融合LiDAR點云與高分影像的單木檢測方法研究

劉 歡，王 玥，艾明耀

（1.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079）

隨著各種遙感技術(shù)的飛速發(fā)展，高分辨率光學(xué)遙感與三維激光雷達(dá)遙感在林業(yè)資源調(diào)查和監(jiān)測中應(yīng)用越來越廣泛，單木檢測更是林業(yè)資源管理和監(jiān)測的關(guān)鍵。高分辨率遙感影像具有高空間分辨率和紋理信息，但無法探測單木的垂直結(jié)構(gòu)信息，而激光雷達(dá)能夠穿透樹冠，獲取樹木從地面到樹冠的三維坐標(biāo)點云，但其輻射紋理信息缺乏[1]。將這兩種數(shù)據(jù)結(jié)合起來，提高基于遙感技術(shù)的單木分割提取和檢測的準(zhǔn)確性和效率，是當(dāng)前林業(yè)遙感發(fā)展的趨勢。

1 單木檢測方法

當(dāng)前基于高分影像的針對不同地理對象的分割分類方法已經(jīng)頗多，單木作為一種對象也是各種高分影像面向?qū)ο蠓指罘椒ㄌ崛〉难芯繜狳c，但受制于高分影像數(shù)據(jù)特點，各種基于高分影像的單木檢測只能提取勾勒出單木樹冠，難以實現(xiàn)單木定位及單木結(jié)構(gòu)信息的進(jìn)一步提取。

機(jī)載激光雷達(dá)可以獲取具有垂直分布結(jié)構(gòu)信息的樹木三維激光點云，使得單木檢測、定位及精確結(jié)構(gòu)參數(shù)提取成為可能。機(jī)載LiDAR點云濾波分類可快速構(gòu)建數(shù)字表面模型DSM和數(shù)字高程模型DEM，將 二者作差得到樹冠高度模型CHM，即可進(jìn)行單木提取分割[2]。王平等[3]利用在黑龍江省伊春市涼水自然保護(hù)區(qū)的LiDAR點云數(shù)據(jù)進(jìn)行了單木檢測與樹木參數(shù)提取研究，計算出單木冠幅大小，通過與實地測量數(shù)據(jù)對比，平均精度在85%以上。Chen等[4]提出過一種基于冠層極值模型CMM的樹頂探測方法對樹木冠層進(jìn)行分割提取，該方法所使用的空間插值方法和格網(wǎng)間距選擇會引入誤差導(dǎo)致單木分割不確定性。Koukoulas[5]采用機(jī)載LiDAR點云對闊葉林優(yōu)勢樹種的樹冠頂部多邊形進(jìn)行了檢測，通過與CHM疊加空間分析對單木的樹冠頂部進(jìn)行定位來提取樹高，得到91%的 精度。

當(dāng)前基于LiDAR點云的單木檢測研究表明，采用機(jī)載LiDAR點云單木分割結(jié)果精度與樹冠形狀多邊形提取精度以及所生成的CHM的精度息息相關(guān)，而高分影像則在樹冠分割方面具有顯著的優(yōu)勢，因此，本文提出將高分影像和機(jī)載LiDAR點云結(jié)合，以高分影像提取的樹冠作為約束，對機(jī)載LiDAR點云進(jìn)行單木點云分割，進(jìn)而引入局部冠層高度模型進(jìn)行單木定位和檢測，從而得到更準(zhǔn)確的單木檢測結(jié)果，提升單木定位精度，為后續(xù)單木結(jié)構(gòu)參數(shù)的提取奠定 基礎(chǔ)。

2 融合的單木檢測方法

本文單木檢測方法主要包括基于高分辨率影像的樹木范圍提取、原始點云與單木點云分類并分別生成單木冠層高度模型以及基于冠層高度模型的單木定位分割等主要步驟，其算法流程如圖1所示。

圖1 本文單木分割方法

本文方法以研究區(qū)域內(nèi)的高分影像和機(jī)載LiDAR點云為數(shù)據(jù)源，在高分影像和機(jī)載LiDAR點云數(shù)據(jù)嚴(yán)格配準(zhǔn)基礎(chǔ)上，以高分影像確定的單木分布區(qū)域作為約束輸入，將機(jī)載LiDAR點云中逐個單木點云分割出來，針對單木點云更加穩(wěn)健的建立精確的冠層高度模型（CHM），在此基礎(chǔ)上利用單木局部CHM對單木進(jìn)行準(zhǔn)確定位和分割。

2.1 高分辨率影像樹木范圍提取

高分辨率影像中樹木范圍的提取采用面向?qū)ο蠓指罘椒ㄔ谘芯繀^(qū)域的高分正射影像上進(jìn)行。面向?qū)ο蟮亩喑叨确指钔ㄟ^將相鄰的像素或小的分割對象合并，在保證這些對象與對象之間平均異質(zhì)性最小、對象內(nèi)部像元之間同質(zhì)性最大的前提下，形成各對象分割層，進(jìn)一步基于區(qū)域合并技術(shù)對分割對象進(jìn)行區(qū)域合并，形成各個影像對象，自動分割精度高[6]。本文直接采用易康（eCognition）軟件的面向?qū)ο蠖喑叨确指钅K對單木樹冠進(jìn)行分割，得到單木樹冠多邊形 圖層。

2.2 單木點云分類

高分正射影像經(jīng)過攝影測量幾何處理，與LiDAR點云精確配準(zhǔn)，具有相同的地理參考。將高分正射影像樹冠圖層與LiDAR點云疊加，以樹冠多邊形作為外接包圍盒，即可將單木點云逐個分離出來。圖2中分別給出了正射影像上單木樹冠多邊形、樹冠多邊形與LiDAR點云疊加和分離出的單木點云示例。

圖2 LiDAR點云單木分離

2.3 單木冠層高度模型（CHM）生成

冠層高度模型（CHM）為點云數(shù)字表面模型 （DSM）和數(shù)字地形模型（DEM）的差值，如 式（1）[7-9]：

對于單木點云，由于沒有其他類型地物，如建筑物、獨立地物等影響，可以直接以點云特征點插值生成DEM，DSM則由頂部點生成。較全局范圍內(nèi)CHM生成，局部單木點云生成CHM更為簡單和準(zhǔn)確。圖3中紅圈所示給出了部分典型單木點云的CHM。

圖3 單木點云CHM

2.4 基于分水嶺算法的單木CHM分割

得到單木點云CHM后，本文采用分水嶺算法對單木進(jìn)行定位和精確分割。具體步驟如下：

1）單木CHM圖像梯度處理，作為算法輸入圖像，如式（2）：

式中，f(x,y)即為輸入的單木CHM圖像；grad()為梯度運算。

2）對梯度圖像進(jìn)行閾值處理來消除灰度的微小變化產(chǎn)生的過分割，如式（3）：

式中，gθ表示閾值，通過多次實驗設(shè)置來取得梯度圖像的最佳限制效果，并獲得適量的待分割區(qū)域，以此確定最佳閾值，以得到最佳分割效果。

3）對圖像的每個像素進(jìn)行灰度由低到高的排序，并從低到高模擬進(jìn)行“水淹沒”，在這個過程中，每一個局部極小值都需要作出判斷并加以標(biāo)注。

最終，通過分水嶺變換得到的是CHM的蓄水盆圖像，蓄水盆地之間的邊界點，即為“分水嶺”，它表示圖像的極大值點[10-12]，取極大值點即為單木中心，對應(yīng)的CHM值即為樹木高度，基于單木中心可進(jìn)一步精化樹冠多邊形。

3 實驗結(jié)果與分析

3.1 實驗區(qū)域及數(shù)據(jù)

實驗區(qū)域采用Trimble Harrier68i設(shè)備獲取區(qū)域的光學(xué)影像和激光點云數(shù)據(jù)，制作高分辨率正射影像。點云間隔為0.2m，影像分辨率為5cm，測量精度優(yōu)于10cm。實驗區(qū)域的高分影像及LiDAR點云數(shù)據(jù)如圖4所示。

圖4 實驗區(qū)域及數(shù)據(jù)

為了驗證本文單木定位檢測精度，聯(lián)合高分辨率正射影像及LiDAR點云以目視解譯和實地核查的方式得到實驗區(qū)域內(nèi)單木數(shù)量、單木中心坐標(biāo)、單木高度等信息，視為地面真實數(shù)據(jù)，如圖5所示。

圖5 目視解譯結(jié)果

如圖中標(biāo)注點所示即為單木實驗區(qū)域內(nèi)共計147棵 單棵樹木，其中最大高度為26.554m，最低高度為1.011m。

3.2 結(jié)果分析

基于高分正射影像單木樹冠分割結(jié)果、基于LiDAR點云CHM單木分割結(jié)果和本文方法單木分割結(jié)果，如圖6所示。

圖6 3種方法單木分割結(jié)果

3.2.1 單木檢測精度

將3種單木檢測結(jié)果與地面真實數(shù)據(jù)進(jìn)行對比分析，分別統(tǒng)計單木檢測正確率，其結(jié)果如表1所示。

表1 實驗結(jié)果的統(tǒng)計

由表1可見，本文方法實驗結(jié)果整體上精度優(yōu)于基于高分正射影像和LiDAR點云CHM的單木分割結(jié)果的精度，分割結(jié)果中正確的樹木結(jié)果數(shù)量有較大提高。

3.2.2 單木定位和樹高精度對比

在分割結(jié)果中，選擇部分單木與實地測量結(jié)果進(jìn)行單木定位和樹高測量精度驗證，統(tǒng)計X、Y坐標(biāo)以及樹高數(shù)據(jù)，如表2所示?？梢钥闯?，本文方法比傳統(tǒng)的基于LiDAR點云CHM分割方法的定位與單木樹高精度均有提高。

表2 部分單木分割結(jié)果位置與樹高的統(tǒng)計/m

4 結(jié) 語

本文研究結(jié)合高分影像空間分辨率高而LiDAR點云數(shù)據(jù)具有三維信息的特點，提出融合這2種數(shù)據(jù)進(jìn)行單木檢測的方法，實驗結(jié)果表明：融合高分影像和LiDAR點云數(shù)據(jù)能夠充分利用高分影像和激光雷達(dá)點云優(yōu)勢，在一定程度提高單木檢測的結(jié)果精度，在城市園林調(diào)查監(jiān)測、森林調(diào)查等領(lǐng)域具有廣泛的應(yīng)用前景。