度和叶面积指数，得到的植被覆盖度和叶面积指数更精确。
本发明所采用的技术方案是：
一种基于机器视觉的获取植被覆盖度和叶面积指数的方法，包括以下步骤：
s1，对ccd相机的图像几何参数进行标定后；通过ccd相机对植被进行拍照并获取不少于10张植被原始图像；
s2，将所有的植被原始图像转换为相对应的正下视图像或正射图像，获取训练样本集；
s3，建立多元混合高斯模型，获取多元混合高斯模型中的参数集；
s4，根据s3中的多元混合高斯模型，定义测度函数来表征给定像素点的分量与多元混合高斯模型中的参数集的相关分量期望的距离；
s5，根据测度函数，设定阈值；
s6，根据判别式，确定给定像素点为作物还是背景；
s7，根据给定像素点中作物像素点占总像素点的百分比确定植被覆盖度；
s8，根据s7中确定的植被覆盖度确定叶面积指数。
为了克服图像畸变造成的误差，实现视觉图像信息精确识别和解译，需要对ccd相机的图像几何参数进行标定。s1中对ccd相机进行几何参数标定的具体方法包括以下步骤：
s101，制作标定板；用打印机打印出相机标定用的黑白相间的棋盘格，每个棋盘格是边长为7.3cm的正方形，再将棋盘格贴在准备好的65.7cm×73cm的长方形木板上，木板厚度均匀且不大于3cm；
s102，拍摄图像；将标定板置于自动观测区域内地块中心和四个角落，每个位置拍摄一张图像，再将标定板放置在指定位置和高度，多角度拍摄二十张图像；
s103，计算ccd相机的内外参数：利用ccd相机拍摄的标定图像，自动检测并获取棋盘格角点的实际坐标和其在图像中的坐标，再根据式(1-1)单应性矩阵中向量正交和模相等的条件，求解出相机的内外参数(包括内参数矩阵以及每张图像的外参数矩阵)和畸变系数；
式中，
s2中将所有的植被原始图像转换为相对应的正下视图像或正射图像采用的方法为：
s201，利用s103中计算出来的相机畸变系数，对存在几何畸变的原始前下视作物图像进行几何校正处理；
s202，通过遥感图像处理中的重采样技术将经过几何校正处理的图像转换为正下视图像或正射图像。
s3中，通过以下三个公式，建立多元混合高斯模型，公式如下：
s3-1，定义
其中，ξi是训练样本集
s3-2，定义p(k)＝πk(1-3)
s3-3，定义公式如下：
其中，公式(1-3)和(1-4)中的参数集{πk,μk,∑k}分别表示第k个高斯分量中的先验概率、均值以及协方差矩阵。
通过公式(1-2)、(1-3)、(1-4)的定义，完成多元混合高斯模型的建立。
s4中，定义测度
定义的测度函数如下：
公式(1-5)和(1-6)中，ξa(i,j)，ξb(i,j)和i(i,j)分别表示给定像素(i,j)的a、b分量以及亮度值；
s5中，阈值的设定范围为[2.0,2.3]。
s6中，判别式为
按照式(1-5)和(1-6)设定γ(i,j)的阈值ζ来对像素点进行判别，判别式如式(1-7)所示。当给定像素对于所有高斯分量的所有颜色分量小于或等于阈值ζ时，像素点判别为作物，否则为背景。
由于分割结果对测度中的阈值选择较敏感，可以选择利用仿射传播聚类算法(affinitypropagation，简称ap)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。
s7中，采用如下公式计算植被覆盖度：
cc＝cc/a(1-8)
式中，cc为植被覆盖度，cc为正下视区图像中的绿色植被像素总和，a为正下视区图像的像素总和。
s8中，根据植被覆盖度计算叶面积指数采用如下关系式计算：
lai＝-2ln(1-cc)(1-9)
式中，lai为叶面积指数，cc为植被覆盖度。
因此，叶面积指数和农作物覆盖度呈对数函数关系。
本发明的技术效果如下：
本发明采用了新的提取植被像素点的方法，该方法能够在户外复杂光照条件下准确的分割农作物图像，并获得植被覆盖度和叶面积指数，得到的植被覆盖度和叶面积指数更精确。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
一种基于机器视觉的获取植被覆盖度和叶面积指数的方法，包括以下步骤：
s1，对ccd相机的图像几何参数进行标定后；通过ccd相机对植被进行拍照并获取不少于10张植被原始图像；
s2，将所有的植被原始图像转换为相对应的正下视图像或正射图像，获取训练样本集；
s3，建立多元混合高斯模型，获取多元混合高斯模型中的参数集；
s4，根据s3中的多元混合高斯模型，定义测度函数来表征给定像素点的分量与多元混合高斯模型中的参数集的相关分量期望的距离；
s5，根据测度函数，设定阈值；
s6，根据判别式，确定给定像素点为作物还是背景；
s7，根据给定像素点中作物像素点占总像素点的百分比确定植被覆盖度；
s8，根据s7中确定的植被覆盖度确定叶面积指数。
上述获取植被覆盖度和叶面积指数的方法中，关键的一步是作物分割算法(lab-g)，即区分给定像素点是作物还是背景的方法。
为了克服图像畸变造成的误差，实现视觉图像信息精确识别和解译，需要对ccd相机的图像几何参数进行标定。s1中对ccd相机进行几何参数标定的具体方法包括以下步骤：
s101，制作标定板；用打印机打印出相机标定用的黑白相间的棋盘格，每个棋盘格是边长为7.3cm的正方形，再将棋盘格贴在准备好的65.7cm×73cm的长方形木板上，木板厚度均匀且不大于3cm；
s102，拍摄图像；将标定板置于自动观测区域内地块中心和四个角落，每个位置拍摄一张图像，再将标定板放置在指定位置和高度，多角度拍摄二十张图像；
s103，计算ccd相机的内外参数：利用ccd相机拍摄的标定图像，自动检测并获取棋盘格角点的实际坐标和其在图像中的坐标，再根据式(1-1)单应性矩阵中向量正交和模相等的条件，求解出相机的内外参数(包括内参数矩阵以及每张图像的外参数矩阵)和畸变系数；
式中，
s2中将所有的植被原始图像转换为相对应的正下视图像或正射图像采用的方法为：
s201，利用s103中计算出来的相机畸变系数，对存在几何畸变的原始前下视作物图像进行几何校正处理；
s202，通过遥感图像处理中的重采样技术将经过几何校正处理的图像转换为正下视图像或正射图像。
s3中，通过以下三个公式，建立多元混合高斯模型，公式如下：
s3-1，定义
其中，ξi是训练样本集
s3-2，定义p(k)＝πk(1-3)
s3-3，定义公式如下：
其中，公式(1-3)和(1-4)中的参数集{πk,μk,∑k}分别表示第k个高斯分量中的先验概率、均值以及协方差矩阵。
通过公式(1-2)、(1-3)、(1-4)的定义，完成多元混合高斯模型的建立。
s4中，定义测度
定义的测度函数如下：
公式(1-5)和(1-6)中，ξa(i,j)，ξb(i,j)和i(i,j)分别表示给定像素(i,j)的a、b分量以及亮度值；
s5中，阈值的设定范围为[2.0,2.3]。
s6中，判别式为
按照式(1-5)和(1-6)设定γ(i,j)的阈值ζ来对像素点进行判别，判别式如式(1-7)所示。当给定像素对于所有高斯分量的所有颜色分量小于或等于阈值ζ时，像素点判别为作物，否则为背景。
由于分割结果对测度中的阈值选择较敏感，可以选择利用仿射传播聚类算法(affinitypropagation，简称ap)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。
s7中，采用如下公式计算植被覆盖度：
cc＝cc/a(1-8)
式中，cc为植被覆盖度，cc为正下视区图像中的绿色植被像素总和，a为正下视区图像的像素总和。
s8中，根据植被覆盖度计算叶面积指数采用如下关系式计算：
lai＝-2ln(1-cc)(1-9)
式中，lai为叶面积指数，cc为植被覆盖度。
因此，叶面积指数和农作物覆盖度呈对数函数关系。
比较例一：
从玉米出苗-成熟9个生育期分别选取阴天、晴天以及复杂背景(包括麦茬、阴影、标杆等)3种天气条件的大田作物图像各13张，对包括lab-g作物分割算法在内的5种算法的性能进行测试。见表1-1，图像均由在线式作物图像自动传输装置通过以上步骤提取获得的作物覆盖度。
表1-1是阴天(a)、晴天(b)、复杂背景(c)条件下五种图像提取方法的分割结果图像对比表格及其对应的真值图像；
将5种方法计算的植被覆盖度与覆盖度真值进行比较，使用相对误差和均方根误差定量评价提取精度，结果见表1-2。
表1-2典型日覆盖度误差统计(与真值图像比较)
从5种作物分割方法提取覆盖度结果精度评价和比较来看，本章提出的lab-g法和ap-hi法在光照适应性和对抗复杂环境两个方面都优于其它方法，平均相对误差分别为0.13和0.12，均方根误差分别为0.10和0.12，高于目前目估法测量的精度。
比较例二：
以2011年郑州、泰安和固城站为例，利用5种方法计算了夏玉米各关键生育期的冠层孔隙率，并与同期实测的叶面积指数作回归分析，建立了叶面积指数反演模型，结果见表2-1
表2-1中对应的叶面积指数与冠层孔隙率关系
分析得出，在夏玉米全生育期内，植被冠层孔隙率与叶面积指数具有较好的对数函数关系，表明利用冠层孔隙率及建立的对数函数y＝-alnx，可以反演作物群体叶面积指数。表2-1列出了基于exg、exgr、cive和ap-hi和本发明的lab-g计算的叶面积指数反演模型，exg、exgr、ap-hi和lab-g均能较好地反映夏玉米生育期叶面积指数与冠层孔隙率之间的变化关系，构建的夏玉米叶面积反演模型精度较高，相关系数在0.92以上，而cive与叶面积指数之间的相关系数在0.83～0.89，相关性稍低。
比较例三：
利用3个试验站2012年地面实测夏玉米各生育期lai数据，对不同算法建立的模型进行验证，选取相关系数(r)和均方根误差(rmse)作为模型的评价指标。
选取了三个试验站，分别为郑州、泰安、固城；具体的结果见表3-1：
在夏玉米各生育期选用的5种方法中，lab-g和ap-hi法反演各地叶面积指数与实测值相关性显著，相关系数分别为0.94-0.97和0.89-0.95，均方根误差在0.31-0.67和0.47-0.75，反演结果较好。cive法反演各站夏玉米各生育期叶面积指数与实测值相关性最低，最低相关系数仅0.57，均方根误差在0.8以上。exgr法获得的叶面积指数模型反演值与实测值之间的相关系数在0.83-0.95，均方根误差在0.70-0.87，反演结果仅次于lab-g和ap-hi法。exg法作为目前被广泛使用的算法，其获得的叶面积指数反演值与实测值之间的相关系数为0.70-0.96，均方根误差在0.46-1.03，反演结果不如lab-g、ap-hi法和exgr法。
可见，根据上述分析结果，lab-g或ap-hi法更适于反演夏玉米整个生育期的叶面积指数，利用该方法建立的反演模型可以获得精度较高的叶面积指数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。