基于无人机影像的树木株数提取

胡馨月 倪海明 戚大伟

摘 要：为了充分挖掘无人机图像，快速有效地提取树木信息，利用无人机数据生成的正射影像作为研究对象，提出一种Mean Shift算法和分水嶺分割算法相结合的林木株数提取方法。该方法利用Mean Shift算法对从RGB图像中提取的G通道图像进行有效地聚类和平滑处理，然后将其输入到结合形态学运算以及欧氏距离变换的分水岭分割算法中进行单木检测和树木株数提取。实验结果表明：与目视解译并计数的10块样地结果相比，本文研究方法的树木株数提取精度在92.74%左右。该方法可以有效地检测单木及提取树木株数，并且具有较好的提取精度。

关键词：树木株数;无人机影像;分水岭分割;Mean Shift算法

中图分类号：S757.2;TP79    文献标识码：A   文章编号：1006-8023（2021）01-0006-07

Abstract：To fully explore unmanned aerial vehicle （UAV） imagery and extract forest information efficiently， this study used an orthophoto derived from UAV data to propose a tree counts extraction method combining the Mean Shift algorithm and watershed segmentation algorithm. The method utilized the Mean Shift algorithm to efficiently cluster and smooth the G channel images extracted from RGB images. These images were then fed into the watershed method which combined morphology operation and Euclidean distance for individual treetop detection and tree count extraction. The result showed that the tree counts extraction  accuracy of the algorithm in this paper was approximately 92.74% when the result was compared to ten manually marked and counted plots. The result demonstrated that this method was efficient to detect individual tree and extract tree counts， and had better detection accuracy.

Keywords：Tree counts; UAV imagery; watershed segmentation; Mean Shift algorithm

0 引言

森林是陆地生态系统的重要组成部分，是人类赖以生存和发展的重要自然资源之一[1]。作为林业研究的重要组成部分，及时、准确地统计树木株数、树高和树冠大小等森林信息，对于动态监测森林演替、森林结构定量分析和生物量估算具有重要意义[2]。在过去的几十年里，卫星遥感作为一种传统的方法拍摄目标区域，获取正射影像图，从而监测该区域的实际情况。然而，通过卫星遥感获取的森林图像很难准确地测量和获取局部微观信息，大大增加了识别和提取林木株数、冠层轮廓等林分因子的难度，并且在实际应用中，卫星成像技术会受到返航频率低、空间分辨率低、操作成本高、复杂度高以及分析图像交付时间长等限制[3]，难以满足现代林业发展的需要。随着航空航天工程技术的不断进步，利用无人机来获取低空表面图像这一相对较新的概念正在逐步推广应用。无人机具有超高的空间分辨率、相对较低的操作成本，以及接近实时的图像采集等优点[4]，有利于林业资源调查与研究。

近年来，对无人机图像的研究日益深入[5]。研究者们利用多种方法分割单木并提取树木信息[6]，例如使用邻域最高过滤法提取行道树信息[7]或使用搜索局部极大值法分割单木[8]。目前用于单木检测的主要方法是利用机载激光雷达数据[9-11]，测量树高和冠层面积等林分因子[12-13]。虽然使用机载雷达技术分割单木已经有了相当多的研究，但是针对二维图像进行单木检测的研究也是尤为重要的。尽管二维影像缺少树冠的直接三维信息，但是与激光雷达相比，其获取成本更低，也更容易处理[14]。在这些方法中，分水岭分割算法是较为广泛应用于图像分割的算法之一，并且它可以自然有效地分割树木图像[15-16]。因此，本研究探索利用无人机影像分割单木，自动化提取树木株数的方法，以期可以快速简单地获取树木株数，并且使提取精度满足现代化林业要求。

1 研究区概况

本文研究区域位于广西大隆镇石脚村，以树龄在5 a左右的桉树为主，研究区域覆盖面积约为16.55 hm2。桉树是一种常绿阔叶林，是中国南方最重要的经济速生林种之一。桉树林是一个巨大的碳库。每公顷的桉树每年可吸收9 t二氧化碳并同时释放氧气。是一类比较理想，能在短期内帮助缓解环境矛盾的树种。快速、及时、准确地获取树木信息对林业研究具有重要意义。数据源为无人机影像。在实际应用中，利用无人机数据进行图像分割并采集树木信息的最基本要求是简单、实用、精度可靠[17]。本文通过Agisoft photoscan软件处理无人机图像，并输出正射影像图。为了验证方法的有效性，选取了10块样地进行实验，运用的软件工具为MATLAB 2016a。

2 图像预处理

2.1 图像通道选择

在图像分析和分割之前，需要进行图像预处理以消除不相关的图像信息，并增强信息的可提取性。采集到的树木无人机图像分辨率较高，图像较大，为了提高运算效率，就需要最大限度地简化信息数据。因此，本文采用分量法简化数据，分别分析比较R通道、G通道以及B通道图像，如图1所示。从图1中可以看出，G通道相比于R通道和B通道整体亮度适中，目标及背景对比度适中，对于冠层间间隙能更清晰地显示出来。G通道图像优势明显，适合进一步处理。因此，本文选择G通道进行处理。

2.2 图像平滑

由于受到非理想成像环境和仪器差别等客观因素影响，采集到的桉树图像不可避免地存在着诸如噪声、亮度不均匀、目标对比度及清晰度较低等问题，所以需要對图像进行平滑操作去除噪声。本文通过Mean Shift算法对图像进行聚类和平滑处理。Mean shift这个概念最早是由Fukunaga等[18]于1975年在一篇关于概率密度梯度函数估计的文章中提出来的，表示偏移的均值向量。它是一种鲁棒自适应的非参数密度估计的迭代算法。其核心是对特征空间的样本点进行聚类，样本点沿梯度上升方向收敛至密度梯度为零的点，即模态点，Mean Shift算法是一种无需估计密度即可找到零点的算法[19]，可以有效去除图像噪声，并很好地保留图像边缘轮廓。

从公式（5）中可以看出，Mean Shift算法进行图像聚类平滑与带宽参数（hs， hr）有关。本文采用不同带宽对树木无人机图像进行聚类平滑，并进行对比实验，经过对比分析，选择带宽参数（hs， hr）为（10，10）对图像进行平滑操作，平滑后的图像及不同带宽参数平滑图像结果如图2所示。

3 树木株数提取

研究区域的正射影像图的前景和背景的对比度低，并且森林郁闭度高，树冠之间存在重叠、粘连，树冠内部不规则等情况，对于后续的图像分割带来了难度。分水岭分割算法把一幅图像看作一个地形表面，图像的每个像素点的灰度值表示高程[21-22]。图像中的每个局部极小值称为低洼，降落的雨水会沿着地形表面流向低处，流向同一低洼的点称为与该低洼相关的集水盆地，另一些流向其他低洼的点称为分水线[23]。分水岭分割算法的特点适用于分割树木图像。但是直接对平滑后的图像进行传统分水岭分割后，仍然存在少量区域出现过分割等问题。

所以本文首先对经过Mean Shift算法聚类平滑处理后的图像进行二值化处理，减少部分噪声和数据量，并且突出待分割图像的边缘轮廓。然后利用数学形态学开闭重建运算消除图像中存在的细小孔隙。对于形态学混合开闭重建运算来说，其本质是非线性区域连通算子的滤波器[24]。图像经过重建技术处理后，不会改变目标原有的结构，且对于图像的边缘影响不大，减少和消除了分水线位置偏移和过分割现象。以构造半径为4的圆盘创建结构元素，并利用MATLAB中imerode，imdilate和imreconstruct函数对图像进行形态学开闭重建运算。之后将处理后的图像进行距离变换。距离变换即计算每个像素点到最接近非零值像素的距离，将二值图像转换成距离图像。本文应用欧氏距离进行距离变换。欧氏距离公式为：

在标记树冠中心、提取单木株数的过程中，如果标记点位于单木树冠中心或其冠层内，并仅有一个标记点，该单木则被正确识别标记。非林木区域被误判为单木并标记了中心点或一个树冠被标记多个点的情况视为误判错误;单木树冠未被标记或在多树冠重叠情况下只标记出一个标记点的情况则视为漏判错误。

结合Mean Shift平滑算法和分水岭分割算法提取树木株数，其中应用不同的带宽参数会产生不同的平滑效果，进而影响图像分割和株数提取的结果。通过公式（5）以及不同带宽参数平滑图像对比结果，可以看出，当hs增大时，参与运算的采样点增加，被平滑的像素值距离原始像素值的偏离也就越大，从而有可能导致失真;当hr增加时，只有高对比度的特征信息才会存在。将不同带宽参数平滑后的图像提取树木株数，并与目视解译结果进行比较，带宽参数为（10，10）时，提取精度更好。以样地3为例，结果见表1。

在研究区内选取10个样地对其进行树木株数提取。统计结果见表2。由表2结果可以看出，总体提取精度92.74%，错分误差为6.63%，漏分误差为13.90%。本文算法仍然存在部分漏分割以及误分割。出现漏分割的主要原因是由于研究区域的森林郁闭度比较高，树木冠层之间存在粘连或相互遮挡等情况，以及部分树木较矮，导致树木未识别，造成漏分割、漏分误差较高的情况。出现错分误差的主要原因是在研究区域内仍存在少量非林木区域，在提取过程中误将非林木区域错误识别成单木。

5 结论

以无人机获取的树木影像为数据，实现了对森林样地株数的自动化提取与统计。通过精度分析表明，本文所提出的算法能够较好地检测出郁闭度较高地区的单个树木。即使树木的树冠大小和高度都有所不同，仍然可以检测到大多数树木，总体精度可以达到92.74%左右，是一种有效的株数提取算法，提取精度也有所提高。

树木株数提取算法仍然存在一定问题。由于未能到达实地进行人工采集数据，所以仅能通过目视解译提取的数据进行精度评价。并且森林郁闭度较高以及树木高度不同也都导致检测精度下降。未来将进一步深入研究结合其他方法和数据来提高树木株数提取精度。

【参 考 文 献】

[1]宋彩平.基于GIS的森林生态效益空间分析研究[D].哈尔滨：东北林业大学，2005.

SONG C P. Research on the forest ecosystem based on the space analysis of GIS[D]. Harbin： Northeast Forestry University， 2005.

[2]MOHAN M， SILVA C A， KLAUBERG C， et al. Individual tree detection from unmanned aerial vehicle （UAV） derived canopy height model in an open canopy mixed conifer forest[J]. Forests， 2017， 8（9）： 340.

[3]POBLETE-ECHEVERRI A C， OLMEDO G， INGRAM B， et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle （UAV）： a case study in a commercial vineyard[J]. Remote Sensing， 2017， 9（268）： 14.

[4]ZHANG C H， KOVACS J M. The application of small unmanned aerial systems for precision agriculture： a review[J]. Precision Agriculture， 2012， 13（6）： 693-712.

[5]XIAO C L， QIN R J， XIE X F， et al. Individual tree detection and crown delineation with 3D information from multi-view satellite images[J]. Photogrammetric Engineering and Remote Sensing， 2018， 85（1）： 55-63.

[6]YILMAZ V， GNGR O. Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds[J]. International Journal of Remote Sensing， 2019， 40（2）： 468-505.

[7]曹明蘭，张力小，王强.无人机遥感影像中行道树信息快速提取[J].中南林业科技大学学报，2016，36（10）：89-93.

CAO M L， ZHANG L X， WANG Q. Rapid extraction of rural house information from UAV remote-sensing images[J]. Journal of Central South Forestry University， 2016， 36（10）： 89-93.

[8]CHEN Q， BALDOCCHI D D， GONG P， et al. Isolating individual trees in a Savanna woodland using small footprint lidar data[J]. Photogrammetric Engineering and Remote Sensing， 2006， 72（8）： 923-932.

[9]AYREY E， FRAVER S， KERSHAW J A， et al. Layer stacking： a novel algorithm for individual forest tree segmentation from LiDAR point clouds[J]. Canadian Journal of Remote Sensing， 2017， 43（1）： 16-27.

[10]邢艳秋，姚松涛，李梦颖，等.基于机载全波形LIDAR数据的森林地上生物量估测算法研究[J].森林工程，2017，33（4）：21-26.

XING Y Q， YAO S T， LI M Y， et al. Estimation algorithm of forest aboveground biomass based on airborne full - waveform LIDAR Data[J]. Forest Engineering， 2017， 33（4）：21-26.

[11]陶欢，李存军，谢春春，等.基于HSV阈值法的无人机影像变色松树识别[J].南京林业大学学报（自然科学版），2019，43（3）：99-106.

TAO H，LI C J，XIE C C，et al.Recognition of red-attack pine trees from UAV imagery based on the HSV threshold method[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（3）：99-106.

[12]孙拱，闫灿，辛颖.基于改进的K-means算法估测单木树高[J].森林工程，2019，35（6）： 31-35.

SUN G， YAN C， XIN Y. Estimating single tree height based on improved K-means algorithm[J]. Forest Engineering， 2019， 35（6）：31-35.

[13]YIN D M， WANG L. Individual mangrove tree measurement using UAV-based LiDAR data： Possibilities and challenges[J]. Remote Sensing of Environment， 2019， 223： 34-49.

[14]WEINSTEIN B G， MARCONI S， BOHLMAN S， et al. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks[J]. Remote Sensing， 2019， 11（11）： 1309.

[15]闞江明，李文彬.基于数学形态学的树木图像分割方法[J].北京林业大学学报，2006，28（S2）：132-136.

KAN J M， LI W B. Method of tree image segmentation based on mathematical morphology[J]. Journal of Beijing Forestry University， 2006， 28（S2）： 132-136.

[16]李丹，张俊杰，赵梦溪.基于FCM和分水岭算法的无人机影像中林分因子提取[J].林业科学，2019，55（5）：180-187.

LI D， ZHANG J J， ZHAO M X. Extraction of stand factors in UAV image based on FCM and watershed algorithm[J]. Scientia SilvaeSinicae， 2019， 55（5）： 180-187.

[17]梁文海，刘吉凯，张伟，等.基于面向对象方法的GF-2影像桉树林信息提取[J].浙江农林大学学报，2017，34（4）：721-729.

LIANG W H， LIU J K， ZHANG W， et al. Extracting Eucalyptus information using GF-2 images based on an object-oriented method[J]. Journal of Zhejiang A&F University， 2017， 34（4）： 721-729.

[18]FUKUNAGA K， HOSTETLER L. The estimation of the gradient of a density function， with applications inpattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.

[19]COMANICIU D， MEER P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactionson Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[20]熊平， 白云鹏.带宽自适应MeanShift图像分割算法[J].计算机工程与应用，2013，49（23）：174-176.

XIONG P， BAI Y P. Mean shift image segmentation algorithm with adaptive bandwidth[J]. Computer Engineering and Applications， 2013， 49（23）： 174-176.

[21]VINCENT L， SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991， 13（6）： 583-598.

[22]蒋佳文，温小荣，顾海波，等.基于多站扫描的点云特征参数与材积结构动态分析[J].南京林业大学学报（自然科学版），2019，43（6）：83-90.

JIANG J W，WEN X R，GU H B，et al.Dynamic analysis of point cloud characteristic parameters and volume structure based on multi-station scan[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（6）：83-90.

[23]何东健.数字图像处理[M].2版.西安：西安电子科技大学出版社，2012.

HE D J. Digital image processing [M]. 2nd ed. Xian： Xidian University Press， 2012.

[24]郑鑫，王瑞瑞，靳茗茗.基于形态学阈值标记分水岭算法的高分辨率影像单木树冠提取[J].中南林业调查规划，2017，36（4）：30-35.

ZHENG X， WANG R R， JIN M M. Extraction of high-resolution images of single tree crown based on watershed algorithm with morphological threshold mark[J]. Central South Forest Inventory and Planning， 2017， 36（4）： 30-35.

[25]何艺，周小成，黄洪宇，等.基于无人机遥感的亚热带森林林分株数提取[J].遥感技术与应用，2018，33（1）：168-176.

HE Y， ZHOU X C， HUANG H Y， et al. Counting tree number in subtropical forest districts based on UAV remote sensing images[J]. Remote Sensing Technology and Application， 2018， 33（1）： 168-176.