输电线路通道下行林区冠层自动分割方法研究

季 坤,孙鸿博,刘志林,谭弘武,王瑞瑞

(1.国网安徽省电力公司,合肥 230061； 2.国网通用航空有限公司,北京102209；3.北京煜邦电力技术股份有限公司,北京100028； 4.北京林业大学林学院,北京 100083)

输电线路通道下行林区冠层自动分割方法研究

季 坤1,孙鸿博2,刘志林1,谭弘武3,王瑞瑞4

(1.国网安徽省电力公司,合肥 230061； 2.国网通用航空有限公司,北京102209；3.北京煜邦电力技术股份有限公司,北京100028； 4.北京林业大学林学院,北京 100083)

针对在高分辨率影像上进行林区冠层高精度分割所存在的问题，提出了以一种结合形态学滤波的基于标记的分水岭分割算法，来实现对输电线下行林区冠层的自动分割。以航拍影像为数据源，首先构建结合了彩色和纹理梯度的综合梯度，然后采用形态学滤波消除中间过渡区域所形成的梯度极小值，同时根据树冠顶端先验信息提取标记，并强制叠加到梯度图像上，最后将上述结果作为初始信息参与分水岭分割，实现高分辨率影像上林区冠层的高精度自动分割，并以目视解译的形式获取研究区冠层的精确面积作为参考，结果显示本算法的精度较高，可以用于实现林区冠层的高精度自动分割。

形态学滤波；改进；分水岭分割算法；彩色梯度；纹理梯度；综合梯度

林冠大小是提取森林各种参数的重要依据[1]。通过提取树冠的直径和面积，可估测林分郁闭度、蓄积量、生长量等信息。因此，林冠提取对于研究森林的生长情况和动态变化具有重要意义[2]，对林冠信息提取的研究也收到国内外越多越多的研究人员的重视。近年来，随着遥感技术和计算机技术的迅速发展及遥感影像分辨率的提高，在高空间分辨率遥感影像上，树冠清晰可辨，但是如何将单木树冠准确地提取出来仍是一个难题，尽管传统目视解译方法提取树冠能达到一定效果，但是其工作量大、工作效率低、判读者的经验和知识会使判读结果产生误差。目前运用计算机自动或半自动较准确的提取树冠成为可能。

本文的研究区是输电线路通道下行的林区，架空输电线是国家基础设施重要组成部分之一[3]。目前，我国电网规模不断扩大，长距离输电线路迅速增长，伴随的输电线路故障也给人们的日常生活和国家经济带来巨大损失。为了防止和杜绝电网安全事故发生，需要对架空输电线路进行周期性电力巡线。然而，由于人工巡线存在劳动力强度大、工作条件艰苦、效率低、复巡周期长、巡检数据准确率不高等缺陷[4]。实验区内树种种类多样，如泡柳、松树、水杉、毛竹和杂木。目前输电线路安全运行的最大障碍就是树木隐患，由于各树种生长周期的不同，当树木生长到输电线路安全距离范围之内就有可能发生线路跳闸故障，威胁到安徽电网的安全稳定。因此，输电线下行林冠的分割研究是检查架空输电线安全与否的基础。

目前，分割的算法有多种，较为常见的有基于阈值分割算法、基于边缘分割算法及基于区域分割算法[5]等。分水岭分割算法属于区域分割算法中的一种，这种算法对微弱边缘敏感，能够得到封闭的、单像素的、连通的、及位置准确的轮廓，因此比较适合做高分辨率遥感影像树冠分割[6]。最初基于数学形态学的分水岭分割计算量较大、用时较长，而且还受到图像的梯度和噪声的影响，容易导致过分割现象[7]。目前,分水岭算法已经在医学、遥感领域取得了广泛的应用[8-9]。在医学领域，改进的分水岭算法已经用于组织细胞分割、白细胞分割等[10]。但是在采用高分辨率影像对冠层进行分割时存在以下问题：第一在高分辨率影像上，不仅目标地物的纹理特征和形态特征十分显著，而且背景地物的纹理和形态特征也十分显著，导致噪声复杂度急剧增加，给目标地物的高精度分割造成很大的困扰；第二针对郁闭度较大的林区，分割效果较差，这是因为郁闭度较大的林区存在同一冠层内部差异性显著，而不同冠层之间的边界模糊的问题，导致分割困难重重。本文针对这一问题对传统的分水岭算法进行改进,首先构建结合了彩色梯度和纹理梯度的综合梯度，然后采用形态学滤波消除无关中间过渡区域所形成的梯度极小值，在降低同一冠层内部的差异性的同时，增强不同冠层之间的边界信息，同时根据树冠顶端先验信息提取标记，达到剔除背景噪声的目的，并强制叠加到梯度图像上，最后将上述结果作为初始信息参与分水岭分割，实现高分辨率影像上林区冠层的高精度自动分割。

1 研究区概况

研究区位于安徽省池州市东北部的锦苏线下行通道，地理位置117°48′—117°54′E，30°40′—30°41′N，地跨池州市和青阳县，东西长约9500 m，南北长约200 m，总面积约为190万m2。海拔在1.8～112.2 m之间，属于亚热带季风湿润气候区，夏热冬寒，春秋温和，雨量充沛，日照时间长，无霜期短，梅雨期40 d左右。年平均气温16 ℃；实验区内主要树种有泡柳、松树、水杉、毛竹和杂木。

相对于其他林区，该林区是位于输电线下行的通道走廊，具有受干扰大、更复杂等特殊性。因此在树冠分割时尤为困难。本文的实验数据是安徽省池州市航拍数据，影像包括红、绿、蓝三个波段，影像的分辨率为0.1 m。

2 结合形态学滤波的标记分水岭自动分割算法

分水岭算法[11]是一种借鉴了形态学理论的分割方法，在该方法中，将一幅图像看成一个拓扑地形图，其中灰度值对应该点的地形高度值，每一局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。

结合形态学滤波的标记分水岭自动分割算法主要是首先构建结合了彩色梯度和纹理梯度的综合梯度，然后采用形态学滤波消除无关中间过渡区域所形成的梯度极小值，同时根据树冠顶端先验信息提取标记，并强制叠加到梯度图像上，最后将上述结果作为初始信息参与分水岭分割，实现高分辨率影像上林区冠层的高精度自动分割。主要分为梯度图像的计算、形态学滤波和标记的提取三个步骤，主要技术路线如图1。

图1 研究方法流程图

2.1 梯度图像的计算

分水岭算法的实现与图像本身的相关性不大而与图像的梯度有很大关系[12]。所以其算法过程一般是在梯度图像上进行。梯度图像能较好的反应图像边缘灰度的变化趋势，梯度变化显著的地方一般对应目标对象的边缘，因而在梯度图像上进行分水岭算法分割，比在原始图像上分割得到的目标边界更精确。另外，纹理作为遥感影像的重要特征之一，在树冠的提取中起着非常重要的识别作用。纹理特征能够区分出光谱难以分离的背景信息。例如，背景信息中的杂草与树冠的光谱信息类似，但是它们的纹理有明显的差别。因此，综合利用遥感影像的梯度和纹理特征各自的优势，能够更有效的将树冠从背景中提取出来。

2.1.1 彩色向量梯度计算

对单独彩色平面的处理并不总是直接在彩色向量空间中的处理，分别计算图像梯度然后形成彩色图像可能得到与人眼视觉特性不一致的结果。因此，在彩色向量空间直接计算梯度比以单独的分量图像为基础计算梯度具有更高的准确度，本文采用彩色向量空间梯度算法[13]，直接在RGB向量空间计算梯度。

设r，g，b是RGB彩色空间沿R，G，B轴的单位向量。像素点沿水平方向和垂直方向的彩色梯度可用向量u，v来表述[14]如下：

(1)

(2)

gxx，gyy，gxy分别定义为这些向量的点乘。表述如下：

(3)

(4)

(5)

由此可得到单个像素点(x,y)在最大变化率方向[14]θ的彩色梯度公式为：

(6)

其中，最大变化率方向θ为：

(7)

梯度图像中存在的局部极小值区域即对应着基于沉浸的分水岭变换模型中集水盆的最底部，分水岭分割后最终区域数目即梯度图像中局部极小值区域的数目，影像的梯度图如图2。

图2 梯度图像

2.1.2 纹理梯度计算

纹理是指图像色调作为等级函数在空间上的变化，是纹理基元在不同空间配置形成的图案[15]。纹理较为清晰的区域，灰度等级相对于不同纹理的区域一定是比较接近的[16]。

高分辨率遥感影像纹理不规则、结构变化复杂，基于灰度共生矩阵(co-occurrence)方法提取纹理特征能够对不同的纹理进行定量分析。因此本文采用基于统计方式的灰度共生矩阵表达纹理图像。Haralick等[17]从灰度共生矩阵中提出了14个纹理特征参量，其中有均值、方差、同质性、对比度、相异性、熵、角二阶矩、相关性这八个特征参量是灰度共生矩阵纹理分析中较为常用的，这些参量之间存在相关性，可以用少量参量来表示[18]。经相关性分析可知均值、方差、对比度这三个参量相关性最小，因此选用这三个参量来描写纹理特征。由于航拍影像中3个波段，若对每一波段都进行纹理梯度提取，会造成数据量增大，因此先对航拍影像进行主成分变换，变换后取第一主成分来代表原图像。

移动窗口的大小、步长及所选用的特征量是基于灰度共生矩阵提取纹理特征的影像因素。本文分别选择3*3，5*5和7*7窗口对比纹理提取的效果，结果表明3*3窗口能较好的反应粗细纹理信息。经实验表明步长为1时提取纹理信息效果较好，灰度级为64级时最佳，得到由均值、方差和对比度三个参量描述纹理的特征图，如图3。

图3 纹理特征

2.1.3 综合梯度

为了保证分割的准确性，充分利用彩色梯度和纹理梯度的优势，可将彩色梯度和纹理梯度进行融合。本文的融合梯度采用线性叠加的方法：

G=w1·MG(x,y)-(1-w1)TG(x,y)

(8)

式中,w1为彩色梯度所占的权重，MG(x,y)为彩色梯度，(1-w1)为纹理梯度所占权重，TG(x,y)为纹理梯度。

经实验表明： 彩色梯度所占权重为0.5，纹理梯度所占权重为0.5时综合梯度图效果最好，如图4。

图4 综合梯度

2.2 形态学滤波

原始的梯度图像中含有许多伪局部极值造成分水岭方法过分割，所以需要对原始梯度图像进行修正，以消除无关中间过渡区域所形成的梯度极小值，即对原始梯度图像进行闭重构运算，该运算能够修正区域的极大值和极小值，减少因细节和噪声造成的位置偏移和因局部极小值过多造成的过分割。结构元素的大小和形状对滤波效果有重要影响，结构元素的大小要小于分割地物，形状与所需提取的地物相同。经试验本文结构元素采用disk形状，大小为一个像元最佳。经过上述处理后影像冠层内部细节被有效抑制，并且消除了背景噪声。

2.3 标记的提取

标记分水岭算法取得良好结果的决定性因素是标记图像。常见的比较简单的标记提取方法之一是扩展最小变换。本文采用扩展最小变换[19](E-minima)提取标记，它的本质是一个形态学阈值算子，能将大多数无关小区域记为0。梯度图像G经过高度阈值为h的扩展最小变换运算如下：

E=EM(G,h)

(9)

E为输出的二值图像。具体算法过程为：局部极小值与h进行逐一比较，将盆深大于h的局部极小值标记为1，其他标记为0，最终形成一幅二值标记图像。

由于树冠内部结构的不规则性，直接应用分水岭分割时树冠内部仍然存在许多伪局部极小值，最终造成同一树冠内部形成多个分割对象，即过分割，如图5为影像检测出来的所有局部极小值。

图5 局部极小值

为了减少伪树冠顶点造成的干扰，提取树冠顶点部分作为标记，如图6，可以看出，大部分的树冠顶点都被标记出来了，从而减少了过分割。

图6 树冠顶点标记图像

得到树冠顶点标记图像后，便可对原来的梯度图像进行强制极小值变换过程，即用腐蚀运算修改该梯度图像，并将提取的标记强制作为梯度图像的局部极小值，而屏蔽掉原梯度图像中一些无关的局部极小值，从而实现梯度重构。

3 实验结果与分析

3.1 算法性能评估

为了有效评估改进的结合形态学滤波的基于标记的分水岭算法的性能，本文以输电线下行通道的冠层区域的数据作为实验数据，同时采用传统的分水岭分割算法和文中提出的结合形态学滤波的基于标记的分水岭算法进行试验，并对结果进行比较分析。主要是从冠层面积和空间分布两个方面进行比较。另外，通过目视解译的形式，获得研究区冠层的精确面积作为参考。

3.2 实验与分析

为了验证本文方法的分割效果，本算法在Matlab中编程，实现本文所述的改进的分水岭的变换，对输电线下行通道的林区图像进行分割。最终结果去除面积很小的无关区域。

实验的原始影像、基于传统的分水岭分割算法得到的结果和结合形态学滤波的标记分水岭算法得到的结果分别如图7。

由于树冠内部结构的不规则性，梯度图像中含有许多伪局部极值所以传统的分水岭方法过分割，所以结果不做分析。

从图7a可以看出，采用传统分水岭方法过分割严重；图7c和图7d，为采用本文方法得到的结果，大多数都位于树冠的边缘，只有极少部分因为树冠之间的重叠遮挡没有分割开或者被漏分。

为了进一步验证其准确性，将改进后的算法结果与目视解译结果，见图7e和图7f所示，在提取树冠个数、最小面积、最大面积、总面积四个方面进行了对比，得到表1。在个数方面，目视解译共提取了141个树冠，而采用本文方法提取了163个树冠，误提率15.6%；在最小面积方面，本文算法由于提取了较多小区域，导致提取的树冠最小面积比目视解译面积小；在最大面积方面，由于个别树冠并没有被分割开，导致提取的最大面积大于目视解译提取的最大面积；在总面积方面，由于本文方法产生了较多小区域和个别没有被分开的树冠，导致总面积大于目视解译的总面积。总体上本文分割结果较准确，尤其是在提取冠层个数方面。

a) 原始影像 b)传统的分水岭方法分割结果

c) 改进算法分割结果

d) 分割结果叠加在原始影像

e) 目视解译结果

f) 目视解译结果叠加到原始影像

表1 实验结果统计提取方法提取个数/个最小面积/m2最大面积/m2总面积/m2目视解译1410 7305 48391 963算法提取1630 5637 260123 145

4 结果与讨论

林冠大小是提取森林各种参数的重要依据，通过提取树冠的直径和面积，可估测林分郁闭度、蓄积量、生长量等信息。目前输电线路安全运行的最大障碍就是树木隐患，由于各树种生长周期的不同，当树木生长到输电线路安全距离范围之内就有可能发生线路跳闸故障，威胁到安徽电网的安全稳定。因此，输电线下行林冠的分割研究对研究森林的生长情况、动态变化和架空输电线安全性具有有重要意义。

本文针对在高分辨率影像上，导致分割困难的两个问题，即目标地物和背景地物的纹理特征和形态特征十分显著，导致噪声复杂度急剧增加，给目标地物的高精度分割造成很大困扰和郁闭度较大的林区，同一冠层内部差异性显著，而不同冠层之间的边界模糊的问题，提出了首先构建结合了彩色梯度和纹理梯度的综合梯度，然后采用形态学滤波消除无关中间过渡区域所形成的梯度极小值，同时根据树冠顶端先验信息提取标记，并强制叠加到梯度图像上，最后将上述结果作为初始信息参与分水岭分割，实现高分辨率影像上林区冠层的高精度自动分割。

总体来说本文方法优于传统方法，与目视解译结果相比，本文的分割结果略低于目视解译。

[1] Song Conghe, Band LE.A Model to Simulate the Spatial Patterns of Photosynthetically Active Radiation Under Discrete Forest Canopies[J].CAN J FOREST RES,2004,34(6):1192-1203.

[2] 覃先林,李增元,易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究[J].遥感技术与应用，2005,20(20):228-232.

[3] 赖旭东，戴大昌,郑敏,等.LiDAR点云数据的电力线3维重建[J].遥感学报.2014,18(6):1223-1229.

[4] 张凝,张晓丽,叶栗.基于改进爬峰法高分辨率遥感影像分割的树冠提取[J].农业机械学报,2014,45(12):294-300.

[5] 李江波,彭彦昆,黄文倩,等.桃子表面缺陷分水岭分割方法研究[J].农业机械学报,2014,45(8):288-293.

[6] 王开义,张水发,杨锋,等.基于分水岭和改进MRF 的马铃薯丁粘连图像在线分割[J].农业机械学报,2013,44(9):187-192.

[7] 陈忠,赵忠明.基于分水岭变换的多尺度遥感图像分割算法[J].计算机工程, 2006(23):186-187.

[8] Ahmad J，Malik AS,Xia L,etal.Vegetation Encroachment Monitoring for Transmission Lines Right of Ways: A survey[J].Electric Power Systems Research.2013,95:339-352.

[9] 孙正.数字图像处理与识别[M].北京:机械工业出版社,2014.

[10] 张红民，王一博.一种改进的细胞图像分水岭分割方法[J].重庆理工大学学报：自然科学版，2012,26(11):59-62.

[11] Pierre Soille. Morphological Image Analysis[M].Berlin：Springer Verlag,1998.

[12] Gomzlez RC, Woods RE, Digital Image Processing [M]. New Jersey：Prentice Hall,2008.

[13] Gonzalez RC, Woods RE. Digital Image Processing：Second Edition[M].Beijing：Publishing House of Electronics Industry,2007：123-124.

[14] 余旺盛，侯志强，王朝英，等.基于改进滤波和标记提取的分水岭算法[J].电子学报,2011,39(4):825-830.

[15] 蒋永涛.基于QuickBird影像土地利用信息提取研究[D].成都：四川农业大学，2009.

[16] 邓书斌,陈秋锦,等.ENVI遥感图像处理方法:第二版[M].北京：高等教育出版社,2014.

[17] Haralick RM, Shanmugam K,Dinstein IH.Textural Feature for Image Classification[J].IEEE Transactions on Systems, Man and Cybernetics,1973,3(6):610-621.

[18] 潘洁,李明诗.基于信息量的高等分辨率影像纹理提取的研究[J].南京林业大学学报：自然科学版,2010,34(4):129-134.

[19] Soille P.Morphological Image Analysis:Principle and Applications[M].Berlin：Springer-Verlag,2003.

AutomatedImageSegmentationofForestCanopyAlongElectricTransmissionLine

JI Kun1,SUN Hongbo2,LIU Zhilin1,TAN Hongwu3,WANG Ruirui4

(1.State Grid Anhui Electric Power Company, Hefei 230061, Anhui, China； 2.National Grid General Aviation Company Limited, Beijing 102209, China； 3.Beijing Yupont Electric Power Technology Company Limited, Beijing 100028, China； 4.Department of Forestry, Beijing Forestry University, Beijing 100083, China)

Aiming to the problem that the texture feature and shape feature of object and background were very significant in the high resolution image, which led to a sharp increase in the complexity of the noise, was a great trouble to the high precision segmentation of the object. High canopy density forest, with a canopy of significant internal differences and different canopy between the fuzzy boundaries, which resulted in segmentation difficulties. This paper proposed an automated method to extract forest canopy which integrated morphologic filter and marker-based watershed segmentation.This paper took aerial images as the source data, first time suggested combining color gradient and texture gradient, and then used morphologic filter to eliminate the minimum of gradient which was caused by the intermediate transition zone irrelevant to canopy extraction. Meanwhile, the algorithm extracted the mark information based on the prior knowledge of tree crown, and coercively overlayed the gradient image with the mark information. This method added all the results above to help the watershed segmentation as the initial information, and finally realized the automated segmentation of canopy with high accuracy based on high spatial-resolution imagery. The paper compared the results of traditional watershed segmentation with accurate coverage of canopy acquired through visual interpretation in the researched region, and the experiment proved that traditional watershed algorithm resulted in excessive over-segmentation, whereas the improved watershed algorithm realized the automated segmentation of forest canopy with fairly high accuracy.

morphologic filter；improved；watershed algorithm；color gradient；texture gradient；integrated gradient

2016-12-26

北京林业大学优秀青年教师科技支持专项计划(YX2014-09)；国家自然科学基金资助项目(41201446)。

季坤(1978-),男,研究生,研究领域为输电线路专业管理方面的研究。

TP 79；S 771.8

A

1003-6075(2016)04-0042-07

10.16166/j.cnki.cn43-1095.2016.04.009