基于无人机影像的天山云杉林单木树冠信息提取

杨勇强,王振锡,师玉霞,连 玲,高亚利

(新疆农业大学林学与园艺学院，/新疆教育厅干旱区林业生态与产业技术重点实验室, 乌鲁木齐 830052)

0 引 言

【研究意义】树冠是单株林木主干以上部位的总称，是树木与外界进行营养交换的主要场所[1]，其生长的优劣程度直接影响森林生态系统对地上部分资源的利用能力，与林木生长有着密切的关系[2]。天山云杉(PiceaSchrenkianavartianshanica)是新疆山地森林的重要组成部分，主要分布在天山北麓，对新疆的生态平衡、物种多样性和水源涵养有着至关重要的作用[3-4]。而对采伐后天山云杉单株树冠的提取可以估测林分密度并推测地上生物量，树冠信息的精确提取是构建林业遥感定量监测平台的基础[5]。【前人研究进展】早期的遥感影像分辨率低，单个像素的大小比树冠大，无法准确识别单木树冠信息[6]。但随着遥感技术的发展及影像分辨率的提高，使得提取单木树冠信息成为可能。目前，获取单株树冠信息的方法很多，如谷地跟踪法[7-9]、区域增长法[10-11]、分水岭分割法[12-13]和局部射线法[14]等。随着科学技术的发展使数据获取变得多样化，研究者进而将激光雷达、高分辨率雷达[15-16]以及点云数据[17]融入单木树冠提取。其中分水岭分割方法应用范围较广，然而传统的分水岭分割提取树冠易造成过分割现象。很多研究在传统分水岭分割方法上进行改进，郭昱杉等[18]将树冠顶点作为标记，应用标记控制分水岭分割进行树冠信息提取，提取精度有所提升；滕文秀等[19]提出迭代H-minima改进分水岭分割方法提取树冠信息，比标记控制分水岭分割算法F测度提高31.99%;于旭宅等[20]基于NDVI植被指数对树冠信息提取并有效剔除背景及输电线路等的影响，样本精度达到88.3%。【本研究切入点】对具有复杂立地条件的山区森林树冠提取的研究较少。标记控制分水岭分割方法的关键在于树冠顶点和树冠轮廓的正确识别。天山云杉树冠通常是中心高、周围低的近似圆球形，在无人机遥感影像上表现为树冠顶点出较亮(光谱值较高)，四周较暗(光谱之较低)的特征，这对利用局部最大值法探测树冠顶点有利。天山云杉林的年龄和林分密度的不同，会造成树冠大小不一、树冠相互连接及遮挡的现象，对树冠轮廓识别不利，导致过分割现象。研究传统分水岭分割中过分割现象，实现天山云杉单木树冠自动提取。【拟解决的关键问题】在传统分水岭分割方法的基础上进行优化：基于无人机遥感影像，利用高斯-拉普拉斯算子(Laplacian of Gaussian，LOG)结合最大类间方差寻找最优阈值对影像进行处理，并使用标记控制分水岭方法对树冠信息进行提取，为天山云杉林的伐后更新及恢复评价提供参考。

1 材料与方法

1.1 材 料

研究区位于天山北麓中段的新疆农业大学实习林场(N43°16′～44°07′,E86°46′～87°56′)，地处头屯河上游，北临准噶尔盆地，平均海拔约2 200 m，林场内年平均温度3℃，年降水量500～600 mm，年降水分布不均，主要体现在季节不同上，春夏偏多，2009年调查表明，总面积10 046.91 hm2，林地面积6 269.06 hm2，样地主要分布在东北和西北坡，以天山云杉为主，林下土壤为普通灰褐色森林土。图1

2017年8月，在新疆农业大学实习林场进行野外典型样地调查，根据新疆农业大学实习林场二类调查结果，按照低(0.20 ～ 0.39)中(0.40 ～ 0.69)高(0.7以上)郁闭度对主伐迹地进行挑选，每组挑选3块典型样地进行研究，测量并记录样方内所有天山云杉的树高、胸径和郁闭度等信息。其中林分郁闭度采用Win SCANOPY 2016冠层分析仪获取。并用亚米级GPS记录样地中心点和四个角的位置信息，以便将样地位置信息准确的对应至无人机遥感影像中。

研究区影像数据获取时间为2017年冬季，无人机进行航拍，航拍地点为新疆农业大学实习林场主伐迹地区域，覆盖面积大约36.2 km2，所使用的无人机型号为UNIT-AIR-FW3，航拍高度为923 m，搭载相机型号为DSC-RX1RM2(35 mm)，像素大小是4.53 μm×4.53 μm，拍摄影像尺寸为7 952×5 304，等效焦距为35 mm，空间分辨率为0.118 m，共拍摄1 200幅影像。对无人机影像的预处理包括：影像质量检测，特征点提取，生成数字高程模型(digital elevation model，DEM)，图像拼接等操作。

图1 研究区影像Fig.1 Image map of the study area

1.2 方 法

1.2.1 试验设计

研究通过对天山云杉的单木树冠信息提取，对实施天然林保护工程后天山云杉林伐后更新恢复进行评价，设计步骤：对无人机原始影像进行图像预处理；对预处理后的影像的前景(树冠)进行增强；采用LOG与形态学滤波处理原始影像，得到梯度图像并获取区域最大值，进而标记树冠顶点与树冠边缘；进行标记控制分水岭分割提取单木树冠信息；将分割后的矢量数据导入ArcGIS 10.0中进行面积统计，以目视解译勾绘的树冠面积为参考计算其精度。

1.2.2 构建梯度幅值图像

传统的分水岭分割算法与图像本身没有很大的相关性，与图像的梯度有很强的关系[21]，研究提取树冠的关键是准确识别树冠的边缘位置，对于边缘检测算子现有Sobel算子、Laplacian算子等，对Laplacian算子和Sobel算子进行对比，经过观察发现Laplacian算子在边缘的细节识别与连续性上要优于Sobel算子，但缺点是对噪声很敏感。在利用Laplacian算子提取边缘之前，先对原始影像进行高斯平滑操作。图2

图2 2种算法的边缘检测Fig.2 Edge detection graph of the two algorithms

1.2.3 形态学滤波

标记控制分水岭分割的关键是选取正确的标记。由于研究区的天山云杉林是天然林，其中天山云杉的年龄、立地条件的不同，会造成树冠形状及大小不一致，以及树冠内部复杂多变，在图像中会产生大量噪声，这不利于树冠顶点的探测。因此，在进行树冠顶点探测之前，需对原始图像进行平滑处理。传统的线性滤波器对图像中的低频分量保留效果好，但不能有效的抑制纹理细节，造成后续分水岭分割时过分割的现象比较严重。数学形态学(Mathematical Morphology)是非线性滤波器，使用这种方法对原始影像进行降噪处理时，不会产生边缘偏移，因此，使用形态学重建的开闭操作对图像进行降噪处理。

在形态学重建的开闭运算的过程中，结构元素的选择很重要，结构元素选择过大，会分离出一些较小的树冠，造成树冠提取值偏小，结构元素过小，在较大的树冠中会有树枝被作作树冠顶点，造成过分割现象，选择合适的结构元素对树冠提取的精度有重要的影响。天山云杉在无人机遥感影像中类似圆形，经过多次试验，最终确定结构元素为圆盘形，尺寸大小为11个像元。经过上述步骤，原始影像中的噪声已基本消除，有利于局部最大值的探测,其中a，c，e分别为疏林区、中郁闭度林区和密林区经过形态学滤波后探测出的局部最大值图像，b，d，f分别为疏林区、中郁闭度林区和密林区未经形态学处理探测出的局部最大值图像。图3

图3 局部最大值探测Fig.3 local maximum detection results

1.2.4 树冠标记提取

经过基于形态学重建的开、闭运算后，非树冠区域的噪声和局部极值点明显减少，但在高郁闭度林分中会出现树冠之间相互重叠现象，直接提取会使一个树冠被分成2个或多个树冠，造成过分割。提取局域最大值作为树冠顶点，形成标记，作为分水岭变换的起始点。为防止过分割现象，需要将树冠与非树冠区域区分开，首先在无人机原始影像的灰度图像中给定一个阈值，将影像中的树冠与非树冠区域分割开。对比多种阈值分割方法，采用最大类间方差阈值法(OTSU)进行最优阈值的选择，该方法使树冠部分区域的灰度值、非树冠区域的灰度值以及整幅影像的平均灰度值之间的差异最大，能很好的区别图像的前景与背景[22]。

1.2.5 单木树冠分割

实验以拉普拉斯边缘算子获取的梯度幅值图像为基础，采用形态学滤波对树冠顶点进行标记，并用最大类间方差阈值法对树冠轮廓进行提取约束分割。最终使用优化后的标记控制分水岭分割方法对单株树冠进行提取，得到分割后的图像。

1.2.6 精度评价

提取的单木树冠面积与在ArcGIS 10.0软件中目视解译勾绘的单木树冠的面积对比分析，通过两者的差异来评价自动勾绘树冠的精度，将两者的关系分为5类[23]，即匹配、接近匹配、丢失、合并和分割[18]，将参考树冠与分割树冠重合达50%以上视为匹配，低于50%视为漏分。匹配及接近匹配为正确分割，丢失和合并视为漏分误差，分割对应错分误差，用以下公式来表示：

(4)

(5)

(6)

式中：Ad代表准确率；Ar代表召回率；F代表F测度；Nc表示正确分割树冠个数；Nr表示参考树冠个数；Nd代表自动勾绘树冠个数总数。

选取的不同郁闭度下9块样地的无人机影像，在Matlab软件首先进行图像前、背景的互换，再用拉普拉斯算子计算图像的灰度梯度图，并且对原图像进行形态学平滑滤波操作，进行降噪处理对伪树冠进行清除，提取区域最大值作为树冠顶点，形成标记图像，最后利用标记控制分水岭分割算法进行树冠信息提取。

在不同郁闭度下均匀随机选取30棵树，通过目视解译勾绘单木树冠，之后将自动分割的树冠与目视解译勾绘的树冠矢量图在Arc GIS10.0软件中进行树冠东西，南北冠幅计算，计算出每株树的树冠面积。

2 结果与分析

2.1 自动勾绘

研究表明,在疏林区和中郁闭度林区由于树冠边缘清晰，树冠重叠现象较少，树冠信息提取良好，密林区因为其林分密度大，林木年龄跨度大，造成树冠之间相互重叠，遮挡小树等现象发生，在密林区树冠分割精度较低。图4～6

图4 疏林区树冠提取Fig.4 Canopy extraction results in sparse forest areas

图5 中郁闭度林区树冠提取Fig.5 Canopy extraction results in medium canopy density forest area

图6 密林区树冠提取Fig.6 Tree canopy extraction results in dense forest area

2.2 单株树冠信息提取

研究表明,自动勾绘的树冠面积与目视解译勾绘的树冠面积相对误差最大为0.10，平均相对误差为0.04，自动勾绘的树冠面积略低或等于目视解译后的树冠面积；自动勾绘的树冠面积与目视解译勾绘的树冠面积相对误差最大为0.28，平均相对误差为0.10，自动勾绘的树冠面积略低或等于目视解译后的树冠面积；自动勾绘的树冠面积与目视解译勾绘的树冠面积相对误差最大为0.43，平均相对误差为0.15，在内部结构较为复杂的密林区存在些许过分割现象；优化后的分割算法对疏林区、中林区这种内部结构简单的林分提取较好，对于密林区结构复杂的林分提取不是很理想。表1～3

表1 树冠面积计算Table 1 Comparison of every tree crown

表2 树冠面积计算Table 2 Comparison of every tree crown

表3 树冠面积计算Table 3 Comparison of every tree crown

2.3 精度评价

研究表明,疏林区总共分割出404棵树冠，目视解译勾绘出404棵树冠，其中匹配树冠个数达到397棵，准确率为98.26%，召回率为98.26%，F测度为98.26%，中郁闭度林分共分割出520棵树冠，目视解译勾绘出524棵树冠，其准确率为93.26%，召回率为92.56%，F测度为92.91%，密林区分割出610棵树冠，目视解译勾绘出621棵树冠，由于树冠相互遮挡、重叠等原因，其准确率为88.36%，召回率为86.79%，F测度为87.57%。表4

表4 精度统计Table 4 The accuracy statistics of different forest areas(%)

3 讨 论

单株树冠的提取，对评估树木生长状况以及林分密度等有重要的意义，在森林调查中必不可少，对树冠信息的获取是建立森林定量化管理平台的关键[5]，通过分析前人利用标记控制分水岭分割提取单木树冠的方法，得出其存在易受噪声影响和过分割的缺点，研究对标记控制分水岭算法进行优化，使提取树冠面积的精度有了很大提高，过分割现象在疏、中郁闭度林分中基本消除，为快速动态监测伐后天山云杉林的生长状况提供有效技术手段。

分水岭分割方法是以梯度图像为基础进行分割，在树冠边缘位置图像的灰度值会发生骤变，很多学者[9、24、19]均是利用Sobel算子进行梯度图像提取，Sobel算子对水平直线检测较精准，而天山云杉在遥感影像中结构类似圆状，对比各种边缘检测算子后，发现Laplacian算子在树冠边缘检测时表现良好，连续性好，又因其对微弱边缘有较高的反映，并在高郁闭度林分中对于树冠重叠区域的边缘检测精准度较高。因此，运用Laplacian算子对原始影像进行边缘提取。但其也有一定的缺点，Laplacian算子是二阶导数算子对噪声非常的敏感，在影像拍摄过程中，由于传感器的偏移以及电磁干扰等会使图像产生较多噪声，会对树冠边缘检测有所干扰，研究使用高斯滤波先对影像进行滤波操作，有效降低了噪声的干扰。

在标记前景与背景时。张海涛[25]使用最小变换(H-minima)技术对图像进行分割，该技术需要人为设定限制条件，设定阈值过小，会产生很多噪声，设定阈值过大，对象边缘信息会减弱，由于该文所研究的天山云杉林为天然林，情况较为复杂，使用最小变换技术对图像分割效果不理想。研究选最大类间方差法来寻找图像的最优阈值，这种方法的优势是不需要人为的设定参数，能够客观的选择多区域的最优阈值，并且使各个类之间分离程度最大，在研究区分树冠与非树冠区域具有良好的表现。

使用研究优化后的标记控制分水岭分割方法对树冠信息进行提取，在疏、中郁闭度林分中过分割现象基本消除，在密林区由于树冠相互重叠，存在部分过分割现象。但在疏、中、密林区提取单株树冠的F测度均在85%以上，提取精度较高，对林业调查具有一定的参考价值。

4 结 论

通过改进标记控制分水岭分割算法，提取了伐后更新的天山云杉单木树冠信息，提取单木树冠信息F测度在疏林区为98.26%，中郁闭度林区为92.91%，密林区为87.57%，在一定程度上有效解决了标记控制分水岭分割在树冠提取中的过分割现象，可较好提取新疆山区天山云杉林的树冠信息。