無人機(jī)影像樹冠信息提取研究

曾霞輝 ，王 穎 ，2，曾掌權(quán) ，周 璀

（1. 中南林業(yè)科技大學(xué) 林學(xué)院，湖南 長沙 410004；2. 湖南汽車工程職業(yè)學(xué)院，湖南 株洲 4120001；3. 湖南省林業(yè)科學(xué)院，湖南 長沙 410004）

樹冠是樹種識別、計算樹木的蓄積量、判斷木材的材性、反映樹木的生長活力與監(jiān)測樹木的生長情況等森林調(diào)查活動的重要指標(biāo)。傳統(tǒng)的林業(yè)調(diào)查方法和基于遙感圖像目視解譯的方法均存在許多缺點(diǎn)，如費(fèi)時、費(fèi)力和成本高等。近年來，隨著無人機(jī)遙感的迅速發(fā)展以及遙感數(shù)據(jù)處理軟件的不斷完善，如何利用高分辨率的低空遙感數(shù)據(jù)，高效、準(zhǔn)確、快速地獲得樹冠信息，成為了目前林業(yè)遙感中的重點(diǎn)與難點(diǎn)。國內(nèi)外學(xué)者結(jié)合遙感技術(shù)和傳統(tǒng)的林業(yè)調(diào)查，基于高分辨率遙感影像，提出了多種提取森林參數(shù)的方法[1-4]。目前，林木樹冠信息提取的方法，主要有模板匹配法、局部最大值法[5-6]、多尺度分割法[7-8]、區(qū)域生長法[9-10]、谷地跟蹤法、分水嶺分割算法[11-14]、面向?qū)ο蠓诸惙╗15-17]等。Kang 等[18]利用無人機(jī)拍攝的影像數(shù)據(jù)，以桉樹林為研究對象，提出了一種基于數(shù)學(xué)形態(tài)學(xué)和J 閾值分割法的樹冠面積識別方法；馮靜靜等[19]基于灰度梯度圖像，結(jié)合面向?qū)ο蠖喑叨确指罘椒ê透倪M(jìn)的數(shù)學(xué)形態(tài)學(xué)算子快速提取單木樹冠信息。Jing 等[20]結(jié)合高斯濾波、多尺度分割和分水嶺分割方法分割樹冠，之后集成多個分割圖生成樹冠圖。郭昱杉等[21]基于QuickBird 全色增強(qiáng)標(biāo)準(zhǔn)影像，以人工赤槐林和旱柳為研究對象，利用形態(tài)學(xué)濾波平滑圖像，采用標(biāo)記控制分水嶺分割方法提取樹冠。通過這些方法在郁閉度較低的林分中，提取精度較高，但在郁閉度較高的林分樹冠提取精度較低。

本研究基于無人機(jī)高分辨率遙感影像，以湖南衡山森林生態(tài)系統(tǒng)定位觀測研究站實(shí)驗(yàn)樣地為例，提取樹冠信息，在樣地與單木兩個尺度上對實(shí)驗(yàn)結(jié)果進(jìn)行了精度分析。

1 研究區(qū)概況與方法

1.1 研究區(qū)概況

實(shí)驗(yàn)樣地位于我國湖南省衡陽市的湖南衡山森林生態(tài)系統(tǒng)定位觀測研究站（112°43′E，27°15′N），海拔約為280 m；屬于典型的亞熱帶季風(fēng)性濕潤氣候，四季變化明顯，氣候垂直分異現(xiàn)象明顯；年平均氣溫約為12.2 ℃，年均降水量為1 400 ～2 100 mm，降水量與海拔高度呈正比；土壤主要由花崗巖風(fēng)化物發(fā)育而成，通透性良好，礦物質(zhì)豐富，樣地土壤類型為山地黃壤，土壤pH值4 ～6。該站主要植被類型為針葉闊葉混交林，包括馬尾松、香樟、檵木、桐樹等樹種，這些樹種均為南岳地區(qū)廣泛種植的人工林物種（圖1）。

圖1 實(shí)驗(yàn)樣地地理位置Fig. 1 Geographic location of sample plot

無人機(jī)影像拍攝時間為2018 年7 月14 日，天氣晴朗無云、無風(fēng)，飛行時間為14:00—15:00，由紅、綠、藍(lán)3 個波段組成，所采用的無人機(jī)是dji 精靈Phantom_4 PRO，由飛行器、遙控器和云臺相機(jī)組成。無人機(jī)影像數(shù)據(jù)包含JPEG 和DNG兩種格式，使用JPEG 數(shù)據(jù)讀取像素矩陣，DNG數(shù)據(jù)讀取相機(jī)參數(shù)。利用全站儀布設(shè)大小為100 m×100 m 的實(shí)驗(yàn)樣地，每個10 m 設(shè)立一個樁點(diǎn)，并采集每個樁點(diǎn)的經(jīng)緯度坐標(biāo)及高程。

1.2 研究過程

首先對無人機(jī)高分辨率遙感影像進(jìn)行預(yù)處理，獲取高精度的數(shù)字正射影像以及冠層高度模型等；然后基于數(shù)字正射影像和冠層高度模型，利用閾值法和K 鄰近法提取樹冠區(qū)域；接著基于樹冠內(nèi)部灰度變化小，而樹冠邊緣的圖像灰度變化較大的特點(diǎn)，采用形態(tài)學(xué)濾波對圖像進(jìn)行平滑噪聲處理；然后通過局部最大值法標(biāo)記前景對象，最大類間方差法標(biāo)記背景對象從而獲得標(biāo)記圖像，利用強(qiáng)制極小值法根據(jù)標(biāo)記圖像修正梯度圖像；最后對該梯度圖像，通過分水嶺分割方法提取樹冠信息；樹冠信息提取的具體流程如圖2 所示。

圖2 樹冠信息提取流程Fig.2 Flowchart of tree crown extraction module

1.2.1 數(shù)據(jù)預(yù)處理

無人機(jī)影像拍攝過程中，受氣流、相機(jī)自身限制等因素的影響，需要對影像進(jìn)行匹配、拼接及三維重建等預(yù)處理。采用Agisoft PhotoScan 遙感數(shù)據(jù)處理軟件，對無人機(jī)原始數(shù)據(jù)進(jìn)行預(yù)處理，該平臺是俄羅斯Agisoft 公司推出的攝影后處理平臺，可以基于具有相應(yīng)參考信息的重疊影像數(shù)據(jù)自動生成高質(zhì)量三維模型，其優(yōu)勢是精度高、模型精細(xì)、全自動、工作流程直觀以及CPU 計算性能高。軟件根據(jù)多視圖三維重建技術(shù)，通過數(shù)據(jù)定向、點(diǎn)云提取、立體建模、賦予紋理等步驟后，將導(dǎo)入的具有相應(yīng)參考信息的重疊影像，生成帶有地理參考的密集點(diǎn)云數(shù)據(jù)、紋理化的多邊形模型、高分辨率的數(shù)字正射影像DOM 和高精度的數(shù)字表面模型DSM。根據(jù)實(shí)驗(yàn)樣地的高程點(diǎn)數(shù)據(jù)，利用ArcGIS 構(gòu)建數(shù)字高程模型DEM，利用DSM與DEM 相減，得到冠層高度模型CHM。

1.2.2 樹冠區(qū)域提取

由于林下低矮植被、周圍背景地物等會給樹冠提取帶來一定的干擾，因此需要先適當(dāng)分離樹冠區(qū)域和背景區(qū)域。傳統(tǒng)的遙感影像信息處理和提取，一般基于像元進(jìn)行，利用光譜特征的統(tǒng)計，對影像進(jìn)行聚類分析，而無人機(jī)影像中光譜波段較少，紋理、幾何等信息豐富，因此僅基于像元的分類方法不適用于無人機(jī)影像分類。面向?qū)ο蠓诸惙椒?，是將影像對象作為基本單位，根?jù)影像對象的空間、紋理等信息提取地物，更適合于無人機(jī)高分辨率影像。

本研究利用K 鄰近法和閾值法分別對數(shù)字正射影像和冠層高度模型進(jìn)行分類處理，提取樹冠區(qū)域。K 鄰近法是通過測量不同影像對象與訓(xùn)練樣本在N維空間的歐幾里得距離，得到一個0 ～1的隸屬度值，使得所有影像對象都被歸類到不同類別中?；跀?shù)字正射影像，采用K 鄰近法進(jìn)行分類處理，去除樹冠周圍陰影、裸土等地物對象，獲得樹冠區(qū)域二值圖；針對CHM 進(jìn)行直方圖分析，根據(jù)設(shè)定的閾值范圍對CHM 做分類處理，去除低矮的植被，1 代表樹冠區(qū)域（大于閾值部分），0代表背景區(qū)域（小于閾值部分）；利用ArcGIS 疊加分析工具提取兩個二值圖的交集，并生成掩膜圖像（圖3b），對數(shù)字正射影像做掩膜處理，獲得樹冠區(qū)域圖（圖3c）。

1.2.3 樹冠信息提取

1.2.3.1 形態(tài)學(xué)濾波

圖3 樹冠區(qū)域提取結(jié)果Fig. 3 The extraction results of tree crown area

由于樹冠內(nèi)部亮度不均勻和噪聲的存在，直接提取樹冠標(biāo)記時，可能造成分割的輪廓偏移或在一個樹冠內(nèi)探測出多個局部最大值而產(chǎn)生偽樹冠頂點(diǎn)，從而會產(chǎn)生嚴(yán)重的過分割現(xiàn)象。為有效抑制噪聲，在進(jìn)行標(biāo)記之前必須先對圖像進(jìn)行平滑處理，但傳統(tǒng)的線性濾波器在平滑圖像的同時可能會造成圖像邊緣模糊變形，而數(shù)學(xué)形態(tài)學(xué)濾波能有效濾除噪聲，又能很好地保持輪廓信息和邊緣細(xì)節(jié)信息，因此本研究選取形態(tài)學(xué)開閉重建運(yùn)算進(jìn)行圖像平滑（圖4）。

圖4 圖像平滑F(xiàn)ig. 4 Image smooth

形態(tài)學(xué)濾波器能夠在簡化圖像數(shù)據(jù)和去除多余內(nèi)容的基礎(chǔ)上，保持其形狀特性不變。其基本運(yùn)算包括：膨脹（Dilate）、腐蝕（Erode）、開運(yùn)算（Opening）和閉運(yùn)算（Closing）等。設(shè)原始圖像為G（x，y），參考圖像g（x，y），結(jié)構(gòu)元素為為B關(guān)于原點(diǎn)（0，0）的對稱集合，代表當(dāng)BS的原點(diǎn)移到（x，y）處，圖像G通過結(jié)構(gòu)元素B進(jìn)行膨脹、腐蝕、形態(tài)學(xué)開和閉重建運(yùn)算的定義式分別為：

式（1）～（4）中：⊕表示膨脹運(yùn)算；?表示腐蝕運(yùn)算；?表開運(yùn)算；?表開閉運(yùn)算；代表測地膨脹收斂時的結(jié)果；代表測地腐蝕收斂時的結(jié)果。處理后的圖像有效去除了比結(jié)構(gòu)元素小的特定圖像細(xì)節(jié)、斑點(diǎn)和非規(guī)則干擾，減少了因細(xì)節(jié)和噪聲干擾引起的局部極值，保留了影像對象的形狀和位置信息，避免了過度分割現(xiàn)象。

結(jié)構(gòu)元素對濾波效果起到關(guān)鍵性的作用，其尺寸和形狀的選定將直接影響提取效果，當(dāng)結(jié)構(gòu)元素尺寸過大時，會忽略掉一些小的樹冠導(dǎo)致欠分割現(xiàn)象；當(dāng)結(jié)構(gòu)元素尺寸過小時，較大的樹枝可能會被當(dāng)做樹冠分割出來，從而導(dǎo)致過分割。因此結(jié)構(gòu)元素應(yīng)該小于待分割對象大小的最小值，其形狀應(yīng)與待提取對象形狀一致，樹冠呈不規(guī)范圓形，因此選取圓盤形的結(jié)構(gòu)元素，經(jīng)過多次實(shí)驗(yàn)，選定結(jié)構(gòu)元素與腐蝕元素的尺寸分別為4 和 8。

1.2.3.2 標(biāo)記生成

圖像平滑后，去除了大部分的噪聲和局部極值，但仍存在一定的干擾，在此基礎(chǔ)上預(yù)先提取頂點(diǎn)部分作為標(biāo)記，可以有效地去除掉部分偽樹冠頂點(diǎn)，從而提高分割精度。根據(jù)樹冠灰度圖像中樹冠區(qū)域灰度值高且明亮、背景區(qū)域灰度值低且黑暗等特性，因此設(shè)定樹冠頂點(diǎn)為分水嶺分割的起點(diǎn)——集水盆。

本研究利用局部最大值法標(biāo)記前景對象，即待提取對象內(nèi)部連接的斑點(diǎn)像素，最大類間方差法（OTSU）標(biāo)記背景對象[22]，即不屬于待提取對象的像素。其中局部最大值是指連通且灰度值相同的像元，滿足周圍像素均小于該像元。OTSU 的閾值確定使用自適用模式，根據(jù)最小二乘法原理以及圖像中待提對象與背景的灰度差異，計算得到一個最佳閾值，按照閾值把圖像分成目標(biāo)和背景兩個部分（圖5）。在形態(tài)學(xué)重建運(yùn)算的基礎(chǔ)上，計算局部最大值獲取前景標(biāo)記，通過OTSU 分割算法進(jìn)行背景標(biāo)記，接著利用H-minima（擴(kuò)展最小變換）過濾無效標(biāo)記，把無關(guān)的極小區(qū)域標(biāo)記成零值，獲得二值標(biāo)記圖像，利用距離變換計算待提取對象與背景間的距離，確定標(biāo)記的范圍，使得每個標(biāo)記都對應(yīng)到一個樹冠，獲取分水嶺脊線。

圖5 標(biāo)記圖像Fig. 5 The marking of images

1.2.3.3 分水嶺分割

分水嶺分割算法是一種基于拓?fù)淅碚摰膱D像區(qū)域分割方法，將灰度圖像視為一幅“3D 地形圖”，每個像元的灰度值對應(yīng)地形表面的高程，灰度值高的區(qū)域?qū)?yīng)山峰，灰度值低的區(qū)域?qū)?yīng)山谷，局部極小值及影響區(qū)域?qū)?yīng)集水盆，集水盆之間的邊界點(diǎn)對應(yīng)分水嶺。樹冠灰度圖像可以視為一個倒置的分水嶺模型，集水盆的最低點(diǎn)表示樹冠中心點(diǎn)，分水嶺對應(yīng)樹冠邊緣。分水嶺算法一般針對梯度圖像進(jìn)行處理，在梯度圖像中樹冠邊緣的灰度值會發(fā)生突變，因此根據(jù)梯度圖像可以更好地提取樹冠邊緣。本研究中采用Sobel 算子進(jìn)行x軸和y軸的濾波，通過求模運(yùn)算得到梯度圖像；利用強(qiáng)制極小運(yùn)算將標(biāo)記圖像上標(biāo)記添加到梯度圖像上，使得只有前景和背景標(biāo)記位置上有極小值；利用分水嶺分割算法對修正后的梯度圖像進(jìn)行分割，得到最終結(jié)果。

2 結(jié)果與分析

2.1 實(shí)驗(yàn)結(jié)果

利用Matlab 編程，在利用閾值法和K 鄰近法提取出樹冠范圍的基礎(chǔ)上，將數(shù)學(xué)形態(tài)學(xué)濾波與分水嶺分割算法應(yīng)用到樹冠信息提取研究中，取得了較好的效果，大多數(shù)的樹冠被正確提取出來，但仍存在一些錯分、漏分等現(xiàn)象?；跓o人機(jī)影像的紋理特征等進(jìn)行目視解譯，具體實(shí)驗(yàn)結(jié)果及目視解譯結(jié)果等如圖6 所示。

2.2 精度分析

為了定量分析本文算法的有效性，從單木和樣地兩方面進(jìn)行精度評價，單木尺度提取精度是通過計算提取樹冠個數(shù)和參考樹冠個數(shù)的百分比實(shí)現(xiàn)的，樣地尺度評價是通過計算提取的樹冠面積和參考的樹冠面積之間的相對誤差體現(xiàn)的。本研究所用的參考數(shù)據(jù)，是通過Arc GIS10.2 進(jìn)行目視解譯人工勾繪樹冠得到的參考圖。

2.2.1 單木樹冠評價

圖6 樹冠信息提取結(jié)果Fig. 6 The extraction results of tree crown information

為驗(yàn)證本研究方法的準(zhǔn)確性與有效性，將樹冠信息提取結(jié)果導(dǎo)入ArcMap 中，與參考數(shù)據(jù)做空間統(tǒng)計分析、結(jié)果比較，評價樹冠的分割情況。單木樹冠分割情況的評判標(biāo)準(zhǔn)包括匹配、接近匹配、漏分、錯分以及合并5 類：如果分割樹冠與參考樹冠的重疊面積占雙方的50% 以上，則為匹配；重疊面積占其中一方的50%，則為接近匹配；參考樹冠的50% 面積內(nèi)無分割樹冠，則為漏分；分割樹冠中包括多個參考樹冠則為合并；當(dāng)分割樹冠不存在對應(yīng)的參考樹冠則為錯分。其中正確分割包括匹配以及接近匹配，漏分誤差包括漏分和合并，錯分屬于錯分誤差。漏分一般因?yàn)檎趽趸蚩拷髽涞攘⒛緹o法被分割，錯分主要分為兩種情況：一種是由于噪聲的存在而將偽單木識別成單木，另一種情況是因?yàn)閱文揪哂休^大分支或者多個樹冠頂點(diǎn)而將單木識別成多株。由于實(shí)驗(yàn)樣地邊界附近的樹冠形狀不完整，因此在對實(shí)驗(yàn)結(jié)果進(jìn)行精度評價時，去除了處于邊界上的樹冠。

本研究的單木樹冠評價是通過信息檢索與統(tǒng)計學(xué)中的準(zhǔn)確率Pd、召回率Pr和F測度體現(xiàn)的，準(zhǔn)確率是指正確分割的樹冠個數(shù)占所有分割出來樹冠個數(shù)的比例；召回率是指正確分割的樹冠占總目視解譯樹冠數(shù)的比例；F測度是對準(zhǔn)確率和召回率的綜合描述，F(xiàn)測度越高表示結(jié)果越好，計算公式分別如下：

式（5）～（7）中：Nc為分割正確的樹冠數(shù)目；Nr為目視解譯樹冠總數(shù)；Nd為分割出來的樹冠總數(shù)。

單木尺度的精度統(tǒng)計結(jié)果如表1 所示，目視解譯樹冠總數(shù)是688 個，提取樹冠總數(shù)是579 個，其中匹配的樹冠有367 個，接近匹配的有119 個，因此準(zhǔn)確率為82.21%，召回率為70.63%，F(xiàn)測度為75.98%。

表1 單木樹冠精度評價Table 1 The accuracy evaluation of single tree

2.2.2 樹冠面積評價

本研究選取樹冠面積相對誤差來評價樹冠信息在樣地尺度上的提取效果，通過比較分析提取樹冠總面積與參考樹冠總面積。根據(jù)Arc Map 統(tǒng)計結(jié)果，參考樹冠總面積是7 012.73 m2，提取的樹冠總面積是8 089.44 m2，相對誤差為13.3%（表2）。相對誤差計算公式為：

式（8）中：St為提取的樹冠總面積；Sc為參考的樹冠總面積。當(dāng)樹冠面積相對誤差等于0 時，即St=Sc，為理想狀態(tài)；當(dāng)相對誤差大于0 時，表示St＞Sc；當(dāng)相對誤差小于0 時，表示St＜Sc。

表2 樹冠面積精度評價Table 2 The accuracy evaluation of crown area

從樹冠提取總個數(shù)來看，樹冠大多數(shù)被正確分割出來，但仍有一些漏分誤差現(xiàn)象，提取的個數(shù)少于目視解譯，說明有一部分樹冠未被探測到，這是因?yàn)樵跇涔谙嗷ブ丿B、連接的地方，提取樹冠時將若干樹冠識別成一個樹冠以及標(biāo)記位置不準(zhǔn)確等情況引起的。從實(shí)驗(yàn)結(jié)果來看，相對誤差為正值，表明提取得到的樹冠總面積比參考樹冠面積大，這是由于樹冠之間的間隙對象與樹冠對象特征相似，提取樹冠信息時部分間隙對象被分在了樹冠里，而目視解譯結(jié)果中不包括這部分對象。

3 結(jié)論與討論

3.1 結(jié) 論

基于無人機(jī)影像數(shù)據(jù)，以湖南衡山森林生態(tài)定位觀測研究站實(shí)驗(yàn)樣地為研究區(qū)，采用Photoscan軟件進(jìn)行影像預(yù)處理；利用閾值法和K 鄰近法分別對DOM 和CHM 進(jìn)行了樹冠區(qū)域提?。辉诖嘶A(chǔ)上，利用標(biāo)記控制分水嶺分割算法提取樹冠信息，并在樣地與單木兩個方面進(jìn)行了精度分析，主要結(jié)論如下：

1）通過閾值法和K 鄰近法提取樹冠區(qū)域，能減少林下低矮植被和背景地物的影響，利用數(shù)學(xué)形態(tài)學(xué)濾波的分水嶺分割算法，有效抑制了過分割現(xiàn)象；

2）樹冠信息提取精度較高，準(zhǔn)確率為82.21%，召回率為70.63%，F(xiàn)測度為75.98%，樹冠面積相對誤差為13.3%，能滿足對較高郁閉度林分的樹冠信息提取需要。

3）無人機(jī)可操作性強(qiáng)，利用無人機(jī)遙感影像進(jìn)行樹冠提取研究，取得了較好的效果，為運(yùn)用無人機(jī)影像進(jìn)行樹冠信息提取提供了方法參考。

3.2 討 論

基于無人機(jī)影像數(shù)據(jù)提取樹冠信息，效率高，成本低，具有廣闊的應(yīng)用前景。無人機(jī)影像數(shù)據(jù)為RGB 影像，僅包含紅、綠、藍(lán)3 個波段，為更好地提取樹冠信息，未來可增設(shè)可見光近紅外傳感器，通過計算影像的歸一化植被指數(shù)（NDVI），設(shè)定NDVI 的規(guī)則能更好地提取樹冠區(qū)域。未考慮飛行高度對提取精度的影響，使得研究結(jié)果具有一定的局限性，在不同飛行高度的無人機(jī)影像中提取樹冠信息需要進(jìn)一步研究。