李文静, 王瑞瑞, 石 伟, 苏婷婷

(1.北京林业大学精准林业北京市重点实验室，北京 100083;2.中国航天系统科学与工程研究院,北京 100083)

单木树冠提取可估测林分郁闭度、蓄积量和生长量等信息，对研究森林的生长情况和动态变化具有重要意义[1].但复杂的森林结构增加了获取单木树冠信息的难度，样地实测法虽然能够满足要求，但费时费力[2].无人机技术具有灵活、高效、成本低和空间分辨率高等特点，为森林调查提供了新的数据源[3-4].Chianucci et al[5]利用无人机搭载数码相机提取单木树冠参数，以获取较大尺度的森林信息.

基于高分影像进行单木树冠提取的相关研究已有不少，现有的树冠分割方法主要有两大类型：第1种是以探测窗口范围内光谱最大值作为树冠中心点，再以中心点为参考探测树冠，如局部最大值法，但阔叶树常常会存在一个树冠有多个最高点的情况[6]，因此局部最大值法更适用于有明显最高顶点的针叶纯林区[7]；第2种是基于树冠轮廓进行树冠探测，弥补了局部最大值法的缺陷，对针叶林和阔叶林都适用，如多尺度分割方法、谷地跟踪法、模板匹配法等[8-9].针对阔叶林树冠形状大小不规则的特点，多尺度分割方法可以用不同的尺度提取不同大小的树冠[10].卜帆等[11]分别选用LiDAR高差模型和0.3 m空间分辨率的真彩色高分影像进行树冠提取对比，结果表明与LiDAR获取的高差模型相比，真彩色高分影像得到的树冠分割精度更高.付凯婷[12]利用无人机影像生成高分辨率DOM影像，利用面向对象的多尺度分割方法提取桉树单木参数信息，提取精度在70%以上，证明了面向对象方法分割单木树冠的可行性.然而，在目前研究中，大多数单木树冠提取方法都是直接作用于整个图像，进行树冠分割时易受到周围背景和灌木的影响[13].对高分影像采用多尺度分割算法提取单木树冠时易出现较多的过度分割现象；同时阔叶林树冠形状具有不规则性和复杂性，导致单木树冠分割精度不高，目前这方面的研究也较少[13].鉴于此，本研究基于空间分辨率为0.1 m的无人机多光谱影像，提出一种显著植被特征、双边滤波和面向对象多尺度分割的单木树冠改进方法.

1 研究区概况

研究区位于安徽省池州市青阳县的东北部，海拔1.8～112.2 m；东经117°48′—117°54′，北纬30°40′—30°41′，属于暖湿性亚热带季风气候.气候温暖，雨量充足，年平均气温16.5 ℃，年均降水量1 400～2 200 mm，是常绿阔叶林向落叶阔叶林过渡的地带.研究区内优势树种包括杉木、毛竹、枫树、枫杨和杂木等阔叶树种，以中龄林和成熟林为主.

试验数据为2016年6月拍摄的无人机多光谱影像.在光照充足、晴朗无云的天气条件下拍摄，包含红、绿、蓝和波长600、701、705 nm的6个波段，焦距为35 mm，空间分辨率为0.1 m.

本研究数据空间分辨率更高且为多光谱影像，包含近红外波段，可利用红波段和近红外波段计算NDVI，将树冠区域和背景区分开，以抑制背景对单木树冠分割的影响.然而随着影像空间分辨率的提高，同一树冠内部纹理细节更显著，导致分割时出现较多过度分割现象.针对这个问题，本研究选择双边滤波对提取的树冠区域进行平滑处理；同时，选择树冠闭合程度大于70%的高郁闭度阔叶林区.研究区地理位置及无人机真彩色影像如图1所示.

2 研究方法

本研究针对目前树冠提取中易出现的过度分割问题，基于无人机多光谱影像，选取高郁闭度的阔叶林区进行试验，结合阔叶树冠的特点改进了传统的单木树冠提取方法.先利用NDVI掩膜提取树冠区域，然后选取双边滤波器进行处理，最后采用多尺度分割算法对不同分割参数组合进行对比分析，选取最佳分割尺度，得到单木树冠，并与直接多尺度分割树冠的结果进行对比，利用人工勾绘树冠结果进行精度评价.研究技术路线如图2所示.

2.1 树冠区域提取

利用植被指数可以在遥感影像上将植被与其它地物区别开[14].NDVI是最常用的植被指数，能反映植被冠层背景的影响，对植被有较强的响应能力，利用无人机遥感影像的红波段和近红外波段进行比值运算得到NDVI计算公式(式(1)).基于NDVI计算结果设定阈值为0.3,进行分类处理，小于0.3的背景区域用0表示，大于0.3的树冠区域用1表示[14]，生成掩膜图像，提取树冠区域.

(1)

式中，NIR为近红外波段的反射值，R为红光波段的反射值.图3的左图为NDVI计算结果，NDVI值越高，植被覆盖度越大；右图为冠层掩膜的栅格图像，黑色0值表示需要掩膜去掉的背景区域，白色1值表示需要提取的树冠区域.

2.2 滤波处理

曾晶[15]基于DOM数据采用面向对象的多尺度分割方法获取单木树冠，结果显示多尺度分割算法会出现欠分割和过度分割的现象.其中过度分割现象较严重，同一树冠内部纹理细节显著且亮度不均，导致在分割过程中同一树冠被分割成多个.为减轻纹理细节对树冠分割的影响，本研究选择双边滤波对树冠区域进行进一步优化.

双边滤波是一种具有边缘保持功能的非线性滤波方法[16]，采用加权平均的方式，且权重值融入了位置对中心像素的影响和辐射差异[17].双边滤波的原理表示如下：

(2)

(3)

式中，σs为空间域高斯函数的标准差，σr为值域高斯函数的标准差，设σs=10，σr=35.空间域和像素域权重分别在图像的平坦和边缘区域起作用，在平滑的同时边缘信息可得到保护.

从图4可发现经双边滤波处理后，树冠内部的纹理细节被有效平滑，同时树冠边缘轮廓得到了保护.

2.3 多尺度分割及最优尺度选择

因多尺度分割算法可以综合考虑影像的灰度纹理形状等信息，故适用于信息丰富的高分辨率影像[18].多尺度分割算法使对象的平均异质性达到最小化，同时，各自的同质性达到最大化，分割速度较快，参数可灵活调节设置[19].其核心技术是分形网络演化方法(fractal net evolution approach, FNEA)，即从像素层开始，通过自下而上迭代的区域融合方式，使较小的像素或对象合并.合并的依据是2个相邻对象的异质性测度小于某阈值，当异质性超过该阈值时，合并过程终止，迭代结束[20].

最优尺度参数的设置是实现影像分割的关键[21].分割参数主要包括波段权重、均值因子和分割尺度等，其中均值因子包括形状因子和紧致度，形状因子取值范围为[0.1～0.9]，步长为0.1；紧致度取值范围为[0.1～0.9]，步长为0.1[22].设置相同分割尺度，包含两种参数的所有组合，确定最佳形状因子和紧致度.分割尺度是保证分割对象异质性的最小阈值.从图5可以观察到分割尺度参数越大，生成的分割对象越大.经过反复对比，确定最佳分割尺度.

3 结果与分析

3.1 树冠区域的提取及优化

本研究改进了传统直接进行多尺度分割的单木树冠提取方法，在多尺度分割之前，基于研究区的多光谱影像计算NDVI，提取树冠区域，并进行双边滤波.树冠区域提取及滤波后的优化结果如图6所示.从图6A可发现，由于空间分辨率较高同一树冠内纹理细节显著且亮度不均问题比较明显；从图6B、6C、6D可看出，去除了背景后的树冠区域更明显，并且经过双边滤波处理后，树冠内部的纹理细节被有效平滑，同时保护了树冠的边缘轮廓，优化效果较好.

3.2 多尺度分割结果与精度评价

3.2.1 分割结果 本研究使用eCognition软件的多尺度分割算法对优化的树冠区域进行分割.分割时，对研究区优化后的影像选取不同分割参数组合，经过对比，选出最优分割参数组合.试验中设置波段权重均为1，确定最佳形状因子为0.6,紧致度为0.5，再选取最优分割尺度，最终得到研究区最佳分割参数组合(表1).

表1 改进方法最优分割参数组合

本研究改进的单木树冠提取方法分割结果如图7A所示，为验证本研究方法的准确性和有效性，对原始真彩色影像直接采用多尺度分割算法提取树冠，对比确定的最优参数组合(表2)，结果如图7B所示.结果表明，未经去除背景和滤波处理的多尺度分割结果中过分割现象严重，单木树冠提取结果较差，说明本研究改进方法有效抑制了背景影响和减少了过分割问题.

表2 传统方法最优分割参数组合

3.2.2 精度评价 为了进一步分析采用本研究改进方法提取单木树冠的效果，通过目视解译的方式得到参考图(图7C)；将两种方法的分割结果与参考图进行对比分析，评价分割精度.

将参考图中树冠与分割图中树冠的空间关系分为5类：匹配、接近匹配、丢失、过分割和欠分割[23].其中，匹配是指参考树冠和分割树冠的重叠部分占各自的80%以上；接近匹配是指参考树冠和分割树冠的重叠部分占其中一方的80%以上；丢失是指参考树冠内一半以上的面积没有出现分割树冠；过分割指是指一个参考树冠中大部分面积被多个分割树冠占据；欠分割是指多个参考树冠被一个分割树冠所代替[23].5种分割情况的效果图如图8所示,其中，蓝色为参考图的树冠，红色为本研究改进方法分割的树冠.

利用分割准确率、分割召回率和F测度3个指标进行精度评价，三者定义如下：

(4)

(5)

(6)

式中：Nc表示被正确分割的树冠个数，即匹配和接近匹配的树冠个数之和；Nd表示本研究改进方法分割的树冠总数；Nr表示参考图中树冠分割总数；Ad代表分割准确率；Ar代表分割召回率.

经过统计分析，参考图的分割结果为238个单木树冠，采用本研究改进方法分割，总共分割出单木树冠261个，直接对原始影像进行多尺度分割，总共分割出 369个对象，具体分割情况如表3所示.从表3可知，传统分割方法中正确分割的树冠为149个，分割准确率为57.09%，分割召回率为 40.38%，F测度为47.30%；改进的单木树冠提取方法中正确分割的树冠有200个，分割准确率达到76.63%，分割的召回率为84.03%，F测度达到80.24%.对比发现，改进后的单木树冠分割准确率得到了有效提高，影响改进前分割精度的主要因素是过度分割，说明改进方法有效抑制了过分割现象，另外改进前背景的存在也是使分割精度降低的原因之一.

表3 单木树冠分割统计表

4 小结

本研究选取郁闭度高的阔叶林区，基于无人机多光谱影像，结合阔叶树冠的特点，在提取植被特征的基础上，采用双边滤波，最后采用面向对象的多尺度分割方法，得到单木树冠.结果表明，与直接对原始真彩色影像采用多尺度分割方法的结果相比，本研究改进方法的过分割问题被有效抑制.经过精度评价，改进方法的分割准确率达到76.63%，F测度为80.24%，说明该方法有效地减小了背景对分割精度的影响，有效抑制了传统多尺度分割方法中的过分割问题，可对郁闭度较高的阔叶林区单木树冠进行自动提取.