CN115854895A - 一种基于目标立木形态的非接触式立木胸径测量方法 - Google Patents

Abstract

本发明提供一种非接触式立木胸径测量方法，包括：获取二维图像和测量装置到目标立木表面的测距值作为输入数据；识别在自然场景下获取的二维图像中的树干区域，包括：首先建立感兴趣区域图像，确定目标立木在图像中的位置并由此创建裁剪后的感兴趣区域图像；然后基于自构建数据集所训练的树干区域识别模型处理感兴趣区域图像，识别树干区域；树干倾斜度检测及在二维图像中的胸径长度计算，建立DBH计算模型，计算目标立木的DBH。本发明结构简单，能够在多种复杂环境下准确、有效的提取图像中目标树干区域，兼顾树干形状特征和生长特征，有效提高DBH的测量精度。

Description

一种基于目标立木形态的非接触式立木胸径测量方法

技术领域

本发明涉及一种非接触式立木胸径测量方法，更具体地，涉及一种基于目标立木形态的立木胸径测量方法，属于林业结构参数测量领域。

背景技术

作为评价立木乃至林分水平生长状态的重要参数，胸径(Diameter at BreastHeight,DBH)测量始终是森林资源调查工作中的重要内容。实现对林分水平下胸径的每木检尺工作，不仅能够作为在林分水平估计树高、冠层高度和森林材积等其他结构参数的重要输入，同时在森林生物量估计以及揭示森林碳循环、碳流动甚至全球气候变化中也起到重要作用。

胸径被定义为立木树干距地1.3m处树干的直径。传统的胸径测量方法一般以测径卡尺和胸径围尺为主，虽然其测量精度较高且常被视为真值，但这些工具在测量时常存在费时费力的缺陷，并依赖于林业技术人员自身的观测水平。不同于上述传统接触式测量方法，近年来所发展的基于遥感传感器的非接触式测量方法极大地丰富了胸径测量手段，其自动化的数据处理模式和较高的测量精度使其在部分森林资源调查任务中已有所应用。

在基于点云数据来重建树干三维轮廓并估计立木结构参数的非接触式方法中，根据点云获取方式的不同，分为基于主动传感器和被动传感器两种模式。被动传感器一般通过单目或双目视觉衍生的机器视觉方法在目标区域中根据规划路线采集多帧图像，利用图像匹配和基于运动恢复重构技术生成高密度点云以实现对目标区域三维场景描述和参数估计。虽然这种数据采集和处理模式能够满足一定精度需求且成本较低，但自然森林中复杂的环境条件始终制约着这种方法的应用与拓展。此外，数据处理过程中基于运动恢复重构技术往往是一项耗时任务且对计算机性能具有一定要求，这也进一步限制了这种方法的有效应用。

相较于利用被动传感器并基于机器视觉技术的数据获取方法，基于离散激光雷达(Light Detection and Ranging,LiDAR)所衍生的地面激光扫描或是移动激光扫描等数据采集方法能直接主动获取目标区域三维点云信息并进行植被结构参数反演。随着目前激光雷达数据采集和点云数据处理算法的发展，利用离散点云估算目标区域结构参数已达到较高精度。尽管如此，基于LiDAR点云数据估算结构参数的方法依然在数据处理、硬件花费和便携性上存在一定缺点。虽然目前LiDAR 数据要采集和处理方法已较为成熟，但复杂的数据处理方法产生了一定的隐性成本；此外，LiDAR硬件成本较高且相比于传统测量工具较为笨重，这进一步限制了LiDAR作为一种新兴技术在森林资源调查中的应用。

不同于基于三维点云数据估测DBH，利用相机获取包含目标树的二维图像并基于相机成像原理对DBH进行非接触式测量的这种思路已有相关研究。然而，由于始终受制于数码相机和图像处理算法的发展，这种基于二维图像进行DBH测量的方法仍需要被优化改进。首先，现有的基于二维图像估计DBH的方法依赖于对图像中树干区域的分割提取，虽然部分研究通过传统的阈值分割算法或是手动选定识别了树干区域，但自然森林中复杂多变的环境条件限制了传统图像分割算法的普适性，而手动识别树干虽具有较高的准确度，但这种操作方式无疑降低了测量效率且对测量人员专业素质提出了更多的要求，因此如何实现自动化且具有较强普适性的树干识别算法尚需解决；其次，利用二维图像实现DBH非接触式测量一般基于光学成像模型并结合深度信息建立空间转换关系实现，而现有DBH测量模型仅是对光学成像原理的简单应用，并未系统性考虑自然条件下立木形态特征，降低了在自然森林下的适用性和测量精度，因此，需要开发新的DBH计算模型以兼顾目标立木形态对测量的影响。

发明内容

针对上述问题，本发明的目的是提供一种基于二维图像并能在多种林分下进行DBH非接触式测量的方法。首先，该方法利用激光测距仪获取的深度信息建立图像空间到真实三维空间的空间转换关系；其次，结合测量特征并借助相关深度学习开源框架，本方法能够在多种复杂场景下自动识别图像中树干区域；最后，基于光学成像原理并结合立木树干形状特征及其倾斜方向建立准确的DBH计算模型，从而提高DBH测量精度。

为解决上述技术问题，本发明提供技术方案如下：

一种非接触式立木DBH测量方法，其特征在于，包括以下步骤：

步骤一：获取二维图像和测量装置到目标立木表面的测距值作为输入数据；步骤二：识别在自然场景下获取的二维图像中的树干区域，包括：首先建立感兴趣区域图像，确定目标立木在图像中的位置并由此创建裁剪后的感兴趣区域图像；然后基于自构建数据集所训练的树干区域识别模型处理感兴趣区域图像，识别树干区域；步骤三：树干倾斜度检测及在二维图像中的胸径长度L_pixel计算，L_pixel如下式所示：

其中，d_left和d_right分别为树干区域重心到树干边缘轮廓的两条拟合直线的距离，α和β分别为二维图像中树干边缘轮廓的两条拟合直线相对于水平线的倾斜角度；

步骤四：建立DBH计算模型，计算目标立木的DBH，包括：建立光学成像模型，如下式：

其中，成像光线与树干表面的两交点和形成的夹角被分别设为A、 B以及2α，f为测量装置焦距；d_l为测量装置到交线AB的距离；DBH_l为交线AB的长度；建立DBH计算模型，计算目标立木的DBH，如下式：

/>

其中，目标立木中心被表示为O，d为测量装置到目标立木表面的距离，d_c为测量装置到目标立木中心O的距离。

进一步的，其中，步骤一中测量装置为相机与激光测距仪集成的装置，通过相机获取二维图像，通过激光测距仪获取测距值。

进一步的，其中，步骤二中确定目标立木在图像中的位置通过定位激光测距仪工作时在树干上形成的光斑确定，创建裁剪后的感兴趣区域图像通过以光斑坐标为中心将原始图像高宽为m×n像素裁剪为高度为200像素、宽度为n像素的图像。

进一步的，其中，步骤二中通过考虑自然场景下多种环境因子来自构建训练数据集作为输入，来保证所训练模型对不同场景的适应能力，识别模型基于深度学习U-Net网络训练实现。

进一步的，其中，将激光测距仪工作时在树干表面形成的光斑作为识别特征来定位目标立木在图像中的位置，包括，首先将原始图像由RGB空间转为HSV空间，通过设置经验全局阈值输出二值图像，以提取所有潜在为光斑的像素；随后计算每个像素块的一阶矩以获取相应的重心坐标，表示像素块在图像中的位置；假设光斑重心分布于图像中心区域且相对孤立于其他重心点，则由此建立提取光斑重心的归一化表达式：

其中，

为所有潜在的像素块重心点数量，通过统计图像中重心点总数计算得到；n_p为设置搜索半径后靠近第p个重心点的其他重心点数量，用于衡量当下重心点的孤立程度，通过统计第p个重心点搜索半径内的重心点个数确定；m为全局权重因子，设置为100；d_image为到图像中心的最远像素距离，在相机确定后为定值，即图像中心到图像四个角点的像素距离；d_p为第p个重心点到图像中心的距离，通过计算重心点像素坐标到图像中心的欧氏距离得到；K_p则表示第p个重心点为光斑的几率且当K_p最小时则点p被视为目标树位置，当完成式1 的计算时即可获得。

进一步的，其中，步骤三中树干倾斜度检测包括，对步骤二识别的树干区域进行二值化处理，分别计算区域重心、外包围盒以及边缘轮廓。

进一步的，其中，区域重心通过计算图像二值化区域的二阶矩获得；外包围盒通过统计二值化区域的四周边缘坐标获取最大外接矩形确定；边缘轮廓通过在二值化图像中逐行遍历单个像素以确定每行树干左右边缘像素位置得到，随后利用最小二乘法对左右边缘轮廓进行线性拟合来分别求取两侧倾斜角度α和β，其获得的两条拟合直线斜率转化为角度值α和β表征为树干左右边缘的倾斜度。

进一步的，其中，胸径长度L_pixel计算的步骤包括，以树干区域重心为中心，分别求到两条拟合直线的垂线及反向延长到另一直线的长度DBH_L和DBH_R，两者的平均值即为胸径长度L_pixel，其中DBH_L和 DBH_R如下式：

/>

其中，d_left和d_right分别为树干区域重心到树干边缘轮廓的两条拟合直线的距离；α和β分别为二维图像中树干边缘轮廓的两条拟合直线相对于水平线的倾斜角度；DBH_L和DBH_R分别代表以两条拟合直线计算得到的胸径的像素长度。

进一步的，其中，对式4和式5进行联合求解，DBH被表示为下式：

10、根据权利要求9所述的测量方法，其中，基于式6，得到DBH，如下式：

其中，

本发明提供的基于目标立木形态的非接触式DBH测量方法，基于二维图像进行，考虑目标立木形态，不同于传统的基于光学成像原理简单应用的DBH解算方法，本方法通过兼顾树干形状特征、自然场景下立木生长特征以及多变的环境因子等特点，提高了该思路在应用于复杂自然森林下的DBH测量精度。首先，该方法能够自动准确的在多种极端环境下识别图像中目标树干，然后，通过考虑树干的实际成像特点并检测树干的生长方向，建立了DBH数学解算模型。该方法具有以下两个优点：1)能够在多种复杂环境下准确、有效的提取图像中目标树干区域；2)兼顾树干形状特征和生长特征建立解算模型能有效提高DBH的测量精度。

附图说明

图1是本发明的测量方法的流程示意图。

图2是树干倾斜检测示意图。

图3是考虑树干形状的DBH计算示意图。

图4是分别应用本发明的方法(DBH Measurement Model，DMM)和简单光学成像模型(Optical ImagingModel,OIM)与胸径围尺测量结果比对散点图和箱线图，(a)两种方法的散点图及线性拟合结果；(b)两种方法的误差箱线图。

具体实施方式

以下结合附图详细阐述本发明的技术方案。

本发明提供一种基于目标立木形态的非接触式立木胸径测量方法，具体地是考虑目标立木形态并基于二维图像进行DBH非接触式测量的解算方法。首先，该方法获取二维图像和深度信息作为输入；其次，借助图像处理和深度学习算法实现在多场景下树干的自动识别；最后，将立木形状和生长特征与基本光学成像模型融合，从而提高DBH解算精度。下面以DBH具体解算过程为实例进行说明，其流程图如图1 所示，具体的实施步骤如下：

步骤一：获取输入数据。具体地，获取二维图像和测量装置到目标立木表面的测距值作为输入数据，优选地，测量装置为将相机与激光测距仪进行集成，通过将两种设备固定在连接固定架上，同时测量相机光心到测距中心之间的距离关系，由此得到集成设备，并在瞄准目标立木后同时启动两者以获取二维图像和集成设备到目标立木表面的测距值，但本发明对测量装置不做具体限定。其中，测距值被视为目标立木在二维图像的深度信息，分别通过相机和激光测距仪获取包含目标立木的二维图像和到目标立木表面的深度信息，优选的是，相机可以是专门的数码相机、光学相机或者智能终端自带的相机，但本发明对此不做具体限定。参见图1，其中，深度信息被输入至以光学成像模型为基础建立的DBH计算模型，实现二维图像到真实三维空间的转换；二维图像后续被用于提取树干区域并计算DBH的像素大小，最后输入至建立的DBH计算模型中。

步骤二：通过图像处理算法，识别在自然场景下获取的二维图像中的树干区域。

参见图1，具体可归纳为以下两个步骤：1)建立感兴趣区域(Region Of Interest，ROI)图像，确定目标立木在图像中的位置并由此创建裁剪后的感兴趣区域(Region OfInterest，ROI)图像。其中，树干在图像中的位置通过定位激光测距仪工作时在目标树干上形成的光斑确定，并以光斑坐标为中心将原始图像(m(高)×n(宽)像素)裁剪为高度为 200像素、宽度为n像素的ROI图像，以增强树干在图像中的显著度，提高后续对树干的识别精度，同时压缩待处理图像大小，提高计算处理效率；2)基于自构建数据集所训练的树干区域识别模型处理ROI 图像，识别树干区域。其中，为保证识别模型具有较强的普适性和鲁棒性，通过考虑自然场景下多种环境因子来自构建训练数据集作为输入，来保证所训练模型对不同场景的适应能力。此外，识别模型基于常规的深度学习U-Net网络训练实现，最终得到普适性好和鲁棒性高的树干识别模型。

对于存在多株立木的二维图像，将激光测距仪工作时在树干表面形成的光斑作为识别特征来定位目标立木在图像中的位置。首先将原始图像由RGB空间转为HSV空间，通过设置经验全局阈值输出二值图像，以提取所有潜在为光斑的像素；随后计算每个像素块的一阶矩以获取相应的重心坐标，表示像素块在图像中的位置；利用设备集成时相机光心与测距中心距离较短的特点，假设光斑重心分布于图像中心区域且相对孤立于其他重心点，则可由此建立提取光斑重心的归一化表达式：

其中，

为所有潜在的像素块重心点数量，通过统计图像中重心点总数计算得到；n_p为设置搜索半径后靠近第p个重心点的其他重心点数量，用于衡量当下重心点的孤立程度，通过统计第p个重心点搜索半径内的重心点个数确定；m为全局权重因子，是一个经验参数且一般设置为100；d_image为到图像中心的最远像素距离，在相机确定后一般为定值，即图像中心到图像四个角点的像素距离；d_p为第p个重心点到图像中心的距离，通过计算重心点像素坐标到图像中心的欧式距离得到；K_p则表示第p个重心点为光斑的几率且当K_p最小时则点p被视为目标树位置，当完成式1的计算时即可获得。

目标树干区域的提取通过自构建数据集并基于开源深度学习框架飞桨训练树干区域识别模型实现。主要采用的深度学习图像分割算法基于U-Net网络实现，U-Net通过首先在编码器中进行特征提取，并在解码器中上采样，能够从有限样本中更有效的利用标注数据，实现对不同场景下的树干区域进行精确的分割识别。同时训练集在建立时兼顾多种环境因子以保证识别模型的稳健性，包括光照变化、测量场景、树种和图像拍摄距离等，最终得到鲁棒性高、普适性强的树干区域识别模型。

该步骤不同于传统的基于光学成像原理简单应用的DBH解算方法，通过将光学成像模型并结合深度信息，基于自构建数据集所训练的树干区域识别模型，兼顾树干形状特征、自然场景下立木生长特征以及多变的环境因子等特点，能够在多种复杂环境下准确、有效的提取图像中目标树干区域，能够自动准确的在多种极端环境下识别图像中目标树干。

步骤三：树干倾斜度检测及在二维图像中的胸径长度计算。

以步骤二中提取的二维图像中的树干区域为基础，作为树干倾斜度检测的输入；为了准确表示目标立木树干在二维图像中的倾斜状态，假设树干两端倾斜度具有一定差异且ROI整体倾斜度能代表目标树的倾斜状态。

如图2所示，树干左右两侧分别具有不同的倾斜角度。对步骤二中识别的目标立木树干区域进行二值化处理，通过分别将图像中识别得到的树干部分像素值和树干部分以外的像素值置为两种数值不同的像素值，由此获得树干区域二值图像，在步骤二所提取的树干区域基础上，分别计算树干区域重心、外包围盒以及边缘轮廓。其中，树干区域重心通过计算图像二值化区域的二阶矩获得；外包围盒通过统计二值化区域的四周边缘坐标获取最大外接矩形确定；边缘轮廓通过在二值化图像中逐行遍历单个像素以确定每行树干左右边缘像素位置得到。随后利用最小二乘法对左右边缘轮廓进行线性拟合来分别求取两侧倾斜角度α和β，其获得的两条拟合直线斜率转化为角度值(α，β) 表征为树干左右边缘的倾斜度；最后以树干区域重心为中心，分别求到两条边缘轮廓拟合线的垂线及反向延长到另一直线的长度DBH_L和 DBH_R，两者的平均值即为所求DBH的像素长度L_pixel，即在二维图像中的DBH的长度。上述利用树干倾斜度计算DBH的像素长度可用下式表示：

其中，d_left和d_right分别为树干区域重心到左右两条拟合直线的距离；α和β分别为左右两条拟合直线相对于水平线的倾斜角度；DBH_L和 DBH_R分别代表以左右斜率计算得到的DBH像素长度；最终DBH像素长度L_pixel的具体表达式通过对DBH_L和DBH_R平均计算得到：

步骤四：建立DBH计算模型，计算目标立木的DBH。

通过考虑树干形状特征及其在相机上的成像特征，建立DBH计算模型。参见图3，展示了在激光测距仪和相机瞄准目标立木进行测量时的几何关系。基于基础光学成像模型，利用所构建的成像几何关系推导出DBH计算表达式，最终通过输入深度信息和DBH像素长度，实现对DBH的非接触式精确测量。

具体地，完成二维图像中树干区域的提取和倾斜度检测后，利用相机内参数计算树干区域DBH的物理长度(单位：cm)，同时基于光学成像原理并结合到树干表面的深度信息建立DBH计算模型。对于自然环境下的立木，DBH计算模型将树干视为圆柱几何体，并将相机到树干中心的深度值d_c表示为激光测距值d与DBH一半之和；同时，相机成像光线与树干表面相交交点的连线长度不等同于DBH，且差异大小与被测立木DBH值呈正相关。由此基本的相机光学成像模型关系在此处应被写为下式：

其中，f为相机焦距；d_l为相机光心到交线AB的距离；DBH_l为交线AB的长度；L_pixel为步骤三中得到的DBH像素长度，即二维图像中树干区域的长度。为了定量表示上述几何特征关系，树干中心被表示为O，成像光线与树干表面的两交点和形成的夹角被分别设为A、B以及2α，可根据几何关系特征列出以下组合求解式：

在对式4和式5进行联合求解并化简整理后，DBH能被表示为以下一元三次方程：

通过设立判别式对式6所列一元三次方程进行求解，由于判别式中

始终小于0，因此DBH最终表达式可被固定求解表达为：

式中，

/>

该步骤通过考虑树干的实际成像特点并检测树干的生长方向，兼顾树干形状特征和生长特征建立DBH数学解算模型，能有效提高DBH 的测量精度。

具体测量实例：

树干识别模型利用开源深度学习框架的EasyDL模块实现，通过在野外多种背景条件下采集样本来构建训练及验证数据集，训练出具有较高识别精度的树干识别模型。数据集主要从包括复杂光照条件、测量场景、多树种以及不同深度值等角度出发构建。数据集最终由572 张图片组成并被用于构建树干识别模型，其中10％被用于验证识别模型的识别精确度。在深度学习领域常用的三类精度指标中，精确率为 92.7％、召回率为100％以及F1分数为0.96，表明该识别模型能够准确识别树干区域并能够在多种测量条件下应用。

本测量算法分别在三种不同林分条件下进行了实验，并与仅基于基本光学成像模型原理的算法进行了相对比较，同时结合测树围尺进行了同步精度验证测量。三种实验林分条件为山地自然林、人工防护林以及城市人工林，分别代表了背景条件的不同复杂程度。最终共对 371株立木进行了测量，分别应用本算法和基础光学成像模型进行计算并与测树围尺的测量结果对比。如图4(a)所示，图中DMM为应用本发明方法的测量结果，OIM为利用简单光学成像模型(Optical Imaging Model,OIM)的测量结果，从图中可知，本发明算法与测树围尺测量得到的DBH参考值(图中横轴)之间具有较好一致性，拟合斜率接近于1且均方根误差RMSE为1.40cm，相比于利用基础光学成像模型进行简单计算的方法，本发明的测量结果的拟合直线更接近于1： 1线，表明其具有更高的精确度。此外，图4(b)展示了不同DBH大小区间下两种算法的误差箱线图，可以看出随着立木直径的增大，利用基础光学成像模型进行简单计算的方法会对DBH产生明显的低估误差，而本算法则能有效的校正这一影响。同时，箱线图所表示的OIM 的测量结果在所有直径区间内其箱体上下限较大，相较于DMM表现出更多的不确定性。因此，应用本发明的DBH计算方法，能够对胸径在5～55cm内的立木进行准确的非接触式测量，而且相比于传统的 OIM计算方法，本发明所提出的DMM计算法能够显著提高对大径立木胸径的测量精度。

Claims (10)

1.一种非接触式立木DBH测量方法，其特征在于，包括以下步骤：

步骤一：获取二维图像和测量装置到目标立木表面的测距值作为输入数据；

步骤二：识别在自然场景下获取的二维图像中的树干区域，包括：首先建立感兴趣区域图像，确定目标立木在图像中的位置并由此创建裁剪后的感兴趣区域图像；然后基于自构建数据集所训练的树干区域识别模型处理感兴趣区域图像，识别树干区域；

步骤三：树干倾斜度检测及在二维图像中的胸径长度L_pixel计算，L_pixel如下式所示：

其中，d_left和d_right分别为树干区域重心到树干边缘轮廓的两条拟合直线的距离，α和β分别为二维图像中树干边缘轮廓的两条拟合直线相对于水平线的倾斜角度；

步骤四：建立DBH计算模型，计算目标立木的DBH，包括：建立光学成像模型，如下式：

其中，成像光线与树干表面的两交点和形成的夹角被分别设为A、B以及2α，f为测量装置焦距；d_l为测量装置到交线AB的距离；DBH_l为交线AB的长度；建立DBH计算模型，计算目标立木的DBH，如下式：

其中，目标立木中心被表示为O，d为测量装置到目标立木表面的距离，d_c为测量装置到目标立木中心O的距离。

2.根据权利要求1所述的测量方法，其中，步骤一中测量装置为相机与激光测距仪集成的装置，通过相机获取二维图像，通过激光测距仪获取测距值。

3.根据权利要求2所述的测量方法，其中，步骤二中确定目标立木在图像中的位置通过定位激光测距仪工作时在树干上形成的光斑确定，创建裁剪后的感兴趣区域图像通过以光斑坐标为中心将原始图像高宽为m×n像素裁剪为高度为200像素、宽度为n像素的图像。

4.根据权利要求2所述的测量方法，其中，步骤二中通过考虑自然场景下多种环境因子来自构建训练数据集作为输入，来保证所训练模型对不同场景的适应能力，识别模型基于深度学习U-Net网络训练实现。

5.根据权利要求3所述的测量方法，其中，将激光测距仪工作时在树干表面形成的光斑作为识别特征来定位目标立木在图像中的位置，包括，首先将原始图像由RGB空间转为HSV空间，通过设置经验全局阈值输出二值图像，以提取所有潜在为光斑的像素；随后计算每个像素块的一阶矩以获取相应的重心坐标，表示像素块在图像中的位置；假设光斑重心分布于图像中心区域且相对孤立于其他重心点，则由此建立提取光斑重心的归一化表达式：

其中，

为所有潜在的像素块重心点数量，通过统计图像中重心点总数计算得到；n_p为设置搜索半径后靠近第p个重心点的其他重心点数量，用于衡量当下重心点的孤立程度，通过统计第p个重心点搜索半径内的重心点个数确定；m为全局权重因子，设置为100；d_image为到图像中心的最远像素距离，在相机确定后为定值，即图像中心到图像四个角点的像素距离；d_p为第p个重心点到图像中心的距离，通过计算重心点像素坐标到图像中心的欧氏距离得到；K_p则表示第p个重心点为光斑的几率且当K_p最小时则点p被视为目标树位置，当完成式1的计算时即可获得。

6.根据权利要求1所述的测量方法，其中，步骤三中树干倾斜度检测包括，对步骤二识别的树干区域进行二值化处理，分别计算区域重心、外包围盒以及边缘轮廓。

7.根据权利要求6所述的测量方法，其中，区域重心通过计算图像二值化区域的二阶矩获得；外包围盒通过统计二值化区域的四周边缘坐标获取最大外接矩形确定；边缘轮廓通过在二值化图像中逐行遍历单个像素以确定每行树干左右边缘像素位置得到，随后利用最小二乘法对左右边缘轮廓进行线性拟合来分别求取两侧倾斜角度α和β，其获得的两条拟合直线斜率转化为角度值α和β表征为树干左右边缘的倾斜度。

8.根据权利要求7所述的测量方法，其中，胸径长度L_pixel计算的步骤包括，以树干区域重心为中心，分别求到两条拟合直线的垂线及反向延长到另一直线的长度DBH_L和DBH_R，两者的平均值即为胸径长度L_pixel，其中DBH_L和DBH_R如下式：

其中，d_left和d_right分别为树干区域重心到树干边缘轮廓的两条拟合直线的距离；α和β分别为二维图像中树干边缘轮廓的两条拟合直线相对于水平线的倾斜角度；DBH_L和DBH_R分别代表以两条拟合直线计算得到的胸径的像素长度。

9.根据权利要求8所述的测量方法，其中，对式4和式5进行联合求解，DBH被表示为下式：

10.根据权利要求9所述的测量方法，其中，基于式6，得到DBH，如下式：

其中，

/>

Images