于旭宅, 王瑞瑞, 陳偉杰(1.北京林業(yè)大學(xué)林學(xué)院，北京 10008；2.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室,北京 10008；.天津市靜海公路工程有限公司，天津 01600)

隨著電力產(chǎn)業(yè)的飛速發(fā)展，輸電線路在荒野分布日漸廣泛.每年樹(shù)木生長(zhǎng)茂盛期，樹(shù)冠都會(huì)對(duì)輸電線路的安全運(yùn)行造成很大威脅[1].利用無(wú)人機(jī)遙感技術(shù)可以快速獲取輸電線路下行樹(shù)冠的高分辨率遙感影像，通過(guò)提取樹(shù)冠并結(jié)合樹(shù)冠高度模型及輸電線高程數(shù)據(jù)，計(jì)算樹(shù)冠與上行輸電線的垂直距離，這對(duì)于開(kāi)展輸電線路安全巡檢具有重要意義[2].目前無(wú)人機(jī)遙感技術(shù)在輸電線路巡檢等領(lǐng)域得到廣泛應(yīng)用[2-3]，如何有效、準(zhǔn)確地從遙感影像上提取樹(shù)冠信息已成為國(guó)內(nèi)外眾多學(xué)者研究的熱點(diǎn)[4-7].在遙感影像分割領(lǐng)域，分水嶺算法可應(yīng)用于多光譜遙感影像、高光譜遙感影像和高分辨率遙感影像的分割[8-9]，逐漸成為一種普遍采用的分割技術(shù).張博等[10]提出了一種改進(jìn)分水嶺變換的高分辨率遙感影像多尺度分割方法，在抑制分水嶺過(guò)分割現(xiàn)象的同時(shí)，還能實(shí)現(xiàn)對(duì)遙感影像的多尺度分割.Sharif et al[11]提出了一種基于梯度修改的改進(jìn)方法，利用形態(tài)學(xué)算子對(duì)梯度圖像進(jìn)行修正，減少了過(guò)分割現(xiàn)象.

由于無(wú)人機(jī)多光譜遙感影像中輸電線路下行林區(qū)存在同一冠層內(nèi)部紋理細(xì)節(jié)顯著且亮度變化不均勻、不同樹(shù)冠之間重疊遮擋等現(xiàn)象，導(dǎo)致現(xiàn)有方法在提取樹(shù)冠時(shí)存在同一樹(shù)冠內(nèi)過(guò)分割、不同冠層間難以分割等問(wèn)題.為此，本文提出了一種基于NDVI植被指數(shù)計(jì)算的改進(jìn)分水嶺分割方法，通過(guò)歸一化植被指數(shù)模型(normalized difference vegetation index, NDVI)計(jì)算樹(shù)冠顯著性區(qū)域圖像，利用彩色向量空間算法計(jì)算其梯度，并采用基于標(biāo)記控制的分水嶺算法，實(shí)現(xiàn)了樹(shù)冠的準(zhǔn)確分割.

1 研究區(qū)概況

研究區(qū)位于安徽省池州市青陽(yáng)縣東北部的錦蘇輸電線路下行通道，地理位置為東經(jīng)117°48′—117°54′，北緯30°40′—30°41′，地勢(shì)南高北低，海拔1.8～112.2 m.該區(qū)屬于亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)，夏熱冬寒，春秋溫和，雨量充沛，日照時(shí)間長(zhǎng)，無(wú)霜期短，梅雨期40 d左右.研究區(qū)內(nèi)架設(shè)有輸電線路，樹(shù)種主要有泡柳、松樹(shù)、水杉、毛竹和雜木等，樹(shù)木生長(zhǎng)茂盛.

數(shù)據(jù)源為無(wú)人機(jī)遙感影像，影像獲取時(shí)間是2016年6月16日，空間分辨率是0.05 m.從該無(wú)人機(jī)遙感影像可以獲取輸電線路通道下林木6個(gè)譜段的光譜反射率信息，第1、2、3波段分別是紅、綠、藍(lán)波段，位于可見(jiàn)光區(qū)域；第4、5、6波段的波長(zhǎng)分別為600、701、750 nm，帶寬均為10 nm.

2 研究方法

2.1 顯著性區(qū)域提取

利用植被的光譜特性和形態(tài)特征，對(duì)原始無(wú)人機(jī)多光譜遙感影像進(jìn)行預(yù)處理，得到樹(shù)冠的顯著性區(qū)域圖像，主要包括樹(shù)冠信息的去相關(guān)性分析、樹(shù)冠區(qū)域提取、形態(tài)學(xué)濾波等預(yù)處理過(guò)程.

2.1.1 多光譜影像的相關(guān)性分析 研究區(qū)的無(wú)人機(jī)遙感影像有6個(gè)波段，若對(duì)每一個(gè)波段都進(jìn)行計(jì)算，會(huì)造成數(shù)據(jù)量急劇增加、耗時(shí)、冗余增大，因此首先對(duì)無(wú)人機(jī)遙感影像進(jìn)行波段信息量、波段間相關(guān)性分析、比較，選擇信息量最大且波段間離散度最大、相關(guān)性最小的波段組合作為分割圖像.利用ENVI軟件中的Statistic工具統(tǒng)計(jì)出各波段相關(guān)系數(shù)，結(jié)果如表1所示.從表1可以看出無(wú)人機(jī)數(shù)據(jù)的第1、6波段相關(guān)性最小，第2、6波段相關(guān)性較小，但考慮到后續(xù)需要提取植被指數(shù)NDVI，故選擇第1、2、6波段；該3個(gè)波段按照RGB的形式合成(標(biāo)準(zhǔn)假彩色合成)，此時(shí)通過(guò)目視解譯提取樹(shù)冠，表達(dá)效果最好.

表1 無(wú)人機(jī)影像各波段相關(guān)系數(shù)矩陣Table 1 The correlation coefficient matrix of each band of UAV images

2.1.2 樹(shù)冠區(qū)域提取 植被的光譜特征能夠?qū)⑵湓谶b感影像上有效地與其它地物相區(qū)別.考慮到無(wú)人機(jī)遙感影像中輸電線路等背景區(qū)域的影響，選取第1、6波段，利用NDVI將樹(shù)冠區(qū)域與輸電線路等背景區(qū)域區(qū)分開(kāi)來(lái).通過(guò)比值運(yùn)算進(jìn)一步擴(kuò)大樹(shù)冠區(qū)域與輸電線路等背景區(qū)域的差距，從而增強(qiáng)樹(shù)冠區(qū)域的亮度，抑制輸電線路等背景信息.針對(duì)比值運(yùn)算的結(jié)果進(jìn)行直方圖分析，通過(guò)設(shè)定閾值范圍對(duì)NDVI計(jì)算結(jié)果做分類處理，閾值范圍外用0表示，即輸電線路等背景區(qū)域；閾值范圍內(nèi)用1表示，即樹(shù)冠等顯著性區(qū)域.并生成掩膜圖像，對(duì)原始影像做掩膜處理，從而分離出輸電線路等背景區(qū)域和樹(shù)冠顯著性區(qū)域.NDVI比值計(jì)算如下：

(1)

式中，NIR為近紅外波段反射率，R為紅光波段反射率.

2.1.3 形態(tài)學(xué)濾波 無(wú)人機(jī)遙感影像分辨率特別高，影像上樹(shù)冠內(nèi)部的紋理細(xì)節(jié)特別清晰.為了縮小紋理細(xì)節(jié)對(duì)后續(xù)圖像的過(guò)分割影響, 采用形態(tài)學(xué)開(kāi)閉重建運(yùn)算對(duì)顯著性區(qū)域影像進(jìn)行進(jìn)一步預(yù)處理.形態(tài)學(xué)開(kāi)閉重建運(yùn)算是建立在腐蝕和膨脹的基礎(chǔ)上.對(duì)于原始圖像f(x,y)和參考圖像r(x,y)，其形態(tài)學(xué)膨脹運(yùn)算[12]如式(2)所示.

(2)

式中：B表示圓盤(pán)狀結(jié)構(gòu)元素.圓盤(pán)形結(jié)構(gòu)元素滿足旋轉(zhuǎn)不變性,因此不會(huì)造成圖像特征值的畸變.

原始圖像f(x,y)的形態(tài)學(xué)腐蝕運(yùn)算[12]如式(3)所示.

(3)

OB(f,r)=DB[(fB),r]

(4)

CB(f,r)=EB[(f·B),r]

(5)

形態(tài)學(xué)濾波計(jì)算中結(jié)構(gòu)元素B的大小和形狀對(duì)濾波效果有較大影響.如果結(jié)構(gòu)元素過(guò)小，一些樹(shù)枝會(huì)被當(dāng)作樹(shù)冠；如果結(jié)構(gòu)元素過(guò)大，一些較小的樹(shù)冠會(huì)被移除.一般來(lái)說(shuō)，結(jié)構(gòu)元素的形狀應(yīng)與所需提取的地物形狀近似，尺寸應(yīng)小于所有待分割地物尺寸的最小值.因此，結(jié)構(gòu)元素采用圓盤(pán)形狀，尺寸小于最小樹(shù)冠半徑.通過(guò)多次反復(fù)比較，結(jié)果表明結(jié)構(gòu)元素尺寸大小為1時(shí)效果最好，樹(shù)冠內(nèi)部的紋理信息可被有效抑制.

2.2 影像梯度計(jì)算

一般來(lái)說(shuō)，利用梯度圖像作為處理對(duì)象比直接在原始圖像上分割得到目標(biāo)邊界更為準(zhǔn)確.由于分水嶺算法與影像的梯度有關(guān)，而與影像本身的相關(guān)性不大，因此梯度圖像的構(gòu)建對(duì)后期分水嶺的分割效果有著至關(guān)重要的影響.考慮到顯著性區(qū)域圖像含有3個(gè)波段信息，且在彩色向量空間直接計(jì)算梯度比以單獨(dú)的分量圖像為基礎(chǔ)計(jì)算梯度具有更高的準(zhǔn)確度，因此本文采用彩色向量空間梯度算法[13]，直接在RGB向量空間計(jì)算梯度.設(shè)r、g、b是RGB彩色空間沿R、G、B軸的單位向量，像素點(diǎn)沿水平方向和垂直方向的彩色梯度可用向量u、v來(lái)表述：

(6)

(7)

gxx、guu、gxu分別定義為這些向量的點(diǎn)乘，表述如下：

(8)

(9)

(10)

由此可得到單個(gè)像素點(diǎn)(x,y)在最大變化率方向θ的彩色梯度公式為：

(11)

其中，最大變化率方向θ為：

(12)

2.3 樹(shù)冠標(biāo)記提取

由于顯著性區(qū)域圖像存在較多局部最大值，直接采用現(xiàn)有的分水嶺算法對(duì)梯度圖像進(jìn)行分割，會(huì)導(dǎo)致圖像嚴(yán)重過(guò)分割，而有效地選取標(biāo)記是標(biāo)記分水嶺的重要步驟.采用擴(kuò)展最小變換(E-minima)[14]提取標(biāo)記，其本質(zhì)是一個(gè)形態(tài)學(xué)閾值算子，將大多數(shù)無(wú)關(guān)小區(qū)域記為0.梯度圖像G的高度閾值(h)擴(kuò)展最小變換運(yùn)算表示如下：

E=ME(G,h)

(13)

式中，E為輸出的二值圖像.具體算法過(guò)程為：局部極小值與h進(jìn)行逐一比較，將盆深大于h的局部極小值標(biāo)記為1，其他標(biāo)記為0，最終形成二值標(biāo)記圖像.

由于樹(shù)冠標(biāo)記中某些標(biāo)記連接在一起，使得分割結(jié)果出現(xiàn)多個(gè)樹(shù)冠而被誤分為一個(gè)樹(shù)冠.為使分割效果更理想，結(jié)合顯著性區(qū)域樹(shù)冠圖像的物理特征(樹(shù)冠中心附近區(qū)域輻射最大)，采用形態(tài)學(xué)開(kāi)重建和閉重建技術(shù)來(lái)修正二值標(biāo)記圖像.首先利用形態(tài)學(xué)腐蝕運(yùn)算將連接在一起的標(biāo)記分開(kāi);然后利用形態(tài)學(xué)距離變換確定每個(gè)標(biāo)記的范圍，確保每個(gè)標(biāo)記最終分割得到單一樹(shù)冠;最后運(yùn)用強(qiáng)制運(yùn)算將標(biāo)記加到梯度圖像上，得到修正后的梯度圖像.

2.4 冠層分割

通過(guò)擴(kuò)展最小變換預(yù)先提取樹(shù)冠頂點(diǎn)作為標(biāo)記，將標(biāo)記強(qiáng)制應(yīng)用為局部最低值，再進(jìn)行分水嶺分割.標(biāo)記控制分水嶺算法從梯度圖像的全局極小值點(diǎn)開(kāi)始，假定當(dāng)前值為h+1，每個(gè)極小值小于或等于h的集水盆會(huì)被分配一個(gè)唯一標(biāo)記.對(duì)當(dāng)前值為h+1的像元，若其鄰域像元已經(jīng)標(biāo)記過(guò)，則給它分配相同標(biāo)記；若鄰域像元都沒(méi)有被標(biāo)記過(guò)，則被認(rèn)為是一個(gè)新的集水盆，并給它分配一個(gè)新標(biāo)記.如此反復(fù)標(biāo)記，直到圖像中每個(gè)像元都?xì)w屬到某個(gè)集水盆(即屬于某個(gè)對(duì)象區(qū)域)為止，分水嶺分割則完成.

3 結(jié)果與分析

3.1 顯著性區(qū)域提取

為了縮小輸電線路等背景區(qū)域的影響，對(duì)研究區(qū)的無(wú)人機(jī)多光譜遙感影像進(jìn)行了波段甄選、NDVI植被指數(shù)計(jì)算、冠層掩膜等處理，結(jié)果如圖1所示.根據(jù)NDVI計(jì)算結(jié)果進(jìn)行分類處理，建立冠層掩膜.從圖1D可以看出，輸電線路、樹(shù)冠間空隙與樹(shù)冠都被有效分離出來(lái).利用冠層掩膜得到去除輸電線路等背景后的冠層區(qū)域，結(jié)果如圖1E所示.從圖1E可以看出，輸電線路等背景被有效去除，為后續(xù)分水嶺分割冠層分割提供了可靠的影像數(shù)據(jù).

3.2 分割結(jié)果與精度

為驗(yàn)證本算法的準(zhǔn)確性與有效性，采用基于標(biāo)記控制的分水嶺算法，對(duì)顯著性區(qū)域圖像進(jìn)行樹(shù)冠提取，結(jié)果如圖2A所示.由于缺少外業(yè)調(diào)查數(shù)據(jù)，利用ArcGIS軟件通過(guò)人工目視解譯方式獲得了參照?qǐng)D像(圖2B).通過(guò)改進(jìn)算法得到的圖像與參照?qǐng)D像的差異度來(lái)衡量分割結(jié)果質(zhì)量，由于位于邊緣的樹(shù)冠形狀不完整，無(wú)法應(yīng)用分水嶺算法，因此評(píng)價(jià)分析不包括邊界上的樹(shù)冠.

為驗(yàn)證算法的準(zhǔn)確性，將論文改進(jìn)算法與目視解譯做對(duì)比分析.采用改進(jìn)算法提取142個(gè)樹(shù)冠，其中輸電線路下行的樹(shù)冠26個(gè)，如圖2A所示；根據(jù)樹(shù)冠頂端高亮度像元與樹(shù)冠形態(tài)特征進(jìn)行目視解譯，結(jié)果如圖2B所示，提取127個(gè)樹(shù)冠，其中輸電線路下行的樹(shù)冠有23個(gè).從表2可知，從樹(shù)冠提取總個(gè)數(shù)來(lái)看，通過(guò)改進(jìn)算法提取的個(gè)數(shù)多于目視解譯.這是因?yàn)樵谀恳暯庾g過(guò)程中忽略了較多樹(shù)冠特征不明顯的區(qū)域，但這些區(qū)域又存在高亮度像元，所以改進(jìn)算法將其當(dāng)作樹(shù)冠進(jìn)行提取.從樹(shù)冠重疊個(gè)數(shù)(表2)來(lái)看，改進(jìn)算法提取的樹(shù)冠總個(gè)數(shù)和目視解譯匹配的個(gè)數(shù)有117個(gè),改進(jìn)算法提取樹(shù)冠總個(gè)數(shù)匹配精度達(dá)到92%;改進(jìn)算法和目視解譯在輸電線路下行的樹(shù)冠匹配個(gè)數(shù)有18個(gè),改進(jìn)算法提取的輸電線路下行樹(shù)冠匹配率為78.2%.這是因?yàn)樵谌コ旊娋€路背景、提取顯著性樹(shù)冠時(shí)，輸電線路將部分樹(shù)冠分為2個(gè)樹(shù)冠，或者將同一樹(shù)冠分裂成多個(gè)樹(shù)冠，導(dǎo)致改進(jìn)算法提取個(gè)數(shù)多于目視解譯個(gè)數(shù).

A.無(wú)人機(jī)原始數(shù)據(jù)；B.無(wú)人機(jī)數(shù)據(jù)增強(qiáng)顯示；C.NDVI植被指數(shù)計(jì)算；D.冠層掩膜；E.去除背景后的冠層區(qū)域.圖1 顯著性區(qū)域提取結(jié)果Fig.1 The extraction results of significant region

圖2 算法提取結(jié)果(A)與目視解譯結(jié)果(B)Fig.2 The extraction results of algorithm (A) and visual interpretation (B)

表2 提取樹(shù)冠個(gè)數(shù)對(duì)比Table 2 The number contrast of extraction canopy

為驗(yàn)證算法的精度，進(jìn)一步從空間上對(duì)改進(jìn)算法進(jìn)行單木樹(shù)冠提取精度分析.隨機(jī)且均勻地選取20株單木樹(shù)冠，通過(guò)目視解譯判斷標(biāo)記(圖3中標(biāo)記的數(shù)字)的樹(shù)冠是否被分割出來(lái)，并從單個(gè)樹(shù)冠所占像元個(gè)數(shù)進(jìn)行誤差分析(表3).在進(jìn)行精度分析時(shí)，所用相對(duì)誤差公式為：

(14)

式中T計(jì)算表示改進(jìn)算法提取的單個(gè)樹(shù)冠像元總數(shù)，T目視表示目視解譯提取的單個(gè)樹(shù)冠像元總數(shù).

樣本精度計(jì)算公式為：

(15)

式中,n為樣本數(shù)，δi為第i個(gè)樣本的相對(duì)誤差.

表3 單個(gè)樹(shù)冠像元總數(shù)計(jì)算結(jié)果對(duì)比Table 3 The result contrast of pixel numbers of a single canopy

由表3可知，改進(jìn)算法提取的單個(gè)樹(shù)冠像元總個(gè)數(shù)與目視解譯相差不大.改進(jìn)算法提取的單個(gè)樹(shù)冠的平均像元個(gè)數(shù)為2 437，而目視解譯的單個(gè)樹(shù)冠的平均像元個(gè)數(shù)為2 457，就單個(gè)樹(shù)冠的平均像元個(gè)數(shù)而言，二者相差甚小.利用樣本精度計(jì)算可得，改進(jìn)算法的平均相對(duì)誤差為11.7%，形狀精度為88.3%.總體而言，改進(jìn)算法能夠有效進(jìn)行輸電線路下行的單木樹(shù)冠分割，不僅簡(jiǎn)化了數(shù)據(jù)分析的計(jì)算量，也可以達(dá)到精度要求，能夠滿足電力巡檢、林業(yè)調(diào)查等領(lǐng)域的實(shí)際測(cè)量需求.

4 小結(jié)

本研究結(jié)果表明，改進(jìn)算法能夠有效去除輸電線路等背景區(qū)域的影響，與目視解譯提取的樹(shù)冠結(jié)果相比較，獲得的準(zhǔn)確率得到了明顯的提高.主要體現(xiàn)在以下3個(gè)方面：(1)對(duì)于整個(gè)研究區(qū)，目視解譯提取樹(shù)冠127個(gè)，改進(jìn)算法提取樹(shù)冠142個(gè)，樹(shù)冠匹配個(gè)數(shù)為117個(gè)，在整體區(qū)域樹(shù)冠個(gè)數(shù)匹配精度達(dá)到92%；(2)對(duì)于輸電線路下行區(qū)域，目視解譯提取樹(shù)冠23個(gè)，改進(jìn)算法提取樹(shù)冠26個(gè)，樹(shù)冠匹配個(gè)數(shù)為18個(gè)，在輸電線路下行區(qū)域樹(shù)冠個(gè)數(shù)匹配精度為78%；(3)對(duì)于單個(gè)樹(shù)冠所占像元個(gè)數(shù)，改進(jìn)算法提取的單個(gè)樹(shù)冠的平均像元個(gè)數(shù)為2 437，目視解譯提取的單個(gè)樹(shù)冠的平均像元個(gè)數(shù)為2 457，改進(jìn)算法的形狀精度達(dá)到88.3%.