吳 錚, 吳曉柯, 徐愛俊, 陶忠良

(1.浙江農(nóng)林大學信息工程學院，浙江 杭州 311300；2.浙江省農(nóng)業(yè)農(nóng)村大數(shù)據(jù)發(fā)展中心，浙江 杭州 310020)

在森林資源調(diào)查中，立木胸徑是掌握森林生長趨勢、評價立地條件的重要參數(shù)[1-2].立木胸徑的調(diào)查研究對林業(yè)科學經(jīng)營、林業(yè)可持續(xù)發(fā)展有重要意義[3].立木胸徑測量工具多樣，傳統(tǒng)測量工具有卡尺、直徑卷尺等.這些工具效率低，并且耗費人力物力.基于各類傳感器設(shè)計的立木胸徑測量工具[4-6]雖然具有數(shù)據(jù)自動存儲、處理、上傳的優(yōu)點，但是仍需接觸測量，且測量精度受操作方式的影響.

攝影測量技術(shù)在各領(lǐng)域的應(yīng)用不斷深入[7].當前基于攝影測量技術(shù)的測量設(shè)備可以分為雙目、RGB-D相機、單目三類.文獻[8-10]利用雙目相機結(jié)合數(shù)字圖像處理分析立木胸徑、高度與冠幅.蔡健榮等[11]基于雙目視覺對果樹三維重建，通過各個模塊相組合形成果樹模型，從而獲取三維信息.文獻[12-13]利用雙目攝影系統(tǒng)結(jié)合圖像分割技術(shù)實現(xiàn)了果蔬的識別與定位.以上雙目攝影測量方法測量精度高，但運算量大，需內(nèi)業(yè)處理數(shù)據(jù)，無法實時測量.基于RGB-D相機的攝影測量方法與雙目測量相比無需深度解算，因而運算速度快.文獻[14-15]使用RGB-D相機與圖像處理實現(xiàn)了幾種植物株高、莖粗的測量.徐勝勇等[16]使用RGB-D相機構(gòu)建油菜三維點云，利用歐氏聚類實現(xiàn)單個油菜角果定位.Digumarti et al[17]利用隨機森林算法實現(xiàn)了闊葉樹的結(jié)構(gòu)分割.范永祥等[18]基于RGBD-SLAM手持式設(shè)備，開發(fā)了森林樣地調(diào)查系統(tǒng).以上基于RGB-D相機的測量方法雖然運算量小，但受光照影響大，成本高，不易攜帶.

基于單目相機的測量方法具有構(gòu)造簡單、成本低的特點，因此應(yīng)用廣泛[19].文獻[20-22]基于單目視覺通過數(shù)字圖像處理實現(xiàn)了果實的分割、定位與計數(shù).Chen et al[23]基于單目視覺與支持向量機算法實現(xiàn)在不同光照下柑橘樹的分割，這兩類方法的定位和分割精度較高，但圖像處理過程運算量大，移動端難以實現(xiàn).徐偉恒等[24]使用單目相機、激光尺、傾角傳感器等硬件結(jié)合圖像處理技術(shù)設(shè)計了近景攝影測樹儀，可實現(xiàn)立木胸徑的自動化計算.周克瑜等[25]根據(jù)三角原理借助參照物比算，實現(xiàn)了立木樹高的測量.李亞東等[26]以智能手機為平臺開發(fā)了單株立木測高程序，相比于布魯萊斯測高器，其精度顯著提高.管昉立等[27]通過視覺顯著性圖分割立木圖像，利用最小外接矩形計算立木胸徑.高莉平等[28]采用閾值突變?nèi)c法獲取立木圖像感興趣區(qū)域，利用三角原理獲取立木高度.邱梓軒等[29]利用智能手機結(jié)合望遠設(shè)備設(shè)計了望遠測樹儀，實現(xiàn)了立木因子的測量.以上研究雖然能實現(xiàn)非接觸測量，但在測量立木時需要參照物或外部設(shè)備輔助測量，存在局限性.

本文基于色彩空間轉(zhuǎn)換優(yōu)化了濾波算法，縮短了圖像處理時間；基于攝影測量原理構(gòu)建立木胸徑測量模型，設(shè)計了立木胸徑測量系統(tǒng)，旨在有效提高林業(yè)資源調(diào)查的效率.

1 材料與方法

1.1 系統(tǒng)架構(gòu)

系統(tǒng)主要包括基礎(chǔ)資源、圖像識別、測量模型、應(yīng)用交互4個模塊，具體架構(gòu)如圖1所示.基礎(chǔ)資源為其他模塊提供基本工具、算法以及數(shù)據(jù)庫存儲；圖像識別模塊對立木圖像進行處理，將前景提取結(jié)果輸入測量模型，進而計算立木胸徑；應(yīng)用交互模塊控制用戶數(shù)據(jù)輸入并對測量結(jié)果進行反饋及存儲，在保證應(yīng)用交互的便捷性與數(shù)據(jù)處理的完整性的同時，實現(xiàn)立木胸徑測量.該系統(tǒng)架構(gòu)保持各模塊高內(nèi)聚、低耦合，從而提高了系統(tǒng)靈活性與可擴展性.

圖1 立木胸徑測量系統(tǒng)架構(gòu)Fig.1 Basic structure of DBH measurement system

1.2 立木圖像前景提取

立木圖像前景提取包括圖像畸變矯正、圖像濾波降噪與圖像分割.由于立木圖像背景復(fù)雜，并需保留邊緣信息，采用MeanShift算法[30]進行濾波；濾波后采用GrabCut算法[31-32]進行分割，進而得到立木前景，為構(gòu)建測量模型提供數(shù)據(jù).由于MeanShift濾波算法存在耗時長等問題，本文通過融合YCbCr色彩空間[33]對MeanShift算法進行了改進，改進的算法流程表示如下.

(1)將立木圖像的色彩空間轉(zhuǎn)換到Y(jié)CbCr色彩空間，轉(zhuǎn)換公式表示如下：

(1)

(2)分離立木圖像Y通道.

(3)以Y通道為濾波通道初始化卷積核窗口，計算并更新窗口內(nèi)小于指定閾值像素點的顏色與位置均值，以位置均值為中心繼續(xù)計算更新，直到收斂.

(4)合并Y通道與Cb、Cr通道為YCbCr色彩空間.

(5)將立木圖像轉(zhuǎn)換到RGB色彩空間，轉(zhuǎn)換公式表示如下：

(2)

1.3 立木胸徑測量模型構(gòu)建

1.3.1 深度提取模型 本文利用方向傳感器、三角原理構(gòu)建的深度提取模型如圖2所示.測量深度時調(diào)整相機觀測位置，確保與待測立木之間無異物遮擋，將相機對準樹木根莖處，通過方向傳感器可獲得相機俯角，計算深度表示為：

(3)

[α2=90°、α1∈(0,90°)]

式中，Z為深度值(m)；H為相機高度(m)；α1為相機對準樹底時的俯角(°)；α2為直角.

圖2 深度提取模型Fig.2 Depth extraction model

用該模型測量深度時無需參照物，只需調(diào)整相機位置就能得到深度值，從而實現(xiàn)了深度的快速解算.

1為像素平面；2為物理成像平面；3為相機；4為目標立木；P、Q、R為立木特征點；P′、Q′、R′為P、Q、R在像素平面上的投影； f為相機焦距.圖3 立木胸徑測量模型Fig.3 Measurement model of DBH of standing tree

1.3.2 立木胸徑測量模型 根據(jù)深度提取模型得到的深度值，結(jié)合小孔成像原理、三角原理構(gòu)建立木胸徑測量模型(圖3).

令R的坐標為[X,Y,Z]T，R在相機物理成像平面上成的像為R′，其坐標為[X′,Y′,Z]T.根據(jù)三角形的相似原理可知：

(4)

R′在像素平面上的坐標為[u,v]T.R′在物理成像平面與像素平面之間可以通過平移與縮放進行轉(zhuǎn)換，其映射關(guān)系為：

(5)

式中，α、β為縮放系數(shù)，cx、cy為立木圖像中心點橫縱坐標.

將式(4)代入式(5)，將αf合并為fx， 將βf合并為fy，得點R′的像素坐標[u,v]T與相機坐標系坐標點[X,Y]T的映射關(guān)系為：

(6)

式中，fx、fy、cx、cy為相機標定得到的相機內(nèi)參，fx、fy為焦距，cx、cy為圖像中心橫縱坐標；X、Y為u、v映射到相機坐標系的橫縱坐標；Z為深度.

通過查詢立木圖像中的各個像素，確定R′的縱坐標為v1，通過式(6)將v1映射到相機坐標系，可得R的縱坐標Y1為：

(7)

用Y1減去1.3 m，得到P、Q在相機坐標系的縱坐標Y2：

Y2=Y1-1.3

(8)

利用式(6)將計算得到的Y2重新映射到像素坐標系，即可得到P′、Q′的縱坐標(v2).

(9)

通過P′、Q′計算立木胸徑的像素寬度為|ulert-uright|.基于三角相似性原理可得立木胸徑(DBH)的計算公式：

(10)

式中,Z為深度，f為焦距.

2 結(jié)果與分析

2.1 立木圖像的前景提取

本文利用圖像處理耗時，對改進的MeanShift算法進行性能評價.隨機抽取30張立木圖像，分為3組進行試驗.相比于MeanShift原算法，本文改進的MeanShift算法只需在YCbCr色彩空間上對單通道濾波，處理耗時較原算法降低了一個數(shù)量級.原算法與改進算法的每組平均濾波時間如表1所示.從表1可以看出，本文算法平均濾波時間為449.999 ms，低于原算法(4 859.156 ms)，前景提取耗時減少不低于80%.因此本文改進的算法更適用于移動端立木圖像處理.

表1 立木圖像濾波時間Table 1 Filtering time of standing tree images

改進后的MeanShift算法利用了YCbCr色彩空間亮度信號與色度信號的分離特性，在保留圖像邊緣信息、降低背景噪聲的同時大幅降低圖像處理耗時，并減少了光照分布不均勻?qū)D像分割的影響，克服了GrabCut算法存在的問題，結(jié)果如圖4所示.

a.濾波處理結(jié)果；b.前景提取結(jié)果.圖4 立木圖像分割Fig.4 Tree image segmentation

2.2 立木胸徑測量模型的精度

在校園內(nèi)隨機選取10株立木進行測量，并與文獻[29]中的測量數(shù)據(jù)進行對比，結(jié)果如表2所示.從表2可以看出本文測量結(jié)果的相對誤差為0.61%～5.14%，平均相對誤差為2.35%.文獻[29]相對誤差為0.61%～14.78%，平均相對誤差為4.54%，表明本系統(tǒng)具有更好的穩(wěn)定性.

表2 立木胸徑測量結(jié)果Table 2 Measurement results of DBH of standing trees

2.3 系統(tǒng)實現(xiàn)

系統(tǒng)開發(fā)硬件配置：AMD Ryzen 5 3500U CPU，2.10 GHz，Radeon Vega Mobile Gfx，20GBRAM.軟件環(huán)境：Android Studio 3.2+JDK8(Java development kit)+OpenCV 3.6+NDK(Native development kit).Android適配版本為6.0及以上，系統(tǒng)實現(xiàn)如圖5所示.

a.深度提取；b.立木胸徑測量.圖5 系統(tǒng)功能實現(xiàn)Fig.5 System function realization

3 小結(jié)

本文采用張正友標定法實現(xiàn)了智能手機相機自動標定功能，并利用標定結(jié)果完成了立木圖像畸變的矯正，通過色彩空間轉(zhuǎn)換對圖像濾波算法進行了改進，依據(jù)立木圖像前景提取結(jié)果與攝影測量原理構(gòu)建了立木胸徑測量模型和深度提取模型，設(shè)計并實現(xiàn)了基于Android平臺的立木胸徑測量系統(tǒng).

本研究結(jié)果表明:(1)本文改進的MeanShift濾波算法較原算法耗時降低了一個數(shù)量級，實現(xiàn)了移動端對立木圖像的快速濾波處理.

(2)基于小孔成像與三角原理構(gòu)建了深度提取模型與立木胸徑測量模型.在無參照物與外部設(shè)備輔助下實現(xiàn)了立木胸徑非接觸測量，降低了試驗難度，且操作更加便捷.

(3)系統(tǒng)對胸徑的測量誤差不超過6%，平均誤差為2.35%，可在一定程度上實現(xiàn)外業(yè)測量.