基于Android平臺的立木胸徑測量系統

吳 錚, 吳曉柯, 徐愛俊, 陶忠良

(1.浙江農林大學信息工程學院，浙江 杭州 311300；2.浙江省農業農村大數據發展中心，浙江 杭州 310020)

在森林資源調查中，立木胸徑是掌握森林生長趨勢、評價立地條件的重要參數[1-2].立木胸徑的調查研究對林業科學經營、林業可持續發展有重要意義[3].立木胸徑測量工具多樣，傳統測量工具有卡尺、直徑卷尺等.這些工具效率低，并且耗費人力物力.基于各類傳感器設計的立木胸徑測量工具[4-6]雖然具有數據自動存儲、處理、上傳的優點，但是仍需接觸測量，且測量精度受操作方式的影響.

攝影測量技術在各領域的應用不斷深入[7].當前基于攝影測量技術的測量設備可以分為雙目、RGB-D相機、單目三類.文獻[8-10]利用雙目相機結合數字圖像處理分析立木胸徑、高度與冠幅.蔡健榮等[11]基于雙目視覺對果樹三維重建，通過各個模塊相組合形成果樹模型，從而獲取三維信息.文獻[12-13]利用雙目攝影系統結合圖像分割技術實現了果蔬的識別與定位.以上雙目攝影測量方法測量精度高，但運算量大，需內業處理數據，無法實時測量.基于RGB-D相機的攝影測量方法與雙目測量相比無需深度解算，因而運算速度快.文獻[14-15]使用RGB-D相機與圖像處理實現了幾種植物株高、莖粗的測量.徐勝勇等[16]使用RGB-D相機構建油菜三維點云，利用歐氏聚類實現單個油菜角果定位.Digumarti et al[17]利用隨機森林算法實現了闊葉樹的結構分割.范永祥等[18]基于RGBD-SLAM手持式設備，開發了森林樣地調查系統.以上基于RGB-D相機的測量方法雖然運算量小，但受光照影響大，成本高，不易攜帶.

基于單目相機的測量方法具有構造簡單、成本低的特點，因此應用廣泛[19].文獻[20-22]基于單目視覺通過數字圖像處理實現了果實的分割、定位與計數.Chen et al[23]基于單目視覺與支持向量機算法實現在不同光照下柑橘樹的分割，這兩類方法的定位和分割精度較高，但圖像處理過程運算量大，移動端難以實現.徐偉恒等[24]使用單目相機、激光尺、傾角傳感器等硬件結合圖像處理技術設計了近景攝影測樹儀，可實現立木胸徑的自動化計算.周克瑜等[25]根據三角原理借助參照物比算，實現了立木樹高的測量.李亞東等[26]以智能手機為平臺開發了單株立木測高程序，相比于布魯萊斯測高器，其精度顯著提高.管昉立等[27]通過視覺顯著性圖分割立木圖像，利用最小外接矩形計算立木胸徑.高莉平等[28]采用閾值突變三點法獲取立木圖像感興趣區域，利用三角原理獲取立木高度.邱梓軒等[29]利用智能手機結合望遠設備設計了望遠測樹儀，實現了立木因子的測量.以上研究雖然能實現非接觸測量，但在測量立木時需要參照物或外部設備輔助測量，存在局限性.

本文基于色彩空間轉換優化了濾波算法，縮短了圖像處理時間；基于攝影測量原理構建立木胸徑測量模型，設計了立木胸徑測量系統，旨在有效提高林業資源調查的效率.

1 材料與方法

1.1 系統架構

系統主要包括基礎資源、圖像識別、測量模型、應用交互4個模塊，具體架構如圖1所示.基礎資源為其他模塊提供基本工具、算法以及數據庫存儲；圖像識別模塊對立木圖像進行處理，將前景提取結果輸入測量模型，進而計算立木胸徑；應用交互模塊控制用戶數據輸入并對測量結果進行反饋及存儲，在保證應用交互的便捷性與數據處理的完整性的同時，實現立木胸徑測量.該系統架構保持各模塊高內聚、低耦合，從而提高了系統靈活性與可擴展性.

圖1 立木胸徑測量系統架構Fig.1 Basic structure of DBH measurement system

1.2 立木圖像前景提取

立木圖像前景提取包括圖像畸變矯正、圖像濾波降噪與圖像分割.由于立木圖像背景復雜，并需保留邊緣信息，采用MeanShift算法[30]進行濾波；濾波后采用GrabCut算法[31-32]進行分割，進而得到立木前景，為構建測量模型提供數據.由于MeanShift濾波算法存在耗時長等問題，本文通過融合YCbCr色彩空間[33]對MeanShift算法進行了改進，改進的算法流程表示如下.

(1)將立木圖像的色彩空間轉換到YCbCr色彩空間，轉換公式表示如下：

(1)

(2)分離立木圖像Y通道.

(3)以Y通道為濾波通道初始化卷積核窗口，計算并更新窗口內小于指定閾值像素點的顏色與位置均值，以位置均值為中心繼續計算更新，直到收斂.

(4)合并Y通道與Cb、Cr通道為YCbCr色彩空間.

(5)將立木圖像轉換到RGB色彩空間，轉換公式表示如下：

(2)

1.3 立木胸徑測量模型構建

1.3.1 深度提取模型 本文利用方向傳感器、三角原理構建的深度提取模型如圖2所示.測量深度時調整相機觀測位置，確保與待測立木之間無異物遮擋，將相機對準樹木根莖處，通過方向傳感器可獲得相機俯角，計算深度表示為：

(3)

[α2=90°、α1∈(0,90°)]

式中，Z為深度值(m)；H為相機高度(m)；α1為相機對準樹底時的俯角(°)；α2為直角.

圖2 深度提取模型Fig.2 Depth extraction model

用該模型測量深度時無需參照物，只需調整相機位置就能得到深度值，從而實現了深度的快速解算.

1為像素平面；2為物理成像平面；3為相機；4為目標立木；P、Q、R為立木特征點；P′、Q′、R′為P、Q、R在像素平面上的投影； f為相機焦距.圖3 立木胸徑測量模型Fig.3 Measurement model of DBH of standing tree

1.3.2 立木胸徑測量模型 根據深度提取模型得到的深度值，結合小孔成像原理、三角原理構建立木胸徑測量模型(圖3).

令R的坐標為[X,Y,Z]T，R在相機物理成像平面上成的像為R′，其坐標為[X′,Y′,Z]T.根據三角形的相似原理可知：

(4)

R′在像素平面上的坐標為[u,v]T.R′在物理成像平面與像素平面之間可以通過平移與縮放進行轉換，其映射關系為：

(5)

式中，α、β為縮放系數，cx、cy為立木圖像中心點橫縱坐標.

將式(4)代入式(5)，將αf合并為fx， 將βf合并為fy，得點R′的像素坐標[u,v]T與相機坐標系坐標點[X,Y]T的映射關系為：

(6)

式中，fx、fy、cx、cy為相機標定得到的相機內參，fx、fy為焦距，cx、cy為圖像中心橫縱坐標；X、Y為u、v映射到相機坐標系的橫縱坐標；Z為深度.

通過查詢立木圖像中的各個像素，確定R′的縱坐標為v1，通過式(6)將v1映射到相機坐標系，可得R的縱坐標Y1為：

(7)

用Y1減去1.3 m，得到P、Q在相機坐標系的縱坐標Y2：

Y2=Y1-1.3

(8)

利用式(6)將計算得到的Y2重新映射到像素坐標系，即可得到P′、Q′的縱坐標(v2).

(9)

通過P′、Q′計算立木胸徑的像素寬度為|ulert-uright|.基于三角相似性原理可得立木胸徑(DBH)的計算公式：

(10)

式中,Z為深度，f為焦距.

2 結果與分析

2.1 立木圖像的前景提取

本文利用圖像處理耗時，對改進的MeanShift算法進行性能評價.隨機抽取30張立木圖像，分為3組進行試驗.相比于MeanShift原算法，本文改進的MeanShift算法只需在YCbCr色彩空間上對單通道濾波，處理耗時較原算法降低了一個數量級.原算法與改進算法的每組平均濾波時間如表1所示.從表1可以看出，本文算法平均濾波時間為449.999 ms，低于原算法(4 859.156 ms)，前景提取耗時減少不低于80%.因此本文改進的算法更適用于移動端立木圖像處理.

表1 立木圖像濾波時間Table 1 Filtering time of standing tree images

改進后的MeanShift算法利用了YCbCr色彩空間亮度信號與色度信號的分離特性，在保留圖像邊緣信息、降低背景噪聲的同時大幅降低圖像處理耗時，并減少了光照分布不均勻對圖像分割的影響，克服了GrabCut算法存在的問題，結果如圖4所示.

a.濾波處理結果；b.前景提取結果.圖4 立木圖像分割Fig.4 Tree image segmentation

2.2 立木胸徑測量模型的精度

在校園內隨機選取10株立木進行測量，并與文獻[29]中的測量數據進行對比，結果如表2所示.從表2可以看出本文測量結果的相對誤差為0.61%～5.14%，平均相對誤差為2.35%.文獻[29]相對誤差為0.61%～14.78%，平均相對誤差為4.54%，表明本系統具有更好的穩定性.

表2 立木胸徑測量結果Table 2 Measurement results of DBH of standing trees

2.3 系統實現

系統開發硬件配置：AMD Ryzen 5 3500U CPU，2.10 GHz，Radeon Vega Mobile Gfx，20GBRAM.軟件環境：Android Studio 3.2+JDK8(Java development kit)+OpenCV 3.6+NDK(Native development kit).Android適配版本為6.0及以上，系統實現如圖5所示.

a.深度提取；b.立木胸徑測量.圖5 系統功能實現Fig.5 System function realization

3 小結

本文采用張正友標定法實現了智能手機相機自動標定功能，并利用標定結果完成了立木圖像畸變的矯正，通過色彩空間轉換對圖像濾波算法進行了改進，依據立木圖像前景提取結果與攝影測量原理構建了立木胸徑測量模型和深度提取模型，設計并實現了基于Android平臺的立木胸徑測量系統.

本研究結果表明:(1)本文改進的MeanShift濾波算法較原算法耗時降低了一個數量級，實現了移動端對立木圖像的快速濾波處理.

(2)基于小孔成像與三角原理構建了深度提取模型與立木胸徑測量模型.在無參照物與外部設備輔助下實現了立木胸徑非接觸測量，降低了試驗難度，且操作更加便捷.

(3)系統對胸徑的測量誤差不超過6%，平均誤差為2.35%，可在一定程度上實現外業測量.