一种面向大众的草地草长势多光谱成像监测掌上系统及方法与流程

本发明涉及高分辨率遥感监测领域，是草地遥感监测平台，特别是一种面向大众的草地草长势多光谱成像监测掌上系统及方法。

背景技术：

草地是我国最大的陆地生态系统，草地生态的健康状况十分重要，因此草地动态监测一直是研究的热点问题，及时准确的了解草的长势对于草地的可持续发展利用以及管理具有十分重要的意义。

以往用卫星和航空等专业遥感来估算牧草长势的研究很多，近年来用无人机遥感监测草地的研究也陆续增多。但是从成本和操作模式看，卫星遥感、航空遥感、无人机遥感都属于专业遥感、小众遥感。人们更渴求一种像手机一样的人人可使用操作的大众遥感模式。

技术实现要素：

为了解决以上技术问题，本发明的目的是建立一种面向大众的草地草长势多光谱成像监测掌上系统及方法，通过该系统人们随时随地获知草地草的长势情况。本发明是掌上的草长势多光谱成像监测系统，操作简单、灵活，随时随地获取图像，获知草地长势情况，是一种新的大众遥感系统，充填了卫星、航空、无人机等专业遥感的空挡。

本发明的技术方案为提出一种面向大众的草地草长势多光谱成像监测方法，其特征在于，包括以下步骤：

步骤(1)：设计掌上滚轮式多光谱成像装置；

步骤(2)：采用所述的装置，对不同波段图像存在的渐晕效应，利用基于概率统计模型自适应分块渐晕消除方法，去除不同波段的图像渐晕；

步骤(3)：利用所述的装置，对不同波段图像存在的微小几何偏差，采用分块配准策略，校正不同波段间的微小几何偏差；

步骤(4)：利用所述的装置，利用不同波段图像间存在几何偏差，假定一基线长度，利用双目视觉原理，模拟草高，用模拟草高反映草的长势；

步骤(5)：利用所述的装置，根据绿色因子(excessgreenindex,exg)和红色因子(excessredindex,exr)差值，选定阈值为0.4，提取鲜草并用图像中鲜草所占像素除以整幅图像像素得鲜草占比，用鲜草占比反映草的长势；

步骤(6)：利用所述的装置，根据6个波段图像自动计算归一化植被指数ndvi、归一化红边指数ndre、蓝色归一化植被指数bndvi、绿色归一化植被指数gndvi、优化土壤调节植被指数osavi、三角绿色指数tgi植被指数；连同生成的鲜草占比和模拟草高一起构成草地草长势监测指标；

步骤(7)：利用所述的装置，对于地势平坦的牧场，采用准均匀采样方式，每隔一定距离获取一组6波段图像，计算每一采样点的草长势评价指标，利用克里金插值生成整个牧场的草长势监测指标图，反映牧场草的长势。

进一步的，所述步骤(1)设计掌上滚轮式多光谱成像装置的步骤如下：

步骤(11)：制作镶嵌6个波段的滤波片的滚轮，使用过程中用手拨动滚轮；滚轮尺寸根据相机镜头口径确定，以与相机镜头紧耦合为准；根据实际条件，滤波滚轮安装在镜头和相机之间，或直接安装在镜头上；

步骤(12)：滤波片选择，三个可见光波段，即蓝：450nm、绿：550nm、红：650nm、一个红边波段750nm和一个近红外波段850nm、一个水汽波段960nm，在实际使用中根据观测对象不同更换不同波长的滤波片。

步骤(13)：相机设置，相机设置为黑白拍摄模式，相机自动调节曝光时间和感光度iso。

进一步的，所述步骤(2)自适应分块渐晕消除方法的步骤如下：

步骤(21)：输入原始图像im＝m×n，m和n分别为原始图像横向和纵向的像素个数，获取原始图像im的平均灰度值dn_global；

步骤(22)：对原始图像im进行二维高斯曲面拟合，得到其均值u和标准差σ，将图像自适应的分成m×n个小块im_sub，每一小块图像大小为(u+3σ)×(u+3σ)，其中，m＝m/(u+3σ)，n＝n/(u+3σ)；

步骤(23)：对每一个子块im_sub求取平均灰度值，得到子块平均灰度矩阵im_block＝m×n；

步骤(24)：将子块平均灰度矩阵im_block减去平均灰度值dn_global，得到子块差值灰度矩阵im_block_diff＝m×n；

步骤(25)：将子块差值灰度矩阵im_block_diff进行双三次插值，得到与原始图像相同大小的全局差值灰度矩阵im_global_diff＝m×n；

步骤(26)：原始图像im减去全局差值灰度矩阵im_global_diff，得到消除渐晕的图像im_out＝m×n；

步骤(27)：并与预存的校正好的白板图像im_white和暗电流图像im_dark比较，完成相对辐射校正im_ref，即，

im_out-im_dark)/(im_white-im_dark)＝im_ref。

进一步的，所述步骤(3)不同波段间的微小几何偏差校正方法的步骤如下：

步骤(31)：基准图像选择，首先在6个波段中，选择1幅图像作为基准图像，其余波段均与其寻找同名点建立配准几何变换模型，考虑到基准波段与待配准波段图像间的差异，同时基准图像需要具有稳健的特征点，能够使其他5个待配准图像的特征匹配更加精准，而第4波段750nm正处于可见光与近红外波段的中间位置，图像最清晰，因此选择第4波段作为基准波段；

步骤(32)：图像分块，将原始图像分成4×4的局部块，然后分别对每一局部块进行配准，考虑到局部块配准后发生几何形变，再次进行局部块拼接时，可能出现缝隙问题，要求相邻局部块之间具有2％的重叠度；

步骤(33)：立体匹配和图像拼接，用sift特征实现立体匹配和图像拼接。

进一步的，所述步骤(4)模拟草高计算方法的步骤如下：

步骤(41)：利用哈特尔(hartle)无需标定的极线校正算法，对6波段图像中选定的两个波段图像进行极线校正；

步骤(42)：半全局块匹配(sgbm)双目立体匹配算法，由选定的两个波段极线校正后的图像计算视差；

步骤(43)：假设基线长度为b＝1，在拍摄时距地面高度为h,由立体视觉知高程f为焦距，d为视差；i表示预测点的编号，所有图像点三维坐标的真实尺度zmax是高程最大的值；点到地面的高度即草高表示为hi＝h-ziσ。

进一步的，所述步骤(5)鲜草占比计算方法的步骤如下：

步骤(51)：计算绿色因子exg-红色因子exr＝(2g-r-b)-(1.4r-g)，r、g、b为r、g、b归一化的值；

步骤(52)：识别鲜草，对于自然草地选阈值为0.4，识别exg-exr值大于0.4的鲜草；

步骤(53)：定义鲜草占比fgr，

图像中所有鲜草像素pixelfreshgrass总和除以整个图像像素pixeltotalimage的总和，计算出一组图像内鲜草所占的百分比。

进一步的，所述步骤(6)草地草长势监测指标的构建步骤如下：

步骤(61)：为更好反映植被含水量，在ndvi、bndvi、gndvi计算中均用960nm水汽波段代替850nm近红外波段；

步骤(61)：草地草长势监测指标体系，包括鲜草占比、模拟草高、ndvi、ndre、bndvi、gndvi、osavi、tgi等8项指标。

根据本发明的另一方面，还提出一种面向大众的草地草长势多光谱成像监测掌上监测系统，包括：

掌上多光谱成像装置：滚轮式6波段多光谱成像，获取多光谱图像，滤波片为可更换的；

图像渐晕去除模块：利用基于概率统计模型自适应分块渐晕消除方法，去除不同波段的图像渐晕；

几何偏差校正模块：采用分块配准策略，校正不同波段间的微小几何偏差；

模拟草高计算模块：利用不同波段图像间存在几何偏差，假定一基线长度，由双目视觉原理，模拟估计草高；

鲜草占比计算模块：根据绿色因子和红色因子的差值，选定阈值，提取鲜草，并用图像中鲜草所占像素除以整幅图像像素得鲜草占比；

植被指数计算模块：根据6个波段图像自动计算归一化植被指数ndvi、归一化红边指数ndre、蓝色归一化植被指数bndvi、绿色归一化植被指数gndvi、优化土壤调节植被指数osavi、三角绿色指数tgi植被指数；

牧场草地监测指标制图模块：对于地势平坦的牧场，采用准均匀采样方式，每隔一定距离获取一组6波段图像，计算每一采样点的草长势评价指标，利用克里金插值生成整个牧场的草长势监测指标图。

本发明与现有技术相比的优点在于：

(1)本发明集硬件软件于一体，设计了掌上多光谱成像装置。该装置结构简单，操作方便，携带方便，可获得高空间分辨率的多光谱图像。本发明提出的一种基于概率统计模型自适应分块渐晕消除方法可以方便、有效的消除类似草地等弱纹理、灰度变化缓慢的图像的渐晕。本发明提出的兼顾全局的分块配准策略有效解决了滚轮滤波模式微小几何偏差校正问题。随时随地获取高分辨率多光谱图像。

(2)本发明用双目立体视觉技术，在假定基线长度下，模拟草高，给出图像中每一个像素点的模拟草高。本发明利用exg-exr指数确定鲜草占比。用模拟草高和鲜草占比直观反映草的长势。

(3)本发明用鲜草占比、模拟草高、ndvi、ndre、bndvi、gndvi、osavi、tgi等植被指数构成草地草长势的评价指标，随时随地获取多光谱图像，随时随地计算草地草长势指标，从多个指标反映草场草长势情况。

(4)本发明填补了卫星、航空、无人机等草地遥感监测的空挡，给出了大众遥感的新范例。

附图说明

图1为本发明掌上多光谱成像装置原理图；

图2为本发明方法的流程图

图3为本发明不同波段微小偏差几何校正图像分块示意图；

图4为模拟草高图；

图5(a)为ndvi指数；

图5(b)为gndvi指数；

图5(c)为bndvi指数；

图5(d)为ndre指数；

图5(e)为osavi指数；

图5(f)为tgi指数；

图6(a)为ndvi指数上推区域图；

图6(b)为gndvi指数上推区域图；

图6(c)为tgi指数上推区域图；

图6(d)为ndre指数上推区域图；

图6(e)为osavi指数上推区域图；

图6(f)为bndvi指数上推区域图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

图1左边为滚轮式滤波的多光谱成像装置的原理图，右边为在滚轮上镶嵌不同波段的滤波片，相当于多个不同波段光谱相机的组合。

根据本发明的一个实施例，一种面向大众的草地草长势多光谱成像监测掌上系统及方法，包括掌上多光谱成像装置、图像渐晕去除模块、不同波段几何偏差校正模块、模拟草高计算模块、鲜草占比计算模块、6种植被指数计算模块、牧场草地监测指标制图模块。

掌上多光谱成像装置，用其来获取多光谱原始图像。掌上多光谱成像装置采用滚轮轮式滤波模式，在滚轮上配置6个波段的滤波片(可以更换)，其中包含三个可见光波段，即蓝：450nm、绿：550nm、红：650nm、一个红边波段750nm、一个近红外波段850nm和一个水汽波段960nm。相机自动调节曝光时间和感光度iso，并设置成黑白拍摄模式。本发明中图像分辨率为5120×3840个像素(根据所用相机而定)，辐射分辨率(radiometricresolution)为8bit，地面分辨率0.5mm(在离地面1.5m处拍摄)。拍摄时成像装置固定在脚架上，保持成像装置不动，用手拨动滚轮，连续拍摄6个波段的图像。一个6个波段滚轮配上一部相机的多光谱成像装置，相当于6个波段不同相机的组成装置。

图像渐晕去除模块。由于滤波片和滚轮装置等因素，图像上渐晕明显。本发明基于概率统计模型自适应分块渐晕消除方法的主要步骤如下：

步骤(1)：输入原始图像im＝m×n；

步骤(2)：获取原始图像im的平均灰度值dn_global；

步骤(3)：对原始图像im进行二维高斯曲面拟合，得到其均值u和标准差σ，将图像自适应的分成m×n个小块im_sub，每一小块图像大小为(u+3σ)×(u+3σ)，其中，m＝m/(u+3σ)，n＝n/(u+3σ)；

步骤(4)：对每一个子块im_sub求取平均灰度值，得到子块平均灰度矩阵im_block＝m×n；

步骤(5)：将子块平均灰度矩阵im_block减去平均灰度值dn_global，得到子块差值灰度矩阵im_block_diff＝m×n；

步骤(6)：将子块差值灰度矩阵im_block_diff进行双三次插值，得到与原始图像相同大小的全局差值灰度矩阵im_global_diff＝m×n；

步骤(7)：原始图像im减去全局差值灰度矩阵im_global_diff，得到消除渐晕的图像im_out＝m×n；

步骤(8)：与预存的校正好的白板图像im_white和暗电流图像im_dark比较，完成相对辐射校正im_ref，即(im_out-im_dark)/(im_white-im_dark)＝im_ref。

不同波段几何偏差校正模块。兼顾全局的分块配准策略，校正不同波段间的微小几何偏差的主要步骤如下：

步骤(1)：基准图像选择，首先在6个波段中，选择1幅图像作为基准图像，其余波段均与其寻找同名点建立配准几何变换模型，考虑到基准波段与待配准波段图像间的差异，同时基准图像需要具有稳健的特征点，能够使其他5个待配准图像的特征匹配更加精准，而第4波段750nm正处于可见光与近红外波段的中间位置，图像最清晰，因此选择第4波段作为基准波段；

步骤(2)：图像分块，将原始图像分成4×4的局部块，然后分别对每一局部块进行配准，考虑到局部块配准后发生几何形变，再次进行局部块拼接时，可能出现缝隙问题，要求相邻局部块之间具有2％的重叠度；

步骤(3)：立体匹配和图像拼接，用sift特征实现立体匹配和图像拼接。

模拟草高计算模块，不同波段图像间虽然存在微小的几何偏差，但基线很短，很难计算出真实草高。本发明事前假定一个基线长度，根据双目视觉原理，来模拟草高。主要过程包括图像正射校正、基于sgbm的立体匹配、生成视差图、假定基线b＝1计算模拟草高。

鲜草占比计算模块。excessgreenindex(exg)已经被广泛引用于植被遥感中，是提取绿色植物的有效依据。另外一个与之对应的指数是excessredindex(exr)，是提取土壤和植物残渣的有效依据。excessgreenindex与excessredindex相减，即得exg-exr指数。对于自然草地，经过多组实验测试确定exg-exr指数的阈值为0.4，大于0.4的鲜草。图像中鲜草所占像素除以整幅图像像素得鲜草占比。

6种植被指数计算模块。目前已经在科学文献中发表了150多个植被指数(vi)(https://en.wikipedia.org/wiki/vegetation_index)，广泛的应用在全球与区域土地覆盖、分类和环境变化，作物和牧草估产等方面。本发明根据掌上多光谱成像装置的特点选择了最广泛应用的ndvi、ndre、bndvi、gndvi、osavi、tgi等6种植被指数。ndvi(normalizeddifferencevegetationindex)主要用于植被覆盖、植被长势、植被的物候变化、生物量、植被的营养状况以及受胁迫的情况等，是目前在植被遥感中应用最广泛和最好用的植被指数。ndre(normalizeddifferencerededge)考虑了红边对植被的影响。bndvi(bluenormalizeddifferencevegetationindex)和gndvi(greennormalizeddifferencevegetationindex)与ndvi相似，osavi用土壤反射率调节了ndvi指数(theosavi(rondeauxetal.,1996)arebasedonthendvibutincludecorrectionfactorsforthesoilreflectanceinthespectra.)。tgi-triangulargreennessindex是rgb植被指数，在某种程度上代表叶绿素含量。为更好反映植被含水量，在ndvi、bndvi、gndvi计算中均用960nm水汽波段代替850nm近红外波段。

牧场草地监测指标制图模块。对于地势平坦的牧场，采用准均匀采样方式，每隔一定距离(如20m或30m)获取一组6波段图像，计算每一采样点的草长势评价指标，利用克里金插值生成整个牧场的草长势监测指标图。反映牧场草的长势。

如图2所示，本发明主要包括三部分，第一部分掌上光谱成像装置；第二部分图像增强，即针对成像装置原始图像的渐晕消除和几何偏差校正；第三部分草地草长势监测指标。这三部分环环相扣，形成草地草长势监测掌上系统。下边以青海草地监测实验为例，介绍具体实施方式。

在牧场上，可以按需要规划采样点，本发明实验中，采样点之间相距约20m。采集时掌上“哨兵”固定在三脚架上，倾斜45度定点拍摄，且距离地面约1.5米，地面分辨率约0.5mm。每个采样点采集一组6个波段的原始多光谱图像。

图3为本发明中将待处理图像划分为不同区域处理的示意图。

用本发明中的图像渐晕去除模块和不同波段几何偏差校正模块处理原始多光谱图像，得到去渐晕去偏差的相对辐射校正好的多光谱图像。用鲜草占比计算模块，直接计算出鲜草占比。用模拟草高计算模块直接给出图像中每个像素的模拟草高(如图4)。图4的左图:原图像；右图:模拟草高图；图例单位：米，平均草高：0.691m)。

用6种植被指数计算模块，自动计算并生成植被指数图像，如图5，图5(a)为ndvi指数；图5(b)为gndvi指数；图5(c)为bndvi指数；图5(d)为ndre指数；图5(e)为savi指数；图5(f)为tgi指数。

牧场草地监测指标制图模块，生成牧场草地监测指图，如图6。图6(a)为ndvi指数上推区域图；图6(b)为gndvi指数上推区域图；图6(c)为tgi指数上推区域图；图6(d)为ndre指数上推区域图；图6(e)为osavi指数上推区域图；图6(f)为bndvi指数。

上面所述的仅是体现本发明一种实施例证。本发明并不限于上述实施例证。本发明的说明书是用于进行说明，不限制权利要求的范围。对于本领域的技术人员，很显然可以有很多的替换、改进和变化。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。