基于多尺度光谱角制图的遥感影像单木树冠提取方法

摘要 针对现有的单木树冠提取方法在尺度直径丰富的林区提取精度低、过分割和欠分割现象严重的问题，提出了一种改进的基于光谱角制图的多尺度层级化标记控制点的分水岭分割方法。首先通过形态学变换得到形态学梯度图像；接着通过HSV变换得到亮度图像，之后用高斯滤波去除噪声，使用区域最大值法在多个不同尺度上识别树冠标记，利用同心叠加整合不同尺度对象上的标记，并用光谱角制图控制叠加过程形成最终标记；最后实施标记控制的分水岭分割得到单木树冠分割线。以3种不同类型的高分辨率林区作为测试数据，同时采用3种传统单尺度标记控制的分水岭分割算法作为对比试验，结果表明，该方法对树冠的提取精度均在80%以上，且较单尺度的方法而言，能够有效地改善树冠提取中的过分割和欠分割问题。

关键词 单木树冠提取；高分辨率遥感影像；多尺度；光谱角制图

中图分类号 S 771.8  文献标识码 A  文章编号 0517-6611（2022）21-0119-07

doi：10.3969/j.issn.0517-6611.2022.21.028

开放科学（资源服务）标识码（OSID）：

Multi-scale Spectral Angle Mapper Method for Individual Tree Crown Delineation from Remote Sensing Image

QIU Lin 2， LIU Min 2， WANG Lei 2

（1.Guangzhou Urban Planning & Design Survey Research Institute， Guangzhou，Guangdong 510060;2.Guangdong Enterprise Key Laboratory for Urban Sensing， Monitoring and Early Warning， Guangzhou， Guangdong 510060）

Abstract In order to solve the problems of low precision， severe over-segmentation and under-segmentation in forest areas with abundant size and diameter， an improved marker-controlled watershed segmentation with multi-scale hierarchical marker control points is proposed. Firstly， a morphological gradient image is generated. Then， the brightness image is obtained by HSV transformation， and the noise is removed by Gaussian filtering. The tree crown markers are identified at multiple different scales by using the region maximum method， the concentric superposition is used to integrate the multi-scale markers to form the final marker map， and the process of forming the marker map is controlled by spectral angle mapper （SAM）. Finally， a marker-controlled watershed segmentation is implemented. The proposed algorithm， together with other three single scale markers methods are tested using three different high resolution forest regions. The results show that the accuracy of the proposed method is above 80%， and compared with the single-scale method， the proposed method can effectively suppress over-segmentation and reduce under-segmentation of the individual tree crown delineation.

Key words Individual tree crown delineation;High resolution remote sensing image;Multi-scale;Spectral angle mapper

单木树冠是组成林区的基础个体，单木树冠提取不仅关系到单木树种分类的精度，也在单木层次的林业调查中发挥着重要作用［1-2］，一些森林参数的测定和评估如树高［3］、冠幅［4-5］、胸径［6-7］等也与单木树冠的提取息息相关。高分辨率的遥感影像为单木树冠的提取提供了高质量的数据来源，一些基于该类影像的提取方法也得到了发展［8］，如谷跟踪［9-11］、区域生长［12-15］、分水岭变换［16-20］等，其中基于区域生长和分水岭变换的方法较多，如 Brandtberg等［21］通过生成多个比例级别的原始草图，并从中选择树冠的种子点提取出单个树冠；Culvenor［13］利用局部最大值和最小值对单木树冠进行识别；Erikson［12］使用模板匹配和基于复杂规则的区域生长进行单木树冠提取；Fang等［22］结合数学形态学和标记控制的分水岭分割提取单木树冠；陈崇成等［23］利用局部最大值探测树冠种子点并使用区域生长得到树冠轮廓。

上述方法大多先对树冠进行探测得到种子点，之后使用区域生长或分水岭分割。这些方法在针叶林和树冠直径差异不大的林区取得了良好的提取效果，但在阔叶林和直径差异较大的林区中会出现明显的过分割和欠分割，这是由于在基于区域生长或标记控制的分水岭分割中，种子点（即标记点）的尺寸和大小的选择至关重要［24-25］。若标记点的尺寸过小，其数目会相应增多，难以有效抑制虚假的树冠标记，出现过分割；若尺寸过大，其数目相应减小，直径小于标记点尺寸的树冠难以被正确标记形成相应的树冠种子，进而导致欠分割。而在单木树冠直径跨度丰富的林区，较难找到一个最优的单尺度使其能够准确识别林区中所有的树冠形成树冠标记。Jing等［26］曾利用3个不同尺度形成树冠标记，并对三者的提取结果进行整合和修饰，以缓解过分割和欠分割，但这在树冠直径较丰富林区中的提取效果仍有限。

因此，针对现有的基于标记控制的分水岭分割算法在复杂、尺度直径丰富的树冠遥感影像中所存在缺陷，如对树冠标记检测能力不足，检测效果不佳，检测精度不高等，笔者结合梯度图像和HSV空间变换，以光谱角制图的方法为基础理论，提出了一种改进的多尺度标记点的探测方法。首先使用形态学梯度得到梯度图像；接着根据树冠在影像上的辐射、直径和形状特点，使用HSV变换后的V分量作为前景图像并结合局部最大值法探测树冠标记点，通过高斯滤波抑制噪声，集中树冠顶部幅度值，并在多个连续的尺度上进行探测，得到综合多个尺度信息的多层级标记控制点；之后，对多层级标记点进行图层整合，并用光谱角制图的方法控制整合过程，得到整合后的最终标记点；最后进行基于标记控制点的分水岭分割。与单尺度标记控制点的最终提取结果相比，该研究的处理方式提取精度更高，对直径各异的树冠提取性能更好，能有效地抑制树冠提取中的过分割和欠分割，有较好的普适性。

1 基本原理

1.1 算法总述

该研究算法本质上是一种非监督学习的单木树冠自动提取方法，旨在从森林遥感影像中自动提取完整的单个树冠。具体流程如图1所示，主要实施步骤如下：

（1）对原始遥感影像进行多维形态学膨胀和腐蚀生成基于多通道信息的梯度图像。

（2）构造尺度参数形成一系列单尺度层，在各层上寻找区域最大值，将最大值对应的一片区域作为单尺度的标记控制点区域。

（3）对单尺度上的标记控制点区域逐层进行层级化处理和光谱角判别，形成最终的标记控制点区域。

（4）结合梯度图像和标记区域进行标记控制的分水岭分割，得到单木树冠提取结果。

1.2 梯度图像的生成

常用的梯度算子如Sobel算子、Prewitt算子、高斯拉普拉斯（Log）算子、Canny边缘检测等都是基于单通道图像或是灰度图像进行边缘探测［27］，对于在某些特定波段存在较大差异的边缘探测效果有限。参照在单通道影像中形态学梯度图像的计算方法，使用形态学多维膨胀和腐蚀，对原始遥感影像直接进行多维形态学计算，获取基于多通道信息的梯度图像（图2）。这种直接对原始影像进行处理获取梯度图像的方式避免了传统算子需要预先对影像进行灰度化处理的过程。而影像灰度化的过程会损失一部分原始图像中的多通道光谱信息，减少原始影像边缘数

据的波段信息量，导致在某些特定波段存在明显差异的边缘失去了能够被探测到的显著性，不利于边缘的有效探测。由

于进行分水岭分割的梯度图像本质上是一幅标量图像，而通

过多通道形态学计算得到的是一个矢量结果，因此还需要对矢量结果进行标量的转化，笔者采用矢量的模值进行二者之间的转化［28］。具体计算方式为

G（f）=dist［d（x，y）-e（x，y）］=‖（f B）（x，y）-fΘB（x，y）‖

式中，d为多通道膨胀，e为多通道腐蚀，f为n维向量，B为结构元素，‖.‖为取模运算。

1.3 标记控制点的自动生成

1.3.1 基于单尺度生成的标记控制点。

在得到梯度图像之后，常规的操作是在梯度图像上寻找局部最小值，然后将局部最小值作为标记控制点，进行后续标记控制的分水岭分割。该研究考虑到单木树冠的树顶是树冠局部辐射亮度值最大的地方，于是先对原始图像进行了HSV空间变换。由于HSV空间的性质，其变换后的V值分量包含了原始图像中大部分的亮度信息，因此将V值成分作为亮度图像，随后在该图像上寻找局部最大值（即树顶），将其作为进行标记控制的分水岭分割的标记控制点。3种不同单尺度（小尺度、中尺度、大尺度）上所生成的标记控制点结果见图3。获得亮度图像后寻找标记控制点的具体操作步骤为：

（1）用圆形高斯滤波器对整幅树冠影像进行滤波。滤波窗口的大小根据影像中树冠的直径大小（即尺度）设定，设树冠的直径大小为r个像素，那么滤波窗口的大小为r×r个像素，sigma的大小为0.3r个像素。这里sigma的取值通常取窗口半径的50%［26］。滤波的目的在于压抑树冠顶部区域外的噪声，便于更加集中树冠顶部的辐射值。

（2）在滤波后的影像上利用区域最大值算法在八邻域内寻找局部区域上的最大值。寻找的最大值不是一个点，而是一片由极大值形成的区域。

1.3.2 改进的基于多尺度生成的标记控制点。

由“1.3.1”中在单尺度下形成的标记控制点（即树顶）可以看出，尺度的大小直接影响标记控制点的个数和大小。尺度值越小，标记点越密集，相应的标记点所影响的区域范围越小，这对提取直径较小的树冠有利，对于直径较大的树冠会出现过分割，即提取结果过于细碎、树冠内部破碎、树冠的整体性无法得到保留；尺度值越大，标记点越稀疏，相应的影响区域范围越宽广，这对提取直径较大的树冠有利，对于直径较小的树冠会出现遗漏情况，即难以将其正确标记为树冠种子，易与相邻的树冠一起被错认为一个树冠。以上2种情况都会严重影响最后的提取精度，并且仅靠单一的尺度难以做到同时改善这2种问题，即在这2种尺度之间较难寻找到一个最优尺度使其既能提取出直径较小的独立的树冠轮廓，又能保证直径较大树冠的完整性。该研究基于多尺度方法所生成的标记控制点结果见图4。笔者基于上述考虑，在单尺度标记控制点的基础上运用一种基于多尺度的控制点层级化处理方法，使其能兼顾小直径树冠的轮廓提取和大直径树冠的完整性，具体操作步骤如下：