張玉薇，陳棋，田湘云，史小蓉，張超

(西南林業(yè)大學(xué) 林學(xué)院，云南 昆明 650233)

樹冠是樹木的重要組成部分，可反映樹木的長(zhǎng)勢(shì)和生長(zhǎng)活力，預(yù)測(cè)材積和生物量等[1]。傳統(tǒng)的基于遙感手段的森林資源信息提取技術(shù)，仍存在效率低、成本高、周期長(zhǎng)，且估算精度受人為影響等諸多弊端和瓶頸[2]。近年來(lái)，隨著無(wú)人機(jī)技術(shù)的快速發(fā)展，已逐步出現(xiàn)高空間分辨率影像的獲取及樹冠的自動(dòng)提取方法。目前，基于高分辨率影像數(shù)據(jù)的樹冠提取方法主要分為2個(gè)步驟：先在探測(cè)窗口的一定范圍內(nèi)尋找光譜最大值作為樹冠中心點(diǎn)，確定樹冠位置，常見(jiàn)的方法有局部最大值法[3]、模板匹配法[4]等；然后基于樹冠中心點(diǎn)進(jìn)行樹冠輪廓提取，常見(jiàn)的方法有多尺度分割方法[5]、谷地跟蹤法[6]、區(qū)域生長(zhǎng)法[7]等。傳統(tǒng)的樹冠提取方法存在分割不穩(wěn)定和識(shí)別率低等問(wèn)題。當(dāng)前，結(jié)合深度學(xué)習(xí)技術(shù)，改進(jìn)樹冠的提取方法，初步取得較理想的效果。如：Jing等[8]對(duì)多尺度分割影像進(jìn)行改進(jìn)，在確定樹冠具體的區(qū)域大小后，采用分水嶺算法對(duì)高斯濾波得到的灰度影像進(jìn)行分割提取樹冠，進(jìn)而得到高質(zhì)量的冠幅分割結(jié)果；李文靜等[9]基于無(wú)人機(jī)多光譜影像，通過(guò)雙邊濾波和多尺度分割方法，提取單木樹冠，分割準(zhǔn)確率達(dá)76.63%，F(xiàn)測(cè)度為80.24%，有效抑制傳統(tǒng)多尺度分割的過(guò)分割現(xiàn)象；金忠明等[10]結(jié)合深度學(xué)習(xí)和標(biāo)記控制分水嶺算法的優(yōu)點(diǎn)，提出一種基于網(wǎng)絡(luò)用于分割細(xì)胞圖像(U-Net)和標(biāo)記控制分水嶺算法，其單木樹冠面積精度為81.05%，冠幅的精度為89.94%。

基于無(wú)人機(jī)遙感影像的單木樹冠提取精度主要受樹種、郁閉度、樹冠之間的重疊情況及背景噪聲等因素的影響[11]。現(xiàn)有研究中，針對(duì)不同分割方法的對(duì)比研究較少。本研究以無(wú)人機(jī)獲取的天然云南松純林影像為數(shù)據(jù)源，采用多尺度分割、標(biāo)記分水嶺分割和均值漂移結(jié)合的超像素分割3種方法提取樹冠信息，分析不同分割方法對(duì)單木冠幅信息提取精度的影響，選出最優(yōu)的單木冠幅提取方法，旨在為今后基于無(wú)人機(jī)可見(jiàn)光遙感技術(shù)在森林資源調(diào)查領(lǐng)域的應(yīng)用提供借鑒。

1 研究方法

1.1 研究區(qū)概況

研究區(qū)位于云南省富民縣羅免鄉(xiāng)，位于25°20′～25°23′N、102°28′～102°30′E之間，地勢(shì)北高南低，海拔2 100～2 300 m之間，土壤為紅壤，氣候?yàn)榈途暥葋啛釒Ц咴撅L(fēng)氣候，年均氣溫15.8 ℃，年均降水量846.5 mm。森林植被以云南松(Pinusyunnanensis)天然純林為主(圖1)，平均年齡約28 a，郁閉度為0.20～0.80。

圖1 標(biāo)準(zhǔn)地分布

1.2 研究方法

1.2.1 標(biāo)準(zhǔn)地調(diào)查

經(jīng)過(guò)踏查，在具有代表性的天然云南松純林的典型地塊設(shè)置20個(gè)25 m×25 m實(shí)測(cè)標(biāo)準(zhǔn)地。針對(duì)各標(biāo)準(zhǔn)地內(nèi)胸徑≥5.0 cm的所有活立木進(jìn)行統(tǒng)一編號(hào)和定位(測(cè)量每木樹心與相近二邊界的水平距離)，測(cè)量每木胸徑、樹高、最長(zhǎng)和最短冠幅(水平直徑)。

1.2.2 無(wú)人機(jī)影像采集

采用的無(wú)人機(jī)為大疆(Phantom 4 Pro型號(hào))，該無(wú)人機(jī)具有輕便、靈活等優(yōu)勢(shì)。外業(yè)影像采集選擇在天氣晴朗、無(wú)風(fēng)的條件下進(jìn)行。利用地面站專業(yè)版程序(DJI GS PRO)進(jìn)行航線自動(dòng)規(guī)劃及數(shù)據(jù)自動(dòng)采集。設(shè)定飛行高度為50.0 m，云臺(tái)俯仰角度為-90°(垂直攝影)，主航線上圖像重復(fù)率和主航線間圖像重復(fù)率分別為80%和60%，獲取20 個(gè)實(shí)測(cè)標(biāo)準(zhǔn)地的無(wú)人機(jī)普通可見(jiàn)光(RGB)影像。

1.2.3 無(wú)人機(jī)影像預(yù)處理

無(wú)人機(jī)影像拍攝過(guò)程中，受天氣和自身因素的影響，需要對(duì)影像進(jìn)行匹配、拼接及三維重建等預(yù)處理。利用無(wú)人機(jī)數(shù)據(jù)和航空影像處理軟件(Pix4 Dmapper)對(duì)20 個(gè)標(biāo)準(zhǔn)地的無(wú)人機(jī)原始RGB影像進(jìn)行全自動(dòng)處理，生成拼接后的正射影像(DOM)、數(shù)字表面模型(DSM)及數(shù)字地形模型(DTM)；在此基礎(chǔ)上，計(jì)算并得到冠層高度模型(CHM)。

1.2.4 單木冠幅提取

基于正射影像進(jìn)行面向?qū)ο蟮亩喑叨确指詈途灯频某袼胤指睿诠趯痈叨饶Ｐ瓦M(jìn)行標(biāo)記分水嶺分割，分別提取最長(zhǎng)冠幅、最短冠幅和樹冠面積；最后將3種方法提取的樹冠信息與實(shí)測(cè)數(shù)據(jù)進(jìn)行精度檢驗(yàn)，獲取最優(yōu)的分割方法。

(1)多尺度分割 多尺度分割是智能化影像分析軟件(eCognition軟件)中一種較為常用的自下而上(bottom-up)的分割算法。其原理是在保證區(qū)域內(nèi)像元之間異質(zhì)性最小的前提下，合并相鄰區(qū)域的像素，實(shí)現(xiàn)影像分割。多尺度分割能綜合考慮像元的紋理形狀等信息，常用于遙感高分辨率影像數(shù)據(jù)處理[12]，其難點(diǎn)在于尺度參數(shù)的確定，尺度參數(shù)能直接影響提取的精度[13-14]。但是最優(yōu)尺度參數(shù)是相對(duì)的，只是一個(gè)參考數(shù)值范圍，是根據(jù)影像的分辨率、紋理信息和特定的分割對(duì)象來(lái)確定的，不一定能適用于其他圖像分割。目前，分割參數(shù)只能根據(jù)個(gè)人經(jīng)驗(yàn)和多次分割效果來(lái)進(jìn)行確定[15]。本研究利用智能化影像分析軟件(eCognition軟件)試驗(yàn)并比較了多個(gè)分割尺度方案，最終確定在分割尺度為350，形狀異質(zhì)性因子為0.4，緊致度異質(zhì)性因子為0.6時(shí)，單木樹冠提取效果最優(yōu)。

(2)標(biāo)記分水嶺分割 分水嶺分割法克服了閾值分割的局限性，在圖像分割領(lǐng)域中應(yīng)用廣泛，是由Vincent[16]提出的一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其計(jì)算過(guò)程是一個(gè)迭代標(biāo)注過(guò)程。分水嶺分割原理是將灰度圖像看作是地球表面，即測(cè)地學(xué)上的拓?fù)涞孛?，而圖像中每個(gè)像素的灰度值代表該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界則形成分水嶺[17]。傳統(tǒng)的分水嶺分割法對(duì)噪聲極為敏感，易造成過(guò)度分割。Meyer[18]和Beucher[19]對(duì)分水嶺算法進(jìn)行了改進(jìn)，引入自定義的“標(biāo)記”到分水嶺算法中，以避免過(guò)度分割問(wèn)題。

近年來(lái)，眾多學(xué)者基于分水嶺分割算法的特點(diǎn)進(jìn)行了改進(jìn)，提出了多尺度優(yōu)化的標(biāo)記分水嶺算法[20]、基于前景標(biāo)記的分水嶺算法[21]、融合聚類(mean shift)算法和分水嶺算法的新方法[22]等，在單木分割領(lǐng)域中取得較好的效果。

標(biāo)記分水嶺分割方法的難點(diǎn)在于樹冠頂點(diǎn)和樹冠輪廓的正確識(shí)別。本研究對(duì)冠層高度模型(CHM模型)進(jìn)行去噪處理，膨脹和腐蝕重建圖像，修正區(qū)域的極大、極小值；修改距離變換，獲取圖像的局部最小值并進(jìn)行標(biāo)記；最后對(duì)修改的梯度圖像進(jìn)行標(biāo)記分水嶺分割。

(3)均值漂移結(jié)合的超像素分割 超像素分割[23]是將影像中顏色、紋理、光譜信息等相似的像素集合成一個(gè)超像素，以顯著減少圖像基元的數(shù)量。超像素分割不僅可以準(zhǔn)確的識(shí)別和提取影像邊緣，而且能提高分割算法的效率[24]。但是，傳統(tǒng)的超像素分割方法產(chǎn)生規(guī)則的相鄰區(qū)域破壞了圖像的局部空間結(jié)構(gòu)，從而導(dǎo)致分割效果不佳。在均值漂移算法過(guò)程中，難點(diǎn)是在感興趣區(qū)域內(nèi)計(jì)算中心點(diǎn)的密度漂移向量的基礎(chǔ)上進(jìn)行中心點(diǎn)的移動(dòng)，以便進(jìn)行下一次迭代[25]，直至達(dá)到密度最大處。最后統(tǒng)計(jì)感興趣區(qū)域內(nèi)出現(xiàn)的次數(shù)，以此作為分類的依據(jù)。均值漂移算法有較好的適應(yīng)性和魯棒性。均值漂移迭代公式為：

式中：h為帶寬；G(x)=g(x2)為核函數(shù)；MHi(x)=mHi(x)-x為均值漂移向量。

本研究提出一種均值漂移結(jié)合超像素的分割算法，將原始圖像進(jìn)行均值漂移分割，得到的分割結(jié)果作為圖像初分割結(jié)果，然后對(duì)初分割結(jié)果進(jìn)行超像素分割，得到最終分割結(jié)果，見(jiàn)圖2。

a.均值漂移結(jié)果b.基于均值漂移的超像素分割結(jié)果

(4)實(shí)測(cè)冠幅和樹冠面積 實(shí)地測(cè)量林木的最長(zhǎng)冠幅(CWf1)與最短冠幅(CWf2)，將林木冠幅看作為一個(gè)橢圓，最長(zhǎng)冠幅和最短冠幅看作橢圓的長(zhǎng)軸和短軸，則實(shí)測(cè)冠幅面積(CAf)為：

式中：CAf表示實(shí)地調(diào)查的樹冠面積；CWf1為最長(zhǎng)冠幅；CWf2為最短冠幅。

(5)精度評(píng)價(jià) 目前，國(guó)內(nèi)外對(duì)于單木樹冠提取的精度主要分為單木尺度和樣地尺度的評(píng)價(jià)，單木尺度的評(píng)價(jià)的具體方法為:將樹冠提取結(jié)果導(dǎo)入軟件Arc Map中，與目視解譯的參考樹冠進(jìn)行比較分析，對(duì)樹冠分割結(jié)果進(jìn)行評(píng)價(jià)。根據(jù)自動(dòng)提取的數(shù)據(jù)與實(shí)地調(diào)查的參考數(shù)據(jù)比較，將單木冠幅分割情況分成匹配、接近匹配、錯(cuò)分、漏分和合并5種。匹配即分割樹冠和參考樹冠的重疊面積占相互的50%及以上；接近匹配即重疊面積占分割樹冠或參考樹冠其中一方的50%；當(dāng)分割樹冠不存在對(duì)應(yīng)的參考樹冠則為錯(cuò)分；漏分即參考樹冠的50%面積內(nèi)無(wú)分割樹冠；合并即分割樹冠中存在多個(gè)參考樹冠。正確分割包括匹配以及接近匹配，漏分誤差包括漏分和合并，錯(cuò)分屬于錯(cuò)分誤差。

利用準(zhǔn)確率(Pd)、召回率(Pr)和F進(jìn)行單木冠幅提取精度評(píng)價(jià)。準(zhǔn)確率指正確分割的樹冠個(gè)數(shù)占所有分割出來(lái)樹冠個(gè)數(shù)的比例；召回率指正確分割的樹冠占參考樹冠數(shù)的比例；F測(cè)度是對(duì)準(zhǔn)確率和召回率的綜合描述，F(xiàn)測(cè)度越高表示結(jié)果越好，計(jì)算公式如下：

式中：Nc為分割正確的樹冠數(shù)目；Nd為分割出來(lái)的樹冠總數(shù)；Nr為參考樹冠總數(shù)。

樣地尺度的單木精度評(píng)價(jià)是指在該樣地內(nèi)單木提取的準(zhǔn)確率(Pd)和召回率(Pr)。

單木尺度的自動(dòng)提取單木冠幅和樹冠面積的精度，以提取單木冠幅和樹冠面積與實(shí)測(cè)冠幅和樹冠面積值的相對(duì)精度體現(xiàn)，計(jì)算公式如下：

式中：δ為相對(duì)誤差；B1為自動(dòng)提取值；B2為實(shí)測(cè)值。

樣地尺度的樹冠面積精度評(píng)價(jià)是指樣地內(nèi)自動(dòng)提取的樹冠總面積與參考樹冠總面積的評(píng)價(jià)分析，主要通過(guò)樣地內(nèi)樹冠總面積的相對(duì)誤差體現(xiàn)，計(jì)算公式如下：

式中：A1為樣地內(nèi)自動(dòng)提取的樹冠總面積；A2為樣地內(nèi)實(shí)測(cè)的樹冠總面積。

2 結(jié)果與分析

2.1 分割結(jié)果

無(wú)人機(jī)原始影像與多尺度分割、標(biāo)記分水嶺分割和均值漂移結(jié)合的超像素分割的結(jié)果如圖3所示(限于篇幅，以5號(hào)、10號(hào)和11號(hào)標(biāo)準(zhǔn)地為例)，黃色標(biāo)記點(diǎn)為外業(yè)調(diào)查的樹頂點(diǎn)。由圖3可以看出，標(biāo)記分水嶺明顯抑制過(guò)度分割現(xiàn)象，但樹冠邊界識(shí)別能力較差；基于均值漂移的超像素分割樹冠邊界識(shí)別效果最好，但分割效果較差，存在較多過(guò)度分割現(xiàn)象。

a.原始影像b.實(shí)地調(diào)查結(jié)果c.多尺度分割結(jié)果d.標(biāo)記分水嶺分割結(jié)果e.基于均值漂移的超像素分割結(jié)果

2.1.1 單木冠幅分割

(1)單木尺度 單木尺度下，3種自動(dòng)提取單木樹冠的結(jié)果如表1所示，參考樹冠總數(shù)為335 個(gè)，其中標(biāo)記分水嶺分割算法的效果最好，自動(dòng)提取的冠幅和正確分割的冠幅分別為316 個(gè)和260 個(gè)，錯(cuò)分?jǐn)?shù)為14 個(gè)；基于均值漂移的超像素分割算法的效果次之，自動(dòng)提取的冠幅和正確分割的冠幅分別為311 個(gè)和240 個(gè)，錯(cuò)分?jǐn)?shù)為34 個(gè)；多尺度分割的效果最差，自動(dòng)提取冠幅和正確分割冠幅分別為304 個(gè)和202 個(gè)，而錯(cuò)分個(gè)數(shù)多達(dá)47 個(gè)。其中參考樹冠為實(shí)地調(diào)查的樹冠。

表1 單木分割結(jié)果

(2)樣地尺度 在研究區(qū)的20 個(gè)樣地中，3種自動(dòng)提取單木樹冠的結(jié)果如表2所示，其中，多尺度分割算法自動(dòng)提取的樹冠平均值為15.20 個(gè)，正確分割的樹冠平均值為10.10 個(gè)；標(biāo)記分水嶺分割算法自動(dòng)提取的樹冠平均值為15.80個(gè)，正確分割的樹冠平均值為13.00 個(gè)；基于均值漂移的超像素分割算法自動(dòng)提取的樹冠平均值為15.55 個(gè)，正確分割的樹冠平均值為12.00 個(gè)。綜上可知，在樣地尺度下，標(biāo)記分水嶺分割算法在提取樹冠和正確分割樹冠的效果上均為最好。

表2 樣地尺度單木分割結(jié)果

2.1.2 單木冠幅和樹冠面積提取

(1)單木尺度 將采用算法自動(dòng)提取的正確分割樹冠的最長(zhǎng)冠幅、最短冠幅與樹冠面積與實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，結(jié)果見(jiàn)表3。實(shí)測(cè)數(shù)據(jù)和自動(dòng)提取的單木冠幅與樹冠面積的跨度均較大，最長(zhǎng)冠幅的分布范圍為1.72～11.95 m；最短冠幅分布范圍為0.89～8.08 m；樹冠面積的分布范圍為2.04～65.10 m2；樹冠面積的標(biāo)準(zhǔn)差比最長(zhǎng)冠幅和最短冠幅的標(biāo)準(zhǔn)大，離散程度更高；3種自動(dòng)提取算法的極值與實(shí)測(cè)數(shù)據(jù)均有一定偏差。因?yàn)榉指畲嬖谝欢ㄕ`差，能正確分割的樹冠不一樣，故3種自動(dòng)提取算法的最大/最小值存在較大誤差。

表3 不同分割方法的單木冠幅提取結(jié)果

(2)樣地尺度 3種算法自動(dòng)提取樣地樹冠總面積結(jié)果如表4所示，在研究區(qū)的20個(gè)樣地中，樣地參考樹冠總面積的最大值為15號(hào)樣地458.80 m2，最小值為1號(hào)樣地148.03 m2，平均值為318.71 m2；多尺度分割算法、標(biāo)記分水嶺分割算法和基于均值漂移的超像素分割算法自動(dòng)提取的樹冠總面積的平均值分別為187.48、235.16、215.88 m2，由平均值可知，在樣地尺度下標(biāo)記分水嶺算法提取的樹冠總面積最接近實(shí)測(cè)值，且3種算法自動(dòng)提取的樣地樹冠總面積普遍小于參考樹冠總面積。

表4 不同分割方法樣地樹冠總面積提取結(jié)果及相對(duì)誤差表

2.2 精度分析

2.2.1 單木樹冠

(1)單木尺度 單木尺度下的單木樹冠分割精度見(jiàn)表5。

表5 各類方法單木分割評(píng)價(jià)

標(biāo)記分水嶺分割效果最好，其準(zhǔn)確率為82.23%，召回率為77.61%，F(xiàn)測(cè)度為79.88%；相比多尺度分割準(zhǔn)確率提高15.78%，召回率提高17.32%，F(xiàn)測(cè)度提高16.66%；相比基于均值漂移的超像素分割，準(zhǔn)確率提高5.06%，召回率提高5.97%，F(xiàn)測(cè)度提高5.58%。綜上所述，單木提取效果為標(biāo)記分水嶺分割>基于均值漂移的超像素分割>多尺度分割。

(2)樣地尺度 樣地尺度下的單木樹冠分割精度如表6所示，標(biāo)記分水嶺分割效果最好，各樣地平均準(zhǔn)確率為83.86%，平均召回率為79.32%，基于均值漂移的超像素分割算法效果次之，平均準(zhǔn)確率為77.11%，平均召回率為71.66%，多尺度分割效果最差，平均準(zhǔn)確率為67.66%，平均召回率為60.98%。

表6 樣地尺度下各類方法單木分割評(píng)價(jià)

2.2.2 樹冠精度評(píng)價(jià)

(1)單木尺度

冠幅與樹冠面積的精度評(píng)價(jià)如表7所示，在自動(dòng)提取的長(zhǎng)冠幅和樹冠面積中，多尺度分割算法的誤差和相對(duì)誤差均為最大，標(biāo)記分水嶺分割算法的誤差和相對(duì)誤差均為最小。在自動(dòng)提取的短冠幅中，多尺度分割算法的平均誤差最小，為0.53m，其余的指標(biāo)均為最大；基于均值漂移的超像素分割算法的平均誤差最大，為0.66m；標(biāo)記分水嶺分割算法的誤差最大、最小值和相對(duì)誤差均為最小。

表7 不同分割方法的單木冠幅提取誤差

冠幅信息實(shí)地調(diào)查值與算法自動(dòng)提取值的結(jié)果如圖4所示，從R2來(lái)看，樹冠面積的提取精度比長(zhǎng)、短冠幅的精度高，R2均在0.90以上；標(biāo)記分水嶺分割算法提取的長(zhǎng)冠幅精度最高，達(dá)0.84，相比多尺度分割和基于均值漂移的超像素分割提取精度分別高0.28和0.15；標(biāo)記分水嶺分割算法提取的樹冠面積精度最高，達(dá)0.94，相比多尺度分割和基于均值漂移的超像素分割提取精度分別高0.04和0.01；多尺度分割算法提取的短冠幅精度最高，R2達(dá)0.73。從RMSE來(lái)看，標(biāo)記分水嶺算法提取的長(zhǎng)冠幅、短冠幅和樹冠面積的標(biāo)準(zhǔn)誤差(RMSE)均小于另外兩種算法的，說(shuō)明標(biāo)記分水嶺算法提取的效果更好。綜合分析比較，標(biāo)記分水嶺算法的提取精度最高。

(2)樣地尺度 樣地尺度下，樣地樹冠總面積提取精度如表4所示，在3種算法中，標(biāo)記分水嶺的平均相對(duì)誤差最小，為25.07%，精度最高，提取效果最好；多尺度分割算法的平均相對(duì)誤差最大，為40.64%，精度最低，提取效果最差。

3 討論與結(jié)論

3.1 討論

單木樹冠信息不僅可用于估測(cè)相關(guān)林分特征參數(shù)，而且能獲取林分結(jié)構(gòu)特征。準(zhǔn)確獲取單木樹冠信息參數(shù)對(duì)現(xiàn)代森林資源調(diào)查的自動(dòng)化發(fā)展有重要意義，針對(duì)特定的樹種和立地條件，采取多尺度分割、標(biāo)記控制分水嶺分割和基于均值漂移的超像素分割3種分割方法對(duì)無(wú)人機(jī)影像進(jìn)行分割且比較，以獲取最優(yōu)分割方法。

(1)多尺度分割是在一定尺度下合并相鄰像元生成異質(zhì)性最小、同質(zhì)性最大影像的分割方法，其優(yōu)點(diǎn)是能綜合考慮像元的紋理信息且操作簡(jiǎn)單[26]。本研究提出的多尺度分割方法與李文靜等[9]提出的基于無(wú)人機(jī)多光譜影像多尺度分割結(jié)果相比，準(zhǔn)確率降低10.18%，召回率降低23.74%，F(xiàn)測(cè)度降低17.02%，其原因是該研究人員通過(guò)多光譜(R、G、B、RE、NIR)計(jì)算得到歸一化植被指數(shù)(NDVI)，更好的識(shí)別樹冠區(qū)域；與孫振峰等[27]基于無(wú)人機(jī)影像多尺度分割結(jié)果相比，準(zhǔn)確率降低20.55%，其原因是該研究人員對(duì)無(wú)人機(jī)影像進(jìn)行圖像增強(qiáng)處理，然后采用多尺度分割排除背景區(qū)域的干擾，在此基礎(chǔ)上再進(jìn)行多尺度分割，提高分割準(zhǔn)確率。

圖4 冠幅信息提取結(jié)果驗(yàn)證

(2)標(biāo)記分水嶺算法是一種基于分水嶺的基礎(chǔ)上對(duì)圖像局部極小值進(jìn)行標(biāo)記的分割方法，能有效抑制過(guò)度分割現(xiàn)象[28]。本研究提出的標(biāo)記分水嶺分割算法與鄭鑫等[29]提出的基于形態(tài)學(xué)閾值標(biāo)記分水嶺算法相比，準(zhǔn)確率提高17.61%，召回率提高20.53%，F(xiàn)測(cè)度提高19.26%；與金忠明等[10]提出的基于網(wǎng)絡(luò)用于分割細(xì)胞圖像(U-Net)和標(biāo)記控制分水嶺的分割算法相比，準(zhǔn)確率提高2.78%，召回率提高8.29%，F(xiàn)測(cè)度提高了5.84%。結(jié)果表明標(biāo)記分水嶺對(duì)樹冠識(shí)別效果較好，對(duì)于重疊的樹冠，標(biāo)記分水嶺算法能有效解決單木分割中合并和過(guò)度分割問(wèn)題。但是標(biāo)記分水嶺的邊緣識(shí)別能力較差，其主要原因是正射影像(DOM)相比冠層高度模型(CHM)的紋理信息單一、分辨率低。

(3)超像素分割將圖像中特征相似的像素點(diǎn)組成小區(qū)域，并保留圖像分割的有效信息和邊界信息[30]，但是會(huì)出現(xiàn)過(guò)度分割現(xiàn)象。本研究提出的基于均值漂移的超像素分割在一定程度上能抑制過(guò)度分割現(xiàn)象，其分割結(jié)果與夏炎等[31]提出的模糊超像素分割算法相比，準(zhǔn)確率降低7.11%，但是比傳統(tǒng)的超像素分割算法提高23.12%，說(shuō)明基于均值漂移的超像素分割算法和傳統(tǒng)的超像素分割算法相比，在一定程度上提高分割準(zhǔn)確率，具有一定的意義。

(4)在單木尺度上，自動(dòng)提取的樹冠面積與實(shí)地調(diào)查樹冠面積呈較強(qiáng)的線性關(guān)系，R2均在0.90以上，與徐永勝等[21]提出的改進(jìn)分水嶺算法在3個(gè)不同高度下提取的樹冠投影面積與實(shí)地調(diào)查面積的R2相比，至少提高0.10，效果較好，但研究區(qū)為天然云南松純林，存在樹冠重疊現(xiàn)象，導(dǎo)致提取樹冠面積偏小；3種分割算法冠幅提取的精度R2在0.56～0.84之間，與王枚梅等[32]提出的基于面向?qū)ο蠓椒ㄗ詣?dòng)提取的冠幅精度(R2=0.86)和Yue[33]提出的標(biāo)記控制分水嶺提取的冠幅精度(R2在0.91～0.99之間)相比，效果較差。其主要原因是本研究提取的是長(zhǎng)、短冠幅，而其他研究提取的是東西、南北冠幅，在實(shí)地測(cè)量最大、最小冠幅時(shí)，會(huì)出現(xiàn)一定的人為誤差，且實(shí)地調(diào)查和自動(dòng)提取的視覺(jué)不同，也會(huì)造成一定誤差。在樣地尺度上，標(biāo)記分水嶺提取樹冠面積的效果最高，其平均相對(duì)誤差為20.57%，與曾霞輝等[34]提取的樹冠面積(相對(duì)誤差為13.3%)相比精度較低，其原因是該研究人員基于閾值法和K鄰近算法提取樣地總樹冠面積，而本研究的樣地樹冠總面積是提取的單木樹冠面積的總和，造成較大誤差。提取冠幅和樹冠面積與實(shí)測(cè)數(shù)據(jù)相比，提取冠幅普遍小于實(shí)測(cè)數(shù)據(jù)，其主要原因是：在進(jìn)行形態(tài)運(yùn)算時(shí)樹冠邊緣被弱化，導(dǎo)致算法未能精確的識(shí)別及分割樹冠；本研究區(qū)為天然云南松純林，存在樹冠重疊現(xiàn)象，導(dǎo)致提取冠幅偏小。

3.2 結(jié)論

本研究以云南松天然純林為研究對(duì)象，基于無(wú)人機(jī)影像數(shù)據(jù)采用多尺度分割、標(biāo)記分水嶺分割和基于均值漂移的超像素分割3種方法進(jìn)行單木冠幅分割提取。其中，在單木尺度上和樣地尺度上，標(biāo)記分水嶺的單木分割效果均為最好，準(zhǔn)確率分別為82.23%和83.86%，基于均值漂移的超像素分割效果次之，準(zhǔn)確率分別為77.17%和77.11%，多尺度分割效果最差，準(zhǔn)確率分別為66.45%和67.66%。在單木冠幅信息提取上，標(biāo)記分水嶺的精度最高，長(zhǎng)冠幅、短冠幅和樹冠面積的R2分別為0.84、0.71、0.94，標(biāo)準(zhǔn)誤差(RMSE)分別為0.66、0.65、2.54，平均相對(duì)誤差分別為9.20%、8.28%、14.05%。樣地尺度上，標(biāo)記分水嶺的單木樹冠面積提取精度最高，平均相對(duì)誤差為20.57%。經(jīng)綜合分析，基于無(wú)人機(jī)獲取云南松純林影像，以標(biāo)記分水嶺分割算法提取單木樹冠和單木樹冠信息，能滿足森林資源調(diào)查和監(jiān)測(cè)要求。

雖然單木分割取得了較好的精度，但都是針對(duì)特定樹種和立地條件的，針對(duì)不同數(shù)據(jù)源和不同類型、不同郁閉度林業(yè)樣區(qū)，單木分割的最優(yōu)方法有待進(jìn)一步研究。