CN109033967A - 一种林木密闭度测算的方法和装置 - Google Patents

Abstract

本发明的实施例提供了一种林木密闭度测算的方法和装置，可方便测算林木密闭度。所述方法包括：获取纵向林木切面图；计算整幅或给定区域图阈值；确定前景或背景；根据确定的前景或背景把图像归为树体和非树体两类；统计树体占比确定林木密闭度。根据本发明的实施例，可方便、准确地确定林木密闭度。

Description

一种林木密闭度测算的方法和装置

技术领域

本发明涉及森林经理领域，尤其涉及一种林木密闭度测算的方法和装置，其可用于对森林进行调查预测、森林经营、防护林以及生态效果评价等方面。

背景技术

林木密闭度就是林木占有纵向生长空间的大小，通常用林木纵断面上的林木面积和与总纵断面面积的比值来表示。它是林木之间纵向遮蔽程度的一个衡量指标。

郁闭度是林分的重要调查因子，它反映了树冠之间的相互遮蔽程度；但是，树木是生长在空间中的，不仅有树冠，还有树枝，也有树干，而这种林木间的纵向竞争因子长期没有得到足够的重视，究其原因，主要是不好表述，难于测量。随着技术的进步以及人们对了解林木群体状态等需求的增加，林木密闭度精确测量方法受到关注。林木密闭度是一个衡量和测算指标，其应用范围较为广泛，主要表现在如下几个方面。

1、林分的生长状态。如果是人工林，人们会按着一定的株行距植树，初始时的林木密闭度是一致的；但是，随着林木的生长，其横向和纵向逐渐出现差异，林木密闭度将逐渐发生变化，显而易见，林木密闭度越大其生长状态越好。天然林也同样，密闭度大的林分生长状态较好，表明个体获得了更多的生长空间。但是由于林木间存在竞争，林木不会向无限密集方向发展，当密闭度达到一定数值后将保持稳定，此时拥有最大的生物量。

2、森林碳储量估计。碳储量的多少间接反映了某一立地条件的好坏，在全球气候变暖大背景下，固碳效果成为人们关注的指标。碳储量的直接测定方法就是取回目标地域上全部植被称重、烘干、求碳，该法虽然准确但具有极大的工作量与破坏性，迫使人们不得不更多的采用间接方法求碳，其中的统计模型估计是常用方法，而胸径是常用变量。毋庸置疑，林木密闭度可作为林分碳储量预估的重要指标之一。

3、防护林效果评估。防护林是人为划定的是以防御自然灾害、维护生产、改善环境等为主要目的的森林群落，包括天然林但以人工林为主。一般意义上说，林木密闭都大，表明林木生长状态良好，其防护效果也会更好。无论风速降低效果、水土流失量、粮食增产量等，在定量评估这些指标与防护林关系时，由于林木密闭度这一指标直接有效、相对而言又便于测量，人们很自然的会使用它。

4、生态作用评价。生态环境与人类生存息息相关，水热资源条件、人均耕地面积、植被覆盖度等都是生态作用评价的重要指标。但是，如果提起陆地生态系统，人们首先想到的是森林，良好的森林生态系统能够为人类营造适宜的生存空间。而森林生态系统的主体是林木，如何评价林木的好坏？好的林木是健康的、是枝繁叶茂的，胸径、树高是人们常用的指标，实际上，林木密闭度与人类头脑中对树木生长好坏的感觉更直接。

这里仅仅给出林木密闭度几个常见的应用领域，由于林木密闭度是林分和林木间关系的一个衡量和测算指标，与胸径、树高、郁闭度一样，它是林业、农业、生态、环保等领域中的一个常用调查因子，在涉及林木的测算、预估、评估、评价等方面都有大量的应用。

截止到当前，林木密闭度的估计方法，主要包括目测估计、模型估计、图像分析方法等等，每种方法都各有优缺点。

目测估计是当前林分密闭度测定的最常用方法，测定人站在林木高度1-2倍的距离内，目测林木纵断面上树木占总面积的比值，这种方法简单易行，不受时间等的限制；但是需要测定人员有一定经验，同时这种方法也不够精确。

把胸径、枝下高等做自变量，通过经验模型进行估计。本方法的优点是根据林业调查数据即可计算出林木密闭度，不需要额外的附加调查；但是这是一种间接估计方法，所得结果的精度不高。

发明内容

本发明的实施例提供了一种林木密闭度测算的方法和装置，可方便测算林木密闭度。

本发明的实施例提供了一种林木密闭度测算的方法，包括：

获取纵向林木切面图；

计算整幅或给定区域图阈值；

确定前景或背景；

根据确定的前景或背景把图像归为树体和非树体两类；

统计树体占比确定林木密闭度。

所述计算整幅或给定区域图阈值具体包括：

如果g是m×n图像中第x(x＝0,…,m×n)个像素的灰度，其取值范围[0,255]，遍历全部像素，得到了一个大小为256的一维数组即灰度直方图、t是[0,255]之间的某一个灰度级，u_1t是g≤t的灰度平均值、u_2t是g>t的灰度平均值，定义

则当t从0至255变化时，使(1)式值最小的t值即选为整幅或给定区域图的阈值t_θ；其中，

所述确定前景或背景具体包括：

规定以当前焦点像素为中心距离该点r(r≤2)以内的方形内，当小于全局阈值的像素数之和在3r²+2r和4r²+2r之间时，把焦点像素判断为前景，否则定义为背景。

所述统计树体占比确定林木密闭度具体包括：

根据前述的图像分类结果，统计属于树体的像素数之和，则它与整幅或给定区域内总像素数的比值即为本幅或给定区域内的林木密闭度。

本发明的实施例还提供了一种林木密闭度的测算装置，包括：

获取图像单元，用于获得纵向林分图像；

计算单元，用于计算整幅或给定区域图阈值；

前景或背景确定单元，用于确定前景或背景；

归类单元，用于根据确定的前景或背景把图像归为树体和非树体两类；

统计单元，用于统计树体占比确定林木密闭度。

根据本发明的实施例，可方便、准确地确定林木密闭度。

附图说明

图1a、图1b、图1c分别示出了的坡下摄影、平地摄影、坡上摄影而获取纵向林木切面图的三种情形；

图2是本发明实施例的测定林木密闭度的流程；

图3是本发明实施例的测定林木密闭度的装置。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图描绘本发明的实施例。

实施例一

本发明提供了一种操作简单，结果准确，使用条件宽泛的林木密闭度测算的方法和装置。

本发明的密闭度测算是基于图像的一种估计方法，欲从图像中估计出林木密闭度，首要的任务是从图像中分辨出林木，因此，接下来我们首先介绍本发明在抽取树木图像中依据的理论基础，然后是针对林木密闭度估计所进行的算法改造，最后是本发明的使用方法与注意事项。

为了更好的说明理解林木密闭度测算的方法，下面首先介绍一下其基础知识。

人们对10cm、2kg等长度或重量单位有清晰的感觉，但是对于信息量，大多数人的感觉似乎很熟悉但又很模糊，实际上，在上世纪40年代香农给出信息量的单位和定义前，人们的确不清楚如何计量信息。假设ξ是一个离散型随机变量，其取值集合为X，概率密度函数为p(x)＝P(ξ＝x)，x∈X，定义事件ξ＝x₀的信息量为：

从这个定义可以看出，信息量与概率相关，一个事件发生的概率越大，则它所携带的信息量就越小。如果把一个随机变量ξ的所有信息量的可能取值的期望E[I(x)]记为c(ξ)，

则c(ξ)就称为熵。实际应用中，p(x)是往往是非连续型随机变量，此时熵由下式计算：

为避免定义域超界，规定当p(x)→0时，有p(x)logp(x)→0。

进一步，当p，q是两个相同事件测度的概率分布时，则它们在给定样本集上的交叉熵定义如下：

整幅或指定区域的图像分类方法

如果找到图像中的一个灰度t_θ，通过如下方法把图像变为只有两个灰度级的新图像I_new：

新旧图像间满足如下约束：

显然，h_g是灰度为g的像素数即灰度直方图、u₁是g≤t_θ的灰度平均值、u₂是g>t_θ的灰度平均值时，容易满足(6)式的约束条件。其中，

二值图像分类角度，(6)式中①成立并没有什么实际意义，所以在通常情况下，人们往往把u₁、u₂定义成灰度的最小和最大值。参考交叉熵的形式，定义下式

其中t_θ＝min(d_t)即为所需要的门限值。很明显，gh_g不是概率，仅仅是引用交叉熵的形式而已。尽管按照这种方法在整幅图像上操作可以取得一定的效果，但很多时候却不一定尽人意，因此，可采用以下的计算式：

及

本实施例提供了一种林木密闭度测算的方法，如图2所示，具体方法如下：

步骤101、获取纵向林木切面图；

本发明是测算图像中的林木密闭度，因此，图像获取一定是自己关心区域的图像。具体地说，可用任何摄像设备获取纵向林木切面图，如，手持照相机或手机，观察取景窗或液晶显示屏移动距离或调焦，使从成像面中心经过照相机光心的射线与树干1/2处相交，保证目标林木区域全部出现在图像中拍照即可，其中，图1a、图1b、图1c分别示出了的坡下摄影、平地摄影、坡上摄影而获取纵向林木切面图的三种情形。

或者，使用全景拍摄模式，采取使镜头与地面大体保持平行的方式移动摄影获取林木场景图像。目前很多智能手机或照相机具有全景拍摄模式，摄影者用镜头扫描经过的空间，则画面被自动拼合起来，使取景范围得到极大的扩充，这对于生长在平缓地势上的林木没有任何问题；而在山区，如果水平移动摄影设备，可能会在图像中出现过多的山丘或者林木不能摄取到的情况，此时，可以采取使镜头与地面大体保持平行的方式移动摄影。但是，它带来的另外一个问题是在图像上或下边缘出现空白区域，其解决策略是通过交互式方式人为给出图像中的目标区域即可。

步骤102、计算林木密闭度测算中的初始阈值

根据本发明的实施例，本发明使用最小交叉熵方法获取整幅图像的阈值。通过大量的图像测试发现，对于林分密度相对较大的图像，采用(10)式计算最小交叉熵的分类结果较好；而较小林分密度的图像可以使用(9)式计算阈值。需要注意的是，由于交叉熵计算式中有对数以及分母形式，实际计算可能出现定义域超界，因此，如果自己编写处理代码，一定要予以考虑。

具体而言，如果g是m×n图像中第x(x＝0,…,m×n)个像素的灰度时，如在C++语言中通过h_g++遍历全部像素，就得到了该图像的灰度直方图，此时，h_g是灰度为g的像素数。我们日常见到的大多图像，其灰度范围(即h_g中g的取值范围)为0-255，通常0为黑、255为白。假设t是[0,255]之间的某一个灰度级，u_1t是g≤t的灰度平均值、u_2t是g>t的灰度平均值，定义

则当t从0至255变化时，使(11)式值最小的t值即选为整幅或给定区域图的阈值t_θ；其中，

按照上式可确定整幅或给定区域图的阈值t_θ。

步骤103、确定背景或前景，

按着前面的图像交叉熵方法所获得的阈值t_θ对图像进行全局性二值化分类，很多情况下能得到不错的结果。但是由于各像素是独立考虑的，当全局阈值确定后，所有像素都与之比较以决定归属，常常出现树体像素被判断成背景，而非树体像素被判断成前景的情况。

现在的问题是，只要是树木内部的像素点不论灰度值多少都希望归为树木类里，即判为前景；而树木外部的像素无论如何都希望将其归为背景类。一种解决策略是考虑相邻像素并采取一定的措施。

考虑上下左右各r个像素，如果我们规定以当前焦点像素为中心的方形内，小于阈值的像素数υ>r(3r+2)时判为前景，否则定义为背景。如表1所示，当r＝2时，则像素a b c do e f g h将全部判断为前景，此时空洞完全被填充了；如果r＝1，则a c被判断为前景，其它判断为背景。而对于后面表2的情况，不论r＝1还是r＝2，u w v均被判为背景。可以看出，对于物体内部，如果考虑临近周边像素情况，适当的半径与判断准则对树体有填充效果；而物体外部正好相反，对其入选前景像素具有抑制作用，这与我们的实际问题相符合。

在最小交叉熵基础上，结合邻域像素特点进行分类应该能够得到较为满意得结果。例如，针对阔叶树种山杨(Populus davidiana)纵剖面图及最小交叉熵与改进的结果。直接使用最小交叉熵法的计算结果，此时计算得到的前景面积占比为77.72％；在获取阈值时采用了同样的方法，但是在分类时，不是针对单个像素，而是考虑了当前像素与邻域内像素的关系。邻域半径取1，当邻域内的前景像素数大于4归为前景，此时前景面积占全部面积的比例为78.21％，增加了0.49％，仔细观察会发现，树体内部填充了很多像素而树体外部很多像素被忽略。

更加清晰起见，对于针叶树中的樟子松(Pinus sylvestris var.mongolicaLitv.)的一个实际图像的计算结果。由于树冠、叶片等的相互遮挡，树体内部光线不均，加之噪声的存在，通过最小交叉熵法及与进一步考虑周围像素的结果比较，致使树干内部不同区域出现过暗或者过亮的斑点，利用最小交叉熵法，这些亮点可能区分成背景。在判断时，加入周围其它像素信息后，这种误判将有所改善。

这种方法对邻域的半径大小和区域内多少像素为前景时把当前像素判断为前景的入选准则很敏感，如果这两个参数选择不当，将出现较大的误判情况。根据我们的经验，邻域半径以不大于2为宜，入选准则在3r²+2r和4r²+2r之间较为合适。

因此，综上所述，邻域半径与入选准则的确定很重要，它关系着分类的成败。从我们测试的一些针叶树和阔叶树情况看，邻域半径选取1即考虑3×3的区域、区域内目标像素的占比达到0.8左右判为前景，一般会得到较好的结果。

步骤104、根据确定的前景和背景把图像中像素归为树体和非树体两类

也就是说，将前景图像素归为树体，将背景图像素归为非树体。为了更加清晰起见，当g被判为前景时将其值设置为0，当g被判为背景时设置成255。分类后，图像变为信息明确的二值图。

步骤105、统计树体在整幅图像中的面积占比

如果树体像素总和为num，整幅或给定区域图像的像素数为sum，每个像素的长、宽分别为αmm和βmm，则本幅或给定区域图像代表的林木密闭度ρ计算如下：

可以看到，当我们能够准确的分辨出树体与非树体时，林木密闭度估计仅仅是统计像素数问题。

统计已经进行分类的二值图像，其前景像素数占整幅图像的百分比即为该幅图像所代表林分的密闭度。准确起见，在使用时建议拍摄不同角度图像，并以多个密闭度平均值代表最终的林木密闭度。

实际应用中，图像中地平线以下的部分信息复杂，不仅有树木还有土地、群山，对于距离目标物较远的山丘、大地等通常在分类中会被置换成背景，但是如果它们距离目标物很近，则可能影响密闭度结果。例如，如果使用整幅图来测算密闭度，地形地貌将(如大地部分)严重影响了最终的计算结果。

这对这种情况，有2种解决策略：一种是摄影时适当抬高镜头的仰角，使图像中出现的全部是所需要的目标物即林木；另外一种方法，在林木密闭度测算前，用交互方式主动给出地平线上2点，则软件将不考虑地平线下的内容。

由于地形起伏或使用全景模式拍摄的图像，地平线不是直线，此时使用交互式方式更能得到准确的结果，即通过人为方式给处一个多边形，软件仅统计所给多边形内部的密闭度。

根据本发明的实施例，当需要某一个区域的林木密闭度时，也可以通过这种交互式的方式得到数据，这样还可以容易满足进一步的工作需求。

实施例二

如图3所示，本实施例提供了一种林木密闭度的测算装置，包括：获取图像单元301，用于获得纵向林分图像；计算单元302，用于计算整幅或给定区域图阈值；前景或背景确定单元303，用于确定前景或背景；归类单元304，用于根据确定的前景或背景把图像归为树体和非树体两类；统计单元305，用于统计树体占比确定林木密闭度。

根据本发明实施例，每当遇到壮丽的山水、美味的菜肴等，很多人都习惯性的拿出手机拍照，而进入手机的图像是林分时，我们也就上可得到它的密闭度。当然，手机仅仅是图像获取的一种工具，不限于手机，只要是林分图像利用本发明就可以抽取出其密闭度，即：首先计算图像的信息熵，然后分析当前焦点像素与周边像素的关系，最后统计计算得出所摄林分的密闭度。

本实施例的各个单元的工作原理可参见实施例一的描述。

虽然通过实施例描绘了本发明，但本领域普通技术人员知道，在不脱离本发明的精神和实质的情况下，就可使本发明有许多变形和变化，本发明的范围由所附的权利要求来限定。

Claims (5)

1.一种林木密闭度测算的方法，其特征在于，包括：

获取纵向林木切面图；

计算整幅或给定区域图阈值；

确定前景或背景；

根据确定的前景或背景把图像归为树体和非树体两类；

统计树体占比确定林木密闭度。

2.根据权利要求1所述的方法，其特征在于，所述计算整幅或给定区域图阈值具体包括：

如果g是m×n图像中第x(x＝0,…,m×n)个像素的灰度，其取值范围[0,255]，遍历全部像素，得到了一个大小为256的一维数组即灰度直方图、t是[0,255]之间的某一个灰度级，u_1t是g≤t的灰度平均值、u_2t是g>t的灰度平均值，定义

则当t从0至255变化时，使(1)式值最小的t值即选为整幅或给定区域图的阈值t_θ；其中，

3.根据权利要求2所述的方法，其特征在于，所述确定前景或背景具体包括：

规定以当前焦点像素为中心距离该点r(r≤2)以内的方形内，当小于全局阈值的像素数之和在3r²+2r和4r²+2r之间时，把焦点像素判断为前景，否则定义为背景。

4.根据权利要求3所述的方法，其特征在于，所述统计树体占比确定林木密闭度具体包括：

根据前述的图像分类结果，统计属于树体的像素数之和，则它与整幅或给定区域内总像素数的比值即为本幅或给定区域内的林木密闭度。

5.一种林木密闭度的测算装置，其特征在于，包括：

获取图像单元，用于获得纵向林分图像；

计算单元，用于计算整幅或给定区域图阈值；

前景或背景确定单元，用于确定前景或背景；

归类单元，用于根据确定的前景或背景把图像归为树体和非树体两类；

统计单元，用于统计树体占比确定林木密闭度。