采用水平集方法的無人機可見光DOM樹冠分割

李亞東，曹明蘭，李長青，馮仲科，賈樹華

采用水平集方法的無人機可見光DOM樹冠分割

李亞東1,2，曹明蘭1，李長青1，馮仲科2，賈樹華3

（1. 北京工業(yè)職業(yè)技術(shù)學院，北京 100042；2. 北京林業(yè)大學精準林業(yè)北京市重點實驗室，北京 100083；3. 內(nèi)蒙古大楊樹林業(yè)局，大楊樹，022456）

在天然林、混交林、復層林等復雜林分條件下，可見光森林影像受林分郁閉度、冠層結(jié)構(gòu)、攝影季節(jié)等影響較大，對其進行樹冠提取時，現(xiàn)有方法無法保證精度且缺乏有效的人工介入機制。該研究探索了一種能夠在低郁閉度時自動分割，高郁閉度時可適當人工介入的樹冠分割方法。先將無人機可見光森林影像處理成數(shù)字地表模型（Digital Surface Model，DSM）、數(shù)字高程模型（Digital Elevation Model，DEM）和數(shù)字正射影像圖（Digital Orthophoto Map，DOM），DSM與DEM相減得到樹冠高模型（Canopy Height Model，CHM），利用局部最大值法從CHM提取樹頂點的平面位置生成泰森多邊形，并以其外接矩形為基礎(chǔ)生成樹冠范圍矩形，遍歷并切分出單株立木樹冠范圍影像，進行各向異性擴散濾波后，通過水平集方法演化出樹冠邊界曲線。利用C#語言在ArcGIS Engine上實現(xiàn)基于水平集模型的可嵌入ArcMap運行的樹冠分割插件。利用該插件對選自內(nèi)蒙古大興安嶺大楊樹林業(yè)局乃木河林場的不同郁閉度、不同樹種組成的9塊50 m×50 m天然混交林標準地的DOM影像進行樹冠提取試驗，同時與手工提取法和SVM圖像分割法進行對比分析。結(jié)果表明本文方法的提取速度比手工提取法平均提高了45.97%；提取精度比SVM圖像分割法平均提高了15.29個百分點。該方法在郁閉度低冠幅大時強調(diào)效率，在郁閉度高冠幅小時保證精度，是一種可伸縮性和通用性強的方法。

無人機；水平集；樹冠分割；可見光；正射影像

0 引 言

樹冠是反映樹木生長狀況的重要參數(shù)[1]，通過樹冠可推算林分密度、公頃株數(shù)、郁閉度等林分參數(shù)[2-5]，通過建立數(shù)學模型可估測森林蓄積量、森林生長量、病蟲害等[6-8]。采用傳統(tǒng)方法測量樹冠時工作量大、效率低，對測量結(jié)果難以復核[9]，而森林遙感影像提取樹冠方法可彌補傳統(tǒng)樹冠測量的不足。森林影像的紋理復雜、樹冠邊緣不規(guī)則，因此森林影像中分割樹冠是森林影像處理的一項研究熱點。早期研究以高分辨率衛(wèi)星影像為主要數(shù)據(jù)源[10]，但由于衛(wèi)星遙感平臺的軌道、高度、周期等原因，在尺度、時效性、成本等方面受到了一定制約。

無人機遙感平臺具有周期短、分辨率高、操作簡單、機動靈活等特點[11]，彌補了衛(wèi)片影像的不足。無人機搭載可見光相機比搭載多光譜相機和激光雷達，更加突出了其成本和靈活性方面的優(yōu)勢，在森林計測領(lǐng)域的應用日趨廣泛。近年來對無人機森林影像樹冠分割的研究較為活躍，但大多以多光譜相機和激光雷達數(shù)據(jù)源為主[12-17]，專門針對無人機搭載可見光相機的樹冠分割研究很少。目前針對無人機搭載普通光學相機樹冠分割的研究，主要采用了光譜特征分類與紋理特征結(jié)合的面向?qū)ο蠓诸惙╗18]、尋找最優(yōu)閾值的標記控制分水嶺分割法[19]、聚類與分水嶺相結(jié)合的分割法[20]等，這些方法在人工林、純林、某一樹種等特定數(shù)據(jù)集上取得了較好的效果。但中國森林面積64%以上是天然林，其中存在大量的混交林、復層林等復雜林分結(jié)構(gòu)，樹冠分割受林分郁閉度、冠層結(jié)構(gòu)、樹種組成等影響較大，采用以上方法時存在如下問題：對影像進行特征篩選或樣本訓練時，由于可見光影像只有RGB（Red、Green、Blue）3個波段，可用于統(tǒng)計建模的信息量少，對天然林復雜林分結(jié)構(gòu)建立的模型或參數(shù)的通用性較差。分水嶺分割方法對人工林或純林進行樹冠分割的效果尚可；但對樹冠紋理、形狀及冠幅差異較大的天然混交復層林，采用腐蝕和膨脹等形態(tài)學運算對粘連樹冠進行分割時，結(jié)果的可靠性低。對于郁閉度較大的天然混交復層林，無法完全擺脫人工，僅靠算法自動正確地分割出林分所有樹冠，然而上述方法均缺少人工介入機制。鑒于此，本文探索一種能在低郁閉度時自動分割、高郁閉度時可適當人工介入的可交互式無人機可見光數(shù)字正射影像圖（Digital Orthophoto Map，DOM）影像分割通用方法。

1 方法原理與步驟

水平集（level set）算法是美國數(shù)學家Osher和Sethian提出的[21]，因能夠自動處理曲線的分裂、合并等拓撲變化而得到廣泛使用[22]。主要思想是將低維的計算上升到更高一維上進行處理。水平集方法能利用圖像全局信息，克服了傳統(tǒng)圖像分割方法邊界斷續(xù)、擴展性差的缺點，對目標和背景灰度分布較均勻的DOM影像的分割效果好，且抗噪性好、實現(xiàn)簡單、能夠直接獲取到邊界矢量數(shù)據(jù)，容易進行樹冠邊界的調(diào)整。基于水平集的無人機可見光DOM影像樹冠分割方法的具體步驟如下：

1）利用無人機搭載光學相機和PPK（Post Processing Kinetic）雙頻GPS后差分模塊獲取高重疊率影像，由PPK數(shù)據(jù)解算出攝影中心精確線元素，并與影像數(shù)據(jù)、POS（Position and Orientation System）數(shù)據(jù)經(jīng)軟件處理得到數(shù)字地表模型（Digital Surface Model，DSM）、數(shù)字高程模型（Digital Elevation Model，DEM）和DOM。

2）利用局部最大值算法[23]得到樹頂點水平位置數(shù)據(jù)，對少量偏差大的點進行手工調(diào)整，再利用樹頂點生成泰森（Voronoi）多邊形，根據(jù)林分平均胸徑和平均高等已知數(shù)據(jù)對泰森多邊形的外界矩形設置一定預留量，確保每個樹冠范圍矩形能夠完整包含該株立木的樹冠范圍。

3）遍歷所有樹頂點，并利用其樹冠范圍矩形切割DOM得到的其各自的樹冠范圍影像。

4）為使樹冠范圍影像突出樹冠邊界，簡化細節(jié)，使樹冠和背景的灰度分布更均勻，對其進行各向異性擴散濾波[24]處理，

5）利用樹頂點設置水平集的初始值，并從各樹冠范圍影像分別演化出其包含的所有樹冠邊界線。

6）利用GIS（Geographic Information System）拓撲構(gòu)面算法，對每一株樹冠范圍影像的所有樹冠邊界線和其樹冠范圍矩形進行拓撲構(gòu)面.

7）并利用樹頂點與拓撲構(gòu)面結(jié)果之間的空間關(guān)系，提取出該株立木對應的目標樹冠多邊形。

8）利用GIS空間分析判斷該目標樹冠多邊形與樹冠范圍矩形是否相交，進而判定是否需要人工介入編輯。

9）對這些少數(shù)無法自動正確分割，需要人工介入的目標樹冠多邊形進行手工編輯。具體如圖1所示。

2 試驗方法與數(shù)據(jù)處理

2.1 試驗區(qū)概況

本次試驗標準地選自內(nèi)蒙古大興安嶺大楊樹林業(yè)局乃木河林場（東經(jīng)123°29′53″～125°18′37″，北緯49°12′42″～50°19′40″）。乃木河林場總面積793 033 hm2，其中林業(yè)用地643 414 hm2，有林地面積398 446 hm2，森林覆蓋率50.24%。海拔300～450 m之間，溫帶大陸性氣候，年平均氣溫-0.8 ℃，年平均降雨量450 mm，平均濕度85%，日照數(shù)為2 439.1 h，無霜期為110 d。主要樹種有落葉松、樟子松、白樺、山楊、黑樺、柞樹。

從內(nèi)蒙古大興安嶺大楊樹林業(yè)局乃木河林場森林資源二類調(diào)查檔案數(shù)據(jù)庫中，以起源為“天然林”、土地種類為“混交林”作查詢條件，綜合考慮郁閉度、樹種組成及林齡等分布，隨機抽取了9個小班，并在每個小班遠離林緣的位置，分別布設了50 m×50 m大小的標準地共9塊，標準地具體情況如下表1。

表1 標準地基本情況統(tǒng)計

2.2 數(shù)據(jù)采集

采用六旋翼無人機搭載AP5600微型5鏡頭傾斜攝影相機，成像傳感器大小23.2 mm×15.4 mm，像素大小為4.25m，焦距為20 mm，側(cè)視鏡頭傾角45?，照片大小5 742×3 648像素；同時搭載PPK雙頻GPS后差分模塊，對9塊標準地進行數(shù)據(jù)采集。為確保內(nèi)業(yè)數(shù)據(jù)處理得到的DOM影像能夠完整地覆蓋標準地，對每個標準地向四周擴充20%的邊長范圍進行了航空攝影數(shù)據(jù)采集，攝影航高為150 m，垂直相機航向重疊率為90%、垂直相機旁向重疊率為85%?，F(xiàn)地調(diào)查并統(tǒng)計了9塊樣地的立木實際株數(shù)，同時對標準地內(nèi)的每株立木的樹冠采用皮尺測定了東西、南北2個方向的冠幅值。

2.3 數(shù)據(jù)處理

內(nèi)業(yè)數(shù)據(jù)處理時，首先將外業(yè)采集到的9塊標準地60 m×60 m范圍的影像、POS數(shù)據(jù)和PPK數(shù)據(jù)導出，利用RTKLIB開源庫[25]對PPK數(shù)據(jù)解算出攝影中心的精確線元素，再與POS數(shù)據(jù)的角元素合并導入到ContextCapture進行三維重建，最后利用SimActive Correlator3D軟件經(jīng)過DEM編輯和正射校正處理得到DSM、DEM和DOM。本文采用C#語言在ArcGIS Engine平臺上，基于水平集的CV模型[26]開發(fā)可嵌入到ArcMap運行的樹冠邊界提取插件。利用插件對9塊標準地的DSM和DEM進行相減得到CHM，并利用局部最大值法從CHM提取樹頂點的水平位置。對少數(shù)偏差較大的樹頂點進行位置調(diào)整，并生成泰森多邊形，如圖 2a，并利用泰森多邊形生成了其對應的外接矩形如圖 2b。為了讓所有樹冠都完全處于樹冠范圍矩形的內(nèi)部，對外接矩形進行了25%的向外擴充，得到每一株立木的樹冠范圍矩形。

遍歷所有樹冠范圍矩形來切割DOM即可得到每一株單株立木的樹冠范圍影像。高分辨率樹冠范圍影像的過度細節(jié)化對樹冠提取有一定影響，為了消除樹冠細節(jié)、同時保留樹冠邊界信息，對單株立木的樹冠范圍影像進行了各向異性擴散濾波處理，其中一株立木的處理效果如圖3所示。

利用水平集方法對濾波后的樹冠范圍影像進行邊界提取。圖4是從樣地整體DOM中按樣木的樹冠范圍矩形切割出來的小影像，其邊框即樹冠范圍矩形，圖中線為自動提取到的所有樹冠邊界線，分別是來自3種不同郁閉度（低：≤0.59、中：0.60≤≤0.79、高：≥0.80）標準地中一株樣木的樹冠邊界水平集方法自動提取效果。

利用水平集方法對濾波后的樹冠范圍影像進行邊界自動提取時，在中低郁閉度條件下，大多數(shù)情況都能夠取得效果較好，可直接將自動提取結(jié)果作為最終結(jié)果使用（如圖4a、4b）。但在郁閉度偏高的林分仍有目標樹冠與周邊非目標樹冠存在粘連，未能正確分割的情況（如圖4c），需要進一步人工介入編輯這些未能正確分割的自動提取結(jié)果后，才能作為最終結(jié)果使用。

由于以上所得樹冠邊界線中含有非目標樹冠的邊界線，需要將目標樹冠單獨提取出來，因此將以上提取到的所有樹冠邊界線與樹冠范圍矩形框共同作為輸入，利用ArcGIS Engine提供的 IGeometryCollection接口進行了構(gòu)面處理，再構(gòu)面結(jié)果與樹頂點之間用IRelational Operator接口判斷是否存在相交（cross）關(guān)系，并將具有相交關(guān)系的多邊形作提取為目標樹冠多邊形。由于高郁閉度的林分情況下部分立木提取到的目標樹冠多邊形（如圖4c)需要進一步人工編輯。因每個樹冠范圍影像都能夠完全覆蓋對應立木的樹冠，因此正確提取到的目標樹冠多邊形的邊界不會與樹冠范圍矩形的邊框存在相交關(guān)系，因此可通過判斷自動提取到每一株立木的目標樹冠多邊形與其對應的樹冠范圍矩形之間是否存在相交關(guān)系來判定是否需要人工編輯，并將需要人工編輯的目標樹冠多邊形的屬性中標識了“建議人工介入”。

為了試驗的準確性，本文將9塊樣地的水平集模型的初始邊界線均設置為以樹頂點為中心的5×5（像素）的矩形，迭代時間步長為0.05，最大迭代次數(shù)為2 000次。為了統(tǒng)一人工介入標準，本試驗只對屬性中標識有“建議人工介入”的立木樹冠多邊形進行了人工編輯，即只對目標樹冠與非目標樹冠未能正確分割，被提取成一個多邊形的情形（如圖4c所示）進行了人工編輯。在實際人工編輯的過程中，操作人員結(jié)合專業(yè)知識與經(jīng)驗，在自動提取的目標樹冠多邊形的基礎(chǔ)上，利用插件所提供的編輯工具，進行手工勾繪修正并保存為最終結(jié)果。

將9塊樣地的DOM影像，按本文方法、支持向量機（SVM）的圖像分割法（Image segmentation method）、手工提取法（manual extraction method）共3個方法進行了株數(shù)與樹冠提取，并與現(xiàn)地調(diào)查的立木實際株數(shù)和皮尺測量的冠幅值進行了對比分析。株數(shù)識別精度的計算方法為

3 結(jié)果與分析

3種方法在不同樣地上的提取效果對比如圖5所示。

從圖5a可以看出，3種方法的株數(shù)識別精度隨樣地編號的增大，總體呈逐漸降低的趨勢。這主要是由于標準地1至9的郁閉度逐漸增加、林分密度逐漸增高、單株樹冠面積逐漸減小造成的。其中，3號標準地的株數(shù)識別精度最好，比郁閉度更低的1號、2號標準地的株數(shù)識別精度還好，是由于3號標準地是近熟林、冠幅大，而且落葉松和白樺的冠型簡潔清晰，比柞樹和山楊更容易識別。從對比結(jié)果來看，在株數(shù)識別精度方面，3種方法中本文方法的精度明顯高于SVM方法，基本與手工提取方法的精度相當。

從圖5b可知，3種方法中SVM方法的株數(shù)識別絕對誤差大于本文方法和手工提取法。這主要是因為SVM方法對粘連樹冠的錯誤分割所導致，相比之下由于本文方法可對錯誤分割的粘連樹冠進行人工介入編輯，因此株數(shù)識別絕對誤差較低，效果處于SVM和手工分割法之間。但隨著林分郁閉度的增加，3種方法的株數(shù)識別絕對誤差都呈現(xiàn)逐漸增大趨勢，這是因為隨著林分郁閉度的增大，對于柞樹和山楊等疏散分層形樹冠結(jié)構(gòu)的多主枝樹種而言，即使人工判讀也會產(chǎn)生一定錯誤識別。

從圖5c可知，隨著標準地林分郁閉度的增加，3種方法的樹冠分割平均精度呈逐漸降低趨勢，本文方法的樹冠分割平均精度總體上高于SVM方法，在9塊標準地上的冠幅提取平均精度比SVM方法提高了15.29個百分點。這主要是由于光學影像可用于建立統(tǒng)計學特征的信息量不足，導致SVM方法的樹冠分割精度不穩(wěn)定，在樹種較少且郁閉度較低的情況下分割效果尚可，但郁閉度大于0.6、樹種超過3種以上時冠幅提取精度明顯下降。手工分割方法的精度高于自動分割方法，但同時也會導致效率的下降，由圖5d可知，本文方法在低郁閉度條件下樹冠分割耗時最少，效率最高。這因為本文方法不需要樣本訓練，因此在郁閉度低，冠幅大的林分分割時耗時低于SVM方法。雖然隨著郁閉度的增加，需要人工介入的編輯的目標樹冠不斷增加，本文方法的分割效率呈現(xiàn)出下降趨勢，但總體上好于手工分割方法，在9塊標準地上的樹冠分割速度比手工方法平均提高了45.97%。

結(jié)合圖5c和圖5d以看到，本文方法在低郁閉度時，耗時少于SVM方法，強調(diào)了分割效率。在高郁閉度時，樹冠分割平均精度呈現(xiàn)出更加趨向于人工方法的趨勢，保證了分割精度。是一種能夠靈活地人工介入的，可伸縮性強的方法，對于樹種組成復雜，密度分布不均勻的天然林影像而言通用性更強。該方法具有以下優(yōu)點：1）無需設置初始值，因此樹冠分割不受初始值影響、有效避免了初始值設置不當導致的錯誤分割，而且無需針對每個標準地訓練大量的樣本，從而提高了樹冠分割效率。2）相比機器學習方法通過林分樣本訓練尋找全局最優(yōu)參數(shù)的方式，本文方法根據(jù)樹頂點水平位置生成泰森多邊形等一系列步驟，將水平集模型的邊界演化控制在單株樹冠范圍內(nèi)，具有面向?qū)ο笮浴?）與分水嶺方法分割結(jié)果得到林分總體冠幅的柵格文件相比，水平集CV模型的分割結(jié)果的樹冠輪廓不僅圖像被梯度驅(qū)動，同時還被邊界曲率驅(qū)動，從而可以直接得到面向單株樹冠的矢量邊界要素，更便于人工介入編輯調(diào)整錯誤分割結(jié)果。本文方法提供了靈活的人工選擇性介入的機制，在林分郁閉度低、冠幅大時強調(diào)了效率，在林分郁閉度高、冠幅小時強調(diào)了精度，具有較強的伸縮性和通用性，更具實用和推廣價值。

4 結(jié) 論

本研究提出了一種將水平集方法與GIS空間分析相結(jié)合的，可自動判定人工介入條件的可見光正射影像半自動提取樹冠的方法，并將該方法與基于向量機（SVM）的圖像分割方法和手工分割法，在不同郁閉度、不同樹種組成的9塊天然混交林的標準地上進行了對比試驗。試驗結(jié)果表明本文方法的冠幅提取平均精度比SVM方法提高了15.29個百分點，樹冠分割速度比手工方法平均提高了45.97%，在郁閉度低、冠幅大時強調(diào)了效率，在郁閉度高、冠幅小時保證了精度，有效緩解了天然混交林無人機森林可見光影像樹冠提取難度大，采用全手工分割時效率低、完全采用自動分割方法時無法保證精度的問題。

[1]曾晶. 基于LiDAR與DOM數(shù)據(jù)的單木參數(shù)提取與程序開發(fā)[D]. 北京：北京林業(yè)大學，2016. Zeng Jing. Tree Parameters Extraction and Software Development Based on LiDAR and DOM[D]. Beijing: Beijing Forestry University, 2016. (in Chinese with English abstract)

[2]于東海，馮仲科. 基于無人機傾斜航空影像的樹冠體積測算方法[J]. 農(nóng)業(yè)工程學報，2019，35(1)：90-97. Yu Donghai, Feng Zhongke. Tree crown volume measurement method based on oblique aerial images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 90-97. (in Chinese with English abstract)

[3]王偉. 無人機影像森林信息提取與模型研建[D]. 北京：北京林業(yè)大學，2015. Wang Wei. Forest Information Extraction and Model Building Based on UAV Image[D]. Beijing: Beijing Forestry University, 2015. (in Chinese with English abstract)

[4]陳崇成，李旭，黃洪宇，等. 基于無人機影像匹配點云的苗圃單木冠層三維分割[J]. 農(nóng)業(yè)機械學報，2018，49(2)：149-155，206. Chen Chongcheng, Li Xu, Huang Hongyu, et al. 3D segmentation of individual tree canopy in forest nursery based on drone image-matching point cloud[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 149-155. (in Chinese with English abstract)

[5]何藝，周小成，黃洪宇，等. 基于無人機遙感的亞熱帶森林林分株數(shù)提取[J]. 遙感技術(shù)與應用，2018，33(1)：168-176. He Yi, Zhou Xiaocheng, Huang Hongyu, et al. Counting tree number in subtropical forest districts based on UAV remote sensing images[J]. Remote Sensing Technology and Application, 2018, 33(1): 168-176. (in Chinese with English abstract)

[6]李亞東，馮仲科，明海軍，等. 無人機航測技術(shù)在森林蓄積量估測中的應用[J]. 測繪通報，2017(4)：66-69. Li Yadong, Feng Zhongke, Ming Haijun, et al. Application of UAV aerophotographic system in forest volume estimation[J]. Bulletin of Surveying and Mapping, 2017(4): 66-69. (in Chinese with English abstract)

[7]李亞東，曹明蘭，李長青，等. 無人機森林航攝影像三維點云估測林分蓄積量研究[J]. 中南林業(yè)科技大學學報，2019(3)：56-60. Li Yadong, Cao Minglan, Li Changqing, et al. A research on three-dimensional point cloud estimation of forest stand volume by UAV forest aerial survey images[J]. Journal of Central South University of Forestry & Technology, 2019(3): 56-60. (in Chinese with English abstract)

[8]費運巧. 森林病蟲害圖像分析算法研究[D]. 北京：北京林業(yè)大學，2016. Fei Yunqiao. Analysis of Image Segmentation Algorithms for Forest Diseases and Insect Pests[D]. Beijing: Beijing Forestry University, 2016. (in Chinese with English abstract)

[9]樊仲謀，周成軍，周新年，等. 無人機航測技術(shù)在森林資源調(diào)查中的應用[J]. 森林與環(huán)境學報，2018，38(3)：297-301. Fan Zhongmou, Zhou Chengjun, Zhou Xinnian, et al. Application of unmanned aerial vehicle aerial survey technology in forest inventory[J]. Journal of Forest and Environment, 2018, 38(3). 297-301. (in Chinese with English abstract)

[10]付堯，王新杰，孫玉軍，等. 樹冠提取技術(shù)研究進展[J]. 世界林業(yè)研究，2013，26(4)：38-42. Fu Yao, Wang Xinjie, Sun Yujun, et al. A study of tree crown information extraction method[J]. World Forestry Research, 2013, 26(4): 38-42. (in Chinese with English abstract)

[11]李德仁，李明. 無人機遙感系統(tǒng)的研究進展與應用前景[J]. 武漢大學學報：信息科學版，2014，39(5)：505-513，540. Li Deren, Li Ming. Research advance and application prospect of unmannedaerial vehicle remote sensing system[J].Geomatics and Information Science of Wuhan University, 2014, 39(5): 505-513, 540. (in Chinese with English abstract)

[12]于旭宅，王瑞瑞，陳偉杰. 改進分水嶺算法在無人機遙感影像樹冠分割中的應用[J]. 福建農(nóng)林大學學報：自然科學版，2018，47(4)：428-434. Yu Xuzhai, Wang Ruirui, Chen Weijie. Forest canopy segmentation of UAV remote sensing images using improved watershed algorithm[J]. Journal of Fujian Agriculture and Forestry University:Natural Science Edition, 2018, 47(4): 428-434. (in Chinese with English abstract)

[13]李文靜，王瑞瑞，石偉，等. 基于無人機多光譜影像的單木樹冠提取方法[J]. 福建農(nóng)林大學學報：自然科學版，2020，49(5)：639-645. Li Wenjing, Wang Ruirui, Shi Wei, et al. Crown extraction method of individual tree based on multi-spectral image of UAV[J]. Journal of Fujian Agriculture and Forestry University: Natural Science Edition, 2020, 49(5): 639-645. (in Chinese with English abstract)

[14]卜帆，石玉立. 機載LiDAR高差和高分影像的城市樹冠提取比較[J]. 遙感技術(shù)與應用，2017，32(5)：875-882. Pu Fan, Shi Yuli. The comparison of urban tree crown extraction based on airborne LiDARelevation difference and high resolution Imagery[J]. Remote Sensing Technology and Application, 2017, 32(5): 875-882. (in Chinese with English abstract)

[15]劉清旺，李世明，李增元，等. 無人機激光雷達與攝影測量林業(yè)應用研究進展[J]. 林業(yè)科學，2017，53(7)：134-148. Liu Qingwang, Li Shiming, Li Zengyuan, et al. Review on the applications of UAV-based LiDAR and photogrammetry in forestry[J]. Scientia Silvae Sinicae, 2017, 53(7): 134-148. (in Chinese with English abstract)

[16]全迎，李明澤，甄貞，等. 運用無人機激光雷達數(shù)據(jù)提取落葉松樹冠特征因子及樹冠輪廓模擬[J]. 東北林業(yè)大學學報，2019，47(11)：52-58. Quan Ying, Li Mingze, Zhen Zhen, et al. Modeling crown characteristic attributes and profile of larix olgensis using UAV-borne LiDAR[J]. Journal of Northeast Forestry University, 2019, 47(11): 52-58. (in Chinese with English abstract)

[17]耿林，李明澤，范文義等. 基于機載LiDAR的單木結(jié)構(gòu)參數(shù)及林分有效冠的提取[J]. 林業(yè)科學，2018，54(7)：65-75. Geng Lin, Li Mingze, Fan Wenyi, et al. Individual tree structure parameters and effective crown of the stand extraction base on airborn LiDAR data[J]. Scientia Silvae Sinicae, 2018, 54(7): 65-75. (in Chinese with English abstract)

[18]金忠明，曹姍姍，王蕾，等. 天山云杉林無人機可見光影像樹冠信息提取方法研究[J]. 林業(yè)資源管理，2020(1)：125-135. Jin Zhongming, Cao Shanshan, Wang Lei, et al. Study on extraction of tree crown information from UAV visible light Image of piceaschrenkiana var. tianschanica forest[J]. Forest Resources Management, 2020(1): 125-135. (in Chinese with English abstract)

[19]楊勇強，王振錫，師玉霞，等. 基于無人機影像的天山云杉林單木樹冠信息提取[J]. 新疆農(nóng)業(yè)科學，2020，57(8)：1484-1492. Yang Yongqiang, Wang Zhenxi, Shi Yuxia, et al. The extraction of single wood canopy of picea schrenkiana vartianshanica forest based on UAV image[J]. Xinjiang Agricultural Sciences, 2020, 57(8): 1484-1492. (in Chinese with English abstract)

[20]李丹，張俊杰，趙夢溪. 基于FCM和分水嶺算法的無人機影像中林分因子提取[J]. 林業(yè)科學，2019，55(5)：180-187. Li Dan, Zhang Junjie, Zhao Mengxi. Extraction of stand factors in UAV image based on FCM and watershed algorithm[J]. Scientia Silvae Sinicae, 2019, 55(5): 180-187. (in Chinese with English abstract)

[21]Osher S, Sethian J A. Fronts propagating with curvature dependent speed: Algorithms based on hamilton-jacobi formulation[J]. Journal of Computational Physics, 1988, 79: 12-49.

[22]宋昱，吳一全，畢碩本. 邊緣修正CV模型的衛(wèi)星遙感云圖分割方法[J]. 光學學報，2014，34(9)：30-37. Song Yu, Wu Yiquan, Bi Shuoben. Satellite remote sensing cloud image segmentation using edge corrected CV model[J]. Acta Optica Sinica, 2014, 34(9): 30-37. (in Chinese with English abstract)

[23]劉江俊，高海力，方陸明，等. 基于無人機影像的樹頂點和樹高提取及其影響因素分析[J]. 林業(yè)資源管理，2019(4)：107-116. Liu Jiangjun, Gao Haili, Fang Luming, et al. Tree vertex and height extraction based on UAV imagery and analysis on its influencing factors[J]. Forest Resources Management, 2019(4): 107-116. (in Chinese with English abstract)

[24]Yu Y, Acton S T. Speckle reducing anisotropic diffusion[J]. IEEE Transactions on Image Processing, 2002, 11(11): 1260-1270.

[25]丁鑫，陶庭葉，陶征廣，等. RTKLIB軟件結(jié)構(gòu)及調(diào)用方法[J]. 導航定位學報，2020，8(4)：93-99. Ding Xin, Tao Tingye, Tao Zhengguang, et al. Discussion of software structure and calling method for RTKLIB[J]. Journal of Navigation and Positioning, 2020, 8(4): 93-99. (in Chinese with English abstract)

[26]Chan T F, Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.

Crown segmentation from UAV visible light DOM based on level set method

Li Yadong1,2, Cao Minglan1, Li Changqing1, Feng Zhongke2, Jia Shuhua3

(1.,100042,; 2.,100083,; 3.,022456,,)

Under complicated forest stands like natural forest, mixed forest, and multi-storied forest, the visible light forest images are greatly influenced by the canopy density, canopy structure, and photographing season, etc. During the crown extraction, the existing methods fail to guarantee the precision and lack effective manual intervention mechanism. A universal, flexible, and practical crown segmentation method, which could realize the automatic segmentation under low canopy density and appropriately implement the manual intervention under high canopy density, was explored in this study. The unmanned aerial vehicle (UAV) visible light forest images were firstly processed into DSM, DEM, and DOM, the CHM was obtained by deducting DEM from DSM, the plane position of tree top was extracted from CHM via the local maximum method to generate a Thiessen polygon, a rectangle of crown range was generated based on its bounding rectangle, the image of crown range of an individual standing tree was traversed and segmented, and after the anisotropic diffusion filtering, the boundary curve of crown was evolved out through the level set method. A level set CV model-based crown segmentation plug-in that could operate with embedded ArcMap was implemented on ArcGIS Engine via C# language, this plug-in was used to do the crown extraction test of DOM images in nine 50 m×50 mstandard mixed forest sample plots with different canopy densities and different species compositions Naimuhe forest farm of Inner Mongolia Great Khingan Dayangshu Forestry Bureau, and meanwhile, this method was compared with the manual extraction method and SVM image segmentation method. The results showed that the extraction rate of the proposed method was averagely elevated by 45.97% in comparison with that of the manual extraction method, and the extraction accuracy was averagely improved by 15.29 percentage pionts compared with that of the SVM image segmentation method. Directing at the problems existing in the crown extraction from UAV forest visible light images of natural mixed forests, namely, the extraction difficulty was great and the existing methods were of low precision, a method integrating level set and selective manual intervention was proposed in this study, thus effectively avoiding the large workload in the full manual segmentation, and solving the problem that the precision could not be guaranteed by the machine learning method, which was inconvenient for the manual intervention. The level set method, which was not influenced by the initial value, was used, so it was unnecessary to seek for the initial value by training a large quantity of samples, and the crown segmentation efficiency was improved. The crown segmentation result is the vector line factor of the crown boundary of an individual standing tree, which can flexibly edit individual crowns. This method highlights the efficiency under low canopy density and large crown breadth, and guarantees the accuracy under high canopy density and small crown breadth, so it is of strong flexibility and universality.

unmanned aerial vehicle; level set; crown segmentation; visible light; ortho-image

李亞東，曹明蘭，李長青，等. 采用水平集方法的無人機可見光DOM樹冠分割[J]. 農(nóng)業(yè)工程學報，2021，37(6)：60-65.doi：10.11975/j.issn.1002-6819.2021.06.008 http://www.tcsae.org

Li Yadong, Cao Minglan, Li Changqing, et al. Crown segmentation from UAV visible light DOM based on level set method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 60-65. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.008 http://www.tcsae.org

2021-01-13

2021-02-22

中央高校基本科研業(yè)務費專項資金項目（2015ZCQ-LX-01）。

李亞東，副教授，博士。Email：270273190@QQ.com

10.11975/j.issn.1002-6819.2021.06.008

S24；S758.5

A

1002-6819(2021)-06-0060-06