基于无人机图像颜色指数的植被识别

丁雷龙， 李强子， 杜鑫， 田亦陈， 袁超

(1.中国地质大学(北京)地球科学与资源学院，北京　100083；

2.中国科学院遥感与数字地球研究所，北京　100101)



基于无人机图像颜色指数的植被识别

丁雷龙1,2， 李强子2， 杜鑫2， 田亦陈2， 袁超2

(1.中国地质大学(北京)地球科学与资源学院，北京100083；

2.中国科学院遥感与数字地球研究所，北京100101)

摘要：植被信息在农业监测、生态环境保护等方面具有重要作用。利用无人机(unmanned aerial vehicle，UAV)获取的高分辨率图像识别植被信息具有成本低廉、方式灵活等优势。目前UAV遥感使用的可见光图像主要依靠各种颜色指数提取植被。以山东省微山县为研究区，选用NGRDI，ExG，ExG-ExR和GLI等4种基于RGB色域的颜色指数，对覆盖研究区的UAV图像进行灰度化处理，用最大类间方差自动阈值检测方法将植被区域与非植被区域识别出来，并分析各种颜色指数的适用性及影响因素。研究结果表明： 4种颜色指数均能快速准确地识别植被覆盖区域，识别精度在90%以上。其中ExG-ExR指数优于其他指数，识别精度最高，识别效果较稳定； ExG与GLI指数的识别精度在研究区9景图像中变化不大，相对稳定，也可作为有效的植被识别方法。4种颜色指数对植被与背景的RGB特征差别较大图像的植被识别精度均较高。植被识别精度与研究区图像中冬小麦所占比例成正比，与阔叶林、建筑物/道路所占比例成反比。

关键词：无人机(UAV)； 植被识别； 颜色指数； RGB色域

0引言

植被是生态环境的重要组成部分，植被长势的好坏是反映生态环境质量的重要指标。传统的植被覆盖信息主要依靠地面调查获取，该方法识别精度高，但耗费人力物力较大，不利于较快捷地对植被进行识别。随着卫星与传统航空遥感技术的发展，利用遥感监测植被信息的方法已被广泛采纳，大大地改善了植被调查的效率和效果。但获取卫星与航空传感器的高空间分辨率图像需要较高的费用，且容易受到云层的影响，难以及时获取地面植被信息。随着无人机(unmanned aerial vehicle,UAV)的广泛使用，UAV搭载的传统数码相机或近红外传感器的高分辨率图像因成本低廉、获取方式灵活，已在城市调查、植被监测和水资源调查等领域被广泛应用[1]。

相对于卫星与航空遥感图像可以使用基于近红外波段与红波段的植被指数(如归一化植被指数(normalized difference vegetation index,NDVI))来指示绿色植物[2]，搭载传统数码相机的UAV获取的遥感图像往往由于缺少近红外波段的数据，在植被提取方面只能另辟蹊径，借助可见光的红光波段与绿光波段构建颜色指数来提取植被信息。目前使用传统数码相机图像建立的颜色指数主要包括过绿指数(excess green index,ExG)、过绿减过红指数(excess green minus excess red index,ExG-ExR)和归一化绿-红差值指数(normalized green-red difference index,NGRDI)等。Woebbecke等[3]在1995年测试了4种基于色度坐标(r,g,b)的颜色指数((r-g)，(g-r)，(g-b)/ |r-g|和ExG(2g-r-b))，发现ExG指数对于区分植被与土壤有较高的精度，因此ExG颜色指数在近些年的研究中已被广泛引用[4-6]。其他颜色指数对于区分植被与背景信息也有较好的效果，Meyer等[7]通过对比NGRDI，ExG和ExG-ExR(3g-2.4r-b)指数，发现基于0阈值的ExG-ExR指数分离植被与背景的精度较高，其精度优于基于最大类间方差(OTSU)自动阈值算法的NGRDI与ExG指数，并且对区分单株植被与不同背景图像的效果最好。Hunt等[8]使用航模飞机获取的图像计算NGRDI指数来估算作物的生物量。Louhaichi等[9]利用基于0阈值的绿叶指数(green leaf index,GLI)提取小麦信息，分析过度放牧对小麦的影响。Hunt等[10-11]还通过计算三角形绿度指数(triangular greenness index,TGI)计算叶片叶绿素含量； TGI指数引入了波长信息对指数进行修正，在高叶面积指数和高郁闭度的区域，TGI指数与叶绿素的相关性最好。Shimada等[12]通过计算禾本科丰度指数(poaceae abundance index，PAI)来区分禾本科草地与其他植被。但现有的研究多半集中于对单项颜色指数的应用，并且图像地物类型单一，前景与背景差别明显，没有讨论复杂地物类型图像的适用性。

本文选用NGRDI,ExG,ExG-ExR与GLI这4种颜色指数，以山东省微山县为研究区，通过对UAV图像中植被信息的提取，对比分析不同颜色指数识别植被的效果。具体研究内容包括： ①建立高分辨率UAV图像植被覆盖区快速提取算法； ②分析不同地物构成所适用的最佳颜色指数，为快速、精确地识别植被提供依据； ③分析影响植被信息识别精度的关键因素，为相关的科学应用、管理规划和决策分析提供有效的信息支持。

1研究区与数据源

1.1研究区概况

微山县位于山东省南部与江苏省交界地区，地理坐标为E116°34′～117°24′，N34°27′～35°20′，东依邹滕丘陵，西临苏北平原； 总地势北高南低，地面平均海拔36.56 m； 属于温带季风性气候，冬季寒冷干燥，夏季高温多雨。植被类型为温带落叶阔叶林，农业为典型的北方种植结构，主要种植冬小麦与玉米。冬小麦在10月播种，翌年5月份收获； 玉米在5月份播种，10月初收获。

1.2数据源选择

采用UAV搭载数码相机(Canon EOS 5D Mark II)获取的研究区图像，成像时间为2013年5月12日，空间分辨率为0.16 m。研究区主要植被类型为冬小麦，有少量阔叶林。为便于分析不同颜色指数的植被识别效果，选取9景地物组成多样、具有代表性的UAV图像。对其进行裁剪处理、去除无效区域后，图像大小为4 860像元×3 744像元(图1)。

图1　研究区UAV图像

在UAV图像中，植被呈绿色，其中冬小麦呈暗绿色，阔叶林的颜色较冬小麦鲜艳； 非植被区域与植被区域有较明显的差异，其地物的主要类型包括裸土地、建筑物和农业大棚等，其中裸土地主要呈棕色。建筑物因屋顶材质不同而不同，主要呈灰色或蓝色； 农业大棚因主要材质为塑料，在图像中呈亮灰色，反光明显。

9景UAV图像中的地物分布特征见表1。

表1　地物类型概况

由表1可知，图像(a)中冬小麦占大多数，有少量的阔叶林，建筑物顶部主要为灰色与蓝色； (b)(e)(f)中建筑物较多，其余为植被区域，其中(e)(f)有大量阔叶林； (c)(g)(h)中主要地物类型为冬小麦，(h)中裸土地较多； (i)中的地物主要为冬小麦与农业大棚，这2种地物在图像上差异明显。

为了检验不同颜色指数对植被信息提取的效果，本文对照实地验证数据，采用人工方法勾绘出植被覆盖的区域，并进行二值化处理。在处理结果图像上非植被区呈黑色(图2)。

图2　人工勾选植被区二值化验证用图像

由于无人机飞行高度较低，图像实际地面分辨率优于0.5 m，因此对照实地验证数据人工勾绘植被覆盖区的效果真实地反映了地面的实际植被分布情况。

2原理与方法

基于研究区的9景UAV图像，首先计算NGRDI，ExG，ExG-ExR和GLI颜色指数； 然后使用OTSU方法自动确定植被检测阈值，提取出植被信息； 最后对不同颜色指数的植被识别结果进行精度评估和效果分析。图3为本文技术路线。

图3　技术路线

2.1RGB色域

颜色是人类视觉感知的概念，人眼视网膜包含4%的蓝色、32%的绿色和64%的红色视锥细胞[13]。UAV搭载的数码相机类似于人类视觉系统，所拍摄到的图像颜色也基于RGB三原色成像原理。UAV图像在计算机中存储时，采取每一像元用24 bit表示的方法，红、绿、蓝三原色分别占8 bit(无符号整型)。用0～255定义颜色的深浅，(0, 0, 0)为黑色，(255, 255, 255)为白色，(255, 0, 0)为红色，(0, 255, 0)为绿色，(0, 0, 255)为蓝色。健康植被在RGB色域中呈绿色，红光、蓝光波段的DN值相对绿光波段DN值较小。绿色植被因叶绿素等植物生化组分和冠层结构等的差异而在红光、绿光、蓝光波段具有不同的反射率特征。

2.2颜色指数

2.2.1归一化绿-红差值指数(NGRDI)

NGRDI指数为使用绿光波段与红光波段之差做归一化比值的指数，旨在消除不同辐照度对植被光谱特征的影响[8]。其计算方法为

NGRDI=(G-R)/(G+R) ,

(1)

式中：G，R分别是绿光与红光波段的DN值；NGRDI的理论值在-1～1之间。

2.2.2过绿指数(ExG)

ExG指数在农田识别方面应用较多，用于自动分离作物与土壤[3]。其计算方法为

ExG=2g-r-b ,

(2)

式中：r，g，b分别为红、绿、蓝色度坐标(数值在0～1之间)，r+g+b=1。其中：

(3)

式中R*,G*,B*分别为归一化的红、绿、蓝波段DN值(数值在0～1之间)，即

(4)

式中Rmax，Gmax，Bmax分别为R，G，B分量的最大值，在24 bit存储方式中均为255。

2.2.3过绿减过红指数(ExG-ExR)

ExG-ExR作为一种改进的颜色指数，Meyer等通过将ExG指数图像与ExR指数图像相减，发现基于0阈值的ExG-ExR指数可以很好地将植被与背景分离[7]。其计算方法为

ExG-ExR=3g-2.4r-b ,

(5)

式中ExR(excess red index)为过红指数，即

ExR=1.4r-g 。

(6)

2.2.4绿叶指数(GLI)

GLI最早由Louhaichi等[9]提出，用于记录放牧对小麦的影响。GLI指数通过判断红光波段与蓝光波段DN值的平均值是否大于绿光波段DN值来生成灰度图像，并进行归一化处理，使结果图像的像元值在-1～1之间。通常情况下，负值代表土壤与非植被区域，正值区域则为植被。其计算方法为

GLI=(2G-R-B)/(2G+R+B) 。

(7)

2.3植被提取

通过建立不同颜色指数的阈值检测模型进行植被识别。经过颜色指数灰度化之后的图像直方图上表现出2个明显的波峰，分别代表绿色植被和背景。选取2个波峰之间的波谷处作为阈值，可以很好地从非植被背景中分离出植被目标。选取OTSU方法作为自动阈值确定方法，进行植被目标的识别与提取。OTSU[14]方法是一种自适应的阈值提取方法，它按照图像的灰度特性将图像分为前景与背景2部分，前景与背景间的类间方差越大，2部分之间的差别也就越大。OTSU方法能使类间方差达到最大的阈值即为最佳阈值。

定义图像I(x,y)，阈值为T； 前景像元点占整景图像的比例为W0，平均灰度为μ0； 背景像元点占整景图像的比例为W1，平均灰度为μ1； 图像总平均灰度μ，类间方差为σ； 图像大小M像元×N像元，灰度小于T的像元个数为N0； 灰度大于T的像元个数为N1。则有

(8)

(9)

N0+N1=MN ，

(10)

W0+W1=1 ，

(11)

μ=W0μ0+W1μ1,

(12)

σ=W0(μ0-μ)2+W1(μ1-μ)2。

(13)

求得使σ最大的阈值T即为最佳阈值。

2.4精度验证

本文的植被识别结果通过与经过实地验证、反映实际植被覆盖情况的人工提取结果进行对比检验获得。通过确定植被正确识别、植被错分为非植被和非植被错分为植被的区域，统计植被正确识别的精度。为了考察地面目标结构对植被识别精度的影响，本文分区域进行精度评价，查找精度最高与最低的分块区域； 通过分析该区域中的地物组成类型，确定影响各颜色指数识别精度的主导地物类型及组合。

3结果与讨论

3.1不同颜色指数计算结果

通过计算得到NGRDI，ExG，ExG-ExR与GLI这4种颜色指数的灰度化图像。以图1(a)为样例，4种颜色指数的灰度化图像对不同的地面目标具有不同的反映，对植被的识别效果也不同(图4)。其灰度直方图见图5。

(a) NGRDI(b) ExG (c) ExG-ExR (d) GLI

图44种颜色指数灰度化图像

Fig.4Grayscale images of 4 color indices

(a) NGRDI(b) ExG (c) ExG-ExR(d) GLI

图54种颜色指数灰度直方图

Fig.5Grayscale histograms of 4 color indices

图4(a)中，蓝色屋顶的建筑物NGRDI灰度值最高，呈白色； 灰色建筑物、道路与裸土地的灰度值较低，呈黑色； 植被的灰度值介于两者之间。在图5(a)中表现为2个波峰，分别为植被与其他地物，2个波峰之间没有明显的界限。以2个波峰之间的波谷作为阈值点，蓝顶建筑物会被错分为植被，表明该指数并不适于区分植被。

图4(b)中，灰顶建筑与裸土地ExG灰度值较低，呈黑色； 蓝顶建筑物与植被灰度相近。在图5(b)中表现为2个明显的波峰，分别为植被与其他地物，波峰之间界限清楚。

图4(c)中，蓝色屋顶的建筑物ExG-ExR灰度值最高，呈白色； 灰色建筑物、道路与裸土地的灰度值较低，呈黑色。由图5(c)分析发现，ExG-ExR灰度图像整体像元灰度值偏大，波峰之间界限较明显。

图4(d)中，灰色建筑物与裸土地GLI灰度值较低，呈黑色； 蓝顶建筑物灰度值在0值附近摆动。在图5(d)中表现为2个明显的波峰，分别为植被与其他地物，波峰之间界限清楚。以2个波峰之间的波谷作为阈值点，ExG,ExG-ExR和GLI都可以较好地将植被与其他地物分开。

表2和表3给出了4种颜色指数在灰度化图像中不同地物类型的灰度特征，从中可以发现冬小麦和阔叶林的颜色指数灰度区间与其他地物类型具有明显的差异。

表2　灰度化图像地物灰度区间

表3　灰度化图像直方图统计特征

3.2结果与精度分析

利用4种颜色指数的灰度图像，结合地面调查信息，采用OTSU阈值方法提取了研究区的植被信息。图6为不同颜色指数植被识别后的二值化图像。

(a) NGRDI(b) ExG(c) ExG-ExR

(d) GLI(e) 验证图像 (f) 原始图像

图6OTSU阈值二值化图像对比

Fig.6Comparison of binary images of different indices by OTSU threshold method

分析图6可以发现，ExG和GLI指数的植被识别结果与按地面实况人工勾选的验证图像最接近，而NGRDI和ExG-ExR指数的植被识别结果均与验证图像存在较大偏差。在原始图像(图1(a))中城镇下方为冬小麦种植区域，而NGRDI指数的植被识别结果有较多区域被错分为背景。表4为4种颜色指数对9景图像(图1(a)—(i))的植被识别效果评估。

表4　4种颜色指数提取效果评估

①-1为其他地物错分为植被； ② 0为植被正确提取； ③ 1为植被错分为其他地物。

从表4可以看出，4种指数中，ExG-ExR指数识别精度最高，平均达91%，整体精度也较稳定。其他指数识别精度也较高，而且ExG和GLI指数标准差较小，整体的识别精度稳定，提取结果的偏差也不大。从精度与稳定性综合考虑，ExG-ExR指数最值得推荐用于UAV图像植被信息提取； ExG和GLI指数也可有效进行植被识别。

3.3精度影响因素分析

为检验不同地物类型对植被识别精度的影响，对UAV图像(图1(a))进行(3×3)区域划分，每个网格大小为1 620像元×1 248像元； 对每个网格进行植被比例的单独统计，统计不同格网内冬小麦、阔叶林和建筑物/道路所占的比例及植被识别精度，以对比分析不同地类对植被识别精度的影响。

图像中冬小麦所占比例与植被识别精度呈正比关系。当其比例超过80%时，4种颜色指数的植被识别精度都达到了90%以上。其中ExG和GLI与冬小麦比例的对应关系最好(图7)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

图7冬小麦比例对植被识别精度的影响

Fig.7Influence of winter wheat proportion on extraction accuracy

阔叶林所占比例在一定程度上会降低各颜色指数植被识别精度。当其比例超过25%时，植被识别精度不足90%。其中NGRDI指数植被识别精度与阔叶林比例的关系最不显著(图8)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

图8阔叶林比例对植被识别精度的影响

Fig.8Influence of broad-leaved forest proportion on extraction accuracy

建筑物/道路所占的比例与植被识别精度呈反比关系。当其比例低于25%时，植被识别精度均达到90%以上。ExG-ExR指数的植被识别精度与建筑物/道路比例的相关性最大(图9)。

(a) NGRDI(b) ExG(c) ExG-ExR(d) GLI

图9建筑物/道路比例对植被识别精度的影响

Fig.9Influence of building and road proportion on extraction accuracy

阔叶林与建筑物较多的区域植被识别精度最低，其原因在于高大树木与建筑物会产生阴影，而阴影的RGB光谱特征与暗绿色的冬小麦很接近，容易将阴影错分为植被。但图像中裸土地所占比例对4种颜色指数的植被识别精度无明显的影响。

综合分析4种指数在各图像中出现的植被识别精度骤减的区块(图1，表5)可以看出，对于4种颜色指数，图1(a)第5块区域的植被识别精度均较低，其中建筑物/道路所占比例为30%，主要为蓝顶建筑物。蓝顶建筑物各颜色指数普遍大于直方图波谷处的值，因此大于OTSU自动计算得到的阈值，导致蓝顶建筑物容易被错分为植被。图1(b)第8块区域地物类型多样，其精度同样受到建筑物屋顶颜色的影响。图1(c)第8块区域、图1(d)第7块区域，图1(e)第3块区域和图1(f)的第7,8,9块区域影像内阴影较多，阴影被错分为植被，造成植被识别精度降低。在图1(g)与图1(h)精度出现骤减的区域中，部分裸地被错分为了植被区域。图1(i)中农业大棚较多，随着大棚所占比例的增加，植被识别精度下降。

表5　4种颜色指数精度骤减区域①

①表中数字为植被识别精度出现骤减的区域编号。

4种颜色指数对植被与背景差别较大区域的植被识别精度最高。对于NGRDI指数，建筑物较多区域的植被识别精度最低。虽然NGRDI指数对植被的整体识别精度较低，但阔叶林比例增大对NGRDI指数影响不大，在阔叶林较多的区域，可以考虑使用NGRDI指数辅助其他3种颜色指数对植被进行识别。

4结论

本文选用NGRDI,ExG,ExG-ExR和GLI等4种颜色指数，建立UAV图像灰度化图像； 利用OTSU自动阈值方法提取植被信息，植被识别平均精度均达到90%以上。得出结论如下：

1)ExG-ExR指数的总体植被识别精度最高，精度较稳定，优于其他算法。ExG与GLI指数能以较高的精度分离植被与背景区域，同时植被识别精度稳定，计算方法简单，可以作为一种有效的UAV图像植被信息提取方法。NGRDI指数也能以较高的精度提取植被信息，但与其他算法相比波动较大。

2)4种颜色指数对蓝顶建筑的识别精度均较差。蓝顶建筑的颜色指数特征与植被差异较小，容易被错分为植被。对于农业大棚较多的区域，4种指数识别精度均有明显的降低，原因是大棚顶棚有一定的透过率，大棚内绿色植被会对大棚的图像特征产生影响。

3)4种指数对植被和背景特征反差较大的图像植被识别精度均较高。4种颜色指数的植被识别精度与冬小麦所占比例成正比，与阔叶林、建筑物/道路所占比例成反比。

在后续的研究中，将集中关注不同光照环境对颜色指数的影响、颜色指数改进、光照影响去除和颜色指数定量分析等方面，并考虑引入纹理等特征，实现农田与树木的分离，去除蓝顶建筑与阴影的影响。

参考文献(References)：

[1]Torres-Sánchez J,Pea-Barragán J M,Gómez-Candón D,et al.Imagery from Unmanned Aerial Vehicles for Early Site Specific Weed Management[M]//Precision Agriculture.The Netherlands:Wageningen Academic Publishers,2013:193-199.

[2]Motohka T,Nasahara K N,Oguma H,et al.Applicability of green-red vegetation index for remote sensing of vegetation phenology[J].Remote Sensing,2010,2(10):2369-2387.

[3]Woebbecke D M,Meyer G E,Bargen K V,et al.Color indices for weed identification under various soil,residue, and lighting conditions[J].Transactions of the ASABE,1995,38(1):259-269.

[4]迟德霞,张伟,王洋.基于EXG因子的水稻秧苗图像分割[J].安徽农业科学,2012,40(36):17902-17903.

Chi D X,Zhang W,Wang Y.Segmentation of rice seedling image based on EXG factor[J].Journal of Anhui Agricultural Sciences,2012,40(36):17902-17903.

[5]胡健波,张璐,黄伟,等.基于数码照片的草地植被覆盖度快速提取方法[J].草业科学,2011,28(9):1661-1665.

Hu J B,Zhang L,Huang W,et al.Quickly determining grassland cover using the digital image[J].Pratacultural Science,2011,28(9):1661-1665.

[6]龙满生,何东健.玉米苗期杂草的计算机识别技术研究[J].农业工程学报,2007,23(7):139-144.

Long M S,He D J.Weed identification from corn seedling based on computer vision[J].Transactions of the CSAE,2007,23(7):139-144.

[7]Meyer G E,Neto J C.Verification of color vegetation indices for automated crop imaging applications[J].Computers and Electronics in Agriculture,2008,63(2):282-293.

[8]Hunt E R Jr,Cavigelli M,Daughtry C S T,et al.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J].Precision Agriculture,2005,6(4):359-378.

[9]Louhaichi M,Borman M M,Johnson D E.Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J].Geocarto International,2001,16(1):65-70.

[10]Hunt E R Jr,Daughtry C S T,Eitel J U H,et al.Remote sensing leaf chlorophyll content using a visible band index[J].Agronomy Journal,2001,103(4):1090-1099.

[11]Hunt E R Jr,Doraiswamy P C,McMurtrey J E,et al.A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J].International Journal of Applied Earth Observation and Geoinformation,2013,21:103-112.

[12]Shimada S,Matsumoto J,Sekiyama A,et al.A new spectral index to detect Poaceae grass abundance in Mongolian grasslands[J].Advances in Space Research,2012,50(9):1266-1273.

[13]Meyer G E,Neto J C,Jones D D,et al.Intensified fuzzy clusters for classifying plant,soil,and residue regions of interest from color images[J].Computers and Electronics in Agriculture,2004,42(3):161-180.

[14]Gonzalez R C,Woods R E. Digital Image Processing[M].3rd ed.Beijing:Publishing House of Electronics Industry,2010:479-483.

(责任编辑： 李瑜)

Vegetation extraction method based on color indices from UAV images

DING Leilong1, 2， LI Qiangzi2， DU Xin2， TIAN Yichen2， YUAN Chao2

(1.SchooloftheEarthSciencesandResonrces,ChinaUniversityofGeosciences(Beijing)，Beijing100083，China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences，Beijing100101，China)

Abstract:Vegetation extraction plays a key role in such aspects as agricultural monitoring, ecological and environmental function evaluation. Traditionally, it is a labor input task before remotely sensed images are involved. Yet it is difficult to deal with conditions when clouds exist. Therefore, scenes become hopeful when unmanned aerial vehicle(UAV) images emerge in vegetation extraction, and hence this means is a low-cost and flexible way with high spatial resolution. High efficiency methods are therefore required to extract vegetation area automatically using UAV images, preferentially with various color indices always involved. The problem is that there is no evaluation of the effects of vegetation extraction with different color indices. In this paper, Weishan County of Shandong Province was chosen as the study area and four color vegetation indices comprising normalized green-red difference (NGRDI), excess green (ExG), excess green minus excess red (ExG-ExR) and green leaf index (GLI) were selected to extract vegetation information from UAV images with OTSU threshold values. The results show that all the color indices are capable of extracting vegetation area with accuracies above 90%. ExG-ExR index could more likely generate higher accurate results than other indices. ExG and GLI indices generate relatively high accurate and stable results, and could also be used for effective vegetation extraction. For images with high RGB value contrast between vegetation and background, all the color indices work especially well. Further analysis has revealed that accuracies of vegetation extraction have positive relationship with the proportion of winter wheat in images, and exhibit negative relationship with the proportion of broadleaf trees, buildings and roads.

Keywords:unmanned aerial vehicle(UAV)； vegetation extraction； color index； RGB color space

通信作者：李强子(1970-),男,博士,研究员,主要从事农业遥感应用方面研究。Email： liqz@radi.ac.cn。

作者简介：第一 丁雷龙(1988-),男, 硕士研究生,主要研究方向为农业遥感与生态环境遥感。Email： dingleilong@163.com。

中图法分类号：TP 751.1

文献标志码：A

文章编号：1001-070X(2016)01-0078-09

收稿日期：2014-08-27；

修订日期：2014-10-29

doi:10.6046/gtzyyg.2016.01.12

引用格式： 丁雷龙,李强子,杜鑫,等.基于无人机图像颜色指数的植被识别[J].国土资源遥感,2016,28(1)：78-86.(Ding L L,Li Q Z,Du X,et al.Vegetation extraction method based on color indices from UAV images[J].Remote Sensing for Land and Resources,2016,28(1)：78-86.)