一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方法
【專利摘要】本發(fā)明公開了一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方法，該度量方法包括如下步驟：步驟1)基于單次回波點云數(shù)據(jù)構(gòu)建樹冠高度模型，即在數(shù)字地面模型的基礎(chǔ)上濾除非植被信息，獲得包含僅植被分布及高度信息的基準(zhǔn)圖；步驟2)基于活動窗口的局部最大值搜索法，從所述基準(zhǔn)圖中提取單株立木的頂點；步驟3)在樹頂檢測結(jié)果基礎(chǔ)之上，采用“傘骨算法”進行樹冠投影邊界識別，分離單體樹木并確定各自樹冠的邊界位置，得到樹冠邊界識別結(jié)果；步驟4)結(jié)合樹頂檢測結(jié)果與樹冠邊界識別結(jié)果，基于伸縮圓與冠高比的樹冠體積計算方法生成單體樹冠體積分布圖。步驟5)通過計算圖像平均梯度反演冠層孔隙率，修正因樹冠內(nèi)部枝葉間存在的大量空隙而造成的計算誤差，進一步提升步驟4)中的樹冠體積反演精度。
【專利說明】一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方法，特別是一種 應(yīng)用機載激光雷達系統(tǒng)檢測樹冠邊界和度量樹冠體積的方法。

【背景技術(shù)】
[0002] 綠地是城市中唯一有生命的基礎(chǔ)設(shè)施，也是城市生態(tài)系統(tǒng)中的核心組成部分。已 有多項研究證明城市綠地在改善城市生態(tài)環(huán)境、促進人體健康等方面起著不可或缺的積極 作用。
[0003] 遙感作為新型對地觀測技術(shù)，具有大面積同步覆蓋、實時連續(xù)、經(jīng)濟有效等優(yōu)點。 高分辨率遙感與激光雷達等多源遙感數(shù)據(jù)為空間探測提供了新的視角和研究方向。其中， LiDAR擁有的全自動、高精度立體掃描技術(shù)，使快速直接獲取地形表面模型成為可能，尤其 適合植被等具備三維空間結(jié)構(gòu)且立體形態(tài)不規(guī)則的信息獲取，正逐步成為推動城市綠地研 究向立體拓展的重要載體。
[0004] 周堅華等利用彩紅外航片和計算機模擬技術(shù)，通過度量城市植物莖葉所占空間體 積估算城市綠地對城市的綠化效益。周延剛等利用彩紅外航空影像建立了植被高度模型、 冠徑-冠高關(guān)系模型和三維綠量計算方程。韋雪花等提出樹冠不能用一個或多個實心規(guī)則 幾何體來描述，提出了"體元模擬法"。
[0005] Hecht R等使用機載LiDAR數(shù)據(jù)估算城市植被體積。Liu和Shen等使用機載LiDAR 點云數(shù)據(jù)基于坡度過濾法和地面增長算法提取城市樹木。Qi Chen等基于機載LiDAR數(shù)據(jù) 研發(fā)了一套實現(xiàn)單株樹高、樹冠面積、樹冠率及葉面積等提取的軟件TiFFs。Wei Yao借助 全波形機載LiDAR數(shù)據(jù)實現(xiàn)了樹種分類與樹冠結(jié)構(gòu)信息提取。
[0006] 目前，國內(nèi)外基于LiDAR的植被研究多以單體植被信息提取為主，融合多源數(shù)據(jù)， 在實現(xiàn)城市植被三維立體信息提取基礎(chǔ)上研究其空間分布特征的較少。
[0007] 考慮到以上問題，本發(fā)明針對針對城市綠化分布零散、結(jié)構(gòu)多樣，和以復(fù)雜城市地 物為背景的三維綠量提取技術(shù)研究不足、自動化弱、精度偏低等問題，嘗試建立一套基于機 載LiDAR單次回波數(shù)據(jù)的單株立木識別與冠層結(jié)構(gòu)信息提取方法，用于解決不同冠層體積 度量算法適應(yīng)性差、城市大范圍綠度空間提取及度量效率差等難題，為更有效地提取諸如 城市等大范圍的植被冠層結(jié)構(gòu)信息提供技術(shù)參考。


【發(fā)明內(nèi)容】

[0008] 針對城市綠化分布零散、結(jié)構(gòu)多樣，和以復(fù)雜城市地物為背景的三維綠量提取技 術(shù)研究不足、自動化弱、精度偏低等問題，本發(fā)明提供一種無需伐倒立木的可用于實現(xiàn)不同 單體樹種的樹冠邊緣檢測、樹冠體積估算、冠層結(jié)構(gòu)信息提取的技術(shù)流程。
[0009] 本發(fā)明的目的通過以下技術(shù)步驟實現(xiàn)：
[0010] 步驟1)基于單次回波點云數(shù)據(jù)構(gòu)建樹冠高度模型，即在數(shù)字地面模型的基礎(chǔ)上 濾除非植被信息，獲得包含僅植被分布及高度信息的基準(zhǔn)圖；
[0011] 步驟2)基于活動窗口的局部最大值搜索法，從所述基準(zhǔn)圖中提取單株立木的頂 點（最商點）；
[0012] 步驟3)在樹頂檢測結(jié)果基礎(chǔ)之上，采用"傘骨算法"進行樹冠投影邊界識別，分離 單體樹木并確定各自樹冠的邊界位置，得到樹冠邊界識別結(jié)果；
[0013] 步驟4)結(jié)合樹頂檢測結(jié)果與樹冠邊界識別結(jié)果，基于伸縮圓與冠高比的樹冠體 積計算方法生成單體樹冠體積分布圖。
[0014] 步驟5)通過計算圖像平均梯度反演冠層孔隙率，修正因樹冠內(nèi)部枝葉間存在的 大量空隙而造成的計算誤差，進一步提升步驟4)中的樹冠體積反演精度。
[0015] 進一步，所述步驟1)的具體方法為：
[0016] a)基于改進的分水嶺算法對航空影像進行邊緣特征提?。籦)基于航空影像的紅 色和近紅外波段計算得到NDVI ;c)利用最大類間差算法（OTSU)確定NDVI最佳分割閾值； d)根據(jù)閾值，劃定植被區(qū)域；e)借助投票法修正二維植被信息提取結(jié)果。
[0017] 進一步，所述步驟2)的具體方法為：
[0018] a)基于一定數(shù)量的樹冠高度模型采樣點，構(gòu)建樹高-冠徑關(guān)系模型；b)根據(jù)已建 立的關(guān)系模型確定逐像素遍歷過程中的搜索范圍；c)依據(jù)搜索范圍，判斷像素是否滿足樹 頂條件；d)依次遍歷圖像中像素點，直至找出全部樹頂點。
[0019] 進一步，所述步驟3)的具體方法為：
[0020] a)生成一系列以樹頂點為對稱中心的等旋轉(zhuǎn)角的輻射狀線段；b)為中心點為起 始點，沿方向的輻射狀線段向外圍遍歷，依次判斷位于同一條輻射狀線段上相鄰單元的高 度差，若高差值滿足判定規(guī)則，即判斷該外圍像素點為樹冠邊界點；c)重復(fù)b)過程直至獲 得全部截斷點，通過逆時針依次連接各截斷點，最終形成封閉多邊形，形成單體樹冠輪廓 線。
[0021] 進一步，所述步驟4)的具體方法為：
[0022] a)在樹冠邊界識別結(jié)果的基礎(chǔ)上，利用伸縮圓算法獲得橢球體樹冠結(jié)構(gòu)的長半軸 與短半軸參數(shù)；b)結(jié)合樹頂檢測結(jié)果的高度信息，通過冠高比概念計算得到極半徑參數(shù)； c)經(jīng)由橢球體積計算公式最終獲得樹冠體積的估算量。
[0023] 進一步，所述步驟5)的具體方法為：
[0024] a)依次遍歷每個樹冠單元，計算其平均梯度值；b)獲取上一步計算結(jié)果中的最大 值與最小值，采用線性函數(shù)轉(zhuǎn)換法，將平均梯度值歸一化并作二次轉(zhuǎn)化計算，得到每株立木 的冠層孔隙率修正系數(shù)；c)將步驟4)中的樹冠體積計算結(jié)果乘以該系數(shù)，獲得修正后的單 體樹冠體積值。

【專利附圖】

【附圖說明】
[0025] 圖1為影像分割結(jié)果；
[0026] 圖2為樹冠高度模型；
[0027] 圖3為樹頂檢測結(jié)果；
[0028] 圖4為樹冠邊界識別結(jié)果；
[0029] 圖5為單體樹冠體積分布圖；

【具體實施方式】
[0030] 下面結(jié)合附圖對本發(fā)明"一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方 法"作進一步闡述說明。
[0031] 本發(fā)明所涉及的"基于傘骨法的樹冠投影邊界識別算法"和"基于伸縮圓與冠高比 的樹冠體積計算方法"，是城市植被空間結(jié)構(gòu)參量提取的重要技術(shù)創(chuàng)新。其中，傘骨法具有 "分離鄰接樹冠的相交界限"與"識別結(jié)果準(zhǔn)確且符合樹冠形態(tài)"的優(yōu)點，同時提升了算法的 運行效率，為區(qū)域尺度的樹冠投影邊界識別提供一種可行的方法；基于伸縮圓與冠高比的 樹冠體積計算方法則有效解決了不同冠層體積度量算法適應(yīng)性差、城市大范圍綠度空間提 取及度量效率差等難題，可為同領(lǐng)域的相關(guān)研究者借鑒使用；冠層孔隙率修正因子可用于 修正因采用幾何實心體模擬樹冠形態(tài)而造成的計算誤差，使樹冠體積反演結(jié)果具備一定的 可靠性。
[0032] (一）樹冠高度模型構(gòu)建
[0033] 采取"先二維，后三維"的操作步驟獲得樹冠高度模型。首先，基于高分辨率遙感 圖像的面向?qū)ο髨D像分類方法，同時充分考慮高分辨率航空影像提取邊界信息的優(yōu)勢，采 用改進的分水嶺分割算法進行影像邊緣特征提取，得到標(biāo)記后圖像分割結(jié)果（圖1)。然后 基于航空影像的紅色和近紅外波段計算得到NDVI，利用最大類間差算法（OTSU)確定NDVI 最佳分割閾值，進行植被提取。在完成圖像分割和閾值提取的基礎(chǔ)上，借助投票法修正二維 植被信息提取結(jié)果。具體步驟為：遍歷圖像分割結(jié)果中的每個對象；統(tǒng)計每個對象中植被 像元累計個數(shù)占整個對象像元總數(shù)的百分比；若該對象內(nèi)植被像元所占百分比超過50%， 即判斷該對象為植被。經(jīng)由隨機樣本檢驗，基于以上步驟得到的提取結(jié)果，精度優(yōu)于95%。 再將生成的植被二值掩膜圖像與數(shù)據(jù)預(yù)處理步驟中得到的DHM圖層作疊加，最終計算得到 樹冠高度模型（圖2)。
[0034] (二）樹頂檢測
[0035] 樹頂通常是指在一定聚簇范圍內(nèi)植被的最高點，同時認定樹冠直徑與樹高存在一 定的相關(guān)性。本發(fā)明基于活動窗口的局部最大值搜索法，通過構(gòu)建樹高-冠徑的關(guān)系假設(shè) 實時推算出窗口變量大小。首先，將圖像等分為NXN的格網(wǎng)大小，依次從每個格網(wǎng)中隨機 選擇任意一棵樹木，量算其橫縱向樹冠直徑長度的平均值和最大高度值。隨著樹高的增加， 樹冠直徑也隨之?dāng)U大，二者基本呈現(xiàn)線性關(guān)系，由此建立樹高-冠徑關(guān)系模型。該模型將用 于逐像素遍歷過程中確定搜索范圍。具體步驟為：
[0036] 1)選擇樹冠高度模型圖層的左上角第一個像素點，其值為樹高TH ;
[0037] 2)經(jīng)由樹高-冠徑關(guān)系公式計算得到冠徑⑶；
[0038] 3)以被選點為中心，CD/2/2個像素點為半徑，確定搜索范圍；
[0039] 4)如果被選點是搜索范圍內(nèi)的最高點，則標(biāo)記為樹頂點，并將其位置信息和高度 信息存入列表；
[0040] 5)重復(fù)以上過程，依次遍歷圖像中的全部像素點，直至找出全部樹頂點。
[0041] 基于上述步驟所得樹頂檢測結(jié)果如圖3所示。
[0042] (三）樹冠投影邊界識別
[0043] 鑒于樹冠高度模型上的樹冠高度值在一定區(qū)域范圍內(nèi)具有穩(wěn)定均一的特質(zhì)，若其 變化幅度超出既定閾值，便可認定其為邊界所在處。傘骨算法通過構(gòu)建一系列以樹頂點P 為對稱中心且旋轉(zhuǎn)角相等的輻射狀線段，每條輻射狀線段長度為M個像素，則以不同像素 點為中心的一系列輻射狀線段可定義為W(p，n，m)。由于樹冠邊界形狀多樣且無法預(yù)測，故 設(shè)樹頂點為中心P，并作為起始點，順序沿各方向的輻射狀線段向外圍遍歷，通過判斷位于 同一條輻射狀線段上前一像素 h與后一像素 hi+1的高度值關(guān)系，決定是否停止搜索。停止 條件如下：① hi+1 = O ;②H1彡ht/3 ;③H < 0(i = 1，2,…，η)。為防止因檢測半 徑過長等不合理結(jié)果，還可加入絕對限制條件：n = ht/3,即η的大小取決于研究區(qū)內(nèi)冠徑 與樹高關(guān)系的實際情況。通過逆時針依次連接各截斷點，最終形成封閉多邊形，實現(xiàn)單體樹 冠輪廓識別，進而獲得的樹冠投影邊界識別結(jié)果（圖4)。
[0044] (四）樹冠體積計算
[0045] 伸縮圓算法是在樹冠邊界識別結(jié)果基礎(chǔ)上，以樹冠投影多邊形的重心為圓心，由 小及大，生成不同半徑長r的檢測圓(；。當(dāng)檢測圓半徑r由1開始，以單個像素為步長累加 的過程中，當(dāng)首次發(fā)生3p G Cr Π 口任Si時，對應(yīng)的Γι值即為橢球體的短半軸b ;當(dāng)首次發(fā)生 Vp G Cr Π p G Si時，對應(yīng)的r2值即為橢球體的長半軸a。依次遍歷完全部樹冠識別結(jié)果， 將生成一系列與樹冠對應(yīng)的橢圓長、短半軸值。
[0046] 冠高比是冠高與樹高的比值。假設(shè)樹冠的幾何形態(tài)符合橢球特征，即橢球割面積 最大值出現(xiàn)在冠高的二分之一處，該橢圓面的邊界即為樹冠邊界，而落在該邊界點上的像 素高度平均值h。已知，結(jié)合邊界點高度與樹頂高度h t的幾何關(guān)系，經(jīng)由公式c = ht_h。，便 可計算求出橢球體的極半徑c。最后代入到橢球體積計算公式V = 4 π abc/3,便可得到樹 冠所占據(jù)的空間幾何體積。
[0047] (五）冠層孔隙率修正系數(shù)
[0048] 截至上一步驟，推算所得樹冠體積計算值僅僅衡量了其外緣廓線圍起來的幾何實 心體所占據(jù)的空間范圍，與"綠化三維量"的定義仍存在細微差別，這項誤差來自樹冠內(nèi)部 枝葉間的大量空隙?；?樹冠枝葉數(shù)量越多，相鄰葉片間距越小，樹冠整體就越緊實，反映 在圖像上便表現(xiàn)為冠層上表面紋理越平滑"的假設(shè)，本發(fā)明通過計算圖像平均梯度反演冠 層孔隙率，平均梯度@定義如下：

【權(quán)利要求】
1. 一種基于傘骨法與冠高比的樹木冠層結(jié)構(gòu)信息提取方法，該度量方法包括如下步 驟： 步驟1)基于單次回波點云數(shù)據(jù)構(gòu)建樹冠高度模型，即在數(shù)字地面模型的基礎(chǔ)上濾除 非植被信息，獲得包含僅植被分布及高度信息的基準(zhǔn)圖； 步驟2)基于活動窗口的局部最大值搜索法，從所述基準(zhǔn)圖中提取單株立木的頂點（最 局點）； 步驟3)在樹頂檢測結(jié)果基礎(chǔ)之上，采用"傘骨算法"進行樹冠投影邊界識別，分離單體 樹木并確定各自樹冠的邊界位置，得到樹冠邊界識別結(jié)果； 步驟4)結(jié)合樹頂檢測結(jié)果與樹冠邊界識別結(jié)果，基于伸縮圓與冠高比的樹冠體積計 算方法生成單體樹冠體積分布圖。 步驟5)通過計算圖像平均梯度反演冠層孔隙率，修正因樹冠內(nèi)部枝葉間存在的大量 空隙而造成的計算誤差，進一步提升步驟4)中的樹冠體積反演精度。
2. 如權(quán)利要求書1所述的方法，其特征在于，所述步驟1)的具體方法為： a)基于改進的分水嶺算法對航空影像進行邊緣特征提取;b)基于航空影像的紅色和 近紅外波段計算得到NDVI ;c)利用最大類間差算法（OTSU)確定NDVI最佳分割闊值；d)根 據(jù)闊值，劃定植被區(qū)域；e)借助投票法修正二維植被信息提取結(jié)果。
3. 如權(quán)利要求書1所述的方法，其特征在于，所述步驟2)的具體方法為： a)基于一定數(shù)量的樹冠高度模型采樣點，構(gòu)建樹高-冠徑關(guān)系模型；b)根據(jù)已建立的 關(guān)系模型確定逐像素遍歷過程中的搜索范圍；C)依據(jù)搜索范圍，判斷像素是否滿足樹頂條 件；d)依次遍歷圖像中像素點，直至找出全部樹頂點。
4. 如權(quán)利要求書1所述的方法，其特征在于，所述步驟3)提出了基于傘骨法的樹冠投 影邊界識別算法，具體方法為： a)生成一系列W樹頂點為對稱中也的等旋轉(zhuǎn)角的福射狀線段；b)為中也點為起始點， 沿方向的福射狀線段向外圍遍歷，依次判斷位于同一條福射狀線段上相鄰單元的高度差， 若高差值滿足判定規(guī)則，即判斷該外圍像素點為樹冠邊界點；C)重復(fù)b)過程直至獲得全部 截斷點，通過逆時針依次連接各截斷點，最終形成封閉多邊形，形成單體樹冠輪廓線。 傘骨法具有"分離鄰接樹冠的相交界限"與"識別結(jié)果準(zhǔn)確且符合樹冠形態(tài)"的優(yōu)點， 同時提升了算法的運行效率，為區(qū)域尺度的樹冠投影邊界識別提供一種可行的方法。
5. 如權(quán)利要求書1所述的方法，其特征在于，所述步驟4)提出了基于伸縮圓與冠高比 的樹冠體積計算方法，具體方法為： a)在樹冠邊界識別結(jié)果的基礎(chǔ)上，利用伸縮圓算法獲得楠球體樹冠結(jié)構(gòu)的長半軸與短 半軸參數(shù)；b)結(jié)合樹頂檢測結(jié)果的高度信息，通過冠高比概念計算得到極半徑參數(shù)；C)經(jīng) 由楠球體積計算公式最終獲得樹冠體積的估算量。 該方法有效解決了不同冠層體積度量算法適應(yīng)性差、城市大范圍綠度空間提取及度量 效率差等難題，可為同領(lǐng)域的相關(guān)研究者借鑒使用。
6. 如權(quán)利要求書1所述的方法，其特征在于，所述步驟5)提出了冠層孔隙率修正因子， 具體計算方法為： a)依次遍歷每個樹冠單元，計算其平均梯度值;b)獲取上一步計算結(jié)果中的最大值與 最小值，采用線性函數(shù)轉(zhuǎn)換法，將平均梯度值歸一化并作二次轉(zhuǎn)化計算，得到每株立木的冠 層孔隙率修正系數(shù)；C)將權(quán)利要求1所述步驟4)中的樹冠體積計算結(jié)果乘w該系數(shù)，獲得 修正后的單體樹冠體積值。 冠層孔隙率修正因子可用于修正因采用幾何實也體模擬樹冠形態(tài)而造成的計算誤差， 使樹冠體積反演結(jié)果具備一定的可靠性。
【文檔編號】G06K9/46GK104463164SQ201410444134
【公開日】2015年3月25日 申請日期:2014年9月3日 優(yōu)先權(quán)日:2014年9月3日
【發(fā)明者】孟慶巖, 張佳暉, 占玉林, 王春梅, 吳俊 , 金穎 申請人:中國科學(xué)院遙感與數(shù)字地球研究所