基于UAV可见光遥感的单木冠幅提取研究*

2022-06-29 09:05张玉薇陈棋田湘云史小蓉张超
西部林业科学 2022年3期
关键词:分水岭冠幅样地

张玉薇,陈棋,田湘云,史小蓉,张超

(西南林业大学 林学院,云南 昆明 650233)

树冠是树木的重要组成部分,可反映树木的长势和生长活力,预测材积和生物量等[1]。传统的基于遥感手段的森林资源信息提取技术,仍存在效率低、成本高、周期长,且估算精度受人为影响等诸多弊端和瓶颈[2]。近年来,随着无人机技术的快速发展,已逐步出现高空间分辨率影像的获取及树冠的自动提取方法。目前,基于高分辨率影像数据的树冠提取方法主要分为2个步骤:先在探测窗口的一定范围内寻找光谱最大值作为树冠中心点,确定树冠位置,常见的方法有局部最大值法[3]、模板匹配法[4]等;然后基于树冠中心点进行树冠轮廓提取,常见的方法有多尺度分割方法[5]、谷地跟踪法[6]、区域生长法[7]等。传统的树冠提取方法存在分割不稳定和识别率低等问题。当前,结合深度学习技术,改进树冠的提取方法,初步取得较理想的效果。如:Jing等[8]对多尺度分割影像进行改进,在确定树冠具体的区域大小后,采用分水岭算法对高斯滤波得到的灰度影像进行分割提取树冠,进而得到高质量的冠幅分割结果;李文静等[9]基于无人机多光谱影像,通过双边滤波和多尺度分割方法,提取单木树冠,分割准确率达76.63%,F测度为80.24%,有效抑制传统多尺度分割的过分割现象;金忠明等[10]结合深度学习和标记控制分水岭算法的优点,提出一种基于网络用于分割细胞图像(U-Net)和标记控制分水岭算法,其单木树冠面积精度为81.05%,冠幅的精度为89.94%。

基于无人机遥感影像的单木树冠提取精度主要受树种、郁闭度、树冠之间的重叠情况及背景噪声等因素的影响[11]。现有研究中,针对不同分割方法的对比研究较少。本研究以无人机获取的天然云南松纯林影像为数据源,采用多尺度分割、标记分水岭分割和均值漂移结合的超像素分割3种方法提取树冠信息,分析不同分割方法对单木冠幅信息提取精度的影响,选出最优的单木冠幅提取方法,旨在为今后基于无人机可见光遥感技术在森林资源调查领域的应用提供借鉴。

1 研究方法

1.1 研究区概况

研究区位于云南省富民县罗免乡,位于25°20′~25°23′N、102°28′~102°30′E之间,地势北高南低,海拔2 100~2 300 m之间,土壤为红壤,气候为低纬度亚热带高原季风气候,年均气温15.8 ℃,年均降水量846.5 mm。森林植被以云南松(Pinusyunnanensis)天然纯林为主(图1),平均年龄约28 a,郁闭度为0.20~0.80。

图1 标准地分布

1.2 研究方法

1.2.1 标准地调查

经过踏查,在具有代表性的天然云南松纯林的典型地块设置20个25 m×25 m实测标准地。针对各标准地内胸径≥5.0 cm的所有活立木进行统一编号和定位(测量每木树心与相近二边界的水平距离),测量每木胸径、树高、最长和最短冠幅(水平直径)。

1.2.2 无人机影像采集

采用的无人机为大疆(Phantom 4 Pro型号),该无人机具有轻便、灵活等优势。外业影像采集选择在天气晴朗、无风的条件下进行。利用地面站专业版程序(DJI GS PRO)进行航线自动规划及数据自动采集。设定飞行高度为50.0 m,云台俯仰角度为-90°(垂直摄影),主航线上图像重复率和主航线间图像重复率分别为80%和60%,获取20 个实测标准地的无人机普通可见光(RGB)影像。

1.2.3 无人机影像预处理

无人机影像拍摄过程中,受天气和自身因素的影响,需要对影像进行匹配、拼接及三维重建等预处理。利用无人机数据和航空影像处理软件(Pix4 Dmapper)对20 个标准地的无人机原始RGB影像进行全自动处理,生成拼接后的正射影像(DOM)、数字表面模型(DSM)及数字地形模型(DTM);在此基础上,计算并得到冠层高度模型(CHM)。

1.2.4 单木冠幅提取

基于正射影像进行面向对象的多尺度分割和均值漂移的超像素分割,基于冠层高度模型进行标记分水岭分割,分别提取最长冠幅、最短冠幅和树冠面积;最后将3种方法提取的树冠信息与实测数据进行精度检验,获取最优的分割方法。

(1)多尺度分割 多尺度分割是智能化影像分析软件(eCognition软件)中一种较为常用的自下而上(bottom-up)的分割算法。其原理是在保证区域内像元之间异质性最小的前提下,合并相邻区域的像素,实现影像分割。多尺度分割能综合考虑像元的纹理形状等信息,常用于遥感高分辨率影像数据处理[12],其难点在于尺度参数的确定,尺度参数能直接影响提取的精度[13-14]。但是最优尺度参数是相对的,只是一个参考数值范围,是根据影像的分辨率、纹理信息和特定的分割对象来确定的,不一定能适用于其他图像分割。目前,分割参数只能根据个人经验和多次分割效果来进行确定[15]。本研究利用智能化影像分析软件(eCognition软件)试验并比较了多个分割尺度方案,最终确定在分割尺度为350,形状异质性因子为0.4,紧致度异质性因子为0.6时,单木树冠提取效果最优。

(2)标记分水岭分割 分水岭分割法克服了阈值分割的局限性,在图像分割领域中应用广泛,是由Vincent[16]提出的一种基于拓扑理论的数学形态学的分割方法,其计算过程是一个迭代标注过程。分水岭分割原理是将灰度图像看作是地球表面,即测地学上的拓扑地貌,而图像中每个像素的灰度值代表该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,集水盆的边界则形成分水岭[17]。传统的分水岭分割法对噪声极为敏感,易造成过度分割。Meyer[18]和Beucher[19]对分水岭算法进行了改进,引入自定义的“标记”到分水岭算法中,以避免过度分割问题。

近年来,众多学者基于分水岭分割算法的特点进行了改进,提出了多尺度优化的标记分水岭算法[20]、基于前景标记的分水岭算法[21]、融合聚类(mean shift)算法和分水岭算法的新方法[22]等,在单木分割领域中取得较好的效果。

标记分水岭分割方法的难点在于树冠顶点和树冠轮廓的正确识别。本研究对冠层高度模型(CHM模型)进行去噪处理,膨胀和腐蚀重建图像,修正区域的极大、极小值;修改距离变换,获取图像的局部最小值并进行标记;最后对修改的梯度图像进行标记分水岭分割。

(3)均值漂移结合的超像素分割 超像素分割[23]是将影像中颜色、纹理、光谱信息等相似的像素集合成一个超像素,以显著减少图像基元的数量。超像素分割不仅可以准确的识别和提取影像边缘,而且能提高分割算法的效率[24]。但是,传统的超像素分割方法产生规则的相邻区域破坏了图像的局部空间结构,从而导致分割效果不佳。在均值漂移算法过程中,难点是在感兴趣区域内计算中心点的密度漂移向量的基础上进行中心点的移动,以便进行下一次迭代[25],直至达到密度最大处。最后统计感兴趣区域内出现的次数,以此作为分类的依据。均值漂移算法有较好的适应性和鲁棒性。均值漂移迭代公式为:

式中:h为带宽;G(x)=g(x2)为核函数;MHi(x)=mHi(x)-x为均值漂移向量。

本研究提出一种均值漂移结合超像素的分割算法,将原始图像进行均值漂移分割,得到的分割结果作为图像初分割结果,然后对初分割结果进行超像素分割,得到最终分割结果,见图2。

a.均值漂移结果b.基于均值漂移的超像素分割结果

(4)实测冠幅和树冠面积 实地测量林木的最长冠幅(CWf1)与最短冠幅(CWf2),将林木冠幅看作为一个椭圆,最长冠幅和最短冠幅看作椭圆的长轴和短轴,则实测冠幅面积(CAf)为:

式中:CAf表示实地调查的树冠面积;CWf1为最长冠幅;CWf2为最短冠幅。

(5)精度评价 目前,国内外对于单木树冠提取的精度主要分为单木尺度和样地尺度的评价,单木尺度的评价的具体方法为:将树冠提取结果导入软件Arc Map中,与目视解译的参考树冠进行比较分析,对树冠分割结果进行评价。根据自动提取的数据与实地调查的参考数据比较,将单木冠幅分割情况分成匹配、接近匹配、错分、漏分和合并5种。匹配即分割树冠和参考树冠的重叠面积占相互的50%及以上;接近匹配即重叠面积占分割树冠或参考树冠其中一方的50%;当分割树冠不存在对应的参考树冠则为错分;漏分即参考树冠的50%面积内无分割树冠;合并即分割树冠中存在多个参考树冠。正确分割包括匹配以及接近匹配,漏分误差包括漏分和合并,错分属于错分误差。

利用准确率(Pd)、召回率(Pr)和F进行单木冠幅提取精度评价。准确率指正确分割的树冠个数占所有分割出来树冠个数的比例;召回率指正确分割的树冠占参考树冠数的比例;F测度是对准确率和召回率的综合描述,F测度越高表示结果越好,计算公式如下:

式中:Nc为分割正确的树冠数目;Nd为分割出来的树冠总数;Nr为参考树冠总数。

样地尺度的单木精度评价是指在该样地内单木提取的准确率(Pd)和召回率(Pr)。

单木尺度的自动提取单木冠幅和树冠面积的精度,以提取单木冠幅和树冠面积与实测冠幅和树冠面积值的相对精度体现,计算公式如下:

式中:δ为相对误差;B1为自动提取值;B2为实测值。

样地尺度的树冠面积精度评价是指样地内自动提取的树冠总面积与参考树冠总面积的评价分析,主要通过样地内树冠总面积的相对误差体现,计算公式如下:

式中:A1为样地内自动提取的树冠总面积;A2为样地内实测的树冠总面积。

2 结果与分析

2.1 分割结果

无人机原始影像与多尺度分割、标记分水岭分割和均值漂移结合的超像素分割的结果如图3所示(限于篇幅,以5号、10号和11号标准地为例),黄色标记点为外业调查的树顶点。由图3可以看出,标记分水岭明显抑制过度分割现象,但树冠边界识别能力较差;基于均值漂移的超像素分割树冠边界识别效果最好,但分割效果较差,存在较多过度分割现象。

a.原始影像b.实地调查结果c.多尺度分割结果d.标记分水岭分割结果e.基于均值漂移的超像素分割结果

2.1.1 单木冠幅分割

(1)单木尺度 单木尺度下,3种自动提取单木树冠的结果如表1所示,参考树冠总数为335 个,其中标记分水岭分割算法的效果最好,自动提取的冠幅和正确分割的冠幅分别为316 个和260 个,错分数为14 个;基于均值漂移的超像素分割算法的效果次之,自动提取的冠幅和正确分割的冠幅分别为311 个和240 个,错分数为34 个;多尺度分割的效果最差,自动提取冠幅和正确分割冠幅分别为304 个和202 个,而错分个数多达47 个。其中参考树冠为实地调查的树冠。

表1 单木分割结果

(2)样地尺度 在研究区的20 个样地中,3种自动提取单木树冠的结果如表2所示,其中,多尺度分割算法自动提取的树冠平均值为15.20 个,正确分割的树冠平均值为10.10 个;标记分水岭分割算法自动提取的树冠平均值为15.80个,正确分割的树冠平均值为13.00 个;基于均值漂移的超像素分割算法自动提取的树冠平均值为15.55 个,正确分割的树冠平均值为12.00 个。综上可知,在样地尺度下,标记分水岭分割算法在提取树冠和正确分割树冠的效果上均为最好。

表2 样地尺度单木分割结果

2.1.2 单木冠幅和树冠面积提取

(1)单木尺度 将采用算法自动提取的正确分割树冠的最长冠幅、最短冠幅与树冠面积与实测数据进行比较,结果见表3。实测数据和自动提取的单木冠幅与树冠面积的跨度均较大,最长冠幅的分布范围为1.72~11.95 m;最短冠幅分布范围为0.89~8.08 m;树冠面积的分布范围为2.04~65.10 m2;树冠面积的标准差比最长冠幅和最短冠幅的标准大,离散程度更高;3种自动提取算法的极值与实测数据均有一定偏差。因为分割存在一定误差,能正确分割的树冠不一样,故3种自动提取算法的最大/最小值存在较大误差。

表3 不同分割方法的单木冠幅提取结果

(2)样地尺度 3种算法自动提取样地树冠总面积结果如表4所示,在研究区的20个样地中,样地参考树冠总面积的最大值为15号样地458.80 m2,最小值为1号样地148.03 m2,平均值为318.71 m2;多尺度分割算法、标记分水岭分割算法和基于均值漂移的超像素分割算法自动提取的树冠总面积的平均值分别为187.48、235.16、215.88 m2,由平均值可知,在样地尺度下标记分水岭算法提取的树冠总面积最接近实测值,且3种算法自动提取的样地树冠总面积普遍小于参考树冠总面积。

表4 不同分割方法样地树冠总面积提取结果及相对误差表

2.2 精度分析

2.2.1 单木树冠

(1)单木尺度 单木尺度下的单木树冠分割精度见表5。

表5 各类方法单木分割评价

标记分水岭分割效果最好,其准确率为82.23%,召回率为77.61%,F测度为79.88%;相比多尺度分割准确率提高15.78%,召回率提高17.32%,F测度提高16.66%;相比基于均值漂移的超像素分割,准确率提高5.06%,召回率提高5.97%,F测度提高5.58%。综上所述,单木提取效果为标记分水岭分割>基于均值漂移的超像素分割>多尺度分割。

(2)样地尺度 样地尺度下的单木树冠分割精度如表6所示,标记分水岭分割效果最好,各样地平均准确率为83.86%,平均召回率为79.32%,基于均值漂移的超像素分割算法效果次之,平均准确率为77.11%,平均召回率为71.66%,多尺度分割效果最差,平均准确率为67.66%,平均召回率为60.98%。

表6 样地尺度下各类方法单木分割评价

2.2.2 树冠精度评价

(1)单木尺度

冠幅与树冠面积的精度评价如表7所示,在自动提取的长冠幅和树冠面积中,多尺度分割算法的误差和相对误差均为最大,标记分水岭分割算法的误差和相对误差均为最小。在自动提取的短冠幅中,多尺度分割算法的平均误差最小,为0.53m,其余的指标均为最大;基于均值漂移的超像素分割算法的平均误差最大,为0.66m;标记分水岭分割算法的误差最大、最小值和相对误差均为最小。

表7 不同分割方法的单木冠幅提取误差

冠幅信息实地调查值与算法自动提取值的结果如图4所示,从R2来看,树冠面积的提取精度比长、短冠幅的精度高,R2均在0.90以上;标记分水岭分割算法提取的长冠幅精度最高,达0.84,相比多尺度分割和基于均值漂移的超像素分割提取精度分别高0.28和0.15;标记分水岭分割算法提取的树冠面积精度最高,达0.94,相比多尺度分割和基于均值漂移的超像素分割提取精度分别高0.04和0.01;多尺度分割算法提取的短冠幅精度最高,R2达0.73。从RMSE来看,标记分水岭算法提取的长冠幅、短冠幅和树冠面积的标准误差(RMSE)均小于另外两种算法的,说明标记分水岭算法提取的效果更好。综合分析比较,标记分水岭算法的提取精度最高。

(2)样地尺度 样地尺度下,样地树冠总面积提取精度如表4所示,在3种算法中,标记分水岭的平均相对误差最小,为25.07%,精度最高,提取效果最好;多尺度分割算法的平均相对误差最大,为40.64%,精度最低,提取效果最差。

3 讨论与结论

3.1 讨论

单木树冠信息不仅可用于估测相关林分特征参数,而且能获取林分结构特征。准确获取单木树冠信息参数对现代森林资源调查的自动化发展有重要意义,针对特定的树种和立地条件,采取多尺度分割、标记控制分水岭分割和基于均值漂移的超像素分割3种分割方法对无人机影像进行分割且比较,以获取最优分割方法。

(1)多尺度分割是在一定尺度下合并相邻像元生成异质性最小、同质性最大影像的分割方法,其优点是能综合考虑像元的纹理信息且操作简单[26]。本研究提出的多尺度分割方法与李文静等[9]提出的基于无人机多光谱影像多尺度分割结果相比,准确率降低10.18%,召回率降低23.74%,F测度降低17.02%,其原因是该研究人员通过多光谱(R、G、B、RE、NIR)计算得到归一化植被指数(NDVI),更好的识别树冠区域;与孙振峰等[27]基于无人机影像多尺度分割结果相比,准确率降低20.55%,其原因是该研究人员对无人机影像进行图像增强处理,然后采用多尺度分割排除背景区域的干扰,在此基础上再进行多尺度分割,提高分割准确率。

图4 冠幅信息提取结果验证

(2)标记分水岭算法是一种基于分水岭的基础上对图像局部极小值进行标记的分割方法,能有效抑制过度分割现象[28]。本研究提出的标记分水岭分割算法与郑鑫等[29]提出的基于形态学阈值标记分水岭算法相比,准确率提高17.61%,召回率提高20.53%,F测度提高19.26%;与金忠明等[10]提出的基于网络用于分割细胞图像(U-Net)和标记控制分水岭的分割算法相比,准确率提高2.78%,召回率提高8.29%,F测度提高了5.84%。结果表明标记分水岭对树冠识别效果较好,对于重叠的树冠,标记分水岭算法能有效解决单木分割中合并和过度分割问题。但是标记分水岭的边缘识别能力较差,其主要原因是正射影像(DOM)相比冠层高度模型(CHM)的纹理信息单一、分辨率低。

(3)超像素分割将图像中特征相似的像素点组成小区域,并保留图像分割的有效信息和边界信息[30],但是会出现过度分割现象。本研究提出的基于均值漂移的超像素分割在一定程度上能抑制过度分割现象,其分割结果与夏炎等[31]提出的模糊超像素分割算法相比,准确率降低7.11%,但是比传统的超像素分割算法提高23.12%,说明基于均值漂移的超像素分割算法和传统的超像素分割算法相比,在一定程度上提高分割准确率,具有一定的意义。

(4)在单木尺度上,自动提取的树冠面积与实地调查树冠面积呈较强的线性关系,R2均在0.90以上,与徐永胜等[21]提出的改进分水岭算法在3个不同高度下提取的树冠投影面积与实地调查面积的R2相比,至少提高0.10,效果较好,但研究区为天然云南松纯林,存在树冠重叠现象,导致提取树冠面积偏小;3种分割算法冠幅提取的精度R2在0.56~0.84之间,与王枚梅等[32]提出的基于面向对象方法自动提取的冠幅精度(R2=0.86)和Yue[33]提出的标记控制分水岭提取的冠幅精度(R2在0.91~0.99之间)相比,效果较差。其主要原因是本研究提取的是长、短冠幅,而其他研究提取的是东西、南北冠幅,在实地测量最大、最小冠幅时,会出现一定的人为误差,且实地调查和自动提取的视觉不同,也会造成一定误差。在样地尺度上,标记分水岭提取树冠面积的效果最高,其平均相对误差为20.57%,与曾霞辉等[34]提取的树冠面积(相对误差为13.3%)相比精度较低,其原因是该研究人员基于阈值法和K邻近算法提取样地总树冠面积,而本研究的样地树冠总面积是提取的单木树冠面积的总和,造成较大误差。提取冠幅和树冠面积与实测数据相比,提取冠幅普遍小于实测数据,其主要原因是:在进行形态运算时树冠边缘被弱化,导致算法未能精确的识别及分割树冠;本研究区为天然云南松纯林,存在树冠重叠现象,导致提取冠幅偏小。

3.2 结论

本研究以云南松天然纯林为研究对象,基于无人机影像数据采用多尺度分割、标记分水岭分割和基于均值漂移的超像素分割3种方法进行单木冠幅分割提取。其中,在单木尺度上和样地尺度上,标记分水岭的单木分割效果均为最好,准确率分别为82.23%和83.86%,基于均值漂移的超像素分割效果次之,准确率分别为77.17%和77.11%,多尺度分割效果最差,准确率分别为66.45%和67.66%。在单木冠幅信息提取上,标记分水岭的精度最高,长冠幅、短冠幅和树冠面积的R2分别为0.84、0.71、0.94,标准误差(RMSE)分别为0.66、0.65、2.54,平均相对误差分别为9.20%、8.28%、14.05%。样地尺度上,标记分水岭的单木树冠面积提取精度最高,平均相对误差为20.57%。经综合分析,基于无人机获取云南松纯林影像,以标记分水岭分割算法提取单木树冠和单木树冠信息,能满足森林资源调查和监测要求。

虽然单木分割取得了较好的精度,但都是针对特定树种和立地条件的,针对不同数据源和不同类型、不同郁闭度林业样区,单木分割的最优方法有待进一步研究。

猜你喜欢
分水岭冠幅样地
四川省林草湿调查监测工作进展
不同施肥种类对屏边县秃杉种子园林木生长的影响
桉树培育间伐技术与间伐效果分析
豫南地区青钱柳生长节律研究
仁怀市二茬红缨子高粱的生物量及载畜量调查
峨眉含笑
选 择
人生有哪些分水岭
基于形态学重建和极大值标记的分水岭分割算法