基于多/高光谱影像的农作物叶片像素自动提取方法

为了探明作物叶片像素提取的内在机理,设计适用于高光谱和多光谱影像的自动叶片提取方法,以实测高光谱和模拟多光谱影像为基础,通过特征转换、图像分割、边缘检测、基于梯度的断点连接4个步骤,最终实现了作物叶片的快速、准确、自动化提取.结果表明,EVI对作物叶片增强效果最好,NDVI次之,基于红边的植被指数效果最差.在叶片提取过程中,本方法所涉及的5个精度评价指标平均值均在0.94以上,分布于0.947 8～0.9896,叶片提取精度极高.该方法相较于大津法(OTSU)、标记分水岭(Marker-watershed)等经典方法具有明显的优势,其提取精度分别提高了 29％～98％,与全卷积神经网络(FCN)或随机森林(RF)基本相当.通过运用特征转化,局部自适应阈值分割和边缘检测相结合,可以实现基于高光谱、多光谱影像的叶片像素快速、准确、自动化提取;该方法可避免繁琐的样本标记,且对高光谱和多光谱影像的空间分辨率及尺寸要求较低,其提取结果可直接作为深度学习的标记样本或叶片尺度的表型参数反演的基础数据,具有推广价值.