張玉薇，陳棋，田湘云，史小蓉，張超

(西南林業(yè)大學 林學院，云南 昆明 650233)

樹冠是樹木的重要組成部分，可反映樹木的長勢和生長活力，預測材積和生物量等[1]。傳統(tǒng)的基于遙感手段的森林資源信息提取技術(shù)，仍存在效率低、成本高、周期長，且估算精度受人為影響等諸多弊端和瓶頸[2]。近年來，隨著無人機技術(shù)的快速發(fā)展，已逐步出現(xiàn)高空間分辨率影像的獲取及樹冠的自動提取方法。目前，基于高分辨率影像數(shù)據(jù)的樹冠提取方法主要分為2個步驟：先在探測窗口的一定范圍內(nèi)尋找光譜最大值作為樹冠中心點，確定樹冠位置，常見的方法有局部最大值法[3]、模板匹配法[4]等；然后基于樹冠中心點進行樹冠輪廓提取，常見的方法有多尺度分割方法[5]、谷地跟蹤法[6]、區(qū)域生長法[7]等。傳統(tǒng)的樹冠提取方法存在分割不穩(wěn)定和識別率低等問題。當前，結(jié)合深度學習技術(shù)，改進樹冠的提取方法，初步取得較理想的效果。如：Jing等[8]對多尺度分割影像進行改進，在確定樹冠具體的區(qū)域大小后，采用分水嶺算法對高斯濾波得到的灰度影像進行分割提取樹冠，進而得到高質(zhì)量的冠幅分割結(jié)果；李文靜等[9]基于無人機多光譜影像，通過雙邊濾波和多尺度分割方法，提取單木樹冠，分割準確率達76.63%，F(xiàn)測度為80.24%，有效抑制傳統(tǒng)多尺度分割的過分割現(xiàn)象；金忠明等[10]結(jié)合深度學習和標記控制分水嶺算法的優(yōu)點，提出一種基于網(wǎng)絡用于分割細胞圖像(U-Net)和標記控制分水嶺算法，其單木樹冠面積精度為81.05%，冠幅的精度為89.94%。

基于無人機遙感影像的單木樹冠提取精度主要受樹種、郁閉度、樹冠之間的重疊情況及背景噪聲等因素的影響[11]?，F(xiàn)有研究中，針對不同分割方法的對比研究較少。本研究以無人機獲取的天然云南松純林影像為數(shù)據(jù)源，采用多尺度分割、標記分水嶺分割和均值漂移結(jié)合的超像素分割3種方法提取樹冠信息，分析不同分割方法對單木冠幅信息提取精度的影響，選出最優(yōu)的單木冠幅提取方法，旨在為今后基于無人機可見光遙感技術(shù)在森林資源調(diào)查領(lǐng)域的應用提供借鑒。

1 研究方法

1.1 研究區(qū)概況

研究區(qū)位于云南省富民縣羅免鄉(xiāng)，位于25°20′～25°23′N、102°28′～102°30′E之間，地勢北高南低，海拔2 100～2 300 m之間，土壤為紅壤，氣候為低緯度亞熱帶高原季風氣候，年均氣溫15.8 ℃，年均降水量846.5 mm。森林植被以云南松(Pinusyunnanensis)天然純林為主(圖1)，平均年齡約28 a，郁閉度為0.20～0.80。

圖1 標準地分布

1.2 研究方法

1.2.1 標準地調(diào)查

經(jīng)過踏查，在具有代表性的天然云南松純林的典型地塊設置20個25 m×25 m實測標準地。針對各標準地內(nèi)胸徑≥5.0 cm的所有活立木進行統(tǒng)一編號和定位(測量每木樹心與相近二邊界的水平距離)，測量每木胸徑、樹高、最長和最短冠幅(水平直徑)。

1.2.2 無人機影像采集

采用的無人機為大疆(Phantom 4 Pro型號)，該無人機具有輕便、靈活等優(yōu)勢。外業(yè)影像采集選擇在天氣晴朗、無風的條件下進行。利用地面站專業(yè)版程序(DJI GS PRO)進行航線自動規(guī)劃及數(shù)據(jù)自動采集。設定飛行高度為50.0 m，云臺俯仰角度為-90°(垂直攝影)，主航線上圖像重復率和主航線間圖像重復率分別為80%和60%，獲取20 個實測標準地的無人機普通可見光(RGB)影像。

1.2.3 無人機影像預處理

無人機影像拍攝過程中，受天氣和自身因素的影響，需要對影像進行匹配、拼接及三維重建等預處理。利用無人機數(shù)據(jù)和航空影像處理軟件(Pix4 Dmapper)對20 個標準地的無人機原始RGB影像進行全自動處理，生成拼接后的正射影像(DOM)、數(shù)字表面模型(DSM)及數(shù)字地形模型(DTM)；在此基礎上，計算并得到冠層高度模型(CHM)。

1.2.4 單木冠幅提取

基于正射影像進行面向?qū)ο蟮亩喑叨确指詈途灯频某袼胤指睿诠趯痈叨饶Ｐ瓦M行標記分水嶺分割，分別提取最長冠幅、最短冠幅和樹冠面積；最后將3種方法提取的樹冠信息與實測數(shù)據(jù)進行精度檢驗，獲取最優(yōu)的分割方法。

(1)多尺度分割 多尺度分割是智能化影像分析軟件(eCognition軟件)中一種較為常用的自下而上(bottom-up)的分割算法。其原理是在保證區(qū)域內(nèi)像元之間異質(zhì)性最小的前提下，合并相鄰區(qū)域的像素，實現(xiàn)影像分割。多尺度分割能綜合考慮像元的紋理形狀等信息，常用于遙感高分辨率影像數(shù)據(jù)處理[12]，其難點在于尺度參數(shù)的確定，尺度參數(shù)能直接影響提取的精度[13-14]。但是最優(yōu)尺度參數(shù)是相對的，只是一個參考數(shù)值范圍，是根據(jù)影像的分辨率、紋理信息和特定的分割對象來確定的，不一定能適用于其他圖像分割。目前，分割參數(shù)只能根據(jù)個人經(jīng)驗和多次分割效果來進行確定[15]。本研究利用智能化影像分析軟件(eCognition軟件)試驗并比較了多個分割尺度方案，最終確定在分割尺度為350，形狀異質(zhì)性因子為0.4，緊致度異質(zhì)性因子為0.6時，單木樹冠提取效果最優(yōu)。

(2)標記分水嶺分割 分水嶺分割法克服了閾值分割的局限性，在圖像分割領(lǐng)域中應用廣泛，是由Vincent[16]提出的一種基于拓撲理論的數(shù)學形態(tài)學的分割方法，其計算過程是一個迭代標注過程。分水嶺分割原理是將灰度圖像看作是地球表面，即測地學上的拓撲地貌，而圖像中每個像素的灰度值代表該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界則形成分水嶺[17]。傳統(tǒng)的分水嶺分割法對噪聲極為敏感，易造成過度分割。Meyer[18]和Beucher[19]對分水嶺算法進行了改進，引入自定義的“標記”到分水嶺算法中，以避免過度分割問題。

近年來，眾多學者基于分水嶺分割算法的特點進行了改進，提出了多尺度優(yōu)化的標記分水嶺算法[20]、基于前景標記的分水嶺算法[21]、融合聚類(mean shift)算法和分水嶺算法的新方法[22]等，在單木分割領(lǐng)域中取得較好的效果。

標記分水嶺分割方法的難點在于樹冠頂點和樹冠輪廓的正確識別。本研究對冠層高度模型(CHM模型)進行去噪處理，膨脹和腐蝕重建圖像，修正區(qū)域的極大、極小值；修改距離變換，獲取圖像的局部最小值并進行標記；最后對修改的梯度圖像進行標記分水嶺分割。

(3)均值漂移結(jié)合的超像素分割 超像素分割[23]是將影像中顏色、紋理、光譜信息等相似的像素集合成一個超像素，以顯著減少圖像基元的數(shù)量。超像素分割不僅可以準確的識別和提取影像邊緣，而且能提高分割算法的效率[24]。但是，傳統(tǒng)的超像素分割方法產(chǎn)生規(guī)則的相鄰區(qū)域破壞了圖像的局部空間結(jié)構(gòu)，從而導致分割效果不佳。在均值漂移算法過程中，難點是在感興趣區(qū)域內(nèi)計算中心點的密度漂移向量的基礎上進行中心點的移動，以便進行下一次迭代[25]，直至達到密度最大處。最后統(tǒng)計感興趣區(qū)域內(nèi)出現(xiàn)的次數(shù)，以此作為分類的依據(jù)。均值漂移算法有較好的適應性和魯棒性。均值漂移迭代公式為：

式中：h為帶寬；G(x)=g(x2)為核函數(shù)；MHi(x)=mHi(x)-x為均值漂移向量。

本研究提出一種均值漂移結(jié)合超像素的分割算法，將原始圖像進行均值漂移分割，得到的分割結(jié)果作為圖像初分割結(jié)果，然后對初分割結(jié)果進行超像素分割，得到最終分割結(jié)果，見圖2。

a.均值漂移結(jié)果b.基于均值漂移的超像素分割結(jié)果

(4)實測冠幅和樹冠面積 實地測量林木的最長冠幅(CWf1)與最短冠幅(CWf2)，將林木冠幅看作為一個橢圓，最長冠幅和最短冠幅看作橢圓的長軸和短軸，則實測冠幅面積(CAf)為：

式中：CAf表示實地調(diào)查的樹冠面積；CWf1為最長冠幅；CWf2為最短冠幅。

(5)精度評價 目前，國內(nèi)外對于單木樹冠提取的精度主要分為單木尺度和樣地尺度的評價，單木尺度的評價的具體方法為:將樹冠提取結(jié)果導入軟件Arc Map中，與目視解譯的參考樹冠進行比較分析，對樹冠分割結(jié)果進行評價。根據(jù)自動提取的數(shù)據(jù)與實地調(diào)查的參考數(shù)據(jù)比較，將單木冠幅分割情況分成匹配、接近匹配、錯分、漏分和合并5種。匹配即分割樹冠和參考樹冠的重疊面積占相互的50%及以上；接近匹配即重疊面積占分割樹冠或參考樹冠其中一方的50%；當分割樹冠不存在對應的參考樹冠則為錯分；漏分即參考樹冠的50%面積內(nèi)無分割樹冠；合并即分割樹冠中存在多個參考樹冠。正確分割包括匹配以及接近匹配，漏分誤差包括漏分和合并，錯分屬于錯分誤差。

利用準確率(Pd)、召回率(Pr)和F進行單木冠幅提取精度評價。準確率指正確分割的樹冠個數(shù)占所有分割出來樹冠個數(shù)的比例；召回率指正確分割的樹冠占參考樹冠數(shù)的比例；F測度是對準確率和召回率的綜合描述，F(xiàn)測度越高表示結(jié)果越好，計算公式如下：

式中：Nc為分割正確的樹冠數(shù)目；Nd為分割出來的樹冠總數(shù)；Nr為參考樹冠總數(shù)。

樣地尺度的單木精度評價是指在該樣地內(nèi)單木提取的準確率(Pd)和召回率(Pr)。

單木尺度的自動提取單木冠幅和樹冠面積的精度，以提取單木冠幅和樹冠面積與實測冠幅和樹冠面積值的相對精度體現(xiàn)，計算公式如下：

式中：δ為相對誤差；B1為自動提取值；B2為實測值。

樣地尺度的樹冠面積精度評價是指樣地內(nèi)自動提取的樹冠總面積與參考樹冠總面積的評價分析，主要通過樣地內(nèi)樹冠總面積的相對誤差體現(xiàn)，計算公式如下：

式中：A1為樣地內(nèi)自動提取的樹冠總面積；A2為樣地內(nèi)實測的樹冠總面積。

2 結(jié)果與分析

2.1 分割結(jié)果

無人機原始影像與多尺度分割、標記分水嶺分割和均值漂移結(jié)合的超像素分割的結(jié)果如圖3所示(限于篇幅，以5號、10號和11號標準地為例)，黃色標記點為外業(yè)調(diào)查的樹頂點。由圖3可以看出，標記分水嶺明顯抑制過度分割現(xiàn)象，但樹冠邊界識別能力較差；基于均值漂移的超像素分割樹冠邊界識別效果最好，但分割效果較差，存在較多過度分割現(xiàn)象。

a.原始影像b.實地調(diào)查結(jié)果c.多尺度分割結(jié)果d.標記分水嶺分割結(jié)果e.基于均值漂移的超像素分割結(jié)果

2.1.1 單木冠幅分割

(1)單木尺度 單木尺度下，3種自動提取單木樹冠的結(jié)果如表1所示，參考樹冠總數(shù)為335 個，其中標記分水嶺分割算法的效果最好，自動提取的冠幅和正確分割的冠幅分別為316 個和260 個，錯分數(shù)為14 個；基于均值漂移的超像素分割算法的效果次之，自動提取的冠幅和正確分割的冠幅分別為311 個和240 個，錯分數(shù)為34 個；多尺度分割的效果最差，自動提取冠幅和正確分割冠幅分別為304 個和202 個，而錯分個數(shù)多達47 個。其中參考樹冠為實地調(diào)查的樹冠。

表1 單木分割結(jié)果

(2)樣地尺度 在研究區(qū)的20 個樣地中，3種自動提取單木樹冠的結(jié)果如表2所示，其中，多尺度分割算法自動提取的樹冠平均值為15.20 個，正確分割的樹冠平均值為10.10 個；標記分水嶺分割算法自動提取的樹冠平均值為15.80個，正確分割的樹冠平均值為13.00 個；基于均值漂移的超像素分割算法自動提取的樹冠平均值為15.55 個，正確分割的樹冠平均值為12.00 個。綜上可知，在樣地尺度下，標記分水嶺分割算法在提取樹冠和正確分割樹冠的效果上均為最好。

表2 樣地尺度單木分割結(jié)果

2.1.2 單木冠幅和樹冠面積提取

(1)單木尺度 將采用算法自動提取的正確分割樹冠的最長冠幅、最短冠幅與樹冠面積與實測數(shù)據(jù)進行比較，結(jié)果見表3。實測數(shù)據(jù)和自動提取的單木冠幅與樹冠面積的跨度均較大，最長冠幅的分布范圍為1.72～11.95 m；最短冠幅分布范圍為0.89～8.08 m；樹冠面積的分布范圍為2.04～65.10 m2；樹冠面積的標準差比最長冠幅和最短冠幅的標準大，離散程度更高；3種自動提取算法的極值與實測數(shù)據(jù)均有一定偏差。因為分割存在一定誤差，能正確分割的樹冠不一樣，故3種自動提取算法的最大/最小值存在較大誤差。

表3 不同分割方法的單木冠幅提取結(jié)果

(2)樣地尺度 3種算法自動提取樣地樹冠總面積結(jié)果如表4所示，在研究區(qū)的20個樣地中，樣地參考樹冠總面積的最大值為15號樣地458.80 m2，最小值為1號樣地148.03 m2，平均值為318.71 m2；多尺度分割算法、標記分水嶺分割算法和基于均值漂移的超像素分割算法自動提取的樹冠總面積的平均值分別為187.48、235.16、215.88 m2，由平均值可知，在樣地尺度下標記分水嶺算法提取的樹冠總面積最接近實測值，且3種算法自動提取的樣地樹冠總面積普遍小于參考樹冠總面積。

表4 不同分割方法樣地樹冠總面積提取結(jié)果及相對誤差表

2.2 精度分析

2.2.1 單木樹冠

(1)單木尺度 單木尺度下的單木樹冠分割精度見表5。

表5 各類方法單木分割評價

標記分水嶺分割效果最好，其準確率為82.23%，召回率為77.61%，F(xiàn)測度為79.88%；相比多尺度分割準確率提高15.78%，召回率提高17.32%，F(xiàn)測度提高16.66%；相比基于均值漂移的超像素分割，準確率提高5.06%，召回率提高5.97%，F(xiàn)測度提高5.58%。綜上所述，單木提取效果為標記分水嶺分割>基于均值漂移的超像素分割>多尺度分割。

(2)樣地尺度 樣地尺度下的單木樹冠分割精度如表6所示，標記分水嶺分割效果最好，各樣地平均準確率為83.86%，平均召回率為79.32%，基于均值漂移的超像素分割算法效果次之，平均準確率為77.11%，平均召回率為71.66%，多尺度分割效果最差，平均準確率為67.66%，平均召回率為60.98%。

表6 樣地尺度下各類方法單木分割評價

2.2.2 樹冠精度評價

(1)單木尺度

冠幅與樹冠面積的精度評價如表7所示，在自動提取的長冠幅和樹冠面積中，多尺度分割算法的誤差和相對誤差均為最大，標記分水嶺分割算法的誤差和相對誤差均為最小。在自動提取的短冠幅中，多尺度分割算法的平均誤差最小，為0.53m，其余的指標均為最大；基于均值漂移的超像素分割算法的平均誤差最大，為0.66m；標記分水嶺分割算法的誤差最大、最小值和相對誤差均為最小。

表7 不同分割方法的單木冠幅提取誤差

冠幅信息實地調(diào)查值與算法自動提取值的結(jié)果如圖4所示，從R2來看，樹冠面積的提取精度比長、短冠幅的精度高，R2均在0.90以上；標記分水嶺分割算法提取的長冠幅精度最高，達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別高0.28和0.15；標記分水嶺分割算法提取的樹冠面積精度最高，達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別高0.04和0.01；多尺度分割算法提取的短冠幅精度最高，R2達0.73。從RMSE來看，標記分水嶺算法提取的長冠幅、短冠幅和樹冠面積的標準誤差(RMSE)均小于另外兩種算法的，說明標記分水嶺算法提取的效果更好。綜合分析比較，標記分水嶺算法的提取精度最高。

(2)樣地尺度 樣地尺度下，樣地樹冠總面積提取精度如表4所示，在3種算法中，標記分水嶺的平均相對誤差最小，為25.07%，精度最高，提取效果最好；多尺度分割算法的平均相對誤差最大，為40.64%，精度最低，提取效果最差。

3 討論與結(jié)論

3.1 討論

單木樹冠信息不僅可用于估測相關(guān)林分特征參數(shù)，而且能獲取林分結(jié)構(gòu)特征。準確獲取單木樹冠信息參數(shù)對現(xiàn)代森林資源調(diào)查的自動化發(fā)展有重要意義，針對特定的樹種和立地條件，采取多尺度分割、標記控制分水嶺分割和基于均值漂移的超像素分割3種分割方法對無人機影像進行分割且比較，以獲取最優(yōu)分割方法。

(1)多尺度分割是在一定尺度下合并相鄰像元生成異質(zhì)性最小、同質(zhì)性最大影像的分割方法，其優(yōu)點是能綜合考慮像元的紋理信息且操作簡單[26]。本研究提出的多尺度分割方法與李文靜等[9]提出的基于無人機多光譜影像多尺度分割結(jié)果相比，準確率降低10.18%，召回率降低23.74%，F(xiàn)測度降低17.02%，其原因是該研究人員通過多光譜(R、G、B、RE、NIR)計算得到歸一化植被指數(shù)(NDVI)，更好的識別樹冠區(qū)域；與孫振峰等[27]基于無人機影像多尺度分割結(jié)果相比，準確率降低20.55%，其原因是該研究人員對無人機影像進行圖像增強處理，然后采用多尺度分割排除背景區(qū)域的干擾，在此基礎上再進行多尺度分割，提高分割準確率。

圖4 冠幅信息提取結(jié)果驗證

(2)標記分水嶺算法是一種基于分水嶺的基礎上對圖像局部極小值進行標記的分割方法，能有效抑制過度分割現(xiàn)象[28]。本研究提出的標記分水嶺分割算法與鄭鑫等[29]提出的基于形態(tài)學閾值標記分水嶺算法相比，準確率提高17.61%，召回率提高20.53%，F(xiàn)測度提高19.26%；與金忠明等[10]提出的基于網(wǎng)絡用于分割細胞圖像(U-Net)和標記控制分水嶺的分割算法相比，準確率提高2.78%，召回率提高8.29%，F(xiàn)測度提高了5.84%。結(jié)果表明標記分水嶺對樹冠識別效果較好，對于重疊的樹冠，標記分水嶺算法能有效解決單木分割中合并和過度分割問題。但是標記分水嶺的邊緣識別能力較差，其主要原因是正射影像(DOM)相比冠層高度模型(CHM)的紋理信息單一、分辨率低。

(3)超像素分割將圖像中特征相似的像素點組成小區(qū)域，并保留圖像分割的有效信息和邊界信息[30]，但是會出現(xiàn)過度分割現(xiàn)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過度分割現(xiàn)象，其分割結(jié)果與夏炎等[31]提出的模糊超像素分割算法相比，準確率降低7.11%，但是比傳統(tǒng)的超像素分割算法提高23.12%，說明基于均值漂移的超像素分割算法和傳統(tǒng)的超像素分割算法相比，在一定程度上提高分割準確率，具有一定的意義。

(4)在單木尺度上，自動提取的樹冠面積與實地調(diào)查樹冠面積呈較強的線性關(guān)系，R2均在0.90以上，與徐永勝等[21]提出的改進分水嶺算法在3個不同高度下提取的樹冠投影面積與實地調(diào)查面積的R2相比，至少提高0.10，效果較好，但研究區(qū)為天然云南松純林，存在樹冠重疊現(xiàn)象，導致提取樹冠面積偏??；3種分割算法冠幅提取的精度R2在0.56～0.84之間，與王枚梅等[32]提出的基于面向?qū)ο蠓椒ㄗ詣犹崛〉墓诜?R2=0.86)和Yue[33]提出的標記控制分水嶺提取的冠幅精度(R2在0.91～0.99之間)相比，效果較差。其主要原因是本研究提取的是長、短冠幅，而其他研究提取的是東西、南北冠幅，在實地測量最大、最小冠幅時，會出現(xiàn)一定的人為誤差，且實地調(diào)查和自動提取的視覺不同，也會造成一定誤差。在樣地尺度上，標記分水嶺提取樹冠面積的效果最高，其平均相對誤差為20.57%，與曾霞輝等[34]提取的樹冠面積(相對誤差為13.3%)相比精度較低，其原因是該研究人員基于閾值法和K鄰近算法提取樣地總樹冠面積，而本研究的樣地樹冠總面積是提取的單木樹冠面積的總和，造成較大誤差。提取冠幅和樹冠面積與實測數(shù)據(jù)相比，提取冠幅普遍小于實測數(shù)據(jù)，其主要原因是：在進行形態(tài)運算時樹冠邊緣被弱化，導致算法未能精確的識別及分割樹冠；本研究區(qū)為天然云南松純林，存在樹冠重疊現(xiàn)象，導致提取冠幅偏小。

3.2 結(jié)論

本研究以云南松天然純林為研究對象，基于無人機影像數(shù)據(jù)采用多尺度分割、標記分水嶺分割和基于均值漂移的超像素分割3種方法進行單木冠幅分割提取。其中，在單木尺度上和樣地尺度上，標記分水嶺的單木分割效果均為最好，準確率分別為82.23%和83.86%，基于均值漂移的超像素分割效果次之，準確率分別為77.17%和77.11%，多尺度分割效果最差，準確率分別為66.45%和67.66%。在單木冠幅信息提取上，標記分水嶺的精度最高，長冠幅、短冠幅和樹冠面積的R2分別為0.84、0.71、0.94，標準誤差(RMSE)分別為0.66、0.65、2.54，平均相對誤差分別為9.20%、8.28%、14.05%。樣地尺度上，標記分水嶺的單木樹冠面積提取精度最高，平均相對誤差為20.57%。經(jīng)綜合分析，基于無人機獲取云南松純林影像，以標記分水嶺分割算法提取單木樹冠和單木樹冠信息，能滿足森林資源調(diào)查和監(jiān)測要求。

雖然單木分割取得了較好的精度，但都是針對特定樹種和立地條件的，針對不同數(shù)據(jù)源和不同類型、不同郁閉度林業(yè)樣區(qū)，單木分割的最優(yōu)方法有待進一步研究。