基于無人機影像的樹木株數提取

胡馨月 倪海明 戚大偉

摘 要：為了充分挖掘無人機圖像，快速有效地提取樹木信息，利用無人機數據生成的正射影像作為研究對象，提出一種Mean Shift算法和分水嶺分割算法相結合的林木株數提取方法。該方法利用Mean Shift算法對從RGB圖像中提取的G通道圖像進行有效地聚類和平滑處理，然后將其輸入到結合形態學運算以及歐氏距離變換的分水嶺分割算法中進行單木檢測和樹木株數提取。實驗結果表明：與目視解譯并計數的10塊樣地結果相比，本文研究方法的樹木株數提取精度在92.74%左右。該方法可以有效地檢測單木及提取樹木株數，并且具有較好的提取精度。

關鍵詞：樹木株數;無人機影像;分水嶺分割;Mean Shift算法

中圖分類號：S757.2;TP79 ? ?文獻標識碼：A ? 文章編號：1006-8023（2021）01-0006-07

Abstract：To fully explore unmanned aerial vehicle （UAV） imagery and extract forest information efficiently， this study used an orthophoto derived from UAV data to propose a tree counts extraction method combining the Mean Shift algorithm and watershed segmentation algorithm. The method utilized the Mean Shift algorithm to efficiently cluster and smooth the G channel images extracted from RGB images. These images were then fed into the watershed method which combined morphology operation and Euclidean distance for individual treetop detection and tree count extraction. The result showed that the tree counts extraction ?accuracy of the algorithm in this paper was approximately 92.74% when the result was compared to ten manually marked and counted plots. The result demonstrated that this method was efficient to detect individual tree and extract tree counts， and had better detection accuracy.

Keywords：Tree counts; UAV imagery; watershed segmentation; Mean Shift algorithm

0 引言

森林是陸地生態系統的重要組成部分，是人類賴以生存和發展的重要自然資源之一[1]。作為林業研究的重要組成部分，及時、準確地統計樹木株數、樹高和樹冠大小等森林信息，對于動態監測森林演替、森林結構定量分析和生物量估算具有重要意義[2]。在過去的幾十年里，衛星遙感作為一種傳統的方法拍攝目標區域，獲取正射影像圖，從而監測該區域的實際情況。然而，通過衛星遙感獲取的森林圖像很難準確地測量和獲取局部微觀信息，大大增加了識別和提取林木株數、冠層輪廓等林分因子的難度，并且在實際應用中，衛星成像技術會受到返航頻率低、空間分辨率低、操作成本高、復雜度高以及分析圖像交付時間長等限制[3]，難以滿足現代林業發展的需要。隨著航空航天工程技術的不斷進步，利用無人機來獲取低空表面圖像這一相對較新的概念正在逐步推廣應用。無人機具有超高的空間分辨率、相對較低的操作成本，以及接近實時的圖像采集等優點[4]，有利于林業資源調查與研究。

近年來，對無人機圖像的研究日益深入[5]。研究者們利用多種方法分割單木并提取樹木信息[6]，例如使用鄰域最高過濾法提取行道樹信息[7]或使用搜索局部極大值法分割單木[8]。目前用于單木檢測的主要方法是利用機載激光雷達數據[9-11]，測量樹高和冠層面積等林分因子[12-13]。雖然使用機載雷達技術分割單木已經有了相當多的研究，但是針對二維圖像進行單木檢測的研究也是尤為重要的。盡管二維影像缺少樹冠的直接三維信息，但是與激光雷達相比，其獲取成本更低，也更容易處理[14]。在這些方法中，分水嶺分割算法是較為廣泛應用于圖像分割的算法之一，并且它可以自然有效地分割樹木圖像[15-16]。因此，本研究探索利用無人機影像分割單木，自動化提取樹木株數的方法，以期可以快速簡單地獲取樹木株數，并且使提取精度滿足現代化林業要求。

1 研究區概況

本文研究區域位于廣西大隆鎮石腳村，以樹齡在5 a左右的桉樹為主，研究區域覆蓋面積約為16.55 hm2。桉樹是一種常綠闊葉林，是中國南方最重要的經濟速生林種之一。桉樹林是一個巨大的碳庫。每公頃的桉樹每年可吸收9 t二氧化碳并同時釋放氧氣。是一類比較理想，能在短期內幫助緩解環境矛盾的樹種。快速、及時、準確地獲取樹木信息對林業研究具有重要意義。數據源為無人機影像。在實際應用中，利用無人機數據進行圖像分割并采集樹木信息的最基本要求是簡單、實用、精度可靠[17]。本文通過Agisoft photoscan軟件處理無人機圖像，并輸出正射影像圖。為了驗證方法的有效性，選取了10塊樣地進行實驗，運用的軟件工具為MATLAB 2016a。

2 圖像預處理

2.1 圖像通道選擇

在圖像分析和分割之前，需要進行圖像預處理以消除不相關的圖像信息，并增強信息的可提取性。采集到的樹木無人機圖像分辨率較高，圖像較大，為了提高運算效率，就需要最大限度地簡化信息數據。因此，本文采用分量法簡化數據，分別分析比較R通道、G通道以及B通道圖像，如圖1所示。從圖1中可以看出，G通道相比于R通道和B通道整體亮度適中，目標及背景對比度適中，對于冠層間間隙能更清晰地顯示出來。G通道圖像優勢明顯，適合進一步處理。因此，本文選擇G通道進行處理。

2.2 圖像平滑

由于受到非理想成像環境和儀器差別等客觀因素影響，采集到的桉樹圖像不可避免地存在著諸如噪聲、亮度不均勻、目標對比度及清晰度較低等問題，所以需要對圖像進行平滑操作去除噪聲。本文通過Mean Shift算法對圖像進行聚類和平滑處理。Mean shift這個概念最早是由Fukunaga等[18]于1975年在一篇關于概率密度梯度函數估計的文章中提出來的，表示偏移的均值向量。它是一種魯棒自適應的非參數密度估計的迭代算法。其核心是對特征空間的樣本點進行聚類，樣本點沿梯度上升方向收斂至密度梯度為零的點，即模態點，Mean Shift算法是一種無需估計密度即可找到零點的算法[19]，可以有效去除圖像噪聲，并很好地保留圖像邊緣輪廓。

從公式（5）中可以看出，Mean Shift算法進行圖像聚類平滑與帶寬參數（hs， hr）有關。本文采用不同帶寬對樹木無人機圖像進行聚類平滑，并進行對比實驗，經過對比分析，選擇帶寬參數（hs， hr）為（10，10）對圖像進行平滑操作，平滑后的圖像及不同帶寬參數平滑圖像結果如圖2所示。

3 樹木株數提取

研究區域的正射影像圖的前景和背景的對比度低，并且森林郁閉度高，樹冠之間存在重疊、粘連，樹冠內部不規則等情況，對于后續的圖像分割帶來了難度。分水嶺分割算法把一幅圖像看作一個地形表面，圖像的每個像素點的灰度值表示高程[21-22]。圖像中的每個局部極小值稱為低洼，降落的雨水會沿著地形表面流向低處，流向同一低洼的點稱為與該低洼相關的集水盆地，另一些流向其他低洼的點稱為分水線[23]。分水嶺分割算法的特點適用于分割樹木圖像。但是直接對平滑后的圖像進行傳統分水嶺分割后，仍然存在少量區域出現過分割等問題。

所以本文首先對經過Mean Shift算法聚類平滑處理后的圖像進行二值化處理，減少部分噪聲和數據量，并且突出待分割圖像的邊緣輪廓。然后利用數學形態學開閉重建運算消除圖像中存在的細小孔隙。對于形態學混合開閉重建運算來說，其本質是非線性區域連通算子的濾波器[24]。圖像經過重建技術處理后，不會改變目標原有的結構，且對于圖像的邊緣影響不大，減少和消除了分水線位置偏移和過分割現象。以構造半徑為4的圓盤創建結構元素，并利用MATLAB中imerode，imdilate和imreconstruct函數對圖像進行形態學開閉重建運算。之后將處理后的圖像進行距離變換。距離變換即計算每個像素點到最接近非零值像素的距離，將二值圖像轉換成距離圖像。本文應用歐氏距離進行距離變換。歐氏距離公式為：

在標記樹冠中心、提取單木株數的過程中，如果標記點位于單木樹冠中心或其冠層內，并僅有一個標記點，該單木則被正確識別標記。非林木區域被誤判為單木并標記了中心點或一個樹冠被標記多個點的情況視為誤判錯誤;單木樹冠未被標記或在多樹冠重疊情況下只標記出一個標記點的情況則視為漏判錯誤。

結合Mean Shift平滑算法和分水嶺分割算法提取樹木株數，其中應用不同的帶寬參數會產生不同的平滑效果，進而影響圖像分割和株數提取的結果。通過公式（5）以及不同帶寬參數平滑圖像對比結果，可以看出，當hs增大時，參與運算的采樣點增加，被平滑的像素值距離原始像素值的偏離也就越大，從而有可能導致失真;當hr增加時，只有高對比度的特征信息才會存在。將不同帶寬參數平滑后的圖像提取樹木株數，并與目視解譯結果進行比較，帶寬參數為（10，10）時，提取精度更好。以樣地3為例，結果見表1。

在研究區內選取10個樣地對其進行樹木株數提取。統計結果見表2。由表2結果可以看出，總體提取精度92.74%，錯分誤差為6.63%，漏分誤差為13.90%。本文算法仍然存在部分漏分割以及誤分割。出現漏分割的主要原因是由于研究區域的森林郁閉度比較高，樹木冠層之間存在粘連或相互遮擋等情況，以及部分樹木較矮，導致樹木未識別，造成漏分割、漏分誤差較高的情況。出現錯分誤差的主要原因是在研究區域內仍存在少量非林木區域，在提取過程中誤將非林木區域錯誤識別成單木。

5 結論

以無人機獲取的樹木影像為數據，實現了對森林樣地株數的自動化提取與統計。通過精度分析表明，本文所提出的算法能夠較好地檢測出郁閉度較高地區的單個樹木。即使樹木的樹冠大小和高度都有所不同，仍然可以檢測到大多數樹木，總體精度可以達到92.74%左右，是一種有效的株數提取算法，提取精度也有所提高。

樹木株數提取算法仍然存在一定問題。由于未能到達實地進行人工采集數據，所以僅能通過目視解譯提取的數據進行精度評價。并且森林郁閉度較高以及樹木高度不同也都導致檢測精度下降。未來將進一步深入研究結合其他方法和數據來提高樹木株數提取精度。

【參 考 文 獻】

[1]宋彩平.基于GIS的森林生態效益空間分析研究[D].哈爾濱：東北林業大學，2005.

SONG C P. Research on the forest ecosystem based on the space analysis of GIS[D]. Harbin： Northeast Forestry University， 2005.

[2]MOHAN M， SILVA C A， KLAUBERG C， et al. Individual tree detection from unmanned aerial vehicle （UAV） derived canopy height model in an open canopy mixed conifer forest[J]. Forests， 2017， 8（9）： 340.

[3]POBLETE-ECHEVERRI A C， OLMEDO G， INGRAM B， et al. Detection and segmentation of vine canopy in ultra-high spatial resolution RGB imagery obtained from unmanned aerial vehicle （UAV）： a case study in a commercial vineyard[J]. Remote Sensing， 2017， 9（268）： 14.

[4]ZHANG C H， KOVACS J M. The application of small unmanned aerial systems for precision agriculture： a review[J]. Precision Agriculture， 2012， 13（6）： 693-712.

[5]XIAO C L， QIN R J， XIE X F， et al. Individual tree detection and crown delineation with 3D information from multi-view satellite images[J]. Photogrammetric Engineering and Remote Sensing， 2018， 85（1）： 55-63.

[6]YILMAZ V， GNGR O. Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds[J]. International Journal of Remote Sensing， 2019， 40（2）： 468-505.

[7]曹明蘭，張力小，王強.無人機遙感影像中行道樹信息快速提取[J].中南林業科技大學學報，2016，36（10）：89-93.

CAO M L， ZHANG L X， WANG Q. Rapid extraction of rural house information from UAV remote-sensing images[J]. Journal of Central South Forestry University， 2016， 36（10）： 89-93.

[8]CHEN Q， BALDOCCHI D D， GONG P， et al. Isolating individual trees in a Savanna woodland using small footprint lidar data[J]. Photogrammetric Engineering and Remote Sensing， 2006， 72（8）： 923-932.

[9]AYREY E， FRAVER S， KERSHAW J A， et al. Layer stacking： a novel algorithm for individual forest tree segmentation from LiDAR point clouds[J]. Canadian Journal of Remote Sensing， 2017， 43（1）： 16-27.

[10]邢艷秋，姚松濤，李夢穎，等.基于機載全波形LIDAR數據的森林地上生物量估測算法研究[J].森林工程，2017，33（4）：21-26.

XING Y Q， YAO S T， LI M Y， et al. Estimation algorithm of forest aboveground biomass based on airborne full - waveform LIDAR Data[J]. Forest Engineering， 2017， 33（4）：21-26.

[11]陶歡，李存軍，謝春春，等.基于HSV閾值法的無人機影像變色松樹識別[J].南京林業大學學報（自然科學版），2019，43（3）：99-106.

TAO H，LI C J，XIE C C，et al.Recognition of red-attack pine trees from UAV imagery based on the HSV threshold method[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（3）：99-106.

[12]孫拱，閆燦，辛穎.基于改進的K-means算法估測單木樹高[J].森林工程，2019，35（6）： 31-35.

SUN G， YAN C， XIN Y. Estimating single tree height based on improved K-means algorithm[J]. Forest Engineering， 2019， 35（6）：31-35.

[13]YIN D M， WANG L. Individual mangrove tree measurement using UAV-based LiDAR data： Possibilities and challenges[J]. Remote Sensing of Environment， 2019， 223： 34-49.

[14]WEINSTEIN B G， MARCONI S， BOHLMAN S， et al. Individual tree-crown detection in RGB imagery using semi-supervised deep learning neural networks[J]. Remote Sensing， 2019， 11（11）： 1309.

[15]闞江明，李文彬.基于數學形態學的樹木圖像分割方法[J].北京林業大學學報，2006，28（S2）：132-136.

KAN J M， LI W B. Method of tree image segmentation based on mathematical morphology[J]. Journal of Beijing Forestry University， 2006， 28（S2）： 132-136.

[16]李丹，張俊杰，趙夢溪.基于FCM和分水嶺算法的無人機影像中林分因子提取[J].林業科學，2019，55（5）：180-187.

LI D， ZHANG J J， ZHAO M X. Extraction of stand factors in UAV image based on FCM and watershed algorithm[J]. Scientia SilvaeSinicae， 2019， 55（5）： 180-187.

[17]梁文海，劉吉凱，張偉，等.基于面向對象方法的GF-2影像桉樹林信息提取[J].浙江農林大學學報，2017，34（4）：721-729.

LIANG W H， LIU J K， ZHANG W， et al. Extracting Eucalyptus information using GF-2 images based on an object-oriented method[J]. Journal of Zhejiang A&F University， 2017， 34（4）： 721-729.

[18]FUKUNAGA K， HOSTETLER L. The estimation of the gradient of a density function， with applications inpattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.

[19]COMANICIU D， MEER P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactionson Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[20]熊平， 白云鵬.帶寬自適應MeanShift圖像分割算法[J].計算機工程與應用，2013，49（23）：174-176.

XIONG P， BAI Y P. Mean shift image segmentation algorithm with adaptive bandwidth[J]. Computer Engineering and Applications， 2013， 49（23）： 174-176.

[21]VINCENT L， SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991， 13（6）： 583-598.

[22]蔣佳文，溫小榮，顧海波，等.基于多站掃描的點云特征參數與材積結構動態分析[J].南京林業大學學報（自然科學版），2019，43（6）：83-90.

JIANG J W，WEN X R，GU H B，et al.Dynamic analysis of point cloud characteristic parameters and volume structure based on multi-station scan[J].Journal of Nanjing Forestry University（Natural Science Edition），2019，43（6）：83-90.

[23]何東健.數字圖像處理[M].2版.西安：西安電子科技大學出版社，2012.

HE D J. Digital image processing [M]. 2nd ed. Xian： Xidian University Press， 2012.

[24]鄭鑫，王瑞瑞，靳茗茗.基于形態學閾值標記分水嶺算法的高分辨率影像單木樹冠提取[J].中南林業調查規劃，2017，36（4）：30-35.

ZHENG X， WANG R R， JIN M M. Extraction of high-resolution images of single tree crown based on watershed algorithm with morphological threshold mark[J]. Central South Forest Inventory and Planning， 2017， 36（4）： 30-35.

[25]何藝，周小成，黃洪宇，等.基于無人機遙感的亞熱帶森林林分株數提取[J].遙感技術與應用，2018，33（1）：168-176.

HE Y， ZHOU X C， HUANG H Y， et al. Counting tree number in subtropical forest districts based on UAV remote sensing images[J]. Remote Sensing Technology and Application， 2018， 33（1）： 168-176.