基于QuickBird影像的樹冠提取研究

蔣小敏

（安徽理工大學(xué)空間信息與測(cè)繪工程學(xué)院，安徽 淮南 232001）

樹冠在樹木中占據(jù)著較大的面積，是進(jìn)行光合作用的主要場(chǎng)所，為其生長(zhǎng)提供主要的能量。對(duì)樹木的樹冠大小進(jìn)行判斷與研究，可以用來監(jiān)測(cè)樹木的長(zhǎng)勢(shì)，預(yù)估樹木的生物量，對(duì)樹木病蟲害的防治也有一定的作用。近年來遙感技術(shù)突飛猛進(jìn)，國內(nèi)外研究者通過利用遙感數(shù)據(jù)對(duì)樹冠結(jié)構(gòu)加以研究進(jìn)行提取樹冠信息的研究方法有很多種。例如，2005年，Perrin等應(yīng)用標(biāo)記點(diǎn)過程模型對(duì)高空間分辨率彩色近紅外影像進(jìn)行樹冠提取；2009年，F(xiàn)orzieri等應(yīng)用激光雷達(dá)數(shù)據(jù)研發(fā)了具有時(shí)效性較強(qiáng)、成本較低的單木樹冠提取過程。馮益明等[1]利用空間統(tǒng)計(jì)學(xué)半方差理論對(duì)人工冠幅進(jìn)行估量，取得了較高精度；熊軼群等[2]通過采集樹冠中心點(diǎn)坐標(biāo)，建立射線方程，基于射線法提取樹冠面積；萬紅梅等[3]采納人機(jī)交互方法提取樹冠信息，以實(shí)測(cè)數(shù)據(jù)為真值進(jìn)行驗(yàn)證；周艷飛等[4]通過對(duì)比支持向量機(jī)法、光譜結(jié)合紋理支持向量機(jī)（Support Vector Machine，SVM）以及面向?qū)ο蠓诸惙?種方法提取樹冠。傳統(tǒng)的外業(yè)測(cè)量不僅作業(yè)強(qiáng)度大、效率低，而且主觀因素的依賴性大，測(cè)量精度難以保證。尋找一種客觀、高效、準(zhǔn)確的單木樹冠提取方法不僅是林業(yè)學(xué)者關(guān)心的問題，也受到了遙感與地理信息科學(xué)及計(jì)算機(jī)視覺學(xué)者的高度關(guān)注。目前，樹冠的提取研究從對(duì)航空像片目視解譯開始，已經(jīng)逐步發(fā)展到應(yīng)用被動(dòng)影像和主動(dòng)激光雷達(dá)數(shù)據(jù)進(jìn)行自動(dòng)和半自動(dòng)提取階段。本文以果子溝研究區(qū)里的Quickbird遙感影像作為處理數(shù)據(jù)源，運(yùn)用面向?qū)ο蠓诸惖姆椒ǎ瑢?duì)研究區(qū)的云杉樹冠進(jìn)行提取研究。

1 研究區(qū)概況

霍城縣位于新疆維吾爾自治區(qū)西部，隸屬于伊犁哈薩克自治州，地理位置為東經(jīng)8°11′～81°24′，北緯43°39′～44°50′。屬于溫帶半干旱氣候，全年日照時(shí)數(shù)2 550～3 500 h，每日日照時(shí)數(shù)8～12 h，年平均氣溫8.2～9.4℃，年降水量達(dá)到140～460 mm。全縣南北跨度120 km，東西橫跨85 km。霍城縣城沿東北方向40 km處就是本文研究的果子溝地區(qū)，全長(zhǎng)28 km，云杉人工林遍布。

2 試驗(yàn)數(shù)據(jù)與方法

2.1 數(shù)據(jù)獲取與預(yù)處理

數(shù)據(jù)獲取時(shí)間為2017年6月28日，像元大小為0.6 m的高分辨率遙感影像，數(shù)據(jù)采集當(dāng)天天氣情況良好，獲取的遙感圖像較清晰，其成像質(zhì)量較好，包括研究區(qū)內(nèi)的1∶10 000的地形圖和1∶10 000數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)以及需要用到的處理圖像軟件eCognition 8.7，ENVI 5.3和Arcgis 10.0等。

下載的遙感影像數(shù)據(jù)不能直接加以利用，圖像中除了包含所需的信息外，還包含了一些無用信息。為了提取可靠的信息，去除誤差，增強(qiáng)信息的可靠性，簡(jiǎn)化數(shù)據(jù)，需要進(jìn)行預(yù)處理。本文采用ENVI 5.3軟件，利用1∶10 000的地形圖和1∶10 000 DEM數(shù)據(jù)對(duì)遙感影像進(jìn)行正射校正，即在獲取的QuickBird遙感影像上選取控制點(diǎn)，利用DEM數(shù)據(jù)對(duì)影像做傾斜改正和投影差改正，重采樣成正射影像圖。經(jīng)校正后的正射影像圖具有豐富的信息，采用K-L變換對(duì)多光譜影像融合取得了較好效果，通過人工可判別出影像中的深色區(qū)域?yàn)闃涔凇?/p>

2.2 面向?qū)ο蠓诸?/h3>

面向?qū)ο蠓诸惙椒ㄖ饕菍?duì)多個(gè)像元群（也稱為目標(biāo)對(duì)象）進(jìn)行分析，而非單個(gè)像元，這樣的分析與單個(gè)像元的分析相比，更能凸顯其現(xiàn)實(shí)意義[5]。面向?qū)ο蟮姆诸惙椒ㄊ墙⒃谀繕?biāo)對(duì)象基礎(chǔ)上的，研究的是實(shí)實(shí)在在的有意義影像對(duì)象，模仿人類的大腦思維來認(rèn)知現(xiàn)實(shí)世界中的事物，分析的是單個(gè)實(shí)體而不僅僅是一個(gè)單獨(dú)存在的像元。面向?qū)ο蠓诸惙ǖ脑砜梢院?jiǎn)單地理解為對(duì)整個(gè)影像進(jìn)行分割、分類，最終得到所需結(jié)果[6-7]。

2.3 多尺度分割

在高分辨率遙感影像中，因地物的影像特征互不相同，所以分割參數(shù)的設(shè)置也應(yīng)根據(jù)實(shí)際影像圖進(jìn)行，且分割參數(shù)的不同，其所分割出來的影像也不盡相同，對(duì)之后的分類精度有很大的影響[8-10]。因此為獲取最優(yōu)的分割尺度和方法，對(duì)各種參數(shù)（分割尺度、平滑度和緊致度）進(jìn)行組合試驗(yàn)，最終經(jīng)過對(duì)比，得到分割尺度為5，平滑度為0.1，緊致度為0.5時(shí)可較好地分割出天山云杉的樹冠，其分割結(jié)果見圖1。

圖1 分割尺度為5、平滑度為0.1、緊致度為0.5時(shí)的天山云杉樹冠

3 結(jié)果與分析

3.1 基于樣本的監(jiān)督分類

提取樹冠信息，需要將地物進(jìn)行分類，以獲得樹冠的分布圖。本文運(yùn)用的是eCognition中基于樣本的監(jiān)督分類方法。最鄰近分類算法是通過對(duì)一個(gè)分類樣本進(jìn)行特征選擇形成樣例，然后在最鄰近算法里添加或編輯需要分類的樣本，簡(jiǎn)化步驟，提高自動(dòng)化。本文使用波段均值和標(biāo)準(zhǔn)差配置最鄰近特征，分類結(jié)果見圖2。

圖2 果子溝林場(chǎng)樹冠提取效果圖

用eCognition軟件對(duì)圖像進(jìn)行分割分類后可看到樹冠的分布情況，為了進(jìn)一步對(duì)樹冠信息進(jìn)行研究，需將樹冠提取出來生成矢量數(shù)據(jù)，利用ArcGIS 10.0軟件打開后可看到提取出來的樹冠信息，因而可以做后續(xù)的空間分析或面積統(tǒng)計(jì)（見圖3）。

圖3 果子溝林場(chǎng)樹冠分布圖

3.2 精度評(píng)價(jià)

為了驗(yàn)證結(jié)果是否符合精度要求，需要對(duì)結(jié)果進(jìn)行分類精度評(píng)價(jià)，然后將取得的分類結(jié)果輸出，才能獲得樹冠大小信息。在eCognition軟件中基于分割對(duì)象選擇樣本，然后做精度分析，得出：總精度為0.89， Kappa系數(shù)為0.82。從得到的分析結(jié)果來看，本文采用的提取技術(shù)基本能夠滿足精度要求。Kappa系數(shù)能夠更準(zhǔn)確地反映整體的分類精度，Kappa系數(shù)越大，其分類質(zhì)量越好。本文實(shí)驗(yàn)得到的分類精度見表1。

表1 面向?qū)ο蠓诸惥?/p>

3.3 結(jié)果分析

1）本文用的是高空間分辨率衛(wèi)星的全色波段數(shù)據(jù)，相對(duì)于其他遙感影像，地面分辨率較高，綠色植物在多光譜波段上的表現(xiàn)大多數(shù)是不相同的，數(shù)據(jù)經(jīng)過正射校正、圖像融合等預(yù)處理后，影像紋理信息相對(duì)豐富，圖像較清晰，能較好地反映地面樹冠的結(jié)構(gòu)特征，可將樹冠與其他地物區(qū)別開來。

2）圖像分割參數(shù)（分割尺度、平滑度、緊致度）的選取對(duì)后面的面向?qū)ο蠓诸惤Y(jié)果的精度具有很大的影響，因這些分割參數(shù)不固定，所以必須經(jīng)過多次反復(fù)實(shí)驗(yàn)，才能找到較合適的分割參數(shù)，在一定程度上對(duì)圖像對(duì)象的精度具有較大的提高。

3）在樹木比較密集的森林里，樹冠與樹冠之間會(huì)有相互遮擋、掩蓋，一些較小的樹木會(huì)被大樹所覆蓋，導(dǎo)致樹冠提取的精度會(huì)降低。本文研究的是特定的天山云杉樹種，不具有普遍實(shí)用性。

4）相比于其他提取方法而言，本文的面向?qū)ο筇崛》椒ň瓤梢赃_(dá)到要求，但在基于樣本的監(jiān)督分類中，訓(xùn)練樣本的選取依靠的是人工的目視解譯，自動(dòng)化程度低，在一定程度上影響樹冠的提取效率和提取精度。