党文静，李德权，韦 慧,王 楠

安徽理工大学 1.数学与大数据学院，2.测绘学院，淮南,232001

基于改进标记控制分水岭方法的树冠轮廓提取

党文静1，李德权1，韦 慧1,王 楠2

安徽理工大学 1.数学与大数据学院，2.测绘学院，淮南,232001

针对密林区和疏林区的林木遥感图像的单木树冠轮廓提取，首先引入改进的同态滤波对图像进行预处理，然后采用标记控制分水岭分割方法进行图像轮廓提取。引入的改进同态滤波能够去除混合噪声且不会破坏边缘信息，因此预处理后的图像边缘信息较为完整，从而保证了良好的轮廓提取效果。最后，结合人工识别结果，将改进的标记控制分水岭分割方法与未改进方法的提取结果进行比较，发现改进方法对疏林区的树冠轮廓提取效果明显好转，提取精度较高且易编程实现。

树冠轮廓提取；同态滤波；标记控制分水岭方法

1 相关研究与问题提出

树冠是树木的重要组成部分，也是反映树木信息最直接的部分，通过对遥感影像中单木树冠轮廓的提取，可以检测出树冠直径大小的变化等[1]，对掌握森林树木生长和发展的基本信息至关重要，近年来关于树冠轮廓提取方法研究也愈来愈多[2-7]。Yang等采用多光谱分水岭方法产生多尺度分割，根据多尺度拟合确定出优化参数去拟合单木树冠[2]。Hirschmugl提出了一种利用同一树冠内光谱的相似性确定树冠边界的区域生长法[3]。Ke等结合数学形态学，从光谱、形状以及专家三个方面限制，获得树冠顶点[4]。Jing等利用高斯滤波和分水岭方法对树冠的每一个尺度进行处理，然后对处理后的结果进行整合[5]。此外，还有一些其他方法，例如Li等根据距离阈值，对树冠的像素点进行迭代分配[6]；Ayrey等[7]提出的层堆叠方法，等等。

由于森林树木种类繁多，树木生长结构错综复杂，树冠轮廓和形状信息很难准确地获取[8]。一般对疏林区或排列较整齐的人工林树冠信息提取效果较好，但提取精度仍有待提高；而对于密林区，树冠的重叠相连导致树冠提取效果较差，目前密林区较为有效的树冠提取方法尚不多见[9]。

关于树冠轮廓提取的大多数方法都是作用于整个图像，在分割树冠的过程中易受周围地物的影响，为了解决上述问题，本文利用改进的标记控制分水岭方法提取高分辨率遥感影像的树冠轮廓。首先，通过改进的同态滤波，对树冠进行平滑处理，增强图像的对比度，减少周围背景的干扰，由此获得相对精确的局部最大值点；其次，利用标记控制分水岭算法对树冠进行提取，从而避免分水岭方法过分割的现象。最后，通过实验结果对比，进一步验证改进的标记控制分水岭方法对树冠轮廓的提取效果。

2 改进的标记控制分水岭分割

本文首先利用改进的同态滤波，对遥感图像进行平滑、去噪预处理，然后再对树冠顶点进行标记，最后采用标记控制分水岭分割图像，进而得到单木树冠轮廓。

2.1 改进的同态滤波

在对图像进行轮廓提取的过程中，经常会遇到目标物体连在一起的情况，使得分割结果不精确，而分水岭方法能够很好地解决这一问题。分水岭方法把图像看成地形学中的自然地貌，图像中的每个像素点的灰度值都表示该点的海拔高度，其中灰度值较小的像素点称为某一区域的局部极小值，周围影响的区域称为集水盆。通常分水岭变换可以进行如下描述，当雨滴从地面上的不同位置往下流，汇集到一起所形成的区域，就为集水盆，防止不同区域的水汇合在一起的边界，即为分水岭[10-11]。

由于森林树冠内部的不规则性，直接利用分水岭方法提取树冠的局部最大值，易产生伪树冠，造成过分割现象，所以在提取树冠的局部最大值点之前，对图像进行平滑预处理，能够有效地去除图像的噪声。传统的滤波方法有高斯滤波和中值滤波，但这两种滤波方法都存在缺陷。它们在处理图像的过程中会破坏图像的边缘和细节信息，且不能抑制纹理细节对后续图像分割带来的过分割影响。

同态滤波是频率域内的一种滤波技术，它的作用是对图像的灰度范围进行适当调整，以避免因光照不均导致图像降质的情况，通过同态滤波传递函数H(u,v)控制光的照射和反射分量，不仅增强了林地树冠的边缘信息，同时也保留了树冠的顶端细节信息，使树冠与周围不同地物间的对比度更加明显，以便能更加精确地进行目标分割与信息提取。对传递函数H(u,v)的具体设定，可以在不同程度上影响图像经傅里叶变换后的高频、低频分量。本文选取的滤波传递函数是基于高斯滤波修改后得到的同态滤波函数[12]：

H(u,v)

(2)

其中，u=0,…，m-1,v=0,…，n-1,m、n代表图像的行列数；γh、γl分别代表高频增益和低频增益；D0是当u和v为0时，D(u,v)的截止频率。通过调整参数0<γl<1,γh>1能够增强图像的高频分量，抑制低频分量，从而达到压缩图像灰度动态范围的效果，增强图像的对比度。

2.2 生成标记

改进的同态滤波虽然消除了因光照不均匀而导致的图像降质，但由于树冠结构的不规则性，存在一个树冠与周围其他树冠混在一起的干扰因素，直接进行分水岭分割容易在同一树冠内形成多个分割。为了避免伪极值的产生，需要对图像进行预先处理，提取树冠的顶点作为标记。由于树冠顶点的光谱反射值高于树冠边缘的光谱反射值，局部最大值是指某连通区域的值均大于周围的像素值，且连通区域灰度值相同。因此，可以假设树冠顶点位于图像局部最大值所对应的像素点。

通过一个二值矩阵对局部最大值进行标记，1值代表中心元素的邻域位置，然后逐一比较中心像素灰度值与其4邻域像素灰度值的关系，将背景区域标记为0，其他标记为1进行确定。在寻找局部最大值的过程中，很可能会接近树冠的边缘，并且会产生噪声，因此需要使用滤波消除这些孤立的噪声，标记出精确的局部最大值。

2.3 树冠分割

树冠灰度图像可以看作是分水岭模型的倒置，树冠的顶点对应集水盆的最低点，树冠的边缘对应分水岭。标记控制分水岭是在分水岭的基础上对图像进行局部极值的提取。该算法的本质是对图像极小值的分配，以图像的极小值为起点，设此极小值点为k，若每个极小值小于或等于k的集水盆会被分配唯一的一个标记。对当前值为k的像素，若在它的邻域内有被标记过的像素，则给它分配相同的标记；若其邻域没有被标记过的像素，则认为是一个新的集水盆，给其分配一个新的标记。对图像的像素点反复进行此类标记，直到所有的像素都被归类到对应的集水盆中，则完成分水岭变换。由于树冠结构的复杂性，同一个树冠内部可能存在多个局部极值点，直接应用分水岭分割会产生过分割现象。针对上述问题，本文首先对图像应用改进的同态滤波，然后对树冠的局部极值进行标记，最后进行标记控制分水岭变换。这种方法有效地抑制了过分割现象，提高了树冠轮廓提取的精度。综上所述，该算法的过程如图1所示。

图1 算法流程图

3 结果与分析

3.1 改进的同态滤波结果分析

图2 同态滤波函数曲线图

采用改进的同态滤波对高分辨率影像进行预处理，增强了图像的对比度，有利于后期树冠轮廓的提取。经多次实验，用以提取树冠边缘特征的同态滤波器参数设置为：高频分量γh设为1.3，低频分量γl设为0.4，锐化参数c设为0.5，用来调整滤波函数低频分量与高频分量的截止频率D0设置为100，采用的高斯同态滤波函数如图2所示。

对大通区的遥感影像使用改进的同态滤波进行预处理，如图3所示。由密林区图3(a)和(b)与疏林区图3(c)和(d)的实验结果对比可以看出，经改进的同态滤波处理后的图像较原图像对比度有所提高，树冠信息更加清晰，有利于用来作为下一步提取树冠轮廓的基础。

图3 改进的同态滤波处理结果

3.2 树冠轮廓提取

对经过改进的同态滤波处理的图像进行标记控制分水岭分割和直接进行标记控制分水岭方法分别与人工识别结果进行对比，如图4、5所示。

图4 密林区树冠轮廓提取结果

图5 疏林区树冠轮廓提取结果

3.3 精度评价

本文的精度评价是用改进的标记控制分水岭方法与标记控制分水岭方法的自动分割结果分别与人工识别结果进行对比。根据树冠的分割准确率、召回率和F测度来判断上述两种方法对树冠提取的精度，它们的计算公式定义如下。

分割准确率：

(3)

召回率：

(4)

F测度：

(5)

其中，Da代表准确率，Mc被正确分割的树冠个数，Ma代表算法分割结果中树冠个数总数，Dr代表召回率，Mr表示人工识别结果树冠个数的总数，F代表F测度。

在获取图像的过程中，图像的边缘有形状不完整的树冠轮廓，这些轮廓无法应用标记控制分水岭分割，所以关于精度的计算不包括这些边界上的树冠。由自动分割结果与图像树冠的空间关系，将树冠提取的效果分为5个标准[13]：匹配、接近匹配、丢失、合并、分割。其中，匹配和接近匹配被认为是正确的分割结果。匹配被认为是人工识别结果与分割树冠的重合部分占各自的50%；接近匹配是人工识别的树冠与分割树冠的重合部分占其中一个的50%以上；丢失指人工识别结果中没有出现目标树冠；合并指在人工识别结果图中，一个树冠轮廓取代了多个树冠轮廓；分割指一个分割树冠的大部分面积被多个分割树冠占据。

根据树冠的分割准确率、召回率和F测度的计算公式，本文算法在密林区和疏林区的提取树冠情况如表1所示。标记控制分水岭分割算法在密林区和疏林区的提取树冠情况如表2所示。

表1精度统计表%

样地匹配接近匹配丢失合并分割目视解译准确率召回率F测度密林区702235210273.4%70.6%71.9%疏林区930111492.3%85.7%88.9%

表2精度统计表%

样地匹配接近匹配丢失合并分割目视解译准确率召回率F测度密林区654253210270.4%67.6%68.9%疏林区920121484.6%78.6%81.5%

4 结束语

目前，针对单木树冠的提取方法都是对特定的树种和林地，并不适合所有林分。本文利用传统的低通滤波器和高通滤波器原理引出了改进的同态滤波，然后将改进的同态滤波与标记控制分水岭分割方法相结合，提出了改进的标记控制分水岭分割的高分辨率遥感影像提取方法。改进的同态滤波有效地增强影像中不同地物间的对比度，为进一步进行树冠信息的准确提取提供了可能。实验结果表明：本文提出的方法相对于标记控制分水岭方法对疏林区的树冠轮廓提取精度较高，F测度达到88.9%，可有效地替代人工识别，大大节约了劳动成本，同时还能保证树冠的提取精度。对于密林区树冠的提取精度也有所提高，但由于林地郁闭度较高，树冠之间会相互遮挡，导致单木树冠边缘很难被检测，树冠的提取精度相对于疏林区低。

由于森林结构的复杂性与多样性，不同的树种对光照的吸收及反射都有不同，但相比裸地、农地等，其差异性比林分间的光照反射显著性高。因此，本文通过改进的同态滤波与标记控制分水岭分割方法结合能较方便地分割树冠，但并未对不同树种进行分割实验，这将是下一步研究的重点。

[1]Yinghai Ke,Lindi J.Quackenbush.A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing[J].International Journal of Remote Sensing,2011,32(17):4725-4747

[2]Yang J,He Y.Delineating individual tree crowns in an uneven-aged,mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting[J].IEEE Journal Of Selected Topics in Applied Earth Observations and Remote Sensing,2017,10(4):1390-1401

[3]Hirschmugl M,Raggam J,et al.Single tree detection in very high resolution remote sensing data[J].Remote Sensing Environ,2007,110(4):533-544

[4]Ke Y,Quackenbush L J.Individual tree crown detection and delineation from high spatial resolution imagery using active contour and hillclimbing methods[C]//Proceedings of 2009 ASP-RS Annual Conference,Ameri-can Society of Photogrammetry and Remote Sensing,2009:9-13

[5]Jing L,Hu B,Noland T,et al.An individual tree crown delineation method based on multi-scale segmentation of imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,70(3):88-98

[6]Li W,Guo Q,Jakubowski M K,et al.A new method for segmenting individual trees from the Lidar point cloud[J].Photogrammetric Engineering and Remote Sensing,2012,78(1):75-84

[7]Ayrey E,Fraver S,Jr J A K,et al.Layer Stacking:A novel algorithm for individual forest tree segmentation from LiDAR point clouds[J].Canadian Journal of Remote Sensing 2017,43(4):1-13

[8]刘晓双,黄建文,鞠洪波.高空间分辨率遥感的单木树冠自动提取方法与应用[J].浙江林学院学报,2010,27(1):126-133

[9]Qin X L,Li Z Y,Yi H R.Extraction method of tree crown using high-resolution satellite image[J].Remote Sensing Technology and Application,2005(1):228-232［10］Wang L，A multi-scale approach for delineating individual tree crowns with very high resolution imagery［J］．Photogrammetric Engineering and Remote Sensing，2010，76 (4):371-378

［11］Yang J，He Y，Caspersen J．A multi-band watershed segmentationmethod for individual tree crown delineation from high resolution multispectral aerial image［C］//IEEE International Geoscience and Remote Sensing Symposium， 2014:1588-1591

［12］刘毅，贾旭芬，田子键．一种基于同态滤波原理的井下光照不均图像处理方法［J］．工矿自动化，2013，39(1): 9-12

［13］Gougeon F A．A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images［J］．Canadian Journal of Remote Sensing，1995，21(3):274-284

10.3969/j.issn.1673-2006.2017.12.027

TP391.41

A

1673-2006(2017)12-0101-05

2017-09-20

国家自然科学基金资助项目(61472003)；国家自然科学青年基金资助项目(11601007)；安徽省高校学科(专业)拔尖人才学术资助重点项目(gxbjZD2016049)；安徽省学术和技术带头人及后备人选科研活动项目(2016H076)。

党文静 (1987-)，女，河南驻马店人，在读硕士生，主要研究方向：图像分割。

(责任编辑:刘小阳)