EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 10: 1861 - 1872

DOI: https://doi.org/10.12082/dqxxkx.2021.210117

Individual Tree Recognition Algorithm of UAV Stereo Imagery Considering Three-dimensional Morphology of Tree

  • LIU Jianli , 1, 2, 3 ,
  • LIAO Xiaohan , 1, 2, * ,
  • NI Wenjian 2, 3 ,
  • WANG Yong 1, 2 ,
  • YE Huping 1, 2 ,
  • YUE Huanyin 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
* LIAO Xiaohan, E-mail:

Received date: 2021-03-09

  Request revised date: 2021-04-15

  Online published: 2021-12-25

Supported by

Strategic Priority Research Program of Chinese Academy of Sciences(XDA19050501)

National Key Research and Development Program of China(2017YFB0503005)

National Natural Science Foundation of China(41971359)

National Natural Science Foundation of China(41771388)

Copyright

Copyright reserved © 2021
Fold

Abstract

Forest is not only the main body of terrestrial ecosystem, but also one of the most important natural resources for human being. Individual tree parameters are of great significance to current forest resource management, ecological research, and biodiversity protection. However, the traditional forest surveys are realized through manual measurement of each tree, which is labor intensive and low efficient. UAV stereo imagery and individual tree recognition algorithms provide the foundations for low-cost and automatic acquisition of individual tree parameters. In recent years, there are a lot of research on individual tree recognition based on UAV stereo imagery. The existing studies show that the commonly used individual tree recognition algorithm based on local maximum search has a serious problem of missing recognition in dense stands, which affects the accuracy of tree parameters. Therefore, it is necessary to develop a robust individual tree recognition algorithm to overcome the problem of missing recognition for UAV stereo imagery. In this paper, a new algorithm of individual tree recognition in UAV stereo imagery was proposed, which takes into account the three-dimensional morphology of tree crown. Firstly, the height and RGB spectral information of UAV stereo imagery were used synthetically to extract the canopy area based on Random Forest (RF) classifier. Secondly, the multi-layers morphological corrosion, expansion, and connected area labeling were used to separate the connected trees and extract the center coordinates of the tree crown, so as to realize the individual tree recognition. Thirdly, in order to verify the recognition effect of the algorithm on different forest types, four sample plots in Daxing'anling forest region and Wanglang forest region were selected for verification. The visual interpretation data was used as reference and compared with local maximum search algorithm based on elevation value (algorithm A) and local maximum search algorithm based on RGB spectral brightness values (algorithm B). Results show that combination of DOM and DSM can improve the extraction accuracy of the forest canopy area to a certain extent. Meanwhile, the average F1 score of the proposed algorithm in four plots is 94.17%, which is 15.85% and 9.37% higher than those of algorithm A and B. For dense sample plots, the recall of this algorithm is 51.79% and 35.64% higher than those of algorithm A and algorithm B. The proposed algorithm can achieve good recognition effect in different forest areas. Moreover, it can effectively avoid the problem of missing recognition on dense forest stands. This paper provides a new idea for individual tree recognition based on UAV stereo imagery.

Key words： UAV; remote sensing; stereo imagery; individual tree recognition; morphology; local maximum search; Daxing'anling; Wanglang

Cite this article

LIU Jianli , LIAO Xiaohan , NI Wenjian , WANG Yong , YE Huping , YUE Huanyin . Individual Tree Recognition Algorithm of UAV Stereo Imagery Considering Three-dimensional Morphology of Tree[J]. Journal of Geo-information Science, 2021 , 23(10) : 1861 -1872 . DOI: 10.12082/dqxxkx.2021.210117

1 引言

单木尺度的森林调查数据,包括树种、树高、胸径、冠幅、位置等参数,对于森林资源管理、生态系统服务评估以及生物多样性保护等具有重要价值[1]。建立单木尺度的森林调查数据库,开展单木全生命周期的精准监测,能够更好的为公共部门的森林管理、规划与保护等工作提供科学、合理的决策支持[2]。
传统的森林调查中的单木参数的获取主要依赖人工量测的方式,这一方式效率低、成本高,使得调查的频率低、样地的覆盖范围小,导致难以及时、全面的了解森林的动态变化[3]。因此迫切需要发展低成本、自动化的单木参数获取技术。随着遥感技术的发展以及在林业调查中的应用,为单木参数的低成本、自动化提取提供了可能[4] 。
基于遥感技术的单木参数获取的关键是遥感数据和单木识别算法。在遥感数据方面,现有文献表明,早在20世纪40年代,航空影像就应用于林业调查中的单木参数获取[5]。随着卫星影像空间分辨率的提高,卫星影像如IKONOS、Quickbird等也开始得到应用[6,7]。21世纪以来,机载小光斑激光雷达（LiDAR）由于其对树冠垂直结构直接探测的能力,在单木参数获取中得到最广泛的关注,研究者基于LiDAR点云及其衍生出的冠层高度模型（Canopy Height Model, CHM）等开展了一系列的研究,然而因其成本较高,限制了大范围、高频次的应用[8,9]。而随着无人机平台的发展与影像处理算法的进步,无人机搭载RGB相机获取的一定重叠度的立体影像通过Pix4d、PhotoScan等自动化处理软件,能够生成高质量的密集匹配点云、正射影像（Digital Orthophoto Map,DOM）与数字表面模型（Digital Surface Model,DSM）等,为森林调查研究提供了新的数据源[10,11]。
在算法方面,单木识别算法是基于遥感数据的单木参数自动化获取的基础。早期的单木识别主要依靠目视解译,解译结果的精度受到操作人员经验的影响,效率也受到限制[12]。随着计算机图形图像学的发展,研究者基于遥感数据中的树冠几何和光谱特征,通过一定的抽象与假设,结合滤波、边缘检测、聚类等基本的图形图像学算法,发展出了一系列的自动化与半自动化的单木识别算法。根据树冠识别特征的不同,这些算法大体可以分为2类：① 探测树冠顶点位置,实现单木识别,方法主要是局部最大值搜索算法[13]以及在此基础上衍生的相关算法[14]。该方法假定树冠内存在一个物理上的“极值点”,在光学影像上呈现局部光谱亮度最大 值[12],在LiDAR点云数据等高程数据上呈现为局部高程最大值[13],这种方法简单、有效,得到了广泛的应用;② 探测整体树冠或树冠的边界,实现单木识别。方法主要有：模板匹配法 [15],谷地跟踪法[16]以及多尺度分割法[17]和分层分割[18]及卷积神经网络 等[19,20]。其他的方法还有基于形态学的方法,该方法通过腐蚀与重心的计算实现单木识别[21],广义上也可以归入树冠顶点位置探测。单木识别算法的精度与森林类型、数据类型及分辨率等具有很强的耦合关系,一些研究显示上述的单木识别方法对北方针叶林的单木识别率在40%~90%之间[8];而类似的研究则表明不同森林类型下的单木识别率则介于40%~80%之间[9]。
无人机立体影像数据的低成本与易得性,结合高精度的单木识别算法,为新一代的面向单木尺度的森林调查新模式提供了新的可能。由于基于深度学习的单木识别算法在不同林分的模型泛化中存在一定的问题。而简单、常用的局部最大值搜索算法受影像质量、森林类型以及搜索窗口的影响,不同的滤波次数、搜索窗口的大小都会对单木识别的数量和准确性产生很大的影响[22]。已有研究表明,基于高程信息的局部最大值搜索算法,在郁闭林区会产生严重的漏识别问题[23,24],原因在于数据的精度有限,难以细致的还原出树冠本身的特征,因此在局部高程最大值搜索中无法检测到。而基于光谱亮度信息的局部最大值搜索算法,在稀疏林区易受到林窗（包含缝隙、草地以及低矮灌木）的干扰,导致出现单木错识别或过识别的问题[25]。
针对上述问题,本文提出了一种基于形态学的顾及单木三维形态的无人机立体影像单木识别算法,算法综合利用高程与RGB光谱信息,基于随机森林分类器,解决林冠区提取中的林窗相干扰的问题;使用多层腐蚀、膨胀与连通区标记实现相连树冠识别的问题。相比于Manuela等[21]采用腐蚀操作与树冠重心命中次数排序的形态学算法,本文提出的算法综合使用腐蚀与膨胀操作,使得每次标识的树冠中心点的位置更加接近,同时使用位置替代的方式分层识别不同树冠大小的单木,物理意义更加的清晰。

2 研究方法

2.1 总体技术流程

本研究的技术流程共包括2个部分：① 林冠区提取,综合利用DOM和DSM数据的光谱和高程信息,通过随机森林分类进行林冠区的提取;② 单木识别,基于林冠区二值图,利用形态学的多层腐蚀、膨胀与连通区标记进行树冠相连单木的分离与树冠中心点的提取,从而实现单木自动化识别。具体流程如图1所示。
图1 总体技术流程

Fig. 1 Technique flowchart

2.2 林冠区提取

森林区域往往伴生草地、灌木等低矮植被,同时森林冠层内部存在着大小不一的林窗（包括缝隙、草地以及低矮灌木）,这些非林冠区的背景对后续的单木识别造成一定的干扰。因此需要首先将林冠区和背景进行分离。由于林冠区与冠层内的缝隙具有明显的光谱差异,在生长期林冠区呈现程度不同的绿色,而林冠区的缝隙（指细小的缝隙）基本呈现黑色,可以利用DOM的光谱信息进行有效的区分;而低矮植被在生长期的光谱与林冠层的光谱相近,则可以基于DSM的高程信息进行分离。选用随机森林分类器（Random Forest, RF）综合利用DOM的光谱信息与DSM的高程信息,从而实现林窗与林冠区的区分。
随机森林算法由Breiman等[26]于2001年提出 的一种机器学习算法,集成了决策树分类模型、Bagging模型组合方法和特征随机选取思想等。本文使用sklearn的随机森林分类器进行林冠区的提取。具体包括：① 将DSM高程值作为单一波段与DOM的R、G、B波段进行堆叠,合成为四波段数据;② 在DOM影像上,人工勾选林冠区与林窗作为训练样本,随机森林可以采取交叉验证方法进行精度验证,不需要额外选择验证样本;③ 通过试验,确定决策树数量为200株,参数节点的分割变量为 16时,模型的分类能力趋于稳定;④ 使用上述参数分别对单一DOM、单一DSM以及综合DOM和DSM的四波段数据进行样本训练与分类,获得林冠区分类图,并统计分类精度。

2.3 单木识别

单木识别是通过多层的腐蚀、膨胀将林冠区中相连的树冠进行分离,然后通过连通区标记对单木树冠中心点进行提取。具体步骤如下：
（1）相连树冠的分离。由于相邻树冠间存在叠掩和遮挡,在林冠区二值图上往往会出现多株树冠相连的情况,但在相邻树冠相连接的区域,不同树冠边缘处的光谱反射存在一定的差异,使得相连树冠在林冠区二值图上存在一些小的“孔洞”,同时由于树冠呈现近圆形,在相邻树冠相连处存在“内凹”的特征,这2种特征是使用形态学腐蚀处理实现相连单木分离的基础,对树冠区域图进行多层腐蚀,树冠相连处随着腐蚀层数的增加而出现断裂,相连树冠实现分离,过程如图2所示。其中形态学腐蚀是使用结构元素与图像做“与”操作,使用3×3大小的方形结构元素对林冠区二值图进行多层的腐蚀,直至实现树冠区域完全消失为止,若最终腐蚀层数为n时实现林冠区完全消失,则保存1—n层腐蚀图。
图2 树冠相连单木分离过程

注：白色区域为林冠区;黑色区为背景;红色点为单木中心位置。

Fig. 2 The process of individual tree separation of connected tree crowns

（2）分离后树冠的形状修正。多层的腐蚀会将相连的树冠进行分离,但也导致树冠形状产生了较大变化,对后续的树冠中心点的提取造成障碍,因此采取多层膨胀的方式对变形的树冠进行修正,一定程度上恢复到树冠的初始形状,从而提高树冠中心点提取的准确性。对每层的腐蚀图进行膨胀处理,获得n层树冠膨胀图。其中膨胀是使用结构元素与图像做“或”操作,使用3×3大小的方形结构元素进行膨胀处理,膨胀处理的作用与腐蚀处理相反,膨胀会扩大物体的边界,对腐蚀后的图像进行膨胀处理,一定程度上能够恢复物体的初始形状。
（3）树冠中心点的提取。林冠图中相连树冠的分离是随着腐蚀层数的增加,而渐次分离,相连各单木树冠出现分离的层数不尽相同。为准确获取每个树冠中心点的位置,采取由下而上的方法,从最底层开始识别,具体如下：① 使用连通区域标记获得第n层膨胀图中的连通区（即树冠中心点）,然后对第n层膨胀图中的所有树冠中心点进行汇总;② 对第n-1层树冠膨胀图,通过“位置匹配”的方式,使用汇总的第n层树冠中心点将第n-1层树冠膨胀图中相应位置的连通区予以剔除,然后再计算膨胀图中的剩余树冠的中心点坐标,形成第n-1层树冠中心点记录,然后汇总第n层与第n-1层树冠中心点;③ 以此类推,直到第n层到第1层单木树冠中心点全部汇总为止,最终得到整幅影像的单木识别结果。
图3与图4为上述3个步骤的具体演示。图3为林冠区的多层腐蚀图（此处共6层）,图4为各层腐蚀图对应的膨胀图,右上角白色数字为层号,图像中的红色数字为单木的编号。从图3、图4的第2层图可以看出经过一层腐蚀,2、3号单木树冠相连未分离,其余单木完成了分离;第3层时,2、3号单木实现了分离,同时7号单木被完全腐蚀,表明不同的单木在腐蚀过程中的分离层不同,因此须从最底层开始提取单木树冠中心点。如图4所示,从第6层开始,第6层存在一个连通区,通过连通区标记,得到1号单木;第5层中存在3个连通区,使用第6层中的树冠中心点通过“位置匹配”剔除第5层中相应位置的连通区,然后标记剩余连通区,得到2、3号单木;以此类推,第4层得到4、5号单木;第3层得到6号单木;第2层得到7号单木;第1层获得0个单木,汇总每层结果,共得到7个单木树冠中心点,从而完成整幅影像的相连树冠的分离与树冠中心点的识别。
图3 林冠区多层腐蚀图

注：白色区域为林冠区;黑色区为背景。

Fig. 3 Multi-layers corrosion maps of canopy area

图4 树冠多层腐蚀后膨胀图与单木识别过程

注：白色区域为林冠区;黑色区为背景;红色数字代表识别单木。

Fig. 4 The expand maps of crowns after multi-layers corrosion and process maps of individual tree recognition

2.4 算法测试

使用编程工具将上述算法转换为可执行代码,然后对样地1—样地4进行试验,获得林冠区提取结果与单木识别结果,其中以“树冠中心点”来标识单木识别的结果。将识别结果与目视解译的参考数据进行比对,获得单木识别精度。与此同时,为了验证所提出的算法的单木识别能力,选择了2种典型的单木识别算法进行对比：分别为基于高程值的局部最大搜索算法[27]和基于光谱亮度值的局部最大值搜索算法[12]。3种算法的结果精度都以参考数据为准。为方便表述,基于高程值的局部最大值搜索算法称为“算法A”;基于光谱亮度值的局部最大值搜索算法称为“算法B”。
算法A的试验流程包括：① 对DSM进行中值滤波去除噪声的影响,采用3×3大小的卷积核,经过试验测试,滤波次数设置为10次;② 使用窗口大小为1.0 m×1.0 m的局部最大值搜索矩阵对滤波后的DSM数据进行遍历,提取出所有的局部最高点;③使用林冠区对提取结果进行掩膜,去除非林冠区中的噪声,得到最终的识别结果。其中搜索窗口的设置参考本区域的最小树冠的尺寸。
算法B的试验流程包括：① 将RGB三波段的DOM影像转为灰度图;② 对DOM灰度图进行中值滤波,用于突出反射亮度,采用3×3大小的卷积核,经过试验测试,滤波次数设置为10次;③ 使用窗口大小为1.0 m×1.0 m的局部最大值搜索矩阵对滤波后的DOM灰度图进行遍历,提取出所有的局部最亮点;④ 使用林冠区对提取结果进行掩膜,去除非林冠区中的噪声,得到最终的识别结果。

2.5 精度评价方法

单木可以通过树冠中心点或树冠边界轮廓来区分,不同的算法,识别结果会存在“点”或“多边形”两种形式。本文的识别结果为“点”,参考数据为“多边形”,因而采用“点对多边形”的方式。将提取的树冠中心点与目视解译的树冠多边形进行匹配,匹配的标准是：如果树冠多边形中存在1个提取的树冠中心点,则为正确识别,存在0个为漏识别,存在2个以上则为过识别或错识别;如果树冠多边形外存在则为过识别或错识别。
识别结果使用信息检索与统计学中的准确率、查全率和F1-score进行评价。其中,准确率为在识别出来的所有单木中,真实单木所占的比例。查全率为识别出来的真实单木所占参考单木总数的比例。F1-score是对准确率和查全率的综合描述,当能正确检出全部真实单木时,F1-score为100%;当检出的单木全部为伪单木时,F1-score为0%。

3 试验区概况与数据来源

3.1 试验区与样地

为了试验算法对不同森林类型的适用情况,本文选择了2个试验区：① 北方林,位于内蒙古自治区呼伦贝尔东北部的根河市大兴安岭林区,该试验区气候类型属于寒温带湿润型森林气候,主要树种是兴安落叶松、白桦,其他树种还包括樟子松、山杨等;② 亚高山针叶林,位于四川省平武县王朗林区（国家自然保护区）,以岷江冷杉、紫果云杉、方枝柏为优势树种,该试验区属于青藏高原大横断山系内亚高山针叶林的典型代表,同时也是野生大熊猫的核心栖息地。大兴安岭林区和王朗林区各设置了2个样地,其中样地1、2属于大兴安岭林区,样地3、4属于王朗林区,根据株密度的不同,样地2定义为密集样地。样地1中心坐标（121.7378°E,50.7019°N）,面积为490 m2;样地2中心坐标（121.7373°E,50.6983°N）,面积为360 m2;样地3中心坐标（104.0128°E,32.1653°N）,面积为490 m2;样地4中心坐标（104.0117°E,32.1642°N）,面积为490 m2。同时为了验证本文所提出的单木识别算法的效果,通过目视解译的方式在DOM上手工勾绘出未被遮挡的“可视单木”作为单木识别中的真实参考数据,如图5中的“黑色多边形”为单木树冠的轮廓边界,“黑色点”为树冠中心点或顶点。样地1内共有172株立木,株密度约为0.35株/m2;样地2内共有390株立木,株密度约为1.08株/m2;样地3内共有89株立木,株密度约为0.18株/m2;样地内共有104株立木,株密度约为0.21/m2。为避免影像边缘效应的影响,边缘部分的单木未统计在内。
图5 试验区样地参考数据

注：黑色多边形与黑色点为目视解译的单木树冠边缘与树冠顶点。

Fig. 5 The reference data of plots in experimental areas

3.2 无人机立体影像获取与预处理

大兴安岭林区的无人机立体影像数据获取于2015年8月,飞行平台为大疆筋斗云多旋翼无人机,搭载Sony NEX-5T数码相机,平台飞行高度设置为300 m,影像航向重叠度90%,旁向重叠度60%,对应的地面分辨率约为0.08 m。王朗林区的无人机立体影像数据获取于2020年6月,采用平台载荷一体化的大疆MAVIC 2 Pro,飞行高度设置为350 m,影像航向重叠度90%,旁向重叠度75%,由于此区域的高差较大,对应的地面分辨率平均约为0.08 m。
使用PhotoScan自动化处理软件对无人机立体影像进行预处理,主要的步骤包括：影像外方位元素的解算、基于外方位元素的密集点云的生成、密集点云生成Mesh、Mesh栅格化生成数字表面模型（DSM）、对DSM纹理映射生成数字正射影像（DOM）,然后基于Google Earth高分辨率影像选取控制点,实现影像产品的地理定位优化,最终得到DSM和DOM影像数据,坐标采用WGS84坐标系,投影带分别为UTM 51N和48N。

4 实验结果与分析

4.1 林冠区提取结果与分析

图6—图9分别为样地1—样地4的林冠区提取结果。图6—图9中的（a）和（b）为样地的无人机正射影像DOM和数字表面模型DSM,图6—图9中的（c）—（e）依次为基于单一DOM的林冠区提取结果、基于单一DSM的林冠区提取结果以及综合DOM与DSM的林冠区提取结果,其中亮度高的区域为林冠区,亮度低的区域为背景。
图6 样地1林冠区提取结果

Fig. 6 Extraction results of canopy area of plot 1

图7 样地2林冠区提取结果

Fig. 7 Extraction results of canopy area of plot 2

图8 样地3林冠区提取结果

Fig. 8 Extraction results of canopy area of plot 3

图9 样地4林冠区提取结果

Fig. 9 Extraction results of canopy area of plot 4

图6（c）—图6（e）展示了样地1的林冠区提取结果,可以看到图6（c）的提取结果中含有较多的背景噪声的干扰;图6（d）的大块的背景噪声已去除,但树冠内部以及树冠间的空隙存在许多细小的噪声和连接;图6（e）则去除了大块的背景噪声的同时,树冠间的缝隙更明晰,保留了树冠的细节。图7（c）— 图7（e）展示了样地2的林冠区提取结果,图7（c）的提取结果中很好的去除了林冠间的缝隙;然而 图7（d）的则出现了大量的背景噪声,在于样地2的DSM难以细致的刻画树冠与背景的差异,导致结果比较混沌;图7（e）与图7（c）结果基本一致,这一现象表明在密集林分情况下基于单一DOM的提取效果 与综合DOM、DSM的结果之间差别不大。图8（c）—图8（e）展示了样地3的林冠区提取结果,其结果与样地2的结果具有一定的相似性,展示了基于单一DOM以及联合DOM和DSM的结果相差不大,而 基于单一DSM的结果在林冠内存在一定的噪声。图9（c）—图9（e）展示了样地4的林冠区提取结果,从图9（c）和图9（d）可以看到样地4基于单一DOM和单一DSM的结果均存在较大的噪声,图9（e）展示出联合DOM和DSM后,识别结果精度有所提高,但相较于前3样地,样地4的识别结果精度不佳。
综合4个样地的实验结果,整体上可以看到基于单一DOM能够较好的实现林冠区的提取,但存在一定的背景噪声的影响,而基于单一DSM则在树冠内部存在较多的“椒盐噪声”影响,二者相结合的提取结果综合了二者的优势,结果中的噪声点更少,而树冠也保持的更清晰。
表1为4个样地的林冠区提取结果的精度统计,可以看到综合利用DOM和DSM的林冠区的提取精度介于86.40%~98.85%,相比基于单一DOM的结果平均提高2.64%,相比基于单一DSM的结果平均提高17.58%,结果表明,虽然不同的样地的提取结果存在一定的差异,但均优于基于单一的DOM、DSM的提取精度;而基于单一DOM的提取精度均优于基于单一DSM的提取精度,平均提高了14.94%。值得注意的是在样地2（密集林分）的DSM对林冠提取的增益有限,仅提高了0.14%。整体上看,综合利用DOM和DSM能够提高林冠区提取的精度。
表1 林冠区提取精度统计

Tab. 1 The precision statistics of extraction of canopy area

样地名 DOM林冠区提取精度/% DSM林冠区提取精度/% 综合DOM和DSM的林冠区提取精度/%
样地1 92.56 78.46 98.84
样地2 98.71 78.85 98.85
样地3 90.40 76.76 91.50
样地4 83.37 71.21 86.40

4.2 单木识别结果与分析

图10—图13分别展示了本文提出的算法、基于高程值的局部最大值搜索算法（算法A）以及基于光谱亮度值的局部最大值搜索算法（算法B）在样地1—样地4上的单木识别结果。图10—图13中从左到右依次是目视解译的参考数据、本文算法识别的结果,以及作为对比的算法A和算法B的识别结果。与参考数据相统一,未统计边缘处的识别结果,底图为覆盖了半透明膜的正射影像DOM。“黑色多边形”为人工勾绘的树冠轮廓边界,“黑色点”为人工标记的树冠中心点或顶点位置,“红色”点为算法正确识别的单木、“绿色点”为算法漏识别的单木、“蓝色点”为算法过识别或错识别的单木。
图10 样地1识别结果

Fig. 10 The recognition results of plot 1

图11 样地2识别结果

Fig. 11 The recognition results of plot 2

图12 样地3识别结果

Fig. 12 The recognition results of plot 3

图13 样地4识别结果

Fig. 13 The recognition results of plot 4

从图10可以看到,对于样地1, 3种算法的识别结果中的正确识别的单木数量最多、过识别或错识别的现象只有零星发生、而漏识别只在算法B中相对较多。从图11可以看到,对于样地2,3种算法的识别结果具有较大的差异性,本文提出的算法的识别结果中正确识别的数量最多,只有零星的漏识别与过识别或错识别单木,而算法A与算法B中则存在严重的漏识别现象。从图12可以看到,对于样地3,本文提出的算法存在较多的过识别或错识别单木,然而几乎没有漏识别单木;算法A与算法B识别结果中则存在一定的漏识别单木,只有零星的过识别单木。从图13可以看到,对于样地4,本文提出的算法存在较多的过识别或错识别单木,以及零星的漏识别单木;算法A与算法B则存在一定的漏识别单木,同时算法B还存在一定的过识别单木。4个样地整体上看,本文提出的算法的识别结果优于对比算法A和算法B的识别结果。
表2是样地1—样地4的3种单木识别算法的精度统计结果。数据显示,3种算法在样地1中的查准率均高于90%,而查全率本文提出的算法与算法A都高于95%,而算法B为81.98%,明显低于前两种算法。在样地2中,3种算法的查准率仍然很高,达到90%以上,而在查全率上,算法A和算法B只有45.90%和62.05%,明显低于样地1的结果精度,这也验证了现有研究中对密集林分存在严重的单木漏识别的观点,而本文提出的算法为97.69%,显示了本文提出的算法面临密集林分仍然具有较高的识别能力。对于样地3,在查准率上,本文提出的算法分别低于算法A和算法B 8.67%、13.59%;而在查全率上,本文提出的算法分别高于算法A和算法B 34.83%、23.60%。样地4中3种算法的识别结果与样地3较为一致。样地3、4与样地1、2的识别结果的差异性,说明了本文提出的算法在不同类型林分中具有不同的适用性,大兴安岭林区的适用性高于王朗林区。
表2 单木识别结果统计对比

Tab. 2 The statistical comparison of individual tree recognition

样地名 参考单木株数 算法 识别株数/株 过、错识别/株 漏识别/株 正确识别/株 查准率/% 查全率/% F1-score/%
样地1 172 本文算法 173 8 7 165 95.38 95.93 95.65
算法A 178 13 7 165 92.70 95.93 94.29
算法B 154 13 31 141 91.56 81.98 86.50
样地2 390 本文算法 393 12 9 381 96.95 97.69 97.32
算法A 195 16 211 179 91.79 45.90 61.20
算法B 247 5 148 242 97.98 62.05 75.98
样地3 89 本文算法 103 14 0 89 86.41 100.00 92.71
算法A 61 3 31 58 95.08 65.17 77.33
算法B 68 0 21 68 100.00 76.40 86.62
样地4 104 本文算法 118 17 3 101 85.59 97.12 90.99
算法A 75 3 32 72 96.00 69.23 80.45
算法B 98 7 13 91 92.86 87.50 90.10

5 讨论

林冠区提取的准确性是保障单木识别精度的基础,本文综合利用无人机立体影像的DOM光谱信息和DSM高程信息,通过随机森林分类实现了林冠区的提取,结果表明综合利用DSM与DOM能够一定程度上提高林冠区提取的精度,但相比单一的DOM,提高的效果有限。这也反映了林冠区提取的复杂性,通过分类进行林冠区提取涉及多种因素的影响,如森林类型、树木植株密度以及无人机数据的分辨率、获取的时相、季节等,同时训练样本的选择也具有很强的相关性。文中基于DOM进行样本的勾选,可能是造成DOM的分类精度较高,而DSM的分类精度较低的原因。后续将开展这方面的研究,理清各种因素对林冠区提取精度的影响规律,进一步提高林冠区提取的精度。
本文提出的算法中的腐蚀和膨胀结构元素使用的是常规的3×3大小的方形结构元素。在实验测试中发现5×5或更大尺寸的结构元素,容易使得细小树冠难以有效的分离,从而造成漏识别的问题;3×3大小的结构元素敏感性高,能够实现细小树冠的分离,但同时也容易造成过识别的问题;因此结构元素尺寸的选择是一个权衡的问题,同时与无人机数据的分辨率以及树冠冠幅大小的离散程度等因素具有一定的相关性,因此在实际应用中应该反复测试,从而确定合适的结构元素尺寸的选择。
传统的局部最大值搜索算法在密集林分下的识别精度低的原因在于单木树冠间存在较多的粘连,容易将多个树冠相连的小冠幅的单木树冠误识别为一个大的单木树冠,同时由于数据的精度不够,无法细致的还原出树冠本身的特征,如DSM中小树的树梢不明显,也造成识别精度偏低。而本文提出的算法能够很好的实现相连的单木树冠的分离,因而实现了较高的识别精度。本文提出的算法在大兴安岭林区的识别结果明显的优于王朗林区,原因在于大兴安岭林区的树冠形状较为规则,与背景的差异性较大,产生的噪声较少,而王朗林区的树冠与背景间的界限不够清晰,树冠的形状也更加复杂,从而导致存在较多的过识别或误识别问题,表明了算法精度与林分状况的具有很强的相关性,提高算法的适用性是算法优化的主要方向。

6 结论

本文利用无人机立体影像获得的DOM与DSM数据,提出了顾及单木三维形态的无人机立体影像单木识别新算法,并在2种林分下进行了试验,得到以下结论：
（1）综合利用DOM和DSM的林冠区的提取精度介于86.40%~98.85%,相比基于单一DOM的结果平均提高2.64%,相比基于单一DSM的结果平均提高17.58%,结果表明综合使用DOM的光谱亮度信息与DSM的高程信息一定程度上能够提高林冠区的提取精度,然而相比单一的DOM,提高的效果并不突出;
（2）常用的局部最大值搜索算法在稀疏样地的平均F1-score为85.88%,在密集样地的F1-score为68.59%,结果表明局部最大值搜索算法在稀疏样地能够实现较少的单木识别效果,然而在密集林区存在较为严重的漏识别问题,与已有的研究结论相一致;
（3）本文提出的算法,在稀疏样地的平均F1-score为93.12%,在密集样地的F1-score为97.32%,结果表明,本算法受株密度的影响较小,能够避免常用算法在密集林分下的饱和的问题,从而提高单木识别的查准率与查全率,然而算法在大兴安岭林区的识别精度明显的优于王朗林区,表明了算法精度与林分状况的具有很强的相关性,算法更适用于简单林分。
本文的研究还存在以下的问题：
（1）提出的算法在不同的林分的识别效果具有明显差异,简单林分下能够实现较高的精度,而在复杂林分下存在过识别的问题;
（2）算法中的参数的设置目前仍是基于经验试验,如何结合林分类型、数据分辨率,更加可以科学合理的进行参数的设置,也是下一步改进的重点;
（3）目前算法仅实现了单木树冠中心点的提取,树冠轮廓的提取与树种分类是后续的重要研究方向。
基于无人机遥感开展单木尺度的森林调查数据库的建设是新一代森林管理的重要发展方向与目标,本文基于无人机立体影像数据发展的单木识别算法只能部分的解决简单林分下的单木位置识别的问题,而对于复杂林分下的单木识别以及关键的单木参数的提取研究,还有待更多的研究者的参与。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Crowther T W, Glick H B, Covey K R, et al. Mapping tree density at a global scale[J]. Nature, 2015, 525(7568):201-205.

DOI

[2]
Hao Z Q, Zhang J A, Song B, et al. Vertical structure and spatial associations of dominant tree species in an old-growth temperate forest[J]. Forest Ecology and Management, 2007, 252(1/2/3):1-11.

DOI

[3]
刘见礼, 张志玉, 倪文俭, 等. 无人机影像匹配点云单木识别算法[J]. 遥感信息, 2019, 34(1):93-101.

[ Liu J L, Zhang Z Y, Ni W J, et al. Individual tree recognition algorithm based on unmanned aerial vehicle image matching point cloud[J]. Remote Sensing Information, 2019, 34(1):93-101. ]

[4]
刘清旺, 李增元, 陈尔学, 等. 利用机载激光雷达数据提取单株木树高和树冠[J]. 北京林业大学学报, 2008, 30(6):83-89.

[ Liu Q W, Li Z Y, Chen E X, et al. Extracting height and crown of individual tree using airborne LIDAR data[J]. Journal of Beijing Forestry University, 2008, 30(6):83-89. ]

[5]
Brandtberg T, Walter F. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis[J]. Machine Vision and Applications, 1998, 11(2):64-73.

DOI

[6]
Wang H, Zhao Y, Pu R, et al. Mapping robinia pseudoacacia forest health conditions by using combined spectral, spatial, and textural information extracted from Ikonos imagery and random forest classifier[J]. Remote Sensing, 2015, 7(7):9020-9044.

DOI

[7]
Coops N C, Johnson M, Wulder M A, et al. Assessment of Quickbird high spatial resolution imagery to detect red attack damage due to mountain pine beetle infestation[J]. Remote Sensing of Environment, 2006, 103(1):67-80.

DOI

[8]
Harri k, Juha h, Yu x w, et al. An international comparison of individual tree detection and extraction using airborne laser scanning[J]. Remote Sensing, 2012, 4(4):950.

DOI

[9]
Vauhkonen J, Ene L, Gupta S, et al. Comparative testing of single-tree detection algorithms under different types of forest[J]. Forestry: An International Journal of Forest Research, 2011, 85(1):27-40.

DOI

[10]
Liao X H, Zhang Y, Su F Z, et al. UAVs surpassing satellites and aircraft in remote sensing over China[J]. International Journal of Remote Sensing, 2018, 39(21):7138-7153.

DOI

[11]
Liao X H, Yue H Y, Liu R G, et al. Launching an unmanned aerial vehicle remote sensing data carrier: Concept, key components and prospects[J]. International Journal of Digital Earth, 2020, 13(10):1172-1185.

DOI

[12]
Wang L, Gong P, Biging G S. Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(3):351-357.

[13]
Popescu S C, Wynne R H, Nelson R F. Estimating plot-level tree heights with lidar: local filtering with a canopy-height based variable window size[J]. Computers and Electronics in Agriculture, 2002, 37(1):71-95.

DOI

[14]
Reitberger J, Schnörr C, Krzystek P, et al. 3D segmentation of single trees exploiting full waveform LIDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(6):561-574.

DOI

[15]
Pollock R. The automatic recognition of individual trees in aerial images of forests based on a synthetic tree crown image model[D]. Canada:University of British Columbia, 1996.

[16]
Gougeon F A. A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images[J]. Canadian Journal of Remote Sensing, 1995, 21(3):274-284.

DOI

[17]
Jing L, Hu B, Noland T, et al. An individual tree crown delineation method based on multi-scale segmentation of imagery[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2012, 70:88-98.

DOI

[18]
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.

DOI

[19]
Culman M, Delalieux S, Tricht K V. Individual palm tree detection using deep learning on rgb imagery to support tree inventory[J]. Remote Sensing, 2020, 12(21):3476.

DOI

[20]
Brandt M, Tucker C J, Kariryaa A, et al. An unexpectedly large count of trees in the West African Sahara and Sahel[J]. Nature, 2020, 587(7832):78-82.

DOI

[21]
Hirschmugl M, Ofner M, Raggam J, et al. Single tree detection in very high resolution remote sensing data[J]. Remote Sensing of Environment, 2007, 110(4):533-544.

DOI

[22]
Monnet J, Mermin E, Chanussot J, et al. Tree top detection using local maxima filtering: a parameter sensitivity analysis[C]. The 10th International Conference on LiDAR Applications for Assessing Forest Ecosystems. Freiburg, Germany, 2010.

[23]
李旺, 牛铮, 王成, 等. 机载LiDAR数据估算样地和单木尺度森林地上生物量[J]. 遥感学报, 2015, 19(4):669-679.

[ Li W, Niu Z, Wang C, et al. Forest above-ground biomass estimation at plot and tree levels using airborne LiDAR data[J]. Journal of Remote Sensing, 2015, 19(4):669-679. ]

[24]
Tiede D, Hochleitner G, Blaschke T. A full GIS-based workflow for tree identification and tree crown delineation using laser scanning[C]// ISPRS Workshop CMRT. 2005.

[25]
Wulder M, Niemann KO, Goodenough DG. Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery[J]. Remote Sensing of Environment, 2000, 73(1):103-114.

DOI

[26]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32.

DOI

[27]
Solberg S, Naesset E, Bollandsas OM. Single tree segmentation using airborne laser scanner data in a structurally heterogeneous spruce forest[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(12):1369-1378.

Options
Outlines

/

〈 〉