基于無人機多光譜影像的單木樹冠提取方法

李文靜, 王瑞瑞, 石 偉, 蘇婷婷

(1.北京林業(yè)大學精準林業(yè)北京市重點實驗室，北京 100083;2.中國航天系統(tǒng)科學與工程研究院,北京 100083)

單木樹冠提取可估測林分郁閉度、蓄積量和生長量等信息，對研究森林的生長情況和動態(tài)變化具有重要意義[1].但復雜的森林結(jié)構(gòu)增加了獲取單木樹冠信息的難度，樣地實測法雖然能夠滿足要求，但費時費力[2].無人機技術(shù)具有靈活、高效、成本低和空間分辨率高等特點，為森林調(diào)查提供了新的數(shù)據(jù)源[3-4].Chianucci et al[5]利用無人機搭載數(shù)碼相機提取單木樹冠參數(shù)，以獲取較大尺度的森林信息.

基于高分影像進行單木樹冠提取的相關(guān)研究已有不少，現(xiàn)有的樹冠分割方法主要有兩大類型：第1種是以探測窗口范圍內(nèi)光譜最大值作為樹冠中心點，再以中心點為參考探測樹冠，如局部最大值法，但闊葉樹常常會存在一個樹冠有多個最高點的情況[6]，因此局部最大值法更適用于有明顯最高頂點的針葉純林區(qū)[7]；第2種是基于樹冠輪廓進行樹冠探測，彌補了局部最大值法的缺陷，對針葉林和闊葉林都適用，如多尺度分割方法、谷地跟蹤法、模板匹配法等[8-9].針對闊葉林樹冠形狀大小不規(guī)則的特點，多尺度分割方法可以用不同的尺度提取不同大小的樹冠[10].卜帆等[11]分別選用LiDAR高差模型和0.3 m空間分辨率的真彩色高分影像進行樹冠提取對比，結(jié)果表明與LiDAR獲取的高差模型相比，真彩色高分影像得到的樹冠分割精度更高.付凱婷[12]利用無人機影像生成高分辨率DOM影像，利用面向?qū)ο蟮亩喑叨确指罘椒ㄌ崛¤駱鋯文緟?shù)信息，提取精度在70%以上，證明了面向?qū)ο蠓椒ǚ指顔文緲涔诘目尚行?然而，在目前研究中，大多數(shù)單木樹冠提取方法都是直接作用于整個圖像，進行樹冠分割時易受到周圍背景和灌木的影響[13].對高分影像采用多尺度分割算法提取單木樹冠時易出現(xiàn)較多的過度分割現(xiàn)象；同時闊葉林樹冠形狀具有不規(guī)則性和復雜性，導致單木樹冠分割精度不高，目前這方面的研究也較少[13].鑒于此，本研究基于空間分辨率為0.1 m的無人機多光譜影像，提出一種顯著植被特征、雙邊濾波和面向?qū)ο蠖喑叨确指畹膯文緲涔诟倪M方法.

1 研究區(qū)概況

研究區(qū)位于安徽省池州市青陽縣的東北部，海拔1.8～112.2 m；東經(jīng)117°48′—117°54′，北緯30°40′—30°41′，屬于暖濕性亞熱帶季風氣候.氣候溫暖，雨量充足，年平均氣溫16.5 ℃，年均降水量1 400～2 200 mm，是常綠闊葉林向落葉闊葉林過渡的地帶.研究區(qū)內(nèi)優(yōu)勢樹種包括杉木、毛竹、楓樹、楓楊和雜木等闊葉樹種，以中齡林和成熟林為主.

試驗數(shù)據(jù)為2016年6月拍攝的無人機多光譜影像.在光照充足、晴朗無云的天氣條件下拍攝，包含紅、綠、藍和波長600、701、705 nm的6個波段，焦距為35 mm，空間分辨率為0.1 m.

本研究數(shù)據(jù)空間分辨率更高且為多光譜影像，包含近紅外波段，可利用紅波段和近紅外波段計算NDVI，將樹冠區(qū)域和背景區(qū)分開，以抑制背景對單木樹冠分割的影響.然而隨著影像空間分辨率的提高，同一樹冠內(nèi)部紋理細節(jié)更顯著，導致分割時出現(xiàn)較多過度分割現(xiàn)象.針對這個問題，本研究選擇雙邊濾波對提取的樹冠區(qū)域進行平滑處理；同時，選擇樹冠閉合程度大于70%的高郁閉度闊葉林區(qū).研究區(qū)地理位置及無人機真彩色影像如圖1所示.

2 研究方法

本研究針對目前樹冠提取中易出現(xiàn)的過度分割問題，基于無人機多光譜影像，選取高郁閉度的闊葉林區(qū)進行試驗，結(jié)合闊葉樹冠的特點改進了傳統(tǒng)的單木樹冠提取方法.先利用NDVI掩膜提取樹冠區(qū)域，然后選取雙邊濾波器進行處理，最后采用多尺度分割算法對不同分割參數(shù)組合進行對比分析，選取最佳分割尺度，得到單木樹冠，并與直接多尺度分割樹冠的結(jié)果進行對比，利用人工勾繪樹冠結(jié)果進行精度評價.研究技術(shù)路線如圖2所示.

2.1 樹冠區(qū)域提取

利用植被指數(shù)可以在遙感影像上將植被與其它地物區(qū)別開[14].NDVI是最常用的植被指數(shù)，能反映植被冠層背景的影響，對植被有較強的響應能力，利用無人機遙感影像的紅波段和近紅外波段進行比值運算得到NDVI計算公式(式(1)).基于NDVI計算結(jié)果設定閾值為0.3,進行分類處理，小于0.3的背景區(qū)域用0表示，大于0.3的樹冠區(qū)域用1表示[14]，生成掩膜圖像，提取樹冠區(qū)域.

(1)

式中，NIR為近紅外波段的反射值，R為紅光波段的反射值.圖3的左圖為NDVI計算結(jié)果，NDVI值越高，植被覆蓋度越大；右圖為冠層掩膜的柵格圖像，黑色0值表示需要掩膜去掉的背景區(qū)域，白色1值表示需要提取的樹冠區(qū)域.

2.2 濾波處理

曾晶[15]基于DOM數(shù)據(jù)采用面向?qū)ο蟮亩喑叨确指罘椒ǐ@取單木樹冠，結(jié)果顯示多尺度分割算法會出現(xiàn)欠分割和過度分割的現(xiàn)象.其中過度分割現(xiàn)象較嚴重，同一樹冠內(nèi)部紋理細節(jié)顯著且亮度不均，導致在分割過程中同一樹冠被分割成多個.為減輕紋理細節(jié)對樹冠分割的影響，本研究選擇雙邊濾波對樹冠區(qū)域進行進一步優(yōu)化.

雙邊濾波是一種具有邊緣保持功能的非線性濾波方法[16]，采用加權(quán)平均的方式，且權(quán)重值融入了位置對中心像素的影響和輻射差異[17].雙邊濾波的原理表示如下：

(2)

(3)

式中，σs為空間域高斯函數(shù)的標準差，σr為值域高斯函數(shù)的標準差，設σs=10，σr=35.空間域和像素域權(quán)重分別在圖像的平坦和邊緣區(qū)域起作用，在平滑的同時邊緣信息可得到保護.

從圖4可發(fā)現(xiàn)經(jīng)雙邊濾波處理后，樹冠內(nèi)部的紋理細節(jié)被有效平滑，同時樹冠邊緣輪廓得到了保護.

2.3 多尺度分割及最優(yōu)尺度選擇

因多尺度分割算法可以綜合考慮影像的灰度紋理形狀等信息，故適用于信息豐富的高分辨率影像[18].多尺度分割算法使對象的平均異質(zhì)性達到最小化，同時，各自的同質(zhì)性達到最大化，分割速度較快，參數(shù)可靈活調(diào)節(jié)設置[19].其核心技術(shù)是分形網(wǎng)絡演化方法(fractal net evolution approach, FNEA)，即從像素層開始，通過自下而上迭代的區(qū)域融合方式，使較小的像素或?qū)ο蠛喜?合并的依據(jù)是2個相鄰對象的異質(zhì)性測度小于某閾值，當異質(zhì)性超過該閾值時，合并過程終止，迭代結(jié)束[20].

最優(yōu)尺度參數(shù)的設置是實現(xiàn)影像分割的關(guān)鍵[21].分割參數(shù)主要包括波段權(quán)重、均值因子和分割尺度等，其中均值因子包括形狀因子和緊致度，形狀因子取值范圍為[0.1～0.9]，步長為0.1；緊致度取值范圍為[0.1～0.9]，步長為0.1[22].設置相同分割尺度，包含兩種參數(shù)的所有組合，確定最佳形狀因子和緊致度.分割尺度是保證分割對象異質(zhì)性的最小閾值.從圖5可以觀察到分割尺度參數(shù)越大，生成的分割對象越大.經(jīng)過反復對比，確定最佳分割尺度.

3 結(jié)果與分析

3.1 樹冠區(qū)域的提取及優(yōu)化

本研究改進了傳統(tǒng)直接進行多尺度分割的單木樹冠提取方法，在多尺度分割之前，基于研究區(qū)的多光譜影像計算NDVI，提取樹冠區(qū)域，并進行雙邊濾波.樹冠區(qū)域提取及濾波后的優(yōu)化結(jié)果如圖6所示.從圖6A可發(fā)現(xiàn)，由于空間分辨率較高同一樹冠內(nèi)紋理細節(jié)顯著且亮度不均問題比較明顯；從圖6B、6C、6D可看出，去除了背景后的樹冠區(qū)域更明顯，并且經(jīng)過雙邊濾波處理后，樹冠內(nèi)部的紋理細節(jié)被有效平滑，同時保護了樹冠的邊緣輪廓，優(yōu)化效果較好.

3.2 多尺度分割結(jié)果與精度評價

3.2.1 分割結(jié)果 本研究使用eCognition軟件的多尺度分割算法對優(yōu)化的樹冠區(qū)域進行分割.分割時，對研究區(qū)優(yōu)化后的影像選取不同分割參數(shù)組合，經(jīng)過對比，選出最優(yōu)分割參數(shù)組合.試驗中設置波段權(quán)重均為1，確定最佳形狀因子為0.6,緊致度為0.5，再選取最優(yōu)分割尺度，最終得到研究區(qū)最佳分割參數(shù)組合(表1).

表1 改進方法最優(yōu)分割參數(shù)組合

本研究改進的單木樹冠提取方法分割結(jié)果如圖7A所示，為驗證本研究方法的準確性和有效性，對原始真彩色影像直接采用多尺度分割算法提取樹冠，對比確定的最優(yōu)參數(shù)組合(表2)，結(jié)果如圖7B所示.結(jié)果表明，未經(jīng)去除背景和濾波處理的多尺度分割結(jié)果中過分割現(xiàn)象嚴重，單木樹冠提取結(jié)果較差，說明本研究改進方法有效抑制了背景影響和減少了過分割問題.

表2 傳統(tǒng)方法最優(yōu)分割參數(shù)組合

3.2.2 精度評價 為了進一步分析采用本研究改進方法提取單木樹冠的效果，通過目視解譯的方式得到參考圖(圖7C)；將兩種方法的分割結(jié)果與參考圖進行對比分析，評價分割精度.

將參考圖中樹冠與分割圖中樹冠的空間關(guān)系分為5類：匹配、接近匹配、丟失、過分割和欠分割[23].其中，匹配是指參考樹冠和分割樹冠的重疊部分占各自的80%以上；接近匹配是指參考樹冠和分割樹冠的重疊部分占其中一方的80%以上；丟失是指參考樹冠內(nèi)一半以上的面積沒有出現(xiàn)分割樹冠；過分割指是指一個參考樹冠中大部分面積被多個分割樹冠占據(jù)；欠分割是指多個參考樹冠被一個分割樹冠所代替[23].5種分割情況的效果圖如圖8所示,其中，藍色為參考圖的樹冠，紅色為本研究改進方法分割的樹冠.

利用分割準確率、分割召回率和F測度3個指標進行精度評價，三者定義如下：

(4)

(5)

(6)

式中：Nc表示被正確分割的樹冠個數(shù)，即匹配和接近匹配的樹冠個數(shù)之和；Nd表示本研究改進方法分割的樹冠總數(shù)；Nr表示參考圖中樹冠分割總數(shù)；Ad代表分割準確率；Ar代表分割召回率.

經(jīng)過統(tǒng)計分析，參考圖的分割結(jié)果為238個單木樹冠，采用本研究改進方法分割，總共分割出單木樹冠261個，直接對原始影像進行多尺度分割，總共分割出 369個對象，具體分割情況如表3所示.從表3可知，傳統(tǒng)分割方法中正確分割的樹冠為149個，分割準確率為57.09%，分割召回率為 40.38%，F(xiàn)測度為47.30%；改進的單木樹冠提取方法中正確分割的樹冠有200個，分割準確率達到76.63%，分割的召回率為84.03%，F(xiàn)測度達到80.24%.對比發(fā)現(xiàn)，改進后的單木樹冠分割準確率得到了有效提高，影響改進前分割精度的主要因素是過度分割，說明改進方法有效抑制了過分割現(xiàn)象，另外改進前背景的存在也是使分割精度降低的原因之一.

表3 單木樹冠分割統(tǒng)計表

4 小結(jié)

本研究選取郁閉度高的闊葉林區(qū)，基于無人機多光譜影像，結(jié)合闊葉樹冠的特點，在提取植被特征的基礎(chǔ)上，采用雙邊濾波，最后采用面向?qū)ο蟮亩喑叨确指罘椒?，得到單木樹?結(jié)果表明，與直接對原始真彩色影像采用多尺度分割方法的結(jié)果相比，本研究改進方法的過分割問題被有效抑制.經(jīng)過精度評價，改進方法的分割準確率達到76.63%，F(xiàn)測度為80.24%，說明該方法有效地減小了背景對分割精度的影響，有效抑制了傳統(tǒng)多尺度分割方法中的過分割問題，可對郁閉度較高的闊葉林區(qū)單木樹冠進行自動提取.