李晨,李佳*,王明果,段平,王云川
(1.云南師范大學(xué)地理學(xué)部,昆明 650500;2.云南省地質(zhì)科學(xué)研究所,昆明 650501;3.云南省地礦測繪院,昆明 650218)
人工林單木位置提取是指將人工林中每一棵樹木都標(biāo)記在地圖上,便于林業(yè)管理者統(tǒng)計、查詢以及后續(xù)應(yīng)用。單木位置的準(zhǔn)確提取有助于評估林區(qū)樹木產(chǎn)量、監(jiān)測林區(qū)樹木數(shù)量變化等,同時,也是單木樹冠提取、林區(qū)郁閉度計算、植被健康監(jiān)測的前提條件[1-2]。
傳統(tǒng)的單木位置信息獲取方式是人工實地測量。該方式效率較低、成本較高,且提取精度難以滿足要求[3]。隨著無人機技術(shù)的不斷發(fā)展,低成本、便捷地獲取高空間分辨率、高時間分辨率的影像成為可能。目前大多數(shù)無人機通過搭載可見光相機獲取研究區(qū)域的影像[4],采用影像信息提取的方式,可以從無人機RGB影像中獲取單木位置[5]。研究方法可以分為2類。第1類方法是根據(jù)影像中樹冠中心像素值最大的原理來獲取樹冠中心點,并將其表示為單木位置。這種單木位置表示方法與采用樹干作為單木位置的原理相似[6],都是以一棵樹的單體特征來表示單木位置。最常用的樹冠中心點獲取算法是局部極大值,通過設(shè)定一個移動的窗口,從影像中尋找最大像素值點作為單木位置[7-8]。第2類方法是根據(jù)樹冠的像素值與其他地物像素值的差異,直接提取樹冠輪廓,從而實現(xiàn)單木位置的提取,如谷地跟蹤法[9]、模版匹配法[10]、多尺度分割法[11]等。但是,由于無人機RGB影像空間分辨率較高,存在樹冠內(nèi)部像素差異大、樹冠與非樹冠植被顏色相似、樹冠粘連等問題,直接導(dǎo)致使用無人機RGB影像提取的人工林單木位置精度較低。
無人機RGB影像除了能生成數(shù)字正射影像(digital orthophoto map,DOM),還可生成數(shù)字高程模型(digital elevation model,DEM)和數(shù)字表面模型(digital surface model,DSM)?;诖?,筆者以無人機RGB影像為基礎(chǔ)數(shù)據(jù)源,首先構(gòu)建其DOM、DEM、DSM;利用可見光波段差異植被指數(shù)(visible-band difference vegetation index,VDVI,公式中記為IVDV)對DOM進行植被與非植被的區(qū)分;結(jié)合DEM和DSM模型數(shù)據(jù),構(gòu)建冠層高度模型(canopy height model,CHM),應(yīng)用CHM模型區(qū)分樹冠與非樹冠植被;為進一步提高精度,利用形態(tài)學(xué)圖像細化算法去除樹冠間的粘連;最后對人工林區(qū)單木位置進行提取。
研究區(qū)位于云南省昆明理工大學(xué)呈貢校區(qū)內(nèi),如圖1所示,研究區(qū)面積為11 064.32 m2,單木數(shù)量為912,林區(qū)類型為人工林。研究區(qū)內(nèi)一部分樹冠生長茂密,樹冠之間有粘連,在后續(xù)單木位置提取過程中,既會造成單木位置漏提,也會造成錯提;樹冠下面有一些草地、灌木等非樹冠植被,易誤判為單木樹冠。
圖1 研究區(qū)Fig.1 Study area
1)采用大疆精靈4pro進行影像采集。無人機搭載的成像系統(tǒng)擁有2 000萬像素的CMOS傳感器和12檔的動態(tài)范圍,機械快門可以防止快速移動過程中的拖影;搭載了位置與姿態(tài)系統(tǒng)(position and orientation system,POS),可以實時獲取數(shù)據(jù)傳感器位置與姿態(tài)信息。航拍時間為2019年10月26日,航拍時天氣晴朗,風(fēng)力較小。航拍高度為60 m,航向重疊度為85%,旁向重疊度為75%,共獲取影像81幅,影像分辨率為2.4 cm。
2)采用徠卡“GPS RTK”采集像控點坐標(biāo)。本次試驗一共布設(shè)了9個像控點,其中5個像控點用于提高無人機產(chǎn)品數(shù)據(jù)的空間參考精度,4個像控點用于無人機產(chǎn)品數(shù)據(jù)精度驗證。
利用無人機RGB影像提取人工林單木位置時,首先需要生成研究區(qū)的DOM、DEM和DSM。本研究統(tǒng)一采用WGS84_UTM_48N投影坐標(biāo)系構(gòu)建無人機產(chǎn)品數(shù)據(jù),方法分為5個步驟。
1)對無人機RGB影像進行空中三角測量,將POS數(shù)據(jù),即記載的無人機航攝瞬間影像的空間位置與姿態(tài)作為帶權(quán)觀測值引入空中三角測量的數(shù)學(xué)模型中,與5個地面像控點坐標(biāo),即攝影測量觀測值進行聯(lián)合區(qū)域網(wǎng)平差,以確定影像真實的空間位置與姿態(tài),從而獲取關(guān)鍵連接點的地面坐標(biāo),生成稀疏點云。
2)利用多視影像密集匹配技術(shù),從多幅影像中識別出同名點,由此建立區(qū)域的密集點云。
3)將密集點云進行不規(guī)則三角網(wǎng)連接,生成DSM模型。
4)利用不規(guī)則三角網(wǎng)加密濾波算法對密集點云進行地面點與非地面點分離。首先構(gòu)建一個規(guī)則格網(wǎng),將密集點云劃分為多個區(qū)域;然后基于每個區(qū)域內(nèi)的最低點構(gòu)建一個稀疏不規(guī)則三角網(wǎng),設(shè)定一個角度閾值和距離閾值對剩余點進行迭代判別,將小于閾值的點劃分為地面點,其余的點劃分為非地面點;最后對地面點構(gòu)建高程格網(wǎng),生成DEM模型。
5)根據(jù)DEM模型,對無人機影像進行單幅影像正射糾正,然后經(jīng)鑲嵌、裁剪等處理得到整個區(qū)域的DOM[12]。
為檢驗無人機產(chǎn)品數(shù)據(jù)的精確度,以中誤差作為評價標(biāo)準(zhǔn)[13],利用4個剩余的像控點坐標(biāo)進行精度驗證。以x、y表示平面誤差,z表示高程誤差,M表示整體誤差,則本次試驗獲取的無人機產(chǎn)品數(shù)據(jù)精度較高,其中x方向的中誤差為0.017 m,y方向的中誤差為0.008 m,z方向的中誤差為0.046 m,整體中誤差為0.028 m,符合GB/T 23236—2009《數(shù)字航空攝影測量空中三角測量規(guī)范》中提出的1∶500比例尺平地的平面位置中誤差不大于0.175 m、高程中誤差不大于0.15 m的要求。
以無人機DOM、DEM、DSM等產(chǎn)品數(shù)據(jù)作為人工林單木位置提取數(shù)據(jù)源,方法如下:首先利用VDVI將DOM分為植被與非植被;其次結(jié)合DEM和DSM構(gòu)建研究區(qū)CHM,利用CHM對研究區(qū)人工林樹冠進行提取;為進一步提高精度,利用形態(tài)學(xué)圖像細化算法去除樹冠之間的粘連;最后對人工林區(qū)單木位置進行提取。具體提取流程見圖2。
圖2 人工林單木位置提取流程Fig.2 Flow chart of individual tree position extraction in the artificial forest area
無人機DOM只含有紅、綠、藍3個波段信息。由于綠光波段的反射較強,而紅光和藍光具有吸收特性,因此,VDVI基于這一特性能夠?qū)OM區(qū)分植被與非植被,且閾值在0附近,較易確定[14]。計算公式如下:
(1)
式中,R、G、B分別代表影像中的紅、綠、藍波段值。
利用VDVI從DOM中提取的植被信息既包含人工林樹冠,也包含非樹冠植被,如草地、灌木。人工林樹冠與草地、灌木在高程上具有差異,從高程差異上可以對樹冠與草地、灌木進行分離。利用無人機RGB影像可以獲得研究區(qū)的DSM與DEM。DSM記錄了地表各類物體的高程信息,DEM記錄了地面的高程信息。
將DSM與DEM做差值計算可獲得CHM,CHM可以很好地描述不同植被的高程差異[15]。通過統(tǒng)計CHM中一部分草地、灌木的像素值,將平均值作為閾值,去除小于等于閾值的像素,保留大于閾值的像素值作為樹冠,從而實現(xiàn)樹冠與非樹冠的分離。
人工林中的樹木之間雖然具有一定的間距,但仍然有部分樹冠之間存在粘連,在后續(xù)單木位置提取過程中,樹冠粘連既會導(dǎo)致單木位置漏提,也會導(dǎo)致錯提。因此,去除樹冠粘連能夠提高單木位置提取精度。形態(tài)學(xué)細化算法可用于去除樹冠粘連,主要分為圖像二值化和形態(tài)學(xué)圖像細化2個過程。
2.3.1 圖像二值化
圖像二值化是形態(tài)學(xué)細化的前提條件,是指將圖像中的目標(biāo)與背景進行分離,分別用0和1表示背景和目標(biāo)。在CHM中,樹冠與非樹冠具有較大的差異,Otsu算法常用于對目標(biāo)和背景差異大的圖像進行二值化[16]。采用Otsu算法對CHM進行二值化,計算方法為:
(2)
μΤ=ω1μ1+ω2μ2
(3)
2.3.2 形態(tài)學(xué)圖像細化算法
形態(tài)學(xué)圖像細化算法以形態(tài)學(xué)原理為基礎(chǔ),通過不斷地刪除粘連樹冠的邊界像素,直到粘連樹冠分離,且分離得到的獨立樹冠主體結(jié)構(gòu)變化不大,基本原理是構(gòu)建8個結(jié)構(gòu)元素對[17],如圖3所示。圖3中,“1”表示目標(biāo)圖像上的點,“0”表示背景圖像上的點,“x”表示既可以是圖像上的點,也可以是背景圖像上的點,“o”表示參考中心點。
圖3 8個方向的結(jié)構(gòu)元素對Fig.3 Pairs of structural elements in eight directions
采用B1~B8對粘連樹冠進行擊中擊不中變換[17],目的是分別選中圖像中粘連樹冠的北、東北、東、東南、南、西南、西、西北8個方向的像素,即選中粘連樹冠的邊界像素,然后刪除。一直迭代此過程,直到粘連樹冠分離。具體為:
f?B=f-(f*B)
(4)
{B}={B1,B2,B3,…,B8}
(5)
f?{B}=((…((f?B1)?B2)…)?B8)
(6)
式中:f表示包含粘連樹冠的圖像;B表示圖3中的一個結(jié)構(gòu)元素對;f?B表示采用B對f進行細化;f*B表示采用B對f進行擊中擊不中變換,即選中粘連樹冠某個方向的像素,如采用B1選中了北面的像素。
式(6)表示一次細化過程:首先采用B1對f進行細化,刪除了粘連樹冠北面的像素;之后將得到的細化結(jié)果用B2繼續(xù)細化,再將東北方向的像素刪除,以此類推。當(dāng)B8應(yīng)用于上一次細化結(jié)果時,粘連樹冠的邊界像素被刪除一次,通過對式(6)進行迭代,直到樹冠粘連被去除。
將去除非植被和去除粘連后的二值圖像作為掩膜,提取VDVI中與“1”值相對應(yīng)的區(qū)域,作為人工林單木位置提取的數(shù)據(jù);利用ENVI crop science工具,通過設(shè)置最小作物直徑、最大作物直徑、增量數(shù)、高斯平滑因子、允許重疊度5個參數(shù)后可提取單木位置。這5個參數(shù)中,最小作物直徑和最大作物直徑可控制提取樹冠的最小與最大直徑;增量數(shù)是提取樹冠直徑的步長;高斯平滑因子用于抑制圖像中的噪聲,值域為0~1,圖像中噪聲越大,設(shè)定的值越接近1;允許重疊度根據(jù)樹冠之間的粘連程度而定,值域為0~1,粘連程度越大,設(shè)定的值越接近1。
通過試驗,量測獲得影像中最小作物直徑約為0.5 m,最大作物直徑約為3.5 m,由此可知,研究區(qū)內(nèi)樹冠大小差異大。將增量數(shù)設(shè)定為20,確保0.5~3.5 m內(nèi)每個類型的樹冠都能被探測到,減小漏提率;將高斯平滑因子設(shè)定為0.5,減小影像中樹冠內(nèi)部和邊緣的噪聲影響;將允許重疊度設(shè)為50%,在已經(jīng)去除樹冠粘連的基礎(chǔ)上,針對一些完全粘連的樹冠,將其分離為單木樹冠,從而提高單木位置提取的準(zhǔn)確率。
樹冠提取與去除樹冠粘連的流程和結(jié)果見圖4,其中,圖4a~e表示樹冠提取流程與結(jié)果,圖4f~i表示去除樹冠粘連的流程與結(jié)果。在圖4中,圖4a表示局部區(qū)域的DOM,區(qū)域內(nèi)存在部分草地信息。采用VDVI以閾值0.027從DOM中得到植被信息,如圖4b所示,植被與非植被分離效果較好,但草地與樹冠具有相似的像素值。利用DSM與DEM構(gòu)建CHM,如圖4e所示,去除了植被圖層中的非樹冠信息。圖4f表示局部區(qū)域的DOM,區(qū)域內(nèi)顯示樹冠粘連。以CHM為基礎(chǔ),對其進行二值化,結(jié)果如圖4h所示。采用形態(tài)學(xué)圖像細化算法去除樹冠粘連,結(jié)果如圖4i所示。
圖4 樹冠提取與去除樹冠粘連的流程和結(jié)果Fig.4 Progress and results of crown extraction and removal of crown adhesion
圖5 局部區(qū)域試驗結(jié)果對比Fig.5 Experimental result comparisons of local area
局部區(qū)域單木位置提取結(jié)果見圖5,其中,圖5a和c為本研究提取的結(jié)果,圖5b和d為直接基于VDVI提取的結(jié)果,圖中每個圓代表1個單木位置。對比2種方法的提取結(jié)果可以看到:圖5b將草地誤判為單木,而圖5a結(jié)合了高程信息去除了草地,降低了錯提率;圖5d將2個粘連的樹冠誤判為1個樹冠,而圖5c去除了樹冠粘連,2個粘連的樹冠也得到正確提取,降低了錯提率與漏提率。
圖6 單木位置提取結(jié)果及其對比Fig.6 Individual tree position extraction results and comparison
整體提取效果如圖6所示。圖6a為本研究提取結(jié)果,圖6b為直接基于VDVI提取的結(jié)果。通過對比可以看到,在圖6b中影像的中部(道路)、西北部、東部和東南部存在明顯錯提的情況,而與之對應(yīng)的圖6a中沒有出現(xiàn)這種情況。通過分析可知,直接基于VDVI提取單木位置由于沒有進行樹冠與非樹冠的分離,研究區(qū)內(nèi)的草地、灌木被誤判為單木;此外,沒有進行去除樹冠粘連,導(dǎo)致單木位置漏提與錯提,其提取效果不如本研究方法。
為定量化描述提取結(jié)果,采用目視解譯的方式獲取研究區(qū)中真實的單木位置作為驗證數(shù)據(jù)。采用準(zhǔn)確率(p)、漏提率(Oe)、錯提率(Ce)3個指標(biāo)進行精度驗證[3]。p和Oe分別表示準(zhǔn)確提取、漏提取單木占參考總單木的百分比;Ce表示錯提取單木占試驗提取總單木的百分比。其中,p與Oe之和為100%。計算方法為:
p=Nd/Nr
(7)
Oe=Ne/Nr
(8)
Ce=Nc/Na
(9)
式中:Nd表示正確提取的單木總數(shù);Nr表示目視解譯獲得的單木總數(shù);Na表示試驗提取的單木總數(shù);Ne表示漏提的單木數(shù);Nc表示錯提的單木數(shù)。
通過目視解譯,研究區(qū)內(nèi)共有樹木912棵,本研究提取的樹木數(shù)量為838棵,正確提取樹木836棵,漏提76棵,錯提2棵;直接基于VDVI提取的單木數(shù)量為1 024棵,正確提取樹木803棵,漏提109棵,錯提221棵。2種方法精度驗證結(jié)果見表1。從表1中可以看出,直接基于VDVI提取的單木位置準(zhǔn)確率為88.05%,漏提率為11.95%,錯提率為21.58%;本研究方法提取的單木位置精度較好,其中,準(zhǔn)確率為91.67%,漏提率為8.33%,錯提率為0.24%。通過對比,采用本研究方法提取的單木位置準(zhǔn)確率提高了3.62%,漏提率降低了3.62%,錯提率降低了21.34%。主要原因是本研究方法結(jié)合了高程信息去除了非樹冠信息,減小了草地、灌木等植被被誤判為樹冠的幾率;同時,進行了去除樹冠粘連,減小了錯提率與漏提率。
表1 單木位置精度驗證結(jié)果及其對比Table 1 Individual tree position accuracy verification results and its comparison
昆明理工大學(xué)呈貢校區(qū)內(nèi)另一片人工林單木位置提取結(jié)果見圖7,使用的影像采集設(shè)備和單木位置提取方法不變。
圖7 其他人工林區(qū)單木位置提取結(jié)果Fig.7 Results of individual tree position extraction in another artificial forest area
影像采集時,受到旁邊建筑物影子的影響,導(dǎo)致DOM中存在光照不均勻的現(xiàn)象,在圖中表現(xiàn)為西側(cè)亮度低、東側(cè)亮度高;此外,研究區(qū)內(nèi)樹冠以下主要覆蓋物為草地,其顏色與樹冠相似。通過試驗,獲得的單木位置數(shù)量為227,通過目視解譯及精度驗證,圖7中共有樹木237棵,其中2棵樹木屬于錯提,10棵樹木屬于漏提,準(zhǔn)確率為94.94%,進一步證明了本研究方法的適用性。
以人工林區(qū)單木位置作為研究對象,以無人機RGB影像為數(shù)據(jù)源,在此基礎(chǔ)上構(gòu)建DOM、DEM和DSM產(chǎn)品數(shù)據(jù)?;诋a(chǎn)品數(shù)據(jù),采用VDVI從DOM中提取植被信息,結(jié)合DEM和DSM去除植被中的非樹冠信息,然后采用形態(tài)學(xué)圖像細化算法去除樹冠粘連,最后提取單木位置。通過驗證,提取的準(zhǔn)確率為91.67%,漏提率為8.33%,錯提率為0.24%,與直接基于VDVI提取的結(jié)果相比,本研究方法提取的單木位置準(zhǔn)確率提高了3.62%,漏提率降低了3.62%,錯提率降低了21.34%。研究得出以下結(jié)論:
1)基于無人機RGB影像獲取的CHM可以從高程差異上區(qū)分樹冠、草地、灌木,有效減小非樹冠植被對單木位置提取的影響;
2)DOM中,樹冠粘連極易導(dǎo)致單木位置漏提與錯提,形態(tài)學(xué)圖像細化算法可去除人工林樹冠之間的粘連,對于提高單木位置提取精度較有效。