王鑫運(yùn)，黃 楊，邢艷秋，李德江，趙曉偉

（1.東北林業(yè)大學(xué) 森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040；2.黑龍江省測(cè)繪科學(xué)研究所，黑龍江 哈爾濱 150040）

單木結(jié)構(gòu)參數(shù)是反映森林空間結(jié)構(gòu)的關(guān)鍵指標(biāo)，同時(shí)也是樹木生長(zhǎng)狀態(tài)觀測(cè)、生物量估計(jì)等研究的重要參考依據(jù)。機(jī)載激光雷達(dá)（Light Detection And Ranging,LiDAR）作為一種主動(dòng)遙感技術(shù)，受地形、光照影響較小，能夠一次獲取大范圍地表三維結(jié)構(gòu)信息，是一種重要的森林觀測(cè)方法[1]。利用機(jī)載LiDAR 可以有效估測(cè)單木樹高、冠幅等空間結(jié)構(gòu)信息。

基于機(jī)載LiDAR 點(diǎn)云的單木分割是指將單個(gè)立木從較大區(qū)域遙感數(shù)據(jù)中分割出來，是單木結(jié)構(gòu)參數(shù)估測(cè)的前提，如估測(cè)單木樹高[2]、冠幅[3]、蓄積量[4]、生物量[5]等。目前國(guó)內(nèi)外基于機(jī)載LiDAR 點(diǎn)云的單木分割算法有兩大思路，其一為基于點(diǎn)云柵格化后生成的冠層高度模型（Canopy Height Model，CHM）進(jìn)行單木分割。Vencent 等[6]針對(duì)圖像分割場(chǎng)景，于1991年提出了經(jīng)典的分水嶺算法，分水嶺算法在基于CHM 圖像的單木分割場(chǎng)景中取得了較高的精度，后來在分水嶺算法的基礎(chǔ)上又延伸出了標(biāo)記控制分水嶺算法[7]。劉方舟[8]參考標(biāo)記控制分水嶺算法，提出了一種基于分層處理的模擬物理倒水單木分割算法，并構(gòu)建能量函數(shù)進(jìn)行樹冠邊界優(yōu)化。針對(duì)CHM 灰度變化不平滑、空洞較多等問題，后來學(xué)者多利用圖像濾波方法對(duì)CHM 進(jìn)行處理，如高斯濾波、均值濾波、形態(tài)學(xué)濾波等。其二是直接在原始點(diǎn)云上進(jìn)行單木點(diǎn)云分割。由于單木點(diǎn)云在空間中存在聚集性，利用Kmeans、Mean-shift、混合高斯模型等聚類算法可對(duì)點(diǎn)云進(jìn)行有效分類。孫拱等[9]以樹冠頂點(diǎn)為初始聚類中心，利用Kmeans 算法從機(jī)載LiDAR 原始點(diǎn)云中分割樹冠。Hui 等[10]提出了一種基于機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)的自適應(yīng)搜索范圍的Mean-shift 單木分割算法。但該種類型的分割方法處理灌叢較多、植被密度較高的林分時(shí)，林冠邊緣受相鄰植被影響易產(chǎn)生過分割現(xiàn)象。基于傳統(tǒng)聚類方法進(jìn)行單木分割時(shí)輸入?yún)?shù)較多，且大多數(shù)方法速度較慢，復(fù)雜度較高，不適合大面積推廣。隨著人工智能技術(shù)的發(fā)展，基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Region CNN）、Point-Net 等深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法也在點(diǎn)云單木分割上取得了良好的效果。Wang 等[11]利用快速回歸卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）對(duì)地基LiDAR 采集的橡膠林點(diǎn)云數(shù)據(jù)進(jìn)行單木分割，效果良好。Alon 等[12]提出了一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)（RetinaNet）的機(jī)載LiDAR點(diǎn)云單木分割算法，在熱帶闊葉樹樣地中取得了較好的分割成果。但基于深度學(xué)習(xí)的單木點(diǎn)云分割方法需要大量人工標(biāo)注數(shù)據(jù)訓(xùn)練模型，且對(duì)于不同樹種、不同地區(qū)植被，該類方法需要重新訓(xùn)練模型，其模型普適性較差，模型訓(xùn)練成本較高。

大多數(shù)基于CHM 的單木分割算法受CHM分辨率影響較大，傳統(tǒng)機(jī)載LiDAR 往往生成的CHM 圖像分辨率在0.5 m 左右，對(duì)于低矮、冠幅較小的植被分割較為困難[13]，整體分割精度受CHM 分辨率限制。高分辨率CHM 圖像可極大提高單木分割精度，而高分辨率CHM 圖像需要高密度LiDAR 點(diǎn)云數(shù)支撐。由于高分辨率CHM 圖像對(duì)單棵立木信息表述更加豐富，因此CHM 圖像中單棵立木樹冠內(nèi)部存在更多凹點(diǎn)，且樹冠邊緣更加不規(guī)則。傳統(tǒng)分水嶺算法直接處理該種類似數(shù)據(jù)時(shí)會(huì)出現(xiàn)大量過分割現(xiàn)象，且針對(duì)高郁閉度林分對(duì)于樹冠邊界識(shí)別精度不高。針對(duì)傳統(tǒng)基于CHM 的分割方法出現(xiàn)的問題，需要對(duì)高分辨率CHM 圖像進(jìn)行預(yù)處理，在保留有效圖像信息的情況下，對(duì)圖像進(jìn)行一定平滑以及增強(qiáng)處理，因此本研究提出了一種更適用于無人機(jī)高密度LiDAR點(diǎn)云數(shù)據(jù)的單木分割方法。

本研究基于無人機(jī)高密度LiDAR 點(diǎn)云數(shù)據(jù)，分別生成分辨率為到0.1、0.2、0.4 m 的高、中、低分辨率冠層高度模型，并將圖像濾波、圖像增強(qiáng)等方法應(yīng)用于3 種不同分辨率CHM 圖像上，結(jié)合改進(jìn)后的層次泛洪算法進(jìn)行單木分割。本研究將該算法應(yīng)用在哈爾濱市城市林業(yè)示范基地樟子松林、興安落葉松林實(shí)驗(yàn)樣地中，并針對(duì)不同分辨率CHM 圖像進(jìn)行單木分割，以驗(yàn)證不同分辨率的CHM 圖像對(duì)單木分割算法的影響。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

本研究于2021年4月，以哈爾濱市城市林業(yè)示范基地（45°43'10″N，126°37'15″E）內(nèi)樟子松Pinus sylvestris、興安落葉松Larix gmelinii樣地為實(shí)驗(yàn)對(duì)象，分別設(shè)置1 塊樣地進(jìn)行無人機(jī)LiDAR飛行實(shí)驗(yàn)。2 塊樣地郁閉度均達(dá)到0.7 以上，且林下環(huán)境復(fù)雜，林分垂直層次豐富。在采集機(jī)載LiDAR 點(diǎn)云時(shí)興安落葉松林正處于落葉季，其冠幅較小，而樟子松林平均冠幅較大，可以對(duì)比本算法在不同冠幅下分割效果。

1.2 機(jī)載LiDAR 數(shù)據(jù)采集

在研究區(qū)內(nèi)，采用大疆（DJI）M300 無人機(jī)搭配大疆禪思L1 高分辨率激光雷達(dá)、光學(xué)鏡頭組合模塊，于2021年4月8日，進(jìn)行林地點(diǎn)云、RGB 光學(xué)影像數(shù)據(jù)同步采集。飛行軌跡及樣地位置如圖1所示。

圖1 無人機(jī)飛行軌跡及樣地位置Fig.1 Flight trajectory of UAV and positions of plots

具體數(shù)據(jù)參數(shù)如表1所示。

表1 LiDAR 及無人機(jī)飛行參數(shù)Table 1 LiDAR and UAV parameters

傳統(tǒng)機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)由于航空器飛行高度高，飛行速度快，所搭載激光雷達(dá)工作模式等原因，導(dǎo)致點(diǎn)云數(shù)據(jù)密度不夠大，難以對(duì)林下環(huán)境進(jìn)行精準(zhǔn)描述。且單株立木點(diǎn)云數(shù)量較少，對(duì)于樹高、冠幅等參數(shù)估測(cè)存在一定偏差。大疆禪思L1 遙感模塊搭配大疆M300 RTK 四旋翼無人機(jī)所生產(chǎn)的點(diǎn)云數(shù)據(jù)，在多幀點(diǎn)云融合后密度最高處可以達(dá)到1 500 pts·m-3，其林下環(huán)境點(diǎn)云數(shù)據(jù)質(zhì)量高于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云。

1.3 實(shí)地?cái)?shù)據(jù)采集

在樟子松林、興安落葉松林樣地內(nèi)，分別劃分出兩塊30 m×30 m 樣地，進(jìn)行了單木位置、冠幅測(cè)量。針對(duì)點(diǎn)云數(shù)據(jù)，結(jié)合高分辨率光學(xué)影像數(shù)據(jù)進(jìn)行目視解譯，將目視解譯單木位置作為算法驗(yàn)證數(shù)據(jù)。樟子松樣地內(nèi)共測(cè)得62 株單木位置信息，興安落葉松樣地內(nèi)共測(cè)得85 株單單木位置信息。LiDAR 點(diǎn)云數(shù)據(jù)與同步采集光學(xué)影像數(shù)據(jù)如圖2所示：

圖2 禪思L1 采集點(diǎn)云及光學(xué)影像Fig.2 Point cloud and optical images produced by DJI L1

從樣地尺度下觀察，無人機(jī)高密度LiDAR 點(diǎn)云在大部分空間內(nèi)密度分布較為集中，具體統(tǒng)計(jì)如圖3所示：

圖3 樣地點(diǎn)云密度分布統(tǒng)計(jì)Fig.3 Density statistics of the point cloud of sample plots

從密度的分布統(tǒng)計(jì)圖中可以發(fā)現(xiàn)，兩個(gè)樣地的點(diǎn)云中絕大多數(shù)區(qū)域的點(diǎn)密度都在100 到1 000 pts·m-3之間，其中，有50%的區(qū)域點(diǎn)云密度超過500 pts·m-3。另外有35%的區(qū)域點(diǎn)云密度在150 到500 pts·m-3之間，該密度遠(yuǎn)高于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云密度。

2 研究方法

首先利用大疆智圖軟件（DJI Terra）對(duì)激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行去噪、矯正、拼接，同時(shí)融合光學(xué)影像數(shù)據(jù)生成真彩色點(diǎn)云。由于大疆禪思L1 所生成的高密度點(diǎn)云數(shù)據(jù)形態(tài)與傳統(tǒng)機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)有所不同，因此根據(jù)該無人機(jī)LiDAR 點(diǎn)云數(shù)據(jù)形態(tài)，提出了基于冠層高度模型的層次泛洪單木分割算法。具體研究方法如圖4所示

圖4 算法流程Fig.4 Algorithm flow

2.1 地面點(diǎn)濾波

為了生成冠層高度模型，需要將點(diǎn)云中地面點(diǎn)與非地面點(diǎn)分離。目前，常用的地面點(diǎn)濾波算法包括不規(guī)則三角網(wǎng)濾波、自適應(yīng)形態(tài)學(xué)濾波、布料模擬濾波等。其中不規(guī)則三角網(wǎng)濾波預(yù)設(shè)條件較多，需要大量先驗(yàn)知識(shí)作為算法輸入。而自適應(yīng)形態(tài)學(xué)濾波算法效率不高，無人機(jī)高密度LiDAR 點(diǎn)云數(shù)量較大，難以利用該算法在短時(shí)間內(nèi)處理海量點(diǎn)云數(shù)據(jù)。綜合考慮算法效率與濾波精度，本研究采用布料模擬濾波算法進(jìn)行地面點(diǎn)分割。布料模擬濾波（Cloth Simulation Filter,CSF）算法由Zhang 等[14]提出，其核心思想是將點(diǎn)云倒置，通過模擬布匹逐漸覆蓋點(diǎn)云的方式將地面點(diǎn)從原始點(diǎn)云中提取出來。其中，布料采用彈簧-質(zhì)點(diǎn)模型來模擬，通過調(diào)節(jié)質(zhì)點(diǎn)間牽引力大小來確定布料硬度以適應(yīng)不同地貌。該算法精度高，需要的先驗(yàn)知識(shí)少，且在處理海量點(diǎn)云時(shí)速度較快。

2.2 CHM 生成及圖像預(yù)處理

地面點(diǎn)分割完成后，基于地面點(diǎn)生成高（0.1 m）、中（0.2 m）、低（0.4 m）3 種 分辨率的數(shù)字高程模型（Digital Elevation Model,DEM），基于非地面點(diǎn)生成對(duì)應(yīng)的3 種不同分辨率的數(shù)字表面模型（Digital Surface Model,DSM）,基于上述3 種不同分辨率的DEM 與DSM，生成高（0.1 m）、中（0.2 m）、低（0.4 m）3 種分辨率的CHM 模型，然后對(duì)不同分辨率下CHM 分別進(jìn)行預(yù)處理。

CHM 生成后，由于原始點(diǎn)云密度高，且生成的CHM 分辨率較高，上述因素會(huì)使CHM 圖像產(chǎn)生一定噪點(diǎn)，且CHM 圖像中單個(gè)樹冠內(nèi)部不同像素間高差較大，不利于樹頂尋找。本研究利用形態(tài)學(xué)算法對(duì)CHM 圖像進(jìn)行平滑處理。基于形態(tài)學(xué)的開運(yùn)算通過先進(jìn)行腐蝕運(yùn)算再進(jìn)行膨脹運(yùn)算，可以消除細(xì)小高亮區(qū)域，通過開運(yùn)算可以將原本小區(qū)域重疊的樹冠CHM 圖像分離開。形態(tài)學(xué)閉運(yùn)算則相反，其通過先膨脹再腐蝕可以填補(bǔ)部分空洞。形態(tài)學(xué)平滑算法本質(zhì)是對(duì)CHM 圖像的卷積操作，其中卷積核形狀、尺寸對(duì)卷積效果影響較大，綜合考慮CHM 圖像分辨率與樹冠形態(tài)，本研究采用正方形卷積核進(jìn)行平滑濾波操作。

針對(duì)CHM 圖像中產(chǎn)生的空洞，進(jìn)行反距離權(quán)重插值（Inverse Distance Weight,IDW），以便于后續(xù)圖像處理。插值完成后，對(duì)CHM 圖像進(jìn)行增強(qiáng)處理，提高對(duì)比度，便于分離不同單木樹冠。

圖像增強(qiáng)技術(shù)是先統(tǒng)計(jì)每一個(gè)像素值在當(dāng)前所有像素中所占比例，以小于當(dāng)前像素值的其他像素所占比例作為增益系數(shù)對(duì)當(dāng)前像素進(jìn)行增強(qiáng)。公式如式（1）所示：

式（1）中：Ve為增強(qiáng)后像素值，Vc為當(dāng)前像素值，Vi為小于當(dāng)前像素值的像素值，Pi為像素值所占比例，Vmax為圖像中最大像素值。通過將圖像增強(qiáng)技術(shù)運(yùn)用在CHM 圖像中，可以明顯提高樹冠間隙像素與樹冠內(nèi)部像素之間的對(duì)比度，有利于區(qū)分距離較近的不同樹冠。

2.3 層次泛洪算法

該算法核心思想為模擬洪水流動(dòng)，將CHM 圖像中單木樹冠個(gè)體看作山丘，而樹冠之間的空隙即為溝壑，同時(shí)在多個(gè)局部最高點(diǎn)上開始模擬洪水向山下流動(dòng)。由于洪水只能向低處流動(dòng)，最終來自多個(gè)山頂?shù)暮樗跍羡痔巺R聚，洪水匯聚的溝壑即為樹冠分割線。具體示意如圖5所示：

圖5 泛洪算法示意圖Fig.5 Diagram of flooding algorithm

圖5中，A、B 兩點(diǎn)均為山頂，即樹冠頂點(diǎn)，藍(lán)色區(qū)域?yàn)樽罱K的溝壑產(chǎn)生地，即樹冠分割線。首先基于CHM 圖像，通過固定窗口大小的局部最大值算法搜索樹頂，確定樹頂位置后再進(jìn)行層次泛洪。泛洪擴(kuò)散時(shí)根據(jù)當(dāng)前像素的八鄰域進(jìn)行搜索。為了控制不同山頂?shù)姆汉樗俣缺３忠恢拢鶕?jù)CHM 像素值劃分為多個(gè)層次，每次都只擴(kuò)散一層。當(dāng)前層所有像素搜索完畢后，進(jìn)行下一層擴(kuò)散。下一層進(jìn)行擴(kuò)散時(shí)從上一層的擴(kuò)散邊界繼續(xù)擴(kuò)散。當(dāng)該層次中出現(xiàn)山頂時(shí)，山頂優(yōu)先于泛洪邊界進(jìn)行擴(kuò)散。擴(kuò)散條件如式（2）所示：

式（2）中：Ci代表當(dāng)前像素的像素值，Ci+1代表待擴(kuò)展像素的像素值。通常來說，CHM 圖像中樹冠內(nèi)部各像素高度差應(yīng)小于擴(kuò)散邊界與樹冠間隙高度差，且兩個(gè)樹冠間的鞍部應(yīng)當(dāng)是樹冠邊界。因此當(dāng)兩樹冠區(qū)域擴(kuò)散過程中發(fā)生接觸時(shí)，通過計(jì)算邊界像素與兩樹冠區(qū)域中樹冠頂點(diǎn)的高度差可以對(duì)當(dāng)前區(qū)域是否到達(dá)樹冠邊界進(jìn)行判別，當(dāng)高度差達(dá)到最大時(shí)即到達(dá)樹冠邊界。當(dāng)不同樹頂區(qū)域擴(kuò)散邊界發(fā)生碰撞時(shí)，計(jì)算碰撞邊界像素周圍4 鄰域內(nèi)像素權(quán)重值W，其計(jì)算公式如式（3）所示：

式（3）中：Hk為當(dāng)前像素點(diǎn)與樹頂k之間的高度差，Hk+1為當(dāng)前像素點(diǎn)與相鄰樹頂k+1 之間的高度差。邊界向權(quán)重值高的像素點(diǎn)移動(dòng)。

2.4 邊界優(yōu)化

由于樹冠區(qū)域擴(kuò)散時(shí)僅僅依靠CHM 圖像像素值判斷樹冠邊界，樹冠區(qū)域形狀不易控制，易出現(xiàn)狹長(zhǎng)形樹冠現(xiàn)象。因此引入樹冠形狀約束條件對(duì)邊界擴(kuò)散進(jìn)行約束。

擴(kuò)散區(qū)域長(zhǎng)寬比R0：為了控制擴(kuò)散區(qū)域近似于圓形，因此通過控制擴(kuò)散區(qū)域的外切矩形長(zhǎng)寬之比來使得擴(kuò)散區(qū)域近似于自然狀態(tài)下針葉林樹冠投影形狀。計(jì)算公式如式（4）所示：

式（4）中：L代表外切最小矩形長(zhǎng)度，W代表外切最小矩形寬度。

擴(kuò)散區(qū)域角形比R1：為了進(jìn)一步約束擴(kuò)散形狀，提高分割樹冠形狀邊界平滑度，使用擴(kuò)散區(qū)域面積與外切矩形面積之比來約束擴(kuò)散形狀。計(jì)算公式如式（5）所示：

式（5）中：S1為外切矩形面積，S2為擴(kuò)散區(qū)域面積。

最大面積約束：為了避免樹冠擴(kuò)散面積過大，需要對(duì)樹冠擴(kuò)散面積進(jìn)行約束。通常該值需要根據(jù)不同林分類型來確定。

當(dāng)上述3 個(gè)條件任意一個(gè)不滿足時(shí)，說明當(dāng)前擴(kuò)散出現(xiàn)錯(cuò)誤，將所有邊界回退至上一層。然后調(diào)整邊界擴(kuò)散順序，繼續(xù)完成擴(kuò)展。當(dāng)該層所有順序組合均嘗試過仍然不能滿足上述條件，則回退兩層，依此類推。

2.5 精度評(píng)價(jià)

為了評(píng)價(jià)該算法在不同分辨率下分割精度，通過對(duì)高密度激光雷達(dá)點(diǎn)云和高分辨率光學(xué)影像目視判別的方式得到本研究的單木位置驗(yàn)證數(shù)據(jù)，采用正確率p、召回率r、調(diào)和值F[15]來量化評(píng)價(jià)算法精度。正確率表示有效單木探測(cè)株樹占整個(gè)提取結(jié)果的比例，召回率表示有效單木探測(cè)株樹占真實(shí)參考株數(shù)的比例。單木分割可以將點(diǎn)云分割為多棵單木點(diǎn)云，通過對(duì)比真實(shí)樹冠投影區(qū)域與分割后樹冠投影區(qū)域來判別分割正確性。其中正確分割（Tp）表示分割后投影區(qū)域占真實(shí)樹冠投影區(qū)域50%以上，欠分割（FN）則相反。過分割（Fp）表示估測(cè)樹冠投影區(qū)域與多個(gè)真實(shí)樹冠投影區(qū)域重疊，且每個(gè)真實(shí)樹冠投影區(qū)域均未占到50%以上。具體r、p、F計(jì)算如式（6）～（8）所示：

3 結(jié)果與討論

3.1 結(jié) 果

CSF 濾波器有3 個(gè)參數(shù)比較重要，分別為柵格大小、粒子位移幅度和迭代次數(shù)。由于本研究研究區(qū)域均位于平原，綜合考慮地面微弱起伏，因此將粒子位移幅度設(shè)置為0.2 m，即相鄰粒子位移超過0.2 m 即視為非地面點(diǎn)。柵格尺寸越小，迭代次數(shù)越高，地面點(diǎn)分割精度越高，但計(jì)算速度也越慢。由于本研究中使用的點(diǎn)云密度較高，數(shù)量較大，為了將無人機(jī)高密度LiDAR 點(diǎn)云中地面點(diǎn)有效分離，綜合考慮計(jì)算速度，本研究中使用的CSF 濾波器柵格大小設(shè)置為0.5 m，迭代次數(shù)300。濾波效果如圖6所示：

圖6 CSF 濾波算法結(jié)果Fig.6 Results of CSF filtering

地面點(diǎn)分割完成后，根據(jù)地面點(diǎn)與非地面點(diǎn)生成高、中、低分辨率DSM 與DEM，并進(jìn)一步生成高、中、低分辨率的CHM 模型（圖7）。

圖7 不同分辨率下CHM 圖像Fig.7 CHM images with different resolution

CHM 圖像卷積操作需要設(shè)置卷積核。卷積核通常為正方形。卷積核大小應(yīng)根據(jù)圖像處理目的來設(shè)置，卷積核過大易導(dǎo)致圖像局部信息丟失，過度平滑。而卷積核過小則容易導(dǎo)致平滑效果不明顯。本研究中CHM 圖像處理的目的是提高單木分割精度，因此卷積核邊長(zhǎng)不宜超過樹冠冠幅，否則會(huì)導(dǎo)致樹冠邊緣信息丟失。本研究興安落葉松樣地內(nèi)最小冠幅與樟子松樣地內(nèi)最小冠幅均大于1 m，因此統(tǒng)一將卷積核邊長(zhǎng)設(shè)置為最小冠幅的一半，即0.5 m。不同分辨率的CHM 圖像所對(duì)應(yīng)的卷積核邊長(zhǎng)柵格數(shù)需做對(duì)應(yīng)計(jì)算。另外，根據(jù)形態(tài)學(xué)濾波原理，需要以邊緣像素值大小為基準(zhǔn)計(jì)算中心像素值，卷積核邊長(zhǎng)最小為3 個(gè)柵格。在設(shè)置卷積核大小時(shí)應(yīng)符合上述條件，同時(shí)盡量邊長(zhǎng)接近0.5 m。以分辨率為0.1 m 的CHM 圖像為例，由于CHM 圖像分辨率較高，為了優(yōu)化處理效果，采用的卷積核邊長(zhǎng)為5。經(jīng)過形態(tài)學(xué)處理后效果如圖8所示。

圖8 形態(tài)學(xué)處理效果Fig.8 Results of morphology filtering

當(dāng)分辨率為0.2 和0.4 m 時(shí)，根據(jù)卷積核邊長(zhǎng)最小為3 個(gè)柵格大小的條件，分別設(shè)置兩個(gè)分辨率下卷積核大小為0.6、1.2 m。然后對(duì)生成的CHM 圖像利用圖像增強(qiáng)算法進(jìn)行增強(qiáng)，圖像增強(qiáng)后效果如圖9所示。

圖9 圖像增強(qiáng)效果Fig.9 Results of image enhancement

圖像預(yù)處理完成后，利用層次泛洪算法進(jìn)行單木分割。垂直分割層次的設(shè)置主要受郁閉度影響。高郁閉度林分中，垂直分割層數(shù)越多，邊界擴(kuò)張速度越慢，單木分割精度越高，但計(jì)算效率較低。在本研究中，兩塊樣地郁閉度均達(dá)到0.9 以上，且最大樹高均達(dá)到20 m，綜合考慮計(jì)算效率與分割精度，本研究將垂直層數(shù)設(shè)置為20 層，即邊界每次最大擴(kuò)張高度為1 m 左右，可以達(dá)到有效識(shí)別高郁閉度人工針葉林林分單木樹冠邊界的目的。另外，由于本研究中所使用的樟子松樣地、興安落葉松樣地中樹冠垂直投影形狀均接近圓形，因此為了控制分割樹冠形態(tài)，同時(shí)考慮樹冠垂直投影形狀的不規(guī)則特性，保留一定彈性伸縮余量，經(jīng)過多次實(shí)驗(yàn)，分別測(cè)試了多種不同控制閾值，當(dāng)式（4）中R0設(shè)置為2，式（5）中R1設(shè)置為1.5時(shí)效果最佳。局部最大值算法確定單木樹頂時(shí)，需要根據(jù)不同冠幅大小確定搜索窗口大小。由于樟子松冠幅平均在2.3 m 左右，興安落葉松冠幅在1.4 m 左右，因此本研究在樟子松樣地內(nèi)使用邊長(zhǎng)為2 m 的正方形搜索窗口，在興安落葉松樣地內(nèi)采用大小為1.5 m 的搜索窗口進(jìn)行局部最大值搜索。分別對(duì)不同分辨率下興安落葉松林樣地、樟子松林進(jìn)行單木分割，分割結(jié)果如圖10所示。

圖10 不同分辨率CHM 樹冠分割結(jié)果Fig.10 Single-tree segmentation of CHM with different resolution

從上述分割結(jié)果中可以直觀發(fā)現(xiàn)，高分辨率CHM 對(duì)于冠幅較小的植被分割精度較高。低分辨率CHM 中難以有效識(shí)別冠幅較小的單木。冠幅較大的林分對(duì)于分辨率敏感性較差。具體分割精度如表2所示。

表2 樟子松林與興安落葉松林基于不同分辨率CHM 分割精度Table 2 Comparison of accuracy between CHM with different resolution and different tree species

3.2 討 論

從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，隨著CHM 圖像分辨率下降，整體分割精度也在下降。由于樟子松林樣地郁閉度高于興安落葉松林樣地，興安落葉松林樣地分割精度在不同分辨率下均比樟子松林樣地高。當(dāng)分辨率在0.1 m 時(shí)，樟子松林樣地有2 株單木出現(xiàn)欠分割現(xiàn)象，興安落葉松林樣地由4 株單木出現(xiàn)欠分割現(xiàn)象。當(dāng)分辨率下降至0.4 m 時(shí)，二者欠分割單木數(shù)量分別上升至7 和13 株。過分割單木數(shù)量也隨著CHM 分辨率下降而上升，但上升速度相較欠分割單木數(shù)量較慢。從CHM 單木分割圖像中可以發(fā)現(xiàn)隨著分辨率下降，冠幅較小的樹木識(shí)別率也在下降。

激光雷達(dá)數(shù)據(jù)采集時(shí)，興安落葉松處于落葉期，而樟子松未落葉。由此造成興安落葉松林樣地樹冠垂直投影面積普遍偏小，而樟子松林南北、東西平均冠幅均在1.5 m 以上。且該兩塊樣地由于人工種植密度大，郁閉度均達(dá)到0.9 以上。從樟子松、興安落葉松兩類樹種可以得出結(jié)論，在高郁閉度人工針葉林樣地中，CHM 圖像分辨率大小對(duì)冠幅較小的興安落葉松分割效果影響較大，而對(duì)冠幅較大的樟子松分割結(jié)果影響較小。其原因在于CHM 圖像分辨率越高，同一樹冠所占像素?cái)?shù)量越多，局部最大值算法越容易識(shí)別該樹冠中的樹頂。極端條件下，冠幅較小的樹種在分辨率較低的CHM 圖像中所占像素?cái)?shù)量為0，即無法識(shí)別。從不同分辨率下單木分割結(jié)果可以發(fā)現(xiàn)，高分辨率CHM 有利于高郁閉度人工針葉林樣地單木分割精度的提升。通常生成高分辨率CHM 需要進(jìn)行插值處理，點(diǎn)云數(shù)據(jù)密度越高，插值數(shù)量越少，插值所產(chǎn)生的誤差也越低。因此高密度LiDAR 點(diǎn)云數(shù)據(jù)是提高CHM 精度的前提。

無人機(jī)高密度LiDAR 點(diǎn)云數(shù)據(jù)相較于傳統(tǒng)LiDAR 點(diǎn)云數(shù)據(jù)密度高數(shù)十倍，單株木點(diǎn)數(shù)量遠(yuǎn)高于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云。兩者對(duì)比如圖11所示。

圖11 高密度LiDAR 點(diǎn)云與傳統(tǒng)機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)對(duì)比Fig.11 Point cloud by the high-density LiDAR compared with traditional LiDAR

從圖11中可以明顯發(fā)現(xiàn)高密度LiDAR 點(diǎn)云對(duì)于單株木描繪更加細(xì)致，尤其是樹干部分，相比較于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云來說差距非常明顯。并且從整體樣地點(diǎn)云數(shù)據(jù)來看，無人機(jī)高密度LiDAR 點(diǎn)云密度分布區(qū)間較為集中，且絕大部分區(qū)域點(diǎn)云密度在500 pts·m-3以上，相比較于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云密度集中在100 pts·m-3以下，無人機(jī)高密度LiDAR 點(diǎn)云數(shù)據(jù)更適合小范圍高精度柵格圖像生產(chǎn)。

另外，由于存在上層冠層遮擋，通常機(jī)載LiDAR 點(diǎn)云林下分布較為稀疏。如圖11所示，從數(shù)據(jù)成果中可以觀察到，該無人機(jī)高密度LiDAR點(diǎn)云林下分布密度遠(yuǎn)高于傳統(tǒng)機(jī)載LiDAR 點(diǎn)云。其原因在于該無人機(jī)LiDAR 系統(tǒng)采用固態(tài)激光雷達(dá)，掃描線數(shù)高，且采用重復(fù)掃描的方式運(yùn)行。以常用傳統(tǒng)機(jī)載LiDAR 設(shè)備徠卡ALS60 為例，該設(shè)備與大疆禪思L1 雷達(dá)參數(shù)對(duì)比如表3所示。

表3 徠卡ALS60、禪思L1 部分參數(shù)對(duì)比Table 3 Comparison of parameters between Leica ALS60 and DJI L1

由表3可知，大疆禪思L1 所攜帶激光雷達(dá)波長(zhǎng)與徠卡ALS60 激光雷達(dá)掃描角、波長(zhǎng)接近，但掃描頻率、脈沖頻率均高于徠卡ALS60，且大疆禪思L1 所搭配的大疆M300 RTK 無人機(jī)飛行高度遠(yuǎn)低于有人機(jī)，因此在激光束穿透性接近的情況下，大疆禪思L1 所發(fā)射的激光束穿過冠層縫隙的概率更大，因此其接收到林下地物回波的脈沖數(shù)量更多。所以在相同郁閉度下，大疆禪思L1 所生產(chǎn)的點(diǎn)云數(shù)據(jù)林下密度更高，可以利用該特點(diǎn)對(duì)林下植被參數(shù)、地形進(jìn)行更為精細(xì)的估測(cè)。根據(jù)點(diǎn)云所提供的空間結(jié)構(gòu)信息，可以生成分辨率達(dá)到0.1 m 的高精度冠層高度模型，基于該模型可以提高對(duì)小冠幅樹木的分割精度，提高對(duì)高郁閉度人工針葉林林分的單木識(shí)別能力。

本算法基于分層處理思想，通過層次化的方法有效控制了各個(gè)樹頂?shù)臄U(kuò)散速度。在同一樣地?cái)?shù)據(jù)內(nèi)，層次劃分越多，各個(gè)樹頂擴(kuò)散速度越統(tǒng)一，相對(duì)而言，計(jì)算速度也越慢。傳統(tǒng)機(jī)載LiDAR的點(diǎn)云數(shù)據(jù)由于密度不夠高，難以生成高分辨率CHM 圖像，單棵立木所占像素?cái)?shù)量較少，并且在單棵立木所占的CHM 像素中，高度分布不均勻，同一樹冠內(nèi)相鄰像素像素值落差極大，這也就限制了分層處理時(shí)的分割層數(shù)，因此在應(yīng)用分層思想時(shí)效果不明顯。而無人機(jī)高密度LiDAR 點(diǎn)云數(shù)據(jù)可以生成分辨率達(dá)到0.1 m 的CHM 圖像，且同一樹冠內(nèi)部相鄰像素像素值過渡較為平滑。當(dāng)林分郁閉度較高時(shí)，高分辨率CHM 圖像可以有效識(shí)別出樹冠之間的高程分布鞍部，應(yīng)用分層處理思想可以在樹冠相接處更好地控制邊界擴(kuò)散速度，提高樹冠邊界分割精度。另外本研究對(duì)樹冠形狀進(jìn)行了一定限制，降低了極端條件下邊界擴(kuò)散不均勻?qū)е聵涔谧冃蔚那闆r出現(xiàn)概率，但需要一定先驗(yàn)知識(shí)，因此對(duì)于樹冠邊界的擴(kuò)散約束條件仍有待改進(jìn)。

4 結(jié) 論

本研究基于無人機(jī)高密度LiDAR 點(diǎn)云所生成的高分辨率CHM 圖像，提出的新型單木分割算法，在高郁閉度人工針葉林樣地內(nèi)取得了非常好的單木識(shí)別效果，有效降低了漏檢率。

經(jīng)實(shí)驗(yàn)證明，CHM 圖像分辨率越高，高郁閉度人工針葉林單木分割效果越好。傳統(tǒng)機(jī)載LiDAR 由于航空器飛行高度較高，速度較快，其生產(chǎn)的激光點(diǎn)云數(shù)據(jù)密度不高，難以生產(chǎn)分辨率低于0.5 m 的CHM 圖像，通常其生產(chǎn)的CHM 圖像分辨率在0.5 m 到1 m 之間。而大疆禪思L1 高精度固態(tài)激光雷達(dá)搭載在無人機(jī)平臺(tái)上，飛行高度低，飛行速度慢，其生產(chǎn)的點(diǎn)云密度是傳統(tǒng)機(jī)載LiDAR 點(diǎn)云的數(shù)十倍，基于上述點(diǎn)云數(shù)據(jù)可以生產(chǎn)分辨率達(dá)到0.1 m 的CHM 圖像，極大地提高了單木分割精度。本研究提出的算法應(yīng)用于高密度LiDAR點(diǎn)云數(shù)據(jù)所生產(chǎn)的高分辨率CHM圖像，相較于搭配傳統(tǒng)機(jī)載LiDAR 點(diǎn)云數(shù)據(jù)生產(chǎn)的低分辨率CHM 圖像，分割精度更高。

通過研究發(fā)現(xiàn)，針對(duì)林業(yè)行業(yè)需求，新型固態(tài)LiDAR 仍然存在高郁閉度林分穿透性不強(qiáng)、可接收回波次數(shù)少等劣勢(shì)，且小型無人機(jī)單架次飛行面積較小，相比傳統(tǒng)航空器作業(yè)效率較低，對(duì)于大面積林業(yè)參數(shù)估測(cè)能力仍然需要提升。

綜上所述，無人機(jī)高密度LiDAR 點(diǎn)云為林業(yè)行業(yè)遙感研究提供了新思路，其能有效反映高郁閉度人工針葉林林分的空間結(jié)構(gòu)，利用它可以生產(chǎn)更高分辨率的冠層高度模型，可以更細(xì)粒度地對(duì)森林空間結(jié)構(gòu)參數(shù)進(jìn)行統(tǒng)計(jì)。本研究提出的單木分割算法可以與無人機(jī)高密度LiDAR 點(diǎn)云有效結(jié)合，提高了高郁閉度人工針葉林林分的單木分割精度?；谠摳呔葐文痉指罱Y(jié)果，可以在單木尺度下得到更豐富的空間結(jié)構(gòu)信息，有利于提高大范圍森林結(jié)構(gòu)參數(shù)估測(cè)精度。