季 坤,孫鴻博,劉志林,譚弘武,王瑞瑞

(1.國網(wǎng)安徽省電力公司,合肥 230061； 2.國網(wǎng)通用航空有限公司,北京102209；3.北京煜邦電力技術股份有限公司,北京100028； 4.北京林業(yè)大學林學院,北京 100083)

輸電線路通道下行林區(qū)冠層自動分割方法研究

季 坤1,孫鴻博2,劉志林1,譚弘武3,王瑞瑞4

(1.國網(wǎng)安徽省電力公司,合肥 230061； 2.國網(wǎng)通用航空有限公司,北京102209；3.北京煜邦電力技術股份有限公司,北京100028； 4.北京林業(yè)大學林學院,北京 100083)

針對在高分辨率影像上進行林區(qū)冠層高精度分割所存在的問題，提出了以一種結合形態(tài)學濾波的基于標記的分水嶺分割算法，來實現(xiàn)對輸電線下行林區(qū)冠層的自動分割。以航拍影像為數(shù)據(jù)源，首先構建結合了彩色和紋理梯度的綜合梯度，然后采用形態(tài)學濾波消除中間過渡區(qū)域所形成的梯度極小值，同時根據(jù)樹冠頂端先驗信息提取標記，并強制疊加到梯度圖像上，最后將上述結果作為初始信息參與分水嶺分割，實現(xiàn)高分辨率影像上林區(qū)冠層的高精度自動分割，并以目視解譯的形式獲取研究區(qū)冠層的精確面積作為參考，結果顯示本算法的精度較高，可以用于實現(xiàn)林區(qū)冠層的高精度自動分割。

形態(tài)學濾波；改進；分水嶺分割算法；彩色梯度；紋理梯度；綜合梯度

林冠大小是提取森林各種參數(shù)的重要依據(jù)[1]。通過提取樹冠的直徑和面積，可估測林分郁閉度、蓄積量、生長量等信息。因此，林冠提取對于研究森林的生長情況和動態(tài)變化具有重要意義[2]，對林冠信息提取的研究也收到國內(nèi)外越多越多的研究人員的重視。近年來，隨著遙感技術和計算機技術的迅速發(fā)展及遙感影像分辨率的提高，在高空間分辨率遙感影像上，樹冠清晰可辨，但是如何將單木樹冠準確地提取出來仍是一個難題，盡管傳統(tǒng)目視解譯方法提取樹冠能達到一定效果，但是其工作量大、工作效率低、判讀者的經(jīng)驗和知識會使判讀結果產(chǎn)生誤差。目前運用計算機自動或半自動較準確的提取樹冠成為可能。

本文的研究區(qū)是輸電線路通道下行的林區(qū)，架空輸電線是國家基礎設施重要組成部分之一[3]。目前，我國電網(wǎng)規(guī)模不斷擴大，長距離輸電線路迅速增長，伴隨的輸電線路故障也給人們的日常生活和國家經(jīng)濟帶來巨大損失。為了防止和杜絕電網(wǎng)安全事故發(fā)生，需要對架空輸電線路進行周期性電力巡線。然而，由于人工巡線存在勞動力強度大、工作條件艱苦、效率低、復巡周期長、巡檢數(shù)據(jù)準確率不高等缺陷[4]。實驗區(qū)內(nèi)樹種種類多樣，如泡柳、松樹、水杉、毛竹和雜木。目前輸電線路安全運行的最大障礙就是樹木隱患，由于各樹種生長周期的不同，當樹木生長到輸電線路安全距離范圍之內(nèi)就有可能發(fā)生線路跳閘故障，威脅到安徽電網(wǎng)的安全穩(wěn)定。因此，輸電線下行林冠的分割研究是檢查架空輸電線安全與否的基礎。

目前，分割的算法有多種，較為常見的有基于閾值分割算法、基于邊緣分割算法及基于區(qū)域分割算法[5]等。分水嶺分割算法屬于區(qū)域分割算法中的一種，這種算法對微弱邊緣敏感，能夠得到封閉的、單像素的、連通的、及位置準確的輪廓，因此比較適合做高分辨率遙感影像樹冠分割[6]。最初基于數(shù)學形態(tài)學的分水嶺分割計算量較大、用時較長，而且還受到圖像的梯度和噪聲的影響，容易導致過分割現(xiàn)象[7]。目前,分水嶺算法已經(jīng)在醫(yī)學、遙感領域取得了廣泛的應用[8-9]。在醫(yī)學領域，改進的分水嶺算法已經(jīng)用于組織細胞分割、白細胞分割等[10]。但是在采用高分辨率影像對冠層進行分割時存在以下問題：第一在高分辨率影像上，不僅目標地物的紋理特征和形態(tài)特征十分顯著，而且背景地物的紋理和形態(tài)特征也十分顯著，導致噪聲復雜度急劇增加，給目標地物的高精度分割造成很大的困擾；第二針對郁閉度較大的林區(qū)，分割效果較差，這是因為郁閉度較大的林區(qū)存在同一冠層內(nèi)部差異性顯著，而不同冠層之間的邊界模糊的問題，導致分割困難重重。本文針對這一問題對傳統(tǒng)的分水嶺算法進行改進,首先構建結合了彩色梯度和紋理梯度的綜合梯度，然后采用形態(tài)學濾波消除無關中間過渡區(qū)域所形成的梯度極小值，在降低同一冠層內(nèi)部的差異性的同時，增強不同冠層之間的邊界信息，同時根據(jù)樹冠頂端先驗信息提取標記，達到剔除背景噪聲的目的，并強制疊加到梯度圖像上，最后將上述結果作為初始信息參與分水嶺分割，實現(xiàn)高分辨率影像上林區(qū)冠層的高精度自動分割。

1 研究區(qū)概況

研究區(qū)位于安徽省池州市東北部的錦蘇線下行通道，地理位置117°48′—117°54′E，30°40′—30°41′N，地跨池州市和青陽縣，東西長約9500 m，南北長約200 m，總面積約為190萬m2。海拔在1.8～112.2 m之間，屬于亞熱帶季風濕潤氣候區(qū)，夏熱冬寒，春秋溫和，雨量充沛，日照時間長，無霜期短，梅雨期40 d左右。年平均氣溫16 ℃；實驗區(qū)內(nèi)主要樹種有泡柳、松樹、水杉、毛竹和雜木。

相對于其他林區(qū)，該林區(qū)是位于輸電線下行的通道走廊，具有受干擾大、更復雜等特殊性。因此在樹冠分割時尤為困難。本文的實驗數(shù)據(jù)是安徽省池州市航拍數(shù)據(jù)，影像包括紅、綠、藍三個波段，影像的分辨率為0.1 m。

2 結合形態(tài)學濾波的標記分水嶺自動分割算法

分水嶺算法[11]是一種借鑒了形態(tài)學理論的分割方法，在該方法中，將一幅圖像看成一個拓撲地形圖，其中灰度值對應該點的地形高度值，每一局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。

結合形態(tài)學濾波的標記分水嶺自動分割算法主要是首先構建結合了彩色梯度和紋理梯度的綜合梯度，然后采用形態(tài)學濾波消除無關中間過渡區(qū)域所形成的梯度極小值，同時根據(jù)樹冠頂端先驗信息提取標記，并強制疊加到梯度圖像上，最后將上述結果作為初始信息參與分水嶺分割，實現(xiàn)高分辨率影像上林區(qū)冠層的高精度自動分割。主要分為梯度圖像的計算、形態(tài)學濾波和標記的提取三個步驟，主要技術路線如圖1。

圖1 研究方法流程圖

2.1 梯度圖像的計算

分水嶺算法的實現(xiàn)與圖像本身的相關性不大而與圖像的梯度有很大關系[12]。所以其算法過程一般是在梯度圖像上進行。梯度圖像能較好的反應圖像邊緣灰度的變化趨勢，梯度變化顯著的地方一般對應目標對象的邊緣，因而在梯度圖像上進行分水嶺算法分割，比在原始圖像上分割得到的目標邊界更精確。另外，紋理作為遙感影像的重要特征之一，在樹冠的提取中起著非常重要的識別作用。紋理特征能夠區(qū)分出光譜難以分離的背景信息。例如，背景信息中的雜草與樹冠的光譜信息類似，但是它們的紋理有明顯的差別。因此，綜合利用遙感影像的梯度和紋理特征各自的優(yōu)勢，能夠更有效的將樹冠從背景中提取出來。

2.1.1 彩色向量梯度計算

對單獨彩色平面的處理并不總是直接在彩色向量空間中的處理，分別計算圖像梯度然后形成彩色圖像可能得到與人眼視覺特性不一致的結果。因此，在彩色向量空間直接計算梯度比以單獨的分量圖像為基礎計算梯度具有更高的準確度，本文采用彩色向量空間梯度算法[13]，直接在RGB向量空間計算梯度。

設r，g，b是RGB彩色空間沿R，G，B軸的單位向量。像素點沿水平方向和垂直方向的彩色梯度可用向量u，v來表述[14]如下：

(1)

(2)

gxx，gyy，gxy分別定義為這些向量的點乘。表述如下：

(3)

(4)

(5)

由此可得到單個像素點(x,y)在最大變化率方向[14]θ的彩色梯度公式為：

(6)

其中，最大變化率方向θ為：

(7)

梯度圖像中存在的局部極小值區(qū)域即對應著基于沉浸的分水嶺變換模型中集水盆的最底部，分水嶺分割后最終區(qū)域數(shù)目即梯度圖像中局部極小值區(qū)域的數(shù)目，影像的梯度圖如圖2。

圖2 梯度圖像

2.1.2 紋理梯度計算

紋理是指圖像色調作為等級函數(shù)在空間上的變化，是紋理基元在不同空間配置形成的圖案[15]。紋理較為清晰的區(qū)域，灰度等級相對于不同紋理的區(qū)域一定是比較接近的[16]。

高分辨率遙感影像紋理不規(guī)則、結構變化復雜，基于灰度共生矩陣(co-occurrence)方法提取紋理特征能夠對不同的紋理進行定量分析。因此本文采用基于統(tǒng)計方式的灰度共生矩陣表達紋理圖像。Haralick等[17]從灰度共生矩陣中提出了14個紋理特征參量，其中有均值、方差、同質性、對比度、相異性、熵、角二階矩、相關性這八個特征參量是灰度共生矩陣紋理分析中較為常用的，這些參量之間存在相關性，可以用少量參量來表示[18]。經(jīng)相關性分析可知均值、方差、對比度這三個參量相關性最小，因此選用這三個參量來描寫紋理特征。由于航拍影像中3個波段，若對每一波段都進行紋理梯度提取，會造成數(shù)據(jù)量增大，因此先對航拍影像進行主成分變換，變換后取第一主成分來代表原圖像。

移動窗口的大小、步長及所選用的特征量是基于灰度共生矩陣提取紋理特征的影像因素。本文分別選擇3*3，5*5和7*7窗口對比紋理提取的效果，結果表明3*3窗口能較好的反應粗細紋理信息。經(jīng)實驗表明步長為1時提取紋理信息效果較好，灰度級為64級時最佳，得到由均值、方差和對比度三個參量描述紋理的特征圖，如圖3。

圖3 紋理特征

2.1.3 綜合梯度

為了保證分割的準確性，充分利用彩色梯度和紋理梯度的優(yōu)勢，可將彩色梯度和紋理梯度進行融合。本文的融合梯度采用線性疊加的方法：

G=w1·MG(x,y)-(1-w1)TG(x,y)

(8)

式中,w1為彩色梯度所占的權重，MG(x,y)為彩色梯度，(1-w1)為紋理梯度所占權重，TG(x,y)為紋理梯度。

經(jīng)實驗表明： 彩色梯度所占權重為0.5，紋理梯度所占權重為0.5時綜合梯度圖效果最好，如圖4。

圖4 綜合梯度

2.2 形態(tài)學濾波

原始的梯度圖像中含有許多偽局部極值造成分水嶺方法過分割，所以需要對原始梯度圖像進行修正，以消除無關中間過渡區(qū)域所形成的梯度極小值，即對原始梯度圖像進行閉重構運算，該運算能夠修正區(qū)域的極大值和極小值，減少因細節(jié)和噪聲造成的位置偏移和因局部極小值過多造成的過分割。結構元素的大小和形狀對濾波效果有重要影響，結構元素的大小要小于分割地物，形狀與所需提取的地物相同。經(jīng)試驗本文結構元素采用disk形狀，大小為一個像元最佳。經(jīng)過上述處理后影像冠層內(nèi)部細節(jié)被有效抑制，并且消除了背景噪聲。

2.3 標記的提取

標記分水嶺算法取得良好結果的決定性因素是標記圖像。常見的比較簡單的標記提取方法之一是擴展最小變換。本文采用擴展最小變換[19](E-minima)提取標記，它的本質是一個形態(tài)學閾值算子，能將大多數(shù)無關小區(qū)域記為0。梯度圖像G經(jīng)過高度閾值為h的擴展最小變換運算如下：

E=EM(G,h)

(9)

E為輸出的二值圖像。具體算法過程為：局部極小值與h進行逐一比較，將盆深大于h的局部極小值標記為1，其他標記為0，最終形成一幅二值標記圖像。

由于樹冠內(nèi)部結構的不規(guī)則性，直接應用分水嶺分割時樹冠內(nèi)部仍然存在許多偽局部極小值，最終造成同一樹冠內(nèi)部形成多個分割對象，即過分割，如圖5為影像檢測出來的所有局部極小值。

圖5 局部極小值

為了減少偽樹冠頂點造成的干擾，提取樹冠頂點部分作為標記，如圖6，可以看出，大部分的樹冠頂點都被標記出來了，從而減少了過分割。

圖6 樹冠頂點標記圖像

得到樹冠頂點標記圖像后，便可對原來的梯度圖像進行強制極小值變換過程，即用腐蝕運算修改該梯度圖像，并將提取的標記強制作為梯度圖像的局部極小值，而屏蔽掉原梯度圖像中一些無關的局部極小值，從而實現(xiàn)梯度重構。

3 實驗結果與分析

3.1 算法性能評估

為了有效評估改進的結合形態(tài)學濾波的基于標記的分水嶺算法的性能，本文以輸電線下行通道的冠層區(qū)域的數(shù)據(jù)作為實驗數(shù)據(jù)，同時采用傳統(tǒng)的分水嶺分割算法和文中提出的結合形態(tài)學濾波的基于標記的分水嶺算法進行試驗，并對結果進行比較分析。主要是從冠層面積和空間分布兩個方面進行比較。另外，通過目視解譯的形式，獲得研究區(qū)冠層的精確面積作為參考。

3.2 實驗與分析

為了驗證本文方法的分割效果，本算法在Matlab中編程，實現(xiàn)本文所述的改進的分水嶺的變換，對輸電線下行通道的林區(qū)圖像進行分割。最終結果去除面積很小的無關區(qū)域。

實驗的原始影像、基于傳統(tǒng)的分水嶺分割算法得到的結果和結合形態(tài)學濾波的標記分水嶺算法得到的結果分別如圖7。

由于樹冠內(nèi)部結構的不規(guī)則性，梯度圖像中含有許多偽局部極值所以傳統(tǒng)的分水嶺方法過分割，所以結果不做分析。

從圖7a可以看出，采用傳統(tǒng)分水嶺方法過分割嚴重；圖7c和圖7d，為采用本文方法得到的結果，大多數(shù)都位于樹冠的邊緣，只有極少部分因為樹冠之間的重疊遮擋沒有分割開或者被漏分。

為了進一步驗證其準確性，將改進后的算法結果與目視解譯結果，見圖7e和圖7f所示，在提取樹冠個數(shù)、最小面積、最大面積、總面積四個方面進行了對比，得到表1。在個數(shù)方面，目視解譯共提取了141個樹冠，而采用本文方法提取了163個樹冠，誤提率15.6%；在最小面積方面，本文算法由于提取了較多小區(qū)域，導致提取的樹冠最小面積比目視解譯面積??；在最大面積方面，由于個別樹冠并沒有被分割開，導致提取的最大面積大于目視解譯提取的最大面積；在總面積方面，由于本文方法產(chǎn)生了較多小區(qū)域和個別沒有被分開的樹冠，導致總面積大于目視解譯的總面積?？傮w上本文分割結果較準確，尤其是在提取冠層個數(shù)方面。

a) 原始影像 b)傳統(tǒng)的分水嶺方法分割結果

c) 改進算法分割結果

d) 分割結果疊加在原始影像

e) 目視解譯結果

f) 目視解譯結果疊加到原始影像

表1 實驗結果統(tǒng)計提取方法提取個數(shù)/個最小面積/m2最大面積/m2總面積/m2目視解譯1410 7305 48391 963算法提取1630 5637 260123 145

4 結果與討論

林冠大小是提取森林各種參數(shù)的重要依據(jù)，通過提取樹冠的直徑和面積，可估測林分郁閉度、蓄積量、生長量等信息。目前輸電線路安全運行的最大障礙就是樹木隱患，由于各樹種生長周期的不同，當樹木生長到輸電線路安全距離范圍之內(nèi)就有可能發(fā)生線路跳閘故障，威脅到安徽電網(wǎng)的安全穩(wěn)定。因此，輸電線下行林冠的分割研究對研究森林的生長情況、動態(tài)變化和架空輸電線安全性具有有重要意義。

本文針對在高分辨率影像上，導致分割困難的兩個問題，即目標地物和背景地物的紋理特征和形態(tài)特征十分顯著，導致噪聲復雜度急劇增加，給目標地物的高精度分割造成很大困擾和郁閉度較大的林區(qū)，同一冠層內(nèi)部差異性顯著，而不同冠層之間的邊界模糊的問題，提出了首先構建結合了彩色梯度和紋理梯度的綜合梯度，然后采用形態(tài)學濾波消除無關中間過渡區(qū)域所形成的梯度極小值，同時根據(jù)樹冠頂端先驗信息提取標記，并強制疊加到梯度圖像上，最后將上述結果作為初始信息參與分水嶺分割，實現(xiàn)高分辨率影像上林區(qū)冠層的高精度自動分割。

總體來說本文方法優(yōu)于傳統(tǒng)方法，與目視解譯結果相比，本文的分割結果略低于目視解譯。

[1] Song Conghe, Band LE.A Model to Simulate the Spatial Patterns of Photosynthetically Active Radiation Under Discrete Forest Canopies[J].CAN J FOREST RES,2004,34(6):1192-1203.

[2] 覃先林,李增元,易浩若.高空間分辨率衛(wèi)星遙感影像樹冠信息提取方法研究[J].遙感技術與應用，2005,20(20):228-232.

[3] 賴旭東，戴大昌,鄭敏,等.LiDAR點云數(shù)據(jù)的電力線3維重建[J].遙感學報.2014,18(6):1223-1229.

[4] 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)機械學報,2014,45(12):294-300.

[5] 李江波,彭彥昆,黃文倩,等.桃子表面缺陷分水嶺分割方法研究[J].農(nóng)業(yè)機械學報,2014,45(8):288-293.

[6] 王開義,張水發(fā),楊鋒,等.基于分水嶺和改進MRF 的馬鈴薯丁粘連圖像在線分割[J].農(nóng)業(yè)機械學報,2013,44(9):187-192.

[7] 陳忠,趙忠明.基于分水嶺變換的多尺度遙感圖像分割算法[J].計算機工程, 2006(23):186-187.

[8] Ahmad J，Malik AS,Xia L,etal.Vegetation Encroachment Monitoring for Transmission Lines Right of Ways: A survey[J].Electric Power Systems Research.2013,95:339-352.

[9] 孫正.數(shù)字圖像處理與識別[M].北京:機械工業(yè)出版社,2014.

[10] 張紅民，王一博.一種改進的細胞圖像分水嶺分割方法[J].重慶理工大學學報：自然科學版，2012,26(11):59-62.

[11] Pierre Soille. Morphological Image Analysis[M].Berlin：Springer Verlag,1998.

[12] Gomzlez RC, Woods RE, Digital Image Processing [M]. New Jersey：Prentice Hall,2008.

[13] Gonzalez RC, Woods RE. Digital Image Processing：Second Edition[M].Beijing：Publishing House of Electronics Industry,2007：123-124.

[14] 余旺盛，侯志強，王朝英，等.基于改進濾波和標記提取的分水嶺算法[J].電子學報,2011,39(4):825-830.

[15] 蔣永濤.基于QuickBird影像土地利用信息提取研究[D].成都：四川農(nóng)業(yè)大學，2009.

[16] 鄧書斌,陳秋錦,等.ENVI遙感圖像處理方法:第二版[M].北京：高等教育出版社,2014.

[17] Haralick RM, Shanmugam K,Dinstein IH.Textural Feature for Image Classification[J].IEEE Transactions on Systems, Man and Cybernetics,1973,3(6):610-621.

[18] 潘潔,李明詩.基于信息量的高等分辨率影像紋理提取的研究[J].南京林業(yè)大學學報：自然科學版,2010,34(4):129-134.

[19] Soille P.Morphological Image Analysis:Principle and Applications[M].Berlin：Springer-Verlag,2003.

AutomatedImageSegmentationofForestCanopyAlongElectricTransmissionLine

JI Kun1,SUN Hongbo2,LIU Zhilin1,TAN Hongwu3,WANG Ruirui4

(1.State Grid Anhui Electric Power Company, Hefei 230061, Anhui, China； 2.National Grid General Aviation Company Limited, Beijing 102209, China； 3.Beijing Yupont Electric Power Technology Company Limited, Beijing 100028, China； 4.Department of Forestry, Beijing Forestry University, Beijing 100083, China)

Aiming to the problem that the texture feature and shape feature of object and background were very significant in the high resolution image, which led to a sharp increase in the complexity of the noise, was a great trouble to the high precision segmentation of the object. High canopy density forest, with a canopy of significant internal differences and different canopy between the fuzzy boundaries, which resulted in segmentation difficulties. This paper proposed an automated method to extract forest canopy which integrated morphologic filter and marker-based watershed segmentation.This paper took aerial images as the source data, first time suggested combining color gradient and texture gradient, and then used morphologic filter to eliminate the minimum of gradient which was caused by the intermediate transition zone irrelevant to canopy extraction. Meanwhile, the algorithm extracted the mark information based on the prior knowledge of tree crown, and coercively overlayed the gradient image with the mark information. This method added all the results above to help the watershed segmentation as the initial information, and finally realized the automated segmentation of canopy with high accuracy based on high spatial-resolution imagery. The paper compared the results of traditional watershed segmentation with accurate coverage of canopy acquired through visual interpretation in the researched region, and the experiment proved that traditional watershed algorithm resulted in excessive over-segmentation, whereas the improved watershed algorithm realized the automated segmentation of forest canopy with fairly high accuracy.

morphologic filter；improved；watershed algorithm；color gradient；texture gradient；integrated gradient

2016-12-26

北京林業(yè)大學優(yōu)秀青年教師科技支持專項計劃(YX2014-09)；國家自然科學基金資助項目(41201446)。

季坤(1978-),男,研究生,研究領域為輸電線路專業(yè)管理方面的研究。

TP 79；S 771.8

A

1003-6075(2016)04-0042-07

10.16166/j.cnki.cn43-1095.2016.04.009