高空間分辨率遙感的單木樹冠自動提取方法與應用

劉曉雙，黃建文，鞠洪波

（中國林業科學研究院 資源信息研究所，北京100091）

樹冠是樹木獲取光能并進行能量轉換的主要場所，也是在遙感影像中最容易反映樹木信息的部位。樹冠的大小和形態及反映在遙感影像上的光譜信息，是提取森林各種參數的重要依據。林分的林冠大小，對那些模擬能量或質量通過林冠傳遞的眾多模型來說，也是一個重要的輸入參數［1－4］。因此，單木樹冠提取對于研究森林的生長情況和動態變化非常有意義。隨著對地觀測技術的飛速發展，高空間分辨率遙感也很快進入到了森林研究領域。如今，衛星圖像的空間分辨率已經提高到0.6 m級，而航空遙感數字影像分辨率高達0.1 m以上。在這些高分辨率遙感影像上，森林中每株樹木的樹冠清晰可辨，但如何將單木樹冠提取出來仍然是一個難題。盡管通過目前常用的目視解譯方法提取樹冠能達到一定效果，但費時費力，并且提取結果的好壞與專業人員的技術有很大關系。運用計算機自動或半自動提取單木樹冠，將有望成為一種高效的方法來替代人工解譯，并且在提取精度上也將接近甚至超過人工解譯。

1 單木樹冠提取方法概述

傳感器自上而下拍攝，獲取的通常是樹木的頂部信息。因此，樹木在遙感影像上呈現為顆粒狀的樹冠。在森林資源調查中，冠幅是一個重要的調查因子，主要測量東西和南北2個方向的冠幅（樹冠直徑），來反映樹冠的大小。用高空間分辨率遙感影像提取樹冠輪廓，進而得到冠幅信息，可以直觀地反映出樹冠的大小和形態，省去了繁瑣的地面調查。單木樹冠自動或半自動提取研究始于20世紀90年代中期。目前，對于單木樹冠自動提取，國外學者已經作出了很多研究，對于某些特定的林分，已有了成型的算法并獲得了較高的精度。但由于森林自身的復雜性，單木樹冠信息自動提取技術具有相當的難度，至今還處于研究階段。國內有關這方面的研究才剛剛起步，缺乏系統的基礎性研究，自動化程度很低。鑒于此，筆者主要結合國外的相關文獻，對單木樹冠自動提取的各種方法和研究進展作了詳細的介紹，然后對單木樹冠提取的應用作了歸納，最后對現狀和發展前景作了展望。

單木樹冠提取的步驟主要分為2步。第1步首先對單木樹冠的位置進行探測，找到每個樹冠的中心點。第2步將探測到的樹冠中心點作為參照，找到單木樹冠的邊界點，從而對樹冠輪廓進行描繪。筆者接下來將分步驟對單木樹冠探測和描繪的各種方法進行詳細的介紹。

2 單木樹冠探測

單木樹冠探測的目的就是找到每個樹冠所在的位置，這是單木樹冠提取的基礎。在森林中，各種樹冠的冠形普遍表現為中間高四周低的形態。對于闊葉樹，樹冠近似呈現中心高四周低的圓拱形；對于針葉樹，樹冠近似呈現中心高四周低的尖塔形。因此，無論針葉樹冠還是闊葉樹冠都能找到一個中心最高點來定義樹冠的位置，這一點在遙感影像上具有較高的光譜反射率。局部最大值法（local maxima）就是通過尋找遙感影像中光譜反射率最高的點來確定樹冠的中心最高點。但局部最大值法在探測針葉樹冠中心時通常表現較好，這是由于針葉樹冠的最高點較明顯。而對于闊葉樹冠，同一個樹冠經常會探測到多個局部最大值點。因此，局部最大值法更適合對針葉樹冠進行探測。另一些單木樹冠探測法打破了局部最大值法的局限，直接從樹冠形狀入手。這些以樹冠形狀為切入點的方法適用性較廣，對針葉樹種和闊葉樹種都適用，但不適用于緊密度過高的林分。這些方法包括模板匹配法（template-matching）、 谷地跟蹤法（valley-following）和多尺度樹冠提取法（multiple scale approach）。以下分別對上述方法進行介紹。

2.1 局部最大值法

綜合國內外各種單木樹冠探測方法的研究，局部最大值法是最典型且應用最多的方法。局部最大值法用局部最大值濾波器（local maxima filter）通過1個移動窗口，探測影像中的局部光譜最大值點作為樹冠中心點。只要探測到局部最大值點，就可以用這些點作為參照，進一步找到樹冠的邊緣并描繪樹冠輪廓。

2.1.1 固定窗口局部最大值 固定窗口局部最大值濾波采用的移動窗口大小一經確定以后就不再改變。移動窗口的大小根據遙感影像的分辨率大小和樹冠的平均尺寸由用戶自定義。當移動窗口的中心像元光譜值均大于鄰近像元時，就將中心像元確定為局部最大值。大多數樹冠探測的研究都是采用3×3的固定窗口探測影像中的光譜最大值［5－8］。Pouliot等［9］則參照了影像中樹冠的平均大小，將移動窗口選擇為15×15至30×30來探測局部最大值。Walsworth等［10］則是先使用3×3的高通濾波器，使樹冠邊緣的高頻部分得到增強，再利用3×3大小的移動窗口探測局部最大值。固定窗口局部最大值法較簡便快速，但移動窗口的大小是一個經驗值，需要用戶根據經驗或通過反復的試驗來確定。如果移動窗口過大，一些較小的樹冠將探測不到；如果移動窗口過小，一些較大的樹冠就會被割裂。因此，這種方法適用于樹冠大小較均勻的同齡林而不適用于樹冠大小懸殊的異齡林。

2.1.2 動態窗口局部最大值 動態窗口局部最大值濾波就是為了解決固定窗口在異齡林中的局限性而設計的。移動窗口沒有固定的大小，會根據不同的情況隨時調整。Culvenor［11］提出的樹木識別和描繪算法TIDA（tree identification and delineation algorithm）就是采用了動態窗口局部最大值濾波。這種方法用不同的線性距離分別判斷中心像元在上下左右4個線性方向是否為最大值，并記錄最大頻數（maxima frequency count）。是則記為1，不是記為0。若4個線性方向都為最大值，則最大頻數記為4。最大頻數最終記為0到4之間的數字。像元的最大頻數越大說明此像元為局部最大值的可能性越大。最后選取一個合適的最大頻數（一般為3或4）來篩選出局部最大值像元。另一種方法是通過計算來確定移動窗口的大小。Wilder等［12］利用半方差函數來計算移動窗口大小。公式如下：

其中：γ（h）為半方差，N（h）為像元對個數，Z（Xi）-Z（Xi+h）為任意像元對的光譜值之差，h為像元對之間的距離。半方差函數隨著像元之間距離的增加而增加。當像元距離增加到一定程度以后，半方差將不再增長并趨于平穩。計算的具體過程是從每個中心像元開始分別計算8個方向上的半方差函數，找到使函數值趨于平穩的像元距離，用8個方向上的平均像元距離來確定移動窗口大小。

2.1.3 結合樹高的局部最大值法 由于移動窗口大小比較難掌握，局部最大值法探測到的樹冠中心點經常會出現過多或過少的情況。對初步探測的局部最大值點進行必要的篩選和調整可以提高探測精度。在局部最大值探測中結合樹高數據將是一種新的方法。Rawert［13］通過數字表面模型（DSM，digital surface model）的最高點來探測針葉樹的樹冠中心。由于針葉樹的最高點通常標記著樹冠中心，因此，他認為對于大多數針葉樹來說最高點將成為樹冠探測的一個更好選擇。Hirschmugl等［14］對探測到的局部最大值點進行篩選，結合植被高度模型（VHM，vegetation height model）來排除高度小于10 m的局部最大值點。其中，植被高度模型是用數字表面模型與數字地形模型（DTM，digital terrain model）相減得到。

2.2 其他樹冠探測法

另一些樹冠探測法采用了與局部最大值法不同的思路，它們從樹冠邊界入手，直接探測出樹冠輪廓信息，而不必進行第2步的樹冠描繪過程。以下將分別介紹這些方法。

2.2.1 模板匹配法 目前，圖像的紋理、形狀等空間特征在遙感信息提取中越來越得到重視［15］。模板匹配法就是一種基于形狀特征的單木樹冠探測法，用樹冠形狀與圖像亮度進行匹配以提取樹冠。Pollock［16］嘗試將基于形狀的模板匹配法應用在樹冠提取的研究中。他考慮了樹的外觀所表現出的不同大小和形狀，對不同樹種采用了不同的模型進行提取。Larsen等［17］利用光學樹冠模型和影像獲取角度對不同大小、形狀和觀察條件的樹木外形進行了數學渲染并與圖像亮度進行了匹配以便定位樹木和確定樹冠尺寸。Warner等［18］使用了方向性紋理并運用一個專門為林分密度較高闊葉林設計的算法將像素和鄰近像素組聚合成樹冠。Johansen等［19］歸納了現有的模板匹配算法，提出了一種能夠產生人工模版影像的新的影像分析算法。這種影像分析算法用來制作三維立木圖，在丹麥橡樹Quercus robur林中的樹冠探測精度達到85%到98%。

2.2.2 谷地跟蹤法 谷地跟蹤法由Gougeon［5］于1995年提出，它通過跟蹤樹冠邊界呈現的光譜最小值來探測和描繪樹冠輪廓。此算法的具體過程是先用一個簡單的閾值區分出森林區和非森林區；然后用一個3×3的移動窗口在森林區內搜索局部最小值，當移動窗口的中心像元光譜值小于所有周圍像元時才認定為局部最小值；最后對全影像進行掃描，每當掃描到局部最小值就自動對局部最小值周圍的像元進行檢查，找到光譜值均小于兩側的點作為谷地像元（valley pixels），全影像掃描按照不同的順序反復進行，直到找不出谷地像元為止。但谷地跟蹤法并不是在所有情況下都表現良好，對于較密的冠層經常達不到理想的效果。例如，Leckie等［20］曾運用谷地跟蹤法對澳大利亞西海岸的幼年針葉林進行單木樹冠提取，提取出的樹冠個數只占林分中樹木總數的1/2到1/4，多株樹識別為一株樹的情況普遍存在。這主要是由于樹冠間的距離過于緊密，樹冠相互重疊在一起，使光譜最小值的區分度降低。因此，谷地跟蹤法更適合于提取樹叢或大齡的優勢樹。

2.2.3 多尺度樹冠提取法 由于森林中樹冠大小參差不齊，不同大小的樹冠都對應不同的尺度。多尺度樹冠探測目的是用不同的尺度探測不同大小的樹冠。Brandtberg等［21］在1998年曾嘗試用多尺度方法從高空間分辨率彩紅外航空影像中提取單木樹冠。他們對不同大小的樹冠采用不同的尺度，對每一個影像尺度都計算了灰度曲率，將帶有灰度曲率的過0點識別為樹冠輪廓。最終70%的樹冠提取結果與人工解譯結果相同。2002年，Brandtberg等［22］又用高采樣密度的雷達數據探測分析了南美洲東部落葉林的單木樹冠。樹冠探測過程中他們對數據進行了多尺度光柵化高斯平滑，以識別那些表現單個樹木的斑塊。6個試驗地的提取結果都是成功的，但與大樹相鄰的小樹冠很難作為一個單獨的對象被探測到。這說明即使采用多尺度樹冠對象提取也很難一次同時探測到非常小和非常大的樹冠。此后Hay等［23］又提出了多尺度特定對象分割（MOSS，multiscale object-specific segmentation），專門用于在高空間分辨率森林遙感影像中多尺度自動描繪樹冠對象。這種方法的目的是為了簡化當前一些基于對象的方法，將基于對象的方法綜合起來，使這些方法變得簡單、容易使用并減少用戶干預，同時又要盡量與人工解譯結果接近。MOSS包括3個部分：特定對象分析（OSA，object-specific analysis），特定對象尺度擴大（OSU，object-specific upscaling）和一種叫做尺寸限制區域融合（SCRM，size constrained region merging）的新的分割算法。

3 單木樹冠描繪

單木樹冠描繪是局部最大值樹冠探測過程的下一步，是在已知單木樹冠中心點的基礎上完成的。除了使用局部最大值法探測樹冠中心點，也可以用目視解譯方法找出中心點再描繪樹冠輪廓，但工作量大，自動化程度也降低了。單木樹冠描繪的目的是以探測到的樹冠中心點為參照，自動找到樹冠邊界，將樹冠描繪成閉合的多邊形。單木樹冠描繪也有很多種不同的方法。

3.1 種子區域生長法（seeded region growing）

種子區域生長法是將單木樹冠探測過程中產生的樹冠中心點作為種子點，將種子點周圍鄰域中各點的光譜值與種子點的光譜值作比較，若它們之間的光譜值之差小于預先設定的閾值，就將這些點合并到種子點所在的區域中；若它們之間的光譜值之差超過預先設定的閾值，則停止合并。這種方法利用的是同一樹冠內光譜的相似性確定樹冠的邊界。

種子區域生長法計算簡單，速度快，適用性很廣。在單木樹冠描繪領域中很多研究都是使用種子區域生長法來進行單木樹冠描繪［10，21］。Hirschmugl等［14］在近紅外波段設定閾值來終止種子生長過程。這個閾值不僅能區分樹冠和樹冠間隙，還能將針葉樹和闊葉樹區分開。他們同時還制定了一個程序，在相鄰種子區域使用閾值仍無法分開時，就自動使用種子像素間的垂直平分線來進行分割。

3.2 分水嶺分割法（watershed segmentation）

分水嶺分割法在計算機圖像分割領域中使用廣泛，目前，分水嶺算法已經逐漸成為許多強大分割程序中的一個基本步驟［24－25］。分水嶺分割法基于數學形態學，將影像的光譜值考慮為起伏的地形。在單木樹冠描繪中，分水嶺算法也見到了一些應用。主要的過程是先將原始影像生成梯度圖像，然后將梯度圖像進行邊緣細化的處理，最后搜索梯度圖像的局部最大值，這些局部最大值即為樹冠邊界。

由于分水嶺算法對微弱邊緣敏感，可以得到單像素寬的、連通的、封閉的及位置準確的輪廓，因而比較適合高空間分辨率遙感影像［26］。但分水嶺算法具有過度分割的特點，需要對圖像進行預處理或后處理。由于樹冠中心點已經確定，在分水嶺分割過程中就可以用樹冠中心點作為參照，解決過度分割問題。Wang等［8］就以樹冠中心點作為參照，利用分水嶺算法在樹冠中心點周圍描繪樹冠輪廓，達到了較好效果。

3.3 局部射線法（local transects）

2002年，Pouliot等［9］提出了局部射線法來描繪幼齡針葉林樹冠。這種算法以頂點為中心向四周引出若干條局部射線（local transects），探測每條射線中亮度變化率最大的點作為樹冠邊界點。射線法同樣可以用在樹冠探測中，檢驗探測到的局部最大值點周圍能否找到樹冠邊界，從而對最初的局部最大值濾波結果進行篩選。射線法的樹冠探測精度達到了91%，優于常規的固定窗口局部最大濾波。射線法的樹冠直徑提取精度也很好，與實地測量的直徑相比誤差不超過3%。同時研究還證明了樹冠直徑的提取精度隨著空間分辨率的增大而有所提高。熊軼群等［27］用Pouliot的射線法，并針對樹冠重疊現象對算法進行了改進。他們對樹冠中心點引出的若干條光譜射線進行高次曲線擬合，求其拐點作為樹冠邊界點。但提取結果會受到樹冠密度的影響。重疊較少的樹冠面積提取精度為87.82%，重疊較多的樹冠面積提取精度為84.91%。

4 單木樹冠提取應用

從自動提取的單木樹冠多邊形中可以輕易測量出單木樹冠的直徑和面積，而樹冠直徑和面積信息又與其他測樹因子相關。如胸徑和生物量都已證明與樹冠大小有密切的關系。因此，可以通過樹冠大小結合各種估測模型進一步估測樹木胸徑和森林生物量。提取得到的樹冠輪廓信息也為單木樹種的識別和分類奠定了基礎。利用提取的樹冠信息預測木材性質也已經走入了初步探索階段。

4.1 計算樹冠面積和郁閉度

從高空間分辨率遙感影像中提取的單木樹冠輪廓信息對計算單木樹冠面積和林分郁閉度非常有用。眾多對樹冠面積和郁閉度的研究都是基于物理模型，如Li-Strahler模型就是一種用TM（thematic mapper）影像反演樹冠大小和覆蓋度的模型［28］，在應用上也取得了一些成功［29－30］。但有學者指出陸地衛星TM影像的像素大小與樹冠大小相比懸殊太大，不能有效獲取樹冠結構［31］。從高空間分辨率遙感影像中直接提取的單木樹冠更加直觀準確，不必再引入復雜的模型。單木樹冠輪廓信息中包含了樹冠直徑和樹冠面積，從而為郁閉度的精確計算提供了便利。同時，由于高空間分辨率遙感可以大大減輕混合像元問題，樹冠面積和郁閉度的提取精度也會有所提高。Morales等［32］曾用IKONOS衛星影像對夏威夷島北部熱帶干旱森林的郁閉度作了定量提取，結果與實地測量的林冠覆蓋度有很大的相關性，相關系數R2高達0.86。

4.2 估測胸徑和生物量

一些研究已經發現，樹冠直徑與樹木胸徑有密切的關系［33－35］，而樹木胸徑又是一個與森林生物量密切相關的因子［36－38］。因此，利用樹冠輪廓信息中的樹冠直徑進行樹木胸徑和森林生物量建模，將可能成為一個新的選擇。對于一些現有的胸徑和生物量的估算模型來說，樹冠直徑或樹冠面積也一直是一個重要的輸入參數。比如，相容性的多自變量生物量模型中，自變量就需要考慮冠幅、冠長和冠體積等［39］。因此，用單木樹冠自動提取得到的樹冠直徑或面積結合各種模型推算樹木胸徑和森林生物量是一個便捷的選擇。

4.3 單木樹種識別和分類

在高空間分辨率遙感單木樹冠提取技術實現之前，樹種分類只能以大范圍的林分為單位。這種大尺度的分類對于純林尚能識別出樹種，而混交林則只能大致按照林型或樹種組成進行歸類。高空間分辨率遙感影像單木樹冠提取將每株樹木都提取出來，就可以實現以單木為尺度的樹種識別和分類了。Leckie［20］運用60 cm 高空間分辨率小型機載成像光譜儀 CASI（compact airborne spectrographic imager）影像對澳大利亞西海岸的幼年針葉林進行單木樹種識別和分類。在自動提取出單木樹冠以后，將16個試驗地林分中的所有樹木分為6個樹種類，平均分類誤差僅為7.25%。林分中大多數樹種的分類誤差都低于20%，極少數大于30%。

4.4 預測木材結構和性質

森林木材的結構和性質對于評價森林的經濟利用價值非常重要。對木材結構和性質的研究必須通過砍伐后對解析木各項指標的測定來完成。在20世紀初很多學者對木材結構性質與樹冠的關系進行了研究，旨在不經過砍伐，而用樹冠形態參數來估計木材性質。如今單木樹冠自動提取技術不僅讓獲取樹冠形狀尺寸方面的參數變得更加容易，更重要的是還能提供樹冠的各種光譜信息參數。這對于研究樹冠參數與木材性質之間的關系非常有利。對于如何利用樹冠信息預測木材結構和性質，建立遙感樹冠因子與木材性質關系模型，也正在初步探討［40－41］。

5 單木樹冠提取技術展望

單木樹冠自動提取對遙感空間分辨率的要求很高。高空間分辨率遙感可以使森林樹冠內部組成要素豐富的細節信息得到充分的表達。在高空間分辨率影像中樹冠的形狀、尺寸、紋理以及與相鄰樹冠的關系都能得到很好的表現。但缺點是數據量大，空間信息復雜，數據的處理分析比較困難。此外，遙感空間分辨率與光譜分辨率之間的矛盾也為樹冠提取造成了困難。為了解決這些問題，一些方法也應運而生。面向對象的提取技術可以緩解數據量大的問題。這種方法以像元類為分析提取對象［42－44］，代替了曾處于支配地位的逐像元處理方法，大大提高了數據處理的效率［45］。此外，全色數據與多光譜數據的融合可以緩和高空間分辨率與高光譜分辨率之間的矛盾［46－47］，融合后的數據既能提高空間分辨率又能在一定程度上保留原有的光譜信息。

但仍有一些問題有待解決。首先，任何一種單木樹冠提取的自動化方法都僅僅在某些特定林分下表現良好，并不適用于所有林分，這是由森林結構本身的復雜性決定的。一般情況下，疏林地或排列較規整的人工林，樹冠提取精度較高。而郁閉度高的密林，由于樹冠之間相接，重疊，提取精度相對較低。其次，對于生長狀況不佳的被壓木和幼樹，由于冠層的遮擋，也無法實現自動提取。這些受遮擋的樹木即便使用遙感目視解譯也同樣難以提取。因此單木樹冠自動提取的精度最大也只能與人工目視解譯精度相當或略好，而無法代替實地的每木檢尺。

未來高空間分辨率單木樹冠自動提取將會由二維向三維發展。高采樣密度激光雷達不僅可以獲取樹高，還可以獲取單木的三維樹冠結構信息。要提取樹木的三維信息，一般采樣密度要達到每平方米10個回波點左右［48－50］。此外，三維激光掃描系統也可以獲取樹木的三維空間點陣數據，但會受到樹冠間隙點的干擾，區分出樹冠外層點云是難點。三維樹木信息的獲取，可以進行林分的生長模擬，林分的三維重現，并大大提高生物量蓄積量等的估測精度。

現階段，用于進行單木樹冠提取的數據源大部分還是以航空影像為主，衛星影像用得較少。主要是由于衛星影像的空間分辨率還達不到單木樹冠提取研究的需要。但是最近幾年，具有更高空間分辨率的商用衛星已經陸續發射成功。2007年9月18日美國數字地球公司（DigitalGlobe）發射的World-View-1商用衛星可提供0.5 m分辨率的全色圖像。2008年9月6日美國地球之眼公司（GeoEye）發射的GeoEye-1商用衛星將提供0.41 m全色和1.65 m多光譜的高分辨率影像。高空間分辨率的衛星遙感影像能覆蓋地球的任何區域，適用性大大增強，獲取更加快捷［51］。遙感空間分辨率的提高和計算機技術的快速發展使我們有理由相信，基于高空間分辨率遙感的單木樹冠自動提取將會越來越普及，單木樹冠自動提取技術也會不斷走向成熟。這必將帶給現有的森林經營管理理念一個巨大的轉變。單木樹冠提取使森林參數能夠細化到每株具體的樹木，森林監測也將有望以單木為對象開展。屆時，森林經營管理將不再是一個粗放的概念，而是以個體樹木為單位，以實時高精度遙感信息提取為手段的精準集約化管理。

［1］CHEN Dexing，COUGHENOUR M B.GEMTM-A general model for energy and mass transfer of land surfaces and its application at the FIFE sites ［J］.Agric For Meteorol，1994，68（3－4）：145－171.

［2］LI Xiaowen，STRAHLER A H，WOODCOCK C E.A hybrid geometric optical-radiative transfer approach for modeling albedo and directional reflectance of discontinuous canopies ［J］.IEEE Trans Geosci Remote Sens，1995，33：466－480.

［3］NI Wenge，LI Xiaowen，WOODCOCK C E，et al.Transmission of solar radiation in boreal conifer forests：measurements and models ［J］.J Geophys Res，1997，102：29555－29566.

［4］SONG Conghe，BAND L E.MVP：a model to simulate the spatial patterns of photosynthetically active radiation under discrete forest canopies ［J］.Can J For Res，2004，34：1192－1203.

［5］GOUGEON F A.A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images ［J］.Can J Remote Sens，1995，21（3）：274－282.

［6］ERIKSON M.Segmentation of individual tree crowns in colour aerial photographs using region growing supported by fuzzy rules ［J］.Can J For Res，2003，33（8）：1557－1563.

［7］DRALLE K，RUDEMO M.Automatic estimation of individual tree positions from aerial photos ［J］.Can J For Res，1997，27：1728－1736.

［8］WANG Le，GONG Peng，BIGING G S.Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery ［J］.Photogramm Eng Remote Sens，2004，70（3）：351－357.

［9］POULIOT 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 Sens Environ，2002，82（2－3）：322－334.

［10］WALSWORTH N A，KING D J.Image modeling of forest changes associated with acid mine drainage ［J］.Comput Geosci，1999，25（5）：567－580.

［11］CULVENOR D S.TIDA：An algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery ［J］.Comput Geosci，2002，28（1）：33－44.

［12］WULDER 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 Sens Environ，2000，73（1）：103－114.

［13］RAWERT B.Automatic Tree-crown Segmentation Using LM Filters and Balloons ［D］.North Dartmouth：University of Massachusetts，2004.

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

［15］GONG Peng，MARCEAU D，HOWARTH P J.A comparison of spatial feature extraction algorithms for land-use mapping with SPOT HRV data ［J］.Remote Sens Environ，1992，40（2）：137－151.

［16］POLLOCK R J.The Automatic Recognition of Individual Trees in Aerial Images of Forests Based on A Synthetic Tree Crown Image Model［D］.Vancouver：The University of British Colombia，1996：172.

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

［18］WARNER T A，LEE J Y，MCGRAW J B.Delineation and identification of individual trees in eastern deciduous forest［C］//HILL D A，LECKIE D G.Proc.International Forum：Automated Interpretation of High Spatial Resolution Digital Imagery for Forestry.Victoria：Canadian Forest Service，Pacific Forestry Centre，February 10-12.BC，1998：81－91.

［19］JOHANSEN T，JEPPE M.Automatic stem mapping in three dimensions by template matching from aerial photographs［J］.Scandinavian J For Res，2002，17（4）：359－368.

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

［21］BRANDTBERG T，WALTER F.Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis ［J］.Mach Vision Appl，1998，11（1）：64－73.

［22］BRANDTBERG 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 Sens Environ，2003，85（3）：290－303.

［23］HAY G J，CASTILLA G，WULDER M A，et al.An automated object-based approach for the multiscale image segmentation of forest scenes ［J］.Int J Appl Earth Obs Geoinform，2005，7（4）：339－359.

［24］MEYER F，BEUCHER S.Morphological segmentation［J］.J Visual Commun Image Represent，1990（1）：21－46.

［25］NAJMAN L，COUPRIE M，BERTRAND G.Watersheds，mosaics，and the emergence paradigm ［J］.Discrete Appl Math，2005，147（2－3）：301－324.

［26］肖鵬峰，馮學智，趙書河，等.基于相位一致的高分辨率遙感圖像分割方法［J］.測繪學報，2007，36（2）：146－151.XIAO Pengfeng，FENG Xuezhi，ZHAO Shuhe，et al.Segmentation of high-resolution remotely sensed imagery based on phase congruency ［J］.Acta Geod Cartogr Sin，2007，36（2）：146－151.

［27］熊軼群，吳健平.基于高分辨率遙感圖像的樹冠面積提取方法［J］.地理與地理信息科學，2007，23（6）：31－33.XIONG Yiqun，WU Jianping.Tree-crown area detection algorithm for high spatial resolution remote-sensing image ［J］.Geogr Geo-Inform Sci，2007，23（6）：31－33.

［28］LI Xiaowen，STRAHLER A H.Geometric-optical modeling of a conifer forest canopy ［J］.IEEE Trans Geosci Remote Sens，1985，23：705－721.

［29］FRANKLIN J，STRAHLER A H.Invertible canopy reflectance modeling of vegetation structure in semi-arid woodland［J］.IEEE Trans Geosci Remote Sens，1988，26：809－825.

［30］WU Yecheng，STRAHLER A H.Remote estimation of crown size，stand density and foliage biomass on the Oregon tran-sect［J］.Ecol Appl，1993（4）：299－312.

［31］COHEN W B，SPIES T A.Semivariograms of digital imagery for analysis of conifer canopy structure ［J］.Remote Sens Environ，1990，34（3）：167－178.

［32］MORALES R M，MIURA T，IDOL T.An assessment of Hawaiian dry forest condition with fine resolution remote sensing［J］.For Ecol Manage，2008，255（7）：2524－2532.

［33］READ J M，CLARK D B，VENTICINQUE E M，et al.Application of merged 1-m and 4-m resolution satellite data to research and management in tropical forests ［J］.J Appl Ecol，2003，40（3）：592－600.

［34］BECHTOLD W A.Largest-crown-width prediction models for 53 species in the western United States ［J］.Western J Appl For，2004，19（4）：245－251.

［35］HEMERY G E，SAVILL P S，PRYOR S N.Applications of the crown diameter-stem diameter relationship for different species of broadleaved trees ［J］.For Ecol Manage，2005，215（1－3）：285－294.

［36］BROWN S，GILLESPIE A J R，LUGO A E.Biomass of tropical forests of south and southeast Asia ［J］.Can J For Res，1991，21：111－117.

［37］CLARK D B，CLARK D A.Landscape-scale variation in forest structure and biomass in a tropical rain forest［J］.For Ecol Manage，2000，137（1－3）：185－198.

［38］ALVES L F，SANTOS F A M.Tree allometry and crown shape of four tree species in Atlantic rain forest，southeast，Brazil［J］.J Trop Ecol，2002，18：245－260.

［39］唐守正，張會儒，胥輝.相容性生物量模型的建立及其估計方法研究［J］.林業科學，2000，36（1）：19－27.TANG Shouzheng，ZHANG Huiru，XU Hui.Study on establish and estimate method of compatible biomass model ［J］.Sci Silv Sin，2000，36（1）：19－27.

［40］劉杏娥，江澤慧，費本華，等.利用遙感技術預測人工林木材性質及其產品價值的初探［J］.林業科學研究，2005，18（4）：425－429.LIU Xing’e，JIANG Zehui，FEI Benhua，et al.Discussion on prediction of wood properties and product values of plantation by remote sensing technology ［J］.For Res，2005，18（4）：425－429.

［41］王小青，劉杏娥，任海青.樹冠特征對小黑楊木材性質和生長量的影響研究［J］.林業科學研究，2007，20（6）：801－806.WANG Xiaoqing，LIU Xing’e，REN Haiqing.Effects of crown attributes on wood characteristics and increments of Populus×xiaohei［J］.For Res，2007，20（6）：801－806.

［42］LALIBERTE A S，RANGO A，HAVSTAD K M，et al.Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico ［J］.Remote Sens Environ，2004，93（1－2）：198－210.

［43］GITAS I Z，MITRI G H，VENTURA G.Object-based image classification for burned area mapping of Creus Cape，Spain，using NOAA-AVHRR imagery ［J］.Remote Sens Environ，2004，92（3）：409－413.

［44］QUARTEL S，ADDINK E A，RUESSINK B G.Object-oriented extraction of beach morphology from video images ［J］.Int J Appl Earth Obs Geoinform，2006，8（4）：256－269.

［45］WIDLOWSKI J L，LAVERGNE T，PINTY B，et al.Towards a high spatial resolution limit for pixel-based interpretations of optical remote sensing data ［J］.Adv Space Res，2008，41（11）：1724－1732.

［46］DUPORT B G.WaveMerg：a multiresolution software for merging SPOT panchromatic and SPOT multispectral data ［J］.Environ Mod Software，1997，12（1）：85－92.

［47］YANG Xuhong，JING Zhongliang，LIU Gang，et al.Fusion of multi-spectral and panchromatic images using fuzzy rule［J］.Comm Nonlin Sci Numer Simul，2007，12（7）：1334－1350.

［48］BRANDTBERG 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 Sens Environ，2003，85（3）：290－303.

［49］CLARK M L，CLARK D B，ROBERTS D A.Small-footprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape ［J］.Remote Sens Environ，2004，91（1）：68－89.

［50］MALTAMO M，EERIKAINEN K，PITKANEN J，et al.Estimation of timber volume and stem density based on scanning laser altimetry and expected tree size distribution functions ［J］.Remote Sens Environ，2004，90（3）：319－330.

［51］SONG Conghe.Estimating tree crown size with spatial information of high resolution optical remotely sensed imagery ［J］.Int J Remote Sens，2006，28（15）：3305－3322.