（浙江农林大学 a.信息工程学院；b.浙江省林业智能监测与信息技术研究重点实验室；c.林业感知技术与智能装备国家林业与草原局重点实验室，浙江 杭州 311300）

立木图像分割用于对图像中的立木进行像素级语义分割[1]，为后续的立木可视化三维重建[2]、测树因子特征提取[3-4]等任务提供更有意义、更便于计算机识别的图像信息。一些研究基于前景和背景的颜色特征和纹理的特征差异，利用K-means聚类[5-6]和超像素聚类[7-8]的方法分割植物病害图像。由于待分割立木前景与杂草、灌木等背景的特征较为接近，使用该方法分割立木时极易受背景环境的干扰，导致分割出的图像不准确。一些研究基于图论和数学形态学对图像中的立木进行了分割。鄂雪等[9]构造像素无向带权图，利用权值矩阵进行树干图像的归一化分割，但不能分割立木的整体边缘，存在欠分割的现象。冯静静等[10]提出基于影像灰度梯度图像的树冠分割方法，使用数学形态学快速分割单株树冠并提取相应信息，但存在视觉及投影分析误差、无法解决遮挡问题。杨婷婷等[11]提出了基于graph cut 算法的多株立木图像分割方法，通过构造s-t 网络图，寻找s-t 网络的最小割，将图像分割问题转化为能量函数最小化问题，并辅之以腐蚀膨胀、开闭等操作，提取立木轮廓边缘。该方法采用人工交互的方式，解决了立木形态存在多样性、树干之间存在空洞、立木之间相互遮挡等问题。

卷积神经网络是近年来兴起的一种适用于图像分析的深度学习模型[12-13]，解决了需半人工操作、分割精确度不高等问题，凭借着全自动化、一次性录入、批量处理等优势受到广泛的专家学者的青睐[14-17]。……