基于M- K聚類(lèi)法的果樹(shù)上下冠層體積比測(cè)算

祁力鈞 程一帆 程湞湞 楊知倫 吳亞壘 葛魯振

(中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083)

0 引言

果樹(shù)冠層體積是決定施用農(nóng)藥量的重要指標(biāo)，在果園精細(xì)化作業(yè)中具有十分重要的地位[1-3]。隨著科技的發(fā)展，基于高新傳感器的測(cè)量技術(shù)成為冠層信息的主要獲取手段[4-8]。

近年來(lái)，由于無(wú)人機(jī)自身所具有的不受空間限制、自由度高與經(jīng)濟(jì)成本低等優(yōu)點(diǎn)，借助機(jī)載LiDAR回傳數(shù)據(jù)，根據(jù)ABA(區(qū)域分析法)和ITC分析法(單株分析法)[9]對(duì)樹(shù)木冠層進(jìn)行測(cè)量成為農(nóng)林測(cè)繪領(lǐng)域的研究熱點(diǎn)。對(duì)于ITC法而言，由于無(wú)人機(jī)的獨(dú)特視角導(dǎo)致來(lái)自機(jī)載LiDAR較大比例的激光脈沖被攔截在冠層的頂部，而中部和下部的反饋較少[10]，單純依靠機(jī)載LiDAR回傳數(shù)據(jù)進(jìn)行冠層測(cè)算忽視了林木下冠層體積，致使結(jié)果不精確[11]。針對(duì)上述問(wèn)題WEZYK[12]提出了將地面激光掃描(TLS)回傳數(shù)據(jù)和機(jī)載激光掃描(ALS)點(diǎn)云轉(zhuǎn)換為同一個(gè)坐標(biāo)系的方法，并對(duì)林木特征參數(shù)進(jìn)行半自動(dòng)提?。籑URGOITIO等[13]嘗試將ALS和TLS傳感器的回傳數(shù)據(jù)整合一起，用于可視化樹(shù)冠被遮擋部分，其結(jié)果表明TLS對(duì)ALS數(shù)據(jù)進(jìn)行補(bǔ)充可顯著完善森林結(jié)構(gòu)模型；LOVELL等[14]將地基激光掃描儀與無(wú)人機(jī)機(jī)載系統(tǒng)的測(cè)量數(shù)據(jù)相結(jié)合，以減輕樹(shù)木上冠層的遮擋對(duì)體積測(cè)量結(jié)果產(chǎn)生的影響。然而，用TLS的方法來(lái)獲取果樹(shù)下冠層體積，成本很高、耗時(shí)較長(zhǎng)且需多點(diǎn)位布控的復(fù)雜測(cè)量方式不適于果園種植緊密、行列間空隙較少的特殊情況。

為解決上述問(wèn)題，本文參照LEFSKY等[15]的冠層分割思想，擬將果樹(shù)分為上下2個(gè)冠層，在地面采集果園果樹(shù)側(cè)視圖圖像后運(yùn)用基于M- K聚類(lèi)法的圖像處理技術(shù)對(duì)冠層進(jìn)行提取，并在圖中定位最大遮擋面[16]，以此為基準(zhǔn)實(shí)現(xiàn)果樹(shù)上下冠層的分割；針對(duì)密閉型和疏散型兩類(lèi)果樹(shù)，分別運(yùn)用散點(diǎn)積分與旋轉(zhuǎn)積分的方法，從而得到果樹(shù)上下冠層的體積比。將此參數(shù)引入到機(jī)載LiDAR系統(tǒng)中，對(duì)冠層信息缺失的部分進(jìn)行體積預(yù)測(cè)，以實(shí)現(xiàn)多傳感器信息融合。

1 系統(tǒng)和材料

1.1 檢測(cè)系統(tǒng)組成

本實(shí)驗(yàn)檢測(cè)系統(tǒng)由硬件與軟件兩部分組成，其中硬件由微型單反相機(jī)、云臺(tái)、三腳架、計(jì)算機(jī)等組成，如圖1所示。相機(jī)為2 430萬(wàn)有效像素的Sony α7微型單反相機(jī)，搭載15～75 mm變焦鏡頭，計(jì)算機(jī)選用Accer aspire V5，Intel core i5處理器，Windows 10操作系統(tǒng)。軟件為基于Matlab語(yǔ)言的自編程序。

圖1 檢測(cè)系統(tǒng)的硬件組成Fig.1 Hardware composition of inspection system

1.2 果樹(shù)圖像獲取

分別于2017年5月5日10:00在北京市中農(nóng)富通現(xiàn)代示范果園選擇20棵自然紡錘形櫻桃樹(shù)和2017年9月20日10:00在山東省果樹(shù)研究所示范果園選擇23棵高紡錘形蘋(píng)果樹(shù)進(jìn)行實(shí)驗(yàn)。

在自然曝光的環(huán)境中，運(yùn)用Sony α7微型單反相機(jī)的AUTO模式進(jìn)行圖像采集，采集時(shí)相機(jī)裝載在百諾IT15云臺(tái)上。

2 冠層體積比的測(cè)算

為求得果樹(shù)冠層上下體積比，通過(guò)圖像處理法提取冠層圖像相關(guān)信息，并根據(jù)提取的數(shù)據(jù)進(jìn)行體積比計(jì)算，最后為增加結(jié)果的準(zhǔn)確性與魯棒性提出修正方案。

2.1 果樹(shù)圖像分割

圖像分割是根據(jù)一定特征將圖像中目標(biāo)區(qū)域與背景區(qū)域進(jìn)行分離、提取的技術(shù)過(guò)程。對(duì)目標(biāo)物分割的最終效果將會(huì)直接影響到后續(xù)的圖像邊緣提取與最大遮擋面的定位。果樹(shù)冠層相對(duì)于背景區(qū)域具有明顯的顏色差異，根據(jù)該特點(diǎn)，提出運(yùn)用M- K聚類(lèi)法進(jìn)行圖像分割。

2.1.1馬氏距離

馬氏距離是由MAHALANOBIS于1936年提出的一種基于變量間相關(guān)性的距離度量。相對(duì)于歐氏距離，馬氏距離的優(yōu)勢(shì)是考慮了數(shù)據(jù)之間的相關(guān)性，且在進(jìn)行距離計(jì)算時(shí)具有尺度無(wú)關(guān)性，它是計(jì)算2個(gè)未知樣本集相似程度的一種有效方法[17]。

本文運(yùn)用LI等[18]的方法，計(jì)算所采集果樹(shù)冠層圖像中每一像素點(diǎn)與經(jīng)人工分割的標(biāo)準(zhǔn)果樹(shù)圖像之間的馬氏距離，并將輸出矩陣MDi作為二者相似度的判定標(biāo)準(zhǔn)。其計(jì)算公式為

(1)

(2)

式中xi——采集圖像中某一像素點(diǎn)包含的顏色信息向量

n——圖像的總像素?cái)?shù)

X——圖像所包含的顏色特征矩陣

圖2為經(jīng)上述公式計(jì)算后生成MDi矩陣的三維顯示圖，其中Z軸為馬氏距離，X、Y軸為像素點(diǎn)所在行、列值，頂部平面圖像為馬氏距離越大，該點(diǎn)對(duì)應(yīng)亮度越高，距離越小亮度越低。由圖2可知，圖像中部灰色凹陷區(qū)域與果樹(shù)標(biāo)準(zhǔn)圖像相似度較高，馬氏距離較小，為果樹(shù)樹(shù)冠主體，其余部分為地面、天空等非目標(biāo)區(qū)域，與果樹(shù)標(biāo)準(zhǔn)圖像相似度較低，馬氏距離較大。

圖2 MDi矩陣的三維顯示圖Fig.2 Three-dimensional display of MDi matrix

2.1.2色度空間的變換

由于園內(nèi)光照環(huán)境復(fù)雜，導(dǎo)致所得冠層圖像通常存在亮度不均勻的現(xiàn)象。在進(jìn)行圖像處理時(shí)，目標(biāo)區(qū)域的亮度差異成為干擾因子，影響了分割的準(zhǔn)確性。為排除亮度對(duì)圖像分割的影響，本文將果樹(shù)圖像由RGB色彩空間轉(zhuǎn)換為L(zhǎng)ab色彩空間，轉(zhuǎn)換公式為

(3)

(4)

(5)

(6)

圖3 K-means法與M- K法分割效果對(duì)比Fig.3 Comparisons of K-means and M- K segmentation effects

(7)

式中r、g、b——圖像紅、綠、藍(lán)通道灰度

L、a、b——轉(zhuǎn)換后的色彩空間三通道灰度

在Lab色彩空間中L表示亮度，a表示從綠色到紅色的色彩范圍，b表示從藍(lán)色至黃色的色彩范圍[19]，該色彩空間將圖像顏色因子與亮度因子進(jìn)行分離，能夠有效解決圖像光照不均勻的問(wèn)題，從而保留圖像原本的色彩信息。

2.1.3M- K聚類(lèi)法

常用的聚類(lèi)算法有K-means法、模糊c均值法、meanshift法和gmm法等，其中K-means聚類(lèi)算法運(yùn)算速度快、結(jié)果準(zhǔn)確。它的基本思想是：首先從數(shù)據(jù)對(duì)象中隨機(jī)選擇k個(gè)對(duì)象作為初始聚類(lèi)中心,然后將剩余的每個(gè)對(duì)象根據(jù)與這些聚類(lèi)中心的距離,分別賦予與其距離最近的聚類(lèi)。再重新計(jì)算每個(gè)新聚類(lèi)的聚類(lèi)中心,不斷重復(fù),直到聚類(lèi)中心不再變化[20]。然而對(duì)于現(xiàn)代果園內(nèi)環(huán)境復(fù)雜、干擾因素眾多等特殊情況，K-means聚類(lèi)法存在錯(cuò)分漏分現(xiàn)象嚴(yán)重、聚類(lèi)數(shù)k難以確定的缺陷。

針對(duì)上述問(wèn)題，本文提出結(jié)合馬氏距離和K-means算法的M- K聚類(lèi)法，并運(yùn)用該算法對(duì)果樹(shù)冠層圖像進(jìn)行分割。首先將前文所得馬氏距離MDi矩陣與Lab色度空間中的a、b矩陣進(jìn)行歸一化處理(歸一到0～255)，將此3類(lèi)特征數(shù)據(jù)結(jié)合成新的三維矩陣，以新的MAB矩陣替代原有的RGB矩陣進(jìn)行K-means聚類(lèi)。MAB圖像中M代表該像素點(diǎn)與目標(biāo)圖像整體的相似程度，A、B包含原有的圖像色彩信息。新的三維矩陣排除了干擾因子亮度L的影響，引入了相似度M作為聚類(lèi)特征，在未損失圖像原本的顏色信息A、B的前提下，使得聚類(lèi)分割的準(zhǔn)確度得以提高。如圖3所示，對(duì)同一幅果樹(shù)圖像分別進(jìn)行基于K-menas聚類(lèi)及基于M- K算法的冠層分割，從結(jié)果來(lái)看，運(yùn)用M- K法進(jìn)行分割，冠層完整度較高，錯(cuò)分現(xiàn)象不明顯。

圖4 馬氏距離的空間散點(diǎn)圖Fig.4 Space scatter plots of Mahalay distance

由于背景區(qū)域(地面、天空)與果樹(shù)冠層有一定的差異(圖4b)，M往往較大，而目標(biāo)區(qū)域與干擾區(qū)域(雜草、其他品種果樹(shù))可通過(guò)顏色信息A、B進(jìn)行區(qū)分(圖4c)，故在進(jìn)行M- K聚類(lèi)時(shí)，統(tǒng)一將聚類(lèi)數(shù)設(shè)置為k=3，將圖像分為目標(biāo)區(qū)域、背景區(qū)域和干擾區(qū)域3部分，從而解決K-means算法無(wú)法確定初始聚類(lèi)數(shù)的問(wèn)題。

2.1.4圖像形態(tài)學(xué)處理及邊緣輪廓提取

對(duì)果樹(shù)圖像進(jìn)行M- K聚類(lèi)后，取M最小的聚類(lèi)中心所在類(lèi)為目標(biāo)類(lèi)，進(jìn)行二值化。由于樹(shù)冠中存在空隙，分割所得二值圖像存在孔洞現(xiàn)象，且仍有少數(shù)干擾物未能完全去除。因此運(yùn)用形態(tài)學(xué)孔洞填充和開(kāi)閉運(yùn)算進(jìn)行處理，以達(dá)到消除孔洞與殘留干擾物的效果，結(jié)果如圖5c所示。

傳統(tǒng)的邊緣提取算法有Roberts算法、Sobel算法和Canny算法[21]，其中以Canny算法的檢測(cè)效果最為優(yōu)良。對(duì)經(jīng)過(guò)形態(tài)學(xué)處理的二值圖像進(jìn)行基于Canny算法的邊緣提取，獲得果樹(shù)冠層邊緣輪廓，如圖5d所示。

圖5 果樹(shù)冠層邊緣輪廓提取Fig.5 Extractions of canopy edge contours of fruit trees

2.2 體積比計(jì)算

2.2.1冠層最大遮擋面的定位與圖像切割

進(jìn)行上下冠層體積比的計(jì)算時(shí)，首先需要確定其最大遮擋面在樹(shù)冠中所處的位置。在果樹(shù)圖像處理中，一般認(rèn)為圖中最大橫向像素距離為果樹(shù)最大冠幅[22]，從而近似認(rèn)為其所在位置即為最大遮擋面所處位置。然而，現(xiàn)實(shí)中果樹(shù)枝葉不齊，某些較長(zhǎng)的側(cè)枝外伸，破壞了樹(shù)木的輪廓走勢(shì)，因而簡(jiǎn)單的將最大冠幅等同于最大遮擋面容易使測(cè)量結(jié)果產(chǎn)生較大的偏差。

為解決上述問(wèn)題，本文首先對(duì)冠層圖像進(jìn)行遍歷，尋找出果樹(shù)的頂點(diǎn)，過(guò)此頂點(diǎn)將圖像豎直切割成兩份；然后對(duì)左右兩部分果樹(shù)的邊緣輪廓進(jìn)行基于最小二乘法的多項(xiàng)式曲線擬合，如圖6a所示，并根據(jù)留一交叉驗(yàn)證法進(jìn)行循環(huán)檢驗(yàn)，自動(dòng)選取最佳擬合函數(shù)，輸出擬合曲線方程，分別解出兩曲線極大值所在的位置，定為果樹(shù)遮擋面，再次進(jìn)行圖像切割，將左右兩圖切成左上、左下、右上、右下4份，如圖6b所示。

圖6 最大遮擋面的定位與圖像切割Fig.6 Positioning of the largest occlusion surface and cutting of image

以較為平滑的擬合曲線代替果樹(shù)不規(guī)則的輪廓線，排除了過(guò)長(zhǎng)側(cè)枝的干擾，提高了冠層最大遮擋面定位與分割的穩(wěn)定性。

2.2.2上下冠層體積比

對(duì)于邊緣疏散形果樹(shù)，由于樹(shù)葉稀疏，分支明顯，中空面積較大，運(yùn)用散點(diǎn)積分的方法求體積易產(chǎn)生誤差，所以采用樹(shù)冠輪廓擬合曲線旋轉(zhuǎn)體積代替原果樹(shù)體積，具體方法如下：首先運(yùn)用骨架化法對(duì)果樹(shù)冠層進(jìn)行迭代骨架化運(yùn)算，對(duì)經(jīng)過(guò)骨架化的圖像進(jìn)行八連通鄰域檢測(cè)，得出樹(shù)枝的端點(diǎn)，對(duì)所得端點(diǎn)進(jìn)行曲線擬合，如圖7所示。再對(duì)曲線進(jìn)行旋轉(zhuǎn)積分。其計(jì)算公式為

(8)

式中f(x)——所得擬合曲線

x——擬合曲線橫坐標(biāo)值，像素

l——圖像的列像素?cái)?shù)

圖7 疏散型果樹(shù)的曲線擬合Fig.7 Curve fitting of evacuation fruit trees

對(duì)于邊緣輪廓規(guī)則的密閉型果樹(shù)，直接運(yùn)用散點(diǎn)積分法求果樹(shù)各部分冠層的像素體積，其計(jì)算公式為

(9)

式中r——樹(shù)冠邊緣輪廓與分割中心的距離，像素

最后，根據(jù)求得的各部分像素體積進(jìn)行上下冠層體積比P的計(jì)算，公式為

(10)

式中V11——左上部果樹(shù)的像素體積

V12——右上部果樹(shù)的像素體積

患者右骶棘肌緊張，腰椎MRI示L4 ～ S1區(qū)域增粗變寬的右骶棘肌無(wú)信號(hào)異常，排除損傷可能。MRI異常影像結(jié)合臨床癥狀，分析疼痛原因如下。

V21——左下部果樹(shù)的像素體積

V22——右下部果樹(shù)的像素體積

2.3 修正方案

為提升測(cè)量結(jié)果的精確性與魯棒性，選擇在室內(nèi)對(duì)兩棵特征參數(shù)已知的果樹(shù)(櫻桃樹(shù)、蘋(píng)果樹(shù))模型進(jìn)行探究實(shí)驗(yàn)，確定對(duì)測(cè)量產(chǎn)生影響的外界因素(圖像拍攝距離、高度和方向)，并針對(duì)產(chǎn)生的影響提出相應(yīng)的修正方案。

2.3.1影響因素

實(shí)驗(yàn)于實(shí)驗(yàn)室內(nèi)進(jìn)行，實(shí)驗(yàn)對(duì)象為一棵蘋(píng)果樹(shù)模型與一棵櫻桃樹(shù)模型。將相機(jī)架設(shè)在三角架上，利用水平儀進(jìn)行校正，使相機(jī)鏡頭主光軸與地面保持平行。如圖8所示，4次實(shí)驗(yàn)中，分別控制相機(jī)對(duì)地高度為180、150、120、90 cm；鏡頭與樹(shù)干之間的距離為260、310、360、410 cm；每次實(shí)驗(yàn)拍攝2個(gè)方向，拍攝方向依次為0°、45°、90°、135°、180°、225°、270°、315°(以正東方向?yàn)?°)。

圖8 實(shí)驗(yàn)示意圖Fig.8 Experimental diagrams

以拍攝距離和高度為變量，對(duì)兩棵模型樹(shù)的補(bǔ)償體積系數(shù)進(jìn)行測(cè)量，結(jié)果如表1所示。對(duì)結(jié)果分別進(jìn)行方差分析，如表2所示。經(jīng)F檢驗(yàn)得出，在置信度為95%的前提下，改變拍攝距離、拍攝高度對(duì)實(shí)驗(yàn)結(jié)果的影響不明顯。

表1 補(bǔ)償體積系數(shù)測(cè)量結(jié)果Tab.1 Measurement result of compensationvolume coefficient

表2 方差分析Tab.2 Variance analysis result

以拍攝方向?yàn)樽兞窟M(jìn)行實(shí)驗(yàn)，結(jié)果如圖9所示，對(duì)所得結(jié)果進(jìn)行方差分析，發(fā)現(xiàn)置信度為90%的情況下拍攝方向?qū)y(cè)量結(jié)果產(chǎn)生顯著影響。

圖9 誤差折線圖Fig.9 Error lines graph

2.3.2修正方案

在改變拍攝方向的實(shí)驗(yàn)中，誤差如圖9所示，櫻桃樹(shù)所得補(bǔ)償體積系數(shù)與人工測(cè)量的最大誤差為22.2%，蘋(píng)果樹(shù)與人工測(cè)量值的最大誤差為25.3%，可見(jiàn)最大偏差均在20%以上，結(jié)果不夠精確。原因是式(8)、(9)中將修形后的果樹(shù)當(dāng)作規(guī)則的旋轉(zhuǎn)體進(jìn)行體積計(jì)算，然而在實(shí)際情況中，由于各種偶然因素的影響，果樹(shù)很難滿足理想條件，當(dāng)各部分生長(zhǎng)差異過(guò)大時(shí)，單側(cè)果樹(shù)圖像不足以反映整棵果樹(shù)的形體特征。為了使測(cè)量結(jié)果足夠精確，需采集多幅不同方向的果樹(shù)圖像，以確保獲取足夠全面的果樹(shù)信息。

分別對(duì)蘋(píng)果樹(shù)與櫻桃樹(shù)不同側(cè)面的體積測(cè)量值進(jìn)行取平均，所得結(jié)果與人工測(cè)量值誤差較小(蘋(píng)果樹(shù)10.7%，櫻桃樹(shù)3.9%)，因此在采集冠層圖像時(shí)應(yīng)根據(jù)實(shí)際情況采集2幅及以上不同方向的果樹(shù)圖像，以平均值作為最終結(jié)果，達(dá)到降低測(cè)量誤差的目的。

3 實(shí)驗(yàn)結(jié)果與分析

選取20棵櫻桃樹(shù)、23棵蘋(píng)果樹(shù)作為研究對(duì)象。對(duì)每棵果樹(shù)分別采集東北側(cè)和西北側(cè)的果樹(shù)圖像進(jìn)行上下冠層體積比計(jì)算。在確定冠層最大遮擋平面后，參考WHEATON等[23]、王佳等[24]提出的計(jì)算方法，運(yùn)用卷尺、標(biāo)桿和手持激光測(cè)距儀測(cè)量果樹(shù)冠層各截面所在高度與半徑(將各截面近似為圓形)，運(yùn)用圓臺(tái)累加法對(duì)果樹(shù)上下冠層的真實(shí)體積進(jìn)行人工測(cè)算，以人工測(cè)量所得上下冠層體積比作為標(biāo)準(zhǔn)值，與本文所述方法進(jìn)行對(duì)比分析。

分別將兩棵果樹(shù)的東北側(cè)、西北側(cè)攝影測(cè)量值與人工測(cè)量值進(jìn)行線性相關(guān)分析，如表3所示，得出的決定系數(shù)R2最低為0.661，最高為0.818，可見(jiàn)運(yùn)用單幅果樹(shù)圖像測(cè)算上下冠層體積比其結(jié)果與人工測(cè)量值具有一致性，但不同樹(shù)種、不同側(cè)面的測(cè)量值與人工測(cè)量值的線性相關(guān)性有較大偏差(23.7%)，方法穩(wěn)定性較差。對(duì)兩棵果樹(shù)東北側(cè)與西北側(cè)的測(cè)量值進(jìn)行算術(shù)平均后與人工測(cè)量值進(jìn)行相關(guān)分析，結(jié)果顯示相對(duì)于未進(jìn)行平均之前二者的相關(guān)關(guān)系具有顯著增強(qiáng)，其決定系數(shù)分別為0.775和0.832；再進(jìn)行顯著性t檢驗(yàn)，P值為0.389 8、0.613 9，均大于0.05，可見(jiàn)本文方法測(cè)量值與人工測(cè)量值未見(jiàn)顯著差異，且2次回歸的決定系數(shù)差異縮小(7.4%)，說(shuō)明經(jīng)修正后穩(wěn)定性增強(qiáng)。

表3 果樹(shù)冠層體積的人工測(cè)量值與圖像處理值Tab.3 Artificial measurements and image processing values of canopy volume

對(duì)比圖10a和圖10b，可見(jiàn)圖10a中與回歸線偏差較大的奇異點(diǎn)分布較為均勻且數(shù)量多，而圖10b中奇異點(diǎn)多出現(xiàn)于上下冠層體積比較大的區(qū)間且數(shù)量較少。這主要是由于秋天的蘋(píng)果樹(shù)普遍葉密度較小且樹(shù)形不夠規(guī)整，在進(jìn)行圖像處理時(shí)存在孔隙過(guò)大、枝干明顯等問(wèn)題，難以形成閉合的樹(shù)冠，導(dǎo)致處理結(jié)果存在一定的偏差；而春天的櫻桃樹(shù)枝葉茂密，但幼齡果樹(shù)未完全發(fā)育成型，其下冠層所占體積比例低，上下冠層的界限不夠明顯，難以尋找合適的最大遮擋面，從而導(dǎo)致測(cè)量產(chǎn)生偏差。

圖10 線性回歸Fig.10 Linear regressions

4 結(jié)論

(1)在冠層分割中，對(duì)于任意圖像M- K算法均將聚類(lèi)值確定為3，且引入了MDi矩陣作為圖像特征值，相對(duì)于單一的K-means分割法，M- K算法解決了聚類(lèi)數(shù)k無(wú)法確定的缺陷，提高了分割的準(zhǔn)確性。

(2)實(shí)驗(yàn)結(jié)果表明，改變拍攝方向會(huì)對(duì)測(cè)量結(jié)果產(chǎn)生顯著影響。對(duì)原方案經(jīng)過(guò)修正后，誤差由最高的25.3%降至10.7%。以23棵蘋(píng)果樹(shù)、20棵櫻桃樹(shù)為實(shí)驗(yàn)對(duì)象，對(duì)本文方法測(cè)量值與人工測(cè)量值進(jìn)行線性分析和顯著性檢驗(yàn)，結(jié)果表明二者之間有較強(qiáng)的線性相關(guān)關(guān)系(R2為0.775、0.832)和較小的差異(P為0.389 8、0.613 9)。

1 王萬(wàn)章，洪添勝，李捷，等. 果樹(shù)農(nóng)藥精確噴霧技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2004,20(6):98-101.

WANG Wanzhang, HONG Tiansheng, LI Jie, et al. Review of the pesticide precision orchard spraying technologies[J]. Transactions of the CSAE, 2004, 20(6): 98-101. (in Chinese)

3 吳亞壘，祁力鈞，張亞，等.基于駐波率原理的農(nóng)藥?kù)F滴沉積量檢測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33(15)：64-71.

WU Yalei, QI Lijun, ZHANG Ya, et al. Design and experiment of pesticide droplet deposition detection system based on principle of standing wave ratio[J]. Transactions of the CSAE,2017, 33(15): 64-71.(in Chinese)

4 丁為民,趙思琪,趙三琴,等.基于機(jī)器視覺(jué)的果樹(shù)樹(shù)冠體積測(cè)量方法研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(6):1-10,20.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160601&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.06.001.

DING Weimin,ZHAO Siqi,ZHAO Sanqin, et al.Measurement methods of fruit tree canopy volume based on machine vision[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(6):1-10,20. (in Chinese)

5 何誠(chéng)，馮仲科，袁進(jìn)軍，等.基于數(shù)字高程模型的樹(shù)木三維體積測(cè)量[J].農(nóng)業(yè)工程學(xué)報(bào)，2012,28(8):195-199.

HE Cheng,FENG Zhongke,YUAN Jinjun,et al. Three-dimensional volume measurement of trees based on digital elevation model[J]. Transactions of the CSAE，2012，28(8):195-199．(in Chinese)

6 劉峰，龔健雅.基于機(jī)載激光雷達(dá)技術(shù)的茂密林地單株木識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(7):200-203，209.

LIU Feng，GONG Jianya．Individual trees recognition in dense forest based on airborne LiDAR[J]． Transactions of the Chinese Society for Agricultural Machinery，2011，42(7): 200-203，209．(in Chinese)

7 SCHUMANN A W,ZAMAN Q U.Software development for real-time mapping of ultrasonic tree canopy size[J]. Computers and Electronics in Agriculture,2005,47(1):25-40.

8 王萬(wàn)章，洪添勝，陸永超，等.基于超聲波優(yōu)越感器和DGPS的果樹(shù)冠徑檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2006，22(8)：158-161.

WANG Wanzhang, HONG Tiansheng, LU Yongchao, et al.Performance of tree canopy diameter measurement based on ultrasonic sensor and DGPS[J].Transactions of the CSAE,2006,22(8):158-161.(in Chinese)

9 BREIDENBACH J, N?SSET E, LIEN V, et al. Prediction of species specific forest inventory attributes using a nonparametric semi-individual tree crown approach based on fused airborne laser scanning and multispectral data[J]. Remote Sensing of Environment, 2010, 114(4):911-924.

10 CHASMER L, HOPKINSON C, TREITZ P. Assessing the three-dimensional frequency distribution of airborne and ground-based lidar data for red pine and mixed deciduous forest plots[J]. International Archives Photogramm Remote Sens Spat Information: Science, 2004, 36(8): W2.

11 HILKER T,LEEUWEN M V,COOPS N C,et al. Comparing canopy metrics derived from terrestrial and airborne laser scanning in a Douglas-fir dominated forest stand[J]. Trees-Structure and Function,2010,24(5):819-832.

12 WEZYK P. The integration of the terrestrial and airborne laser scanning technologies in the semi-automated process of retrieving selected trees and forest stand parameters[J]. Ambiência, 2012, 8(Especial):67-80.

13 MURGOITIO J, SHRESTHA R, GLENN N, et al. Airborne LiDAR and terrestrial laser scanning derived vegetation obstruction factors for visibility models[J]. Transactions in GIS, 2014, 18(1):147-160.

14 LOVELL J L, JUPP D L B, CULVENOR D S, et al. Using airborne and ground-based ranging lidar to measure canopy structure in Australian Forests[J]. Canadian Journal of Remote Sensing, 2003, 29(5):607-622.

15 LEFSKY M A, COHEN W B, ACKER S A, et al. Lidar remote sensing of the canopy structure and biophysical properties of Douglas-Fir Western Hemlock Forests[J]. Remote Sensing of Environment, 1999, 70(3):339-361.

16 JENNINGS S B, BROWN N D, SHEIL D. Assessing forest canopies and understorey illumination: canopy closure, canopy cover and other measures[J]. Forestry, 1999,72(1):59-74.

17 駱志高，李旭東，趙俊麗，等.利用馬氏距離判別法準(zhǔn)確實(shí)現(xiàn)對(duì)裂紋的識(shí)別[J]. 振動(dòng)與沖擊,2013,32(21):186-188.

LUO Zhigao,LI Xudong,ZHAO Junli,et al.Crack identification with mahalanobis distance discrimination method[J].Journal of Vibration and Shock,2013, 32(21):186-188.(in Chinese)

18 LI N, GRIFT T E, YUAN T,et al. Image processing for crop/weed discrimination in fields with high weed pressure[C]∥2016 ASABE Annual International Meeting, ASABE Papers 162460475,2016.

19 GANESAN P, RAJINI V, RAJKUMAR R I. Segmentation and edge detection of color images using CIELAB color space and edge detectors[C]∥2010 International Conference on Emerging Trends in Robotics and Communication Technologies, 2010: 393-397.

20 李飛，薛彬，黃亞樓.初始中心優(yōu)化的K-means聚類(lèi)算法[J].計(jì)算機(jī)科學(xué), 2002, 29(7):94-96.

LI Fei,XUE Bin,HUANG Yalou.K-means clustering algotithm with refined center[J].Computer Science，2002,29(7)：94-96.(in Chinese)

21 CANNY J．A computational approach to edge detection[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8(6):679-698．

22 張富貴，洪添勝，肖磊，等．果樹(shù)冠幅的檢測(cè)機(jī)理研究[J]．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(4)：25-29．

ZHANG Fugui, HONG Tiansheng, XIAO Lei, et al. Detection mechanism for fruiter crown diameter[J]. Transactions of the CSAE, 2008, 24(4):25-29.(in Chinese)

23 WHEATON T A, TUMBO S D, WHITNEY J D, et al. Investigation of laser and ultrasonic ranging sensors for measurements of citrus canopy volume[J]. Applied Engineering in Agriculture, 2002, 18(3):367-372.

24 王佳, 楊慧喬, 馮仲科.基于三維激光掃描的樹(shù)木三維綠量測(cè)定[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(8):229-233.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130839&journal_id=jcsam.DOI：10.6041/j. issn.1000-1298.2013.08.039.

WANG Jia，YANG Huiqiao，F(xiàn)ENG Zhongke．Tridimensional green biomass measurement for trees using 3D laser scanning[J/OL]．Transactions of the Chinese Society for Agricultural Machinery，2013，44(8):229-233．(in Chinese)