无人机影像树冠信息提取研究

曾霞辉 ，王 颖 ，2，曾掌权 ，周 璀

（1. 中南林业科技大学 林学院，湖南 长沙 410004；2. 湖南汽车工程职业学院，湖南 株洲 4120001；3. 湖南省林业科学院，湖南 长沙 410004）

树冠是树种识别、计算树木的蓄积量、判断木材的材性、反映树木的生长活力与监测树木的生长情况等森林调查活动的重要指标。传统的林业调查方法和基于遥感图像目视解译的方法均存在许多缺点，如费时、费力和成本高等。近年来，随着无人机遥感的迅速发展以及遥感数据处理软件的不断完善，如何利用高分辨率的低空遥感数据，高效、准确、快速地获得树冠信息，成为了目前林业遥感中的重点与难点。国内外学者结合遥感技术和传统的林业调查，基于高分辨率遥感影像，提出了多种提取森林参数的方法[1-4]。目前，林木树冠信息提取的方法，主要有模板匹配法、局部最大值法[5-6]、多尺度分割法[7-8]、区域生长法[9-10]、谷地跟踪法、分水岭分割算法[11-14]、面向对象分类法[15-17]等。Kang 等[18]利用无人机拍摄的影像数据，以桉树林为研究对象，提出了一种基于数学形态学和J 阈值分割法的树冠面积识别方法；冯静静等[19]基于灰度梯度图像，结合面向对象多尺度分割方法和改进的数学形态学算子快速提取单木树冠信息。Jing 等[20]结合高斯滤波、多尺度分割和分水岭分割方法分割树冠，之后集成多个分割图生成树冠图。郭昱杉等[21]基于QuickBird 全色增强标准影像，以人工赤槐林和旱柳为研究对象，利用形态学滤波平滑图像，采用标记控制分水岭分割方法提取树冠。通过这些方法在郁闭度较低的林分中，提取精度较高，但在郁闭度较高的林分树冠提取精度较低。

本研究基于无人机高分辨率遥感影像，以湖南衡山森林生态系统定位观测研究站实验样地为例，提取树冠信息，在样地与单木两个尺度上对实验结果进行了精度分析。

1 研究区概况与方法

1.1 研究区概况

实验样地位于我国湖南省衡阳市的湖南衡山森林生态系统定位观测研究站（112°43′E，27°15′N），海拔约为280 m；属于典型的亚热带季风性湿润气候，四季变化明显，气候垂直分异现象明显；年平均气温约为12.2 ℃，年均降水量为1 400 ～2 100 mm，降水量与海拔高度呈正比；土壤主要由花岗岩风化物发育而成，通透性良好，矿物质丰富，样地土壤类型为山地黄壤，土壤pH值4 ～6。该站主要植被类型为针叶阔叶混交林，包括马尾松、香樟、檵木、桐树等树种，这些树种均为南岳地区广泛种植的人工林物种（图1）。

图1 实验样地地理位置Fig. 1 Geographic location of sample plot

无人机影像拍摄时间为2018 年7 月14 日，天气晴朗无云、无风，飞行时间为14:00—15:00，由红、绿、蓝3 个波段组成，所采用的无人机是dji 精灵Phantom_4 PRO，由飞行器、遥控器和云台相机组成。无人机影像数据包含JPEG 和DNG两种格式，使用JPEG 数据读取像素矩阵，DNG数据读取相机参数。利用全站仪布设大小为100 m×100 m 的实验样地，每个10 m 设立一个桩点，并采集每个桩点的经纬度坐标及高程。

1.2 研究过程

首先对无人机高分辨率遥感影像进行预处理，获取高精度的数字正射影像以及冠层高度模型等；然后基于数字正射影像和冠层高度模型，利用阈值法和K 邻近法提取树冠区域；接着基于树冠内部灰度变化小，而树冠边缘的图像灰度变化较大的特点，采用形态学滤波对图像进行平滑噪声处理；然后通过局部最大值法标记前景对象，最大类间方差法标记背景对象从而获得标记图像，利用强制极小值法根据标记图像修正梯度图像；最后对该梯度图像，通过分水岭分割方法提取树冠信息；树冠信息提取的具体流程如图2 所示。

图2 树冠信息提取流程Fig.2 Flowchart of tree crown extraction module

1.2.1 数据预处理

无人机影像拍摄过程中，受气流、相机自身限制等因素的影响，需要对影像进行匹配、拼接及三维重建等预处理。采用Agisoft PhotoScan 遥感数据处理软件，对无人机原始数据进行预处理，该平台是俄罗斯Agisoft 公司推出的摄影后处理平台，可以基于具有相应参考信息的重叠影像数据自动生成高质量三维模型，其优势是精度高、模型精细、全自动、工作流程直观以及CPU 计算性能高。软件根据多视图三维重建技术，通过数据定向、点云提取、立体建模、赋予纹理等步骤后，将导入的具有相应参考信息的重叠影像，生成带有地理参考的密集点云数据、纹理化的多边形模型、高分辨率的数字正射影像DOM 和高精度的数字表面模型DSM。根据实验样地的高程点数据，利用ArcGIS 构建数字高程模型DEM，利用DSM与DEM 相减，得到冠层高度模型CHM。

1.2.2 树冠区域提取

由于林下低矮植被、周围背景地物等会给树冠提取带来一定的干扰，因此需要先适当分离树冠区域和背景区域。传统的遥感影像信息处理和提取，一般基于像元进行，利用光谱特征的统计，对影像进行聚类分析，而无人机影像中光谱波段较少，纹理、几何等信息丰富，因此仅基于像元的分类方法不适用于无人机影像分类。面向对象分类方法，是将影像对象作为基本单位，根据影像对象的空间、纹理等信息提取地物，更适合于无人机高分辨率影像。

本研究利用K 邻近法和阈值法分别对数字正射影像和冠层高度模型进行分类处理，提取树冠区域。K 邻近法是通过测量不同影像对象与训练样本在N维空间的欧几里得距离，得到一个0 ～1的隶属度值，使得所有影像对象都被归类到不同类别中。基于数字正射影像，采用K 邻近法进行分类处理，去除树冠周围阴影、裸土等地物对象，获得树冠区域二值图；针对CHM 进行直方图分析，根据设定的阈值范围对CHM 做分类处理，去除低矮的植被，1 代表树冠区域（大于阈值部分），0代表背景区域（小于阈值部分）；利用ArcGIS 叠加分析工具提取两个二值图的交集，并生成掩膜图像（图3b），对数字正射影像做掩膜处理，获得树冠区域图（图3c）。

1.2.3 树冠信息提取

1.2.3.1 形态学滤波

图3 树冠区域提取结果Fig. 3 The extraction results of tree crown area

由于树冠内部亮度不均匀和噪声的存在，直接提取树冠标记时，可能造成分割的轮廓偏移或在一个树冠内探测出多个局部最大值而产生伪树冠顶点，从而会产生严重的过分割现象。为有效抑制噪声，在进行标记之前必须先对图像进行平滑处理，但传统的线性滤波器在平滑图像的同时可能会造成图像边缘模糊变形，而数学形态学滤波能有效滤除噪声，又能很好地保持轮廓信息和边缘细节信息，因此本研究选取形态学开闭重建运算进行图像平滑（图4）。

图4 图像平滑Fig. 4 Image smooth

形态学滤波器能够在简化图像数据和去除多余内容的基础上，保持其形状特性不变。其基本运算包括：膨胀（Dilate）、腐蚀（Erode）、开运算（Opening）和闭运算（Closing）等。设原始图像为G（x，y），参考图像g（x，y），结构元素为为B关于原点（0，0）的对称集合，代表当BS的原点移到（x，y）处，图像G通过结构元素B进行膨胀、腐蚀、形态学开和闭重建运算的定义式分别为：

式（1）～（4）中：⊕表示膨胀运算；⊖表示腐蚀运算；◦表开运算；⋅表开闭运算；代表测地膨胀收敛时的结果；代表测地腐蚀收敛时的结果。处理后的图像有效去除了比结构元素小的特定图像细节、斑点和非规则干扰，减少了因细节和噪声干扰引起的局部极值，保留了影像对象的形状和位置信息，避免了过度分割现象。

结构元素对滤波效果起到关键性的作用，其尺寸和形状的选定将直接影响提取效果，当结构元素尺寸过大时，会忽略掉一些小的树冠导致欠分割现象；当结构元素尺寸过小时，较大的树枝可能会被当做树冠分割出来，从而导致过分割。因此结构元素应该小于待分割对象大小的最小值，其形状应与待提取对象形状一致，树冠呈不规范圆形，因此选取圆盘形的结构元素，经过多次实验，选定结构元素与腐蚀元素的尺寸分别为4 和 8。

1.2.3.2 标记生成

图像平滑后，去除了大部分的噪声和局部极值，但仍存在一定的干扰，在此基础上预先提取顶点部分作为标记，可以有效地去除掉部分伪树冠顶点，从而提高分割精度。根据树冠灰度图像中树冠区域灰度值高且明亮、背景区域灰度值低且黑暗等特性，因此设定树冠顶点为分水岭分割的起点——集水盆。

本研究利用局部最大值法标记前景对象，即待提取对象内部连接的斑点像素，最大类间方差法（OTSU）标记背景对象[22]，即不属于待提取对象的像素。其中局部最大值是指连通且灰度值相同的像元，满足周围像素均小于该像元。OTSU 的阈值确定使用自适用模式，根据最小二乘法原理以及图像中待提对象与背景的灰度差异，计算得到一个最佳阈值，按照阈值把图像分成目标和背景两个部分（图5）。在形态学重建运算的基础上，计算局部最大值获取前景标记，通过OTSU 分割算法进行背景标记，接着利用H-minima（扩展最小变换）过滤无效标记，把无关的极小区域标记成零值，获得二值标记图像，利用距离变换计算待提取对象与背景间的距离，确定标记的范围，使得每个标记都对应到一个树冠，获取分水岭脊线。

图5 标记图像Fig. 5 The marking of images

1.2.3.3 分水岭分割

分水岭分割算法是一种基于拓扑理论的图像区域分割方法，将灰度图像视为一幅“3D 地形图”，每个像元的灰度值对应地形表面的高程，灰度值高的区域对应山峰，灰度值低的区域对应山谷，局部极小值及影响区域对应集水盆，集水盆之间的边界点对应分水岭。树冠灰度图像可以视为一个倒置的分水岭模型，集水盆的最低点表示树冠中心点，分水岭对应树冠边缘。分水岭算法一般针对梯度图像进行处理，在梯度图像中树冠边缘的灰度值会发生突变，因此根据梯度图像可以更好地提取树冠边缘。本研究中采用Sobel 算子进行x轴和y轴的滤波，通过求模运算得到梯度图像；利用强制极小运算将标记图像上标记添加到梯度图像上，使得只有前景和背景标记位置上有极小值；利用分水岭分割算法对修正后的梯度图像进行分割，得到最终结果。

2 结果与分析

2.1 实验结果

利用Matlab 编程，在利用阈值法和K 邻近法提取出树冠范围的基础上，将数学形态学滤波与分水岭分割算法应用到树冠信息提取研究中，取得了较好的效果，大多数的树冠被正确提取出来，但仍存在一些错分、漏分等现象。基于无人机影像的纹理特征等进行目视解译，具体实验结果及目视解译结果等如图6 所示。

2.2 精度分析

为了定量分析本文算法的有效性，从单木和样地两方面进行精度评价，单木尺度提取精度是通过计算提取树冠个数和参考树冠个数的百分比实现的，样地尺度评价是通过计算提取的树冠面积和参考的树冠面积之间的相对误差体现的。本研究所用的参考数据，是通过Arc GIS10.2 进行目视解译人工勾绘树冠得到的参考图。

2.2.1 单木树冠评价

图6 树冠信息提取结果Fig. 6 The extraction results of tree crown information

为验证本研究方法的准确性与有效性，将树冠信息提取结果导入ArcMap 中，与参考数据做空间统计分析、结果比较，评价树冠的分割情况。单木树冠分割情况的评判标准包括匹配、接近匹配、漏分、错分以及合并5 类：如果分割树冠与参考树冠的重叠面积占双方的50% 以上，则为匹配；重叠面积占其中一方的50%，则为接近匹配；参考树冠的50% 面积内无分割树冠，则为漏分；分割树冠中包括多个参考树冠则为合并；当分割树冠不存在对应的参考树冠则为错分。其中正确分割包括匹配以及接近匹配，漏分误差包括漏分和合并，错分属于错分误差。漏分一般因为遮挡或靠近大树等立木无法被分割，错分主要分为两种情况：一种是由于噪声的存在而将伪单木识别成单木，另一种情况是因为单木具有较大分支或者多个树冠顶点而将单木识别成多株。由于实验样地边界附近的树冠形状不完整，因此在对实验结果进行精度评价时，去除了处于边界上的树冠。

本研究的单木树冠评价是通过信息检索与统计学中的准确率Pd、召回率Pr和F测度体现的，准确率是指正确分割的树冠个数占所有分割出来树冠个数的比例；召回率是指正确分割的树冠占总目视解译树冠数的比例；F测度是对准确率和召回率的综合描述，F测度越高表示结果越好，计算公式分别如下：

式（5）～（7）中：Nc为分割正确的树冠数目；Nr为目视解译树冠总数；Nd为分割出来的树冠总数。

单木尺度的精度统计结果如表1 所示，目视解译树冠总数是688 个，提取树冠总数是579 个，其中匹配的树冠有367 个，接近匹配的有119 个，因此准确率为82.21%，召回率为70.63%，F测度为75.98%。

表1 单木树冠精度评价Table 1 The accuracy evaluation of single tree

2.2.2 树冠面积评价

本研究选取树冠面积相对误差来评价树冠信息在样地尺度上的提取效果，通过比较分析提取树冠总面积与参考树冠总面积。根据Arc Map 统计结果，参考树冠总面积是7 012.73 m2，提取的树冠总面积是8 089.44 m2，相对误差为13.3%（表2）。相对误差计算公式为：

式（8）中：St为提取的树冠总面积；Sc为参考的树冠总面积。当树冠面积相对误差等于0 时，即St=Sc，为理想状态；当相对误差大于0 时，表示St＞Sc；当相对误差小于0 时，表示St＜Sc。

表2 树冠面积精度评价Table 2 The accuracy evaluation of crown area

从树冠提取总个数来看，树冠大多数被正确分割出来，但仍有一些漏分误差现象，提取的个数少于目视解译，说明有一部分树冠未被探测到，这是因为在树冠相互重叠、连接的地方，提取树冠时将若干树冠识别成一个树冠以及标记位置不准确等情况引起的。从实验结果来看，相对误差为正值，表明提取得到的树冠总面积比参考树冠面积大，这是由于树冠之间的间隙对象与树冠对象特征相似，提取树冠信息时部分间隙对象被分在了树冠里，而目视解译结果中不包括这部分对象。

3 结论与讨论

3.1 结 论

基于无人机影像数据，以湖南衡山森林生态定位观测研究站实验样地为研究区，采用Photoscan软件进行影像预处理；利用阈值法和K 邻近法分别对DOM 和CHM 进行了树冠区域提取；在此基础上，利用标记控制分水岭分割算法提取树冠信息，并在样地与单木两个方面进行了精度分析，主要结论如下：

1）通过阈值法和K 邻近法提取树冠区域，能减少林下低矮植被和背景地物的影响，利用数学形态学滤波的分水岭分割算法，有效抑制了过分割现象；

2）树冠信息提取精度较高，准确率为82.21%，召回率为70.63%，F测度为75.98%，树冠面积相对误差为13.3%，能满足对较高郁闭度林分的树冠信息提取需要。

3）无人机可操作性强，利用无人机遥感影像进行树冠提取研究，取得了较好的效果，为运用无人机影像进行树冠信息提取提供了方法参考。

3.2 讨 论

基于无人机影像数据提取树冠信息，效率高，成本低，具有广阔的应用前景。无人机影像数据为RGB 影像，仅包含红、绿、蓝3 个波段，为更好地提取树冠信息，未来可增设可见光近红外传感器，通过计算影像的归一化植被指数（NDVI），设定NDVI 的规则能更好地提取树冠区域。未考虑飞行高度对提取精度的影响，使得研究结果具有一定的局限性，在不同飞行高度的无人机影像中提取树冠信息需要进一步研究。