CN105868717A - 一种基于分类的高分辨率遥感图像单木树冠信息提取方法 - Google Patents

Abstract

本发明提供一种基于分类的高分辨率遥感图像单木树冠信息提取方法，该方法首先是图像预处理；接着利用面向对象的分类方法获取树冠空间分布信息；然后利用水文分析技术中的洼地提取方法，从全色或单波段图像获取可能的单木树冠分布范围信息；最后将提取的树冠空间分布信息和可能的单木树冠分布范围信息进行空间叠加相交处理，完成单木树冠边界、树冠中心点等信息的提取。本发明能充分利用现有分类技术优势，结合水文分析的方法，可用于不同种植密度的单木树冠信息提取，并能够有效区分单木树冠，所提取的单木树冠信息能较好的适用于单木树冠描绘。

Description

一种基于分类的高分辨率遥感图像单木树冠信息提取方法

技术领域

本发明涉及一种数字图像处理方法，尤其是一种基于分类的高分辨率遥感图像单木树冠信息提取方法。

背景技术

传统的野外测量和基于遥感图像目视解译的方法存在费时、费力和成本较高的缺点，因此研究者自20世纪90年代开始探索单木树冠信息的半自动或自动提取方法，至今国内外研究者已经提出了多种提取方法。通常树冠信息提取由两步构成，首先是单木探测，获取树顶或树的位置；然后是单木树冠描绘，自动获取树冠边界。单木探测的方法主要有局部最大值法、多尺度分析法和模板匹配法，单木树冠描绘的方法主要有谷地跟踪法、区域增长、分水岭分割和局部射线法。

随着高分辨遥感图像的应用，也有研究者将面向对象技术用于树冠空间分布信息提取，面向对象技术能够利用通过分割获取对象的各种特征用于对象分类，但进一步的单木树冠描绘却存在一定的困难。对于树冠相互独立的目标图像数据，基于面向对象技术可有效进行单木探测和树冠描绘，但对于树冠相互连接的目标数据却无法完成，主要原因在于面向对象技术对目标数据进行分割时经常出现一个树冠被分为多个对象、多个树冠被分为一个对象或多个对象的现象，无法有效区分单木树冠。

发明内容

发明目的：为解决上述技术问题，本发明针对现有图像分类方法无法有效进行树冠描绘的问题和不足，提供一种基于分类的高分辨率遥感图像单木树冠信息提取方法，一方面可以充分利用现有的分类方法优点，另一方面可以在分类结果的基础上进行有效树冠信息提取。

技术方案：为实现上述技术效果，本发明提出的方案为：一种基于分类的高分辨率遥感图像单木树冠信息提取方法，该方法包括步骤：

(1)图像预处理：对原始遥感图像依次进行图像平滑处理和图像色彩反转处理；

(2)采用面向对象分类法对预处理后的遥感图像进行分类，并从分类结果中提取树冠的空间分布数据；

(3)将预处理后的遥感图像转换为树冠分布地面高程模型，并利用水文分析法中的洼地提取法从树冠分布地面高程模型中提取洼地数据，所述洼地数据即为树顶位置数据；

(4)根据步骤(3)中提取的洼地数据，提取形成各洼地的洼地贡献区域数据；

(5)从洼地数据中提取树冠分支洼地并将其删除，将对应的洼地贡献区域合并到与其最近的洼地贡献区域中，获得的洼地贡献区域集合形成单木树冠分布范围数据；

(6)将树冠的空间分布数据与单木树冠分布范围数据进行叠加相交处理，获取单木树冠信息；所述单木树冠信息包括树顶位置信息和树冠边界信息。

进一步的，所述步骤(2)中对预处理后的遥感图像进行分类，并从分类结果中提取树冠的空间分布数据的方法为:

(2-1)将预处理后的遥感图像进行分割，形成若干分割对象；

(2-2)分析原始遥感图像中的地物种类，基于地物种类对分割后的遥感图像进行采样，获取每种地物的样本数据；

(2-3)根据每种样本具有的属性特征构建特征空间；

(2-4)基于特征空间和样本数据进行监督分类并输出分类结果矢量。

优选的，所述图像分割的方法为多尺度分割法。

优选的，所述监督分类的方法为最邻近分类法。

进一步的，所述步骤(2)中洼地数据提取的方法为：

利用水文分析法的洼地提取法对图像进行水流方向计算，获取水流方向栅格数据；根据水流方向栅格数据提取洼地数据。

进一步的，所述步骤(5)中从洼地贡献区域数据中提取树冠分支洼地的方法为：

(6-1)设置洼地间距阈值，并将所有洼地进行编号形成处理队列，按照编号从小到大依次进行是否为树顶位置洼地的判断；

(6-2)从队首洼地开始，计算其与其他洼地的相对距离；若所选取的洼地与其他洼地的相对距离均大于洼地间距阈值，则判定所选取的洼地为树顶位置洼地，并将其从处理队列中删除，进行下一个洼地的判断；若所选取的洼地与一个或多个洼地的相对距离小于或等于洼地间距阈值，则进入步骤(6-3)；

(6-3)计算所选取的洼地以及与其相对距离小于或等于洼地间距阈值的洼地的像元均值，从中选取像元均值最大的洼地作为树顶位置洼地，并将其从处理队列中删除，其余洼地保留原编号继续参与洼地判断；

(6-4)循环执行步骤(6-2)至(6-3)直至没有新的树顶位置洼地产生，处理队列中剩余的洼地即为树冠分支洼地；

(6-5)从洼地贡献区域数据中剔除树冠分支洼地数据。

进一步的，还包括对步骤(6)获得的单木树冠信息进行精度处理，包括步骤：

(7-1)设置树冠面积阈值，从单木树冠信息中选取树冠面积小于树冠面积阈值的树冠数据，作为小面积树冠对象数据；

(7-2)定义形状指数指标为：

$S=\frac{C}{4\×\sqrt{A}}$

其中，A为单木树冠栅格面积，C为单木树冠边界周长；给定形状指数阈值，计算每个单木树冠的形状指数；从第一精度处理数据中选取形状指数小于给定形状指数阈值的单木树冠数据，判定为形状不规则树冠数据；

(7-3)从步骤(6)得到的单木树冠信息中删除小面积树冠对象数据和形状不规则树冠数据，得到精度处理的单木树冠信息。

有益效果：与现有技术相比，本发明思路清晰简单，通用性强，能充分利用现有分类技术优势，结合水文分析的方法，可用于不同种植密度的单木树冠信息提取，并能够有效区分单木树冠，所提取的单木树冠信息能较好的适用于单木树冠描绘。

附图说明

图1为本发明的实施例流程图；

图2为实施例中的全色图像；

图3为实施例中的融合图像；

图4为实施例中融合图像的分割结果示意图；

图5为实施例中分类结果图；

图6为实施例中洼地提取结果图；

图7为实施例中洼地贡献区域提取结果图；

图8为实施例中单木树冠树顶位置示意图；

图9为实施例中单木树冠树冠边界位置示意图。

具体实施方式

本发明提出一种基于分类的高分辨率遥感图像单木树冠信息提取方法，该方法的总体思路为：首先是图像预处理；接着利用分类方法获取树冠空间分布信息；然后利用水文分析技术思想，从全色或单波段图像获取可能的单木树冠分布范围信息；最后将提取的数据进行叠加相交处理，完成单木树冠范围、树冠中心点等信息提取。其中：

(1)图像预处理

图像预处理包括图像平滑和图像反转，若分类需融合全色和多光谱数据，则还应包括图像融合步骤。为避免图像高值噪声对树顶提取造成影响，对图像进行图像平滑，然后将图像进行反色处理，即原始图像中像元大值变小值，小值变大值。

(2)树冠空间分布信息提取

树冠的空间分布信息是指表示树冠的像元信息的提取，具体采用分类方法获取，可以用基于面向对象的分类方法，也可用基于像元的分类方法或其它分类方法。

(3)可能的单木树冠分布范围信息提取

可能的单木树冠分布范围信息提取是指获取单木树冠可能的分布范围，即单木树冠的空间限定范围。具体是将预处理后的图像看做地面高程数据，然后计算水流方向，利用水文分析的洼地提取方法初步提取树顶位置，然后计算洼地贡献区域，合并由于树冠分支造成的洼地贡献区域，从而获得最终的可能的单木树冠分布范围。

(4)单木树冠信息提取

通过图像可以获取树冠空间分布信息，但不能获取单木树冠分布范围，不能进行单木树冠描绘。利用水文分析方法，可从图像获取可能的单木树冠分布范围，却不能确定树冠边界范围。因此将前述树冠空间分布信息和可能的单木树冠分布范围信息进行叠加相交处理，完成单木探测和单木树冠描绘。

树冠通常具有一定的面积且平面形状近似圆形，而数据相交处理后存在面积小和形状不规则的多边形对象，因此叠加相交处理后的数据需要通过后续精度处理剔除掉面积小的树冠和形状不规则的树冠对象。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

如图1所示为本发明实施例的流程图，它包括：

(1)图像预处理

图像预处理主要由图像平滑和图像反转两步构成，本实施例采用面向对象的分类方法，因此增加了图像融合步骤，具体如下：

步骤1：为避免图像高值噪声对树顶提取的影响，采用3×3窗口对原始图像进行了均值滤波完成图像平滑；

步骤2：用滤波后图像像元最大值减去滤波后图像实际的像元值将图像反转；

步骤3：用Pan Sharpening融合方法融合了本实施例的全色和多光谱图像，获得面向对象分类所需的融合图像，如图3所示。

(2)树冠空间分布信息提取

树冠的空间分布信息是指表示树冠的像元信息提取，实施例采用基于面向对象的分类方法，主要包括图像分割、样本选择、特征筛选、图像分类、精度评价及数据输出等步骤，具体步骤如下：

步骤1：图像分割

图像分割是根据一定的技术标准将图像细分为子区域或对象，是面向对象技术的关键步骤。实施例采用Baatz&Schape(2000)提出的一种多尺度分割方法，此方法是一种自底向上的区域合并方法，影像分割中像元的合并开始于单个像元对象，将相邻的对象合并成较大的对象，直到没有符合异质性标准的对象合并为止。分割参数采用二分法进行逐步实验比较确定，即预先估计参数测试范围，然后从最大值和最小值开始测试，然后是中间值，重复以上步骤直到找到合适的参数为止。

在本实施例中最终确定的分割参数为:尺度参数为5，形状参数0.1，紧致度参数为0.5。分割结果如图4所示，从图中可以看出，多尺度分割方法可很好的将图像分割为不同的对象，但存在一个树冠分成若干个对象，一个对象包含两个或多个树冠部分的现象，无法直接通过面向对象的方法区分单个树冠。

步骤2：样本选择

根据图像中地物特征，手动进行样本选择。实施例中原始图像中地物可分为树冠、阴影、林内背景以及由道路和建筑物组成的高亮地物四类。对四类分别进行采样，样本对象数量分别为32个、10个、21个和11个。

步骤3：特征筛选

面向对象技术的优势是可以利用图像分割后产生的对象所具有的诸多特征，如光谱特征、形状特征、纹理特征和邻域特征等。由于融合图像上树冠表征为偏红色，因此本实施例中基于采样分析自定义了红特征为：

Feature_red＝100×(DN_R-DN_B)/(DN_R+DN_B)

式中DN_R，DN_B分别为图像红波段和蓝波段的像元值。

融合图像分割后的对象中，树冠对象的红特征值为较大的正值，阴影和林内背景对象为负值，道路和建筑物等高亮对象则为零值附近的值。

除红特征外，基于对象特征分析，还初步选取了亮度、融合后图像三个波段的均值和标准差、波段间像元值的最大差异、HIS变换后的三个分量特征和形状指数特征共13个特征用于特征选择。根据不同特征组合对类别分离距离的计算，发现当除去蓝波段的标准差、H和I分量三个特征后剩余的10个特征具有最大的分离距离，因此选择这十个特征形成特征空间用于后续分类。

步骤4：图像分类

图像分类采用最邻近分类法，最邻近分类法是一种基于给定的特征空间和样本对象的监督分类方法，可用于基于多个特征的信息提取。根据图像对象与样本的特征空间距离，最邻近分类器返回一个0到1之间的隶属度值，每个影像对象都赋为特征空间中最邻近样本所代表的类中。分类结果如图5所示，与融合图像对比分析可见分类结果较好。

步骤5：精度评价

精度评价采用基于分类隶属度值的最佳分类结果和分类稳定性结果统计值进行评价，重点评价树冠类的精度，当然也可采用混淆矩阵和kappa系数进行评价。若精度符合要求则进行步骤6，若精度不满足要求则从步骤1开始重复，直到满足精度要求为止。

步骤6：分类数据输出

将分类结果同类相邻对象合并，输出矢量数据以为后续叠置分析使用。

(3)可能的单木树冠分布范围信息提取

可能的单木树冠分布范围信息提取是指获取单木树冠可能的分布范围，即单木树冠的空间限定范围。总体思路是将反转后图像看做地面高程数据，然后计算水流方向，利用水文分析的洼地提取法初步提取树顶位置，然后计算洼地贡献区域，合并由于树冠分支造成的洼地贡献区域，从而获得最终的可能的单木树冠分布范围，具体步骤如下：

步骤1：水流方向计算。

从反转后图像获取局部最小值，即洼地，需对图像进行水流方向计算，获取水流方向栅格。水流方向是水流离开每一个栅格单元的指向，水流方向计算采用D8单流向算法，通过计算中心栅格与邻域栅格的最大距离权落差(指中心栅格与邻域栅格的高程差除以两栅格间的距离)来确定。

步骤2：洼地提取

洼地是水流无法流出的区域，根据水流方向计算结果则可提取洼地位置。对于附图2的全色图像，提取的洼地如图6所示，获取的洼地有的是单栅格，有的是多个相邻栅格。这些提取的洼地对应原始图像上的局部最大值点，即可能的树顶位置。

步骤3：洼地贡献区域提取

有些树树冠较大，分支较多，可能导致一个树冠提取了多个局部最大值，即反转图像后的洼地，需要剔除树冠分支树顶。

为去除小的树冠分支对应的洼地，并限定后续单木树冠生长范围，提取了洼地贡献区域。洼地贡献区域是将提取的洼地作为流域出水口，所有水流流向洼地的区域，这个区域则是包含提取目标树冠和目标背景的区域，是洼地的汇水区域，对原始图像来说则是树顶所对应局部最大值的区域。

步骤4：洼地贡献区域合并，删除可能的树冠分支树顶

由于树冠分支通常距离较近，计算了洼地与相邻洼地的最邻近距离，将距离小于阈值的看做是树冠分支洼地，将分支洼地中原始像元均值大的洼地(即认为是树冠树顶)保留，像元均值小的洼地(即认为是树冠分支顶部)删除，同时合并对应的洼地贡献区域为后续树冠信息提取使用。具体步骤为：

a设置洼地间距阈值，并将所有洼地进行编号形成处理队列，按照编号从小到大依次进行是否为树顶位置洼地的判断；

b从队首洼地开始，计算其与相邻洼地的相对距离；若所选取的洼地与相邻洼地的相对距离均大于洼地间距阈值，则判定所选取的洼地为树顶位置洼地，并将其从处理队列中删除，进行下一个洼地的判断；若所选取的洼地与一个或多个洼地的相对距离小于或等于洼地间距阈值，则进入步骤c；

c计算所选取的洼地以及与其相对距离小于或等于洼地间距阈值的洼地的像元均值，从中选取像元均值最大的洼地作为树顶位置洼地，并将其从处理队列中删除，其余洼地保留原编号继续参与洼地判断；

d循环执行步骤b至c直至没有新的树顶位置洼地产生，处理队列中剩余的洼地即为树冠分支洼地；

e从洼地贡献区域数据中剔除树冠分支洼地数据。

本实施例中的原始遥感图像为荔枝林分布图，由于荔枝的建议种植密度为3米×3米，因此设定洼地间距阈值为3米，进行步骤a至e，最终提取的树冠可能的分布范围，即合并后的洼地贡献区域如图7所示。

(4)单木树冠信息提取

基于前述图像分类获得的树冠空间分布信息和提取的可能的单木树冠分布范围信息，单木树冠信息提取的具体步骤如下：

步骤1：叠加相交处理

通过图像分类获取了树冠空间分布信息，但不能获取单木树冠分布；而利用水文分析法，从全色波段图像获取了可能的单木树冠分布范围，却不能确定树冠范围。因此将前述数据进行空间叠加相交处理，初步获取单木树冠范围。

步骤2：删除面积小的树冠对象

树冠通常具有一定的面积，而数据相交处理后存在面积小的树冠对象，需要进行剔除。基于实施例中树冠的特点，将面积小于2.25m²即9个栅格大小的对象删除。

步骤3：删除形状不规则树冠对象

树冠通常具有近似圆形的形状，而数据相交处理后存在形状不规则的多边形对象，需要进行剔除。为剔除形状规则多边形对象，引入形状指数指标，形状指数是多边形对象的边界长度除以四倍的对象面积的开方值，

$S=\frac{C}{4\×\sqrt{A}}$

式中S为形状指数，C为多边形周长，A为多边形面积。

理想状态下，对于圆形对象来说，s≈0.89；对于方形对象，s＝1；对于长方形对象，s>1；显然理想提取结果下，结果对象的形状指数应接近0.89。经过对提取结果形状指数分析，确定形状指数大于等于1.9的多边形为非树冠对象予以删除，最终获取的单木树冠树顶位置如图9所示。将单木树冠多边形中心点提取即为单木位置，如图8所示。从图9单木树冠描绘结果可以看出，描绘的树冠基本能够覆盖荔枝树冠范围，但提取的树冠形状不规则；从图8可以看出提取的单木位置基本位于图像中树冠位置。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于包括步骤：

(1)图像预处理：对原始遥感图像依次进行图像平滑处理和图像色彩反转处理；

(2)采用面向对象分类法对预处理后的遥感图像进行分类，并从分类结果中提取树冠的空间分布数据；

(3)将预处理后的遥感图像转换为树冠分布地面高程模型，并利用水文分析法中的洼地提取法从树冠分布地面高程模型中提取洼地数据，所述洼地数据即为初步提取的树顶位置数据；

(4)根据步骤(3)中提取的洼地数据，提取形成各洼地的洼地贡献区域数据；

(5)从洼地数据中提取树冠分支洼地并将其删除，然后将对应的洼地贡献区域合并到与其最近的洼地贡献区域中，获得的洼地贡献区域集合形成单木树冠分布范围数据；

(6)将树冠的空间分布数据与单木树冠分布范围数据进行叠加相交处理，获取单木树冠信息；所述单木树冠信息包括树顶位置信息和树冠边界信息。

2.根据权利要求1所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，所述步骤(2)中对预处理后的遥感图像进行分类，并从分类结果中提取树冠的空间分布数据的方法为:

(2-1)将预处理后的遥感图像进行分割，形成若干分割对象；

(2-2)分析原始遥感图像中的地物种类，基于地物种类对分割后的遥感图像进行采样，获取每种地物的样本数据；

(2-3)根据每种样本具有的属性特征构建特征空间；

(2-4)基于特征空间和样本数据进行监督分类并输出分类结果矢量数据。

3.根据权利要求2所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，所述图像分割的方法为多尺度分割法。

4.根据权利要求2所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，所述监督分类的方法为最邻近分类法。

5.根据权利要求1所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，所述步骤(2)中洼地数据提取的方法为：

利用水文分析法中的洼地提取法对图像进行水流方向计算，获取水流方向栅格数据；根据水流方向栅格数据提取洼地数据。

6.根据权利要求1所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，所述步骤(5)中从洼地贡献区域数据中提取树冠分支洼地的方法为：

(6-1)设置洼地间距阈值，并将所有洼地进行编号形成处理队列，按照编号从小到大依次进行是否为树顶位置洼地的判断；

(6-2)从队首洼地开始，计算其与相邻洼地的相对距离；若所选取的洼地与相邻洼地的相对距离均大于洼地间距阈值，则判定所选取的洼地为树顶位置洼地，并将其从处理队列中删除，进行下一个洼地的判断；若所选取的洼地与一个或多个洼地的相对距离小于或等于洼地间距阈值，则进入步骤(6-3)；

(6-3)计算所选取的洼地以及与其相对距离小于或等于洼地间距阈值的洼地的像元均值，从中选取像元均值最大的洼地作为树顶位置洼地，并将其从处理队列中删除，其余洼地保留原编号继续参与洼地判断；

(6-4)循环执行步骤(6-2)至(6-3)直至没有新的树顶位置洼地产生，处理队列中剩余的洼地即为树冠分支洼地；

(6-5)从洼地贡献区域数据中剔除树冠分支洼地数据。

7.根据权利要求1所述的一种基于分类的高分辨率遥感图像单木树冠信息提取方法，其特征在于，还包括对步骤(6)获得的单木树冠信息进行精度处理，包括步骤：

(7-1)设置树冠面积阈值，从单木树冠信息中选取树冠面积小于树冠面积阈值的树冠数据，作为小面积树冠对象数据；

(7-2)定义形状指数指标为：

$S=\frac{C}{4\×\sqrt{A}}$

其中，A为单木树冠栅格面积，C为单木树冠边界长度；给定形状指数阈值，计算每个单木树冠的形状指数；从第一精度处理数据中选取形状指数小于给定形状指数阈值的单木树冠数据，判定为形状不规则树冠数据；

(7-3)从步骤(6)得到的单木树冠信息中删除小面积树冠对象数据和形状不规则树冠数据，得到精度处理的单木树冠信息。