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(cè)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(jì)、查詢以及后續(xù)應(yīng)用。單木位置的準(zhǔn)確提取有助于評(píng)估林區(qū)樹木產(chǎn)量、監(jiān)測(cè)林區(qū)樹木數(shù)量變化等，同時(shí)，也是單木樹冠提取、林區(qū)郁閉度計(jì)算、植被健康監(jiān)測(cè)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(shí)地測(cè)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(jī)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(shí)間分辨率的影像成為可能。目前大多數(shù)無人機(jī)通過搭載可見光相機(jī)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(jī)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(diǎn)，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(diǎn)獲取算法是局部極大值，通過設(shè)定一個(gè)移動(dòng)的窗口，從影像中尋找最大像素值點(diǎn)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(shí)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(jī)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(jī)RGB影像提取的人工林單木位置精度較低。

無人機(jī)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(jī)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(duì)DOM進(jìn)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(jìn)一步提高精度，利用形態(tài)學(xué)圖像細(xì)化算法去除樹冠間的粘連；最后對(duì)人工林區(qū)單木位置進(jìn)行提取。

1 研究區(qū)域與研究數(shù)據(jù)

1.1 研究區(qū)域

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(zhǎng)茂密，樹冠之間有粘連，在后續(xù)單木位置提取過程中，既會(huì)造成單木位置漏提，也會(huì)造成錯(cuò)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

1.2 試驗(yàn)設(shè)備

1)采用大疆精靈4pro進(jìn)行影像采集。無人機(jī)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(dòng)態(tài)范圍，機(jī)械快門可以防止快速移動(dòng)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(shí)時(shí)獲取數(shù)據(jù)傳感器位置與姿態(tài)信息。航拍時(shí)間為2019年10月26日，航拍時(shí)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(diǎn)坐標(biāo)。本次試驗(yàn)一共布設(shè)了9個(gè)像控點(diǎn)，其中5個(gè)像控點(diǎn)用于提高無人機(jī)產(chǎn)品數(shù)據(jù)的空間參考精度，4個(gè)像控點(diǎn)用于無人機(jī)產(chǎn)品數(shù)據(jù)精度驗(yàn)證。

1.3 無人機(jī)影像處理及精度驗(yàn)證

利用無人機(jī)RGB影像提取人工林單木位置時(shí)，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(jī)產(chǎn)品數(shù)據(jù)，方法分為5個(gè)步驟。

1)對(duì)無人機(jī)RGB影像進(jìn)行空中三角測(cè)量，將POS數(shù)據(jù)，即記載的無人機(jī)航攝瞬間影像的空間位置與姿態(tài)作為帶權(quán)觀測(cè)值引入空中三角測(cè)量的數(shù)學(xué)模型中，與5個(gè)地面像控點(diǎn)坐標(biāo)，即攝影測(cè)量觀測(cè)值進(jìn)行聯(lián)合區(qū)域網(wǎng)平差，以確定影像真實(shí)的空間位置與姿態(tài)，從而獲取關(guān)鍵連接點(diǎn)的地面坐標(biāo)，生成稀疏點(diǎn)云。

2)利用多視影像密集匹配技術(shù)，從多幅影像中識(shí)別出同名點(diǎn)，由此建立區(qū)域的密集點(diǎn)云。

3)將密集點(diǎn)云進(jìn)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(duì)密集點(diǎn)云進(jìn)行地面點(diǎn)與非地面點(diǎn)分離。首先構(gòu)建一個(gè)規(guī)則格網(wǎng)，將密集點(diǎn)云劃分為多個(gè)區(qū)域；然后基于每個(gè)區(qū)域內(nèi)的最低點(diǎn)構(gòu)建一個(gè)稀疏不規(guī)則三角網(wǎng)，設(shè)定一個(gè)角度閾值和距離閾值對(duì)剩余點(diǎn)進(jìn)行迭代判別，將小于閾值的點(diǎn)劃分為地面點(diǎn)，其余的點(diǎn)劃分為非地面點(diǎn)；最后對(duì)地面點(diǎn)構(gòu)建高程格網(wǎng)，生成DEM模型。

5)根據(jù)DEM模型，對(duì)無人機(jī)影像進(jìn)行單幅影像正射糾正，然后經(jīng)鑲嵌、裁剪等處理得到整個(gè)區(qū)域的DOM[12]。

為檢驗(yàn)無人機(jī)產(chǎn)品數(shù)據(jù)的精確度，以中誤差作為評(píng)價(jià)標(biāo)準(zhǔn)[13]，利用4個(gè)剩余的像控點(diǎn)坐標(biāo)進(jìn)行精度驗(yàn)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(yàn)獲取的無人機(jī)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(cè)量空中三角測(cè)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。

2 試驗(yàn)方法

以無人機(jī)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(duì)研究區(qū)人工林樹冠進(jìn)行提??；為進(jìn)一步提高精度，利用形態(tài)學(xué)圖像細(xì)化算法去除樹冠之間的粘連；最后對(duì)人工林區(qū)單木位置進(jìn)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

2.1 植被與非植被分離

無人機(jī)DOM只含有紅、綠、藍(lán)3個(gè)波段信息。由于綠光波段的反射較強(qiáng)，而紅光和藍(lán)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(jì)算公式如下：

(1)

式中，R、G、B分別代表影像中的紅、綠、藍(lán)波段值。

2.2 人工林樹冠提取

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(duì)樹冠與草地、灌木進(jìn)行分離。利用無人機(jī)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(jì)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(jì)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(shí)現(xiàn)樹冠與非樹冠的分離。

2.3 樹冠粘連去除

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(huì)導(dǎo)致單木位置漏提，也會(huì)導(dǎo)致錯(cuò)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(xì)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(xì)化2個(gè)過程。

2.3.1 圖像二值化

圖像二值化是形態(tài)學(xué)細(xì)化的前提條件，是指將圖像中的目標(biāo)與背景進(jìn)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(duì)目標(biāo)和背景差異大的圖像進(jìn)行二值化[16]。采用Otsu算法對(duì)CHM進(jìn)行二值化，計(jì)算方法為：

(2)

μΤ=ω1μ1+ω2μ2

(3)

2.3.2 形態(tài)學(xué)圖像細(xì)化算法

形態(tài)學(xué)圖像細(xì)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(dú)立樹冠主體結(jié)構(gòu)變化不大，基本原理是構(gòu)建8個(gè)結(jié)構(gòu)元素對(duì)[17]，如圖3所示。圖3中，“1”表示目標(biāo)圖像上的點(diǎn)，“0”表示背景圖像上的點(diǎn)，“x”表示既可以是圖像上的點(diǎn)，也可以是背景圖像上的點(diǎn)，“o”表示參考中心點(diǎn)。

圖3 8個(gè)方向的結(jié)構(gòu)元素對(duì)Fig.3 Pairs of structural elements in eight directions

采用B1～B8對(duì)粘連樹冠進(jìn)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(gè)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(gè)結(jié)構(gòu)元素對(duì)；f?B表示采用B對(duì)f進(jìn)行細(xì)化；f*B表示采用B對(duì)f進(jìn)行擊中擊不中變換，即選中粘連樹冠某個(gè)方向的像素，如采用B1選中了北面的像素。

式(6)表示一次細(xì)化過程：首先采用B1對(duì)f進(jìn)行細(xì)化，刪除了粘連樹冠北面的像素；之后將得到的細(xì)化結(jié)果用B2繼續(xù)細(xì)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(xì)化結(jié)果時(shí)，粘連樹冠的邊界像素被刪除一次，通過對(duì)式(6)進(jìn)行迭代，直到樹冠粘連被去除。

2.4 單木位置提取

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(duì)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(gè)參數(shù)后可提取單木位置。這5個(gè)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(zhǎng)；高斯平滑因子用于抑制圖像中的噪聲，值域?yàn)?～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?yàn)?～1，粘連程度越大，設(shè)定的值越接近1。

通過試驗(yàn)，量測(cè)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(gè)類型的樹冠都能被探測(cè)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(duì)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。

3 結(jié)果與分析

3.1 樹冠提取與去除樹冠粘連流程和結(jié)果

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(duì)其進(jìn)行二值化，結(jié)果如圖4h所示。采用形態(tài)學(xué)圖像細(xì)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

3.2 單木位置提取結(jié)果

圖5 局部區(qū)域試驗(yàn)結(jié)果對(duì)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(gè)圓代表1個(gè)單木位置。對(duì)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(cuò)提率；圖5d將2個(gè)粘連的樹冠誤判為1個(gè)樹冠，而圖5c去除了樹冠粘連，2個(gè)粘連的樹冠也得到正確提取，降低了錯(cuò)提率與漏提率。

圖6 單木位置提取結(jié)果及其對(duì)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(duì)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(cuò)提的情況，而與之對(duì)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(jìn)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(jìn)行去除樹冠粘連，導(dǎo)致單木位置漏提與錯(cuò)提，其提取效果不如本研究方法。

3.3 提取精度分析

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(shí)的單木位置作為驗(yàn)證數(shù)據(jù)。采用準(zhǔn)確率(p)、漏提率(Oe)、錯(cuò)提率(Ce)3個(gè)指標(biāo)進(jìn)行精度驗(yàn)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(cuò)提取單木占試驗(yàn)提取總單木的百分比。其中，p與Oe之和為100%。計(jì)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(yàn)提取的單木總數(shù)；Ne表示漏提的單木數(shù)；Nc表示錯(cuò)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(cuò)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(cuò)提221棵。2種方法精度驗(yàn)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(cuò)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(cuò)提率為0.24%。通過對(duì)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(cuò)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(shí)，進(jìn)行了去除樹冠粘連，減小了錯(cuò)提率與漏提率。

表1 單木位置精度驗(yàn)證結(jié)果及其對(duì)比Table 1 Individual tree position accuracy verification results and its comparison

3.4 其他人工林單木位置提取結(jié)果

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(shí)，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(yàn)，獲得的單木位置數(shù)量為227，通過目視解譯及精度驗(yàn)證，圖7中共有樹木237棵，其中2棵樹木屬于錯(cuò)提，10棵樹木屬于漏提，準(zhǔn)確率為94.94%，進(jìn)一步證明了本研究方法的適用性。

4 結(jié) 論

以人工林區(qū)單木位置作為研究對(duì)象，以無人機(jī)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)。基于產(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(xì)化算法去除樹冠粘連，最后提取單木位置。通過驗(yàn)證，提取的準(zhǔn)確率為91.67%，漏提率為8.33%，錯(cuò)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(cuò)提率降低了21.34%。研究得出以下結(jié)論：

1)基于無人機(jī)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(duì)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(cuò)提，形態(tài)學(xué)圖像細(xì)化算法可去除人工林樹冠之間的粘連，對(duì)于提高單木位置提取精度較有效。