机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

基于灰度梯度图像分割的单木树冠提取研究

树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明:在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅, 单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。      

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。     

高空间分辨率遥感的单木树冠自动提取方法与应用

用高空间分辨率遥感影像对单木树冠进行自动提取和轮廓描绘,是获取森林信息的一种快速有效的方法。也是近年来林业遥感领域研究的热点。详细介绍了目前高分辨率遥感单木树冠信息自动提取的各种方法．包括局部最大值法、模板匹配法、谷地跟踪法、多尺度法、种子区域生长法、分水岭分割法、局部射线法．并对单木树冠提取在林业上的应用进行了探讨,最后结合国内外研究现状,对单木树冠自动提取的未来作了展望。参51     

基于无人机影像的高郁闭度杉木纯林树冠参数提取

  目的  冠幅是树冠结构的重要特征因子，直接影响树木的生产力和生命力，郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行，易于获取图像，精度高，低成本等优势，研究无人机影像上提取树冠参数的方法，使无人机影像提取林木树冠参数的操作系统化，实现精准高效的森林资源清查和监测。  方法  以福建将乐林场杉木人工纯林为研究对象，采用四旋翼无人机影像为数据源，基于面向对象分类的方法，将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度，然后根据影像的分割结果将树冠对象聚为一类，进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。  结果  面向对象分类有效地对高郁闭度林分进行了树冠的提取。在分割尺度为70时，单木树冠分割效果最好，树冠被单独分割出来，但也存在一定的过分割以及未分割的问题，以至于部分单木的丢失。分割结束后，对分割对象进行特征空间的优化，选取适当的分类特征，最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数，计算得出的林分因子包括林分郁闭度，树冠面积。以地面实测数据作为参考，冠幅面积提取精度为0.829 1，林分郁闭度测量精度为0.973 1。  结论  研究结果表明，基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用，能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。      

基于无人机载激光雷达点云数据的人工侧柏林单木分割研究

可持续的森林经营管理模式有助于实现生态文明建设的高质量发展，人工林单木分割结果的获取是森林经营管理的关键。目前无人机载激光雷达技术为单木位置的精准定位和树冠的精确划分提供了应用空间。利用冠层高度模型(CHM)检测和提取单木数量和树冠、树高等信息，评估和分析空间分辨率和点云密度对单木分割和树冠提取结果的影响和精度，该方法可准确分割人工侧柏林和提取树冠信息，总体上单木分割精确率均>75%,树冠轮廓提取精确率均>65%,实测数据与提取数据的回归决定系数均>0.6。适当的空间分辨率有助于提高单木分割精度，当分辨率为0.3 m时单木分割和树冠提取结果均为最优。同时研究发现随着点云密度的降低，单木数量的识别精度值随之下降。当点云密度为100%时，F为89%,当点云密度为10%时，其F降低至73%。基于CHM模型可以较好实现人工林的单木精确分割，对林木出现的树冠重叠、覆盖、偏移等现象均有一定的辨别能力；同时分析了空间分辨率和点云密度对单木分割和树冠提取结果的影响并评估了精确性，识别了单木分割时关键参数的最优选择。     

运用激光雷达数据的单木树冠提取算法对帽儿山林场单木参数估测的影响

选取黑龙江省尚志市帽儿山实验林场的10块高郁闭度的天然次生林样地为研究对象,利用激光雷达数据构建的冠层高度模型(CHM),分别使用分水岭分割算法、区域生长法和区域的分层横截面分析(RHCSA)3种方法提取单木位置、树高和冠幅信息。利用手动勾绘的单木树顶和树冠作为参考数据进行精度检验(包括单木树冠提取精度和单木参数估测精度检验),探索不同单木提取算法估测单木参数的可行性。结果表明:RHCSA算法对单木树冠提取的总体精度为83.64%,区域生长算法总体精度为75.19%,分水岭算法总体精度为68.65%;对于单木参数估测,区域生长法与分水岭算法的单木定位精度高(R_(MSE)为1.12 m),RHCSA算法得到最高的树高与冠幅提取精度高(R_(MSE)分别为0.62、1.11 m)。因此,RHCSA算法更适用于帽儿山林场单木树冠提取与单木参数的估测。     

倾斜摄影测量技术提取油松单木信息

  目的  获取森林单木参数的信息是经营、管理森林过程中的一项重要内容。倾斜摄影测量技术以其多角度拍摄方法,成为目前高效获得单木信息的研究方法之一。  方法  本研究以内蒙古旺业甸油松林为研究对象,利用无人机倾斜摄影测量技术获取油松单木的树高、冠幅和材积,探究了4种不同的相片分辨率（1、0.5、0.25、0.1 m）对单木信息提取能力的影响。采用基于点云数据的均值漂移算法和基于冠层高度模型（CHM）的分水岭算法分割单木树冠,以样地实测单木参数和激光雷达提取的单木数据作为验证数据,探索了相片分辨率与单木提取能力的关系,比较了两种分割方法的准确度及最优分辨率。建立了基于CHM提取树高与单木材积的异速生长模型（y = 0.000 1x2.717,R2 = 0.571 7）, 并绘制了测区油松单木材积分布图。  结果  （1）摄影测量提取单木油松冠幅,分水岭算法和均值漂移分割算法均在0.5 m相片分辨率的分割准确度最好,且分水岭算法提取的冠幅较均值漂移算法有较少的漏分、过度分割,其F得分分别为0.87和0.82;而在0.5 m分辨率下均值漂移算法提取的冠幅数值准确度较好,分水岭算法和均值漂移算法得到的参考树冠与分割树冠的相关系数分别为0.850和0.892,且在P < 0.01水平上极显著。（2）分水岭分割算法和均值漂移算法提取油松树高的能力相近,0.5 m相片分辨率得到的单木树高平均误差最小且相差不大,分别为0.42和0.66 m。  结论  研究明确了倾斜摄影测量技术提取油松单木的关键方法和最佳相片分辨率参数,提高了调查效率,为设置合理无人机数据获取的参数提供了科学依据。      

不同方法提取无人机影像树冠信息效果分析

以无人机航空拍摄的影像为数据源,采用目视解译和面向对象法提取胡杨、柽柳树冠信息,获得树木冠幅及林分郁闭度.结果表明,单木冠幅、林分冠幅、样地郁闭度的实测值、面向对象法估测值和目视解译法估测值无显著差异（P＞0．05）,表明面向对象与目视解译法都可有效获取单木冠幅、林分冠幅和样地郁闭度信息;面向对象法与目视解译法估测精度无显著差异（P＞0．05）,表明这两种方法获取森林单木冠幅、林分冠幅、样地郁闭度参数效果相当.但基于无人机航拍数据的面向对象树冠提取,能克服人机对话目视解译速度慢、误差大小因人而异的弊端,具有进行大面积林分调查因子定量提取的优势.     

结合航空影像纹理和光谱特征的单木冠幅提取

随着航空摄影测量技术的不断发展与进步,为提高森林资源调查的工作效率,航空影像已经成功应用到林业资源监测中,但在单木冠幅提取上,研究多考虑影像光谱信息,使得分类结果存在偏差。本文提出同时结合航空影像的纹理及光谱特征,利用面向对象的影像分割方法,通过多次实验对比结果确定最优分割尺度,同时在结合正态分布法确定各光谱及纹理特征信息范围的基础上,提取单木冠幅信息。以2012年鹫峰国家森林公园航空像片为数据源,以ENVI5.0为数据处理平台,对影像进行面向对象的分割,提取试验区域内32株树木的冠幅,并结合传统外业实测数据以及立体像对观测数据进行精度分析。试验结果表明:文章所提出的方法试验精度达到90.05%,与传统立体像对量测方法精度相近,但数据获取速度快,满足林业调查基本需求。      

基于分水岭算法的无人机不同飞行高度下林木冠幅提取研究

树冠是林木重要的组成部分之一,林木冠幅信息精确提取对森林资源调查和树木生长动态监测有着重要的意义。通过设置不同的无人机飞行高度,以哈尔滨市城市林业示范基地中的樟子松样地为对象,分别利用传统分水岭算法和改进分水岭算法对单木树冠和林隙进行提取,并对树冠冠幅和树冠投影面积进行估算,最后与实测数据进行对比分析。结果表明:1）基于传统分水岭算法平均单木冠幅识别率为51.11%,平均欠分割率为25.18%,平均过分割率为11.11%;树冠冠幅和树冠投影面积平均提取精度分别为69.72%和53.59%,说明传统分水岭算法对单木冠幅提取效果一般。2）改进分水岭算法平均单木冠幅识别率为80.74%,平均欠分割率为8.15%,平均过分割率为6.67%;树冠冠幅和树冠投影面积平均提取精度约分别为79.84%和76.04%,表明改进的分水岭算法对林木单木冠幅提取精度较高。3）50 m飞行高度下样地中林隙面积在0~5 m²和5~10 m²各占57.89%和31.58%;林隙形状指数分布在1.14~1.85,平均值为1.36;研究表明,利用改进分水岭算法在50 m无人机飞行高度获取的林木影像可以有效提取林木树冠和林隙面积信息,研究结果可为森林资源调查提供有效参考。     

应用高斯聚类的单木分割及树高和冠幅的提取

针对机载激光雷达点云中基于栅格化的冠层高度模型(CHM)所导致的原始点云数据丢失问题,提出了一种应用高斯模型聚类的单木信息提取方法。采用形态学开运算和高斯平滑方法形成高斯冠层最大模型(GCMM)能减少无关局部最大值对单木分割的影响,利用局部最大值法初步探测树冠顶点,通过最速下降法建立混合高斯模型得到树木位置和冠幅。利用聚类分析划分临近点云归属,进而实现单木参数准确提取,并提取单木最高点为树高。将点云分割方法应用于美国蓝岭地区6块圆形针叶林样地(r=30 m)。结果表明:单木分割F为0.89,正确分割单木树高提取精度95%,冠幅提取精度91%。结合实测数据对提取到的树高和冠幅进行相关性分析,树高R2=0.92,平均误差为-0.83 m;冠幅R2=0.84,平均误差为-0.42 m。相比于分水岭算法,高斯模型聚类方法F提高了11.2%,正确分割单木树高及冠幅提取精度提高了5.5%、5.8%,树高R2提高0.08,平均误差减少0.58 m;冠幅R2提高0.11,平均误差减少0.63 m。     

基于LiDAR数据的单木提取算法研究

有效了解森林生长变化信息对森林资源的保护以及生态环境的研究具有重要意义。近年来,激光雷达数据是森林清查中主要的LiDAR数据源。但是现有机载LiDAR数据单木分割算法在密集林区应用精度较低,尤其在中下层冠层单木提取精度不高,存在漏检的现象。针对以上问题,采用归一化割（normalized cut,Ncut）方法直接对激光点云数据进行初始分割,然后设定冠层的形状参数与点云数量阈值,利用全局最大值重复Ncut方法,对林区下层冠层进行探测,实现单木的精确提取。结果表明,与只利用归一化割方法提取单木结果相比,本研究方法使单木提取误判率由22.66%降至3.9%,识别率由原先的68.49%提升至86.63%,有效规避了上层冠木对下层遮盖导致的下层单木漏检情况,提高了在冠层中间层和下层树木的识别率,可为今后森林清查、森林资源管理提供分割方法的选择,也为森林分类、单木分割提供样例。