基于無人機影像的天山云杉林單木樹冠信息提取

楊勇強,王振錫,師玉霞,連 玲,高亞利

(新疆農業大學林學與園藝學院，/新疆教育廳干旱區林業生態與產業技術重點實驗室, 烏魯木齊 830052)

0 引 言

【研究意義】樹冠是單株林木主干以上部位的總稱，是樹木與外界進行營養交換的主要場所[1]，其生長的優劣程度直接影響森林生態系統對地上部分資源的利用能力，與林木生長有著密切的關系[2]。天山云杉(PiceaSchrenkianavartianshanica)是新疆山地森林的重要組成部分，主要分布在天山北麓，對新疆的生態平衡、物種多樣性和水源涵養有著至關重要的作用[3-4]。而對采伐后天山云杉單株樹冠的提取可以估測林分密度并推測地上生物量，樹冠信息的精確提取是構建林業遙感定量監測平臺的基礎[5]。【前人研究進展】早期的遙感影像分辨率低，單個像素的大小比樹冠大，無法準確識別單木樹冠信息[6]。但隨著遙感技術的發展及影像分辨率的提高，使得提取單木樹冠信息成為可能。目前，獲取單株樹冠信息的方法很多，如谷地跟蹤法[7-9]、區域增長法[10-11]、分水嶺分割法[12-13]和局部射線法[14]等。隨著科學技術的發展使數據獲取變得多樣化，研究者進而將激光雷達、高分辨率雷達[15-16]以及點云數據[17]融入單木樹冠提取。其中分水嶺分割方法應用范圍較廣，然而傳統的分水嶺分割提取樹冠易造成過分割現象。很多研究在傳統分水嶺分割方法上進行改進，郭昱杉等[18]將樹冠頂點作為標記，應用標記控制分水嶺分割進行樹冠信息提取，提取精度有所提升；滕文秀等[19]提出迭代H-minima改進分水嶺分割方法提取樹冠信息，比標記控制分水嶺分割算法F測度提高31.99%;于旭宅等[20]基于NDVI植被指數對樹冠信息提取并有效剔除背景及輸電線路等的影響，樣本精度達到88.3%。【本研究切入點】對具有復雜立地條件的山區森林樹冠提取的研究較少。標記控制分水嶺分割方法的關鍵在于樹冠頂點和樹冠輪廓的正確識別。天山云杉樹冠通常是中心高、周圍低的近似圓球形，在無人機遙感影像上表現為樹冠頂點出較亮(光譜值較高)，四周較暗(光譜之較低)的特征，這對利用局部最大值法探測樹冠頂點有利。天山云杉林的年齡和林分密度的不同，會造成樹冠大小不一、樹冠相互連接及遮擋的現象，對樹冠輪廓識別不利，導致過分割現象。研究傳統分水嶺分割中過分割現象，實現天山云杉單木樹冠自動提取。【擬解決的關鍵問題】在傳統分水嶺分割方法的基礎上進行優化：基于無人機遙感影像，利用高斯-拉普拉斯算子(Laplacian of Gaussian，LOG)結合最大類間方差尋找最優閾值對影像進行處理，并使用標記控制分水嶺方法對樹冠信息進行提取，為天山云杉林的伐后更新及恢復評價提供參考。

1 材料與方法

1.1 材 料

研究區位于天山北麓中段的新疆農業大學實習林場(N43°16′～44°07′,E86°46′～87°56′)，地處頭屯河上游，北臨準噶爾盆地，平均海拔約2 200 m，林場內年平均溫度3℃，年降水量500～600 mm，年降水分布不均，主要體現在季節不同上，春夏偏多，2009年調查表明，總面積10 046.91 hm2，林地面積6 269.06 hm2，樣地主要分布在東北和西北坡，以天山云杉為主，林下土壤為普通灰褐色森林土。圖1

2017年8月，在新疆農業大學實習林場進行野外典型樣地調查，根據新疆農業大學實習林場二類調查結果，按照低(0.20 ～ 0.39)中(0.40 ～ 0.69)高(0.7以上)郁閉度對主伐跡地進行挑選，每組挑選3塊典型樣地進行研究，測量并記錄樣方內所有天山云杉的樹高、胸徑和郁閉度等信息。其中林分郁閉度采用Win SCANOPY 2016冠層分析儀獲取。并用亞米級GPS記錄樣地中心點和四個角的位置信息，以便將樣地位置信息準確的對應至無人機遙感影像中。

研究區影像數據獲取時間為2017年冬季，無人機進行航拍，航拍地點為新疆農業大學實習林場主伐跡地區域，覆蓋面積大約36.2 km2，所使用的無人機型號為UNIT-AIR-FW3，航拍高度為923 m，搭載相機型號為DSC-RX1RM2(35 mm)，像素大小是4.53 μm×4.53 μm，拍攝影像尺寸為7 952×5 304，等效焦距為35 mm，空間分辨率為0.118 m，共拍攝1 200幅影像。對無人機影像的預處理包括：影像質量檢測，特征點提取，生成數字高程模型(digital elevation model，DEM)，圖像拼接等操作。

圖1 研究區影像Fig.1 Image map of the study area

1.2 方 法

1.2.1 試驗設計

研究通過對天山云杉的單木樹冠信息提取，對實施天然林保護工程后天山云杉林伐后更新恢復進行評價，設計步驟：對無人機原始影像進行圖像預處理；對預處理后的影像的前景(樹冠)進行增強；采用LOG與形態學濾波處理原始影像，得到梯度圖像并獲取區域最大值，進而標記樹冠頂點與樹冠邊緣；進行標記控制分水嶺分割提取單木樹冠信息；將分割后的矢量數據導入ArcGIS 10.0中進行面積統計，以目視解譯勾繪的樹冠面積為參考計算其精度。

1.2.2 構建梯度幅值圖像

傳統的分水嶺分割算法與圖像本身沒有很大的相關性，與圖像的梯度有很強的關系[21]，研究提取樹冠的關鍵是準確識別樹冠的邊緣位置，對于邊緣檢測算子現有Sobel算子、Laplacian算子等，對Laplacian算子和Sobel算子進行對比，經過觀察發現Laplacian算子在邊緣的細節識別與連續性上要優于Sobel算子，但缺點是對噪聲很敏感。在利用Laplacian算子提取邊緣之前，先對原始影像進行高斯平滑操作。圖2

圖2 2種算法的邊緣檢測Fig.2 Edge detection graph of the two algorithms

1.2.3 形態學濾波

標記控制分水嶺分割的關鍵是選取正確的標記。由于研究區的天山云杉林是天然林，其中天山云杉的年齡、立地條件的不同，會造成樹冠形狀及大小不一致，以及樹冠內部復雜多變，在圖像中會產生大量噪聲，這不利于樹冠頂點的探測。因此，在進行樹冠頂點探測之前，需對原始圖像進行平滑處理。傳統的線性濾波器對圖像中的低頻分量保留效果好，但不能有效的抑制紋理細節，造成后續分水嶺分割時過分割的現象比較嚴重。數學形態學(Mathematical Morphology)是非線性濾波器，使用這種方法對原始影像進行降噪處理時，不會產生邊緣偏移，因此，使用形態學重建的開閉操作對圖像進行降噪處理。

在形態學重建的開閉運算的過程中，結構元素的選擇很重要，結構元素選擇過大，會分離出一些較小的樹冠，造成樹冠提取值偏小，結構元素過小，在較大的樹冠中會有樹枝被作作樹冠頂點，造成過分割現象，選擇合適的結構元素對樹冠提取的精度有重要的影響。天山云杉在無人機遙感影像中類似圓形，經過多次試驗，最終確定結構元素為圓盤形，尺寸大小為11個像元。經過上述步驟，原始影像中的噪聲已基本消除，有利于局部最大值的探測,其中a，c，e分別為疏林區、中郁閉度林區和密林區經過形態學濾波后探測出的局部最大值圖像，b，d，f分別為疏林區、中郁閉度林區和密林區未經形態學處理探測出的局部最大值圖像。圖3

圖3 局部最大值探測Fig.3 local maximum detection results

1.2.4 樹冠標記提取

經過基于形態學重建的開、閉運算后，非樹冠區域的噪聲和局部極值點明顯減少，但在高郁閉度林分中會出現樹冠之間相互重疊現象，直接提取會使一個樹冠被分成2個或多個樹冠，造成過分割。提取局域最大值作為樹冠頂點，形成標記，作為分水嶺變換的起始點。為防止過分割現象，需要將樹冠與非樹冠區域區分開，首先在無人機原始影像的灰度圖像中給定一個閾值，將影像中的樹冠與非樹冠區域分割開。對比多種閾值分割方法，采用最大類間方差閾值法(OTSU)進行最優閾值的選擇，該方法使樹冠部分區域的灰度值、非樹冠區域的灰度值以及整幅影像的平均灰度值之間的差異最大，能很好的區別圖像的前景與背景[22]。

1.2.5 單木樹冠分割

實驗以拉普拉斯邊緣算子獲取的梯度幅值圖像為基礎，采用形態學濾波對樹冠頂點進行標記，并用最大類間方差閾值法對樹冠輪廓進行提取約束分割。最終使用優化后的標記控制分水嶺分割方法對單株樹冠進行提取，得到分割后的圖像。

1.2.6 精度評價

提取的單木樹冠面積與在ArcGIS 10.0軟件中目視解譯勾繪的單木樹冠的面積對比分析，通過兩者的差異來評價自動勾繪樹冠的精度，將兩者的關系分為5類[23]，即匹配、接近匹配、丟失、合并和分割[18]，將參考樹冠與分割樹冠重合達50%以上視為匹配，低于50%視為漏分。匹配及接近匹配為正確分割，丟失和合并視為漏分誤差，分割對應錯分誤差，用以下公式來表示：

(4)

(5)

(6)

式中：Ad代表準確率；Ar代表召回率；F代表F測度；Nc表示正確分割樹冠個數；Nr表示參考樹冠個數；Nd代表自動勾繪樹冠個數總數。

選取的不同郁閉度下9塊樣地的無人機影像，在Matlab軟件首先進行圖像前、背景的互換，再用拉普拉斯算子計算圖像的灰度梯度圖，并且對原圖像進行形態學平滑濾波操作，進行降噪處理對偽樹冠進行清除，提取區域最大值作為樹冠頂點，形成標記圖像，最后利用標記控制分水嶺分割算法進行樹冠信息提取。

在不同郁閉度下均勻隨機選取30棵樹，通過目視解譯勾繪單木樹冠，之后將自動分割的樹冠與目視解譯勾繪的樹冠矢量圖在Arc GIS10.0軟件中進行樹冠東西，南北冠幅計算，計算出每株樹的樹冠面積。

2 結果與分析

2.1 自動勾繪

研究表明,在疏林區和中郁閉度林區由于樹冠邊緣清晰，樹冠重疊現象較少，樹冠信息提取良好，密林區因為其林分密度大，林木年齡跨度大，造成樹冠之間相互重疊，遮擋小樹等現象發生，在密林區樹冠分割精度較低。圖4～6

圖4 疏林區樹冠提取Fig.4 Canopy extraction results in sparse forest areas

圖5 中郁閉度林區樹冠提取Fig.5 Canopy extraction results in medium canopy density forest area

圖6 密林區樹冠提取Fig.6 Tree canopy extraction results in dense forest area

2.2 單株樹冠信息提取

研究表明,自動勾繪的樹冠面積與目視解譯勾繪的樹冠面積相對誤差最大為0.10，平均相對誤差為0.04，自動勾繪的樹冠面積略低或等于目視解譯后的樹冠面積；自動勾繪的樹冠面積與目視解譯勾繪的樹冠面積相對誤差最大為0.28，平均相對誤差為0.10，自動勾繪的樹冠面積略低或等于目視解譯后的樹冠面積；自動勾繪的樹冠面積與目視解譯勾繪的樹冠面積相對誤差最大為0.43，平均相對誤差為0.15，在內部結構較為復雜的密林區存在些許過分割現象；優化后的分割算法對疏林區、中林區這種內部結構簡單的林分提取較好，對于密林區結構復雜的林分提取不是很理想。表1～3

表1 樹冠面積計算Table 1 Comparison of every tree crown

表2 樹冠面積計算Table 2 Comparison of every tree crown

表3 樹冠面積計算Table 3 Comparison of every tree crown

2.3 精度評價

研究表明,疏林區總共分割出404棵樹冠，目視解譯勾繪出404棵樹冠，其中匹配樹冠個數達到397棵，準確率為98.26%，召回率為98.26%，F測度為98.26%，中郁閉度林分共分割出520棵樹冠，目視解譯勾繪出524棵樹冠，其準確率為93.26%，召回率為92.56%，F測度為92.91%，密林區分割出610棵樹冠，目視解譯勾繪出621棵樹冠，由于樹冠相互遮擋、重疊等原因，其準確率為88.36%，召回率為86.79%，F測度為87.57%。表4

表4 精度統計Table 4 The accuracy statistics of different forest areas(%)

3 討 論

單株樹冠的提取，對評估樹木生長狀況以及林分密度等有重要的意義，在森林調查中必不可少，對樹冠信息的獲取是建立森林定量化管理平臺的關鍵[5]，通過分析前人利用標記控制分水嶺分割提取單木樹冠的方法，得出其存在易受噪聲影響和過分割的缺點，研究對標記控制分水嶺算法進行優化，使提取樹冠面積的精度有了很大提高，過分割現象在疏、中郁閉度林分中基本消除，為快速動態監測伐后天山云杉林的生長狀況提供有效技術手段。

分水嶺分割方法是以梯度圖像為基礎進行分割，在樹冠邊緣位置圖像的灰度值會發生驟變，很多學者[9、24、19]均是利用Sobel算子進行梯度圖像提取，Sobel算子對水平直線檢測較精準，而天山云杉在遙感影像中結構類似圓狀，對比各種邊緣檢測算子后，發現Laplacian算子在樹冠邊緣檢測時表現良好，連續性好，又因其對微弱邊緣有較高的反映，并在高郁閉度林分中對于樹冠重疊區域的邊緣檢測精準度較高。因此，運用Laplacian算子對原始影像進行邊緣提取。但其也有一定的缺點，Laplacian算子是二階導數算子對噪聲非常的敏感，在影像拍攝過程中，由于傳感器的偏移以及電磁干擾等會使圖像產生較多噪聲，會對樹冠邊緣檢測有所干擾，研究使用高斯濾波先對影像進行濾波操作，有效降低了噪聲的干擾。

在標記前景與背景時。張海濤[25]使用最小變換(H-minima)技術對圖像進行分割，該技術需要人為設定限制條件，設定閾值過小，會產生很多噪聲，設定閾值過大，對象邊緣信息會減弱，由于該文所研究的天山云杉林為天然林，情況較為復雜，使用最小變換技術對圖像分割效果不理想。研究選最大類間方差法來尋找圖像的最優閾值，這種方法的優勢是不需要人為的設定參數，能夠客觀的選擇多區域的最優閾值，并且使各個類之間分離程度最大，在研究區分樹冠與非樹冠區域具有良好的表現。

使用研究優化后的標記控制分水嶺分割方法對樹冠信息進行提取，在疏、中郁閉度林分中過分割現象基本消除，在密林區由于樹冠相互重疊，存在部分過分割現象。但在疏、中、密林區提取單株樹冠的F測度均在85%以上，提取精度較高，對林業調查具有一定的參考價值。

4 結 論

通過改進標記控制分水嶺分割算法，提取了伐后更新的天山云杉單木樹冠信息，提取單木樹冠信息F測度在疏林區為98.26%，中郁閉度林區為92.91%，密林區為87.57%，在一定程度上有效解決了標記控制分水嶺分割在樹冠提取中的過分割現象，可較好提取新疆山區天山云杉林的樹冠信息。