融合機載LiDAR 和植被指數(shù)的自適應(yīng)單木提取方法

代 震， 何 榮， 王宏濤， 白偉森

（河南理工大學(xué) 測繪與國土信息工程學(xué)院，河南 焦作 454000）

1 引言

樹高、植被范圍等是極為重要的植被信息數(shù)據(jù)，常常被應(yīng)用于森林反演、生物量估計等方面［1］。然而傳統(tǒng)獲取植被信息的方法多是通過測高儀等進行野外測量，耗費人力物力且無法應(yīng)對大面積森林區(qū)域。隨著無人機（Unmanned Aerial Vehicle，UAV）載荷能力的增加，搭載可見光相機，可獲取高精度影像，包含物體的紋理、光譜和物體間拓撲關(guān)系等二維表層信息，準確識別地物類型［2-4］；搭載激光雷達系統(tǒng)（Light Detection And Ranging，LiDAR）能夠穿透植被冠層獲取植被冠層表面和林下地形，從而快速獲取植被樹高胸徑等深層信息［5-7］。

無人機影像數(shù)據(jù)可生成精細的數(shù)字正射影像（Digital Orthophoto Model，DOM），利用可見光植被指數(shù)對DOM 進行分割，獲取精確的植被范圍［8-9］。其中，汪小欽等［10］依據(jù)歸一化植被指數(shù)原理構(gòu)建可見光波段差異植被指數(shù)，結(jié)果表明該指數(shù)提取精度可達90%以上；周濤等［11］針對綠色植被比重較大的城市區(qū)域，提出了一種差異增強植被指數(shù)（Differential Enhanced Vegetation Index，DEVI），加強了綠色植被綠波段反射率同時大于紅、藍波段的特性；Shen 等［12］結(jié)合多光譜數(shù)據(jù)與RGB 影像，估算森林結(jié)構(gòu)屬性，但由于植被作物混雜，很難區(qū)分光譜相近的目標地物。

樹高的獲取主要通過構(gòu)建冠層高度模型（Canopy Height Model，CHM），模型的精確性尤為重要。雖然無人機影像數(shù)據(jù)可生成包含各類地物的空間位置和高度特征的密集點云，但楊勇強等［13］通過無人機影像數(shù)據(jù)展現(xiàn)了不同郁閉度下的天山云杉單木分割效果，其在高郁閉度的林區(qū)精度欠佳。而Yang 等［14］通過無人機LiDAR數(shù)據(jù)提取植被冠層高度模型，能夠輕松獲取準確的空間信息，即使是在密集林區(qū)，也能穿透枝葉獲取部分的林下地形，生成的冠層高度模型誤差更小。張海清等［15］通過LiDAR 點云提取準確冠層模型，分析不同坡度下CHM 的畸變程度，結(jié)合數(shù)字表面模型校正冠層高度，確定了精細CHM的必要性。

然而，可見光影像對植被信息的提取存在局限性，只能提供植被表面的光譜紋理信息，難以區(qū)分相同地形條件下的垂直植被結(jié)構(gòu)，且光譜信號存在飽和現(xiàn)象［16］；生成的CHM 具有精確空間結(jié)構(gòu)，卻容易受到貼合地面的低矮植被影響，降低最終提取植被信息的精度。針對上面問題，李佳等［17］結(jié)合無人機影像中的顏色與高程信息，將公園綠地植被進一步細分，能克服植被提取局限但精度相對不足；肖冬娜等［18］分別融合不同植被指數(shù)與CHM，對人工種植的火龍果樹進行單木分割，聚焦于每株植被的冠幅輪廓，排除樹下低矮植被的干擾?；诖祟愃枷耄疚慕Y(jié)合兩種數(shù)據(jù)來源的優(yōu)勢，將CHM 與可見光植被指數(shù)進行融合，構(gòu)建具有顏色信息和空間結(jié)構(gòu)的CHM+DEVI 圖像，并通過分類回歸樹算法（Classification and Regression Tree，CART）［19］對植被垂直結(jié)構(gòu)自適應(yīng)細分，針對喬木區(qū)域進行單木分割。

分水嶺算法是單木分割最常見的算法，Meyer 等［20］在1990年首次提出了基于標記的分水嶺算法（Mark-Controlled Watered Segmentation，MCWS），避免了噪聲對影像的過分割；馬學(xué)條等［21］通過形態(tài)學(xué)開閉重建來清除圖像中的噪聲點，修正不合理值，進一步削弱過分割現(xiàn)象。MCWS 缺點是圖像分割效果與標記選取密切相關(guān)，因此精確的標記選取尤為重要，徐偉萌等［22］利用高斯濾波平滑影像，通過自適應(yīng)閾值分割算法提取區(qū)別于種子點的塊狀區(qū)域，獲得更為準確的標記范圍，提高了算法精度；Xu 等［23］修正局部最大值算法，以此獲取更為合理的提取標記，最終提高個體樹冠檢測精度。

以上述的融合圖像對單木分割方法進行改進，利用形態(tài)學(xué)重建算法修正融合圖像，構(gòu)建訓(xùn)練樣本，采用CART 算法分離出喬木、灌木和草地，在喬木區(qū)域采用局部最大值算法進行標記［24］，通過提高標記選取區(qū)域的準確性，達到提高分水嶺算法精度的目的。確定四個樣方區(qū)域，對比4 種單木分割算法的分割精度，將提取的植被信息與實測數(shù)據(jù)進行精度驗證，證明算法能夠在剝離混雜植被影響的前提下進一步提取單木，獲得較為準確的植被信息。

2 原理與方法

僅僅通過LiDAR 點云或植被指數(shù)獲取的植被信息都有其局限性，在植被混雜區(qū)域存在較大的精度誤差，難以運用到實際生活中。本文結(jié)合兩種數(shù)據(jù)的獨特優(yōu)勢，構(gòu)建一種包含顏色信息和空間結(jié)構(gòu)的融合數(shù)據(jù)，并以此提取植被，方法及流程如圖1 所示。

圖1 總體流程圖Fig.1 Overall flow chart

首先以機載激光點云通過布料模擬濾波算法得到地面點云，采用不規(guī)則三角網(wǎng)生成數(shù)字高程模型（Digital Elevation Model，DEM），結(jié)合激光一次回波生成的數(shù)字表面模型（Digital Surface Model，DSM）構(gòu)建包含空間信息的CHM，以無人機影像數(shù)據(jù)得到高精度的DOM，計算可見光植被指數(shù)，在比較不同植被指數(shù)精度后選擇差異增強算法計算包含顏色信息的DEVI 指數(shù)。然后融合CHM 和DEVI，生成同時具有空間結(jié)構(gòu)和顏色信息的CHM+DEVI 圖像，以此對標記控制分水嶺算法進行改進。融合圖像后進行形態(tài)學(xué)重建，去除小的突刺和融合的不平滑區(qū)域；建立相應(yīng)的訓(xùn)練樣本，通過分類回歸樹算法，分割地面范圍并自適應(yīng)提取植被為喬木、灌木和草地，對喬木區(qū)域采用局部最大值算法探測樹頂點，作為前景標記，非喬木區(qū)域賦為后景標記，標記圖像進行分水嶺變換得到分割結(jié)果。為驗證植被信息的估算精度，將該方法提取的樹木棵樹、樹高與實測數(shù)據(jù)分別進行精度分析。

2.1 可見光植被指數(shù)選取

植被指數(shù)是指對遙感圖像的兩個及兩個以上的光學(xué)波段進行組合運算，放大不同地物類別之間的差異性，從而達到有效區(qū)分地物的作用。在已有植被指數(shù)中，大多數(shù)是利用可見光與近紅外范圍的波段進行組合運算，主要包括干旱或碳衰減指數(shù)、窄帶綠度指數(shù)、寬帶綠度指數(shù)、冠層氮指數(shù)、光利用率指數(shù)、冠層含水量指數(shù)與葉綠素指數(shù)等七大類。其中可見光植被指數(shù)，是利用健康綠色植被的光譜反射特性呈現(xiàn)綠波段反射率同時大于紅、藍波段反射率這一特點，處理更容易獲取的RGB 影像。但是僅基于可見光波段構(gòu)造的植被指數(shù)相對較少，各自的適用范圍也不同，部分可見光植被指數(shù)的計算公式如表1 所示。

表1 可見光植被指數(shù)Tab.1 Visible vegetation index

通過無人機影像數(shù)據(jù)得到的高清數(shù)字正射影像，包含準確的RGB 三色波段，根據(jù)表1 可見光植被指數(shù)公式在ENVI 中進行計算，得到各指數(shù)結(jié)果，如圖2（a）～圖2（d）。同時采用人機交互的方式，將影像逐像元分成植被與非植被區(qū)域，植被區(qū)域像元個數(shù)為327 728，非植被區(qū)域像元個數(shù)為67 200，由于各可見光植被指數(shù)都無法分辨山火灼燒后的植被范圍，整體提取精度都受到影響，提取的植被區(qū)域的精度評價如表2 所示。以相應(yīng)的植被指數(shù)構(gòu)建直方圖，采用雙峰法確定準確的閾值，分割圖像得到植被和非植被區(qū)域，如圖2（e）～圖2（h）。根據(jù)表2，MGRVI 的統(tǒng)計直方圖不屬于雙峰直方圖，無法用雙峰直方圖法確定閾值；圖2 圈中的區(qū)域，RGRI、NGRDI 較大范圍出現(xiàn)過度分割現(xiàn)象，VDVI 較小區(qū)域出現(xiàn)欠分割現(xiàn)象。分析發(fā)現(xiàn)，對比另兩種指數(shù)，DEVI 和VDVI 能形成良好的直方圖雙峰圖像，獲得的分割閾值更為準確；另一方面，實驗數(shù)據(jù)的采集時間是夏季，綠色植被較多，而DEVI 可顯著增強綠色植被綠波段反射率同時大于紅、藍波段反射率這一特性，比VDVI 具有更強的針對性，因此選用DEVI 進行后續(xù)實驗，該指數(shù)植被提取效果最好，且雙峰直方圖閾值的范圍更容易確定，保持在0.9 到1 之間。

表3 標記分水嶺算法單木分割精度評價Tab.3 Accuracy evaluation of single tree segmentation in MCWS algorithm

圖2 可見光植被指數(shù)選取圖Fig.2 Selection of visible light vegetation index

2.2 CHM+DEVI 圖像融合

數(shù)據(jù)預(yù)處理時，機載激光數(shù)據(jù)和影像數(shù)據(jù)來自于不同的無人機系統(tǒng)，初始設(shè)置難以統(tǒng)一。解決方法是將無人機影像進行空三處理，生成大量密集點云，與激光點云通過迭代最近點算法（Iterative Closest Point，ICP ）進行配準，在三維空間上進行旋轉(zhuǎn)、平移，得到兩者誤差最小的配準結(jié)果。點云是后續(xù)一系列數(shù)字產(chǎn)品的基礎(chǔ)，匹配好點云數(shù)據(jù)的空間地理坐標，能夠降低精度誤差，保證生成的CHM 和DEVI 圖像空間三維坐標、分辨率一致。

融合思路：矢量化經(jīng)可見光植被指數(shù)計算RGB 影像得到的提取結(jié)果，進行形態(tài)學(xué)重建處理去除不合理值，在matlab 中將其與激光點云數(shù)據(jù)經(jīng)CHM 分割得到的矢量數(shù)據(jù)進行交集融合處理，得到完全融合后的CHM+DEVI 圖像。

融合效果對比如圖3 所示，在高清影像中通過人機交互劃分出準確的草地和喬木范圍，并在DEVI 指數(shù)、CHM 和融合圖像中疊加顯示?？梢悦黠@看到，林區(qū)植被的垂直分層現(xiàn)象中，DEVI 植被指數(shù)提取結(jié)果無法分辨出喬木層、灌木層和草地的區(qū)別，三者是同一灰度顯示（圖3（f）），而其中裸地與植被的辨別區(qū)分十分容易，可以精準的分離植被和地面范圍（圖3（b））；CHM 中包含空間信息，起伏的地形坡度變化容易與草地高程產(chǎn)生混淆，如圖3（c）虛線標識范圍，部分草地會誤判成地面，降低該區(qū)域的植被提取精度，而其準確的林下高程信息可以有效分離垂直植被結(jié)構(gòu)（圖3（g））；兩種來源數(shù)據(jù)在一定程度上是互補的，融合的CHM+DEVI 圖像明顯增加草地區(qū)域（圖3（d）），提高地面分割精度，同時能夠區(qū)分出區(qū)域植被喬木層、灌木層和草地（圖3（h）），精準描繪部分單木冠幅輪廓，顯示出來的結(jié)果更加貼合真實林區(qū)地貌。

圖3 融合效果對比圖Fig.3 Comparison of fusion effects

2.3 分類回歸樹自適應(yīng)提取

對融合后的圖像進行處理，構(gòu)建訓(xùn)練樣本集，采用分類回歸樹進行計算，在不同的實驗區(qū)，所構(gòu)建的決策樹模型會有不同的自適應(yīng)變化，以更貼合對應(yīng)林區(qū)的地形地物條件。CART 算法由Breiman 于1984年提出，是采用二分循環(huán)分割的方法，遞歸地構(gòu)建二叉決策樹的過程。算法針對分支屬性的度量指標是Gini 系數(shù)，根據(jù)Gini 系數(shù)對未分類的訓(xùn)練樣本集進行二分分割，每次分割后形成一個節(jié)點和兩個分支，不斷迭代循環(huán)，直至當前待分類的樣本集被判定為葉節(jié)點或滿足停止分裂的條件，最后生成一個簡潔明了的決策樹模型。

設(shè)S為大小為m、分類屬性為n的樣本集，用來定義n個不同分類Ci（i=1，2，…，n），則Gini 系數(shù)的計算公式為：

針對樣本集S，選取屬性H作為分支條件，將樣本集S分裂為條件H的子樣本集S1，與其余樣本組成的樣本集S2，條件Gini 系數(shù)為：

Gini 增益系數(shù)表示在一個條件下，信息不確定性減少的程度，以增益系數(shù)最大的屬性作為決策樹根節(jié)點屬性，公式為：

2.4 標記分水嶺算法改進

直接使用分水嶺算法易出現(xiàn)過度分割現(xiàn)象，尤其是經(jīng)過融合后的CHM+DEVI 圖像，疊加兩種圖像后的噪聲數(shù)量較大。因此需要采用圖像去噪算法，實驗發(fā)現(xiàn)，普通算法大多僅僅能濾除一些噪聲，針對融合后產(chǎn)生的不合理值效果欠佳。本文采用形態(tài)學(xué)開閉重建運算處理數(shù)據(jù)，去除噪聲并修正區(qū)域極大值與極小值，其中基于重建的開操作能夠去除小的突刺和樹冠間的牽連，重建的閉操作能夠填補小的像素空洞。

大小為1 的標記圖像P關(guān)于模板圖像G的測地膨脹和測地腐蝕定義為：

大小為n的標記圖像P關(guān)于模板圖像G的測地膨脹和測地腐蝕的定義為：

來自標記圖像P對模板圖像G的膨脹形態(tài)學(xué)重建表示為，腐蝕形態(tài)學(xué)重建表示為，大小確定的初始圖像經(jīng)過測地膨脹和測地腐蝕后，會在k次迭代后收斂并趨于穩(wěn)定。公式為：

形態(tài)學(xué)開閉重建運算主要以原始圖像作為模板圖像，對原始圖像進行腐蝕或膨脹操作，以處理后的圖像作為標記圖像，最后利用標記圖像與模板圖像進行重建。開運算重建為先腐蝕后膨脹，閉運算重建為先膨脹后腐蝕，表達式如式（7）所示：

其中，m為結(jié)構(gòu)單元B對圖像P的迭代次數(shù)。

分水嶺算法通過識別圖像灰度的細微變化來進行單木分割。主要原理是顛倒各像元的灰度值，圖像中的每個像素值都對應(yīng)地形中的海拔高度，使局部最大值變?yōu)榫植孔钚≈?，以浸沒模擬思想從最小值開始注水，隨著水位上升，形成的相鄰盆地會接壤，在臨界處構(gòu)建壩體，即單木輪廓。標記控制分水嶺法將分水嶺中自動探測的局部極小值變換為固定值，再進行分水嶺變換，去除偽樹冠點，減少過度分割，從而更準確地分割單木。

以CHM+DEVI 融合圖像對標記控制分水嶺分割算法進行改進，改進算法流程如圖4。圖像實現(xiàn)融合后先進行形態(tài)學(xué)重建，即基于重建的形態(tài)學(xué)開閉運算，去除圖像噪聲并修正不合理值；然后采用分類回歸樹算法，以包含顏色和高程信息的融合圖像構(gòu)建訓(xùn)練樣本集，分割地面范圍，自適應(yīng)提取植被為喬木、灌木和草地；最后在喬木區(qū)域采用局部最大值算法探測樹頂點，作為前景標記，非植被區(qū)域圈為后景標記，以標記圖像進行分水嶺變換。算法主要通過matlab 實現(xiàn)，標記圖像設(shè)為unit8 位圖像，前景標記賦值為255，后景標記賦為0，然后執(zhí)行分水嶺變換。

圖4 標記分水嶺算法改進流程Fig.4 Improvement process of marking watershed algorithm

3 實驗與分析

3.1 數(shù)據(jù)預(yù)處理

3.1.1 機載LiDAR 數(shù)據(jù)和影像數(shù)據(jù)

試驗區(qū)位于河南省洛陽市新安縣云夢山附近，選取自然樹林和人工種植林交叉的區(qū)域，采用六旋翼無人機搭載RIEGL VUX-1 激光掃描系統(tǒng)于2022年7 月20 日采集激光點云數(shù)據(jù)。無人機航高200 m，航帶旁向重疊率為70%。同時采用四旋翼無人機搭載高清數(shù)碼相機采集相同區(qū)域的遙感影像，傾斜攝影作業(yè)模式，航高150 m，航向重疊度、旁向重疊度均為80%，獲取RGB 影像259 張。對初始數(shù)據(jù)處理得到實驗區(qū)域的兩種點云數(shù)據(jù)，LiDAR 點云密度為112/m2，影像點云密度為276/m2，如圖5 所示。

圖5 初始數(shù)據(jù)生成點云Fig.5 Initial data generation point cloud

兩種點云數(shù)據(jù)經(jīng)過ICP 算法進行配準后，LiDAR 點云通過布料模擬濾波算法得到研究區(qū)地面點云，采用不規(guī)則三角網(wǎng)算法構(gòu)建DEM，激光一次回波只采集物體表面信息，以此構(gòu)建DSM，兩者相減得到冠層高度模型；以影像點云生成高清DOM，根據(jù)RGB 信息計算可見光植被指數(shù)，得到DEVI 影像。數(shù)據(jù)預(yù)處理中，生成的模型精度均為25 cm，較低的空間分辨率會造成標記分水嶺算法過分割，較高也會產(chǎn)生欠分割現(xiàn)象［29］。

3.1.2 地面實測數(shù)據(jù)

地面實測數(shù)據(jù)與機載數(shù)據(jù)同步開展，樹高由手持勃魯萊測高器測量。利用GPS 測量樣地單木位置，并人工標記。根據(jù)植被水平和垂直分布條件選取4 塊樣方區(qū)域，其中三塊位于自然林區(qū)，一塊位于人工種植區(qū)域，采用激光即時定位與制圖（Simultaneous Localization and Mapping，SLAM）掃描儀采集樣方實際地貌，并按高程顯示，如圖6 所示。

圖6 SLAM 高程顯示植被層次Fig.6 SLAM elevation displays vegetation hierarchy

樣方1 共有野生樹木89 棵，主要為櫟樹，區(qū)域內(nèi)有山火侵蝕的痕跡，中心與邊界的冠幅差距較大，植被混雜程度為中等，平均樹高約為7.9 m；樣方2 共有小型樹木153 棵，人工種植痕跡明顯，植被主要為梨子樹和女貞樹，平均樹高約為2.2 m，區(qū)域內(nèi)植被混雜程度高；樣方3 共有樹木73 棵，包含大部分的櫟樹和少量的山楂，樹木間隙低矮植被多有分布，混雜程度為中等，平均樹高約為7.6 m；樣方4 靠近山體，主要樹種為櫟樹，共有樹木162 棵，只有道路邊界分布少量灌木和草地，混雜程度低，平均樹高約為8.5 m。

3.2 基于訓(xùn)練樣本的自適應(yīng)提取結(jié)果

分類回歸樹是典型的監(jiān)督分類算法，樣本的選擇要具有代表性和典型性，在研究區(qū)內(nèi)構(gòu)建訓(xùn)練樣本的好壞程度，直接影響地物分類的最終優(yōu)劣。研究區(qū)位于山腳林區(qū)附近，只存在個別低矮建筑物，少部分水域為人工魚塘，這兩種地物不參與分類。區(qū)域內(nèi)地表植被類型復(fù)雜多樣，地面的樣本來自林間小路和部分林中裸地，裸巖石礫地為山丘、山脈等；草地在道路旁、森林邊緣和內(nèi)部空地均有分布；灌木包括多種植被類型，種類復(fù)雜難以分辨，但分布廣泛；喬木以區(qū)域櫟樹、山楂樹等為主，分布于密閉林區(qū)。通過對上述地物分布情況進行解譯，將研究區(qū)分為喬木、灌木、草地和地面4 類地物類型，在此分類體系下，本文對CHM+DEVI 融合圖像進行處理，用人機交互的方法選擇63 個樣本區(qū)域作為訓(xùn)練對象，所選樣本均勻分布在研究區(qū)內(nèi)，并且代表每一類別的象征區(qū)域。

通過訓(xùn)練樣本，自適應(yīng)提取的細分結(jié)果如圖7（c），不同地物類別用不同顏色進行標識（彩圖見期刊電子版），在水平方向上，喬木多分布于密閉林區(qū)，草地在道路兩側(cè)和森林邊緣生長茂盛；分析垂直結(jié)構(gòu)，顯示出草地范圍包裹灌木層再到喬木層的由低到高植被結(jié)構(gòu)，喬木的冠幅輪廓清晰可見，整體結(jié)果符合研究區(qū)地形生長條件。同時，試驗區(qū)緊鄰樣方1的樹林，如圖7中虛線所示，存在大面積山火灼燒的痕跡，（a）中可見光植被指數(shù)在該區(qū)域只提取中心區(qū)域的部分植被，無人機影像中火焰灼燒后的土地顏色呈現(xiàn)黑灰色，黑色區(qū)域降低了可見光波段的反射率，是植被指數(shù)分割失誤的根本原因；而融合圖像具有CHM 的空間信息，在可見光植被指數(shù)大面積失誤的同時，仍可以有效分離出植被和地面范圍，更進一步表示出喬木和灌木層。

圖7 植被細分結(jié)果與影響因素Fig.7 Vegetation subdivision results and influencing factors

3.3 植被提取與精度驗證

自適應(yīng)提取出研究區(qū)喬木、灌木、草地和地面后，根據(jù)喬木區(qū)域約束標記分水嶺算法，得到最終的植被提取信息。將得到的單木分割信息與高清RGB 圖像進行疊加顯示，如圖8 所示，分別代表研究區(qū)4 個樣方的單木分割結(jié)果，可以明顯看出分割效果。

圖8 單木分割疊加效果Fig.8 Single tree segmentation overlay effect

圖8（a）中準確顯示出林間空地，同時靠近道路邊界的喬木較為稀疏，山火灼燒較大影響了喬木的冠幅輪廓，缺失的水分使植被生長的枝葉較少；圖8（b）中人工種植林間隔較大，大量灌木植被，喬木層與灌木層混雜，單木提取效果比較好，能準確提取出各植被；圖8（c）中植被情況與圖8（a）相似，但植被生長更加茂盛，樹木間隙存在部分低矮植被，自適應(yīng)提取出喬木區(qū)域并對喬木區(qū)域分割，明顯提高了分割效果；圖8（d）中喬木郁閉度較高，樹木間隙較少，垂直結(jié)構(gòu)不明顯，分割效果也較差，對應(yīng)本文改進方法的局限性。

將4 個樣方植被的棵數(shù)與實測數(shù)據(jù)進行精度評價，具體以查全率R、查準率P、總體準確度F1得分指標評價單木分割精度［30-31］，計算公式如下：

其中：TP為正確檢測果樹棵數(shù)；FN為未檢測到果樹棵數(shù)；FP為錯誤檢測果樹棵數(shù)。

原算法和改進算法的單木分割精度評價結(jié)果如表2～表4 所示，樣方1、樣方2、樣方3 和樣方4 查全率R分別提高了3.3%，4.6%，4.2% 和1.3%，查準率P分別提高3.5%，6.3%，4.3%和1.8%，準確度F1 分別提高3.4%，5.5%，4.2%和1.6%，總體查全率R提高3.2%，查準率P提高3.9%，F(xiàn)1 得分提高3.5%。分析發(fā)現(xiàn)，單木分割準確度的提高程度與樣本區(qū)域樹木混雜程度有關(guān)聯(lián)，樣方1 與樣方3 相似的樹木混雜程度對應(yīng)接近的F1 提高效果，樣方1 中的山火影響并未直接干擾到樹木的生長棵樹變化。其中，樣方2區(qū)域主要為人工植被，樹木間距較大，產(chǎn)生誤判的可能性小，在排除其他混雜植被的干擾后有了更好的單木提取效果；而樣方4 的精度提高程度最差，原因是該區(qū)域的植被較為茂密且混雜程度低，在相同條件下更難以分割，錯分現(xiàn)象也難以改善，改進算法在郁閉單一林區(qū)的提高效果不明顯。

表4 改進算法單木分割精度評價Tab.4 Accuracy evaluation of single tree segmentation based on improved algorithm

為了更客觀、清楚地評判改進算法的優(yōu)劣性，對本文算法的分割結(jié)果與已測試過的其他3種單木分割算法的精度進行比較分析，包括MCWS 算法、點云距離聚類算法和深度學(xué)習(xí)算法，如圖9。分析發(fā)現(xiàn)，在4 個樣方中，分割精度高低為深度學(xué)習(xí)算法=改進算法＞MCWS 算法＞點云距離聚類算法，改進算法與深度學(xué)習(xí)算法分割精度總體相似，而深度學(xué)習(xí)受限于訓(xùn)練樣本，需要手動選取大量具有代表性的喬木樣本，當樣方區(qū)域干擾因素過多，比如在植被混雜程度高的樣方2，深度學(xué)習(xí)算法的精度就略低于改進算法；同樣，在植被混雜度低的樣方4 區(qū)域，單一樹種便于深度學(xué)習(xí)訓(xùn)練分割，精度就優(yōu)于改進算法。

圖9 多種單木分割算法對比Fig.9 Comparison of multiple single tree segmentation algorithms

最后以實測值樹高H與提取值h進行植被信息精度分析，分別計算各研究區(qū)實測值與提取值平均高程精度驗證結(jié)果ΔH［15］：

植被信息提取精度對比分析結(jié)果如圖10 所示，通過對標記分水嶺算法進行改進，在樣方1、樣方2、樣方3 和樣方4 中的提取樹高精度分別提高了1.7%，6.4%，1.8% 和0.3%。分析發(fā)現(xiàn)，改進算法與標記分水嶺算法的精度提高效果與各樣方喬木層、灌木層及草地混雜程度相關(guān)聯(lián)，樣方1 與樣方3 喬木、灌木混雜程度相似對應(yīng)接近的提取效果。其中，樣方2 植被垂直分布不均勻，人工種植植被高度較低，更容易受到其他層植被的干擾，因此改進后的提取效果更為明顯；樣方4 植被郁閉度較大，喬木、灌木及草地的混雜程度最低，改進的效果有限。

圖10 植被提取結(jié)果對比精度評價Fig.10 Comparison accuracy evaluation of vegetation extraction results

4 結(jié) 論

本文結(jié)合LiDAR 點云和可見光植被指數(shù)，新構(gòu)建一種具有顏色信息和空間結(jié)構(gòu)的CHM+DEVI 融合圖像，自適應(yīng)提取研究區(qū)的植被垂直結(jié)構(gòu)，并以喬木區(qū)域?qū)擞浄炙畮X算法進行改進，研究結(jié)果表明：

（1）以融合圖像構(gòu)建訓(xùn)練樣本，采用分類回歸樹算法自適應(yīng)分割出喬木、灌木、草地和地面。借助可見光植被指數(shù)區(qū)分草地和地面范圍，通過LiDAR 點云三維空間信息分離植被垂直結(jié)構(gòu)，同時改善可見光植被指數(shù)在山火區(qū)域的局限，有效分離出植被和地面范圍，更進一步表示出山火區(qū)域喬木和灌木分布。

（2）改進標記分水嶺算法的提取精度高于原算法。形態(tài)學(xué)重建修復(fù)融合圖像，去除噪聲和不合理值；在喬木區(qū)域約束標記范圍，提高了單木提取的精度；對比4 種單木分割算法在4 個樣方中的分割精度，并結(jié)合實測數(shù)據(jù)驗證改進算法單木分割效果，總體查全率R提高3.2%，查準率P提高3.9%，F(xiàn)1 得分提高3.5%，平均提取樹高提高2.55%，研究區(qū)植被混雜程度越高改進算法的提取效果越好。

相比于單獨數(shù)據(jù)的片面植被信息，本方法可以有效綜合激光和可見光不同來源數(shù)據(jù)的優(yōu)勢，獲取更廣泛、更深層的林地植被信息，對提升林業(yè)資源調(diào)查的準確性有重要意義。