改進分水嶺算法在無人機遙感影像樹冠分割中的應(yīng)用

于旭宅, 王瑞瑞, 陳偉杰(1.北京林業(yè)大學(xué)林學(xué)院，北京 10008；2.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點實驗室,北京 10008；.天津市靜海公路工程有限公司，天津 01600)

隨著電力產(chǎn)業(yè)的飛速發(fā)展，輸電線路在荒野分布日漸廣泛.每年樹木生長茂盛期，樹冠都會對輸電線路的安全運行造成很大威脅[1].利用無人機遙感技術(shù)可以快速獲取輸電線路下行樹冠的高分辨率遙感影像，通過提取樹冠并結(jié)合樹冠高度模型及輸電線高程數(shù)據(jù)，計算樹冠與上行輸電線的垂直距離，這對于開展輸電線路安全巡檢具有重要意義[2].目前無人機遙感技術(shù)在輸電線路巡檢等領(lǐng)域得到廣泛應(yīng)用[2-3]，如何有效、準(zhǔn)確地從遙感影像上提取樹冠信息已成為國內(nèi)外眾多學(xué)者研究的熱點[4-7].在遙感影像分割領(lǐng)域，分水嶺算法可應(yīng)用于多光譜遙感影像、高光譜遙感影像和高分辨率遙感影像的分割[8-9]，逐漸成為一種普遍采用的分割技術(shù).張博等[10]提出了一種改進分水嶺變換的高分辨率遙感影像多尺度分割方法，在抑制分水嶺過分割現(xiàn)象的同時，還能實現(xiàn)對遙感影像的多尺度分割.Sharif et al[11]提出了一種基于梯度修改的改進方法，利用形態(tài)學(xué)算子對梯度圖像進行修正，減少了過分割現(xiàn)象.

由于無人機多光譜遙感影像中輸電線路下行林區(qū)存在同一冠層內(nèi)部紋理細(xì)節(jié)顯著且亮度變化不均勻、不同樹冠之間重疊遮擋等現(xiàn)象，導(dǎo)致現(xiàn)有方法在提取樹冠時存在同一樹冠內(nèi)過分割、不同冠層間難以分割等問題.為此，本文提出了一種基于NDVI植被指數(shù)計算的改進分水嶺分割方法，通過歸一化植被指數(shù)模型(normalized difference vegetation index, NDVI)計算樹冠顯著性區(qū)域圖像，利用彩色向量空間算法計算其梯度，并采用基于標(biāo)記控制的分水嶺算法，實現(xiàn)了樹冠的準(zhǔn)確分割.

1 研究區(qū)概況

研究區(qū)位于安徽省池州市青陽縣東北部的錦蘇輸電線路下行通道，地理位置為東經(jīng)117°48′—117°54′，北緯30°40′—30°41′，地勢南高北低，海拔1.8～112.2 m.該區(qū)屬于亞熱帶季風(fēng)濕潤氣候區(qū)，夏熱冬寒，春秋溫和，雨量充沛，日照時間長，無霜期短，梅雨期40 d左右.研究區(qū)內(nèi)架設(shè)有輸電線路，樹種主要有泡柳、松樹、水杉、毛竹和雜木等，樹木生長茂盛.

數(shù)據(jù)源為無人機遙感影像，影像獲取時間是2016年6月16日，空間分辨率是0.05 m.從該無人機遙感影像可以獲取輸電線路通道下林木6個譜段的光譜反射率信息，第1、2、3波段分別是紅、綠、藍(lán)波段，位于可見光區(qū)域；第4、5、6波段的波長分別為600、701、750 nm，帶寬均為10 nm.

2 研究方法

2.1 顯著性區(qū)域提取

利用植被的光譜特性和形態(tài)特征，對原始無人機多光譜遙感影像進行預(yù)處理，得到樹冠的顯著性區(qū)域圖像，主要包括樹冠信息的去相關(guān)性分析、樹冠區(qū)域提取、形態(tài)學(xué)濾波等預(yù)處理過程.

2.1.1 多光譜影像的相關(guān)性分析 研究區(qū)的無人機遙感影像有6個波段，若對每一個波段都進行計算，會造成數(shù)據(jù)量急劇增加、耗時、冗余增大，因此首先對無人機遙感影像進行波段信息量、波段間相關(guān)性分析、比較，選擇信息量最大且波段間離散度最大、相關(guān)性最小的波段組合作為分割圖像.利用ENVI軟件中的Statistic工具統(tǒng)計出各波段相關(guān)系數(shù)，結(jié)果如表1所示.從表1可以看出無人機數(shù)據(jù)的第1、6波段相關(guān)性最小，第2、6波段相關(guān)性較小，但考慮到后續(xù)需要提取植被指數(shù)NDVI，故選擇第1、2、6波段；該3個波段按照RGB的形式合成(標(biāo)準(zhǔn)假彩色合成)，此時通過目視解譯提取樹冠，表達(dá)效果最好.

表1 無人機影像各波段相關(guān)系數(shù)矩陣Table 1 The correlation coefficient matrix of each band of UAV images

2.1.2 樹冠區(qū)域提取 植被的光譜特征能夠?qū)⑵湓谶b感影像上有效地與其它地物相區(qū)別.考慮到無人機遙感影像中輸電線路等背景區(qū)域的影響，選取第1、6波段，利用NDVI將樹冠區(qū)域與輸電線路等背景區(qū)域區(qū)分開來.通過比值運算進一步擴大樹冠區(qū)域與輸電線路等背景區(qū)域的差距，從而增強樹冠區(qū)域的亮度，抑制輸電線路等背景信息.針對比值運算的結(jié)果進行直方圖分析，通過設(shè)定閾值范圍對NDVI計算結(jié)果做分類處理，閾值范圍外用0表示，即輸電線路等背景區(qū)域；閾值范圍內(nèi)用1表示，即樹冠等顯著性區(qū)域.并生成掩膜圖像，對原始影像做掩膜處理，從而分離出輸電線路等背景區(qū)域和樹冠顯著性區(qū)域.NDVI比值計算如下：

(1)

式中，NIR為近紅外波段反射率，R為紅光波段反射率.

2.1.3 形態(tài)學(xué)濾波 無人機遙感影像分辨率特別高，影像上樹冠內(nèi)部的紋理細(xì)節(jié)特別清晰.為了縮小紋理細(xì)節(jié)對后續(xù)圖像的過分割影響, 采用形態(tài)學(xué)開閉重建運算對顯著性區(qū)域影像進行進一步預(yù)處理.形態(tài)學(xué)開閉重建運算是建立在腐蝕和膨脹的基礎(chǔ)上.對于原始圖像f(x,y)和參考圖像r(x,y)，其形態(tài)學(xué)膨脹運算[12]如式(2)所示.

(2)

式中：B表示圓盤狀結(jié)構(gòu)元素.圓盤形結(jié)構(gòu)元素滿足旋轉(zhuǎn)不變性,因此不會造成圖像特征值的畸變.

原始圖像f(x,y)的形態(tài)學(xué)腐蝕運算[12]如式(3)所示.

(3)

OB(f,r)=DB[(fB),r]

(4)

CB(f,r)=EB[(f·B),r]

(5)

形態(tài)學(xué)濾波計算中結(jié)構(gòu)元素B的大小和形狀對濾波效果有較大影響.如果結(jié)構(gòu)元素過小，一些樹枝會被當(dāng)作樹冠；如果結(jié)構(gòu)元素過大，一些較小的樹冠會被移除.一般來說，結(jié)構(gòu)元素的形狀應(yīng)與所需提取的地物形狀近似，尺寸應(yīng)小于所有待分割地物尺寸的最小值.因此，結(jié)構(gòu)元素采用圓盤形狀，尺寸小于最小樹冠半徑.通過多次反復(fù)比較，結(jié)果表明結(jié)構(gòu)元素尺寸大小為1時效果最好，樹冠內(nèi)部的紋理信息可被有效抑制.

2.2 影像梯度計算

一般來說，利用梯度圖像作為處理對象比直接在原始圖像上分割得到目標(biāo)邊界更為準(zhǔn)確.由于分水嶺算法與影像的梯度有關(guān)，而與影像本身的相關(guān)性不大，因此梯度圖像的構(gòu)建對后期分水嶺的分割效果有著至關(guān)重要的影響.考慮到顯著性區(qū)域圖像含有3個波段信息，且在彩色向量空間直接計算梯度比以單獨的分量圖像為基礎(chǔ)計算梯度具有更高的準(zhǔn)確度，因此本文采用彩色向量空間梯度算法[13]，直接在RGB向量空間計算梯度.設(shè)r、g、b是RGB彩色空間沿R、G、B軸的單位向量，像素點沿水平方向和垂直方向的彩色梯度可用向量u、v來表述：

(6)

(7)

gxx、guu、gxu分別定義為這些向量的點乘，表述如下：

(8)

(9)

(10)

由此可得到單個像素點(x,y)在最大變化率方向θ的彩色梯度公式為：

(11)

其中，最大變化率方向θ為：

(12)

2.3 樹冠標(biāo)記提取

由于顯著性區(qū)域圖像存在較多局部最大值，直接采用現(xiàn)有的分水嶺算法對梯度圖像進行分割，會導(dǎo)致圖像嚴(yán)重過分割，而有效地選取標(biāo)記是標(biāo)記分水嶺的重要步驟.采用擴展最小變換(E-minima)[14]提取標(biāo)記，其本質(zhì)是一個形態(tài)學(xué)閾值算子，將大多數(shù)無關(guān)小區(qū)域記為0.梯度圖像G的高度閾值(h)擴展最小變換運算表示如下：

E=ME(G,h)

(13)

式中，E為輸出的二值圖像.具體算法過程為：局部極小值與h進行逐一比較，將盆深大于h的局部極小值標(biāo)記為1，其他標(biāo)記為0，最終形成二值標(biāo)記圖像.

由于樹冠標(biāo)記中某些標(biāo)記連接在一起，使得分割結(jié)果出現(xiàn)多個樹冠而被誤分為一個樹冠.為使分割效果更理想，結(jié)合顯著性區(qū)域樹冠圖像的物理特征(樹冠中心附近區(qū)域輻射最大)，采用形態(tài)學(xué)開重建和閉重建技術(shù)來修正二值標(biāo)記圖像.首先利用形態(tài)學(xué)腐蝕運算將連接在一起的標(biāo)記分開;然后利用形態(tài)學(xué)距離變換確定每個標(biāo)記的范圍，確保每個標(biāo)記最終分割得到單一樹冠;最后運用強制運算將標(biāo)記加到梯度圖像上，得到修正后的梯度圖像.

2.4 冠層分割

通過擴展最小變換預(yù)先提取樹冠頂點作為標(biāo)記，將標(biāo)記強制應(yīng)用為局部最低值，再進行分水嶺分割.標(biāo)記控制分水嶺算法從梯度圖像的全局極小值點開始，假定當(dāng)前值為h+1，每個極小值小于或等于h的集水盆會被分配一個唯一標(biāo)記.對當(dāng)前值為h+1的像元，若其鄰域像元已經(jīng)標(biāo)記過，則給它分配相同標(biāo)記；若鄰域像元都沒有被標(biāo)記過，則被認(rèn)為是一個新的集水盆，并給它分配一個新標(biāo)記.如此反復(fù)標(biāo)記，直到圖像中每個像元都?xì)w屬到某個集水盆(即屬于某個對象區(qū)域)為止，分水嶺分割則完成.

3 結(jié)果與分析

3.1 顯著性區(qū)域提取

為了縮小輸電線路等背景區(qū)域的影響，對研究區(qū)的無人機多光譜遙感影像進行了波段甄選、NDVI植被指數(shù)計算、冠層掩膜等處理，結(jié)果如圖1所示.根據(jù)NDVI計算結(jié)果進行分類處理，建立冠層掩膜.從圖1D可以看出，輸電線路、樹冠間空隙與樹冠都被有效分離出來.利用冠層掩膜得到去除輸電線路等背景后的冠層區(qū)域，結(jié)果如圖1E所示.從圖1E可以看出，輸電線路等背景被有效去除，為后續(xù)分水嶺分割冠層分割提供了可靠的影像數(shù)據(jù).

3.2 分割結(jié)果與精度

為驗證本算法的準(zhǔn)確性與有效性，采用基于標(biāo)記控制的分水嶺算法，對顯著性區(qū)域圖像進行樹冠提取，結(jié)果如圖2A所示.由于缺少外業(yè)調(diào)查數(shù)據(jù)，利用ArcGIS軟件通過人工目視解譯方式獲得了參照圖像(圖2B).通過改進算法得到的圖像與參照圖像的差異度來衡量分割結(jié)果質(zhì)量，由于位于邊緣的樹冠形狀不完整，無法應(yīng)用分水嶺算法，因此評價分析不包括邊界上的樹冠.

為驗證算法的準(zhǔn)確性，將論文改進算法與目視解譯做對比分析.采用改進算法提取142個樹冠，其中輸電線路下行的樹冠26個，如圖2A所示；根據(jù)樹冠頂端高亮度像元與樹冠形態(tài)特征進行目視解譯，結(jié)果如圖2B所示，提取127個樹冠，其中輸電線路下行的樹冠有23個.從表2可知，從樹冠提取總個數(shù)來看，通過改進算法提取的個數(shù)多于目視解譯.這是因為在目視解譯過程中忽略了較多樹冠特征不明顯的區(qū)域，但這些區(qū)域又存在高亮度像元，所以改進算法將其當(dāng)作樹冠進行提取.從樹冠重疊個數(shù)(表2)來看，改進算法提取的樹冠總個數(shù)和目視解譯匹配的個數(shù)有117個,改進算法提取樹冠總個數(shù)匹配精度達(dá)到92%;改進算法和目視解譯在輸電線路下行的樹冠匹配個數(shù)有18個,改進算法提取的輸電線路下行樹冠匹配率為78.2%.這是因為在去除輸電線路背景、提取顯著性樹冠時，輸電線路將部分樹冠分為2個樹冠，或者將同一樹冠分裂成多個樹冠，導(dǎo)致改進算法提取個數(shù)多于目視解譯個數(shù).

A.無人機原始數(shù)據(jù)；B.無人機數(shù)據(jù)增強顯示；C.NDVI植被指數(shù)計算；D.冠層掩膜；E.去除背景后的冠層區(qū)域.圖1 顯著性區(qū)域提取結(jié)果Fig.1 The extraction results of significant region

圖2 算法提取結(jié)果(A)與目視解譯結(jié)果(B)Fig.2 The extraction results of algorithm (A) and visual interpretation (B)

表2 提取樹冠個數(shù)對比Table 2 The number contrast of extraction canopy

為驗證算法的精度，進一步從空間上對改進算法進行單木樹冠提取精度分析.隨機且均勻地選取20株單木樹冠，通過目視解譯判斷標(biāo)記(圖3中標(biāo)記的數(shù)字)的樹冠是否被分割出來，并從單個樹冠所占像元個數(shù)進行誤差分析(表3).在進行精度分析時，所用相對誤差公式為：

(14)

式中T計算表示改進算法提取的單個樹冠像元總數(shù)，T目視表示目視解譯提取的單個樹冠像元總數(shù).

樣本精度計算公式為：

(15)

式中,n為樣本數(shù)，δi為第i個樣本的相對誤差.

表3 單個樹冠像元總數(shù)計算結(jié)果對比Table 3 The result contrast of pixel numbers of a single canopy

由表3可知，改進算法提取的單個樹冠像元總個數(shù)與目視解譯相差不大.改進算法提取的單個樹冠的平均像元個數(shù)為2 437，而目視解譯的單個樹冠的平均像元個數(shù)為2 457，就單個樹冠的平均像元個數(shù)而言，二者相差甚小.利用樣本精度計算可得，改進算法的平均相對誤差為11.7%，形狀精度為88.3%.總體而言，改進算法能夠有效進行輸電線路下行的單木樹冠分割，不僅簡化了數(shù)據(jù)分析的計算量，也可以達(dá)到精度要求，能夠滿足電力巡檢、林業(yè)調(diào)查等領(lǐng)域的實際測量需求.

4 小結(jié)

本研究結(jié)果表明，改進算法能夠有效去除輸電線路等背景區(qū)域的影響，與目視解譯提取的樹冠結(jié)果相比較，獲得的準(zhǔn)確率得到了明顯的提高.主要體現(xiàn)在以下3個方面：(1)對于整個研究區(qū)，目視解譯提取樹冠127個，改進算法提取樹冠142個，樹冠匹配個數(shù)為117個，在整體區(qū)域樹冠個數(shù)匹配精度達(dá)到92%；(2)對于輸電線路下行區(qū)域，目視解譯提取樹冠23個，改進算法提取樹冠26個，樹冠匹配個數(shù)為18個，在輸電線路下行區(qū)域樹冠個數(shù)匹配精度為78%；(3)對于單個樹冠所占像元個數(shù)，改進算法提取的單個樹冠的平均像元個數(shù)為2 437，目視解譯提取的單個樹冠的平均像元個數(shù)為2 457，改進算法的形狀精度達(dá)到88.3%.