-
摘要: 单木树冠提取对果树健康状态、营养成分、产量预测具有重要意义。无人机获取的高分辨率遥感影像作为低成本、低风险的数据源，为准确估计棵数、描绘树木冠层轮廓提供了新的技术手段。以往关于单木冠层轮廓提取的研究大多集中在森林或稀疏果园，以局部最大值滤波结果作为基于标记分水岭算法的种子点，该方法在密植型果园的表现并不理想。提出了一种适用于密植型果园、以区域型种子块作为标记的分水岭算法，通过最大似然法提取果树冠层生成冠层数字表面模型，利用高斯滤波结合形态学开运算及自适应阈值分割方法生成区域型种子块，并执行基于种子块标记的分水岭算法，实现密植型果园单木分割。实例研究结果表明，总体棵数查全率为95.22%，查准率为99.09%，得到单木轮廓提取总体准确率为93.45%，总体欠分割误差为5.87%，总体过分割误差为0.90%。与局部最大值种子点提取结果对比，总体准确度提高18.66%，精细树冠轮廓提取精度提高17.75%，可为地形平缓地区密植型果园单棵果树树冠提取提供参考。Abstract:Objectives Single tree canopy extraction is of great significance for fruit tree health status, nutritional composition, and yield prediction.As a low-cost, low-risk data source, high-resolution remote sensing images obtained by drones provide new technical means for accurately estimating tree numbers and delineating tree canopy profiles. Using unmaned aerial vehicle(UAV) digital images as the data source, a single-tree segmentation algorithm based on regional seed blocks is proposed to solve the single-tree segmentation problem of densely planted fruit trees.Methods The canopy of the fruit tree is extracted by the maximum likelihood method to generate digital surface model (DSM)of the canopy, and Gaussian filter is combined with morphological opening and self-adapted threshold segmentation generates regional seed blocks as the basis for tree statistics and as the marker of the marked-controlled watered segmentation.Results The results show that the overall tree recall rate is 95.22%, the precision rate is 99.09%. The overall accuracy rate of single tree contour extraction is 93.45%, the overall omission error is 5.87%, and the overall commission error is 0.90%. Compared with the previous local maximum seed point extraction results, the overall accuracy is 18.66% higher, and the precision of the fine crown contour extraction is 17.75% higher.Conclusions The watershed method based on the regional seed block can effectively prevent the overlapping area of the canopy from being repeatedly divided into multiple fruit trees. On the basis of preserving the canopy outline of the fruit tree to the greatest extent, the segmentation error of the fruit tree is reduced.It provides a reference for the method of extracting the crown of a single fruit tree in a densely planted orchard in flat terrain.
-
果树树冠特征与果树光能获取、能量转换高度相关[1-3]，获取冠层结构信息对监测果树健康、预测产量有着重要作用，准确、高效地获取单木冠层特征有助于依据个体差异[4]开展病害防治、水肥管理等果园精准作业活动[5]，从而大幅提升果园智能化管理水平。
无人机遥感技术因其操作简便、机动灵活、可以搭载多种载荷等优势，逐渐在果园监测中广泛应用。利用无人机遥感技术提取冠层、获取单木冠层结构及理化参数已成为重要技术手段。一般地，从无人机遥感数据源的角度有基于激光雷达（light detection and ranging，LiDAR）数据的单木冠层提取算法和光学影像图像处理的单木提取算法[6]。激光雷达点云数据几何精度高[1]，可以自动分离地面点而生成高精度的冠层高度模型（canopy height model，CHM），利用均值漂移算法[7]、归一化分割算法[8]，可以实现基于激光雷达点云数据的单木树冠轮廓提取、树冠结构参数提取，然而其数据获取成本高、点云密度不能全覆盖等特点[9]使得其实用性受到制约；而无人机高分辨影像较LiDAR技术简捷、成本低，且更容易推广，已经成功用于小范围农田长势监测、目标检测，其中对于单木分割主要采用山谷追踪法[10]、边缘检测法[11]、分水岭算法[12-13]、模式识别[14-15]等二维图像分割方法。
基于分水岭算法的光学影像单木分割最为常见，文献[16]首次提出了基于标记的分水岭算法，避免了噪声对影像的过分割[17]，扩展了算法的应用空间。一般地，利用局部最大值滤波法生成基于标记的分水岭算法的种子点。文献[18]利用无人机生成白云杉的小型机载光谱（compact airborne spectrographic imager，CASI）影像，利用轮廓检测算法提取树冠簇，并假设在树冠最高点测量得到的太阳辐射强度最大，使用局部非最大值抑制算法[19]检测树顶并作为标记，对树冠簇执行标记分水岭算法，实现交叉树冠的分割。文献[12]获取无人机多光谱白桦树和枫树的混交林影像，采用高斯滤波预处理并通过多尺度分水岭算法实现对混合落叶林的分割。文献[20]获取落叶林冠层高度模型，通过局部最大值算法识别潜在树冠，执行二次分水岭算法，抑制过分割现象，提高单木分割精度。文献[6]获取苹果园CHM模型，以行距为局部最大值窗口大小，执行基于局部最大值种子点的分水岭算法，实现了果园的单木树冠提取和树冠结构参数提取。文献[13]通过高斯滤波和局部最大值滤波提取种子，使用基于标记的分水岭算法实现了对苹果园和梨园的单木分割及单木参数提取。
上述方法中对于郁闭度低的果园使用基于局部最大值的分水岭算法实现单木分割的可行性已被证实[18, 21-22]。然而，局部最大值滤波算法的准确度高度依赖于滤波窗口大小，窗口过大会导致小树遗漏，窗口过小会导致单个树冠被分为多个树冠[18, 23]。同时，应用此方法往往需要对原始影像进行平滑处理消除冠层内部结构和噪声的影响，这种处理方式亦会模糊果树边界，限制精细化树冠轮廓提取，也易造成过分割和欠分割误差。另外，使用二次分水岭算法虽然可以有效抑制过分割现象[20]，但以首次分水岭结果作为标记图像，会造成明显的误差传递，同时，对首次分水岭结果实施过滤选择算法会增大分割计算量及时间成本。目前对郁闭度高的果树类树冠分割的研究尚少，果园内果树冠层具有冠层纹理复杂、排布规则、冠幅相似、局部制高点不突出等特点，加之分割密植型果园存在地面与树冠轮廓混淆、树冠之间重叠等技术挑战，缺乏能满足密植型果园高精度单木果树冠层提取的方法。
为解决上述问题，本文构建了一种基于无人机数码影像三维重建数字表面模型（digital surface model，DSM）的果树高精度单木分割方法，采用基于区域型种子块的标记分水岭算法，实现对幼果期和膨果期的乔化密植型果园果树的精细单木轮廓线提取，为密植型果园单棵果树树冠提取方法提供参考。
1 研究方法
1.1 研究区概况与数据获取
研究区为位于中国山东省栖霞市的3处乔化果园（见图 1），果树品种以富士苹果为主，一号果园（见图 1（a））果树处于膨果期，果树行向东南排布，冠幅相近，但存在地面杂草干扰；二号果园（见图 1（b））同处膨果期，果树行向东西排布，冠幅大小不一，冠层呈现局部稀疏、局部密集的特征，不存在地面杂草干扰；三号果园（见图 1（c））处于幼果期，果树行向南北排布，冠幅差异较大，存在地面杂草干扰。一号至三号果园面积分别为2 100 m2、1 456 m2、20 160 m2，园内果树分别为67棵、86棵、872棵，行向种植间距为4 m，垂直行向种植间距分别为6 m、4 m和4.5 m，平均树冠直径分别为5 m、5.5 m和5 m，相邻果树之间冠层重叠现象严重，属密植型果园。
一号至三号果园无人机高清数码影像获取时间分别为2019-08-04T 16：30：00、2019-05-31T 17：23：00、2019-07-05T 10：00：00，无人机型号为DJI PHANTOM 4 PRO（SZ DJI Technology Co，China），总重量1.388 kg，最大飞行时间约30 min，搭载影像传感器1英寸互补金属氧化物半导体图像传感器（complementary metal oxide semiconductor，CMOS）有效像素为2 000万。设置飞行高度30 m，飞行速度5 m/s，采用旁向及航向重叠度75%。
1.2 研究方法
本文提出的果树单木分割方法分为3个步骤（见图 2）：（1）影像预处理及冠层提取。对无人机获取的数码影像预处理，并利用最大似然法对研究区正射影像进行分类，提取树冠冠层。（2）区域型种子块生成。对提取的树冠冠层进行高斯滤波、形态学开运算及自适应阈值提取区域型种子块。（3）基于区域型种子块标记的分水岭算法及精度验证。将区域型种子块作为分水岭算法的标记图像，执行分水岭算法，实现冠层单木分割并验证精度。
1.2.1 预处理及冠层提取
利用实景三维软件Agisoft Photo Scan Professional对获取的数码影像进行拼接，通过对齐图像、生成密集点云、生成网格与纹理，并根据已知点坐标对影像进行几何校正，生成分辨率为0.05 m的研究区正射影像（digital orthophoto map，DOM）、DSM。由于无人机获取影像的地物类别简单，可分为树冠、地面杂草及裸土等其他杂物3类，3种地物之间差异较大，采用最大似然分类方法，借助遥感影像处理平台ENVI软件人工选取3种地物的若干感兴趣区作为分类模型输入，各类已知像元数据在空间中构成点群，形成多维正态分布[24]。基于多维分布模型，对于图中任意像元计算其所属类别的概率，比较各类概率大小得到分类结果，并对分类结果进行中值滤波后处理，消除椒盐噪声。对已分出的冠层生成矢量文件，利用矢量文件对研究区DSM进行裁剪，得到冠层DSM。
1.2.2 区域型种子块生成
为解决冠层重叠问题，提高单木分割准确度，本文提出将区域型种子块作为分水岭算法的标记图像，种子块的生成包括高斯滤波、开运算、自适应阈值提取、种子块标记图像生成4个步骤（见图 3）。
1）高斯滤波。使用高斯滤波方法对冠层DSM进行去噪处理，高斯滤波直径大小为研究区内果树行距对应像素，建立二维高斯滤波器，扫描图上每个像素，用邻域内像素的加权平均灰度代替窗口中心像素值[12, 14, 21]，可以有效防止原始冠层DSM局部亮度过大，导致开运算结果出现伪树冠。
2）形态学开运算。基于传统图像处理方法的形态学开运算[25]方法包括腐蚀运算和膨胀运算两个步骤，通过任意大小和形状的结构元素（structure element，SE）（通常SE由0和1组成）在整个图像上滑动，可有效去除两个形状之间的相连部分及孤立小点。由于果树树冠可近似为椭球体，故选择结构元素SE的形状为圆形，设定固定半径为d的结构元素SE，首先执行腐蚀操作，腐蚀操作可以减弱单个树冠的顶部及周围多个局部最大值，有效减弱相邻果树间交叉枝条的影响；其次执行膨胀操作，膨胀操作可以突出树冠主体部分，并尽最大可能保留原树冠大小范围。设定的SE半径大小直接影响算法结果，SE越大，树冠消除越多，当SE半径过大时，部分小树会消失。本文设定SE半径为1/2行距，并根据实际开运算结果调整±5像素。
3）自适应阈值分割。受到地形起伏及树冠高低不一的影响，经过开运算处理后，某些较为高大的树冠周围背景灰度值与低矮小树灰度值近似，若使用全局固定阈值分割，小于阈值的低矮小树会消失，高树周围则会出现粘连现象无法分开，故使用自适应阈值法[26]进行二值化分割。设定窗口大小与开运算窗口大小相等，求窗口内平均值为阈值，大于该阈值填充为255，小于该阈值填充为0，该方法可得到开运算结果中突出的树冠主体部分的二值化图像，树冠主体部分中心点作为单木位置统计，参与后续棵数统计。
4）区域型种子块标记图像生成。在前人研究树冠提取的方法中，往往将局部最大值结果作为基于标记分水岭算法的标记图像[6, 13, 27]，此类方法对单木之间交叉较为严重的场景下效果往往并不理想。由于影像分辨率较高，单个树冠存在多个局部最大值点，在交叉较为严重的两棵树边界区域，枝条高度相近，单一种子点会造成分水岭算法对相邻两个果树造成欠分割误差和过分割误差，导致分割精度降低。本文提出将区域型种子图像作为标记，区域型种子图像标记图与单点型标记图的区别在于区域型种子图像将单棵树冠标记为树冠大概范围的近圆形，是开运算后突出树冠主体部分的结果，而非树冠的单个局部最大值点。
1.2.3 基于标记的分水岭算法
基于标记的分水岭算法是单木分割最为常见的算法[28-30]，是基于地理形态的图像分割算法，将每个输入图像转为灰度图像，其像素灰度值代表高度，灰度值越大，高度越高，灰度值越小，高度越低，以提供的标记作为注水点，随着水平面上升，不同注水点区域汇聚时形成“大坝”，形成的“大坝”即为分水岭算法绘制的分界线[12]。基于标记的分水岭算法在Python3.8中执行，利用OpenCV2（版本4.5.2）库实现，根据算法输入要求，标记图像设为单通道8位图像，标记区域为[1，255）的整数集合，分割区域标为0，背景区域标为255，执行分水岭算法可得到单木轮廓线。
1.3 精度评价
1.3.1 棵数统计精度评价方法
采用统计学方法计算本文方法提取结果与DOM目视判别结果在空间上的对比，统计正确检测果树棵数TP、错误检测果树棵数FP、未检测到果树棵数FN，并计算查全率R、查准率P、总体准确度F1得分。查全率表示本文方法提取果树棵数在真实果树棵数中的占比，查准率表示本文方法正确提取果树棵数在总检测结果中的占比[12, 22]。计算公式为：
$$ R=\frac{{T}_{P}}{{T}_{P}+{F}_{N}}\times \mathrm{ }100\mathrm{\%} $$ (1) $$ P=\frac{{T}_{P}}{{T}_{P}+{F}_{P}}\times 100\mathrm{\%} $$ (2) $$ F1=\frac{2RP}{R+P}\times 100\mathrm{\%} $$ (3) 1.3.2 单木轮廓提取精度评价方法
本文对于单木轮廓的精度评价以无人机拼接生成的DOM目视手绘单木轮廓为参考值，本文方法提取结果为提取值。针对一号至三号果园的高精度单木分割结果，将二者空间关系由前人提出的6种[12, 31]改为7种，分别为：（1）一等优匹配（perfect-match 1，PM1）定义为单个提取树冠面积与该参考树冠面积的重叠面积分别占提取树冠面积及参考树冠面积的70%及以上，数量为NPM1。（2）二等优匹配（perfect-match 2，PM2）定义为单个提取树冠面积与该参考树冠面积的重叠面积分别占提取树冠面积及参考树冠面积的50%以上、70%以下，数量为NPM2。（3）良匹配（good-match，GM）定义为单个提取树冠面积与该参考树冠面积的重叠面积占提取树冠面积或参考树冠面积的50%以上，数量为NGM。（4）遗漏（missed-match，Mi）定义为单个提取树冠与参考树冠重叠面积不超过两者面积的50%，数量为NMi。（5）合并（merged，Me）定义为单个提取树冠面积覆盖多个参考树冠，且至少2个参考树冠与提取树冠的重叠面积均超过参考树冠面积的50%，数量为NMe。（6）分解（split，Sp）定义为单个参考树冠覆盖多个提取树冠，且至少2个提取树冠与参考树冠重叠面积均超过提取树冠的50%，数量为NSp。（7）错误（wrong，Wr）定义为非树冠目标被识别为树冠，数量为NWr。
根据以上7种空间关系，将分割结果划分为3类，分别为：（1）~（3）分割结果归类为准确分割，（4）、（5）分割结果归类为欠分割误差，（6）、（7）分割结果归类为过分割误差，则总体树冠提取精度包括准确率AR、欠分割误差OE以及过分割误差CE[12]，计算公式分别为：
$$ {A}_{R}=\frac{{N}_{\mathrm{P}\mathrm{M}1}+{N}_{\mathrm{P}\mathrm{M}2}+{N}_{\mathrm{G}\mathrm{M}}}{{N}_{\mathrm{A}\mathrm{L}\mathrm{L}}}\times 100\mathrm{\%} $$ (4) $$ {O}_{E}=\frac{{N}_{\mathrm{M}\mathrm{i}}+{N}_{\mathrm{M}\mathrm{e}}}{{N}_{\mathrm{A}\mathrm{L}\mathrm{L}}}\times 100\mathrm{\%} $$ (5) $$ {C}_{E}=\frac{{N}_{\mathrm{S}\mathrm{p}}+{N}_{\mathrm{W}\mathrm{r}}}{{N}_{\mathrm{A}\mathrm{L}\mathrm{L}}}\times 100\mathrm{\%} $$ (6) 式中，NALL为 NPM1、NPM2、NGM、NMi、NMe、NSp、NWr之和。
2 结果与分析
根据所述方法生成分辨率为0.05 m的果园DOM和DSM，利用最大似然法对DOM影像分类并提取冠层，通过提取的冠层矢量对DSM进行裁剪，得到冠层DSM。
2.1 种子图像生成
2.1.1 高斯滤波
高斯滤波结果对比图如图 4所示，图 4（a）为在冠层DSM上未执行高斯滤波的开运算效果，图 4（b）为执行高斯滤波的开运算效果，在开运算之前执行高斯滤波，可有效抑制单棵树冠被分为多个树冠的现象。
2.1.2 形态学开运算及区域型种子块生成
经过开运算处理后，图像上单棵果树主体部分呈近圆形（图 5（b）），与邻近果树互不相交，利用自适应阈值分割提取单棵果树主体范围，得到互不相交的连通区，以（0，255）范围内不同的整数标记，并将整体冠层区域标记为0，即待分割区域，将非冠层区域标记为255，即无需分割区域，得到区域型种子块（图 5（c））。
将提取的不同连通区几何中心作为棵数统计依据，结果如表 1所示，一号、二号、三号果园查全率分别为100%、98.84%和94.50%，查准率分别为97.10%、96.59%和99.52%，F1得分分别为98.53%、97.70%和96.94%，总体查全率为95.22%，查准率为99.09%，F1得分为97.11%。
表 1 果园棵数统计结果与精度Table 1. Statistical Results and Accuracy of Fruit Trees果园编号 真实棵数/棵 TP/棵 FN/棵 FP/棵 R/% P/% F1得分/% 一 67 67 0 2 100 97.10 98.53 二 86 85 1 3 98.84 96.59 97.70 三 872 824 48 4 94.50 99.52 96.94 合计 1 025 977 48 9 95.22 99.09 97.11 2.2 果树树冠分割
2.2.1 分割结果与精度评价
以分辨率为0.05 m的冠层DSM作为输入图像，以区域型种子块作为标记，执行基于标记的分水岭算法，得到果园单木分割结果如图 6所示，提取树冠与参考树冠空间关系分类及精度评价如表 2所示。一、二、三号果园准确率分别为95.65%、96.25%和93.18%，欠分割误差分别为1.45%、3.75%和6.08%，过分割误差分别为2.90%、2.50%和0.74%，总体准确率为93.45%，欠分割误差为5.87%，过分割误差为0.90%。根据本文三号果园的单木分割精度可知，由于漏检棵数增多，结果总体精度较一、二号果园有所下降，欠分割误差升高。漏检现象一般出现在“小树”群体中，其主要原因为冠层提取误差的影响，利用最大似然法分离果树冠层范围和地面背景时，由于地面杂草在可见光范围的光谱反射特性与“小树”光谱反射特性差异不明显，纹理信息相近，通过监督分类方法易造成“小树”与杂草的混淆，导致冠层提取不完整，间接造成了漏分果树数量上升。在一、二号果园，果树冠层与地面背景有明显差异，整体果园冠层提取难度降低，冠层可完整提取，故总体分割精度较高。本文方法对第一步的冠层提取结果有较高的依赖性，在地面杂草与果树冠层差异较大的场景下，可以实现高精度单棵果树冠层提取。
表 2 提取树冠与参考树冠的空间关系分类及精度Table 2. Results and Accuracy of Extracted Crown and Referenced Crown果园编号 一等优匹配/棵 二等优匹配/棵 良匹配/棵 遗漏/棵 合并/棵 分开/棵 错误/棵 准确率/% 欠分割误差/% 过分割误差/% 一号 64 2 0 0 1 0 2 95.65 1.45 2.90 二号 69 5 3 0 3 2 0 96.25 3.75 2.50 三号 741 5 5 30 19 0 6 93.18 6.08 0.74 合计 810 10 8 30 22 2 6 93.45 5.87 0.90 2.2.2 与单点型种子点标记结果对比
以行向种植间距为局部最大值窗口大小，对冠层DSM提取局部最大值作为单点型标记，与区域型种子块标记对比，得到一、二号果园结果对比图（见图 7、图 8），在同等密集程度下，区域型种子块提取效果明显优于单点型种子点提取效果，单点型种子点算法存在严重过分割误差，而区域型种子块算法在果树冠层重叠区域表现良好；三号果园结果对比如图 9所示，在场景复杂、背景干扰严重的情况下，两种算法都存在密植树冠“合并”、低矮树冠“遗漏”现象，按空间关系对分割效果进行分类，结果如图 10所示，单点型标记结果总体准确率为74.79%，欠分割率为23.18%，过分割率为0.64%，相比之下，区域型种子块标记结果总体准确率较单点型结果高18.66%，欠分割误差低17.31%，过分割误差高0.26%。且区域型种子块标记的树冠提取结果与参考树冠面积重叠率高于70%，即一等优匹配占总提取树冠的79.02%，单点型标记结果占总提取树冠的61.27%，高于其17.75%。结果表明，区域型种子块算法精度高于单点型种子点算法，且精细化提取单木冠层轮廓即一等优匹配占比明显高于单点型种子点算法。
![]()
图 10 果树树冠提取结果对比精度评价Figure 10. Comparison of the Accuracy of Fruit Tree Crown Extraction Results3 讨论
3.1 区域型种子块范围对结果影响
由单木分割结果可知，二等优匹配与良匹配占总体结果的比重较大，此种现象与提取的区域型种子块尺寸有关。如图 11所示，理想情况下，经过最佳尺寸的种子块标记后可将相邻单木通过分水岭算法准确分割；而在实际情况中，往往会由于种子块未充分标记，导致分水岭算法“注水”时误将高树的低矮枝条与其相邻的矮小果树混淆，造成算法分割的果树冠层与实际冠层结构差异较大。
为解决这一问题，对自适应阈值分割算法提取的区域型种子块做逐步膨胀处理，扩大标记范围，增大树冠主体结构，随着种子块范围的增大，分割结果逐渐与真值接近，上述现象被有效抑制，冠层重叠情况下单木分割精度明显提升。在未来的研究中，重点考虑区域型种子块在各类果园场景中的最佳尺寸及生成方法。
3.2 冠层DSM与冠层超绿植被指数结果对比
以区域型种子块为标记在冠层DSM的单木分割上具有明显优势，冠层DSM作为算法输入，会受到第一步最大似然分类法的精度影响，若果树冠层提取不完整会直接导致准确率降低。超绿指数[32]（excess green index，ExG）是用于无人机数码影像提取目标分离背景的常用植被指数，由于叶绿素在蓝、红两波段吸收率高，在绿波段反射率高，增大这一差异可有效将背景与树冠分离。
以上述区域型种子图作为标记，选择不存在地面杂草干扰的二号果园，利用ENVI软件的波段运算功能生成ExG影像，执行分水岭算法，将得到的结果与DSM结果对比，如图 12所示，按空间关系对结果分类如表 3所示。
表 3 提取树冠与参考树冠的空间关系分类及精度Table 3. Results and Accuracy of the Extracted Crown and Referenced Crown输入影像 一等优匹配/棵 二等优匹配/棵 良匹配/棵 遗漏/棵 合并/棵 分开/棵 错误/棵 准确率/% 欠分割误差/% 过分割误差/% DSM 69 5 3 0 3 2 0 96.25 3.75 2.50 ExG 64 8 4 1 3 2 0 95 5 2.5 以ExG影像作为算法输入的结果精度准确率为95%，欠分割误差为5%，过分割误差为2.5%。与DSM提取结果相比，ExG结果与其精度差别不大，但存在不同程度的冠层低估，对于树冠精细轮廓提取效果不如冠层DSM影像提取效果，这与ExG影像纹理信息丰富，噪声大有关，而其优点则是极少出现过分割现象，有效抑制了由于DSM在树冠交叉部分枝条高度相近而导致的相邻树冠分割误差，这也证明了ExG影像在单木分割上的可行性，为植被指数影像在树冠提取方面提供新数据源。在未来的研究中，考虑在各种植被指数协同作用下，提取某类特定树种的树冠轮廓。
3.3 本文单木提取方法的优势和局限性
提取单棵果树的冠层轮廓有助于精准检测果树健康状态，在果园管理中，利用无人机高分辨率影像提取冠层是一种便捷、低成本的数据获取手段，但在背景复杂、密植型种植模式的果园场景下，缺少一种高效、可靠的单木分割算法，为此，本文做出了一定的探索工作。
目前，使用标记分水岭算法实现单木分割的研究中，“标记”的产生主要来源于对潜在树梢的探测，常用方法是通过可变窗口的局部最大值提取[33]、阈值提取[34]、多次分水岭提取[20]以及形态学变换[35]识别潜在树梢，以此作为分水岭算法的“注水点”，实现准确识别树冠、抑制过分割误差。
相比于上述方法，本文提出的区域型种子块标记能够在整体树冠冠层范围基础上，根据形态学开运算提取潜在树冠范围，并通过一个全局自适应阈值滤波器提出树冠主体，最大化减少由于冠层高度局部极大值造成的“伪树冠”，并将区域型种子块与冠层DSM输入算法中，在抑制“伪树冠”的前提下，又保留了树冠边界的清晰准确。本文方法高效易行，在密植果园场景下，总体准确度达90%以上，可为地形平坦果园的单木分割提供技术参考。然而，经过3个研究区的验证，本文方法仍有如下待改进之处：
1）冠层提取对结果精度的影响。在背景干扰下，通过最大似然法提取的研究区冠层容易忽略低矮“小树”。“小树”的漏检导致了整体精度的下降，在未来的研究中，将考虑在多变地形、不同果园种植模式等复杂场景下，验证本文算法的适用性。
2）影像分辨率对精度的影响。在本文实验中，选择了以0.05 m分辨率重建DSM，并未考虑针对不同果园、不同果树冠层直径的最优空间分辨率。较高的空间分辨率更能体现果树边界的细节，但同时也引入了更多的噪声，较低的空间分辨率可以去除不必要的纹理信息，但会降低算法对细小特征的捕捉能力，在后续的研究中，将探索在不同影像空间分辨率影响下，结果精度的变化规律。
4 结语
本文提出了一种利用形态学方法对密植型果园提取区域型种子块作为分水岭算法标记的单木分割方法。将本文方法应用于无人机获取数码影像，对3处不同时期、不同排布规则的密植苹果园共1 025棵果树进行棵数统计和单木冠层提取，棵数统计总体查准率为99.09%，查全率为95.22%，F1得分为97.11%，单木冠层提取总体准确率为93.45%，总体欠分割误差为5.87%，总体过分割误差为0.90%。
通过对比单点型种子点与区域型种子块作为标记的结果发现，基于区域型种子块的结果可有效抑制树冠交叠区域被重复分为多棵果树，在最大程度保留果树冠层轮廓的基础上，降低了果树之间的欠分割误差，总体准确率较单点型结果提高18.66%，欠分割误差降低17.31%，且区域型种子块标记结果提取树冠与参考树冠面积重叠率高于70%，即一等优匹配数量达到总提取棵数的79.02%，单点型标记结果达到61.27%，高于其17.75%；通过对比标记分水岭算法应用于DSM与ExG影像的结果发现，本文方法同样适用于ExG影像，可应用于对特定植被指数敏感的单类树种进行单木提取，具有良好的兼容性，但ExG影像纹理信息冗余，噪声较大，易造成树冠面积低估现象。本文方法对3处密植型果园单木轮廓提取的精度较高，但仍需在更多果树类型、更复杂场景下验证其适用性。
-
![]()
图 10 果树树冠提取结果对比精度评价
Figure 10. Comparison of the Accuracy of Fruit Tree Crown Extraction Results
表 1 果园棵数统计结果与精度
Table 1 Statistical Results and Accuracy of Fruit Trees
果园编号 真实棵数/棵 TP/棵 FN/棵 FP/棵 R/% P/% F1得分/% 一 67 67 0 2 100 97.10 98.53 二 86 85 1 3 98.84 96.59 97.70 三 872 824 48 4 94.50 99.52 96.94 合计 1 025 977 48 9 95.22 99.09 97.11 
下载: 导出CSV
表 2 提取树冠与参考树冠的空间关系分类及精度
Table 2 Results and Accuracy of Extracted Crown and Referenced Crown
果园编号 一等优匹配/棵 二等优匹配/棵 良匹配/棵 遗漏/棵 合并/棵 分开/棵 错误/棵 准确率/% 欠分割误差/% 过分割误差/% 一号 64 2 0 0 1 0 2 95.65 1.45 2.90 二号 69 5 3 0 3 2 0 96.25 3.75 2.50 三号 741 5 5 30 19 0 6 93.18 6.08 0.74 合计 810 10 8 30 22 2 6 93.45 5.87 0.90
下载: 导出CSV
表 3 提取树冠与参考树冠的空间关系分类及精度
Table 3 Results and Accuracy of the Extracted Crown and Referenced Crown
输入影像 一等优匹配/棵 二等优匹配/棵 良匹配/棵 遗漏/棵 合并/棵 分开/棵 错误/棵 准确率/% 欠分割误差/% 过分割误差/% DSM 69 5 3 0 3 2 0 96.25 3.75 2.50 ExG 64 8 4 1 3 2 0 95 5 2.5
下载: 导出CSV
-
[1] 杨全月, 董泽宇, 马振宇, 等. 基于SfM的针叶林无人机影像树冠分割算法[J]. 农业机械学报, 2020, 51(6): 181-190 https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202006019.htm Yang Quanyue, Dong Zeyu, Ma Zhenyu, et al. Conigerous Forest Crown Segmentation Algorithm of UAV Images Based on SfM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 181-190 https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202006019.htm
[2] 杨曦光, 于颖, 范文义. 森林冠层 光谱与林下背景光谱尺度差异分析[J]. 武汉大学学报∙信息科学版, 2020, 45(4): 511-516 Yang Xiguang, Yu Ying, Fan Wenyi. Analysis of Scale Difference Between Forest Canopy and BackGround Reflectances[J]. Geomatics and Information Science of Wuhan University, 2020, 45(4): 511-516 光谱与林下背景光谱尺度差异
[3] 于颖, 宋张亮, 范文义, 等. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报∙信息科学版, 2018, 43(10): 1560-1565 doi: 10.13203/j.whugis20160552 Yu Ying, Song Zhangliang, Fan Wenyi, et al. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1560-1565 doi: 10.13203/j.whugis20160552
[4] 胡凯龙, 刘清旺, 崔希民, 等. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报∙信息科学版, 2018, 43(2): 289-298 doi: 10.13203/j.whugis20160066 Hu Kailong, Liu Qingwang, Cui Ximin, et al. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-298 doi: 10.13203/j.whugis20160066
[5] Wang Z, Underwood J, Walsh K B. Machine Vision Assessment of Mango Orchard Flowering [J]. Computers and Electronics in Agriculture, 2018, 151: 501-511
[6] 陈日强, 李长春, 杨贵军, 等. 无人机机载激光雷达提取果树单木树冠信息[J]. 农业工程学报, 2020, 36(22): 50-59 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202022007.htm Chen Riqiang, Li Changchun, Yang Guijun, et al. Extraction of Crown Information from Individual Fruit Tree by UAV LiDAR[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 50-59 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202022007.htm
[7] Yan W, Guan H, Cao L, et al. A Self-adaptive Mean Shift Tree-Segmentation Method Using UAV LiDAR Data [J]. Remote Sensing, 2020, 12(3): 515 doi: 10.3390/rs12030515
[8] Yan W, Guan H, Cao L, et al. An Automated Hierarchical Approach for Three-Dimensional Segmentation of Single Trees Using UAV LiDAR Data [J]. Remote Sensing, 2018, 10(12): 1999 doi: 10.3390/rs10121999
[9] Zhao D, Pang Y, Li Z, et al. Filling Invalid Values in a LiDAR-Derived Canopy Height Model with Morphological Crown Control [J]. International Journal of Remote Sensing, 2013, 34(13): 4636-4654
[10] 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.
[11] 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
[12] 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
[13] Dong X, Zhang Z, Yu R, et al. Extraction of Information About Individual Trees from High-Spatial-Resolution UAV-Acquired Images of an Orchard [J]. Remote Sensing, 2020, 12(1): 133
[14] Pollock R. The Automatic Recognition of Individual Trees in Aerial Images of Forests Based on a Synthetic Tree Crown Image Model [D]. Vancouver: University of British Columbia, 1996
[15] Tarp-Johansen M J. Automatic Stem Mapping in Three Dimensions by Template Matching from Aerial Photographs [J]. Scandinavian Journal of Forest Research, 2002, 17(4): 359-368
[16] Meyer F, Beucher S. Morphological Segmentation [J]. Journal of Visual Communication and Image Representation, 1990, 1(1): 21-46
[17] Ke Y, Quackenbush L J. A Review of Methods for Automatic Individual Tree-Crown Detection and Delineation from Passive Remote Sensing [J]. International Journal of Remote Sensing, 2011, 32(17): 4725-4747
[18] Wang L, Gong P, Biging G S. Individual Tree-Crown Delineation and Treetop Detection in High-Spatial-Resolution Aerial Imagery [J]. Photogrammetric Engineering and Remote Sensing, 2004, 70(3): 351-357
[19] Dralle K, Rudemo M. Stem Number Estimation by Kernel Smoothing of Aerial Photos [J]. Canadian Journal of Forest Research, 1996, 26(7): 1228-1236
[20] Zhao D, Pang Y, Li Z, et al. Isolating Individual Trees in a Closed Coniferous Forest Using Small Footprint LiDAR Data [J]. International Journal of Remote Sensing, 2014, 35(20): 7199-7218
[21] Dralle K, Rudemo M. Automatic Estimation of Individual Tree Positions from Aerial Photos [J]. Canadian Journal of Forest Research, 1997, 27(11): 1728-1736 http://forest.ckcest.cn/d/hxwx/AVkIo2DC49MUqoKBL_dP.html
[22] Ok A O, Ozdarici-Ok A. 2-D Delineation of Individual Citrus Trees from UAV-Based Dense Photogrammetric Surface Models [J]. International Journal of Digital Earth, 2018, 11(6): 583-608
[23] Xu X, Zhou Z, Tang Y, et al. Individual Tree Crown Detection from High Spatial Resolution Imagery Using a Revised Local Maximum Filtering [J]. Remote Sensing of Environment, 2021, 258: 112397
[24] 雷浩川. 多分类器集成的遥感影像分类研究[D]. 北京: 中国地质大学(北京), 2018 Lei Haochuan. Clasification of Remote Sensing Ima‑ges with Multiple Classifier Ensembles[D] Beijing: China University of Geosciences(Beijing), 2018
[25] Soille P. Morphological Image Analysis: Principles and Applications [M]. Berlin: Springer, 2013
[26] Mu Y, Fujii Y, Takata D, et al. Characterization of Peach Tree Crown by Using High-Resolution Images from an Unmanned Aerial Vehicle [J]. Horticulture Research, 2018, 5(1): 1-10
[27] 郭昱杉, 刘庆生, 刘高焕, 等. 基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取[J]. 地球信息科学学报, 2016, 18(9): 1259-1266 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201609015.htm Guo Yushan, Liu Qingsheng, Liu Gaohuan, et al. Individual Tree Crown Extraction of High-Resolution Image Based on Marker-Controlled Watershed Segmentation Method[J]. Journal of Geo-information Science, 2016, 18(9): 1259-1266 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201609015.htm
[28] Chen Q, Baldocchi D, Gong P, et al. Isolating Individual Trees in a Savanna Woodland Using Small Footprint LiDAR Data [J]. Photogrammetric Engineering and Remote Sensing, 2006, 72(8): 923-932
[29] Huang H, Li X, Chen C. Individual Tree Crown Detection and Delineation from Very-High-Resolution UAV Images Based on Bias Field and Marker-Controlled Watershed Segmentation Algorithms [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(7): 2253-2262
[30] Deng G, Li Z. An Improved Marker-Controlled Watershed Crown Segmentation Algorithm Based on High Spatial Resolution Remote Sensing Imagery [M]//Recent Advances in Computer Science and Information Engineering. Berlin, Heidelberg: Springer, 2012: 567-572
[31] Pouliot D, King D, Bell F, et al. Automated Tree Crown Detection and Delineation in High-Resolution Digital Camera Imagery of Coniferous Forest Regeneration [J]. Remote Sensing of Environment, 2002, 82(2/3): 322-334
[32] Woebbecke D M, Meyer G E, von Bargen K, et al. Color Indices for Weed Identification Under Various Soil, Residue, and Lighting Conditions [J]. Transactions of the ASAE, 1995, 38(1): 259-269
[33] Qi C, Baldocchi D, Gong P, et al. Isolating Individual Trees in a Savanna Woodland Using Small Footprint LiDAR Data[J]. Photogrammetric Engineering and Remote Sensing, 2006, 72(8): 923-932
[34] Dong X Y, Zhang Z C, Yu R Y, et al. Extraction of Information About Individual Trees from High-Spatial-Resolution UAV-Acquired Images of an Orchard [J]. Remote Sensing, 2020, 12(1): 133
[35] 李旭. 基于无人机影像的林木冠幅轮廓提取[D]. 福州: 福州大学, 2018 Li Xu. Individual Tree Crown Detection and Delineation Based on UAV Images[D]. Fuzhou: Fuzhou University, 2018
-
期刊类型引用(6)
1. 王文明，王志强，韩明明，冯光，王海波. 我国智慧果园关键技术装备研究应用现状与展望. 中国果树. 2024(07): 143-149 . 
百度学术
2. 邱镛康，吴凯华，段鹏，杨荣帮，魏峰. 基于无人机倾斜摄影的单木参数提取研究. 工程勘察. 2024(11): 60-66 . 百度学术
3. 邢元军，温坤剑，郭晓妮，宋亚斌，胡中岳，江腾宇，贺紫荆. 基于Mask R-CNN的平原造林地区单木树冠分割. 林业资源管理. 2023(03): 115-120 . 百度学术
4. 何海清，周福阳，陈敏，陈婷，官云兰，曾怀恩，魏燕. 耦合卷积神经网络与注意力机制的无人机摄影测量果树树冠分割方法. 地球信息科学学报. 2023(12): 2387-2401 . 百度学术
5. 代震，何荣，王宏涛，白伟森. 融合机载LiDAR和植被指数的自适应单木提取方法. 光学精密工程. 2023(22): 3331-3344 . 百度学术
6. 宋晨旭，于翀宇，邢永超，李素梅，贺红，于慧，冯献忠. 基于OpenCV的大豆籽粒多表型参数获取算法. 农业工程学报. 2022(20): 156-163 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 1022
- HTML全文浏览量: 269
- PDF下载量: 164
- 被引次数: 14
