[发明专利]基于超像素与拓扑特征的航拍图像单株树冠分割算法

说明书

本发明公开了基于超像素与拓扑特征的航拍图像单株树冠分割算法，包括：对原始航拍图像进行SLIC超像素分割，同时利用HED网络获取图像的冠状边界；计算出相邻两个超像素之间的三个相似性测量指标，即相邻两个超像素的RGB平均值的差值、相邻两个超像素区域的相交像素个数和与从HED网络中得到的边界像素相交的个数，并用它们构造相邻两个超像素区域之间的相似度权重；基于每个超像素的中心点构造超像素邻域连通图，从超像素邻域连通图中提取最小生成树生成航拍图像的连通树，并根据相似度权重将超像素进行合并，实现单株树冠的分割。本发明将超像素分割和拓扑图方法相结合，能够准确有效地将单株树冠从航空图像分离，分割精度高。

技术领域

本发明涉及林木检测技术领域，具体涉及一种基于超像素与拓扑特征的航拍图像单株树冠分割算法。

背景技术

森林作为整个生态循环的关键环节之一，具有环境效益和经济效益。林木个体信息的获取是森林资源分析的基础。在单株树木尺度上分析树木的结构和特征，有利于森林的清查和管理规划。单株树木分割方便地描述了森林植被分布并为树种,为树干材积、生物量和碳存储计算提供有力支持。

传统的实地调查是费时、昂贵且劳力密集的，不利于大规模的复杂的林业监测。随着遥感技术的迅速发展，利用遥感技术获取数据源已成为传统野外测量的有效替代方法，例如通过机载激光雷达获取点云数据，通过无人机(UAV)获得航拍图像。近年来，无人机获取的高分辨率航空图像已广泛应用于林业和农业测绘领域，主要有相关机构提供。与卫星图像相比，航空图像受天气影响较小，它能够获取详细的树木信息。此外，与传统飞机相比，无人机在获取数据时显得更加安全、方便、快捷，花费的成本也更低。因此，无人机已经成为研究人员在高海拔或偏远地区等多种环境下获取遥感数据的优先选择之一。随着航拍图像的应用和发展，研究趋势逐渐由简单的人工林向复杂的混交林或天然林转变。

航拍图像的单株树冠分割通常采用典型的图像处理算法，如基于标记的分水岭算法、区域生长算法和局部极大值滤波算法。标记控制分水岭算法能够减少传统分水岭算法中存在的大量过度分割现象。该算法的核心目标是根据先验知识对图像进行标记和分水岭分割。区域生长算法可以直接从原始激光雷达数据中提取树冠，这是一种常用的分割三维点云的方法，但这种方法只能有限地识别物体的空间分布。局部最大过滤算法是认为每个树冠都有一个单一的“亮点”，树冠之间的区域比树冠的太阳照射部分要暗。然而，图像中的噪声很容易导致过度分割。基于灰度阈值和边缘检测的图像分割方法是传统的图像分割方法。超像素的概念最早是由Ren等人在2003年提出的。超像素是由一系列具有相似特征的像素组成的区域，它保留了有效的信息，便于进一步的图像分割。并且在正常情况下不会破坏图像中物体的边界信息。在2012年,Achanta等人提出了简单线性迭代聚类(SLIC)超像素算法，该算法在机器视觉和图像处理中得到了广泛的应用。它是一种基于k-均值聚类的超像素分割算法。此外，SLIC易于使用和理解，比现有的方法更快和内存效率更高，并具有最先进的图像边界依附性。上述ITC分割算法虽然在一些研究中取得了成功，但在树冠连续重叠、树冠大小不一、树木倾斜生长等复杂环境下分割效果较差。相邻树冠的重叠使得树冠的边界不清晰，树高较小、树冠宽度较小的且被其他较大树遮挡的树常被忽略。这些因素可能导致树冠的欠分割。在以往的研究中，大部分研究区域只包含少量的树种多样性，但不同树种在不同环境下的树冠分割结果差异较大。此外，现有的树冠分割研究大多选择针叶林作为研究对象，主要是因为针叶林冠层结构相对规则，森林冠层中心更容易被检测和识别。