基于腾讯街景的林地郁闭度提取方法研究*

余付蓉 高 峻,2 付 晶,2

(1. 上海师范大学环境与地理科学学院，上海 200234；2. 上海师范大学城市发展研究院，上海 200234)

郁闭度作为森林生态系统的重要指标之一，已被广泛应用于林业、城市气候、大气污染和城市热岛效应等研究中。传统的郁闭度提取方法为样地法，即依赖粗集合统计和较小规模的调查进行森林郁闭度提取。随着科研水平的提高和技术的进步，郁闭度的计算和提取方法也得到了长足的发展。朱教君等[1]应用全天空照片实现了郁闭度的估算；祁有祥等[2]通过将数码照片转换成鱼眼照片，采用Photoshop、ArcGIS等软件实现了郁闭度的快速提取；刘芳等[3]对传统树冠投影法和基于GIS的树冠投影法进行了比较研究，结果表明，基于GIS的树冠投影法能提高精度和工作效率；任德智等[ 4]提出 “缓冲区法” 进行郁闭度定量求算。但以上方法均有明显的局限性，需要进行实地调查，受到高成本和强劳动条件的制约，同时主观因素影响较大。这些局限性极大的限制了研究人员对郁闭度数据集的广泛获取和使用。

随着新兴的网络大数据的发展，在线街景服务为林地郁闭度的提取开辟了一条新的思路。本研究以上海植物园为研究对象，基于腾讯街景数据，利用图像拼接技术将圆柱形全景图转换成方位角鱼眼图像，经图像增强、图像二值化等处理后，对上海植物园内林地的郁闭度进行提取。把提取结果与通过非监督分类法计算得出的郁闭度以及实地勘测的郁闭度进行比较，以验证该方法的可行性和准确性。此种方法的应用，为衡量城市特征指标提供了比以往更高的采集频率及更精细的地理尺度。

1 研究方法

1.1 实地勘测法

实地勘测数据是通过调查时先将所要测定的树木进行定位，从多个方位测量每株树木的树冠边缘至树干的水平间距，并将其按比例绘制于图纸中，即通过树冠投影法计算得出郁闭度，是调查郁闭度较为准确的方法。

1.2 非监督分类法

非监督分类法是按照像元之间的联系程度进行归类的一种多元统计分析方法。本研究采用该方法的主要原因是其人工干预较少，因此数据获取具有相对科学性。

1.3 基于腾讯街景的林地郁闭度提取方法

1.3.1全景图块收集

腾讯街景是由8个水平摄像机拍摄的8幅原始图像按顺序拼接而成的360°全景图，具有360°的水平覆盖范围以及180°的垂直覆盖范围。研究中首先通过腾讯地图上的林地点位获取经纬度数据，再将获取的经纬度数据通过Python编写代码以获取8个水平方向的图块，镜头视场角为45°，因此8个图像可以覆盖360°水平视野。同时每个方向的图块依次获取3个垂直视角图块以及顶部90°垂直视角图块1张，共25张图块。上海市植物园其中一个样点的全景图块见图1。

1.3.2全景图拼接

从腾讯街景中下载的图像是单独的图块，因此需要将单独的图块拼接成全景图像。Hugin是由D′Angelo创建的开放软件[5-6]，能够将独立的方形图块组合成单个全景图，同时可以根据图块在三维半球上的偏航角及俯仰角来校准不同的图像位置 (图2)。

将每个样点下载的25个图块导入到Hugin中，手动输入每个图块与其水平视野的相对位置，包括偏航角、俯仰角及翻滚角度，图块则按重叠顺序排列 (图2a、b)。图块排列完成之后，通过Hugin自动计算所有产生的变形以及图像之间的重叠控制点，同时通过优化工具将边缘进行柔化处理 (图2c)，调整三维半球视场角和水平及垂直视野得到植物冠层鱼眼图像 (图2d)。

1.3.3鱼眼图像增强

鱼眼图像的实质是半球图像。将三维半球向上看时，一个半球形的镜头提供了整个天空的完整视图。在这样的视图中，由中心的顶点和边缘的地平线产生了一个圆形图像。由于视图方向向上，因此相对于北方，东方为逆时针方向，西方为顺时针方向。每个鱼眼图像的位置对应着可以用天顶角 (θ) 和方位角 (α) 表示的天空方向 (图3)。由于在鱼眼图像中，天空比冠层更亮，因此对鱼眼图像增强处理可以更准确地对 “冠层像素” 和 “天空像素” 进行分类。研究中通过Photoshop先改变照片的色调值，将彩色图像进行亮度和对比度的调整，使 “冠层像素” 和 “天空像素” 之间具有最佳的对比度。

1.3.4鱼眼图像二值化

图像增强后，需根据灰度将“冠层像素”和“天空像素”分开，即对图像进行二值化处理。Glatthorn等[7]对比分析了前人常用的二值化方法：边缘检测法、IsoData法、最大熵法、最小错误法、最小值法、最小直方图法以及Otsu法，发现最小直方图法效果最好。因此本研究采用DHPT软件中的最小直方图法进行图像二值化。

图1腾讯街景全景图块
Fig.1 Panorama block of Tencent Street View

图2腾讯街景全景图像拼接过程
Fig.2 Panoramic image mosaic process of Tencent Street View

图3鱼眼图像投影
Fig.3 Fish-eye image projection

研究中先将彩色图像转换成8位灰度图像，将确定表示为 “冠层像素” 和 “天空像素” 的灰度像素通过灰度极限阈值显示出来，继而在灰度上找出最大像素频率的灰度值。为了避免出现灰度值的突然变化引起的错误最大值，通常应用20个值的移动平均值将灰度值进行平滑处理。找到第1个最大值后，继续找第2个最大像素频率的灰度值 (仍在平滑值上)。2个最大像素值分别对应冠层和天空。2个最大像素频率值确定之后，选取最小值，该最小值则对应于阈值。如果像素值低于阈值，则将其归于黑色 (R=0，G=0，B=0)，即 “冠层像素”。相反，如果像素值高于阈值，则将其归于白色 (R=255，G=255，B=255)，即 “天空像素”[8-9]。二值化结果见图4。

1.3.5郁闭度提取

郁闭度可以通过树冠面积与照片总面积的比例从数字半球图像中获得[7]。通过鱼眼图像不同的颜色通道，并利用植物色素和天空颜色之间的差异，可以增强树冠和天空的分离，将分离后统计的 “冠层像素” 值与总像素值进行比值分析，即可计算出鱼眼图像郁闭度。

2 结果与分析

2.1 不同方法郁闭度提取结果

3种方法提取的郁闭度结果见表1。

实地勘测法是调查郁闭度较为准确的方法，因此研究中以实地勘测法所获取的郁闭度为实测值，而通过腾讯街景法与非监督分类法获取的郁闭度为估测值。对估测值与实测值的绝对误差进行分析[10-12]，结果见表2。

图4鱼眼图像二值化
Fig.4 Fish-eye image binarization

表1 3种方法计算的郁闭度值Table 1 The values of canopy closure calculated by 3 methods

由表2可知，腾讯街景法的绝对误差平均值 (0.036) 小于非监督分类法的 (0.038)，表明腾讯街景法估测的郁闭度相对于实测值的偏离程度比非监督分类的小。腾讯街景法的标准差 (0.042) 大于非监督分类法 (0.034)，表明腾讯街景法估测的郁闭度值不如非监督分类法稳定。这主要是由于样地5的|ΔX1|大于误差范围0.10所致，可能是由于样地5外围有花卉温室，对该地鱼眼图像边缘处的划分造成了影响，从而使估测郁闭度值偏小。因此把样地5的|ΔX1|值作为异常值。剔除异常值后，|ΔX1|的平均值(0.027) 小于|ΔX2|的 (0.038)，|ΔX1|的标准差(0.031) 小于|ΔX2|的 (0.034)，表明腾讯街景法估测的郁闭度值要优于非监督分类法的。因此，利用腾讯街景法提取林地郁闭度是有效的、可行的。

表2 郁闭度绝对误差Table 2 The absolute error of canopy density

注：|ΔX1|为实地勘测郁闭度与腾讯街景郁闭度的绝对误差；|ΔX2|为实地勘测郁闭度与非监督分类郁闭度的绝对误差。

2.2 精度评价

将2组估测值分别和实测值进行线性拟合，通过模型的决定系数 (R2) 和均方根误差 (RMSE) 来评价估测值的精度，拟合结果见图5和表3。

由表3可知，腾讯街景法的决定系数为0.977，均方根误差为0.054，为较优估测模型，而非监督分类法的决定系数为0.969，均方根误差为0.050，精度稍低于腾讯街景法。同时比较拟合直线方程斜率发现，腾讯街景法的拟合线方程斜率为0.952，小于1，表明腾讯街景法的整体估测值偏小；而非监督分类法的拟合线方程斜率为1.013，大于1，则表明非监督分类法的整体估测值偏大。2种方法的拟合线方程斜率均为正，说明腾讯街景提取的郁闭度以及非监督分类法计算出的郁闭度与实地勘测获得的郁闭度数据存在显著的正相关关系。总的来说，2种方法的估测精度差异较小，均可以用于估算林地郁闭度，并保证其测量精度。

图5 线性拟合结果Fig.5 Linear fitting results

郁闭度计算方法拟合线方程R2RMSE腾讯街景法y=0.952x-0.0130.9770.054非监督分类法y=1.013x+0.0080.9690.050

3 结论与讨论

通过郁闭度提取结果分析和精度评价，得出以下结论： 1) 剔除异常值后，腾讯街景法的绝对误差平均值 (0.027) 和标准差 (0.031) 均小于非监督分类法的，说明腾讯街景法的绝对误差离散程度小、相对稳定。2) 腾讯街景法的决定系数为0.977，均方根误差为0.054，为较优的估测模型。而非监督分类法的决定系数为0.969，均方根误差为0.050，精度稍低于腾讯街景法。3) 腾讯街景法的拟合线斜率为0.952，表明腾讯街景法的整体估测值偏小；而非监督分类法的拟合线斜率为1.013，则表明非监督分类法的整体估测值偏大。2种方法的拟合线方程斜率均为正，说明估测值和实测值存在显著的正相关关系。

本研究基于丰富的城市街景开源图像数据提出了利用腾讯街景图像来计算林地郁闭度的方法，与传统郁闭度测定方法相比,腾讯街景法能够避免主观人为拍摄的误差以及实地采集照片的费时费力，有利于获取大范围或区域的林地郁闭度，进一步促进林地资源调查及管理工作的进行。同时腾讯街景图像允许水平和垂直表示，能够全方位覆盖360°水平环境和180°垂直环境，更具客观化以及合理性。结果表明，腾讯街景图像能够弥补人工野外调查的不足, 有效地获取较大范围的精准数据, 提供适合评估林地郁闭度的方法，后期可以大范围应用于测量街道绿化。根据腾讯街景图像的特点，本研究使用了不同视角的腾讯街景图像，该方法对于评估林地郁闭度也更加合理。因此，腾讯街景图像提取的郁闭度可以帮助城市规划者和其他人进一步了解城市植物的遮荫功能。腾讯街景数据可以作为互补、丰富遥感影像提供的城市绿色信息的附加信息。随着开放数字数据的日益增加以及大数据获取手段的丰富，本研究将计算机视觉工具应用于量化植被指标，提出了一个现实、准确、易操作的林地郁闭度计算方式，为林地郁闭度提取提供了一条新的思路。