胡馨月 倪海明 戚大偉

摘 要：為了充分挖掘無人機(jī)圖像，快速有效地提取樹木信息，利用無人機(jī)數(shù)據(jù)生成的正射影像作為研究對(duì)象，提出一種Mean Shift算法和分水嶺分割算法相結(jié)合的林木株數(shù)提取方法。該方法利用Mean Shift算法對(duì)從RGB圖像中提取的G通道圖像進(jìn)行有效地聚類和平滑處理，然后將其輸入到結(jié)合形態(tài)學(xué)運(yùn)算以及歐氏距離變換的分水嶺分割算法中進(jìn)行單木檢測(cè)和樹木株數(shù)提取。實(shí)驗(yàn)結(jié)果表明：與目視解譯并計(jì)數(shù)的10塊樣地結(jié)果相比，本文研究方法的樹木株數(shù)提取精度在92.74%左右。該方法可以有效地檢測(cè)單木及提取樹木株數(shù)，并且具有較好的提取精度。

關(guān)鍵詞：樹木株數(shù);無人機(jī)影像;分水嶺分割;Mean Shift算法

中圖分類號(hào)：S757.2;TP79 ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? 文章編號(hào)：1006-8023（2021）01-0006-07

Abstract：To fully explore unmanned aerial vehicle （UAV） imagery and extract forest information efficiently， this study used an orthophoto derived from UAV data to propose a tree counts extraction method combining the Mean Shift algorithm and watershed segmentation algorithm. The method utilized the Mean Shift algorithm to efficiently cluster and smooth the G channel images extracted from RGB images. These images were then fed into the watershed method which combined morphology operation and Euclidean distance for individual treetop detection and tree count extraction. The result showed that the tree counts extraction ?accuracy of the algorithm in this paper was approximately 92.74% when the result was compared to ten manually marked and counted plots. The result demonstrated that this method was efficient to detect individual tree and extract tree counts， and had better detection accuracy.

Keywords：Tree counts; UAV imagery; watershed segmentation; Mean Shift algorithm

0 引言

森林是陸地生態(tài)系統(tǒng)的重要組成部分，是人類賴以生存和發(fā)展的重要自然資源之一[1]。作為林業(yè)研究的重要組成部分，及時(shí)、準(zhǔn)確地統(tǒng)計(jì)樹木株數(shù)、樹高和樹冠大小等森林信息，對(duì)于動(dòng)態(tài)監(jiān)測(cè)森林演替、森林結(jié)構(gòu)定量分析和生物量估算具有重要意義[2]。在過去的幾十年里，衛(wèi)星遙感作為一種傳統(tǒng)的方法拍攝目標(biāo)區(qū)域，獲取正射影像圖，從而監(jiān)測(cè)該區(qū)域的實(shí)際情況。然而，通過衛(wèi)星遙感獲取的森林圖像很難準(zhǔn)確地測(cè)量和獲取局部微觀信息，大大增加了識(shí)別和提取林木株數(shù)、冠層輪廓等林分因子的難度，并且在實(shí)際應(yīng)用中，衛(wèi)星成像技術(shù)會(huì)受到返航頻率低、空間分辨率低、操作成本高、復(fù)雜度高以及分析圖像交付時(shí)間長(zhǎng)等限制[3]，難以滿足現(xiàn)代林業(yè)發(fā)展的需要。隨著航空航天工程技術(shù)的不斷進(jìn)步，利用無人機(jī)來獲取低空表面圖像這一相對(duì)較新的概念正在逐步推廣應(yīng)用。無人機(jī)具有超高的空間分辨率、相對(duì)較低的操作成本，以及接近實(shí)時(shí)的圖像采集等優(yōu)點(diǎn)[4]，有利于林業(yè)資源調(diào)查與研究。

近年來，對(duì)無人機(jī)圖像的研究日益深入[5]。研究者們利用多種方法分割單木并提取樹木信息[6]，例如使用鄰域最高過濾法提取行道樹信息[7]或使用搜索局部極大值法分割單木[8]。目前用于單木檢測(cè)的主要方法是利用機(jī)載激光雷達(dá)數(shù)據(jù)[9-11]，測(cè)量樹高和冠層面積等林分因子[12-13]。雖然使用機(jī)載雷達(dá)技術(shù)分割單木已經(jīng)有了相當(dāng)多的研究，但是針對(duì)二維圖像進(jìn)行單木檢測(cè)的研究也是尤為重要的。盡管二維影像缺少樹冠的直接三維信息，但是與激光雷達(dá)相比，其獲取成本更低，也更容易處理[14]。在這些方法中，分水嶺分割算法是較為廣泛應(yīng)用于圖像分割的算法之一，并且它可以自然有效地分割樹木圖像[15-16]。因此，本研究探索利用無人機(jī)影像分割單木，自動(dòng)化提取樹木株數(shù)的方法，以期可以快速簡(jiǎn)單地獲取樹木株數(shù)，并且使提取精度滿足現(xiàn)代化林業(yè)要求。

1 研究區(qū)概況

本文研究區(qū)域位于廣西大隆鎮(zhèn)石腳村，以樹齡在5 a左右的桉樹為主，研究區(qū)域覆蓋面積約為16.55 hm2。桉樹是一種常綠闊葉林，是中國(guó)南方最重要的經(jīng)濟(jì)速生林種之一。桉樹林是一個(gè)巨大的碳庫(kù)。每公頃的桉樹每年可吸收9 t二氧化碳并同時(shí)釋放氧氣。是一類比較理想，能在短期內(nèi)幫助緩解環(huán)境矛盾的樹種?？焖?、及時(shí)、準(zhǔn)確地獲取樹木信息對(duì)林業(yè)研究具有重要意義。數(shù)據(jù)源為無人機(jī)影像。在實(shí)際應(yīng)用中，利用無人機(jī)數(shù)據(jù)進(jìn)行圖像分割并采集樹木信息的最基本要求是簡(jiǎn)單、實(shí)用、精度可靠[17]。本文通過Agisoft photoscan軟件處理無人機(jī)圖像，并輸出正射影像圖。為了驗(yàn)證方法的有效性，選取了10塊樣地進(jìn)行實(shí)驗(yàn)，運(yùn)用的軟件工具為MATLAB 2016a。

2 圖像預(yù)處理

2.1 圖像通道選擇

在圖像分析和分割之前，需要進(jìn)行圖像預(yù)處理以消除不相關(guān)的圖像信息，并增強(qiáng)信息的可提取性。采集到的樹木無人機(jī)圖像分辨率較高，圖像較大，為了提高運(yùn)算效率，就需要最大限度地簡(jiǎn)化信息數(shù)據(jù)。因此，本文采用分量法簡(jiǎn)化數(shù)據(jù)，分別分析比較R通道、G通道以及B通道圖像，如圖1所示。從圖1中可以看出，G通道相比于R通道和B通道整體亮度適中，目標(biāo)及背景對(duì)比度適中，對(duì)于冠層間間隙能更清晰地顯示出來。G通道圖像優(yōu)勢(shì)明顯，適合進(jìn)一步處理。因此，本文選擇G通道進(jìn)行處理。

2.2 圖像平滑

由于受到非理想成像環(huán)境和儀器差別等客觀因素影響，采集到的桉樹圖像不可避免地存在著諸如噪聲、亮度不均勻、目標(biāo)對(duì)比度及清晰度較低等問題，所以需要對(duì)圖像進(jìn)行平滑操作去除噪聲。本文通過Mean Shift算法對(duì)圖像進(jìn)行聚類和平滑處理。Mean shift這個(gè)概念最早是由Fukunaga等[18]于1975年在一篇關(guān)于概率密度梯度函數(shù)估計(jì)的文章中提出來的，表示偏移的均值向量。它是一種魯棒自適應(yīng)的非參數(shù)密度估計(jì)的迭代算法。其核心是對(duì)特征空間的樣本點(diǎn)進(jìn)行聚類，樣本點(diǎn)沿梯度上升方向收斂至密度梯度為零的點(diǎn)，即模態(tài)點(diǎn)，Mean Shift算法是一種無需估計(jì)密度即可找到零點(diǎn)的算法[19]，可以有效去除圖像噪聲，并很好地保留圖像邊緣輪廓。

從公式（5）中可以看出，Mean Shift算法進(jìn)行圖像聚類平滑與帶寬參數(shù)（hs， hr）有關(guān)。本文采用不同帶寬對(duì)樹木無人機(jī)圖像進(jìn)行聚類平滑，并進(jìn)行對(duì)比實(shí)驗(yàn)，經(jīng)過對(duì)比分析，選擇帶寬參數(shù)（hs， hr）為（10，10）對(duì)圖像進(jìn)行平滑操作，平滑后的圖像及不同帶寬參數(shù)平滑圖像結(jié)果如圖2所示。

3 樹木株數(shù)提取

研究區(qū)域的正射影像圖的前景和背景的對(duì)比度低，并且森林郁閉度高，樹冠之間存在重疊、粘連，樹冠內(nèi)部不規(guī)則等情況，對(duì)于后續(xù)的圖像分割帶來了難度。分水嶺分割算法把一幅圖像看作一個(gè)地形表面，圖像的每個(gè)像素點(diǎn)的灰度值表示高程[21-22]。圖像中的每個(gè)局部極小值稱為低洼，降落的雨水會(huì)沿著地形表面流向低處，流向同一低洼的點(diǎn)稱為與該低洼相關(guān)的集水盆地，另一些流向其他低洼的點(diǎn)稱為分水線[23]。分水嶺分割算法的特點(diǎn)適用于分割樹木圖像。但是直接對(duì)平滑后的圖像進(jìn)行傳統(tǒng)分水嶺分割后，仍然存在少量區(qū)域出現(xiàn)過分割等問題。

所以本文首先對(duì)經(jīng)過Mean Shift算法聚類平滑處理后的圖像進(jìn)行二值化處理，減少部分噪聲和數(shù)據(jù)量，并且突出待分割圖像的邊緣輪廓。然后利用數(shù)學(xué)形態(tài)學(xué)開閉重建運(yùn)算消除圖像中存在的細(xì)小孔隙。對(duì)于形態(tài)學(xué)混合開閉重建運(yùn)算來說，其本質(zhì)是非線性區(qū)域連通算子的濾波器[24]。圖像經(jīng)過重建技術(shù)處理后，不會(huì)改變目標(biāo)原有的結(jié)構(gòu)，且對(duì)于圖像的邊緣影響不大，減少和消除了分水線位置偏移和過分割現(xiàn)象。以構(gòu)造半徑為4的圓盤創(chuàng)建結(jié)構(gòu)元素，并利用MATLAB中imerode，imdilate和imreconstruct函數(shù)對(duì)圖像進(jìn)行形態(tài)學(xué)開閉重建運(yùn)算。之后將處理后的圖像進(jìn)行距離變換。距離變換即計(jì)算每個(gè)像素點(diǎn)到最接近非零值像素的距離，將二值圖像轉(zhuǎn)換成距離圖像。本文應(yīng)用歐氏距離進(jìn)行距離變換。歐氏距離公式為：

在標(biāo)記樹冠中心、提取單木株數(shù)的過程中，如果標(biāo)記點(diǎn)位于單木樹冠中心或其冠層內(nèi)，并僅有一個(gè)標(biāo)記點(diǎn)，該單木則被正確識(shí)別標(biāo)記。非林木區(qū)域被誤判為單木并標(biāo)記了中心點(diǎn)或一個(gè)樹冠被標(biāo)記多個(gè)點(diǎn)的情況視為誤判錯(cuò)誤;單木樹冠未被標(biāo)記或在多樹冠重疊情況下只標(biāo)記出一個(gè)標(biāo)記點(diǎn)的情況則視為漏判錯(cuò)誤。

結(jié)合Mean Shift平滑算法和分水嶺分割算法提取樹木株數(shù)，其中應(yīng)用不同的帶寬參數(shù)會(huì)產(chǎn)生不同的平滑效果，進(jìn)而影響圖像分割和株數(shù)提取的結(jié)果。通過公式（5）以及不同帶寬參數(shù)平滑圖像對(duì)比結(jié)果，可以看出，當(dāng)hs增大時(shí)，參與運(yùn)算的采樣點(diǎn)增加，被平滑的像素值距離原始像素值的偏離也就越大，從而有可能導(dǎo)致失真;當(dāng)hr增加時(shí)，只有高對(duì)比度的特征信息才會(huì)存在。將不同帶寬參數(shù)平滑后的圖像提取樹木株數(shù)，并與目視解譯結(jié)果進(jìn)行比較，帶寬參數(shù)為（10，10）時(shí)，提取精度更好。以樣地3為例，結(jié)果見表1。

在研究區(qū)內(nèi)選取10個(gè)樣地對(duì)其進(jìn)行樹木株數(shù)提取。統(tǒng)計(jì)結(jié)果見表2。由表2結(jié)果可以看出，總體提取精度92.74%，錯(cuò)分誤差為6.63%，漏分誤差為13.90%。本文算法仍然存在部分漏分割以及誤分割。出現(xiàn)漏分割的主要原因是由于研究區(qū)域的森林郁閉度比較高，樹木冠層之間存在粘連或相互遮擋等情況，以及部分樹木較矮，導(dǎo)致樹木未識(shí)別，造成漏分割、漏分誤差較高的情況。出現(xiàn)錯(cuò)分誤差的主要原因是在研究區(qū)域內(nèi)仍存在少量非林木區(qū)域，在提取過程中誤將非林木區(qū)域錯(cuò)誤識(shí)別成單木。

5 結(jié)論

以無人機(jī)獲取的樹木影像為數(shù)據(jù)，實(shí)現(xiàn)了對(duì)森林樣地株數(shù)的自動(dòng)化提取與統(tǒng)計(jì)。通過精度分析表明，本文所提出的算法能夠較好地檢測(cè)出郁閉度較高地區(qū)的單個(gè)樹木。即使樹木的樹冠大小和高度都有所不同，仍然可以檢測(cè)到大多數(shù)樹木，總體精度可以達(dá)到92.74%左右，是一種有效的株數(shù)提取算法，提取精度也有所提高。

樹木株數(shù)提取算法仍然存在一定問題。由于未能到達(dá)實(shí)地進(jìn)行人工采集數(shù)據(jù)，所以僅能通過目視解譯提取的數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。并且森林郁閉度較高以及樹木高度不同也都導(dǎo)致檢測(cè)精度下降。未來將進(jìn)一步深入研究結(jié)合其他方法和數(shù)據(jù)來提高樹木株數(shù)提取精度。

【參 考 文 獻(xiàn)】

[1]宋彩平.基于GIS的森林生態(tài)效益空間分析研究[D].哈爾濱：東北林業(yè)大學(xué)，2005.

SONG C P. Research on the forest ecosystem based on the space analysis of GIS[D]. Harbin： Northeast Forestry University， 2005.

[2]MOHAN M， SILVA C A， KLAUBERG C， et al. Individual tree detection from unmanned aerial vehicle （UAV） derived canopy height model in an open canopy mixed conifer forest[J]. Forests， 2017， 8（9）： 340.

[3]POBLETE-ECHEVERRI A C， OLMEDO G， INGRAM B， et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle （UAV）： a case study in a commercial vineyard[J]. Remote Sensing， 2017， 9（268）： 14.

[4]ZHANG C H， KOVACS J M. The application of small unmanned aerial systems for precision agriculture： a review[J]. Precision Agriculture， 2012， 13（6）： 693-712.

[5]XIAO C L， QIN R J， XIE X F， et al. Individual tree detection and crown delineation with 3D information from multi-view satellite images[J]. Photogrammetric Engineering and Remote Sensing， 2018， 85（1）： 55-63.

[6]YILMAZ V， GNGR O. Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds[J]. International Journal of Remote Sensing， 2019， 40（2）： 468-505.

[7]曹明蘭，張力小，王強(qiáng).無人機(jī)遙感影像中行道樹信息快速提取[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2016，36（10）：89-93.

CAO M L， ZHANG L X， WANG Q. Rapid extraction of rural house information from UAV remote-sensing images[J]. Journal of Central South Forestry University， 2016， 36（10）： 89-93.

[8]CHEN Q， BALDOCCHI D D， GONG P， et al. Isolating individual trees in a Savanna woodland using small footprint lidar data[J]. Photogrammetric Engineering and Remote Sensing， 2006， 72（8）： 923-932.

[9]AYREY E， FRAVER S， KERSHAW J A， et al. Layer stacking： a novel algorithm for individual forest tree segmentation from LiDAR point clouds[J]. Canadian Journal of Remote Sensing， 2017， 43（1）： 16-27.

[10]邢艷秋，姚松濤，李夢(mèng)穎，等.基于機(jī)載全波形LIDAR數(shù)據(jù)的森林地上生物量估測(cè)算法研究[J].森林工程，2017，33（4）：21-26.

XING Y Q， YAO S T， LI M Y， et al. Estimation algorithm of forest aboveground biomass based on airborne full - waveform LIDAR Data[J]. Forest Engineering， 2017， 33（4）：21-26.

[11]陶歡，李存軍，謝春春，等.基于HSV閾值法的無人機(jī)影像變色松樹識(shí)別[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，43（3）：99-106.

TAO H，LI C J，XIE C C，et al.Recognition of red-attack pine trees from UAV imagery based on the HSV threshold method[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（3）：99-106.

[12]孫拱，閆燦，辛穎.基于改進(jìn)的K-means算法估測(cè)單木樹高[J].森林工程，2019，35（6）： 31-35.

SUN G， YAN C， XIN Y. Estimating single tree height based on improved K-means algorithm[J]. Forest Engineering， 2019， 35（6）：31-35.

[13]YIN D M， WANG L. Individual mangrove tree measurement using UAV-based LiDAR data： Possibilities and challenges[J]. Remote Sensing of Environment， 2019， 223： 34-49.

[14]WEINSTEIN B G， MARCONI S， BOHLMAN S， et al. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks[J]. Remote Sensing， 2019， 11（11）： 1309.

[15]闞江明，李文彬.基于數(shù)學(xué)形態(tài)學(xué)的樹木圖像分割方法[J].北京林業(yè)大學(xué)學(xué)報(bào)，2006，28（S2）：132-136.

KAN J M， LI W B. Method of tree image segmentation based on mathematical morphology[J]. Journal of Beijing Forestry University， 2006， 28（S2）： 132-136.

[16]李丹，張俊杰，趙夢(mèng)溪.基于FCM和分水嶺算法的無人機(jī)影像中林分因子提取[J].林業(yè)科學(xué)，2019，55（5）：180-187.

LI D， ZHANG J J， ZHAO M X. Extraction of stand factors in UAV image based on FCM and watershed algorithm[J]. Scientia SilvaeSinicae， 2019， 55（5）： 180-187.

[17]梁文海，劉吉?jiǎng)P，張偉，等.基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹林信息提取[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2017，34（4）：721-729.

LIANG W H， LIU J K， ZHANG W， et al. Extracting Eucalyptus information using GF-2 images based on an object-oriented method[J]. Journal of Zhejiang A&F University， 2017， 34（4）： 721-729.

[18]FUKUNAGA K， HOSTETLER L. The estimation of the gradient of a density function， with applications inpattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.

[19]COMANICIU D， MEER P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactionson Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[20]熊平， 白云鵬.帶寬自適應(yīng)MeanShift圖像分割算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（23）：174-176.

XIONG P， BAI Y P. Mean shift image segmentation algorithm with adaptive bandwidth[J]. Computer Engineering and Applications， 2013， 49（23）： 174-176.

[21]VINCENT L， SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991， 13（6）： 583-598.

[22]蔣佳文，溫小榮，顧海波，等.基于多站掃描的點(diǎn)云特征參數(shù)與材積結(jié)構(gòu)動(dòng)態(tài)分析[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，43（6）：83-90.

JIANG J W，WEN X R，GU H B，et al.Dynamic analysis of point cloud characteristic parameters and volume structure based on multi-station scan[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（6）：83-90.

[23]何東健.數(shù)字圖像處理[M].2版.西安：西安電子科技大學(xué)出版社，2012.

HE D J. Digital image processing [M]. 2nd ed. Xian： Xidian University Press， 2012.

[24]鄭鑫，王瑞瑞，靳茗茗.基于形態(tài)學(xué)閾值標(biāo)記分水嶺算法的高分辨率影像單木樹冠提取[J].中南林業(yè)調(diào)查規(guī)劃，2017，36（4）：30-35.

ZHENG X， WANG R R， JIN M M. Extraction of high-resolution images of single tree crown based on watershed algorithm with morphological threshold mark[J]. Central South Forest Inventory and Planning， 2017， 36（4）： 30-35.

[25]何藝，周小成，黃洪宇，等.基于無人機(jī)遙感的亞熱帶森林林分株數(shù)提取[J].遙感技術(shù)與應(yīng)用，2018，33（1）：168-176.

HE Y， ZHOU X C， HUANG H Y， et al. Counting tree number in subtropical forest districts based on UAV remote sensing images[J]. Remote Sensing Technology and Application， 2018， 33（1）： 168-176.