姜仁榮　汪春燕　沈利強　王培法

(1.深圳市規(guī)劃國土發(fā)展研究中心， 深圳 518040； 2.國土資源部城市土地資源監(jiān)測與仿真重點實驗室， 深圳 518040；>3.南京信息工程大學(xué)地理與遙感學(xué)院， 南京 210044)

?

基于高分辨率遙感圖像的荔枝林樹冠信息提取方法研究

姜仁榮1,2汪春燕1沈利強1王培法3

(1.深圳市規(guī)劃國土發(fā)展研究中心， 深圳 518040； 2.國土資源部城市土地資源監(jiān)測與仿真重點實驗室， 深圳 518040；>3.南京信息工程大學(xué)地理與遙感學(xué)院， 南京 210044)

為有效提取荔枝林樹冠信息，解決局部最大值法窗口選擇和區(qū)域生長法在樹冠相互連接時的過度生長問題，將水文分析和區(qū)域生長融合方法用于荔枝單木探測和樹冠描繪。首先將均值濾波方法平滑后的全色圖像進行反轉(zhuǎn)完成圖像預(yù)處理；然后對預(yù)處理后圖像提取洼地和洼地貢獻區(qū)域，接著剔除錯提洼地，合并樹冠分支洼地的貢獻區(qū)域，從而提取樹頂位置，完成單木探測；最后以單木探測結(jié)果為種子點，采用區(qū)域生長方法對樹冠進行描繪，種子生長被限定在洼地貢獻區(qū)域內(nèi)，在閾值控制下進行生長，最終完成單木樹冠描繪。采用遙感分類精度評價指標(biāo)對提取結(jié)果進行評價，單木探測總體精度為87.75%，用戶精度為80.69%，生產(chǎn)者精度為96.06%；單木樹冠描繪總體精度為78.69%，用戶精度為71.32%，生產(chǎn)者精度為87.76%。

荔枝; 高分辨率遙感圖像; 單木探測; 單木樹冠描繪; 水文分析; 區(qū)域增長

引言

荔枝是熱帶亞熱帶水果，是廣東省特色農(nóng)作物，高分辨遙感圖像的出現(xiàn)使精細監(jiān)測荔枝種植成為可能。在高分辨率遙感圖像上，樹木樹冠清晰可辨，通過提取單木樹冠信息可獲取包括種植數(shù)量、種植密度、樹冠面積、郁閉度、估測胸徑和生物量等指標(biāo)，但單木樹冠信息提取仍然是一個難題[1]。

單木樹冠信息的半自動或自動提取可追溯到20世紀90年代[2]，目前已有多種提取方法。通常樹冠信息提取由2步構(gòu)成，首先是單木探測，獲取樹頂或樹的位置；然后是單木樹冠描繪，自動獲取樹冠邊界。單木探測方法主要有局部最大值法[3-7]、多尺度分析法[8-11]和模板匹配法[12-14]; 單木樹冠描繪方法主要有谷地跟蹤法[15-17]、區(qū)域增長[5,18-21]、分水嶺分割[22-24]和局部射線法[4,25]。隨著數(shù)據(jù)獲取和信息提取技術(shù)的發(fā)展，有研究者將激光雷達和高分辨率雷達數(shù)據(jù)引入單木樹冠信息提取中[26-27]，也有研究者直接基于聚類分割提取樹冠信息[28]。

荔枝樹冠通常表現(xiàn)為中心高、四周低的近半圓球形，在高分辨率遙感圖像上表現(xiàn)為中心值高、向陽面值高、背陰面值低的特征。荔枝的樹冠特征適合利用局部最大值法進行單木探測，以及利用區(qū)域增長法進行單木樹冠描繪。但由于荔枝樹齡和種植密度不同，荔枝樹冠常存在大小不一、樹冠相互連接的現(xiàn)象，這導(dǎo)致使用局部最大值法進行單木探測時難以確定最優(yōu)搜索窗口，使用區(qū)域增長法進行樹冠描繪時容易導(dǎo)致過度生長，使若干相互連接的樹冠錯誤地被提取為單木樹冠。因此本文針對上述問題，將水文分析和區(qū)域生長融合用于荔枝單木樹冠探測和樹冠描繪。

1　實驗區(qū)及數(shù)據(jù)

實驗區(qū)位于深圳市寶安區(qū)鐵崗水庫旁的一處道路分隔的荔枝園，果園中心坐標(biāo)為22°38′24.00″N、113°53′19.60″E，面積為30 183.42 m2。實驗采用法國Pléiades高分辨率衛(wèi)星于2012年11月6日獲取的全色波段數(shù)據(jù)，分辨率為0.5 m，圖像尺寸324像素×483像素，如圖1所示。圖中四周較亮柵格為道路，果園中較亮柵格則為建筑物和園內(nèi)小路，荔枝表現(xiàn)為顆粒狀近半圓球形，樹冠大小不一，且有部分荔枝樹冠連接在一起，與背景相比，荔枝樹的光譜反射值較高，荔枝樹陰影的光譜反射值較低。

圖1　研究區(qū)圖像Fig.1　Image of study area

2　提取方法

荔枝樹冠相比非樹冠的背景區(qū)域，在遙感圖像上表現(xiàn)為較高像素值，比道路、裸土類地物像素值低，樹冠樹頂區(qū)域像素值相對較高。針對荔枝在全色圖像上的光譜響應(yīng)特點，將水文分析方法和區(qū)域增長融合方法用于荔枝單木樹冠探測和樹冠描繪。首先對圖像進行平滑濾波后反轉(zhuǎn)，將樹頂提取的局部最大值問題轉(zhuǎn)換為局部最小值問題，將圖像看作地面高程數(shù)據(jù)，從而利用水文分析洼地提取方法進行樹頂位置的提取,完成單木探測；然后采用區(qū)域生長方法進行樹冠描繪，將單木探測結(jié)果作為樹冠描繪的種子點,對應(yīng)的洼地貢獻區(qū)域作為區(qū)域生長時的生長范圍限定，根據(jù)給定的閾值進行樹冠描繪，最后進行精度評價。提取方法流程如圖2所示，首先是圖像預(yù)處理，然后是單木探測，最后是單木樹冠描繪。

圖2　研究方法流程圖Fig.2　Flow chart of the proposed method

2.1圖像預(yù)處理

圖像預(yù)處理包括圖像平滑和圖像反轉(zhuǎn)，具體步驟如下：

(1)為避免圖像高值噪聲對樹頂提取的影響，采用3×3窗口對圖像進行均值濾波。

(2)然后利用濾波后的圖像最大值減去圖像原值將圖像反轉(zhuǎn)，使樹頂亮值變?yōu)榫植堪抵?，將樹頂?shù)木植孔畲笾堤崛栴}轉(zhuǎn)換為局部最小值提取問題。

將反轉(zhuǎn)后圖像看作是地面高程數(shù)據(jù)，利用水文分析的洼地提取方法解決局部最小值提取問題，完成樹頂信息的提取。

2.2單木探測

通過探測樹頂位置來完成單木探測，利用水文分析的洼地提取方法初步提取樹頂位置，然后剔除掉非樹冠地物導(dǎo)致的誤提取樹頂位置和由于樹冠分支導(dǎo)致的多提取樹頂位置，從而獲得最終的樹頂位置，完成單木探測，同時獲取洼地貢獻區(qū)域用作后續(xù)利用區(qū)域生長方法進行樹冠描繪時的生長范圍限定。單木探測的具體過程如下：

(1)樹頂位置初步提取

樹頂位置的初步提取是利用水文分析的洼地提取方法完成，包括水流方向計算和洼地提取。從反轉(zhuǎn)后圖像獲取局部最小值，即洼地所在像素，需對圖像進行水流方向計算，獲取水流方向柵格。水流方向是水流離開每一個柵格單元的指向，其計算采用D8單流向算法[29]，通過計算中心柵格與鄰域柵格的最大距離權(quán)落差(指中心柵格與鄰域柵格的高程差除以兩柵格間的距離)來確定。洼地是水流無法流出的區(qū)域，根據(jù)水流方向計算結(jié)果則可提取洼地位置。利用ArcGIS水文分析模塊的洼地提取功能提取的洼地如圖3中黃色、黑色和紅色符號所示，獲取的洼地既有單柵格，也有多個相鄰柵格。這些提取的洼地對應(yīng)原始圖像上的局部最大值點，即樹頂位置，提取的洼地位置則是初步提取的樹頂位置。通過反轉(zhuǎn)圖像提取洼地來獲取樹頂位置的方法，避免了局部最大值方法中的搜索窗口問題。

(2)非樹頂位置洼地剔除

通過洼地提取方法初步確定了樹頂位置，但荔枝林中經(jīng)常會存在看護管理用房和道路，且選擇的實驗圖像也有這些地物，由于這些地物具有較強的光譜反射能力，在原始圖像上表現(xiàn)為高亮柵格，當(dāng)圖像反轉(zhuǎn)后則是洼地區(qū)域，會被誤提取為樹頂信息。為此需要把這些非樹頂位置的洼地(由于這些洼地在原始圖像中為高亮柵格，以下簡稱這些洼地為高亮洼地)剔除。首先計算洼地柵格所對應(yīng)原始圖像的像素值，根據(jù)道路和房屋地物對應(yīng)洼地的像素值特征設(shè)定閾值，然后將大于閾值的作為高亮洼地予以刪除。經(jīng)過對實驗圖像分析，確定閾值為42，刪除的高亮洼地基本位于四周道路、林內(nèi)建筑物和林內(nèi)道路上，如圖3中紅色符號所示。

(3)樹冠分支樹頂剔除

有些荔枝樹樹冠較大，分支較多，導(dǎo)致一個樹冠提取了多個局部最大值，即反轉(zhuǎn)圖像后的洼地。為去除小的樹冠分支對應(yīng)的洼地，并限定后續(xù)單木樹冠生長范圍，提取了洼地貢獻區(qū)域。洼地貢獻區(qū)域是將提取的洼地作為流域出水口，所有水流流向洼地的區(qū)域，這個區(qū)域則是包含提取目標(biāo)樹冠和目標(biāo)背景的區(qū)域，是洼地的匯水區(qū)域，對原始圖像來說則是樹頂所對應(yīng)局部最大值的區(qū)域。由于樹冠分支通常距離較近，計算洼地與相鄰?fù)莸氐淖钹徑嚯x，將此距離小于閾值的看作是樹冠分支洼地，將分支洼地中原始像素均值大的洼地(即樹冠樹頂)保留，像素均值小的洼地(即樹冠分支頂部)刪除，同時合并對應(yīng)的洼地貢獻區(qū)域用于后續(xù)樹冠描繪。經(jīng)過計算，洼地間平均最鄰近距離為3.89 m，荔枝的建議種植密度為3 m×3 m，因此設(shè)定洼地間距離小于3 m的洼地為分支洼地，將分支洼地中像素均值小的洼地刪除，刪除的洼地如圖3中黑色面狀符號所示。利用ArcGIS水文分析模塊和制圖綜合工具集完成了上述處理，提取的單木樹頂位置如圖3中黃色面狀符號所示，合并后的洼地貢獻區(qū)域如圖3中中空面狀符號所示。

圖3　單木探測結(jié)果Fig.3　Result of individual treetop detection

2.3單木樹冠描繪

采用改進的區(qū)域生長方法完成單木樹冠描繪，即樹冠輪廓描繪。區(qū)域生長是一種根據(jù)事先定義的準則將像素或子區(qū)域聚合成更大區(qū)域的過程，通常以一組種子點開始，將與種子性質(zhì)相似的相鄰像素合并到種子上。區(qū)域生長法用于樹冠描繪時，因樹冠相互連接容易導(dǎo)致區(qū)域過度生長，需要對區(qū)域生長進行生長范圍空間限定，因此提出生長范圍限定的區(qū)域生長算法，算法步驟如下：

(1)將前述探測的單木位置像素，即最終提取的洼地作為區(qū)域生長的種子點，將對應(yīng)的洼地貢獻區(qū)域作為種子生長的限定范圍。

(2)種子點周圍鄰域柵格作為生長候選柵格，對每一候選柵格進行判斷。若候選柵格在生長范圍內(nèi)且符合設(shè)定的樹冠生長閾值，則將此柵格合并到種子點中，若不能同時滿足上述條件，則對此柵格進行標(biāo)記，不合并到種子點中去，且不參與后續(xù)的生長過程，重復(fù)以上過程，直到遍歷所有候選柵格。

(3)重復(fù)步驟(2)的生長過程，直到?jīng)]有符合條件的柵格為止，則完成了一個種子點的生長過程，實現(xiàn)了一個樹冠的描繪。

(4)對每一種子點重復(fù)步驟(2)、(3)，直到完成所有種子點的生長，即完成了全部樹冠描繪。

在ArcGIS中用VBA實現(xiàn)了上述算法，對樹冠與樹頂像素的數(shù)值差異進行分析，設(shè)定差值7為生長閾值，單木樹冠描繪結(jié)果如圖4所示。

圖4　單木樹冠描繪結(jié)果Fig.4　Result of individual tree-crown delineation

3　實驗結(jié)果及精度評價

實驗結(jié)果如圖3、4所示，從圖3可以看出提取的樹頂位置基本位于樹冠亮度大的區(qū)域，受剔除亮值洼地的影響，亮值地物旁有些荔枝位置未被提取；從圖4樹冠描繪結(jié)果可以看出，描繪的樹冠基本能夠覆蓋荔枝樹冠范圍，但提取的樹冠形狀不規(guī)則。為定量評價提取精度，參考實驗區(qū)全色波段和多光譜波段融合數(shù)據(jù)，對樹冠信息進行了數(shù)字化處理，數(shù)字化結(jié)果如圖5所示。

圖5　單木樹冠描繪參考數(shù)據(jù)Fig.5　Reference data of tree-crown

3.1精度評價方法

從單木探測和單木描繪兩方面，將遙感分類精度評價方法應(yīng)用于樹冠描繪信息提取評價中，主要評價指標(biāo)為用戶精度、錯提誤差、生產(chǎn)者精度、漏提誤差和總體精度，計算公式分別為

Au=Nuc/Ne×100%

(1)

Ec=Nuw/Ne×100%=1-Au

(2)

Ap=Npc/Nr×100%

(3)

Eo=Npo/Nr×100% = 1-Ap

(4)

Ao= (Nuc+Npc)/(Ne+Nr)×100%

(5)

式中Au——用戶精度，%

Nuc——用戶角度正確提取數(shù)量

Ne——提取數(shù)量Ec——錯提誤差，%

Nuw——用戶角度錯誤提取數(shù)量

Ap——生產(chǎn)者精度，%

Npc——生產(chǎn)者角度正確提取數(shù)量

Nr——參考數(shù)量Eo——漏提誤差，%

Npo——生產(chǎn)者角度未提取數(shù)量

Ao——總體精度，%

對單木探測精度評價而言，Nuc和Nuw分別指提取的單木樹冠包含和未包含參考單木位置點的樹冠數(shù)量；Npc和Npo分別指參考的單木樹冠范圍內(nèi)包含和未包含提取的單木位置的樹冠數(shù)量，Ne是本文方法提取的樹數(shù)量，Nr指數(shù)字化的單木數(shù)量。以上各指標(biāo)用于單木探測精度評價時單位為棵。

對單木樹冠描繪精度評價而言，提取樹冠面積為Nc，若提取樹冠與參考樹冠相交，則重疊面積為Nuc，提取樹冠中未重疊樹冠面積為Nuw。類似地，參考樹冠面積為Nr，若參考樹冠與提取樹冠相交，則重疊面積為Npc，參考樹冠中未重疊區(qū)域面積為Npo。以上各指標(biāo)用于樹冠描繪精度評價時單位為m2。

3.2精度評價結(jié)果

將提取的數(shù)據(jù)和參考數(shù)據(jù)作空間統(tǒng)計分析，得到單木探測精度評價如表1所示，單木樹冠描繪精度評價如表2所示。

表1　單木探測精度評價Tab.1　Accuracy assessment of individual tree detection

從表1可看出：總共提取的單木數(shù)量為777棵，正確提取的數(shù)量為627棵，其中9個樹冠描繪過大，每個樹冠包含了2個參考樹冠的范圍；參考樹冠對象為660個，其中漏提的是26棵，可以正確識別的是634棵。但有47個參考樹冠對象包含多于一個的單木數(shù)量，這主要是由于荔枝樹冠分支導(dǎo)致的多個樹頂?shù)奶崛　目傮w上而言，總體精度為87.75%，說明總體上單木探測精度較高。

從表2可以看出：本文方法描繪的樹冠面積大于數(shù)字化的樹冠面積，導(dǎo)致用戶角度錯誤提取數(shù)量較大，說明方法在描繪樹冠時比實際樹冠稍大些。從總體上來說，圖像中78.69%的樹冠可被有效描繪。

表2　單木樹冠描繪精度評價Tab.2　Accuracy assessment of individual tree-crown delineation

總體上荔枝單木樹冠信息提取精度較好，但也存在漏提和錯提現(xiàn)象，將提取結(jié)果和參考數(shù)據(jù)進行對比分析發(fā)現(xiàn)：單木探測結(jié)果中的漏提主要是由于剔除高亮洼地而導(dǎo)致在高亮洼地貢獻區(qū)域內(nèi)的荔枝無法提取，錯提主要是由于荔枝林中空地引起；樹冠描述中的漏提主要是單木探測漏提導(dǎo)致，錯提主要有兩方面原因：一方面來自于單木探測的錯提導(dǎo)致進行了樹冠描繪，另一方面來自于本文方法樹冠描繪邊界和參考樹冠數(shù)據(jù)的差異。

4　結(jié)束語

將水文分析和區(qū)域生長融合方法用于單木探測和樹冠描繪，避免了局部最大值法的窗口選擇，解決了區(qū)域生長法在樹冠相互連接時的過度生長問題。將反轉(zhuǎn)圖像看作地面高程數(shù)據(jù)，使局部最大值問題轉(zhuǎn)換為局部最小值問題。利用水文分析的洼地提取方法進行單木探測；將洼地貢獻區(qū)域作為樹冠描繪區(qū)域生長時的生長范圍限定，提取的洼地作為種子點，根據(jù)給定閾值，用區(qū)域生長法對樹冠進行描繪。結(jié)果單木探測的總體精度為87.75%，單木樹冠描繪總體精度為78.69%，總體上本文方法提取效果較好，可有效探測單木和描繪樹冠。

1劉曉雙，黃建文，鞠洪波. 高空間分辨率遙感的單木樹冠自動提取方法與應(yīng)用[J]. 浙江林學(xué)院學(xué)報，2010，27(1): 126-133.

LIU Xiaoshuang, HUANG Jianwen, JU Hongbo. Research progreee in the methods and applications of individual tree crown’s automatic extraction by high spatial resolution remote sensing[J]. Journal of Zhejiang Forestry College,2010，27(1): 126-133.(in Chinese)

2KE Y, QUACKENBUSH L J. 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.

3WULDER M, NIEMANN K O, GOODENOUGH D G. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery[J]. Remote Sensing of Environment, 2000, 73(1): 103-114.

4POULIOT D A, KING D J, BELL F W, et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J]. Remote Sensing of Environment, 2002, 82(2): 322-334.

5CULVENOR D S. TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery[J]. Computers & Geosciences, 2002, 28(1): 33-44.

6WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(3): 351-357.

8BRANDTBERG T, WALTER F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis[J]. Machine Vision and Applications, 1998, 11(2): 64-73.

9BRANDTBERG T, WARNER T A, LANDENBERGER R E, et al. Detection and analysis of individual leaf-off tree crowns in small footprint, high sampling density lidar data from the eastern deciduous forest in North America[J]. Remote Sensing of Environment, 2003, 85(3): 290-303.

10HAY G J, CASTILLA G, WULDER M A, et al. An automated object-based approach for the multiscale image segmentation of forest scenes[J]. International Journal of Applied Earth Observation and Geoinformation, 2005, 7(4): 339-359.

11POULIOT D A, KING D J, PITT D G. Development and evaluation of an automated tree detection delineation algorithm for monitoring regenerating coniferous forests[J]. Canadian Journal of Forest Research, 2005, 35(10): 2332-2345.

12POLLOCK R J. The automatic recognition of individual trees in aerial images of forests based on a synthetic tree crown image model[D]. Montreal: Concordia University, 1996.

13LARSEN M, RUDEMO M. Optimizing templates for finding trees in aerial photographs[J]. Pattern Recognition Letters, 1998, 19(12): 1153-1162.

14TARP-JOHANSEN M J. Automatic stem mapping in three dimensions by template matching from aerial photographs[J]. Scandinavian Journal of Forest Research, 2002, 17(4): 359-368.

15GOUGEON 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.

16LECKIE D G, GOUGEON F A, WALSWORTH N, et al. Stand delineation and composition estimation using semi-automated individual tree crown analysis[J]. Remote Sensing of Environment, 2003, 85(3): 355-369.

17GOUGEON F A, LECKIE D G. The individual tree crown approach applied to Ikonos images of a coniferous plantation area[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(11): 1287-1297.

18POULIOT D A, KING D J, BELL F W, et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J]. Remote Sensing of Environment, 2002, 82(2): 322-334.

19ERIKSON M. Segmentation of individual tree crowns in colour aerial photographs using region growing supported by fuzzy rules[J]. Canadian Journal of Forest Research, 2003, 33(8): 1557-1563.

20BUNTING P, LUCAS R. The delineation of tree crowns in Australian mixed species forests using hyperspectral compact airborne spectrographic imager (CASI) data[J]. Remote Sensing of Environment, 2006, 101(2): 230-248.

21HIRSCHMUGL M, OFNER M, RAGGAM J, et al. Single tree detection in very high resolution remote sensing data[J]. Remote Sensing of Environment, 2007, 110(4): 533-544.

22WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(3): 351-357.

23LAMAR W R, MCGRAW J B, WARNER T A. Multitemporal censusing of a population of eastern hemlock (TsugacanadensisL.) from remotely sensed imagery using an automated segmentation and reconciliation procedure[J]. Remote Sensing of Environment, 2005, 94(1): 133-143.

24JING 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: 88-98.

25熊軼群, 吳健平. 基于高分辨率遙感圖像的樹冠面積提取方法[J]. 地理與地理信息科學(xué), 2007, 23(6): 30-33.

XIONG Yiqun, WU Jianping. Tree-crown area detection algorithm for high spatial resolution remote-sensing image[J]. Geography and Geo-Information Science, 2007, 23(6): 30-33. (in Chinese)

26LIU J, SHEN J, ZHAO R, et al. Extraction of individual tree crowns from airborne LiDAR data in human settlements[J]. Mathematical and Computer Modelling, 2013, 58(3): 524-535.

27SCHMITT M, SHAHZAD M, ZHU X X. Reconstruction of individual trees from multi-aspect TomoSAR data[J]. Remote Sensing of Environment, 2015, 165: 175-185.

28張凝, 張曉麗, 葉栗. 基于改進爬峰法高分辨率遙感影像分割的樹冠提取[J]. 農(nóng)業(yè)機械學(xué)報, 2014, 45(12): 294-300.

ZHANG Ning, ZHANG Xiaoli, YE Li. Tree crown extraction based on segmentation of high-resolution remote sensing image improved peak-climbing algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery， 2014，45(12): 294-300. (in Chinese)

29JENSON S K, DOMINGUE J O. Extracting topographic structure from digital elevation data for geographic information system analysis[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(11): 1593-1600.

A Method for Lichee’s Tree-crown Information Extraction Based on High Spatial Resolution Image

Jiang Renrong1,2Wang Chunyan1Shen Liqiang1Wang Peifa3

(1.ShenzhenUrbanPlanningandLandResourceResearchCenter,Shenzhen518040,China2.KeyLaboratoryofUrbanLandResourcesMonitoringandSimulation,MinistryofLandandResource,Shenzhen518040,China3.SchoolofGeographyandRemoteSensing,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,China)

As high spatial resolution remotely sensed image be acquired more easily, there is a great potential for obtaining forest inventory automatically and cost-efficiently. A method was proposed to detect the lichee’s treetop and delineate tree-crown. The method can be divided into three steps. In the first step, a 3×3 mean filter was utilized to smooth image, and then the image was inverted through subtracting image from the maximum of the filtered image. The second step was individual tree detection, namely treetop detection. The inverted image can be viewed as a topographic surface, the flow direction grid was built and then the depressions grid was extracted. The depressions distributed on roads and constructions were deleted according to the predefined threshold. Watersheds were delineated to obtain the contributing area of depressions viewing depressions as the pour point. For solving that the multiple depressions were erroneously identified within the same crown, the depressions were deleted if the distance to the nearest depression was less than threshold and the mean value of depression in the filtered image was not the maximum in multiple depressions, the watersheds of multiple depressions were merged. The remaining depressions were viewed as the detected treetop. The third step was to delineate the tree-crown by using region growing method. The remaining depressions were used for seed points, crown regions were expanded from depression to surrounding pixels until the difference between the pixel and mean value of depression exceeded the predefined threshold or to the boundary of depression watershed. A 324 pixel×483 pixel Pléiades image with 0.5 m resolution was employed to test the method. A promising agreement between the detected results and manual delineation results was achieved in counting the number of trees and the area of delineating tree crowns. For individual tree detection, the overall accuracy was 87.75%, user’s accuracy was 80.69%, producer’s accuracy was 96.06%; for individual tree-crow delineation, the overall accuracy was 78.69%, user’s accuracy was 71.32%, producer’s accuracy was 87.76%.

lichee; high spatial resolution remotely sensed image; individual tree detection; individual tree-crown delineation; hydrological analysis; region growing

10.6041/j.issn.1000-1298.2016.09.003

2015-11-16

2016-03-29

國土資源部公益性行業(yè)專項(201411014-4)、深圳市基本生態(tài)控制線專項調(diào)查和深圳市2012年測繪地籍工程計劃項目

姜仁榮(1981—)，男，高級工程師，博士，主要從事地圖學(xué)與地理信息系統(tǒng)研究，E-mail： jiangrenrong@126.com

王培法(1980—)，男，講師，博士，主要從事高分辨率遙感圖像信息提取研究，E-mail： wangpeifa1980@163.com

TP751.1; S758

A

1000-1298(2016)09-0017-06