基于改進(jìn)標(biāo)記控制分水嶺方法的樹冠輪廓提取

黨文靜，李德權(quán)，韋 慧,王 楠

安徽理工大學(xué) 1.數(shù)學(xué)與大數(shù)據(jù)學(xué)院，2.測(cè)繪學(xué)院，淮南,232001

基于改進(jìn)標(biāo)記控制分水嶺方法的樹冠輪廓提取

黨文靜1，李德權(quán)1，韋 慧1,王 楠2

安徽理工大學(xué) 1.數(shù)學(xué)與大數(shù)據(jù)學(xué)院，2.測(cè)繪學(xué)院，淮南,232001

針對(duì)密林區(qū)和疏林區(qū)的林木遙感圖像的單木樹冠輪廓提取，首先引入改進(jìn)的同態(tài)濾波對(duì)圖像進(jìn)行預(yù)處理，然后采用標(biāo)記控制分水嶺分割方法進(jìn)行圖像輪廓提取。引入的改進(jìn)同態(tài)濾波能夠去除混合噪聲且不會(huì)破壞邊緣信息，因此預(yù)處理后的圖像邊緣信息較為完整，從而保證了良好的輪廓提取效果。最后，結(jié)合人工識(shí)別結(jié)果，將改進(jìn)的標(biāo)記控制分水嶺分割方法與未改進(jìn)方法的提取結(jié)果進(jìn)行比較，發(fā)現(xiàn)改進(jìn)方法對(duì)疏林區(qū)的樹冠輪廓提取效果明顯好轉(zhuǎn)，提取精度較高且易編程實(shí)現(xiàn)。

樹冠輪廓提??；同態(tài)濾波；標(biāo)記控制分水嶺方法

1 相關(guān)研究與問(wèn)題提出

樹冠是樹木的重要組成部分，也是反映樹木信息最直接的部分，通過(guò)對(duì)遙感影像中單木樹冠輪廓的提取，可以檢測(cè)出樹冠直徑大小的變化等[1]，對(duì)掌握森林樹木生長(zhǎng)和發(fā)展的基本信息至關(guān)重要，近年來(lái)關(guān)于樹冠輪廓提取方法研究也愈來(lái)愈多[2-7]。Yang等采用多光譜分水嶺方法產(chǎn)生多尺度分割，根據(jù)多尺度擬合確定出優(yōu)化參數(shù)去擬合單木樹冠[2]。Hirschmugl提出了一種利用同一樹冠內(nèi)光譜的相似性確定樹冠邊界的區(qū)域生長(zhǎng)法[3]。Ke等結(jié)合數(shù)學(xué)形態(tài)學(xué)，從光譜、形狀以及專家三個(gè)方面限制，獲得樹冠頂點(diǎn)[4]。Jing等利用高斯濾波和分水嶺方法對(duì)樹冠的每一個(gè)尺度進(jìn)行處理，然后對(duì)處理后的結(jié)果進(jìn)行整合[5]。此外，還有一些其他方法，例如Li等根據(jù)距離閾值，對(duì)樹冠的像素點(diǎn)進(jìn)行迭代分配[6]；Ayrey等[7]提出的層堆疊方法，等等。

由于森林樹木種類繁多，樹木生長(zhǎng)結(jié)構(gòu)錯(cuò)綜復(fù)雜，樹冠輪廓和形狀信息很難準(zhǔn)確地獲取[8]。一般對(duì)疏林區(qū)或排列較整齊的人工林樹冠信息提取效果較好，但提取精度仍有待提高；而對(duì)于密林區(qū)，樹冠的重疊相連導(dǎo)致樹冠提取效果較差，目前密林區(qū)較為有效的樹冠提取方法尚不多見[9]。

關(guān)于樹冠輪廓提取的大多數(shù)方法都是作用于整個(gè)圖像，在分割樹冠的過(guò)程中易受周圍地物的影響，為了解決上述問(wèn)題，本文利用改進(jìn)的標(biāo)記控制分水嶺方法提取高分辨率遙感影像的樹冠輪廓。首先，通過(guò)改進(jìn)的同態(tài)濾波，對(duì)樹冠進(jìn)行平滑處理，增強(qiáng)圖像的對(duì)比度，減少周圍背景的干擾，由此獲得相對(duì)精確的局部最大值點(diǎn)；其次，利用標(biāo)記控制分水嶺算法對(duì)樹冠進(jìn)行提取，從而避免分水嶺方法過(guò)分割的現(xiàn)象。最后，通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比，進(jìn)一步驗(yàn)證改進(jìn)的標(biāo)記控制分水嶺方法對(duì)樹冠輪廓的提取效果。

2 改進(jìn)的標(biāo)記控制分水嶺分割

本文首先利用改進(jìn)的同態(tài)濾波，對(duì)遙感圖像進(jìn)行平滑、去噪預(yù)處理，然后再對(duì)樹冠頂點(diǎn)進(jìn)行標(biāo)記，最后采用標(biāo)記控制分水嶺分割圖像，進(jìn)而得到單木樹冠輪廓。

2.1 改進(jìn)的同態(tài)濾波

在對(duì)圖像進(jìn)行輪廓提取的過(guò)程中，經(jīng)常會(huì)遇到目標(biāo)物體連在一起的情況，使得分割結(jié)果不精確，而分水嶺方法能夠很好地解決這一問(wèn)題。分水嶺方法把圖像看成地形學(xué)中的自然地貌，圖像中的每個(gè)像素點(diǎn)的灰度值都表示該點(diǎn)的海拔高度，其中灰度值較小的像素點(diǎn)稱為某一區(qū)域的局部極小值，周圍影響的區(qū)域稱為集水盆。通常分水嶺變換可以進(jìn)行如下描述，當(dāng)雨滴從地面上的不同位置往下流，匯集到一起所形成的區(qū)域，就為集水盆，防止不同區(qū)域的水匯合在一起的邊界，即為分水嶺[10-11]。

由于森林樹冠內(nèi)部的不規(guī)則性，直接利用分水嶺方法提取樹冠的局部最大值，易產(chǎn)生偽樹冠，造成過(guò)分割現(xiàn)象，所以在提取樹冠的局部最大值點(diǎn)之前，對(duì)圖像進(jìn)行平滑預(yù)處理，能夠有效地去除圖像的噪聲。傳統(tǒng)的濾波方法有高斯濾波和中值濾波，但這兩種濾波方法都存在缺陷。它們?cè)谔幚韴D像的過(guò)程中會(huì)破壞圖像的邊緣和細(xì)節(jié)信息，且不能抑制紋理細(xì)節(jié)對(duì)后續(xù)圖像分割帶來(lái)的過(guò)分割影響。

同態(tài)濾波是頻率域內(nèi)的一種濾波技術(shù)，它的作用是對(duì)圖像的灰度范圍進(jìn)行適當(dāng)調(diào)整，以避免因光照不均導(dǎo)致圖像降質(zhì)的情況，通過(guò)同態(tài)濾波傳遞函數(shù)H(u,v)控制光的照射和反射分量，不僅增強(qiáng)了林地樹冠的邊緣信息，同時(shí)也保留了樹冠的頂端細(xì)節(jié)信息，使樹冠與周圍不同地物間的對(duì)比度更加明顯，以便能更加精確地進(jìn)行目標(biāo)分割與信息提取。對(duì)傳遞函數(shù)H(u,v)的具體設(shè)定，可以在不同程度上影響圖像經(jīng)傅里葉變換后的高頻、低頻分量。本文選取的濾波傳遞函數(shù)是基于高斯濾波修改后得到的同態(tài)濾波函數(shù)[12]：

H(u,v)

(2)

其中，u=0,…，m-1,v=0,…，n-1,m、n代表圖像的行列數(shù)；γh、γl分別代表高頻增益和低頻增益；D0是當(dāng)u和v為0時(shí)，D(u,v)的截止頻率。通過(guò)調(diào)整參數(shù)0<γl<1,γh>1能夠增強(qiáng)圖像的高頻分量，抑制低頻分量，從而達(dá)到壓縮圖像灰度動(dòng)態(tài)范圍的效果，增強(qiáng)圖像的對(duì)比度。

2.2 生成標(biāo)記

改進(jìn)的同態(tài)濾波雖然消除了因光照不均勻而導(dǎo)致的圖像降質(zhì)，但由于樹冠結(jié)構(gòu)的不規(guī)則性，存在一個(gè)樹冠與周圍其他樹冠混在一起的干擾因素，直接進(jìn)行分水嶺分割容易在同一樹冠內(nèi)形成多個(gè)分割。為了避免偽極值的產(chǎn)生，需要對(duì)圖像進(jìn)行預(yù)先處理，提取樹冠的頂點(diǎn)作為標(biāo)記。由于樹冠頂點(diǎn)的光譜反射值高于樹冠邊緣的光譜反射值，局部最大值是指某連通區(qū)域的值均大于周圍的像素值，且連通區(qū)域灰度值相同。因此，可以假設(shè)樹冠頂點(diǎn)位于圖像局部最大值所對(duì)應(yīng)的像素點(diǎn)。

通過(guò)一個(gè)二值矩陣對(duì)局部最大值進(jìn)行標(biāo)記，1值代表中心元素的鄰域位置，然后逐一比較中心像素灰度值與其4鄰域像素灰度值的關(guān)系，將背景區(qū)域標(biāo)記為0，其他標(biāo)記為1進(jìn)行確定。在尋找局部最大值的過(guò)程中，很可能會(huì)接近樹冠的邊緣，并且會(huì)產(chǎn)生噪聲，因此需要使用濾波消除這些孤立的噪聲，標(biāo)記出精確的局部最大值。

2.3 樹冠分割

樹冠灰度圖像可以看作是分水嶺模型的倒置，樹冠的頂點(diǎn)對(duì)應(yīng)集水盆的最低點(diǎn)，樹冠的邊緣對(duì)應(yīng)分水嶺。標(biāo)記控制分水嶺是在分水嶺的基礎(chǔ)上對(duì)圖像進(jìn)行局部極值的提取。該算法的本質(zhì)是對(duì)圖像極小值的分配，以圖像的極小值為起點(diǎn)，設(shè)此極小值點(diǎn)為k，若每個(gè)極小值小于或等于k的集水盆會(huì)被分配唯一的一個(gè)標(biāo)記。對(duì)當(dāng)前值為k的像素，若在它的鄰域內(nèi)有被標(biāo)記過(guò)的像素，則給它分配相同的標(biāo)記；若其鄰域沒(méi)有被標(biāo)記過(guò)的像素，則認(rèn)為是一個(gè)新的集水盆，給其分配一個(gè)新的標(biāo)記。對(duì)圖像的像素點(diǎn)反復(fù)進(jìn)行此類標(biāo)記，直到所有的像素都被歸類到對(duì)應(yīng)的集水盆中，則完成分水嶺變換。由于樹冠結(jié)構(gòu)的復(fù)雜性，同一個(gè)樹冠內(nèi)部可能存在多個(gè)局部極值點(diǎn)，直接應(yīng)用分水嶺分割會(huì)產(chǎn)生過(guò)分割現(xiàn)象。針對(duì)上述問(wèn)題，本文首先對(duì)圖像應(yīng)用改進(jìn)的同態(tài)濾波，然后對(duì)樹冠的局部極值進(jìn)行標(biāo)記，最后進(jìn)行標(biāo)記控制分水嶺變換。這種方法有效地抑制了過(guò)分割現(xiàn)象，提高了樹冠輪廓提取的精度。綜上所述，該算法的過(guò)程如圖1所示。

圖1 算法流程圖

3 結(jié)果與分析

3.1 改進(jìn)的同態(tài)濾波結(jié)果分析

圖2 同態(tài)濾波函數(shù)曲線圖

采用改進(jìn)的同態(tài)濾波對(duì)高分辨率影像進(jìn)行預(yù)處理，增強(qiáng)了圖像的對(duì)比度，有利于后期樹冠輪廓的提取。經(jīng)多次實(shí)驗(yàn)，用以提取樹冠邊緣特征的同態(tài)濾波器參數(shù)設(shè)置為：高頻分量γh設(shè)為1.3，低頻分量γl設(shè)為0.4，銳化參數(shù)c設(shè)為0.5，用來(lái)調(diào)整濾波函數(shù)低頻分量與高頻分量的截止頻率D0設(shè)置為100，采用的高斯同態(tài)濾波函數(shù)如圖2所示。

對(duì)大通區(qū)的遙感影像使用改進(jìn)的同態(tài)濾波進(jìn)行預(yù)處理，如圖3所示。由密林區(qū)圖3(a)和(b)與疏林區(qū)圖3(c)和(d)的實(shí)驗(yàn)結(jié)果對(duì)比可以看出，經(jīng)改進(jìn)的同態(tài)濾波處理后的圖像較原圖像對(duì)比度有所提高，樹冠信息更加清晰，有利于用來(lái)作為下一步提取樹冠輪廓的基礎(chǔ)。

圖3 改進(jìn)的同態(tài)濾波處理結(jié)果

3.2 樹冠輪廓提取

對(duì)經(jīng)過(guò)改進(jìn)的同態(tài)濾波處理的圖像進(jìn)行標(biāo)記控制分水嶺分割和直接進(jìn)行標(biāo)記控制分水嶺方法分別與人工識(shí)別結(jié)果進(jìn)行對(duì)比，如圖4、5所示。

圖4 密林區(qū)樹冠輪廓提取結(jié)果

圖5 疏林區(qū)樹冠輪廓提取結(jié)果

3.3 精度評(píng)價(jià)

本文的精度評(píng)價(jià)是用改進(jìn)的標(biāo)記控制分水嶺方法與標(biāo)記控制分水嶺方法的自動(dòng)分割結(jié)果分別與人工識(shí)別結(jié)果進(jìn)行對(duì)比。根據(jù)樹冠的分割準(zhǔn)確率、召回率和F測(cè)度來(lái)判斷上述兩種方法對(duì)樹冠提取的精度，它們的計(jì)算公式定義如下。

分割準(zhǔn)確率：

(3)

召回率：

(4)

F測(cè)度：

(5)

其中，Da代表準(zhǔn)確率，Mc被正確分割的樹冠個(gè)數(shù)，Ma代表算法分割結(jié)果中樹冠個(gè)數(shù)總數(shù)，Dr代表召回率，Mr表示人工識(shí)別結(jié)果樹冠個(gè)數(shù)的總數(shù)，F(xiàn)代表F測(cè)度。

在獲取圖像的過(guò)程中，圖像的邊緣有形狀不完整的樹冠輪廓，這些輪廓無(wú)法應(yīng)用標(biāo)記控制分水嶺分割，所以關(guān)于精度的計(jì)算不包括這些邊界上的樹冠。由自動(dòng)分割結(jié)果與圖像樹冠的空間關(guān)系，將樹冠提取的效果分為5個(gè)標(biāo)準(zhǔn)[13]：匹配、接近匹配、丟失、合并、分割。其中，匹配和接近匹配被認(rèn)為是正確的分割結(jié)果。匹配被認(rèn)為是人工識(shí)別結(jié)果與分割樹冠的重合部分占各自的50%；接近匹配是人工識(shí)別的樹冠與分割樹冠的重合部分占其中一個(gè)的50%以上；丟失指人工識(shí)別結(jié)果中沒(méi)有出現(xiàn)目標(biāo)樹冠；合并指在人工識(shí)別結(jié)果圖中，一個(gè)樹冠輪廓取代了多個(gè)樹冠輪廓；分割指一個(gè)分割樹冠的大部分面積被多個(gè)分割樹冠占據(jù)。

根據(jù)樹冠的分割準(zhǔn)確率、召回率和F測(cè)度的計(jì)算公式，本文算法在密林區(qū)和疏林區(qū)的提取樹冠情況如表1所示。標(biāo)記控制分水嶺分割算法在密林區(qū)和疏林區(qū)的提取樹冠情況如表2所示。

表1精度統(tǒng)計(jì)表%

樣地匹配接近匹配丟失合并分割目視解譯準(zhǔn)確率召回率F測(cè)度密林區(qū)702235210273.4%70.6%71.9%疏林區(qū)930111492.3%85.7%88.9%

表2精度統(tǒng)計(jì)表%

樣地匹配接近匹配丟失合并分割目視解譯準(zhǔn)確率召回率F測(cè)度密林區(qū)654253210270.4%67.6%68.9%疏林區(qū)920121484.6%78.6%81.5%

4 結(jié)束語(yǔ)

目前，針對(duì)單木樹冠的提取方法都是對(duì)特定的樹種和林地，并不適合所有林分。本文利用傳統(tǒng)的低通濾波器和高通濾波器原理引出了改進(jìn)的同態(tài)濾波，然后將改進(jìn)的同態(tài)濾波與標(biāo)記控制分水嶺分割方法相結(jié)合，提出了改進(jìn)的標(biāo)記控制分水嶺分割的高分辨率遙感影像提取方法。改進(jìn)的同態(tài)濾波有效地增強(qiáng)影像中不同地物間的對(duì)比度，為進(jìn)一步進(jìn)行樹冠信息的準(zhǔn)確提取提供了可能。實(shí)驗(yàn)結(jié)果表明：本文提出的方法相對(duì)于標(biāo)記控制分水嶺方法對(duì)疏林區(qū)的樹冠輪廓提取精度較高，F(xiàn)測(cè)度達(dá)到88.9%，可有效地替代人工識(shí)別，大大節(jié)約了勞動(dòng)成本，同時(shí)還能保證樹冠的提取精度。對(duì)于密林區(qū)樹冠的提取精度也有所提高，但由于林地郁閉度較高，樹冠之間會(huì)相互遮擋，導(dǎo)致單木樹冠邊緣很難被檢測(cè)，樹冠的提取精度相對(duì)于疏林區(qū)低。

由于森林結(jié)構(gòu)的復(fù)雜性與多樣性，不同的樹種對(duì)光照的吸收及反射都有不同，但相比裸地、農(nóng)地等，其差異性比林分間的光照反射顯著性高。因此，本文通過(guò)改進(jìn)的同態(tài)濾波與標(biāo)記控制分水嶺分割方法結(jié)合能較方便地分割樹冠，但并未對(duì)不同樹種進(jìn)行分割實(shí)驗(yàn)，這將是下一步研究的重點(diǎn)。

[1]Yinghai Ke,Lindi J.Quackenbush.A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing[J].International Journal of Remote Sensing,2011,32(17):4725-4747

[2]Yang J,He Y.Delineating individual tree crowns in an uneven-aged,mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting[J].IEEE Journal Of Selected Topics in Applied Earth Observations and Remote Sensing,2017,10(4):1390-1401

[3]Hirschmugl M,Raggam J,et al.Single tree detection in very high resolution remote sensing data[J].Remote Sensing Environ,2007,110(4):533-544

[4]Ke Y,Quackenbush L J.Individual tree crown detection and delineation from high spatial resolution imagery using active contour and hillclimbing methods[C]//Proceedings of 2009 ASP-RS Annual Conference,Ameri-can Society of Photogrammetry and Remote Sensing,2009:9-13

[5]Jing L,Hu B,Noland T,et al.An individual tree crown delineation method based on multi-scale segmentation of imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,70(3):88-98

[6]Li W,Guo Q,Jakubowski M K,et al.A new method for segmenting individual trees from the Lidar point cloud[J].Photogrammetric Engineering and Remote Sensing,2012,78(1):75-84

[7]Ayrey E,Fraver S,Jr J A K,et al.Layer Stacking:A novel algorithm for individual forest tree segmentation from LiDAR point clouds[J].Canadian Journal of Remote Sensing 2017,43(4):1-13

[8]劉曉雙,黃建文,鞠洪波.高空間分辨率遙感的單木樹冠自動(dòng)提取方法與應(yīng)用[J].浙江林學(xué)院學(xué)報(bào),2010,27(1):126-133

[9]Qin X L,Li Z Y,Yi H R.Extraction method of tree crown using high-resolution satellite image[J].Remote Sensing Technology and Application,2005(1):228-232［10］Wang L，A multi-scale approach for delineating individual tree crowns with very high resolution imagery［J］．Photogrammetric Engineering and Remote Sensing，2010，76 (4):371-378

［11］Yang J，He Y，Caspersen J．A multi-band watershed segmentationmethod for individual tree crown delineation from high resolution multispectral aerial image［C］//IEEE International Geoscience and Remote Sensing Symposium， 2014:1588-1591

［12］劉毅，賈旭芬，田子鍵．一種基于同態(tài)濾波原理的井下光照不均圖像處理方法［J］．工礦自動(dòng)化，2013，39(1): 9-12

［13］Gougeon F A．A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images［J］．Canadian Journal of Remote Sensing，1995，21(3):274-284

10.3969/j.issn.1673-2006.2017.12.027

TP391.41

A

1673-2006(2017)12-0101-05

2017-09-20

國(guó)家自然科學(xué)基金資助項(xiàng)目(61472003)；國(guó)家自然科學(xué)青年基金資助項(xiàng)目(11601007)；安徽省高校學(xué)科(專業(yè))拔尖人才學(xué)術(shù)資助重點(diǎn)項(xiàng)目(gxbjZD2016049)；安徽省學(xué)術(shù)和技術(shù)帶頭人及后備人選科研活動(dòng)項(xiàng)目(2016H076)。

黨文靜 (1987-)，女，河南駐馬店人，在讀碩士生，主要研究方向：圖像分割。

(責(zé)任編輯:劉小陽(yáng))