基于高分辨率遥感图像的荔枝林树冠信息提取方法研究

2016-10-27 02:03姜仁荣汪春燕沈利强王培法
农业机械学报 2016年9期
关键词:单木树顶洼地

姜仁荣 汪春燕 沈利强 王培法

(1.深圳市规划国土发展研究中心, 深圳 518040; 2.国土资源部城市土地资源监测与仿真重点实验室, 深圳 518040;>3.南京信息工程大学地理与遥感学院, 南京 210044)



基于高分辨率遥感图像的荔枝林树冠信息提取方法研究

姜仁荣1,2汪春燕1沈利强1王培法3

(1.深圳市规划国土发展研究中心, 深圳 518040; 2.国土资源部城市土地资源监测与仿真重点实验室, 深圳 518040;>3.南京信息工程大学地理与遥感学院, 南京 210044)

为有效提取荔枝林树冠信息,解决局部最大值法窗口选择和区域生长法在树冠相互连接时的过度生长问题,将水文分析和区域生长融合方法用于荔枝单木探测和树冠描绘。首先将均值滤波方法平滑后的全色图像进行反转完成图像预处理;然后对预处理后图像提取洼地和洼地贡献区域,接着剔除错提洼地,合并树冠分支洼地的贡献区域,从而提取树顶位置,完成单木探测;最后以单木探测结果为种子点,采用区域生长方法对树冠进行描绘,种子生长被限定在洼地贡献区域内,在阈值控制下进行生长,最终完成单木树冠描绘。采用遥感分类精度评价指标对提取结果进行评价,单木探测总体精度为87.75%,用户精度为80.69%,生产者精度为96.06%;单木树冠描绘总体精度为78.69%,用户精度为71.32%,生产者精度为87.76%。

荔枝; 高分辨率遥感图像; 单木探测; 单木树冠描绘; 水文分析; 区域增长

引言

荔枝是热带亚热带水果,是广东省特色农作物,高分辨遥感图像的出现使精细监测荔枝种植成为可能。在高分辨率遥感图像上,树木树冠清晰可辨,通过提取单木树冠信息可获取包括种植数量、种植密度、树冠面积、郁闭度、估测胸径和生物量等指标,但单木树冠信息提取仍然是一个难题[1]。

单木树冠信息的半自动或自动提取可追溯到20世纪90年代[2],目前已有多种提取方法。通常树冠信息提取由2步构成,首先是单木探测,获取树顶或树的位置;然后是单木树冠描绘,自动获取树冠边界。单木探测方法主要有局部最大值法[3-7]、多尺度分析法[8-11]和模板匹配法[12-14]; 单木树冠描绘方法主要有谷地跟踪法[15-17]、区域增长[5,18-21]、分水岭分割[22-24]和局部射线法[4,25]。随着数据获取和信息提取技术的发展,有研究者将激光雷达和高分辨率雷达数据引入单木树冠信息提取中[26-27],也有研究者直接基于聚类分割提取树冠信息[28]。

荔枝树冠通常表现为中心高、四周低的近半圆球形,在高分辨率遥感图像上表现为中心值高、向阳面值高、背阴面值低的特征。荔枝的树冠特征适合利用局部最大值法进行单木探测,以及利用区域增长法进行单木树冠描绘。但由于荔枝树龄和种植密度不同,荔枝树冠常存在大小不一、树冠相互连接的现象,这导致使用局部最大值法进行单木探测时难以确定最优搜索窗口,使用区域增长法进行树冠描绘时容易导致过度生长,使若干相互连接的树冠错误地被提取为单木树冠。因此本文针对上述问题,将水文分析和区域生长融合用于荔枝单木树冠探测和树冠描绘。

1 实验区及数据

实验区位于深圳市宝安区铁岗水库旁的一处道路分隔的荔枝园,果园中心坐标为22°38′24.00″N、113°53′19.60″E,面积为30 183.42 m2。实验采用法国Pléiades高分辨率卫星于2012年11月6日获取的全色波段数据,分辨率为0.5 m,图像尺寸324像素×483像素,如图1所示。图中四周较亮栅格为道路,果园中较亮栅格则为建筑物和园内小路,荔枝表现为颗粒状近半圆球形,树冠大小不一,且有部分荔枝树冠连接在一起,与背景相比,荔枝树的光谱反射值较高,荔枝树阴影的光谱反射值较低。

图1 研究区图像Fig.1 Image of study area

2 提取方法

荔枝树冠相比非树冠的背景区域,在遥感图像上表现为较高像素值,比道路、裸土类地物像素值低,树冠树顶区域像素值相对较高。针对荔枝在全色图像上的光谱响应特点,将水文分析方法和区域增长融合方法用于荔枝单木树冠探测和树冠描绘。首先对图像进行平滑滤波后反转,将树顶提取的局部最大值问题转换为局部最小值问题,将图像看作地面高程数据,从而利用水文分析洼地提取方法进行树顶位置的提取,完成单木探测;然后采用区域生长方法进行树冠描绘,将单木探测结果作为树冠描绘的种子点,对应的洼地贡献区域作为区域生长时的生长范围限定,根据给定的阈值进行树冠描绘,最后进行精度评价。提取方法流程如图2所示,首先是图像预处理,然后是单木探测,最后是单木树冠描绘。

图2 研究方法流程图Fig.2 Flow chart of the proposed method

2.1图像预处理

图像预处理包括图像平滑和图像反转,具体步骤如下:

(1)为避免图像高值噪声对树顶提取的影响,采用3×3窗口对图像进行均值滤波。

(2)然后利用滤波后的图像最大值减去图像原值将图像反转,使树顶亮值变为局部暗值,将树顶的局部最大值提取问题转换为局部最小值提取问题。

将反转后图像看作是地面高程数据,利用水文分析的洼地提取方法解决局部最小值提取问题,完成树顶信息的提取。

2.2单木探测

通过探测树顶位置来完成单木探测,利用水文分析的洼地提取方法初步提取树顶位置,然后剔除掉非树冠地物导致的误提取树顶位置和由于树冠分支导致的多提取树顶位置,从而获得最终的树顶位置,完成单木探测,同时获取洼地贡献区域用作后续利用区域生长方法进行树冠描绘时的生长范围限定。单木探测的具体过程如下:

(1)树顶位置初步提取

树顶位置的初步提取是利用水文分析的洼地提取方法完成,包括水流方向计算和洼地提取。从反转后图像获取局部最小值,即洼地所在像素,需对图像进行水流方向计算,获取水流方向栅格。水流方向是水流离开每一个栅格单元的指向,其计算采用D8单流向算法[29],通过计算中心栅格与邻域栅格的最大距离权落差(指中心栅格与邻域栅格的高程差除以两栅格间的距离)来确定。洼地是水流无法流出的区域,根据水流方向计算结果则可提取洼地位置。利用ArcGIS水文分析模块的洼地提取功能提取的洼地如图3中黄色、黑色和红色符号所示,获取的洼地既有单栅格,也有多个相邻栅格。这些提取的洼地对应原始图像上的局部最大值点,即树顶位置,提取的洼地位置则是初步提取的树顶位置。通过反转图像提取洼地来获取树顶位置的方法,避免了局部最大值方法中的搜索窗口问题。

(2)非树顶位置洼地剔除

通过洼地提取方法初步确定了树顶位置,但荔枝林中经常会存在看护管理用房和道路,且选择的实验图像也有这些地物,由于这些地物具有较强的光谱反射能力,在原始图像上表现为高亮栅格,当图像反转后则是洼地区域,会被误提取为树顶信息。为此需要把这些非树顶位置的洼地(由于这些洼地在原始图像中为高亮栅格,以下简称这些洼地为高亮洼地)剔除。首先计算洼地栅格所对应原始图像的像素值,根据道路和房屋地物对应洼地的像素值特征设定阈值,然后将大于阈值的作为高亮洼地予以删除。经过对实验图像分析,确定阈值为42,删除的高亮洼地基本位于四周道路、林内建筑物和林内道路上,如图3中红色符号所示。

(3)树冠分支树顶剔除

有些荔枝树树冠较大,分支较多,导致一个树冠提取了多个局部最大值,即反转图像后的洼地。为去除小的树冠分支对应的洼地,并限定后续单木树冠生长范围,提取了洼地贡献区域。洼地贡献区域是将提取的洼地作为流域出水口,所有水流流向洼地的区域,这个区域则是包含提取目标树冠和目标背景的区域,是洼地的汇水区域,对原始图像来说则是树顶所对应局部最大值的区域。由于树冠分支通常距离较近,计算洼地与相邻洼地的最邻近距离,将此距离小于阈值的看作是树冠分支洼地,将分支洼地中原始像素均值大的洼地(即树冠树顶)保留,像素均值小的洼地(即树冠分支顶部)删除,同时合并对应的洼地贡献区域用于后续树冠描绘。经过计算,洼地间平均最邻近距离为3.89 m,荔枝的建议种植密度为3 m×3 m,因此设定洼地间距离小于3 m的洼地为分支洼地,将分支洼地中像素均值小的洼地删除,删除的洼地如图3中黑色面状符号所示。利用ArcGIS水文分析模块和制图综合工具集完成了上述处理,提取的单木树顶位置如图3中黄色面状符号所示,合并后的洼地贡献区域如图3中中空面状符号所示。

图3 单木探测结果Fig.3 Result of individual treetop detection

2.3单木树冠描绘

采用改进的区域生长方法完成单木树冠描绘,即树冠轮廓描绘。区域生长是一种根据事先定义的准则将像素或子区域聚合成更大区域的过程,通常以一组种子点开始,将与种子性质相似的相邻像素合并到种子上。区域生长法用于树冠描绘时,因树冠相互连接容易导致区域过度生长,需要对区域生长进行生长范围空间限定,因此提出生长范围限定的区域生长算法,算法步骤如下:

(1)将前述探测的单木位置像素,即最终提取的洼地作为区域生长的种子点,将对应的洼地贡献区域作为种子生长的限定范围。

(2)种子点周围邻域栅格作为生长候选栅格,对每一候选栅格进行判断。若候选栅格在生长范围内且符合设定的树冠生长阈值,则将此栅格合并到种子点中,若不能同时满足上述条件,则对此栅格进行标记,不合并到种子点中去,且不参与后续的生长过程,重复以上过程,直到遍历所有候选栅格。

(3)重复步骤(2)的生长过程,直到没有符合条件的栅格为止,则完成了一个种子点的生长过程,实现了一个树冠的描绘。

(4)对每一种子点重复步骤(2)、(3),直到完成所有种子点的生长,即完成了全部树冠描绘。

在ArcGIS中用VBA实现了上述算法,对树冠与树顶像素的数值差异进行分析,设定差值7为生长阈值,单木树冠描绘结果如图4所示。

图4 单木树冠描绘结果Fig.4 Result of individual tree-crown delineation

3 实验结果及精度评价

实验结果如图3、4所示,从图3可以看出提取的树顶位置基本位于树冠亮度大的区域,受剔除亮值洼地的影响,亮值地物旁有些荔枝位置未被提取;从图4树冠描绘结果可以看出,描绘的树冠基本能够覆盖荔枝树冠范围,但提取的树冠形状不规则。为定量评价提取精度,参考实验区全色波段和多光谱波段融合数据,对树冠信息进行了数字化处理,数字化结果如图5所示。

图5 单木树冠描绘参考数据Fig.5 Reference data of tree-crown

3.1精度评价方法

从单木探测和单木描绘两方面,将遥感分类精度评价方法应用于树冠描绘信息提取评价中,主要评价指标为用户精度、错提误差、生产者精度、漏提误差和总体精度,计算公式分别为

Au=Nuc/Ne×100%

(1)

Ec=Nuw/Ne×100%=1-Au

(2)

Ap=Npc/Nr×100%

(3)

Eo=Npo/Nr×100% = 1-Ap

(4)

Ao= (Nuc+Npc)/(Ne+Nr)×100%

(5)

式中Au——用户精度,%

Nuc——用户角度正确提取数量

Ne——提取数量Ec——错提误差,%

Nuw——用户角度错误提取数量

Ap——生产者精度,%

Npc——生产者角度正确提取数量

Nr——参考数量Eo——漏提误差,%

Npo——生产者角度未提取数量

Ao——总体精度,%

对单木探测精度评价而言,Nuc和Nuw分别指提取的单木树冠包含和未包含参考单木位置点的树冠数量;Npc和Npo分别指参考的单木树冠范围内包含和未包含提取的单木位置的树冠数量,Ne是本文方法提取的树数量,Nr指数字化的单木数量。以上各指标用于单木探测精度评价时单位为棵。

对单木树冠描绘精度评价而言,提取树冠面积为Nc,若提取树冠与参考树冠相交,则重叠面积为Nuc,提取树冠中未重叠树冠面积为Nuw。类似地,参考树冠面积为Nr,若参考树冠与提取树冠相交,则重叠面积为Npc,参考树冠中未重叠区域面积为Npo。以上各指标用于树冠描绘精度评价时单位为m2。

3.2精度评价结果

将提取的数据和参考数据作空间统计分析,得到单木探测精度评价如表1所示,单木树冠描绘精度评价如表2所示。

表1 单木探测精度评价Tab.1 Accuracy assessment of individual tree detection

从表1可看出:总共提取的单木数量为777棵,正确提取的数量为627棵,其中9个树冠描绘过大,每个树冠包含了2个参考树冠的范围;参考树冠对象为660个,其中漏提的是26棵,可以正确识别的是634棵。但有47个参考树冠对象包含多于一个的单木数量,这主要是由于荔枝树冠分支导致的多个树顶的提取。从总体上而言,总体精度为87.75%,说明总体上单木探测精度较高。

从表2可以看出:本文方法描绘的树冠面积大于数字化的树冠面积,导致用户角度错误提取数量较大,说明方法在描绘树冠时比实际树冠稍大些。从总体上来说,图像中78.69%的树冠可被有效描绘。

表2 单木树冠描绘精度评价Tab.2 Accuracy assessment of individual tree-crown delineation

总体上荔枝单木树冠信息提取精度较好,但也存在漏提和错提现象,将提取结果和参考数据进行对比分析发现:单木探测结果中的漏提主要是由于剔除高亮洼地而导致在高亮洼地贡献区域内的荔枝无法提取,错提主要是由于荔枝林中空地引起;树冠描述中的漏提主要是单木探测漏提导致,错提主要有两方面原因:一方面来自于单木探测的错提导致进行了树冠描绘,另一方面来自于本文方法树冠描绘边界和参考树冠数据的差异。

4 结束语

将水文分析和区域生长融合方法用于单木探测和树冠描绘,避免了局部最大值法的窗口选择,解决了区域生长法在树冠相互连接时的过度生长问题。将反转图像看作地面高程数据,使局部最大值问题转换为局部最小值问题。利用水文分析的洼地提取方法进行单木探测;将洼地贡献区域作为树冠描绘区域生长时的生长范围限定,提取的洼地作为种子点,根据给定阈值,用区域生长法对树冠进行描绘。结果单木探测的总体精度为87.75%,单木树冠描绘总体精度为78.69%,总体上本文方法提取效果较好,可有效探测单木和描绘树冠。

1刘晓双,黄建文,鞠洪波. 高空间分辨率遥感的单木树冠自动提取方法与应用[J]. 浙江林学院学报,2010,27(1): 126-133.

LIU Xiaoshuang, HUANG Jianwen, JU Hongbo. Research progreee in the methods and applications of individual tree crown’s automatic extraction by high spatial resolution remote sensing[J]. Journal of Zhejiang Forestry College,2010,27(1): 126-133.(in Chinese)

2KE Y, QUACKENBUSH L J. A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing[J]. International Journal of Remote Sensing, 2011, 32(17): 4725-4747.

3WULDER M, NIEMANN K O, GOODENOUGH D G. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery[J]. Remote Sensing of Environment, 2000, 73(1): 103-114.

4POULIOT D A, KING D J, BELL F W, et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J]. Remote Sensing of Environment, 2002, 82(2): 322-334.

5CULVENOR D S. TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery[J]. Computers & Geosciences, 2002, 28(1): 33-44.

6WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(3): 351-357.

8BRANDTBERG T, WALTER F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis[J]. Machine Vision and Applications, 1998, 11(2): 64-73.

9BRANDTBERG T, WARNER T A, LANDENBERGER R E, et al. Detection and analysis of individual leaf-off tree crowns in small footprint, high sampling density lidar data from the eastern deciduous forest in North America[J]. Remote Sensing of Environment, 2003, 85(3): 290-303.

10HAY G J, CASTILLA G, WULDER M A, et al. An automated object-based approach for the multiscale image segmentation of forest scenes[J]. International Journal of Applied Earth Observation and Geoinformation, 2005, 7(4): 339-359.

11POULIOT D A, KING D J, PITT D G. Development and evaluation of an automated tree detection delineation algorithm for monitoring regenerating coniferous forests[J]. Canadian Journal of Forest Research, 2005, 35(10): 2332-2345.

12POLLOCK R J. The automatic recognition of individual trees in aerial images of forests based on a synthetic tree crown image model[D]. Montreal: Concordia University, 1996.

13LARSEN M, RUDEMO M. Optimizing templates for finding trees in aerial photographs[J]. Pattern Recognition Letters, 1998, 19(12): 1153-1162.

14TARP-JOHANSEN M J. Automatic stem mapping in three dimensions by template matching from aerial photographs[J]. Scandinavian Journal of Forest Research, 2002, 17(4): 359-368.

15GOUGEON F A. A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images[J]. Canadian Journal of Remote Sensing, 1995, 21(3): 274-284.

16LECKIE D G, GOUGEON F A, WALSWORTH N, et al. Stand delineation and composition estimation using semi-automated individual tree crown analysis[J]. Remote Sensing of Environment, 2003, 85(3): 355-369.

17GOUGEON F A, LECKIE D G. The individual tree crown approach applied to Ikonos images of a coniferous plantation area[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(11): 1287-1297.

18POULIOT D A, KING D J, BELL F W, et al. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J]. Remote Sensing of Environment, 2002, 82(2): 322-334.

19ERIKSON M. Segmentation of individual tree crowns in colour aerial photographs using region growing supported by fuzzy rules[J]. Canadian Journal of Forest Research, 2003, 33(8): 1557-1563.

20BUNTING P, LUCAS R. The delineation of tree crowns in Australian mixed species forests using hyperspectral compact airborne spectrographic imager (CASI) data[J]. Remote Sensing of Environment, 2006, 101(2): 230-248.

21HIRSCHMUGL M, OFNER M, RAGGAM J, et al. Single tree detection in very high resolution remote sensing data[J]. Remote Sensing of Environment, 2007, 110(4): 533-544.

22WANG L, GONG P, BIGING G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(3): 351-357.

23LAMAR W R, MCGRAW J B, WARNER T A. Multitemporal censusing of a population of eastern hemlock (TsugacanadensisL.) from remotely sensed imagery using an automated segmentation and reconciliation procedure[J]. Remote Sensing of Environment, 2005, 94(1): 133-143.

24JING L, HU B, NOLAND T, et al. An individual tree crown delineation method based on multi-scale segmentation of imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 70: 88-98.

25熊轶群, 吴健平. 基于高分辨率遥感图像的树冠面积提取方法[J]. 地理与地理信息科学, 2007, 23(6): 30-33.

XIONG Yiqun, WU Jianping. Tree-crown area detection algorithm for high spatial resolution remote-sensing image[J]. Geography and Geo-Information Science, 2007, 23(6): 30-33. (in Chinese)

26LIU J, SHEN J, ZHAO R, et al. Extraction of individual tree crowns from airborne LiDAR data in human settlements[J]. Mathematical and Computer Modelling, 2013, 58(3): 524-535.

27SCHMITT M, SHAHZAD M, ZHU X X. Reconstruction of individual trees from multi-aspect TomoSAR data[J]. Remote Sensing of Environment, 2015, 165: 175-185.

28张凝, 张晓丽, 叶栗. 基于改进爬峰法高分辨率遥感影像分割的树冠提取[J]. 农业机械学报, 2014, 45(12): 294-300.

ZHANG Ning, ZHANG Xiaoli, YE Li. Tree crown extraction based on segmentation of high-resolution remote sensing image improved peak-climbing algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014,45(12): 294-300. (in Chinese)

29JENSON S K, DOMINGUE J O. Extracting topographic structure from digital elevation data for geographic information system analysis[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(11): 1593-1600.

A Method for Lichee’s Tree-crown Information Extraction Based on High Spatial Resolution Image

Jiang Renrong1,2Wang Chunyan1Shen Liqiang1Wang Peifa3

(1.ShenzhenUrbanPlanningandLandResourceResearchCenter,Shenzhen518040,China2.KeyLaboratoryofUrbanLandResourcesMonitoringandSimulation,MinistryofLandandResource,Shenzhen518040,China3.SchoolofGeographyandRemoteSensing,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,China)

As high spatial resolution remotely sensed image be acquired more easily, there is a great potential for obtaining forest inventory automatically and cost-efficiently. A method was proposed to detect the lichee’s treetop and delineate tree-crown. The method can be divided into three steps. In the first step, a 3×3 mean filter was utilized to smooth image, and then the image was inverted through subtracting image from the maximum of the filtered image. The second step was individual tree detection, namely treetop detection. The inverted image can be viewed as a topographic surface, the flow direction grid was built and then the depressions grid was extracted. The depressions distributed on roads and constructions were deleted according to the predefined threshold. Watersheds were delineated to obtain the contributing area of depressions viewing depressions as the pour point. For solving that the multiple depressions were erroneously identified within the same crown, the depressions were deleted if the distance to the nearest depression was less than threshold and the mean value of depression in the filtered image was not the maximum in multiple depressions, the watersheds of multiple depressions were merged. The remaining depressions were viewed as the detected treetop. The third step was to delineate the tree-crown by using region growing method. The remaining depressions were used for seed points, crown regions were expanded from depression to surrounding pixels until the difference between the pixel and mean value of depression exceeded the predefined threshold or to the boundary of depression watershed. A 324 pixel×483 pixel Pléiades image with 0.5 m resolution was employed to test the method. A promising agreement between the detected results and manual delineation results was achieved in counting the number of trees and the area of delineating tree crowns. For individual tree detection, the overall accuracy was 87.75%, user’s accuracy was 80.69%, producer’s accuracy was 96.06%; for individual tree-crow delineation, the overall accuracy was 78.69%, user’s accuracy was 71.32%, producer’s accuracy was 87.76%.

lichee; high spatial resolution remotely sensed image; individual tree detection; individual tree-crown delineation; hydrological analysis; region growing

10.6041/j.issn.1000-1298.2016.09.003

2015-11-16

2016-03-29

国土资源部公益性行业专项(201411014-4)、深圳市基本生态控制线专项调查和深圳市2012年测绘地籍工程计划项目

姜仁荣(1981—),男,高级工程师,博士,主要从事地图学与地理信息系统研究,E-mail: jiangrenrong@126.com

王培法(1980—),男,讲师,博士,主要从事高分辨率遥感图像信息提取研究,E-mail: wangpeifa1980@163.com

TP751.1; S758

A

1000-1298(2016)09-0017-06

猜你喜欢
单木树顶洼地
地基与无人机激光雷达结合提取单木参数
结合Faster-RCNN和局部最大值法的森林单木信息提取
流沙
树顶漫步(环球360°)
找足球
洼地排涝体系存在的问题及解决对策探讨
无人机影像匹配点云单木识别算法
非洲 直销的投资洼地
基于双尺度体元覆盖密度的TLS点云数据单木识别算法
马俊平