本發(fā)明涉及一種獲得苔蘚覆蓋度的方法，尤其涉及一種基于Lab顏色空間算法的提取苔蘚覆蓋度的方法，涉及計算機圖像處理及生態(tài)學領域。
背景技術：
：目前，在植被覆蓋度信息提取的研究中，利用計算機數(shù)字圖像處理的方法是比較普遍的方法之一，且簡單易行。傳統(tǒng)的苔蘚覆蓋度提取方法是網(wǎng)格目估法，即將研究樣地劃分為若干面積相等的樣方，通過肉眼憑借經(jīng)驗直接判別，然后估算樣方的植被覆蓋度，最后取平均值作為研究樣地的植被覆蓋度。一般利用0.5m*0.5m的取樣框選定苔蘚區(qū)域，框中有26*26個交叉點，通過統(tǒng)計交叉點的數(shù)目來估算確定研究區(qū)域的植被覆蓋度，該方法雖簡單易行，但主觀隨意性大，目估精度與測量人的經(jīng)驗密切相關，研究認為，單人目估得到的覆蓋度數(shù)據(jù)最大絕對誤差可達40.4％[章文波,符素華,劉寶元.目估法測量植被覆蓋度的精度分析[J].北京師范大學學報(自然科學版),2001,03:402-408.]。監(jiān)督分類需要選擇訓練樣本作為分類參考，因此在分類過程中會引入很多人為因素，不能做到自動化操作，費時費力；非監(jiān)督分類僅依靠影像上不同類地物信息進行特征提取，雖不需要更多的先驗知識，但需要對其結果進行大量分析及后處理；而目視解譯雖然精度較高，但是需要手動選取圖像中的所有植被信息，因此比監(jiān)督分類的工作量還大(路炳軍,劉洪鵠,符素華等.照相法結合數(shù)字圖像技術計算植被覆蓋度精度研究[J].水土保持)。近地面測量中利用照相法提取植被覆蓋度是目前利用較多的方法之一，其原理是對所測區(qū)域進行垂直照相，然后提取照片上的信息并計算植被百分比。一般是使用圖像處理軟件對照片進行解譯，計算植被像元數(shù)占總像元數(shù)的百分比。如Zhou等通過光譜紋理分類器自動提取草地植被覆蓋度(ZhouQ,RobsonM.Automatedrangelandvegetationcoveranddensityestimationusinggrounddigitalimagesandaspectral-contextualclassifier[J].RemoteSensing,2001,22(17):3457-3470)。Anatoly等使用數(shù)碼相機估算了美國內布拉斯加州的小麥覆蓋度(AnatolyA.Gitelson,YoramJ.Kaufman,RobertStark,DonRundquist.Novelalgorithmsforremoteestimationofvegetationfraction[J].RemoteSensingofEnvironment,2002,801:.)。Friedl等利用數(shù)碼相機提取美國干旱生態(tài)系統(tǒng)植被覆蓋度，研究表明利用數(shù)碼相機提取植被覆蓋度是有效并準確的(M.A.Friedl,J.Michaelsen,F.W.Davis,H.Walker,D.S.Schimel.Estimatinggrasslandbiomassandleafareaindexusinggroundandsatellitedata[J].InternationalJournalofRemoteSensing,1994,157:.)。照相法結合計算機處理，高效快速，提取精度高，可見利用數(shù)字照相技術提取植被覆蓋度的方法非常有前景和研究價值?；谡障喾ㄌ崛≈脖桓采w度的方法有很多，大致分為三類。第一類是直接利用數(shù)字照片顏色的特點，來提取植被覆蓋度，如張云霞等(張云霞,李曉兵,張云飛.基于數(shù)字相機、ASTER和MODIS影像綜合測量植被蓋度[J].植物生態(tài)學報,2007,05:842-849.)提出的RGB閾值法，對內蒙古地區(qū)草地開展了研究，并認為RGB閾值法與借助圖像處理軟件的目視解譯法精度相當。章超斌等(章超斌,李建龍,張穎,周偉,錢育蓉,楊峰.基于RGB模式的一種草地蓋度定量快速測定方法研究[J].草業(yè)學報,2013,04:220-226.)利用RGB決策樹法提取新疆阜康市的草原區(qū)植被覆蓋度，提取精度在95％以上。第二類是構建植被指數(shù)提取植被覆蓋度，由于數(shù)字照片只包含RGB三個波段的信息，常用于提取植被的歸一化植被指數(shù)、比值植被指數(shù)等需要近紅外波段參與計算的植被指數(shù)就不能提取數(shù)字照片的植被覆蓋度，所以有些學者利用只包含RGB波段信息的植被指數(shù)來提取植被覆蓋度。如胡建波等(胡健波,張璐,黃偉等.基于數(shù)碼照片的草地植被覆蓋度快速提取方法[J].草業(yè)科學,2011,09:1661-1665.)選取超綠特征作為植被指數(shù)，通過設定閾值提取草地覆蓋度，對于純綠色植物提取結果較好，但對綠色特征不明顯的植物，存在低估的現(xiàn)象。任杰等(任杰,柏延臣,王錦地.從數(shù)碼照片中快速提取植被覆蓋度的方法研究[J].遙感技術與應用,2010,05:719-724.)利用歸一化差異指數(shù)(NormalizedDifferenceIndex，NDI)對數(shù)字照片進行處理提取植被覆蓋度信息，結果表明利用NDI分類可以達到監(jiān)督分類的精度，并且快速高效。第三類是將數(shù)字照片轉換為其他顏色空間，通過不同的顏色空間的特點提取植被覆蓋度。最常用的顏色空間為HLS顏色空間，如李存軍等(李存軍,王紀華,劉良云等.基于數(shù)字照片特征的小麥覆蓋度自動提取研究[J].浙江大學學報(農(nóng)業(yè)與生命科學版),2004,06:64-70.)設定色調(H)值提取小麥覆蓋度，去除了影像中亮度和飽和度影響，大部分土壤都可被成功分類為非植被，但是紅色土壤對小麥分類還存在一定的干擾。邢白靈等(邢白靈,居為民,朱高龍等.呼倫貝爾草原植被覆蓋度地面實測與遙感估算研究[J].江西農(nóng)業(yè)學報,2012,05:142-147+163.)利用HLS色彩變換與RGB結合法提取草地被覆蓋度，提取精度較高，但少部分偏黃植物會被分類為非植被。還有利用HSV和Lab顏色空間提取植被覆蓋度，如Richardson等利用HSV顏色空間的色調(H)值得設定提取高爾夫球場的圓形草坪草，劉耀開等(YaokaiLiu,XihanMu,Haoxingetal.Anovelmethodforextractinggreenfractionalvegetationcoverfromdigitalimages[J].JVegSci,2012,233:.)利用Lab顏色空間的特點對數(shù)字照片進行分類，提取效果優(yōu)于監(jiān)督分類。以上這些分類方法中，利用RGB和HLS顏色空間的分類方法會有亮度因素干擾，而利用Lab顏色空間還可以分離亮度，減少亮度對分類的影響；Lab與利用HLS和HSV的色調(H)分量和RGB的分類方法相比，其色調色域寬闊，也彌補了RGB等其他模式的不足?，F(xiàn)有基于數(shù)字照片的植被覆蓋度研究主要針對水稻、玉米等農(nóng)作物和草地提取，對于苔蘚植物的提取至今還沒有相關的研究。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種基于Lab顏色空間算法的提取苔蘚覆蓋度的方法，該方法除可針對單一植被顏色進行提取外，尤其適用于具有多種顏色混雜的苔蘚植物的覆蓋度提取，方法簡單，且具有較高精度。本發(fā)明的基于Lab顏色空間算法的提取苔蘚覆蓋度的方法，所述提取方法包括以下步驟：(1)將獲取的苔蘚數(shù)字照片由RGB顏色空間轉換為Lab顏色空間；(2)對數(shù)字照片中的苔蘚植物進行顏色分析，利用Lab顏色空間的紅綠分量提取出苔蘚區(qū)域；(3)獲取苔蘚區(qū)域的像素數(shù)，并計算其與照片總像素數(shù)的比值，獲得苔蘚覆蓋度。上述技術方案中，所述的步驟(1)的方法為：先將RGB顏色空間轉為顏色三刺激值X、Y、Z，再根據(jù)CIE1976均勻顏色空間Lab的計算公式求得Lab顏色空間色度值。所述的步驟(2)具體為：僅選取Lab顏色空間中的紅綠色段a分量，設置欲剔除的灰度值閾值[T1，T2]，將a分量中[T1，T2]的像素點設置為0，a分量中其余像素點設置為1，獲得二值黑白圖像，提取出苔蘚區(qū)域。所述的二值黑白圖像中白色為苔蘚區(qū)域，黑色為非苔蘚區(qū)域，計算苔蘚區(qū)域像素數(shù)與照片總像素數(shù)的比值，獲得苔蘚覆蓋度。所述的灰度值閾值[T1，T2]設置時往往根據(jù)實際數(shù)字照片的色彩分布并結合經(jīng)驗，通常可以設置為[-1,1]。Lab顏色空間相比RGB顏色空間更大，且包含幾乎人類所有能感知到的顏色，通過分析數(shù)字照片的苔蘚植物的特點，苔蘚植物的顏色不單一，基于Lab顏色空間的分類方法與其他數(shù)字影像分類方法相比，利用Lab顏色空間能夠很好的去除植物本身顏色之外的其他顏色對分類的結果干擾和影響，即僅利用a分量，可以去除亮度(L)分量和藍黃色段(b分量)的干擾。本發(fā)明的有益效果是：本發(fā)明利用Lab顏色空間的顏色分量特點，即Lab中的a分量只包含紅綠兩個顏色分量，將其應用于苔蘚覆蓋度提取，恰巧可以彌補苔蘚由于生長期不同，綠色和紅色苔蘚會混雜在一起生長導致植物顏色不單一的缺陷，并同時避免其他顏色對分類的影響，能夠很好的提取苔蘚覆蓋度，有效提高苔蘚植物提取精度。本發(fā)明方法通過對數(shù)字照片進行RGB-Lab顏色空間變換處理，結合相應算法從數(shù)字照片中快速提取苔蘚覆蓋度，可有效減少人工操作從而減少工作量，提高效率；并且采用該方法提取覆蓋度信息的精度也普遍高于其他方法，不失為一種精確客觀的提取苔蘚覆蓋度的方法。附圖說明圖1為本發(fā)明方法的技術路線示意圖；圖2為本發(fā)明基于的分類方法與其他分類方法分類結果對比示意圖，照片苔蘚種類為小羽蘚(Bryohaplocladiumangustifolium)，2014年3月底采集于新疆天山地區(qū)，所有照片均使用NikonD90數(shù)碼相機在晴天無云狀態(tài)下拍攝。拍攝的數(shù)字照片以JPGE格式存儲。圖3為本發(fā)明與其他分類方法分類精度對比示意圖，利用誤差矩陣法對分類方法進行評價。具體實施方式下面結合附圖說對本發(fā)明作進一步描述圖1為本發(fā)明分類方法技術路線示意圖，通過分析苔蘚植物顏色特點，利用Lab顏色空間的紅綠分量(a*)提取數(shù)字照片中的苔蘚覆蓋度。首先將獲取的苔蘚數(shù)字照片的RGB顏色空間轉換為Lab顏色空間；其次，根據(jù)苔蘚在數(shù)字照片上的顏色特點，利用Lab顏色空間紅綠分量(a*)，設定灰度值閾值提取出苔蘚覆蓋度；最后，將已提取的苔蘚部分和非苔蘚(背景)部分轉換為二值并統(tǒng)計各類像素數(shù)，計算出苔蘚覆蓋度。數(shù)字照片有3個不同的顏色，每個顏色對應可見光中不同的光譜敏感波段，這三個波段分別為R(紅)G(綠)B(藍)，范圍是0～255，描述了在設備中生成顏色所需要的特定色料的數(shù)量。Lab顏色空間是國際照明委員會在1976制定的一種色彩模式。自然界中任何一種顏色都可以在Lab顏色空間中表達出來，它的顏色空間比RGB空間大。它不依賴于設備，且色域寬闊，彌補了RGB色彩模型色彩分布不均的缺點。Lab顏色空間是一個優(yōu)秀的亮度和彩色分離器，它在圖像壓縮方面很有用。Lab顏色空間描述的是顏色的顯示方式，其中，L(Lightness)代表亮度，值域為[0,100]，a、b為顏色分量，a分量顏色是綠色到紅色，正數(shù)代表紅色，負端代表綠色；b分量顏色是藍色到黃色，正數(shù)代表黃色，負端代表藍色。兩個顏色分量值域為[-120，+120]。由于分離了數(shù)字照片的亮度信息，可以減小不同亮度下拍攝的數(shù)字照片對苔蘚植被覆蓋度提取的影響，所以利用Lab顏色空間對苔蘚數(shù)字照片進行處理有很大優(yōu)勢。而將數(shù)字圖像從RGB顏色空間轉換到Lab顏色空間，需要先將RGB模式轉換到XYZ三刺激值，再由XYZ轉換到Lab顏色空間。具體轉換關系如下(具體可參考：王可,陸長德,樂萬德.色彩相似性度量的研究與應用[J].計算機應用研究,2005,10:168-170.)：顏色亮度方程：Y＝0.2963R+0.6192G+0.0845B(1)式中，R、G、B分別為紅、綠、藍三色的含量，取值范圍為0～100，根據(jù)CIE光譜三刺激公式：X=xyY;Y=Y;Z=zyY=1-x-yyY---(2)]]>RGB與XYZ的轉換矩陣為：XYZ=0.51640.27890.17920.29630.61920.08450.03390.14261.0166RGB---(3)]]>轉Lab顏色空間為：L=116(YY0)13-16---(4)]]>a=500[(XX0)13-(YY0)13]---(5)]]>b=200[(YY0)13-(ZZ0)13]---(6)]]>其中式(2)(3)(4)中，X0、Y0、Z0為標準光源D65的三刺激值，其值為X0＝95.045、Y0＝100、Z0＝108.255。將苔蘚數(shù)字照片的顏色空間轉換后，只利用紅綠分量(a)提取苔蘚覆蓋度，即對紅綠分量(a)設定閾值[T1，T2]，即可將數(shù)字照片中的苔蘚部分提取出來，根據(jù)Lab顏色空間紅綠分量(a)特點，設定T1、T2兩個閾值應避開中間值，根據(jù)對苔蘚影像的分析，避開[-1,1]的灰度區(qū)域，以去除灰白黑度干擾。則當像元滿足條件則為苔蘚區(qū)域，否則為非苔蘚(背景)區(qū)域，即agreenandared=1,if(a<T1Ua>T2);0,else.]]>利用上述公式，提取數(shù)字照片中的苔蘚覆蓋度和非苔蘚區(qū)域。通過統(tǒng)計各苔蘚和非苔蘚區(qū)域的像素個數(shù)，從而得出苔蘚覆蓋度，即苔蘚像素個數(shù)占照片總像素個數(shù)之比。圖2中列出本文分類方法和其他常用于遙感及生態(tài)學方法的分類結果對比，從分類結果效果來看，最大似然法和本研究分類方法效果較好，基于HLS顏色空間的自動分類法在對提取數(shù)字照片中的非綠色苔蘚部分誤差較大，而其他地物對ISODATA分類方法干擾較大，分類結果顯然不好。圖3中列出本發(fā)明與其他分類方法分類精度對比示意圖，從各方法分類精度比較來看，ISODATA法精度最低，分類的效果并不好，陰影部分誤分較多；最大似然法和本文分類法結果相近，精度較高；自動分類法的精度稍低，雖然自動分類法提取植被覆蓋度在理論精度上可達90％以上，但由于該方法是對純綠色植物進行分類，所以考慮到提取苔蘚不僅僅只提取綠色部分，所以提取苔蘚時精度并不高，存在低估的現(xiàn)象。所以，就本文分類結果來看，最大似然法和自動分類法提取結果較差，精度較低，最大似然法和Lab分類法精度較高。網(wǎng)格目估法僅從苔蘚覆蓋度數(shù)據(jù)比較，網(wǎng)格目估法會忽略面積較小的苔蘚，并且由于人的經(jīng)驗不同，從而存在較大誤差。當前第1頁1 2 3