劉方舟，劉浩，云挺

(南京林業(yè)大學(xué)，南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，南京 210037)

單木結(jié)構(gòu)參數(shù)信息，如單木位置、樹高、冠幅和樹木種類等，對于樹木生長研究、森林資源調(diào)查等具有重要意義[1]。機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)作為一種主動(dòng)遙感技術(shù)，能夠大范圍、高精度地獲取森林三維點(diǎn)云，刻畫森林冠層垂直結(jié)構(gòu)信息，可以大幅降低人工測量的難度且能在較高的精度下保證森林探測的空間完整性和時(shí)間一致性[2]。機(jī)載激光雷達(dá)已在森林中得到了廣泛的應(yīng)用，例如生物量估算、樹種分類(結(jié)合多光譜數(shù)據(jù))、樹木結(jié)構(gòu)屬性的確定和單木層級信息的獲取[3-4]。

基于機(jī)載激光雷達(dá)的單木分割方法主要分為兩類：基于冠層高度模型(canopy height model，CHM)和基于點(diǎn)云數(shù)據(jù)。在基于CHM的單木算法中，大部分方法可分為3類：1)添加曲線輪廓擬合算法來檢測樹冠邊界[5]；2)將局部表面最大值作為種子點(diǎn)，以識(shí)別CHM中的樹冠邊界[6]；3)使用各種尺寸圓形和方形構(gòu)成的滑動(dòng)窗口，以提高估算樣地水平樹高度局部最大值選擇的準(zhǔn)確性[7]。其次是圖像處理中的一些方法，例如使用圖像梯度的變化、二維空間小波和圖割方法從CHM中獲取單棵樹木的各種信息。改進(jìn)的分水嶺(局部極大值算法結(jié)合形態(tài)學(xué)方法[8])和標(biāo)記控制分水嶺(局部極大值指導(dǎo)激光雷達(dá)數(shù)據(jù)的分割[9])方法也都是基于CHM分割的重要組成部分。除此之外，人工智能的算法對研究單木分割提供了一些新的方向[10-12]，例如激光點(diǎn)云被壓縮成深度圖像，并使用R-CNN(Region-CNN，基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò))模型來進(jìn)行訓(xùn)練，以學(xué)習(xí)分割單棵植物的能力[13]。

基于點(diǎn)云數(shù)據(jù)的方法則是直接對三維點(diǎn)進(jìn)行大量計(jì)算，以達(dá)到減少單木層次信息丟失的目的[14]。點(diǎn)特征，如點(diǎn)密度和點(diǎn)分布，對于原始激光雷達(dá)數(shù)據(jù)的單木分割非常重要。均值漂移算法[15]( mean shift algorithm，MSA)及其自適應(yīng)參數(shù)調(diào)節(jié)的優(yōu)化算法[16]也已應(yīng)用于同時(shí)分割樹冠的垂直和水平結(jié)構(gòu)。K-均值聚類算法的分割精度會(huì)受到隨機(jī)選擇的種子點(diǎn)影響，但它仍已被應(yīng)用于從原始的點(diǎn)云中獲取單棵樹木的各種信息[17]。在聚類算法基礎(chǔ)上優(yōu)化的點(diǎn)云區(qū)域增速長算法也被研究并應(yīng)用于人工松樹林[18]和混合針葉林[19]等不同種類的林地。隨著點(diǎn)云數(shù)量的增加，計(jì)算成本也逐漸增加，將點(diǎn)轉(zhuǎn)換為由點(diǎn)分布確定的體素可以有效地減少純點(diǎn)云方法的計(jì)算量[20]。

盡管人們已經(jīng)提出了許多方法來檢測樹冠頂點(diǎn)和分割樹冠，但對于高密度林分，樹冠相交嚴(yán)重，樹冠形狀和高度不同的情況，使得個(gè)體樹冠邊緣的分割出現(xiàn)一定問題。因此，需要一種具有魯棒性、通用性和提供樹冠自動(dòng)精確分割能力的樹冠分割算法，作為未來精確林業(yè)實(shí)踐的基礎(chǔ)。

本研究旨在針對不同樹種及立地條件，采集無人機(jī)數(shù)據(jù)和有人機(jī)數(shù)據(jù)，提出一種新的精確分割樹冠邊界的方法?；跀?shù)字表面模型(digital surface model，DSM)，提出一種分層級并構(gòu)建能量函數(shù)優(yōu)化樹冠邊界分割的算法，并與經(jīng)典的分水嶺算法進(jìn)行比較。本研究將該算法和傳統(tǒng)的分水嶺算法應(yīng)用于中國南方高峰林場的桉樹和浙江遂昌的白皮松，在不同的種植密度和立地條件下進(jìn)行研究，通過現(xiàn)場測量得到數(shù)據(jù)，驗(yàn)證該算法的有效性。

1 材料與方法

1.1 研究區(qū)域概況

桉樹研究區(qū)位于廣西亞熱帶人工林南寧高峰林場(108°7′E，22°49′N)，高峰林場位于北回歸線南側(cè)，屬亞熱帶濕潤季風(fēng)氣候類型。日照不強(qiáng)，雨量充沛，霜凍少，無雪，氣候溫和，年均氣溫21.6 ℃，年均降水量1 304 mm，海拔78～468 m。研究區(qū)面積52 km2，地形以緩坡為主，坡度20°～47°。研究區(qū)主要樹種為桉樹(Eucalyptusrobusta)。

白皮松研究區(qū)域位于中國浙江新安遂昌(118°41′E，28°13′N)。遂昌屬于亞熱帶季風(fēng)氣候區(qū)，溫暖濕潤，四季分明，雨量充沛，山地垂直氣候差異明顯。年均氣溫16.8 ℃，無霜期251 d，年均降水量1 510 mm，地形以陡坡為主。研究區(qū)域的主要樹種為白皮松(PinusbungeanaZucc.)。

1.2 激光雷達(dá)數(shù)據(jù)

南寧高峰林場信息使用Riegl LMS-Q680i激光掃描儀搭載有人機(jī)進(jìn)行數(shù)據(jù)獲取，數(shù)據(jù)采集時(shí)間為2018年2月，有人機(jī)飛行高度750 m，飛行速度為180 km/h，旁向重疊為65%。傳感器記錄了完整的激光脈沖返回波形，時(shí)間間隔為3 ns。掃描儀脈沖發(fā)射頻率為300 kHz，掃描頻率為80 Hz，發(fā)射波長1 550 nm，掃描角度為±30°，視場角為60°。光束發(fā)散角為0.5 mrad，地面光斑大小為37.5 cm。數(shù)據(jù)平均點(diǎn)間距為0.45 m，樣地平均點(diǎn)密度約為9.58個(gè)/m2。最終提取的點(diǎn)云以LAS 1.2格式存儲(chǔ)(美國攝影測量與遙感學(xué)會(huì)，美國馬里蘭州貝塞斯達(dá))。

浙江遂昌信息使用Velodyne32線激光掃描儀搭載無人機(jī)進(jìn)行數(shù)據(jù)獲取，數(shù)據(jù)采集時(shí)間為2018年3月，無人機(jī)飛行高度為80 m，傳感器發(fā)射波長為905 nm，垂直視場角為40°，水平視場角度為360°，角分辨率(水平/方位角)0.1°～0.4°，旋轉(zhuǎn)頻率5～20 Hz；距離精度小于2 cm，掃描頻率為10 Hz。為達(dá)到對比效果，對無人機(jī)數(shù)據(jù)進(jìn)行抽稀，使數(shù)據(jù)密度與南寧的數(shù)據(jù)保持一致。

1.3 樣地實(shí)測數(shù)據(jù)

南寧研究區(qū)域內(nèi)的實(shí)測數(shù)據(jù)于2018年2月進(jìn)行測量：根據(jù)樹木密度和地形在數(shù)據(jù)采集點(diǎn)建立3個(gè)正方形樣地(邊長20 m)，樣地主要樹種為桉樹(1～3號樣地)。浙江研究區(qū)域內(nèi)的實(shí)測數(shù)據(jù)于2018年3月進(jìn)行人工測量，并在數(shù)據(jù)采集點(diǎn)建立3個(gè)正方形樣地(邊長20 m)，樣地主要樹種為白皮松(4～6號樣地)。

兩塊研究區(qū)域均使用Trimble GEOXH6000全球定位系統(tǒng)(GPS)(Trimble，Sunnyvale，CA，USA)對樣地中心進(jìn)行識(shí)別，并使用JSCORS接收到的高精度實(shí)時(shí)差分信號對這些點(diǎn)進(jìn)行校正，使其精度為亞米級。在本研究中，有效數(shù)據(jù)為高度超過2 m的樹木，并使用頂點(diǎn)高度測量儀(Haglof, Langsele, Sweden)來測量樹冠頂點(diǎn)的高度。樹冠冠幅是從樹冠頂點(diǎn)位置沿東西、南北兩個(gè)垂直方向測量長度的平均值。上述樣地可分為3類：低密度(樣地1、4，樹木數(shù)量0～25)、中密度(樣地2、5，樹木數(shù)量25～35)和高密度(樣地3、6，樹木的數(shù)量超過35)。

1.4 單木分割算法

1.4.1 傳統(tǒng)分水嶺算法

分水嶺算法是將圖像看作地理學(xué)的拓?fù)涞孛玻梢岳斫鉃槭且粋€(gè)三維的立體表面。圖像每一個(gè)像素的灰度值代表海拔，圖像中存在許多極小值點(diǎn)。在算法中假設(shè)每一個(gè)極小值點(diǎn)持續(xù)有水流出，并開始逐漸浸沒附近的區(qū)域，形成一個(gè)個(gè)集水盆。隨著集水盆的水位不斷升高，直至水面開始匯聚在一起，為了不讓水面匯聚，而直接筑起一道堤壩，也就是分水嶺算法的分割線。當(dāng)所有的圖像都別浸沒或者筑壩之后，算法結(jié)束，被分割出來的集水盆就是算法得出的分割區(qū)域。

1.4.2 優(yōu)化分水嶺算法

傳統(tǒng)的分水嶺算法在眾多學(xué)者的研究下進(jìn)行了各種優(yōu)化，并提出了模糊聚類的分水嶺、標(biāo)記分水嶺、形態(tài)學(xué)分水嶺等多種優(yōu)化方式。但是對于分水嶺的筑壩，即為了防止水面匯聚筑起來的堤壩，會(huì)對分割區(qū)域的邊界產(chǎn)生一定的誤差，因?yàn)榉指罹€在圖像邊界上依舊會(huì)占用像素而造成在密集物體(比如密度較高的林地)使用分水嶺算法時(shí)，樹冠邊界精度的損失會(huì)顯著提升，造成分割的樹冠邊界比實(shí)際的樹冠小。針對該問題，本研究重構(gòu)了分水嶺算法的實(shí)現(xiàn)方式并進(jìn)行優(yōu)化，采用局部最大值算法探查樹冠頂點(diǎn)，區(qū)域增長算法探尋樹冠邊界，以及構(gòu)建能量函數(shù)對邊界的歸屬進(jìn)行判斷。

1.5 精度評估

使用優(yōu)化算法的計(jì)算結(jié)果與現(xiàn)場測量數(shù)據(jù)進(jìn)行比較，以驗(yàn)證優(yōu)化分水嶺算法的準(zhǔn)確性。通過以下方程對研究區(qū)域內(nèi)探測到的樹冠頂點(diǎn)與觀察到的樹冠頂點(diǎn)的準(zhǔn)確度進(jìn)行評估。

(1)

(2)

(3)

式中：r為樹冠探測率；p為樹冠準(zhǔn)確率；f為被探測出樹的總體準(zhǔn)確度；T為被正確探測到樹的數(shù)量；N為未探測到樹的數(shù)量(漏分錯(cuò)誤)；P為由算法識(shí)別但樣地中不存在的樹。

為檢測單個(gè)樹冠輪廓與人工測量樹冠的匹配程度，將實(shí)測樹冠半徑和優(yōu)化分水嶺算法檢測的樹冠半徑進(jìn)行比較，以驗(yàn)證樹冠邊界輪廓結(jié)果的準(zhǔn)確性。本研究選擇了正確探測到的樹木來比較樹冠半徑，利用R2、均方根誤差(RMSE)和相對均方根誤差(RRMSE)評估樹冠冠幅的準(zhǔn)確性。

2 優(yōu)化算法的構(gòu)建

優(yōu)化算法的流程圖見圖1。

圖1 本研究算法流程圖Fig. 1 The flow chart of the proposed method

2.1 DSM生成和樹冠頂點(diǎn)探測

首先，研究使用漸進(jìn)的形態(tài)濾波分類器將采集的點(diǎn)云數(shù)據(jù)分為地面點(diǎn)云和地上點(diǎn)云(樹木點(diǎn)云數(shù)據(jù))[21]。然后，將地上點(diǎn)云使用柵格化的方法生成對應(yīng)的DSM，每個(gè)柵格(像素)的數(shù)值為當(dāng)前柵格內(nèi)點(diǎn)云的高度最大值(h)，每個(gè)柵格的單元大小為d。不包含數(shù)據(jù)的柵格由鄰近的單元進(jìn)行最近鄰插入填充，其中i、j表示生成柵格集C(即DSM)中的第i行和第j列。

采用具有可變尺寸和參數(shù)的高斯核平滑濾波器[22]對生成的DSM進(jìn)行平滑，為后續(xù)探測樹冠頂點(diǎn)做準(zhǔn)備。在DSM平滑之后，本研究使用可變半徑(R)的動(dòng)窗口來探測平滑之后DSM中每個(gè)樹冠頂點(diǎn)的位置。公式如下：

(4)

式中：R為滑動(dòng)窗口的半徑；h為中心滑動(dòng)窗口處的高度值。探測得出的局部極大值被認(rèn)為是探測所得出的樹冠頂點(diǎn)，并作為區(qū)域增長算法的種子點(diǎn)。

2.2 分層的區(qū)域增長算法

為了準(zhǔn)確提取樹木的各項(xiàng)參數(shù)，研究了分層的區(qū)域增長算法以達(dá)到從DSM中獲取樹冠輪廓。將樣地分成L1至L5共5層，每一個(gè)紅色點(diǎn)代表探測出來的樹冠頂點(diǎn)，也是區(qū)域增長算法中的種子點(diǎn)(圖2)。算法按照樹冠頂點(diǎn)的高度來決定區(qū)域增長的順序，每一次的區(qū)域增長只會(huì)在當(dāng)前分的層級中，在當(dāng)前層數(shù)未被搜索完成時(shí)，不會(huì)進(jìn)入下一級進(jìn)行搜索。

注：a1、b1、c1、d1和f1為激光雷達(dá)數(shù)據(jù)側(cè)視圖，顯示從最高層到最低層同步向每個(gè)樹冠增長。a2、b2、c2、d2和 f2分別對應(yīng)于a1、b1、c1、d1和f1所示運(yùn)行過程中的DSM。對于LiDAR數(shù)據(jù)的側(cè)視圖和DSM， 擴(kuò)展過程中采用相同的顏色來表示。黑色線段代表算法每一步中填充的樹冠邊界。圖2 區(qū)域增長算法提取樹冠邊緣Fig. 2 Regional growing algorithm for tree crown boundary delineation

2.3 構(gòu)建能量函數(shù)

a. DSM梯度方向計(jì)算圖；b. 圖a中紅色矩形的放大顯示；c. 樹邊界像素與兩個(gè)最近的樹冠之間的高度差；d. 使用最近鄰原則判斷邊界 像素兩個(gè)最近樹冠頂點(diǎn)，綠色線段表示歐幾里得距離，淡藍(lán)色表示某一次計(jì)算時(shí)最外圈的像素。圖3 樹冠邊界歸屬判定準(zhǔn)則說明示意圖Fig. 3 Schematic representation of the criteria of the proposed method for canopy boundary determination

用計(jì)算機(jī)程序不能實(shí)現(xiàn)各樹冠區(qū)域增長完全同步。在同一高度間隔內(nèi)，計(jì)算機(jī)只能以隨機(jī)順序處理每個(gè)樹冠的邊界歸屬問題，這種不確定性可能導(dǎo)致相鄰樹木在相同高度上與樹冠相交時(shí)出現(xiàn)不準(zhǔn)確的樹冠分割。因此，需要一個(gè)標(biāo)準(zhǔn)來控制每棵樹冠隨著分層區(qū)域增長過程中產(chǎn)生的邊界分割問題。本研究提出了一種結(jié)合DSM中各像素的梯度方向和高度差信息，構(gòu)建一個(gè)能量函數(shù)以優(yōu)化計(jì)算過程中各樹冠的邊界分割問題(圖3)，具體描述如下：

(5)

(6)

(7)

利用高度差來實(shí)現(xiàn)樹冠的最優(yōu)分割結(jié)果是能量函數(shù)的第2部分。兩棵相鄰的樹之間必然存在一個(gè)鞍點(diǎn)(最低點(diǎn))到兩棵樹冠頂點(diǎn)之間直線上點(diǎn)的高度差一定是最大的。因此，隨著區(qū)域增長的不斷進(jìn)行，當(dāng)前搜索的樹冠邊界上的像素與最近的兩個(gè)相鄰樹冠頂點(diǎn)之間的高度差也隨之增大。在當(dāng)前計(jì)算的像素高度差達(dá)到最大值時(shí)，表明該像素很大概率是真實(shí)的樹冠邊界像素。

綜上所述，在尋找每個(gè)樹冠真實(shí)邊界的搜索過程中，每次迭代計(jì)算出的樹冠輪廓公式(4)的值會(huì)保持下降的趨勢，直到達(dá)到最小值，這表明程序的搜索達(dá)到了樹冠的真實(shí)邊界。反之，如果公式(4)的值在運(yùn)行過程中出現(xiàn)上升，則代表相交樹冠區(qū)域會(huì)出現(xiàn)錯(cuò)誤分割，需要進(jìn)行回滾(roll back，RB)來調(diào)整所有樹冠的增長順序?；貪L操作代表當(dāng)判定現(xiàn)在擴(kuò)張的樹冠是錯(cuò)誤的時(shí)候，會(huì)回到上一次擴(kuò)張的區(qū)域并更換搜索像素開始重新計(jì)算。樹冠邊界歸屬判定準(zhǔn)則說明見圖3。

圖4 桉樹和白皮松分割效果Fig. 4 The segmentation results of pure Eucalyptus tree and Pinus bungeana Zucc. plots

2.4 兩種算法應(yīng)用效果比較

本研究將分水嶺算法和優(yōu)化分水嶺算法應(yīng)用于白皮松、桉樹共計(jì)6個(gè)邊長為20 m×20 m的樣地。為了驗(yàn)證算法的準(zhǔn)確性，本研究展示了密度從小到大的桉樹地(1～3號樣地)和白皮松樣地(4～6號樣地)(圖4)。圖4中，桉樹樣地的密度(棵/m2)從低到高為0.06(1號樣地)、0.09(2號樣地)、0.17(3號樣地)。白皮松樣地的密度(棵/m2)，從低到高分別為0.03(4號樣地)、0.07(5號樣地)、0.14(6號樣地)。優(yōu)化的分水嶺算法平均檢測率(r)為0.91，并且6個(gè)圖的最高精度(f)為0.92。在桉樹群(1～3樣地)中，2號樣地的r值最大(0.97)，3號樣地的p值最大(0.89)，f值最大(0.92)。在白皮松(4～6樣地)中，5號樣地的r值最大(0.90)，f值最大0.88，4號樣地p最大值(0.91)。總體的f分?jǐn)?shù)優(yōu)化的分水嶺算法勝于傳統(tǒng)的分水嶺算法。

在優(yōu)化的分水嶺算法中，桉樹冠幅的RMSE范圍為0.13～0.23 m，平均值為0.18 m，冠幅的RRMSE為10.83%～13.29%，樣地均值為12.04%(表1)。3號樣地(RMSE=0.13 m，密度=0.17棵/m2，f=0.92)樹冠半徑的RRMSE最低(10.83%)。白皮松樣地冠幅的RMSE為0.15～0.34 m，平均值為0.26 m，樹冠冠幅RRMSE為9.51%～14.05%，平均為12.03%。6號樣地(RMSE=0.15 m，樣地密度=0.14棵/m2，f=0.87)樹冠半徑的RRMSE最低(9.51%)。在所有樣地中，最高RMSE和RRMSE分別小于0.34 m和14.05%。結(jié)果表明，優(yōu)化的分水嶺算法在分割樹冠信息方面具有很大的優(yōu)勢。

表1 兩種算法分割結(jié)果比較Table 1 The comparison of segmentation results

3 結(jié)論與討論

本研究分析了研究區(qū)域的樹冠頂點(diǎn)檢測率。根據(jù)樣地密度將選擇的6個(gè)樣地分為3類，包括低密度(樣地1和4)、中密度(樣地2和5)和高密度(樣地3和6)，在桉樹中，當(dāng)樣地密度較高(0.17棵/m2)時(shí)，探測樹冠頂點(diǎn)(f)的總體準(zhǔn)確度最高，這是由于桉樹的種植均勻且有規(guī)律。傳統(tǒng)分水嶺算法在桉樹的樹冠頂點(diǎn)探測中，密度的改變并未呈現(xiàn)出明顯的規(guī)律，但樣地的總體準(zhǔn)確度均低于優(yōu)化分水嶺算法得出的結(jié)果。在優(yōu)化分水嶺算法中，白皮松樣地密度的增加，被探測的樹冠準(zhǔn)確率維持一個(gè)平穩(wěn)的趨勢，密度對于樹冠頂點(diǎn)的探測并沒有過大的影響。傳統(tǒng)分水嶺算法在白皮松樣地的探測率也均低于優(yōu)化分水嶺算法的結(jié)果。在高密度樣地下，白皮松的精度低于桉樹，這是由于不同的特性和影響這兩個(gè)樹種的人為因素造成的。桉樹是一種速生的經(jīng)濟(jì)樹種，對土壤肥力具有很強(qiáng)的競爭力，種植密度較高，林下幾乎沒有其他植物。而白皮松生長環(huán)境中不存在過多的人為干預(yù)，所以在高密度情況下對桉樹的探測率略高于白皮松。中低密度則相反，桉樹生產(chǎn)的區(qū)域?yàn)榉墙?jīng)濟(jì)區(qū)域，較少存在人為干預(yù)，而白皮松卻是典型的針葉林，在局部最大值算法中，比較易于探測樹冠頂點(diǎn)。由此可以得出：在優(yōu)化的分水嶺算法下，白皮松樹冠頂點(diǎn)探測的準(zhǔn)確度對樣地密度的敏感性較弱；對于桉樹樹冠頂點(diǎn)探測的準(zhǔn)確度會(huì)隨著樣地密度的增加而上升；高密度下，白皮松樹冠頂點(diǎn)探測的準(zhǔn)確度低于桉樹，中低密度則相反。

本研究還分析了樹木冠幅結(jié)果的準(zhǔn)確性。優(yōu)化分水嶺算法檢測的樹冠冠幅精度隨著兩種植物樣地密度的增加而提高。在桉樹和白皮松中，高密度樣地和低密度樣地之間的RRMSE之差分別為2.46%(1號和3號樣地)和4.54%(4號和6號樣地)。這一發(fā)現(xiàn)表明，在優(yōu)化的分水嶺算法下，樣地密度的增加會(huì)影響樹木冠幅的正確率。這主要是由于高密度情況下出現(xiàn)極多的樹冠相鄰的情況，而本研究提出的優(yōu)化分水嶺算法利用分級的區(qū)域增長算法保證樹冠在同一高度下的探測同步，采用能量函數(shù)來進(jìn)一步保證邊界分割時(shí)的正確率。在2、5號樣地中，兩個(gè)樣地的密度相似，桉樹冠幅的RRMSE比白皮松低0.52%。結(jié)果表明：在優(yōu)化的分水嶺算法下，樣地樹木冠幅的探測準(zhǔn)確率會(huì)隨著密度的上升而上升；在密度相同的情況下，桉樹樹冠冠幅的探測準(zhǔn)確率會(huì)低于白皮松。

在無人機(jī)與有人機(jī)數(shù)據(jù)樣本中，無人機(jī)原始點(diǎn)云密度比有人機(jī)高。高密度的點(diǎn)云會(huì)使本研究的算法在生成的DSM有更高的分辨率。分辨率的提高會(huì)更加精細(xì)單個(gè)像素所包含的信息，而本研究提出的優(yōu)化分水嶺算法就是以像素為基本單位進(jìn)行搜索。研究結(jié)果表明，在無人機(jī)高密度點(diǎn)云的情況下，對于樹冠的分割會(huì)將誤差控制在更小的單位中進(jìn)而提高單木分割的效率。

本研究提出的優(yōu)化分水嶺算法使用了分層的區(qū)域增長算法、由梯度信息和高度差構(gòu)建的能量函數(shù)作為邊界的判定標(biāo)準(zhǔn)來完成單木分割。分層的區(qū)域增長算法使每一次搜索像素的過程更加精細(xì)，防止數(shù)據(jù)出現(xiàn)從樹木的一面全部搜索完成的情況，并且每一層的搜索會(huì)呈現(xiàn)同步的狀態(tài)，保證了樹冠在分割過程中的一致性。構(gòu)建的能量函數(shù)作為每一次邊界函數(shù)的判斷標(biāo)準(zhǔn)，極大地提高了高密度樣地樹冠與樹冠貼合緊密狀態(tài)下邊界像素的歸屬問題，提高了樹木冠幅的分割準(zhǔn)確率。本研究的優(yōu)化分水嶺算法可應(yīng)用于大面積野生自然林以及復(fù)雜山地的林業(yè)資源調(diào)查中。