本發(fā)明涉及一種結(jié)合形態(tài)學(xué)和標(biāo)記控制的無(wú)人機(jī)影像林冠分割方法。

背景技術(shù)：

樹冠作為樹木獲取光能并進(jìn)行能量轉(zhuǎn)換的場(chǎng)所，其對(duì)于研究森林生長(zhǎng)情況和動(dòng)態(tài)變化具有重要意義。但由于森林結(jié)構(gòu)的復(fù)雜性和隨機(jī)性，使得對(duì)樹冠形狀和邊界信息的獲取異常困難。近年來(lái)，隨著衛(wèi)星遙感技術(shù)的發(fā)展，尤其是衛(wèi)星影像空間分辨率的逐漸提高，提高了森林樹冠的估測(cè)精度，但受到氣候、周期、分辨率和成本等因素的影響，使得獲取的遙感數(shù)據(jù)遠(yuǎn)遠(yuǎn)不能滿足林業(yè)調(diào)查的需求。無(wú)人機(jī)遙感作為新興遙感技術(shù)，其特有的機(jī)動(dòng)靈活性、時(shí)效性和成本低，數(shù)據(jù)易獲取等優(yōu)勢(shì)而逐漸成為衛(wèi)星遙感技術(shù)的有效補(bǔ)充手段，并在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。雖然針對(duì)無(wú)人機(jī)技術(shù)的研究日益增多，但針對(duì)可見光無(wú)人機(jī)影像提取森林冠層結(jié)構(gòu)信息的研究還處于試驗(yàn)階段，如Díazvarela等評(píng)估了普通無(wú)人機(jī)相機(jī)影像獲取樹冠參數(shù)的可靠程度，并對(duì)西班牙科爾多瓦地區(qū)的一處橄欖育種園地進(jìn)行了試驗(yàn)，其冠幅估測(cè)的RMSE達(dá)到了0.28。Chianucci等利用eBee無(wú)人飛行系統(tǒng)獲取的真彩色影像，并結(jié)合LAB2影像分類方法來(lái)估算山毛櫸林的森林冠層覆蓋度，其決定系數(shù)R2達(dá)到0.7左右；此外還有Morgenroth、Mathews等利用無(wú)人機(jī)影像生成的點(diǎn)云數(shù)據(jù)來(lái)對(duì)森林冠層結(jié)構(gòu)進(jìn)行分析，并取得了一定成果。但常規(guī)的林冠分割方法會(huì)造成林冠邊界分割不準(zhǔn)確的問題，這對(duì)于無(wú)人機(jī)遙感獲取森林參數(shù)的精度帶來(lái)不確定性。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種結(jié)合形態(tài)學(xué)和標(biāo)記控制的無(wú)人機(jī)影像林冠分割方法，有效解決了常規(guī)方法造成的林冠邊界分割不準(zhǔn)確問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種結(jié)合形態(tài)學(xué)和標(biāo)記控制的無(wú)人機(jī)影像林冠分割方法，其特征在于，包括以下步驟：

步驟S1：利用無(wú)人機(jī)獲取若干幅林區(qū)的局部遙感影像，對(duì)所述若干幅林區(qū)遙感圖像進(jìn)行鑲嵌和正射校正得到林區(qū)的完整遙感影像；

步驟S2：采用高斯濾波方法對(duì)完整遙感影像的綠光波段進(jìn)行平滑濾波處理；

步驟S3：采用自適應(yīng)的局部最大值搜索方法從完整遙感影像的綠光波段中檢測(cè)林冠頂點(diǎn)位置；

步驟S4：利用形態(tài)學(xué)運(yùn)算，通過一個(gè)強(qiáng)制最小值轉(zhuǎn)換將獲取的林冠頂點(diǎn)位置信息強(qiáng)加到平滑濾波后的綠光波段影像上；

步驟S5：對(duì)于步驟S1獲得的完整遙感影像，采用ISODATA聚類算法得到只包含林冠區(qū)域和非林冠區(qū)域兩類的二值影像，將提取出的非林冠區(qū)域作為分割的外部標(biāo)記；

步驟S6：基于步驟S4和步驟S5獲得的結(jié)果，將外部標(biāo)記強(qiáng)加到經(jīng)過強(qiáng)制最小值轉(zhuǎn)換后的影像上進(jìn)行分水嶺變換分割，獲得精確的林分單木林冠邊界信息。

進(jìn)一步的，所述局部遙感影像為真彩色影像，分辨率在0.05-0.20m之間。

進(jìn)一步的，所述步驟S2的具體方法如下：采用一個(gè)高斯分布曲線來(lái)對(duì)完整遙感影像的綠光波段進(jìn)行處理，減少影像的噪聲水平和強(qiáng)化林冠頂點(diǎn)的輻射強(qiáng)度值，濾波公式如下：

式中，G(i,j)為第i行，j列處影像象元高斯濾波結(jié)果，i、j為自然數(shù)，σ為高斯濾波的均方差，σ取值選擇林分內(nèi)最小林冠尺寸大小作為窗口進(jìn)行影像濾波處理。

進(jìn)一步的，所述步驟S3的具體方法如下：

步驟S31：通過一個(gè)固定窗口探測(cè)樣地內(nèi)潛在的林冠頂點(diǎn)位置，獲得潛在林冠頂點(diǎn)；

步驟S32：采用自適應(yīng)的動(dòng)態(tài)窗口對(duì)獲取的潛在林冠頂點(diǎn)進(jìn)行判斷，如果當(dāng)前頂點(diǎn)為對(duì)應(yīng)窗口區(qū)域的最大值則保存，否則刪除；動(dòng)態(tài)窗口大小通過計(jì)算潛在頂點(diǎn)八個(gè)剖面方向半方差的變程值進(jìn)行確定，其影像像元的半方差計(jì)算公式為：

式中，γ(h)為經(jīng)驗(yàn)半方差值，x_i為影像的像元位置，h為兩個(gè)像元的空間分隔距離，Z(x)為對(duì)應(yīng)影像x_i處的像元值，N為在一定分隔距離下像元對(duì)的對(duì)數(shù)。

進(jìn)一步的，所述步驟S4的具體方法如下：

步驟S41：對(duì)濾波處理后的影像f進(jìn)行取反操作，然后對(duì)獲取的林冠頂點(diǎn)進(jìn)行極小值標(biāo)記，獲得標(biāo)記影像，如下式：

式中，f_m為獲取的標(biāo)記影像，p為影像的每個(gè)像元，t_max為影像的最大值；

步驟S42：逐像元的計(jì)算影像f+1和標(biāo)記影像f_m之間的極小值，對(duì)影像進(jìn)行強(qiáng)制最小值轉(zhuǎn)換；

這一步驟中，形態(tài)學(xué)計(jì)算表示為：(f+1)∧f_m，然后利用標(biāo)記圖像f_m對(duì)(f+1)∧f_m進(jìn)行形態(tài)學(xué)腐蝕重建，如下式：

式中，f_mp為強(qiáng)制最小值轉(zhuǎn)換后的影像，描述(f+1)∧f_m在標(biāo)記影像f_m掩膜下的形態(tài)學(xué)腐蝕重建過程。

進(jìn)一步的，所述步驟S5的具體方法如下：基于獲得的完整遙感影像，采用ISODATA非監(jiān)督分類方法進(jìn)行分類，設(shè)置的分類類別數(shù)≥10，最大迭代次數(shù)≥5；對(duì)獲取的分類結(jié)果通過目視判讀進(jìn)行合并，得到只包含林冠區(qū)域和非林冠區(qū)域這兩類的二值影像，并將提取出的非林冠區(qū)域作為分割的外部標(biāo)記。

進(jìn)一步的，所述步驟S6中分水嶺變換分割采用公式如下：

式中，WaterShed()是分水嶺函數(shù)；Mask是掩膜函數(shù)；B_OutMask是外部標(biāo)記，即非林冠區(qū)域，W_canopy為林分單木林冠邊界。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：本發(fā)明有效解決了常規(guī)方法造成的林冠邊界分割不準(zhǔn)確問題；有利于森林樹冠信息的快速有效提取，為森林資源調(diào)查中林分株數(shù)、郁閉度的準(zhǔn)確高效估算提供有力支持。

附圖說(shuō)明

圖1是本發(fā)明的方法流程圖。

圖2A是本發(fā)明實(shí)施例一的無(wú)人機(jī)影像。

圖2B是本發(fā)明實(shí)施例一的綠光波段濾波結(jié)果。

圖2C是本發(fā)明實(shí)施例一的直接分水嶺分割結(jié)果。

圖2D是本發(fā)明實(shí)施例一采用固定窗口提取的林冠頂點(diǎn)。

圖2E是本發(fā)明實(shí)施例一采用可變窗口去除異常值結(jié)果。

圖2F是本發(fā)明實(shí)施例一的林冠非林冠二值圖。

圖2G是本發(fā)明實(shí)施例一的形態(tài)學(xué)重構(gòu)標(biāo)記結(jié)果。

圖2H是本發(fā)明實(shí)施例一的內(nèi)外部標(biāo)記添加結(jié)果。

圖2I是本發(fā)明實(shí)施例一的結(jié)合內(nèi)外標(biāo)記影像分割結(jié)果。

圖3A本發(fā)明實(shí)施例二的無(wú)人機(jī)影像。

圖3B本發(fā)明實(shí)施例二的直接分水嶺分割結(jié)果。

圖3C本發(fā)明實(shí)施例二采用固定窗口提取的林冠定點(diǎn)。

圖3D本發(fā)明實(shí)施例二的自適應(yīng)窗口去除異常頂點(diǎn)結(jié)果。

圖3E本發(fā)明實(shí)施例二的強(qiáng)加林冠頂點(diǎn)影像。

圖3F本發(fā)明實(shí)施例二的形態(tài)學(xué)重構(gòu)結(jié)果。

圖3G本發(fā)明實(shí)施例二的林冠非林冠二值圖。

圖3H本發(fā)明實(shí)施例二的內(nèi)標(biāo)記影像直接分水嶺分割結(jié)果。

圖3I本發(fā)明實(shí)施例二的結(jié)合內(nèi)外標(biāo)記影像分割結(jié)果。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

請(qǐng)參照?qǐng)D1，本發(fā)明提供一種結(jié)合形態(tài)學(xué)和標(biāo)記控制的無(wú)人機(jī)影像林冠分割方法，其特征在于，包括以下步驟：

步驟S1：利用無(wú)人機(jī)獲取若干幅分辨率在0.05-0.20m之間的林區(qū)的局部遙感影像，對(duì)所述若干幅林區(qū)遙感圖像進(jìn)行鑲嵌和正射校正得到林區(qū)的完整遙感影像；所述局部遙感圖像至少應(yīng)為包含紅、綠、藍(lán)波段的真彩色影像，且影像的航向和旁向重疊率≥80％，經(jīng)鑲嵌和正射校正得到的完整遙感影像無(wú)明顯拼接痕跡。

步驟S2：采用高斯濾波方法對(duì)完整遙感影像的綠光波段進(jìn)行平滑濾波處理；具體方法如下：采用一個(gè)高斯分布曲線(鐘形曲線)來(lái)對(duì)完整遙感影像的綠光波段進(jìn)行處理，減少影像的噪聲水平和強(qiáng)化林冠頂點(diǎn)的輻射強(qiáng)度值，濾波公式如下：

式中，G(i,j)為第i行，j列處影像象元高斯濾波結(jié)果，i、j為自然數(shù)，，σ為高斯濾波的均方差，σ取值選擇林分內(nèi)最小林冠尺寸大小作為窗口進(jìn)行影像濾波處理。

步驟S3：采用自適應(yīng)的局部最大值搜索方法從完整遙感影像的綠光波段中檢測(cè)林冠頂點(diǎn)位置；具體方法如下：

步驟S31：首先，通過一個(gè)較小的固定窗口探測(cè)樣地內(nèi)潛在的林冠頂點(diǎn)位置，獲得潛在林冠頂點(diǎn)；

步驟S32：采用自適應(yīng)的動(dòng)態(tài)窗口對(duì)獲取的潛在林冠頂點(diǎn)進(jìn)行判斷，如果當(dāng)前頂點(diǎn)為對(duì)應(yīng)窗口區(qū)域的最大值則保存，否則刪除；動(dòng)態(tài)窗口大小通過計(jì)算潛在頂點(diǎn)八個(gè)剖面方向半方差的變程值進(jìn)行確定，其影像像元的半方差計(jì)算公式為：

式中，γ(h)為經(jīng)驗(yàn)半方差值，x_i為影像的像元位置，h為兩個(gè)像元的空間分隔距離，Z(x)為對(duì)應(yīng)影像x_i處的像元值，N為在一定分隔距離下像元對(duì)的對(duì)數(shù)。

步驟S4：利用形態(tài)學(xué)運(yùn)算，通過一個(gè)強(qiáng)制最小值轉(zhuǎn)換將獲取的林冠頂點(diǎn)位置信息強(qiáng)加到平滑濾波后的綠光波段影像上；具體方法如下：

步驟S41：首先，對(duì)平滑濾波處理后的影像f進(jìn)行取反操作，然后對(duì)獲取的林冠頂點(diǎn)進(jìn)行極小值標(biāo)記，獲得標(biāo)記影像，如下式：

式中，f_m為獲取的標(biāo)記影像，p為影像的每個(gè)像元，t_max為影像的最大值；

步驟S42：然后，逐像元的計(jì)算影像f+1和標(biāo)記影像f_m之間的極小值，對(duì)影像進(jìn)行強(qiáng)制最小值轉(zhuǎn)換；

這一步驟中，形態(tài)學(xué)計(jì)算表示為：(f+1)∧f_m，然后利用標(biāo)記圖像f_m對(duì)(f+1)∧f_m進(jìn)行形態(tài)學(xué)腐蝕重建，如下式：

式中，f_mp為強(qiáng)制最小值轉(zhuǎn)換后的影像，描述(f+1)∧f_m在標(biāo)記影像f_m掩膜下的形態(tài)學(xué)腐蝕重建過程。

步驟S5：對(duì)于步驟S1獲得的完整遙感影像，采用ISODATA聚類算法得到只包含林冠區(qū)域和非林冠區(qū)域兩類的二值影像，將提取出的非林冠區(qū)域作為分割的外部標(biāo)記；具體方法如下：基于獲得的完整遙感影像，采用ISODATA非監(jiān)督分類方法進(jìn)行分類，設(shè)置的分類類別數(shù)≥10，最大迭代次數(shù)≥5；對(duì)獲取的分類結(jié)果通過目視判讀進(jìn)行合并，得到只包含林冠區(qū)域和非林冠區(qū)域這兩類的二值影像，并將提取出的非林冠區(qū)域作為分割的外部標(biāo)記。

步驟S6：基于步驟S4和步驟S5獲得的結(jié)果，將外部標(biāo)記強(qiáng)加到經(jīng)過強(qiáng)制最小值轉(zhuǎn)換后的影像上進(jìn)行分水嶺變換分割，獲得精確的林分單木林冠邊界信息。分水嶺變換分割采用公式如下：

式中，WaterShed()是分水嶺函數(shù)；Mask是掩膜函數(shù)；B_OutMask是外部標(biāo)記，即非林冠區(qū)域，W_canopy為林分單木林冠邊界。

為了讓一般技術(shù)人員更好的理解本發(fā)明的技術(shù)方案，以下結(jié)合兩個(gè)實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)介紹。其中，無(wú)人機(jī)獲取的局部遙感影像為RGB真彩色影像，采用PIX4D軟件進(jìn)行預(yù)處理，經(jīng)過鑲嵌和正射校正后，影像分辨率越為7cm。

實(shí)施例一：

圖2A是樣地1原始可見光影像，樣地1為針葉林樣地，有孤立的樹冠也有相互重疊的樹冠。圖2B為綠光波段經(jīng)最大值濾波和高斯平滑濾波的結(jié)果，增強(qiáng)了林冠與非林冠的光譜差異，減小了林冠內(nèi)部的光譜異質(zhì)性。圖2C是直接對(duì)濾波處理后的綠光波段進(jìn)行分水嶺分割，出現(xiàn)過分割的現(xiàn)象。這是因?yàn)橛跋裰谐肆止陧旤c(diǎn)還會(huì)存在部分噪聲值，以及影像中存在道路和空地的原因；

圖2D是應(yīng)用固定窗口局部最大值法進(jìn)行林冠頂點(diǎn)檢測(cè)的結(jié)果，存在部分林冠檢測(cè)到多個(gè)頂點(diǎn)問題；

圖2E是在固定窗口檢測(cè)結(jié)果基礎(chǔ)上，應(yīng)用可變窗口(自適應(yīng)窗口)最大值法進(jìn)行林冠頂點(diǎn)檢測(cè)的結(jié)果，可以發(fā)現(xiàn)，消除了部分林冠出現(xiàn)多個(gè)頂點(diǎn)的現(xiàn)象；

圖2F為經(jīng)過非監(jiān)督分類獲得的林冠和非林冠二值圖；

圖2G：是經(jīng)過形態(tài)學(xué)重構(gòu)，進(jìn)行強(qiáng)制最小轉(zhuǎn)換處理的綠光波段，此時(shí)查找得到的樹冠頂點(diǎn)標(biāo)記被強(qiáng)加到影像上，即保證分水嶺分割只會(huì)按照這些樹頂標(biāo)記進(jìn)行分割；

圖2H是在圖2G結(jié)果上增加了非林冠區(qū)域外部標(biāo)記的結(jié)果；

圖2I為結(jié)合樹冠內(nèi)外標(biāo)記分水嶺分割結(jié)果，每個(gè)閉合的多邊形表示一個(gè)樹冠。通過將樹冠勾繪結(jié)果與原始影像疊加，可以看出本算法得到的結(jié)果相對(duì)較好。

實(shí)施例二：

圖3A是樣地2原始可見光影像，樣地2為闊葉林樣地。圖2B為綠光波段直接分水嶺分割結(jié)果。出現(xiàn)過分割的現(xiàn)象。這是因?yàn)橛跋裰谐肆止陧旤c(diǎn)還會(huì)存在部分噪聲值，以及影像中存在灌草地的原因；

圖3C是應(yīng)用固定窗口局部最大值法進(jìn)行林冠頂點(diǎn)檢測(cè)的結(jié)果，存在部分林冠檢測(cè)到多個(gè)頂點(diǎn)問題，以及灌草地上檢測(cè)到頂點(diǎn)問題；

圖3D是在固定窗口檢測(cè)結(jié)果基礎(chǔ)上，應(yīng)用可變窗口(自適應(yīng)窗口)最大值法進(jìn)行林冠頂點(diǎn)檢測(cè)的結(jié)果，可以發(fā)現(xiàn)，消除了部分林冠出現(xiàn)多個(gè)頂點(diǎn)的現(xiàn)象，但仍然存在灌草地頂點(diǎn)問題；

圖3E是得到的樹冠頂點(diǎn)標(biāo)記被強(qiáng)加到綠光波段影像上的結(jié)果；圖3F是經(jīng)過形態(tài)學(xué)重構(gòu)，結(jié)果，該結(jié)果保證分水嶺分割只會(huì)按照樹頂標(biāo)記進(jìn)行分割。此外，為了消除非林冠區(qū)域?qū)α止诜指钸吔绲挠绊?，還需要對(duì)分割結(jié)果進(jìn)行掩膜處理。圖3G為非監(jiān)督分類獲得的林冠非林冠二值圖。圖3H為樹冠標(biāo)記影像直接進(jìn)行分水嶺分割結(jié)果，未能消除灌草地影響；圖3I為在樹頂標(biāo)記和非林冠掩膜標(biāo)記的基礎(chǔ)上進(jìn)行分水嶺分割后的結(jié)果，得到的結(jié)果相對(duì)較好。

根據(jù)以上實(shí)驗(yàn)分割結(jié)果，分別對(duì)兩個(gè)樣地單木林冠分割結(jié)果與目視解譯結(jié)果進(jìn)行對(duì)比驗(yàn)證，其結(jié)果如表1所示。

表1樣地單木樹冠提取精度分析

從表1中我們可以得出，兩個(gè)樣地的林冠分割精度都較高，以針葉林為主的樣地plot-01達(dá)到94.54％，而以闊葉林為主的樣地plot-02則達(dá)到95.56％。

以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。