基于QuickBird影像的樹冠提取研究

蔣小敏

（安徽理工大學空間信息與測繪工程學院，安徽 淮南 232001）

樹冠在樹木中占據著較大的面積，是進行光合作用的主要場所，為其生長提供主要的能量。對樹木的樹冠大小進行判斷與研究，可以用來監(jiān)測樹木的長勢，預估樹木的生物量，對樹木病蟲害的防治也有一定的作用。近年來遙感技術突飛猛進，國內外研究者通過利用遙感數據對樹冠結構加以研究進行提取樹冠信息的研究方法有很多種。例如，2005年，Perrin等應用標記點過程模型對高空間分辨率彩色近紅外影像進行樹冠提取；2009年，Forzieri等應用激光雷達數據研發(fā)了具有時效性較強、成本較低的單木樹冠提取過程。馮益明等[1]利用空間統(tǒng)計學半方差理論對人工冠幅進行估量，取得了較高精度；熊軼群等[2]通過采集樹冠中心點坐標，建立射線方程，基于射線法提取樹冠面積；萬紅梅等[3]采納人機交互方法提取樹冠信息，以實測數據為真值進行驗證；周艷飛等[4]通過對比支持向量機法、光譜結合紋理支持向量機（Support Vector Machine，SVM）以及面向對象分類法3種方法提取樹冠。傳統(tǒng)的外業(yè)測量不僅作業(yè)強度大、效率低，而且主觀因素的依賴性大，測量精度難以保證。尋找一種客觀、高效、準確的單木樹冠提取方法不僅是林業(yè)學者關心的問題，也受到了遙感與地理信息科學及計算機視覺學者的高度關注。目前，樹冠的提取研究從對航空像片目視解譯開始，已經逐步發(fā)展到應用被動影像和主動激光雷達數據進行自動和半自動提取階段。本文以果子溝研究區(qū)里的Quickbird遙感影像作為處理數據源，運用面向對象分類的方法，對研究區(qū)的云杉樹冠進行提取研究。

1 研究區(qū)概況

霍城縣位于新疆維吾爾自治區(qū)西部，隸屬于伊犁哈薩克自治州，地理位置為東經8°11′～81°24′，北緯43°39′～44°50′。屬于溫帶半干旱氣候，全年日照時數2 550～3 500 h，每日日照時數8～12 h，年平均氣溫8.2～9.4℃，年降水量達到140～460 mm。全縣南北跨度120 km，東西橫跨85 km?；舫强h城沿東北方向40 km處就是本文研究的果子溝地區(qū)，全長28 km，云杉人工林遍布。

2 試驗數據與方法

2.1 數據獲取與預處理

數據獲取時間為2017年6月28日，像元大小為0.6 m的高分辨率遙感影像，數據采集當天天氣情況良好，獲取的遙感圖像較清晰，其成像質量較好，包括研究區(qū)內的1∶10 000的地形圖和1∶10 000數字高程模型（Digital Elevation Model，DEM）數據以及需要用到的處理圖像軟件eCognition 8.7，ENVI 5.3和Arcgis 10.0等。

下載的遙感影像數據不能直接加以利用，圖像中除了包含所需的信息外，還包含了一些無用信息。為了提取可靠的信息，去除誤差，增強信息的可靠性，簡化數據，需要進行預處理。本文采用ENVI 5.3軟件，利用1∶10 000的地形圖和1∶10 000 DEM數據對遙感影像進行正射校正，即在獲取的QuickBird遙感影像上選取控制點，利用DEM數據對影像做傾斜改正和投影差改正，重采樣成正射影像圖。經校正后的正射影像圖具有豐富的信息，采用K-L變換對多光譜影像融合取得了較好效果，通過人工可判別出影像中的深色區(qū)域為樹冠。

2.2 面向對象分類

面向對象分類方法主要是對多個像元群（也稱為目標對象）進行分析，而非單個像元，這樣的分析與單個像元的分析相比，更能凸顯其現實意義[5]。面向對象的分類方法是建立在目標對象基礎上的，研究的是實實在在的有意義影像對象，模仿人類的大腦思維來認知現實世界中的事物，分析的是單個實體而不僅僅是一個單獨存在的像元。面向對象分類法的原理可以簡單地理解為對整個影像進行分割、分類，最終得到所需結果[6-7]。

2.3 多尺度分割

在高分辨率遙感影像中，因地物的影像特征互不相同，所以分割參數的設置也應根據實際影像圖進行，且分割參數的不同，其所分割出來的影像也不盡相同，對之后的分類精度有很大的影響[8-10]。因此為獲取最優(yōu)的分割尺度和方法，對各種參數（分割尺度、平滑度和緊致度）進行組合試驗，最終經過對比，得到分割尺度為5，平滑度為0.1，緊致度為0.5時可較好地分割出天山云杉的樹冠，其分割結果見圖1。

圖1 分割尺度為5、平滑度為0.1、緊致度為0.5時的天山云杉樹冠

3 結果與分析

3.1 基于樣本的監(jiān)督分類

提取樹冠信息，需要將地物進行分類，以獲得樹冠的分布圖。本文運用的是eCognition中基于樣本的監(jiān)督分類方法。最鄰近分類算法是通過對一個分類樣本進行特征選擇形成樣例，然后在最鄰近算法里添加或編輯需要分類的樣本，簡化步驟，提高自動化。本文使用波段均值和標準差配置最鄰近特征，分類結果見圖2。

圖2 果子溝林場樹冠提取效果圖

用eCognition軟件對圖像進行分割分類后可看到樹冠的分布情況，為了進一步對樹冠信息進行研究，需將樹冠提取出來生成矢量數據，利用ArcGIS 10.0軟件打開后可看到提取出來的樹冠信息，因而可以做后續(xù)的空間分析或面積統(tǒng)計（見圖3）。

圖3 果子溝林場樹冠分布圖

3.2 精度評價

為了驗證結果是否符合精度要求，需要對結果進行分類精度評價，然后將取得的分類結果輸出，才能獲得樹冠大小信息。在eCognition軟件中基于分割對象選擇樣本，然后做精度分析，得出：總精度為0.89， Kappa系數為0.82。從得到的分析結果來看，本文采用的提取技術基本能夠滿足精度要求。Kappa系數能夠更準確地反映整體的分類精度，Kappa系數越大，其分類質量越好。本文實驗得到的分類精度見表1。

表1 面向對象分類精度

3.3 結果分析

1）本文用的是高空間分辨率衛(wèi)星的全色波段數據，相對于其他遙感影像，地面分辨率較高，綠色植物在多光譜波段上的表現大多數是不相同的，數據經過正射校正、圖像融合等預處理后，影像紋理信息相對豐富，圖像較清晰，能較好地反映地面樹冠的結構特征，可將樹冠與其他地物區(qū)別開來。

2）圖像分割參數（分割尺度、平滑度、緊致度）的選取對后面的面向對象分類結果的精度具有很大的影響，因這些分割參數不固定，所以必須經過多次反復實驗，才能找到較合適的分割參數，在一定程度上對圖像對象的精度具有較大的提高。

3）在樹木比較密集的森林里，樹冠與樹冠之間會有相互遮擋、掩蓋，一些較小的樹木會被大樹所覆蓋，導致樹冠提取的精度會降低。本文研究的是特定的天山云杉樹種，不具有普遍實用性。

4）相比于其他提取方法而言，本文的面向對象提取方法精度可以達到要求，但在基于樣本的監(jiān)督分類中，訓練樣本的選取依靠的是人工的目視解譯，自動化程度低，在一定程度上影響樹冠的提取效率和提取精度。