李文靜, 王瑞瑞, 石 偉, 蘇婷婷

(1.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100083;2.中國(guó)航天系統(tǒng)科學(xué)與工程研究院,北京 100083)

單木樹(shù)冠提取可估測(cè)林分郁閉度、蓄積量和生長(zhǎng)量等信息，對(duì)研究森林的生長(zhǎng)情況和動(dòng)態(tài)變化具有重要意義[1].但復(fù)雜的森林結(jié)構(gòu)增加了獲取單木樹(shù)冠信息的難度，樣地實(shí)測(cè)法雖然能夠滿足要求，但費(fèi)時(shí)費(fèi)力[2].無(wú)人機(jī)技術(shù)具有靈活、高效、成本低和空間分辨率高等特點(diǎn)，為森林調(diào)查提供了新的數(shù)據(jù)源[3-4].Chianucci et al[5]利用無(wú)人機(jī)搭載數(shù)碼相機(jī)提取單木樹(shù)冠參數(shù)，以獲取較大尺度的森林信息.

基于高分影像進(jìn)行單木樹(shù)冠提取的相關(guān)研究已有不少，現(xiàn)有的樹(shù)冠分割方法主要有兩大類型：第1種是以探測(cè)窗口范圍內(nèi)光譜最大值作為樹(shù)冠中心點(diǎn)，再以中心點(diǎn)為參考探測(cè)樹(shù)冠，如局部最大值法，但闊葉樹(shù)常常會(huì)存在一個(gè)樹(shù)冠有多個(gè)最高點(diǎn)的情況[6]，因此局部最大值法更適用于有明顯最高頂點(diǎn)的針葉純林區(qū)[7]；第2種是基于樹(shù)冠輪廓進(jìn)行樹(shù)冠探測(cè)，彌補(bǔ)了局部最大值法的缺陷，對(duì)針葉林和闊葉林都適用，如多尺度分割方法、谷地跟蹤法、模板匹配法等[8-9].針對(duì)闊葉林樹(shù)冠形狀大小不規(guī)則的特點(diǎn)，多尺度分割方法可以用不同的尺度提取不同大小的樹(shù)冠[10].卜帆等[11]分別選用LiDAR高差模型和0.3 m空間分辨率的真彩色高分影像進(jìn)行樹(shù)冠提取對(duì)比，結(jié)果表明與LiDAR獲取的高差模型相比，真彩色高分影像得到的樹(shù)冠分割精度更高.付凱婷[12]利用無(wú)人機(jī)影像生成高分辨率DOM影像，利用面向?qū)ο蟮亩喑叨确指罘椒ㄌ崛¤駱?shù)單木參數(shù)信息，提取精度在70%以上，證明了面向?qū)ο蠓椒ǚ指顔文緲?shù)冠的可行性.然而，在目前研究中，大多數(shù)單木樹(shù)冠提取方法都是直接作用于整個(gè)圖像，進(jìn)行樹(shù)冠分割時(shí)易受到周圍背景和灌木的影響[13].對(duì)高分影像采用多尺度分割算法提取單木樹(shù)冠時(shí)易出現(xiàn)較多的過(guò)度分割現(xiàn)象；同時(shí)闊葉林樹(shù)冠形狀具有不規(guī)則性和復(fù)雜性，導(dǎo)致單木樹(shù)冠分割精度不高，目前這方面的研究也較少[13].鑒于此，本研究基于空間分辨率為0.1 m的無(wú)人機(jī)多光譜影像，提出一種顯著植被特征、雙邊濾波和面向?qū)ο蠖喑叨确指畹膯文緲?shù)冠改進(jìn)方法.

1 研究區(qū)概況

研究區(qū)位于安徽省池州市青陽(yáng)縣的東北部，海拔1.8～112.2 m；東經(jīng)117°48′—117°54′，北緯30°40′—30°41′，屬于暖濕性亞熱帶季風(fēng)氣候.氣候溫暖，雨量充足，年平均氣溫16.5 ℃，年均降水量1 400～2 200 mm，是常綠闊葉林向落葉闊葉林過(guò)渡的地帶.研究區(qū)內(nèi)優(yōu)勢(shì)樹(shù)種包括杉木、毛竹、楓樹(shù)、楓楊和雜木等闊葉樹(shù)種，以中齡林和成熟林為主.

試驗(yàn)數(shù)據(jù)為2016年6月拍攝的無(wú)人機(jī)多光譜影像.在光照充足、晴朗無(wú)云的天氣條件下拍攝，包含紅、綠、藍(lán)和波長(zhǎng)600、701、705 nm的6個(gè)波段，焦距為35 mm，空間分辨率為0.1 m.

本研究數(shù)據(jù)空間分辨率更高且為多光譜影像，包含近紅外波段，可利用紅波段和近紅外波段計(jì)算NDVI，將樹(shù)冠區(qū)域和背景區(qū)分開(kāi)，以抑制背景對(duì)單木樹(shù)冠分割的影響.然而隨著影像空間分辨率的提高，同一樹(shù)冠內(nèi)部紋理細(xì)節(jié)更顯著，導(dǎo)致分割時(shí)出現(xiàn)較多過(guò)度分割現(xiàn)象.針對(duì)這個(gè)問(wèn)題，本研究選擇雙邊濾波對(duì)提取的樹(shù)冠區(qū)域進(jìn)行平滑處理；同時(shí)，選擇樹(shù)冠閉合程度大于70%的高郁閉度闊葉林區(qū).研究區(qū)地理位置及無(wú)人機(jī)真彩色影像如圖1所示.

2 研究方法

本研究針對(duì)目前樹(shù)冠提取中易出現(xiàn)的過(guò)度分割問(wèn)題，基于無(wú)人機(jī)多光譜影像，選取高郁閉度的闊葉林區(qū)進(jìn)行試驗(yàn)，結(jié)合闊葉樹(shù)冠的特點(diǎn)改進(jìn)了傳統(tǒng)的單木樹(shù)冠提取方法.先利用NDVI掩膜提取樹(shù)冠區(qū)域，然后選取雙邊濾波器進(jìn)行處理，最后采用多尺度分割算法對(duì)不同分割參數(shù)組合進(jìn)行對(duì)比分析，選取最佳分割尺度，得到單木樹(shù)冠，并與直接多尺度分割樹(shù)冠的結(jié)果進(jìn)行對(duì)比，利用人工勾繪樹(shù)冠結(jié)果進(jìn)行精度評(píng)價(jià).研究技術(shù)路線如圖2所示.

2.1 樹(shù)冠區(qū)域提取

利用植被指數(shù)可以在遙感影像上將植被與其它地物區(qū)別開(kāi)[14].NDVI是最常用的植被指數(shù)，能反映植被冠層背景的影響，對(duì)植被有較強(qiáng)的響應(yīng)能力，利用無(wú)人機(jī)遙感影像的紅波段和近紅外波段進(jìn)行比值運(yùn)算得到NDVI計(jì)算公式(式(1)).基于NDVI計(jì)算結(jié)果設(shè)定閾值為0.3,進(jìn)行分類處理，小于0.3的背景區(qū)域用0表示，大于0.3的樹(shù)冠區(qū)域用1表示[14]，生成掩膜圖像，提取樹(shù)冠區(qū)域.

(1)

式中，NIR為近紅外波段的反射值，R為紅光波段的反射值.圖3的左圖為NDVI計(jì)算結(jié)果，NDVI值越高，植被覆蓋度越大；右圖為冠層掩膜的柵格圖像，黑色0值表示需要掩膜去掉的背景區(qū)域，白色1值表示需要提取的樹(shù)冠區(qū)域.

2.2 濾波處理

曾晶[15]基于DOM數(shù)據(jù)采用面向?qū)ο蟮亩喑叨确指罘椒ǐ@取單木樹(shù)冠，結(jié)果顯示多尺度分割算法會(huì)出現(xiàn)欠分割和過(guò)度分割的現(xiàn)象.其中過(guò)度分割現(xiàn)象較嚴(yán)重，同一樹(shù)冠內(nèi)部紋理細(xì)節(jié)顯著且亮度不均，導(dǎo)致在分割過(guò)程中同一樹(shù)冠被分割成多個(gè).為減輕紋理細(xì)節(jié)對(duì)樹(shù)冠分割的影響，本研究選擇雙邊濾波對(duì)樹(shù)冠區(qū)域進(jìn)行進(jìn)一步優(yōu)化.

雙邊濾波是一種具有邊緣保持功能的非線性濾波方法[16]，采用加權(quán)平均的方式，且權(quán)重值融入了位置對(duì)中心像素的影響和輻射差異[17].雙邊濾波的原理表示如下：

(2)

(3)

式中，σs為空間域高斯函數(shù)的標(biāo)準(zhǔn)差，σr為值域高斯函數(shù)的標(biāo)準(zhǔn)差，設(shè)σs=10，σr=35.空間域和像素域權(quán)重分別在圖像的平坦和邊緣區(qū)域起作用，在平滑的同時(shí)邊緣信息可得到保護(hù).

從圖4可發(fā)現(xiàn)經(jīng)雙邊濾波處理后，樹(shù)冠內(nèi)部的紋理細(xì)節(jié)被有效平滑，同時(shí)樹(shù)冠邊緣輪廓得到了保護(hù).

2.3 多尺度分割及最優(yōu)尺度選擇

因多尺度分割算法可以綜合考慮影像的灰度紋理形狀等信息，故適用于信息豐富的高分辨率影像[18].多尺度分割算法使對(duì)象的平均異質(zhì)性達(dá)到最小化，同時(shí)，各自的同質(zhì)性達(dá)到最大化，分割速度較快，參數(shù)可靈活調(diào)節(jié)設(shè)置[19].其核心技術(shù)是分形網(wǎng)絡(luò)演化方法(fractal net evolution approach, FNEA)，即從像素層開(kāi)始，通過(guò)自下而上迭代的區(qū)域融合方式，使較小的像素或?qū)ο蠛喜?合并的依據(jù)是2個(gè)相鄰對(duì)象的異質(zhì)性測(cè)度小于某閾值，當(dāng)異質(zhì)性超過(guò)該閾值時(shí)，合并過(guò)程終止，迭代結(jié)束[20].

最優(yōu)尺度參數(shù)的設(shè)置是實(shí)現(xiàn)影像分割的關(guān)鍵[21].分割參數(shù)主要包括波段權(quán)重、均值因子和分割尺度等，其中均值因子包括形狀因子和緊致度，形狀因子取值范圍為[0.1～0.9]，步長(zhǎng)為0.1；緊致度取值范圍為[0.1～0.9]，步長(zhǎng)為0.1[22].設(shè)置相同分割尺度，包含兩種參數(shù)的所有組合，確定最佳形狀因子和緊致度.分割尺度是保證分割對(duì)象異質(zhì)性的最小閾值.從圖5可以觀察到分割尺度參數(shù)越大，生成的分割對(duì)象越大.經(jīng)過(guò)反復(fù)對(duì)比，確定最佳分割尺度.

3 結(jié)果與分析

3.1 樹(shù)冠區(qū)域的提取及優(yōu)化

本研究改進(jìn)了傳統(tǒng)直接進(jìn)行多尺度分割的單木樹(shù)冠提取方法，在多尺度分割之前，基于研究區(qū)的多光譜影像計(jì)算NDVI，提取樹(shù)冠區(qū)域，并進(jìn)行雙邊濾波.樹(shù)冠區(qū)域提取及濾波后的優(yōu)化結(jié)果如圖6所示.從圖6A可發(fā)現(xiàn)，由于空間分辨率較高同一樹(shù)冠內(nèi)紋理細(xì)節(jié)顯著且亮度不均問(wèn)題比較明顯；從圖6B、6C、6D可看出，去除了背景后的樹(shù)冠區(qū)域更明顯，并且經(jīng)過(guò)雙邊濾波處理后，樹(shù)冠內(nèi)部的紋理細(xì)節(jié)被有效平滑，同時(shí)保護(hù)了樹(shù)冠的邊緣輪廓，優(yōu)化效果較好.

3.2 多尺度分割結(jié)果與精度評(píng)價(jià)

3.2.1 分割結(jié)果 本研究使用eCognition軟件的多尺度分割算法對(duì)優(yōu)化的樹(shù)冠區(qū)域進(jìn)行分割.分割時(shí)，對(duì)研究區(qū)優(yōu)化后的影像選取不同分割參數(shù)組合，經(jīng)過(guò)對(duì)比，選出最優(yōu)分割參數(shù)組合.試驗(yàn)中設(shè)置波段權(quán)重均為1，確定最佳形狀因子為0.6,緊致度為0.5，再選取最優(yōu)分割尺度，最終得到研究區(qū)最佳分割參數(shù)組合(表1).

表1 改進(jìn)方法最優(yōu)分割參數(shù)組合

本研究改進(jìn)的單木樹(shù)冠提取方法分割結(jié)果如圖7A所示，為驗(yàn)證本研究方法的準(zhǔn)確性和有效性，對(duì)原始真彩色影像直接采用多尺度分割算法提取樹(shù)冠，對(duì)比確定的最優(yōu)參數(shù)組合(表2)，結(jié)果如圖7B所示.結(jié)果表明，未經(jīng)去除背景和濾波處理的多尺度分割結(jié)果中過(guò)分割現(xiàn)象嚴(yán)重，單木樹(shù)冠提取結(jié)果較差，說(shuō)明本研究改進(jìn)方法有效抑制了背景影響和減少了過(guò)分割問(wèn)題.

表2 傳統(tǒng)方法最優(yōu)分割參數(shù)組合

3.2.2 精度評(píng)價(jià) 為了進(jìn)一步分析采用本研究改進(jìn)方法提取單木樹(shù)冠的效果，通過(guò)目視解譯的方式得到參考圖(圖7C)；將兩種方法的分割結(jié)果與參考圖進(jìn)行對(duì)比分析，評(píng)價(jià)分割精度.

將參考圖中樹(shù)冠與分割圖中樹(shù)冠的空間關(guān)系分為5類：匹配、接近匹配、丟失、過(guò)分割和欠分割[23].其中，匹配是指參考樹(shù)冠和分割樹(shù)冠的重疊部分占各自的80%以上；接近匹配是指參考樹(shù)冠和分割樹(shù)冠的重疊部分占其中一方的80%以上；丟失是指參考樹(shù)冠內(nèi)一半以上的面積沒(méi)有出現(xiàn)分割樹(shù)冠；過(guò)分割指是指一個(gè)參考樹(shù)冠中大部分面積被多個(gè)分割樹(shù)冠占據(jù)；欠分割是指多個(gè)參考樹(shù)冠被一個(gè)分割樹(shù)冠所代替[23].5種分割情況的效果圖如圖8所示,其中，藍(lán)色為參考圖的樹(shù)冠，紅色為本研究改進(jìn)方法分割的樹(shù)冠.

利用分割準(zhǔn)確率、分割召回率和F測(cè)度3個(gè)指標(biāo)進(jìn)行精度評(píng)價(jià)，三者定義如下：

(4)

(5)

(6)

式中：Nc表示被正確分割的樹(shù)冠個(gè)數(shù)，即匹配和接近匹配的樹(shù)冠個(gè)數(shù)之和；Nd表示本研究改進(jìn)方法分割的樹(shù)冠總數(shù)；Nr表示參考圖中樹(shù)冠分割總數(shù)；Ad代表分割準(zhǔn)確率；Ar代表分割召回率.

經(jīng)過(guò)統(tǒng)計(jì)分析，參考圖的分割結(jié)果為238個(gè)單木樹(shù)冠，采用本研究改進(jìn)方法分割，總共分割出單木樹(shù)冠261個(gè)，直接對(duì)原始影像進(jìn)行多尺度分割，總共分割出 369個(gè)對(duì)象，具體分割情況如表3所示.從表3可知，傳統(tǒng)分割方法中正確分割的樹(shù)冠為149個(gè)，分割準(zhǔn)確率為57.09%，分割召回率為 40.38%，F(xiàn)測(cè)度為47.30%；改進(jìn)的單木樹(shù)冠提取方法中正確分割的樹(shù)冠有200個(gè)，分割準(zhǔn)確率達(dá)到76.63%，分割的召回率為84.03%，F(xiàn)測(cè)度達(dá)到80.24%.對(duì)比發(fā)現(xiàn)，改進(jìn)后的單木樹(shù)冠分割準(zhǔn)確率得到了有效提高，影響改進(jìn)前分割精度的主要因素是過(guò)度分割，說(shuō)明改進(jìn)方法有效抑制了過(guò)分割現(xiàn)象，另外改進(jìn)前背景的存在也是使分割精度降低的原因之一.

表3 單木樹(shù)冠分割統(tǒng)計(jì)表

4 小結(jié)

本研究選取郁閉度高的闊葉林區(qū)，基于無(wú)人機(jī)多光譜影像，結(jié)合闊葉樹(shù)冠的特點(diǎn)，在提取植被特征的基礎(chǔ)上，采用雙邊濾波，最后采用面向?qū)ο蟮亩喑叨确指罘椒?，得到單木?shù)冠.結(jié)果表明，與直接對(duì)原始真彩色影像采用多尺度分割方法的結(jié)果相比，本研究改進(jìn)方法的過(guò)分割問(wèn)題被有效抑制.經(jīng)過(guò)精度評(píng)價(jià)，改進(jìn)方法的分割準(zhǔn)確率達(dá)到76.63%，F(xiàn)測(cè)度為80.24%，說(shuō)明該方法有效地減小了背景對(duì)分割精度的影響，有效抑制了傳統(tǒng)多尺度分割方法中的過(guò)分割問(wèn)題，可對(duì)郁閉度較高的闊葉林區(qū)單木樹(shù)冠進(jìn)行自動(dòng)提取.