一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法与流程

本发明属于林业遥感技术领域，具体涉及一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法。

背景技术：

单木树冠信息不仅可以用来量化树冠表面积、体积、直径、树高、林冠郁闭度等单株树的属性，还可以估算出森林地上生物量和森林碳储量等特征。这些变量是林分尺度建模分析的重要输入参数(如蓄积量和生物能源供应)，并且单木树冠提取也是树种分类的第一步，对树种分类精度具有重要影响。

目前，单木树冠提取的主流方法可以分为两大类，第一类是直接从树冠形状入手，如模板匹配法、谷底跟踪法和多尺度树冠分割，这些方法适用性较广，对针叶树和阔叶树都适用，但不适用于郁闭度较高的林分。第二类是首先利用局部最大值法探测单木树冠位置，然后采用分水岭分割法、局部射线法和区域生长法等描绘树冠边界，但局部最大值法在探测针叶树冠中心时通常表现较好，这是由于针叶树冠的最高点较明显。而对于阔叶树冠，同一个树冠经常会探测到多个局部最大值点。因此，局部最大值法更适合对针叶树冠进行探测。上述研究中两大类单木树冠提取方法对于针叶林和郁闭度较低的阔叶林的树冠提取效果较好。但在郁闭度较高的阔叶林中，由于阔叶树树冠内部亮度变化不均匀，树冠大小不同，树冠之间连接、重叠，树冠形状不规则和边界不明显等原因，单木树冠位置探测精度低，树冠提取效果较差。

技术实现要素：

发明目的：针对上述问题，本发明提出了一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法，能够有效抑制过分割、减少欠分割，单木树冠提取精度大大提高。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法：首先对图像进行预处理，接着通过不同h值之间相互合作探测单木树冠位置，并利用虚假标记检测方法过滤无效标记，最后引入圆弧对称原则限制分水岭淹没过程，避免树冠标记过生长与无标记树冠合并。

所述的迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法，具体步骤如下：

(1)首先对图像进行预处理，基于形态学开操作平滑灰度图像，采用Sobel算子计算梯度图像，并利用均值滤波器对梯度图像去躁；

(2)利用一组h值在梯度图像上迭代识别树冠标记，采用虚假标记检测过滤无效标记；

(3)引入圆弧对称原则限制分水岭泛洪过程，采用分水岭方法描绘单木树冠。

步骤(1)的具体过程包括：

1)基于形态学理论减少原始图像中树冠内部的强度差异，利用形态学开操作对灰度图像进行平滑处理，公式为：

式中，Θ为形态学腐蚀操作，为形态学膨胀操作，为形态学开操作，A为输入图像，B为结构元素，根据树冠形状特征，结构元素选为圆盘，半径dsize＝10；

2)利用梯度算子计算图像梯度幅度，采用Sobel算子计算梯度图像，公式为：

式中，Gx和Gy分别为沿x方向和y方向的梯度图像，采用Sobel算子对灰度图像进行水平和垂直两个方向的滤波，求取模值，得到梯度图像；

3)用均值滤波器抑制梯度图像噪声，降低图像噪声对树冠标记提取的影响，具体公式如下：

式中，为经均值滤波后的测量值，y(n)为实际测量值，n为测量次数，n＝1，2，3，…，N，y(i)为滤波中心点，M为均值滤波窗口的大小，窗口大小为5。

步骤(2)中，每次迭代的具体步骤如下：

1)对梯度图像Gmap按照当前迭代的h值进行h-min变换得到Hmap；

2)在Hmap图像中寻找图像的极小值区域，作为候选标记Mcurr；

3)利用面积阈值tarea过滤掉当前候选标记Mcurr中面积小于tarea的标记；

4)利用二值图像过滤掉当前候选标记Mcurr中树冠区域外的标记；

5)利用标记集合M对候选标记Mcurr进行重叠检测过滤掉重叠标记；

6)将本次迭代中当前候选标记添加到标记集合M中。

步骤(3)的具体过程为：

1)采用最佳阈值分割方法提取二值图像Bmask作为标记生长区域；

2)从标记集合M中取出一个标记作为种子点；

3)判断种子点是否在生长区域内，如果在就进行下一步，不在则返回2)；

4)在标记生长区域生长种子点，以圆弧对称控制原则作为生长条件；

5)返回2)直到每个种子点都生长完成，最终生成所有树冠边界。

有益效果：与现有技术相比，本发明的迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法，首先对图像进行预处理，接着通过不同h值之间相互合作探测单木树冠位置，并利用虚假标记检测方法过滤无效标记，最后引入圆弧对称原则限制分水岭淹没过程，避免树冠标记过生长与无标记树冠合并，可以有效抑制过分割、减少欠分割，在郁闭度较高的阔叶林中，提取不同树种、不同形状、不同大小以及边界不明显的树冠，是一种有效的单木树冠提取方法。

附图说明

图1是图像预处理过程图；图中，a.原始图像，b.形态学开操作，c.梯度图像，d.均值滤波去噪；

图2是树冠标记识别过程图；图中，a.h＝2时树冠标记，b.h＝4时树冠标记，c.h＝8时树冠标记，d.h＝12时树冠标记；

图3是树冠提取结果图；图中，a.样地1遥感影像，b.样地1参考树冠，c标记控制分水岭分割，d.本发明算法；e.样地2遥感影像，f.样地2参考树冠，g.标记控制分水岭分割，h.本发明算法。

具体实施方式

下面结合具体实施例对本发明做进一步的说明。

以下实施例中，样地位于江苏省东台市的东台林场，地理坐标为：120°47＇11″～120°52＇0″E，32°53＇30″～32°51＇17″N。样地1中共包含阔叶树174棵，样地2中共包含阔叶树139棵。

实施例1

本发明的迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法，首先对图像进行预处理，接着通过不同h值之间相互合作探测单木树冠位置，并利用虚假标记检测方法过滤无效标记，最后引入圆弧对称原则限制分水岭淹没过程，避免树冠标记过生长与无标记树冠合并。

如图1所示，首先对图像进行预处理，基于形态学开操作平滑灰度图像，采用Sobel算子计算梯度图像，并利用均值滤波器对梯度图像去躁，具体过程包括：

1)基于形态学理论减少原始图像中树冠内部的强度差异，利用形态学开操作对灰度图像进行平滑处理，公式为：

式中，Θ为形态学腐蚀操作，为形态学膨胀操作，为形态学开操作，A为输入图像，B为结构元素，根据树冠形状特征，结构元素选为圆盘，半径dsize＝10。

2)利用梯度算子计算图像梯度幅度，采用Sobel算子计算梯度图像，公式为：

式中，Gx和Gy分别为沿x方向和y方向的梯度图像，采用Sobel算子对灰度图像进行水平和垂直两个方向的滤波，求取模值，得到梯度图像。

3)用均值滤波器抑制梯度图像噪声，降低图像噪声对树冠标记提取的影响，具体公式如下：

式中，为经均值滤波后的测量值，y(n)为实际测量值，n为测量次数，n＝1，2，3，…，N，y(i)为滤波中心点，M为均值滤波窗口的大小，窗口大小为5。

如图2所示，本发明利用一组h值在梯度图像上迭代识别树冠标记，采用虚假标记检测过滤无效标记。利用一组h值在梯度图像上迭代识别树冠标记，通过不同h值之间相互合作，小的h值识别较小的树冠标记，大的h值识别较大的树冠标记，提高单木树冠位置探测精度，每次迭代的具体步骤如下：

1)对梯度图像Gmap按照当前迭代的h值进行h-min变换得到Hmap。

2)在Hmap图像中寻找图像的极小值区域，作为候选标记Mcurr。

3)利用面积阈值tarea过滤掉当前候选标记Mcurr中面积小于tarea的标记。

4)利用二值图像过滤掉当前候选标记Mcurr中树冠区域外的标记。

5)利用标记集合M对候选标记Mcurr进行重叠检测过滤掉重叠标记。

6)将本次迭代中当前候选标记添加到标记集合M中。

如图3所示，本发明引入圆弧对称原则限制分水岭淹没过程，避免树冠标记过生长与无标记树冠合并，采用分水岭算法描绘单木树冠，并与传统的标记控制分水岭方法算法进行对比。

为了控制洪水淹没到一个未能识别标记树冠的像素，本方法基于树冠的形状特征，引入圆弧对称原则限制分水岭淹没过程，在前景像素上生长一个像素时，首先找到前景像素关于生长像素对称的点，以该点为中心的圆弧上的所有像素，只有当圆弧上没有像素属于背景或者已经被其他标记合并时，才在前景像素上生长该像素。单木树冠描绘具体步骤如下：

1)采用最佳阈值分割方法提取二值图像Bmask作为标记生长区域；

2)从标记集合M中取出一个标记作为种子点；

3)判断种子点是否在生长区域内，如果在就进行下一步，不在则返回2)；

4)在标记生长区域生长种子点，以圆弧对称控制原则作为生长条件；

5)返回2)直到每个种子点都生长完成，最终生成所有树冠边界。

表1单木位置精度评价

其中，传统标记控制分水岭算法参照：郭昱杉，刘庆生，刘高焕，等.基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取[J].地球信息科学学报，2016，18(9)：1259-1266。

如表1所示，表1为传统标记控制分水岭算法和本发明提出算法对图3a和图3e两块样地树冠提取结果的在单木位置上的精度评价。样地尺度上，第一个树种的树冠探测率高达99.43％，由于该树种的树冠形状规则，树冠边界清晰，因此树冠探测率很高，并且本发明的单木位置探测方法比标记控制分水岭方法提高了14.95％。第二个树种的树冠探测率为92.86％，由于该树种树冠内部亮度变化不均匀，形状不规则以及树冠之间连接、重叠，边界模糊，因此树冠探测率和第一个树种相比略低，但仍比标记控制分水岭算法提高了22.06。单木尺度上，第一个树种的生产者精度和用户精度分别为99.43％和100％，比标记控制分水岭方法分别提高了14.95％和8.7％，第二个树种的生产者精度和用户精度分别为92.86％和90.14％，比标记控制分水岭方法分别提高了22.06％和23.7％，第一个树种的单木树冠探测精度更高。从整体来看，本发明提出的单木树冠探测方法，探测精度明显提高，能够有效的在郁闭度较高的阔叶林区探测单木树冠位置。

表2树冠轮廓精度评价

如表2所示，为传统标记控制分水岭算法和本发明提出算法对图3a和图3e两块样地树冠提取结果的在树冠轮廓上的精度评价。样地尺度上，第一个树种的面积相对误差为-8.83％，使用标记控制分水岭描绘树冠的面积误差为-21.43％，说明本发明算法和标记控制分水岭算法都有树冠生长不足的趋势，但和标记控制分水岭相比本发明算法树冠描绘精度明显更高，控制面积误差效果更好。单木尺度上，第一个树种的精确率、召回率和F测度分别为100％、99.43％和99.71％，比标记控制分水岭分别提高了8.7％、14.95％和11.95％。第二个树种的精确率、召回率和F测度分别为90.14％、92.86和91.48，比标记控制分水岭分别提高了23.70％、22.06％和22.93％。