遥感影像处理-NDVI

      在遥感中，常常会提到NDVI，它的全称是 Normalized Difference Vegetation Index，也就是归一化差分植被指数，是反映农作物长势和营养信息的重要参数之一，它的计算原理很简单，就是近红外波段的反射值与红光波段的反射值之差比上两者之和。

      即 NDVI=(NIR-R)/(NIR+R)，

      NIR为近红外波段的反射值，R为红光波段的反射值。

1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；

2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；

3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；

4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。

      下面来看一个具体的事例。下面两张图分别是TM影像的三波段（红光，左图）和四波段（近红外，右图），将对应位置的像素值进行运算就行了。

                 

 

经过计算后，按照得到的NDVI值进行重新赋值，让NDVI值越大的区域绿色越深，反之越浅，若NDVI小于0，则置为0。效果图如下：

 

下面是我从高德地图上截取的卫星影像，可以看到NDVI的结果与实际情况基本一致。

下面来看一下实现的代码：

环境：VS2017+OPENCV4

Mat NDVI(Mat tm3, Mat tm4) {
	//tm3=imread("tm3.bmp"),tm4=imread("tm4.bmp");
	int rows = tm3.rows, cols = tm3.cols;
	Mat ndvi(rows, cols, CV_8UC3);
	double band3, band4;

	for (int i = 0; i < rows; i++) {
		for (int j = 0; j < cols; j++) {
			band3 = (double)tm3.at(i, j)[0];
			band4 = (double)tm4.at(i, j)[0];
			ndvi.at(i, j)[0] = 0;
			ndvi.at(i, j)[1] = (255 - 255 * (band4 - band3) / (band3 + band4));//绿色层，NDVI越大，绿色越深
			ndvi.at(i, j)[2] = 0;

			if (band3 > band4)//NDVI小于0则显示白色
				ndvi.at(i, j)[0] = ndvi.at(i, j)[1] = ndvi.at(i, j)[2] = 255;

		}
	}
	imwrite("NDVI.bmp", ndvi);


	return ndvi;
}