矿产资源过度开采致使矿区及其周边区域生态环境严重恶化，对人类生产生活造成不良影响，因此我国加大了对矿山生态环境建设的投入力度。植被恢复与重建是矿区生态修复工作中不可或缺的一部分。

植被覆盖度(fractional vegetation cover，FVC)是指包括乔、灌、草和农作物在内的所有植被的冠层、枝叶在生长区域地面的垂直投影面积占研究统计区域总面积的百分比^[1-3]。植被覆盖度是衡量地表植被生长状况的一个最重要的指标，是对生态系统进行描述的重要基础数据^[4-6]，对评价废弃矿山绿化修复效益具有重要意义。

目前，常用的植被覆盖度监测方法有：目测估算法、植被指数法、仪器监测法^[7-10]。目测估算法是采用肉眼并凭借经验直接判别或利用相片、网格等参照物来估计植被覆盖度，根据判别参照方式又分为直接目估法、相片目估法、网格目估法等^[1]。该方法虽简单易行，但受测量人主观感受和经验影响较大，估算精度较低，不利于进行植被覆盖度变化分析。植被指数法是指通过对遥感影像不同地物光谱信号的分析，选取与植被覆盖度有良好相关性的植被指数，再通过植被指数换算出植被覆盖度^[10]植被指数法计算植被覆盖度精度和效率都比传统目估法有了显著提升；但航空传感器极易受云雾天气等外界因素的干扰，加之遥感光谱信号受植被生长环境的影响，这些因素都会对植被覆盖度提取精度造成影响。仪器监测法通常是利用数码相机捕捉光通过植被冠层的情况，据此计算植被覆盖度^[10-11]。该方法测量结果精度较高且简单易行，但传统的数码相机拍摄范围有限，耗时较长，无法达到快速识别植被的要求。

随着无人机技术在农林业、测绘行业的大规模应用，无人机以其灵活、高效、经济、作业周期短和获取影像分辨率高的特点，弥补了遥感卫星运行周期长、费用高，受天气等外界因素影响大和传统的数码相机拍摄范围有限、耗时较长的缺点。尤其是在地理条件不适合开展人为调查的高危地区，无人机有着很强的应用价值，这无疑为废弃矿山生态修复效果评价工作中高精度、高效率进行植被覆盖度提取提供了新途径^[12]。

利用无人机航拍图像开展植被覆盖度提取的现有研究中：冯海英等^[13]通过无人机高光谱数据建立FCV模型求取植被覆盖度，提取精度高于NDVI模型，但该方法所用无人机需搭载高光谱地物光谱仪才能获取高光谱数据，提取成本较高，不利于大范围推广应用；谢兵等^[14]通过建立红绿蓝比值植被指数与植被覆盖度之间的模型，对小型无人机可见光航片进行分析，并得出红绿蓝比值植被指数能提高植被覆盖度估算精度的结论；汪小钦等^[15]借鉴归一化植被指数NDVI的构造原理及形式，提出了利用红绿蓝三波段构建的可见光波段差异植被指数VDVI，对可见光波段无人机航拍影像的绿色植被提取精度可达90%以上，以上2种方法都是通过红绿蓝不同波段比值构建植被指数估算植被覆盖度，操作上简便易行，但红绿蓝三波段数值受光照影响很大，所以不能保证不同光照条件下均能达到较高的提取精度。针对上述问题，笔者以北京周边已进行生态修复的废弃矿区为例，结合HSV(hue, saturation, value)颜色空间3个分量彼此无关且不受光照强度影响的特性^[16]，提出了一种基于HSV颜色空间的绿色植被分割方法，将无人机可见光图像从RGB颜色空间转换到HSV颜色空间^[17-18]，进一步通过设定H值范围进行阈值分割提取绿色植被，以期为测量矿区植被覆盖度提供一种新思路。

1 研究区概况与数据获取

北京市房山区西苑四队煤矿治理区位于房山区西北部深山区，E 115°44′48″，N 39°52′00″，属太行山余脉，半干旱大陆性季风气候，全年平均气温10.8 ℃，全年平均风速为1.8 m/s, 年平均降水量645.2 mm; 海拔1 120 m，地形地貌复杂，山势陡峻，西高东低。北京市房山区西苑四队煤矿属小型露天煤矿开采区，地表破坏严重，植被覆盖度低。2016年北京市废弃矿山生态环境修复治理项目对煤矿开采区进行了土地整治、客土回填及绿化栽植，面积为3.42 hm²。2018年7月，为监测其生态修复效益，对煤矿治理区进行实地调查和无人机低空航测。

目前，民用无人机的主要类型为固定翼无人机、单旋翼无人机及多旋翼无人机等^[20]。其中，固定翼无人机的巡航速度最快、效率最高，但需要开阔场地进行滑行起降，因此不适用于在地势陡峭、地形复杂的矿区进行航测。单旋翼无人机具有垂直起降、续航时间长、巡航速度慢的优点，但价格昂贵、操作复杂。与上述2种无人机相比，多旋翼无人机起降方便、操作简单、性价比高，因此它更适合获取废弃矿山的高时空分辨率、多尺度的遥感图像^[19]。

本研究采用多旋翼无人机大疆Phantom 4Pro，搭载有效像素为2 000万的小型4K相机，镜头FOV为94°20 mm(35 mm等效)f/2.8；内置GPS定位系统，悬停精度为：垂直±0.1 m(视觉定位正常工作时)，±0.5 m(GPS定位正常工作时)；水平±0.3 m(视觉定位正常工作时)；±1.5 m(GPS定位正常工作时)。

依据《低空数字航空摄影测量外业规范》，结合研究区地质地貌特征，应用Altizure软件进行航线规划，并对航拍高度、航向重叠度、旁向重叠度等参数进行设置，确保无人机遥感图像的质量和精度。本研究进行的无人机航测时间多选择在晴朗无风、云量较少的天气开展，拍摄高度为120 m，航向重叠度为80%，旁向重叠度为60%。

剔除起飞和降落阶段航拍影像后，利用PhotoScan软件进行无人机采集图像的拼接校正处理, 生成矿区正射影像。该软件本研究拍摄的影像不受大气变化的影响，能够正确反映研究区实际情况，拼接生成的无人机航拍影像具有红、绿、蓝3个光谱波段，空间分辨率为0.012 m^[20-21]。

2 数据处理 2.1 基于HSV颜色空间的植被信息提取方法 2.1.1 颜色空间的选取

RGB颜色空间是最常见的颜色表示方法，但由于该方法对颜色间距的定义不符合人眼视觉特点，同一种颜色的R、G、B这3个分量彼此高度相关，难以用单个分量将图像中的绿色植被分割出来。HSV颜色空间由色调(hue)、饱和度(saturation)和亮度(value)3个分量组成, 如图 1所示，HSV颜色空间是建立于圆柱坐标系上的锥形子集，各分量分布均匀，且与光强度没有直接关系。植被覆盖度的提取，从原理上就是利用图像中植被和非植被像元在颜色空间中分布的差异性进行阈值分割；因此，如果将一幅遥感图像由RGB颜色空间转换为HSV颜色空间，则可以实现直接定义绿色植被的H(色调)值范围^[22]。

RGB空间里的一点(R，G，B)转化为HSV空间的颜色量化和编码方法^[23]为：

$ H_{1}=\cos^{-1} ( \frac{{0.5(R-G+(R-B))}}{{\sqrt{ (R-G)^{2}+(R-B) }}}) ；$

(1)

$ H= \left\{ \begin{array}{l} H_{1}，& {\rm if} \; B≤G；\\ 360°-H_{1}，& {\rm if}\; B＞G；\end{array} \right. $

(2)

$ S= \frac{{\max(R, G, B)-\min(R, G, B)}}{{\max(R, G, B)}} ；$

(3)

$ V= \frac{{\max(R, G, B) }}{{255}} 。$

(4)

式中：H₁为转化中间变量；R为RGB空间上某一点对应R轴的坐标；G为RGB空间上某一点对应G轴的坐标；B为RGB空间上某一点对应B轴的坐标；H为HSV空间上某一点对应H轴的坐标；S为HSV空间上某一点对应S轴的坐标；V为HSV空间上某一点对应V轴的坐标。

若计算出的H为负值，则换算H=H +360°，因此色调信息H的范围为0°~360°。V和S的范围分别为0~1。转换后的H，S和V的3个分量是一维矢量分布，并且光照强度对图像不再有影响。

2.1.2 分割阈值的确定方法

理论上，不同颜色地物像元在H通道上的分布均可通过高斯分布表征，高斯分布定义为：若随机变量X服从高斯分布，则可通过参数μ和σ²来表征其概率密度，表达式为

$ f(x)= \frac{{ 1}}{{\sqrt{2\mathsf{π} }σ}} {\rm e}^{- \frac{{ (x-μ)^2}}{{ 2σ^{2}}}} ，-∞＜x＜∞。$

(5)

式中：x为任意值；μ为服从高斯分布的随机变量的均值；σ²为此随机变量的方差。

因此，包含不同颜色地物的图像将呈现多个正态分布。可通过多阶高斯模型来表征该图像在H通道的分布情况。多阶高斯曲线函数表达式为

$ f(x)= \sum\limits^n_{i=1} a_{i}{\rm e}^{- (\frac{{ x-μ_{i}}}{{σ_{i}}} )^2}。$

(6)

式中：x为某地物像元的H值；n为不同颜色地物的个数；a_i为第i个高斯曲线的拟合系数；μ_i为第i个高斯曲线的均值；σ_i为第i个高斯曲线的标准差。所以，第i个曲线代表的地物的H值的分布范围为相邻2个高斯曲线的置信区间交叠部分中值^[24]，即

$ \begin{array}{c} x_{i}∈ \left( { \frac{{(μ_{i-1}+σ_{i-1})+(μ_{i}+σ_{i})}}{{2}}，} \right. \\ \left. {\frac{{(μ_{i}+σ_{i})+(μ_{i-1}-σ_{i-1})}}{{2}} } \right)。\end{array} $

(7)

式中：x_i为第i个曲线代表的地物的H值；μ_i-1为第i-1个高斯曲线的均值；σ_i-1为第i-1个高斯曲线的标准差；μ_i为第i个高斯曲线的均值；σ_i为第i个高斯曲线的标准差。

对于该研究区，地物类型仅绿色植被、土壤及道路，道路面积较小且呈现灰色，可通过限定饱和度S>0.2将其与植被、土壤分割开。大部分为仅有绿色植被像元和土壤像元的图像，根据HSV锥形模型所示，呈现黄棕色的土壤像元在H通道上的分布拟合是多阶高斯曲线的第1个高斯曲线，绿色植被像元在H通道上的分布拟合是多阶高斯曲线的第2个高斯曲线，所以绿色植被像元在H通道上的分布范围是(n，360)，仅需要确定阈值n，而分类阈值n可以通过下式计算：

$ n= \frac{{(μ_{1}+σ_{1})+(μ_{2}+σ_{2})}}{{ 2 }}。$

(8)

式中：n为土壤像元和绿色植被像元在H通道上的分类阈值；μ₁为土壤像元分布拟合高斯曲线的均值；σ₁为土壤像元分布拟合高斯曲线的标准差；μ₂为植被像元分布拟合高斯曲线的均值；σ₂为植被像元分布拟合高斯曲线的标准差。为了量化H通道上植被像元和非植被像元的高斯分布差异，定义公式^[25]为：

$ D= \frac{{|μ_{1}-μ_{2}|}}{{ σ_{1}+σ_{2}}} 。$

(9)

式中D为2类高斯分布的可分离性。D值越大，则说明2个高斯分布重叠部分越少，即2类像元分布距离越远，可分离性越强。

2.1.3 基于阈值的图像分割与区域合并

图像分割是指将图像中表征意义不同的区域分开，且这些区域彼此互无交集，且该区域内的像元均满足灰度、纹理、颜色等特征的某种相似性准则^[26]。

在HSV颜色空间内进行绿色植被图像的分割。通过设定绿色区间的H(色调)阈值，以提取彩色图像中的绿色像元来实现分割。

为了对提取出的绿色像元进行归一化处理，首先将阈值分割图像转化为二值图，即整个图像分割出的绿色植被像元显示为白色，其余像元均显示为黑色的分割效果。对得到的二值图进一步去噪处理后，由于二值图存在边界模糊，带有毛刺的现象，为了使图像平滑清晰，对二值图进行先膨胀后腐蚀的闭运算^[27]。最后得出植被分割结果。基于植被分割结果计算植被覆盖度，提取出的绿色植被像元总数与含土壤背景的试验区域总像元个数的比值为植被覆盖度，计算式^[28]为

$ {\rm FVC}= \frac{{\rm PVC}}{{\rm TP}} ×100\%。$

(10)

式中：FVC为植被覆盖度，%；PVC为提取的绿色植被像元总数；TP为含土壤背景的试验区域像元总数。

2.2 提取精度评价方法

目前，植被覆盖度实测常采用两种方法：目估法、数码照相法。如前所述，目估法测量植被覆盖度受人为影响很大，所以不宜作为植被覆盖度真实值。实地照相法受人力、物力条件的限制，不适合对面积较大的研究区进行提取精度评价。近年来，随着遥感及机器学习技术的发展，将监督分类结果作为植被覆盖度真实值，对植被覆盖度提取精度评价取得了很好的效果^[29]。已知在监督分类过程中，训练样本的分辨率与分类精度呈正相关关系，本文所用无人机航拍影像分辨率为0.012 m，可以准确提取植被样本和非植被样本。

因此，笔者拟采用结合野外实地调查结果，应用ENVI软件进行支持向量机的监督分类方法计算植被覆盖度真实值，提取误差计算公式为

$ e= \frac{{|F_{\rm sup}-F|}}{{ F_{\rm sup}}} ×100\%。$

(11)

式中：e为植被覆盖度提取相对误差，%；F_sup为监督分类法获取的植被覆盖度；F为HSV色彩空间阈值分割法获取的植被覆盖度。根据上述原理，笔者研究了基于可见光谱无人机遥感技术与HSV颜色空间分割阈值法进行废弃矿区植被覆盖度的提取方法，提取流程如图 2所示：

3 结果与分析 3.1 高斯模拟及阈值确定

笔者采用Matlab R2017a编程平台在Windows 10操作系统上进行试验，为了研究植被像元和土壤像元在HSV颜色空间中的H通道分布是否显著不同。本研究在同一单幅无人机遥感图像Q1.jpg(像素个数为3 648×5 742，代表面积为0.287 5 hm²)中截取了仅包含绿色植被的图像、仅包含土壤的图像和植被土壤混合图像，如图 3所示，分别对像元在H通道上的分布进行分析。对图 3(a)和3(b)的散点图进行高斯分布拟合，可得图 3(a)中的植被像元分布符合均值为82.99、标准差为3.39的高斯分布(R²=0.993 4)，图 3(b)中的土壤像元分布符合均值为26.97、标准差为1.61的高斯分布(R²=0.996 7)。对图 3(c)中的植被像元和非植被像元进行多峰高斯拟合，得到植被均值为96.14、标准差为16.00，植被阴影均值为147.68、标准差为3.06，和土壤均值为27.74、标准差为9.41的3个高斯分布的综合。

从试验图像不同区域中裁剪出12幅大小为250×250像素的仅包含绿色植被像元和土壤像元的图像，将裁剪出的12幅影像通过高斯分布拟合求解植被像元与非植被像元的动态分类阈值，结果如表 1所示，动态分类阈值n的范围是(36.1，55.1)，平均值为47.1。

分别以通过高斯分布拟合求得的动态分类阈值n以及平均值47.1作为固定分类阈值对12幅图像进行阈值分割，进一步对提取结果进行精度检验，得出二者平均提取误差分别为0.038 4和0.037 2，说明动态分类阈值n和固定分类阈值都取得了较好的提取效果，且固定阈值分割法略优于动态阈值分割，故本实验采用固定分类阈值47.1对影像进行植被分割。

3.2 植被覆盖度提取精度评价与分析

由于研究采集的无人机遥感图像具有厘米级空间分辨率，研究区影像数据量巨大，所以仍选取地物类型丰富且具有较强代表性的单幅无人机航拍影像Q1.jpg开展方法研究，运行上述步骤如图 4所示，得到Q1图像区域植被覆盖度为72.1%。

3.2.1 绿色植被与非植被像元在HSV颜色空间的可分离性

由前面分析可知，影响植被覆盖度提取精度的关键因素是植被像元和非植被像元在H通道分布是否存在显著差异。从试验图像中裁剪出12幅仅有绿色植被像元和土壤像元的图像，根据式(9)计算两类像元在H通道上高斯分布的可分离性D，结果如表 2所示，12幅无人机航拍图像的D值平均为8.50，这意味着植被与非植被像元在H通道上的分布重叠度极小，因此，基于HSV颜色空间的可见光无人机航拍影像提取能实现较好的提取精度。

3.2.2 植被覆盖度提取精度评价

结合野外实地调查结果，应用ENVI软件，以影像Q1.jpg为例，根据野外调查结果在图像上选定了50个植被区域及50个非植被区域进行支持向量机的监督分类。分类完成后应用混淆矩阵法对监督分类结果进行精度验证，混淆矩阵法是通过将每个实测像元的所在位置和类别与分类图像中的相应位置和分类结果进行比较计算，从而判断图像分类精度。Q1图像经混淆矩阵法判读后，总体分类精度达到99.84%，kappa系数为0.99，详细精度验证结果如表 3所示。

由此可见，将无人机航拍影像监督分类结果作为真实值对HSV色彩空间阈值法提取的植被覆盖度进行精度验证是可行的。

监督分类法计算出的Q1区域植被覆盖度为75.97%，则提取误差为2.559 4%。为了验证该阈值分割法提取植被是否适用于其他区域，另选取该次航拍过程中的其余4张代表性影像(编号为Q2-Q5)开展验证试验，提取结果及精度如表 4所示。

由表 4可知，基于无人机图像的HSV颜色空间阈值法提取的矿区植被覆盖度与支持向量机监督分类获取的植被覆盖度相比，相对误差不超过6.857 6%，平均相对误差为4.249 6%，提取精度较好。总体来看，基于无人机航拍影像的HSV颜色空间阈值法提取的矿区植被覆盖度与支持向量机监督分类获取的植被覆盖度相比偏小，即对矿区植被覆盖度出现了过低估计。经计算，基于无人机航拍影像的HSV颜色空间阈值法提取的矿区植被覆盖度平均误差系数为0.014 74，最大误差系数为0.019 4，说明本研究提出的固定分割阈值47.1在适用于该矿区不同区域航拍影像时提取效果具有较好的稳定性。

4 讨论

由前述部分可知，限定S饱和度大于0.2，H色调大于47.1的部分为绿色植被像元；因此，造成矿区覆盖度被过低估计的原因是：设定的H分割阈值偏小。造成这种现象的原因可能为：在某些植被覆盖极其稀疏的区域，由于土壤等背景色的干扰，H值低于47.1，所以分类时这部分象元无法被作为植被象元被准确分割出来。进而造成与监督分类提取数据相比，基于无人机航拍影像和HSV颜色空间阈值分割法提取植被覆盖度时，更少的像元被分类为植被像元，导致植被覆盖度低于真实值。

对不同影像植被覆盖度的提取结果进行分析得出，在植被覆盖度较低时，基于HSV颜色空间阈值法的提取结果估计误差较大; 当植被覆盖度较高时，本文提出的提取方法极为接近真实值，且随着植被覆盖度的提高，基于HSV颜色空间阈值法的提取结果误差越来越小。造成上述现象的原因可能为：在植被覆盖度较高时，由于植被象元占据很大比例，虽仍存在小部分植被土壤混合象元存在监督分类与HSV颜色空间阈值分割的判别差异，但其占据该区域的总像元数极少；所以基于HSV颜色空间阈值分割的植被覆盖度与基于监督分类提取的植被覆盖度差异缩小，具体原因还需要后续进行进一步研究分析。

本研究的不足之处在于未能针对高中低不同植被覆盖度提出相对应的最优分割阈值，同时也是作者进一步研究的方向。

5 结论

1) 利用无人机航拍，实现了废弃矿区植被厘米级高分辨率无人机航拍影像的获取，系统成本低、维护操作简单、效率高。

2) 通过将可见光谱无人机航拍影像由RGB颜色空间模式转换为HSV颜色空间，对绿色植被可通过限定S值大于0.2，H值大于47.1对图像进行阈值分割，从而将植被部分快速提取出来并进一步计算植被覆盖度，实现了误差不超过6.8576%的精确提取，且在相同的航拍条件下，S值和H值的阈值设定具有稳定性。

3) 与通过监督分类提取到的植被覆盖度相比，基于HSV颜色空间阈值分割法提取结果偏低，但随着植被覆盖度的提高，提取误差越来越小。