基于无人机多源遥感的输电线下树冠分割方法研究

孙鸿博，杨 扬，郭可贵，谭弘武，于旭宅，王瑞瑞

(1.国网通用航空有限公司，北京 102209； 2.中国电力财务有限公司,北京,100005； 3.国网安徽省电力有限公司检修分公司，合肥，230061； 4.北京煜邦电力技术股份有限公司，北京，100028； 5.北京林业大学精准林业北京市重点实验室，北京，100083)

引言

近年来，我国林业产业发展迅速，加之国家退耕还林政策实施以及对环保要求的提高，林区架空输电线路通道下的树木对线路安全运行的威胁已变得十分突出。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，威胁到整个输电线网的安全稳定。通道内种植的树木种类多样，各树种生长周期不同，导致输电线通道林木隐患及维护工作十分困难，因此如何准确判断通道内树木种类并进行生长预测对林木隐患的自动排查和预警具有重要的意义。

激光雷达技术[1-2]是一种全新的遥感技术，通过集成惯性测量单元(IMU) /DGPS差分定位产品，可高效、快速获取三维空间信息。而且这种技术具有自动化程度高、受天气影响小、数据生产周期短、精度高等特点，可广泛应用于电力巡线、三维测量、森林资源调查等领域。

无人机在目标研究区获取的遥感影像分辨率高、数据量大，并且不受云层遮挡的影响；无人机尺寸小，携带方便，不需要驾驶舱位，只要人员在地面遥控操作。无人机遥感技术具有低成本、灵活方便、高时效、高分辨率等特点，在资源调查和灾害监测方面有着巨大的应用价值[3-4]。

无人机多源遥感数据及森林信息获取方面都有巨大的应用。李明泽、王佳等[5-6]利用数字摄影测量系统，先对航空影像进行拼接、定向等处理，然后在立体像对模型上进行测图，分别量测树梢和树木根部，得到树木高度，精度达到90%，满足林业调查和规划的需要；Zarco[7]利用无人机获取到研究区的影像，采用三维自动重建方法生成数字表面模型估测树高，与实际树高相关系数为0.8;韦雪花[8]利用激光点云数据和航空高分变率多源数据，提取出单木冠幅及树高;Lisein[9]利用无人机影像和机载激光雷达数据建立落叶松林冠层数字表面模型，研究表明这两种数据相结合在获取林冠信息方面工作效率得到有效提高。

1 方法及模型

激光雷达点云数据能够精确构建树木形态，多光谱数据能够提取出树木光谱及纹理方面的特征，结合二者的优势，可以极大提高树种分类以及树木高度模拟的精度。本文基于无人机多源遥感数据对输电线下树冠进行分割，技术路线如图1。

图1 技术路线图

1.1 由LAS点云数据提取树木冠层形态特征

数字高程模型(Digital Elevation Model,DEM)是基于地球表面地形的规则格网点的平面坐标(X,Y)及其高程(Z)的数据集，主要用来描述区域地形地貌的空间分布，记录的是纯粹的地表信息,而机载激光雷达系统可直接透过地物，获取地表的回波信息[10]。通过LiDAR数据获取的地表信息比较接近真实的地表形态，依此建立的DEM能很好地描绘出该区域的地形地貌。高精度的DEM既可直观地展示一个地区的地形地貌，还可派生出等高线、坡度图等地形绘制信息，同时也为遥感数据深加工、各种地形特征的定量分析提供了基本数据，其获取意义重大。

数字表面模型(Digital Surface Model, DSM)用来描绘地表最上层的高度变化，可以包含丰富的地物表面信息，其中包括道路、房屋、植被、桥梁等一切在地球表面的地物，可以作为地物识别、分类和三维重建的重要数据基础[11-12]。因为首次回波是激光脉冲碰到地物的最顶端返回被传感器接收到的信息，可以依此来生成高精度的DSM。

通过DSM和DEM作差得到的正规化数字地表高程模型(normalized Digital Surface Model, nDSM)，是去除地形背景后地物的真实高度，在林区nDSM可以看作是树冠高度模型(Canopy Height Model, CHM)可以用来直接获取林木树高。

得到冠层高度模型(CHM)之后，利用区域极值滤波得到研究区所有单木树冠顶点，然后利用Delaunay三角剖分生成Voronoi图得到单木树冠范围。

1.2 由多光谱数据提取树木光谱特征

植被的光谱特征能够将其在遥感影像上有效地与其它地物相区别，其具有的近红外强反射和红光强吸收的特征为植被信息提取提供了强有力的依据。由于无人机多光谱数据包括红、绿、蓝、近红外波段，利用红波段、和近红外波段提取研究区的光谱特征归一化植被指数(Normalized Difference Vegetation Index，NDVI)[13]，其计算如公式(1)所示。

(1)

其中，NIR为近红外波段反射率值，R为红波段反射率值。

1.3 利用树木冠层形态特征和光谱特征，比较获得树木冠层分割结果

由于Voronoi[14]初始分割结果中很多非林区的无效区域也被分割出来，所以为了去除这些无效区域,利用区域滤波得到所有的单木树冠顶点高程值和该点的NDVI值一一进行比较，如果单木树冠的高程值所对应的NDVI值≤0.3，则该点所对应的单木树冠范围即为无效范围，并去除该范围；如果单木树冠的高程值所对应的NDVI值>0.3，则该点对应的单木树冠范围为有效范围，并进行保留。

利用CHM和NDVI结合，判断出了树木的顶点，并利用Voronio图进行空间分割，基本可判断出树冠的范围，利用统计每个树冠多边形内CHM和NDVI的情况，可以将非树木进行剔除，得到有效的单木树木顶点及树冠多边形。

2 实验及结果

研究区位于安徽省池州市东北部的锦苏线下行通道，地理位置为117°48′—117°54′E， 30°40′—30°41′N，地跨池州市和青阳县，东西长约9 500 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，主要树种有泡柳、松树、水杉、毛竹和杂木。

所用基础数据包括：LAS激光LiDAR点云数据和多光谱遥感数据，这两类数据分别由无人机搭载的激光LiDAR扫描仪以及多光谱相机获得。LAS点云密度约0.05 m，多光谱影像地面分辨率约0.1 m。

LAS激光LiDAR点云数据，进行初步分类，选取其中2，3，4，5类别的数据。其中2 Ground类别为地面点；3 Low Vegetation，4 Medium Vegetation，5 High Vegetation类别分别为低、中、高植被。该数据用于提取树木高度。

多光谱数据，由蓝、绿、红以及近红外四个波段组成。其中红光波段范围630～640 nm，近红外波段范围700～710 nm。该数据用于提取树木光谱特征和纹理特征。

按照本研究技术路线所示，重要的中间节点有以下三个：①CHM，②NDVI，③Voronio图。

2.1 生成数字树冠高度模型CHM

实验区的原始影像如图2，实验区LAS点云三维模型如图3。

图2 实验区原始影像图

图3 实验区LAS点云3D模型

利用Terrasolid软件的TerraModeler模块，将地面点(图4)通过不规则TIN格网插值生成DEM(图5)，将低、中、高植被首次回波点(图6)插值生成DSM(图7)，然后利用ERDAS IMAGINE 9.1的interpreter模块下的实用工具Morphological Operators对DSM和DEN进行减法运算，得到高程归一化后的CHM(图8)。

图4 LAS地面点

图5 DEM

图6 LAS低、中、高植被点

图7 DSM

图8 CHM

2.2 生成NDVI

用ENVI5.3中的band math工具将红波段和近红外波段进行比值运算得到归一化NDVI，其计算结果如图9所示，其中实验区标准假彩色显示结果如图10所示。

图9 NDVI(白色高、黑色低)

图10 多光谱假彩色合成显示

2.3 生成Voronio图

得到冠层高度模型(CHM)之后利用区域极值滤波得到研究区所有单木树冠顶点，然后利用Delaunay三角剖分生成Voronoi图进行空间分割，基本得到单木树冠范围(图11)。由图11可看出非林地部分(农田区域、道路)也被分割出来，统计每个树冠多边形内CHM和NDVI的情况，剔除非树木，得到有效的单木树木顶点(图12)及树冠多边形(图13)。

图11 树冠范围提取结果

图12 树顶

图13 有效树冠

3 结论

通过不规则TIN格网方法将地面点数据和低、中、高植被分别插值生成DSM和DEM，对其作差值运算得到冠层高度模型(CHM)，然后结合CHM和NDVI，判断出了树木的顶点；利用Voronio图进行空间分割，基本判断出树冠的范围，最后将非树木进行剔除，得到有效的单木树木顶点及树冠多边形。利用上述方法对无人机多源遥感数据进行处理，能够快速提取输电线下树木的高度与覆盖宽带，该方法能充分利用激光雷达点云数据精确构建树木形态特征和多光谱数据提取树木光谱特征。