李晨,李佳*,王明果,段平,王云川

(1.云南師范大學地理學部，昆明 650500；2.云南省地質(zhì)科學研究所，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。

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

1.2 試驗設(shè)備

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。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。

1.3 無人機影像處理及精度驗證

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)學模型中，與5個地面像控點坐標，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，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準[13]，利用4個剩余的像控點坐標進行精度驗證。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。

2 試驗方法

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

2.1 植被與非植被分離

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。

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。

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，樹冠粘連既會導致單木位置漏提，也會導致錯提。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)學細化的前提條件，是指將圖像中的目標與背景進行分離，分別用0和1表示背景和目標。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)學圖像細化算法

形態(tài)學圖像細化算法以形態(tài)學原理為基礎(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。

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)，對其進行二值化，結(jié)果如圖4h所示。采用形態(tài)學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

3.2 單木位置提取結(jié)果

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，導致單木位置漏提與錯提，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)中真實的單木位置作為驗證數(shù)據(jù)。采用準確率(p)、漏提率(Oe)、錯提率(Ce)3個指標進行精度驗證[3]。p和Oe分別表示準確提取、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

3.4 其他人工林單木位置提取結(jié)果

昆明理工大學呈貢校區(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，準確率為94.94%，進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)。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，樹冠粘連極易導致單木位置漏提與錯提，形態(tài)學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。