馮啟翔

（1.廣州市房地產(chǎn)測繪院，廣東 廣州 510030；2.廣州市測繪產(chǎn)品質(zhì)量檢驗(yàn)中心，廣東 廣州 510030）

無人機(jī)遙感技術(shù)正處于快速發(fā)展之中，無人機(jī)遙感應(yīng)用具有許多優(yōu)勢（如操作靈活性），針對不同的應(yīng)用場景，業(yè)內(nèi)提出并驗(yàn)證了各種基于無人機(jī)的遙感方法。由于無人機(jī)飛行高度往往較低，無人機(jī)遙感很少受到云層的影響，飛行活動(dòng)可以更靈活地規(guī)劃和操縱。因此，大量基于無人機(jī)成像的應(yīng)用已經(jīng)在多個(gè)領(lǐng)域進(jìn)行了嘗試，如研究地質(zhì)構(gòu)造、森林、農(nóng)業(yè)等[1]。

傾斜攝影的亮點(diǎn)在于其技術(shù)優(yōu)勢，斜向成像可以用獨(dú)特的透視圖來補(bǔ)充傳統(tǒng)的垂直攝影。具體來說，這種技術(shù)可以看到建筑物、結(jié)構(gòu)或特征的每一面，并可以暴露盲點(diǎn)、出口和入口[2]。它還可以改進(jìn)對難以看到的基礎(chǔ)設(shè)施（如燈柱、電線桿、大道樹木等）的識別，它甚至可以直接測量地物的高度、長度和面積。而基于傳統(tǒng)的垂直攝影很難定位這些特征，這些優(yōu)勢已經(jīng)在生成城市區(qū)域的虛擬圖像、繪制三維城市模型的紋理、提取建筑的應(yīng)用中得到驗(yàn)證。

然而，無人機(jī)傾斜攝影成像較少應(yīng)用于城市園林和城市綠化中，樹木等植被的重建仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)椴煌暯窍?，它們的外觀可能會有很大差異[3]。雖然已經(jīng)有一些工作致力于通過從傾斜圖像生成點(diǎn)云（例如通過密集匹配）來開發(fā)解決方案，從無人機(jī)傾斜圖像中獲取樹木結(jié)構(gòu)參數(shù)的技術(shù)進(jìn)展一直被報(bào)道，但實(shí)踐表明，無人機(jī)的引入迄今為止幫助不大。雖然一些特征參數(shù)可以通過統(tǒng)計(jì)相關(guān)性進(jìn)行檢索，但樹高方面的測量結(jié)果與實(shí)際結(jié)果相差很大。

提取無人機(jī)傾斜圖像中的單個(gè)樹木可為其三維結(jié)構(gòu)重建提供一些先驗(yàn)知識。與傳統(tǒng)最低點(diǎn)攝影中的樹冠上表面相比，以無人機(jī)傾斜圖像形式表示的孤立樹木有助于提供更多屬性。事實(shí)上，有許多應(yīng)用場景只需要樹檢測，而不是復(fù)雜的樹結(jié)構(gòu)重建，涉及三維點(diǎn)的生成。因此，開發(fā)無人機(jī)傾斜圖像中直接檢測單株樹木的方法具有十分重要的意義。

目前，仍然缺乏直接在無人機(jī)傾斜圖像中檢測單個(gè)樹木的研究。針對這一差距，本研究試圖將無人機(jī)傾斜成像技術(shù)引入城市林業(yè)和城市綠化中的樹木調(diào)查，并致力于開發(fā)新方法，從無人機(jī)傾斜RGB 圖像中檢測住宅環(huán)境中的單個(gè)樹木。

1 數(shù)據(jù)獲取

1.1 無人機(jī)成像系統(tǒng)

無人機(jī)成像系統(tǒng)包括一架微型無人機(jī)md4-200，它是一種由電池供電的四旋翼無人機(jī)，能夠攜帶300克的有效載荷。這種無人機(jī)可以在一個(gè)小的開闊區(qū)域內(nèi)垂直起飛和降落，并且有一個(gè)帶有羅盤和慣性、陀螺、氣壓和GPS 傳感器的機(jī)載飛行控制器。使用當(dāng)前電池的飛行時(shí)間為10 ～20 分鐘。系統(tǒng)對風(fēng)敏感，要求風(fēng)速低于4 米/秒以獲得受控圖像塊[4]；風(fēng)速超過4 米/秒時(shí)，無人機(jī)會急劇傾斜，并導(dǎo)致較大的俯仰角和側(cè)傾角。md4-200 配備了理光GR Digital III（理光GR3）數(shù)碼緊湊相機(jī)。該相機(jī)的鏡頭固定焦距為6毫米，相機(jī)裝有一個(gè)7.6 毫米×5.7 毫米（3648×2736像素）的CCD 傳感器，像素大小為2μm。

1.2 數(shù)據(jù)獲取

研究區(qū)域位于廣州市南沙區(qū)（北緯22°38′，東經(jīng)113°35′），是一個(gè)典型的居住區(qū)。數(shù)據(jù)采集時(shí)間為2021 年8 月，采集高度約為地面以上40 米，傾斜圖像的角度是任意的。未經(jīng)失真校正等預(yù)處理，但直接用于測試的原始圖像以快視圖形式示出，如圖1 所示（主要＜0.2m GSD）。有道路、燈桿、樹木、汽車、草坪、灌木和建筑物，這些都是住宅環(huán)境中常見的組成部分。試驗(yàn)現(xiàn)場主要由紅色屋頂、綠色植被和灰色道路組成，它們的比例在不同地塊甚至不同視角下有所不同。一般來說，這表明植被是不可忽視的，這是試驗(yàn)場地顯示的宜居環(huán)境的特征。香樟和松樹的樹木高度中等（4 ～5 米），即使在單個(gè)圖像中，每棵樹的視角仍然不同，這表明僅基于有限數(shù)量的采集圖像驗(yàn)證所提出的算法是可行的。

圖1 不同角度的無人機(jī)傾斜影像

2 研究方法

2.1 成像特征分析

在傳統(tǒng)的樹木檢測工作中，高密度或中等密度森林區(qū)域的高空間分辨率圖像的三維視圖通常被描述為山地空間結(jié)構(gòu)[5]。對于具有這種圓錐形結(jié)構(gòu)的樹木，圖像中的明亮峰值對應(yīng)于通常具有更高水平太陽照明的樹梢。因此，檢測樹梢的問題可被視為在圖像中尋找明亮峰值的問題，即在其周圍像素中找到亮度值最大的像素。對于VHR 圖像，大多數(shù)針對樹木檢測的算法仍然植根于這一原理。

然而，居住環(huán)境圖像中的樹木呈現(xiàn)出顯著的特征。首先，在這樣的圖像中，斜視圖會使樹頂偏離其中心，而樹頂可能不是最亮的部分。其次，無人機(jī)低空飛行引發(fā)的超高空間分辨率（UHR，GSD＜0.5m）使樹冠顯示出較大的反射率變化，將其視為傳統(tǒng)假設(shè)的山地空間結(jié)構(gòu)是不合適的[6]。第三，在無人機(jī)傾斜圖像中，單個(gè)樹木的背景往往在很大程度上不同，無人機(jī)傾斜圖像可能會顯示以道路、土地、草坪、燈桿、墻壁或其混合物為背景的單個(gè)樹木。因此開發(fā)適合無人機(jī)傾斜圖像中樹木檢測的新算法需要考慮上述所有特征。

2.2 算法程序

圖2 算法流程

2.2.1 土地覆蓋分類

（1）基于顏色的k 均值聚類圖像分割

居住環(huán)境通常意味著圖像中復(fù)雜的顏色分布，這對于單個(gè)樹木的檢測是一個(gè)挑戰(zhàn)。為了克服這個(gè)問題，首先對土地覆蓋分類進(jìn)行操作，這有助于限制樹木檢測的有效范圍。本研究基于顏色的圖像分割算法，k均值是用于確定數(shù)據(jù)集中存在的自然光譜分組的聚類算法，數(shù)據(jù)中要定位的集群數(shù)量提前給出。該算法在多維測量空間中任意地對該數(shù)量的聚類中心進(jìn)行定位。圖像中的每個(gè)像素都被分配給任意平均向量最接近的簇。該過程持續(xù)進(jìn)行，直到在算法的連續(xù)迭代之間，類平均向量的位置沒有顯著變化。然后，利用k 均值聚類的結(jié)果對圖像中的每個(gè)像素進(jìn)行標(biāo)記，從而對圖像進(jìn)行分割。

（2）使用從RGB 導(dǎo)出的新植被指數(shù)進(jìn)行圖像分類

分割結(jié)果并不意味著每個(gè)分段對應(yīng)的對象類型已知，需要確定由樹木組成的植被段集。對于這個(gè)問題，植被指數(shù)的傳統(tǒng)概念有助于對如何構(gòu)思可能的解決方案提供一些啟發(fā)。眾所周知，植被識別通常采用歸一化差異植被指數(shù)（NDVI）的參數(shù)（Liang，2004）。盡管理光GR3 相機(jī)的RGB 相關(guān)顏色通道與NDVI 中通常定義的光譜帶并不完全一致，但可以基于相機(jī)R 和B 波段（NrbVI）合成一個(gè)類似NDVI 的植被指數(shù)，用于植被識別。如公式（1）所示，NrbVI 值大于0.1 的像素可以標(biāo)記為植被類型，這符合NDVI 應(yīng)用中的常見規(guī)則。

注意提取的像素需要進(jìn)一步篩選，以減少顏色通道不一致情況下引入的虛假像素。考慮到輸入的不一致性往往表現(xiàn)為極端的輸出情況，但數(shù)量很少，篩選是基于統(tǒng)計(jì)數(shù)據(jù)進(jìn)行的。具體而言，根據(jù)直方圖單獨(dú)分析RGB 值，并使用高斯函數(shù)擬合其概率分布，它們的平均和標(biāo)準(zhǔn)偏差參數(shù)可以計(jì)算出來，然后將排除位于范圍之外的像素。從理論上講，這種行為可以增加顏色通道一致性的比率，并且可以以更高的精度識別植被覆蓋。

（3）通過綜合分割和分類結(jié)果生成植被覆蓋圖

很難保證存在一組完全重疊植被類型像素的同類型分段。解決方案是使用邏輯AND 運(yùn)算處理它們的重疊程度。經(jīng)過重疊像素統(tǒng)計(jì)和比較，顯示最大重疊程度的一組線段被視為植被覆蓋圖。

2.2.2 植被特征轉(zhuǎn)換

植被覆蓋圖可以有效地縮小單個(gè)樹木檢測的搜索范圍，但仍然不能直接給出孤立的樹木。此外，樹木、灌木和草坪在顏色上的相似性使它們很難區(qū)分。就亮度而言，樹木可能比草坪暗、類似草坪或比草坪亮。因此，單純依靠RGB 值的參數(shù)不足以區(qū)分樹木、灌木和草坪。為了區(qū)分不同的植被類型，需要找出能夠一致表征其特征的新參數(shù)。

事實(shí)上，就質(zhì)地而言，樹冠明顯不同于草坪，樹枝和樹葉的復(fù)雜多變的布局使得樹冠比草坪表現(xiàn)出更高的顏色變化，草坪在相對光滑的表面上往往呈現(xiàn)出相對較高的反射率，尤其是在斜視圖中較明顯。當(dāng)然，亮度作為植被類別的一個(gè)重要指標(biāo)仍然是假設(shè)的，畢竟在大多數(shù)情況下，樹木呈現(xiàn)出與草坪不同的顏色。此外，如果樹木和草坪顯示相同的紋理，顏色可能會有所幫助。

因此，通過合成用于植被特征轉(zhuǎn)換的紋理和RGB亮度的特征參數(shù)，提出了公式（2）中列出的新參數(shù)。對于植被覆蓋圖中的每個(gè)像素，其值將替換為公式（2）的結(jié)果。具體來說，在植被覆蓋圖上部署半徑為R 的圓形窗口，其中心位于每個(gè)像素上。對于每個(gè)這樣的像素，窗口內(nèi)像素的標(biāo)準(zhǔn)偏差（std）和R、G 和B 值的平均值Pmn-Pij≤R是計(jì)算出來的。然后，將像素值替換為它們各自的比值之和。由于使用圓形窗口只是為了檢查紋理特征，因此可以通過比較經(jīng)驗(yàn)得出的樹木大小或樹木樣本的平均大小與平均GSD 來確定R 值。這個(gè)新變量的新植被特征圖將用于單株樹木檢測。

2.2.3 單株樹檢測

本文使用標(biāo)記控制的分水嶺分割提取單株樹木。植被特征圖有助于提取單株樹木，而且樹木和灌木的亮度相對高于草坪。然而，這與植被覆蓋圖中顯示的場景不同?；谶@一現(xiàn)象，本文提出一種基于分水嶺分割的樹木檢測解決方案。分水嶺分割的原理是將灰度圖像視為地形表面，其高度與灰度成反比，然后逐漸淹沒。隨著水位上升，封閉的分水嶺線可以形成分段的邊界，即此處的單個(gè)樹木，該方法可以在一定程度上解決冠合并問題。

3 數(shù)據(jù)處理和精度評估

3.1 植被覆蓋圖

首先，使用k 均值聚類的基于顏色的圖像分割的結(jié)果如圖3（a）所示。分割產(chǎn)生了三種土地覆蓋類型，即綠色標(biāo)記植被、紅色標(biāo)記建筑屋頂和藍(lán)色標(biāo)記其他。而后，使用從RGB 導(dǎo)出的新植被指數(shù)（NrbVI）進(jìn)行圖像分類，結(jié)果如圖3（b）所示。在這種情況下，從原始圖像中導(dǎo)出的用于公式（2）中R、G 和B 的平均值和標(biāo)準(zhǔn)偏差分別為63 和21、77 和26，以及7 和21。雖然并非所有的植被都已經(jīng)被提取，但提取的像素大多屬于植被。這確保了下一次操作的效果。在綜合分割和分類結(jié)果后，如圖3（c）所示為植被覆蓋圖生成結(jié)果。

圖3 植被覆蓋圖生成結(jié)果

3.2 植被特征圖

圖4（a）中示出了窗口半徑R 設(shè)置為15 像素的步驟2 的結(jié)果。與直接從RGB 彩色圖像轉(zhuǎn)換而來的相應(yīng)灰度圖像[如圖4（b）所示]中的場景相比，在生成的植被特征圖中，樹木比草坪相對明亮。事實(shí)上，一些在RGB 圖像中很難通過視覺判讀識別的樹木在NrbVI變換后清晰地顯示出閃亮的斑點(diǎn)。在RGB圖像中，一些模式相同的小尺寸樹也顯示出清晰的邊界。這有助于區(qū)分個(gè)別樹木。

圖4 植被特征圖

3.3 單株樹檢測

使用標(biāo)記控制的分水嶺分割提取單個(gè)樹木的結(jié)果如圖5 所示。形狀分析后（通過對PCA 確定的長軸與其垂直軸之間的比率設(shè)定閾值，并排除邊界線性部分的樹木），可以在一定程度上排除特征類似于樹木的灌木和當(dāng)?shù)夭萜?。然后，在? 的圖2a 和圖2b 中，分別確定54 和33 棵形狀相對完整且可區(qū)分的樹作為基本事實(shí)，并根據(jù)誤判和漏判誤差評估所提出算法的性能。如表1 所示，可以驗(yàn)證新算法的有效性。

圖5 單株樹分割結(jié)果

表1 算 法的精度評估

4 結(jié)論

本文提出的新特征參數(shù)綜合了紋理和RGB 亮度的常用特征參數(shù)，測試的結(jié)果驗(yàn)證了所開發(fā)的算法可用于在無人機(jī)采集的住宅環(huán)境的單個(gè)傾斜圖像中直接檢測單個(gè)樹木。該算法還需要不斷改進(jìn)，以適應(yīng)不同的場景。對于天然林中的單株樹木，可能會滿足不同的空間分布模式，樹冠可以部分成像，樹干可以完全著色，這將不同于本研究部署在住宅環(huán)境中的場景。在住宅環(huán)境中，單個(gè)樹木的分布相對孤立，樹干通常在圖像中可見。此外，將森林圖像區(qū)分為樹木和背景對象也是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)楣庹?、不同顏色陰影和不均勻的樹皮紋理等變化很大。因此，本研究中提出的算法在應(yīng)用于茂密森林時(shí)需要進(jìn)行調(diào)整。