我国林区中人工林树种单一，中幼林多，纯林比重偏高，一旦暴发病虫害就难以控制。及时发现并定位森林有害生物感染的枯死树木，采取焚烧、就地砍伐等措施可有效防止疫情扩散。过去的林业病虫害防治中，常遇到森林勘察人手不够、耗时长、难度大、覆盖范围小等问题，导致森林勘察效率低，获取信息不准确(Hall et al., 2016)。

无人机作为一种新型工具，可搭载可见光相机、多光谱相机及多种传感器，生成高清晰图像视频数据，对目标地区实施监控(Rodriguez et al., 2012)。无人机技术成本低、运输便捷、操作简单且风险性低，将其应用于林业生产，可有效降低人工作业量，提高林业病虫害的监测与防治效率，在森林病虫害防治方面有较强优势和巨大潜力(Laliberte et al., 2009; Torresan et al., 2017)。

当前，无人机在森林病虫害监测实用中，对航空图像中受害木信息的提取还多依赖于人工排查。如李卫正等(2014)将无人机高空间分辨率影像正射处理后导入到GeoLink软件，目视寻找感病变色的病死木；吕晓君等(2016)根据松树受害后树冠颜色发生变化，对无人机采集的病虫害松林数字正射图像进行目视解译，从而定位标注出虫害导致的变色枯死木。由于人工识别无人机图像中的枯死树耗时费力，因此迫切需利用图像分析技术对无人机采集的图像进行枯死树快速智能化监测。Yuan等(2016)将无人机航空影像分割成许多超像素，然后计算超像素的颜色特征并使用随机森林分类器对其进行训练和分类，从而提取出图像中的森林虫害区域。胡根生等(2013)利用无人机搭载双光谱相机获取可见光和近红外遥感图像，采用改进的加权支持向量数据描述多分类算法，实现病害松树识别。但目前利用图像分析智能识别枯死树的技术还缺乏经验与试验数据积累，对枯死树识别结果的定量分析也不够完善。

本文分别以受松材线虫(Bursaphelenchus xylophilus)和红脂大小蠹(Dendroctonus valens)侵害的松林为试验用地，利用无人机搭载可见光相机对受灾林地进行大面积的航拍图像采集。首先使用线性谱聚类(linear spectral clustering，LSC)(Chen et al., 2017)将图像划分成多个紧密的超像素区域；然后基于枯死树木的颜色特征，初步提取可能为枯死树的超像素；最后，当图像中含有与枯死树颜色接近的其他干扰地物时，可采用基于纹理特征的支持向量机(support vector machine，SVM)(Suykens et al., 1999)对初步提取的超像素进行分类，分类结果中标记为枯死树的超像素即为枯死树。

1 数据采集

红脂大小蠹是我国一种危害油松(Pinus tabulaeformis)等松树的外来入侵生物，一旦传入便难以根除，具有分布广、危害大的特点(徐洪儒等，2006; Yan et al., 2005)。松材线虫为当前世界四大林木病害之一，主要侵害松树导致松材线虫病，造成严重的生态及经济损失(韩阳阳等，2015)。由于森林虫害发生时间多为每年4—9月(赵建兴，2006)，且秋冬季节森林中树木颜色多变，对后期图像分析增加难度，因此最佳的图像采集时间在10月之前，受红脂大小蠹或松材线虫侵害的松树已表现出典型的枯死症状(颜色变红)，而阔叶树还未变色。

为研究油松受红脂大小蠹危害情况，于2017年8月在辽宁省凌源县对受灾油松林地进行了无人机航拍图像采集，无人机型号为DJI Inspire2四旋翼航拍机，搭载DJI x5s可见光云台相机，4/3英寸CMOS传感器，有效像素为2 080万，50 mm奥林巴斯镜头，图像分辨率为5 280×3 956 pixels。图像采集时的无人机飞行高度为30~240 m，图 1a从左至右分别为高度在100、170 m时的红脂大小蠹虫害林区航拍图像，在飞行高度为100 m时1个像素大约代表 0.01 m大小的地物。该林区(45°53′16″—45°54′25″N，118°55′45″—118°56′41″E)山体坡度平缓，郁闭度大于0.8，主要植被为油松及少量荆条(Vitex negundo var. heterophylla)。同一林分中的油松处于不同的感病期，受红脂大小蠹侵害的枯死树的外部表征为针叶呈红褐色，可作为颜色特征来提取枯死树。

受松材线虫侵害的林区无人机图像和视频的采集地点为湖北宜都市，采集时间为2017年9月，无人机型号为DJI Phantom4，搭载Dji FC6310云台相机，1/2.3英寸CMOS传感器，有效像素为1 240万，镜头焦距为24 mm，采集的图像分辨率为5 472× 3 078 pixels，视频分辨率为4 096×2 160 pixels。无人机飞行高度为160~200 m，图 1b为180 m高度时相机采集的受松材线虫侵害的林区视频截图，飞行高度为180 m时1个像素大约代表 0.05 m大小的地物。该研究区(30°11′—30°14′ N，111°28′—118°32′ E)林分郁闭度较高，地形平缓，地物复杂，主要植被为马尾松(P.massoniana)。该林区中受松材线虫侵害的松树整株枯死，针叶为红褐色，可作为提取枯死树的颜色特征。

2 数据处理

结合颜色和纹理特征，采用基于线性谱聚类超像素的方法对枯死树进行监测，流程图如图 2所示。首先通过无人机搭载摄像机对受灾林区进行航拍图像采集，并通过最近邻插值法将原图缩小为原来的0.4倍作为试验图像，以在保证图像不失真的前提下减少算法运行时间；然后利用线性谱聚类算法，将试验图像分割成紧凑均匀的超像素；由于树冠的颜色变化可反映树木健康状况，因此再基于枯死树的颜色特征初步提取可能为枯死树的超像素区域；由于初步提取的超像素中含有非枯死树的干扰物，因此再将多幅试验图像的一部分图像作为训练图像，对训练图像初步提取出的超像素区域进行枯死树和非枯死树的标记，结合计算出的纹理特征生成支持向量机分类器；最后使用该分类器对从测试图像中初步提取出的超像素进行分类，从而得到枯死树区域。

2.1 基于颜色特征提取超像素

超像素是图像像素聚类成的局部特征一致的子区域(宋熙煜等，2015)，可对分割后的超像素应用支持向量机等分类器进行分类(Kim et al., 2015)。谱聚类通过求解最优划分图问题来解决聚类问题(Von Luxburg，2007)。基于原始像素空间中的Normalized cuts算法与高维特征空间中的加权核K-means聚类算法具有相同的目标函数(Shi et al., 2000; Dhillon et al., 2004; 2007)，线性谱聚类算法设计核函数将像素映射到高维特征空间，使用加权K-means解决谱聚类问题，达到线性复杂度。图像中像素p用五维向量(l_p、α_p、β_p、x_p、y_p)表示，其中l、α、β是CIELAB空间中颜色分量值，x、y是图像平面中的垂直与水平坐标。线性谱聚类生成超像素的主要步骤如下(Chen et al., 2017)：

1) 利用核函数ϕ(p)将图像中每个像素点p都表示成一个十维的特征向量：

$ \begin{array}{*{20}{c}} {\phi (p) = \frac{1}{{w(p)}}\left({{C_{\rm{c}}}\cos \frac{\pi }{2}{l_p}, {C_{\rm{c}}}\sin \frac{\pi }{2}{l_p}, 2.55{C_{\rm{c}}}\cos \frac{\pi }{2}{\alpha _p}, } \right.}\\ {2.55{C_{\rm{c}}}\sin \frac{\pi }{2}{\alpha _p}, 2.55{C_c}\cos \frac{\pi }{2}{\beta _p}, 2.55{C_{\rm{c}}}\sin \frac{\pi }{2}{\beta _p}, }\\ {{C_{\rm{s}}}\cos \frac{\pi }{2}{x_p}, {C_{\rm{s}}}\sin \frac{\pi }{2}{x_p}, {C_{\rm{s}}}\cos \frac{\pi }{2}{y_p}, {C_{\rm{s}}}\sin \frac{\pi }{2}{y_p});} \end{array} $

(1)

$ \begin{array}{l} w(p) = \sum\limits_{q \in V} {\left\{ {\left[ {\cos \frac{\pi }{2}\left({{l_p} - {l_q}} \right) + \left({\cos \frac{\pi }{2}\left({{\alpha _p} - {\alpha _q}} \right) + } \right.} \right.} \right.} \\ \cos \frac{\pi }{2}\left({{\beta _p} - {\beta _q}} \right)) \times {2.55^2}] \times C_{\rm{c}}^2 + \\ C_{\rm{s}}^2\left({\cos \frac{\pi }{2}\left({{x_p} - {x_q}} \right) + \cos \frac{\pi }{2}\left({{y_p} - {y_q}} \right)} \right)\} 。\end{array} $

(2)

式中：p、q为像素点，V为图像像素点集，C_c和C_s分别为控制颜色和空间信息的参数，C_s=r×C_c，当r很大时，空间上彼此靠近的像素倾向聚集在一起，反之，颜色相似的像素往往聚集在一起，经验取值r=0.075。

2) 以水平间隔v_x和垂直间隔v_y均匀地在图像中初始化K个种子点。

3) 设置迭代次数T，初始化类中心c_k和类内加权均值m_k。

$ {m_k} = \frac{{\sum\limits_{q \in {\pi _k}} w (q)\varphi (q)}}{{\sum\limits_{q = {\pi _k}} w (q)}}。$

(3)

式中：π_k表示第k类的像素集，k=1, 2, 3，…，K。

4) 计算类中心c_k的邻域τv_x×τv_y(τ>0.5)内像素点p与m_k的距离，更新像素点所属的类。

$ c_k^{(p)} = \arg \mathop {\lim }\limits_k {\left\| {\varphi (p) - {m_k}} \right\|^2}。$

(4)

式中：c_k^(p)表示像素点p属于类c_k。

5) 用式(3)更新第k类的类内加权均值m_k。

6) 直到类内加权均值收敛或达到迭代次数，否则转向第4)步继续。

7) 将过小的类合并到其邻域，分配给同一个类的像素形成超像素。

松树针叶的颜色变化是前期判断松树健康状况是否异常的一项重要依据(王成波，2015)。由于受松材线虫与红脂大小蠹侵害后枯死的松树针叶会呈现出红色，因此在利用线性谱聚类超像素方法对图像进行分割后，各超像素中红色比重最大的区域即可能为枯死树的红色区域。初步提取红色区域算法的主要步骤：1)计算各超像素中红、绿、蓝各分量的像素值之和；2)提取红色分量所占比重最大的超像素；3)用白色矩形框在图中框出红色区域。

2.2 基于纹理特征的支持向量机

纹理特征不依赖于颜色或亮度的变化，包含物体表面结构组织排列的重要信息及它们与周围环境的联系，体现了物体表面共有的内在属性(刘丽等，2009)。前期试验发现，区域密度(费运巧等，2017)与缝隙量(Liu et al., 2013)可以较好地区分枯死树和其他地物。区域密度表示待处理图像中纹理分布的密集程度，计算如式(5)，采用固定大小的窗口, 依次计算每个特征位置的区域密度，其中m为滑动窗口尺寸，(x, y)为特征区域中心，I(x,y)为原始图像中当前像素点灰度值。

$ f(x, y) = \frac{1}{{m \times m}}\sum\limits_{i = 0}^{m - 1} {\sum\limits_{j = 0}^{m - 1} I } \left({x - \frac{m}{2} + i, y - \frac{m}{2} + j} \right)。$

(5)

缝隙量∧是二阶分形纹理特征，描述了图像纹理的疏密程度，纹理越密缝隙量值越小:

$ \Lambda = E\left\{ {{{\left[ {\frac{{A(\varepsilon)}}{{E(A(\varepsilon))}} - 1} \right]}^2}} \right\}。$

(6)

式中：ε表示测量尺度(通常取1)，A(ε)表示分形表面的表面积，E(A(ε))表示期望值。

由于单一的纹理特征难将枯死树与其他红色地物线性区分，因此本文将多个纹理特征作为支持向量机的特征进行训练得到分类模型。试验选取12幅不同高度及不同地理位置的无人机图像生成超像素，然后从中根据红色比重初步提取出552个红色区域标记并计算其区域密度和缝隙量，其中276个为正样本，即枯死树；其余276个为负样本，即与枯死树颜色相近的房屋、裸地等非枯死树区域。采用交叉检验法(Kohavi，1995)确定训练集和测试集，利用训练集生成的支持向量机分类器模型对测试集的预测准确度为93.48%，表明采用基于纹理特征的支持向量机对枯死树区域与其他地物进行分类是可行和准确的。最后使用基于纹理特征的支持向量机对初步提取出的红色区域分类，并在原图中将检测到的枯死树区域用白色矩形框框出。

2.3 不同枯死树监测方法

为验证本文方法用作枯死树监测的可行性与准确性，将本文方法与另外2种枯死树监测方法(基于植被颜色指数的阈值分割方法(丁雷龙等，2016)、基于简单线性迭代聚类超像素和随机森林的方法(Yuan et al., 2016))进行对比分析。

过绿(excess green，ExG)(Woebbecke et al., 1995)与过红(excess red，ExR)是2种植被颜色指数，Meyer等(2008)发现基于0阈值的过绿减过红(ExG-ExR)指数可很好地将绿色杂草与背景分离。丁雷龙等(2016)选用4种颜色指数对无人机图像灰度化后进行阈值分割，发现ExG-ExR指数对植被的识别精度最高。与识别绿色植被不同，本试验目的为从图像中检测出红色的枯死树，因此采用改进的过红减过绿(ExR-ExG)指数[见式(7)]用作试验方法，具体步骤：1)计算图像中每个像素点的ExR-ExG指数；2)以0为阈值对该指数做阈值分割，若像素的ExR-ExG指数大于0则置为前景，否则为背景，得到分割后的二值图像；3)去除二值图像中面积较小的连通域。

$ {\mathop{\rm Ex}\nolimits} {\rm{R}} - {\rm{ExG}} = 3r - 2.4g - b; $

(7)

$ \begin{array}{*{20}{c}} {r = \frac{{{R^*}}}{{{R^*} + {G^*} + {B^*}}}, g = \frac{{{G^*}}}{{{R^*} + {G^*} + {B^*}}}}\\ {b = \frac{{{B^*}}}{{{R^*} + {G^*} + {B^*}}}。} \end{array} $

(8)

式中：r、g、b为色度坐标。R^*、G^*、B^*为归一化的红、绿、蓝像素值(数值0~1之间)。

Yuan等(2016)提出基于超像素和随机森林的方法检测虫害树，首先利用简单线性迭代聚类(simple linear iterative clustering，SLIC)(Achanta et al.，2012)超像素分割算法将无人机图像分割成许多超像素(https://ivrl.epfl.ch/research/superpixels)；然后计算每个超像素中红、绿、蓝各颜色分量的均值、方差、最大值和最小值；最后基于上步计算出的颜色特征使用随机森林分类器训练和分类超像素，从而提取图像中的森林病虫害区域。

2.4 精度评价指标

使用交并比(intersection over union，IoU)(Rahman et al., 2016)、虚警率(False alarm rate)和漏检率(Misdetection rate)3种指标对3种算法进行了定量精度比较。

交并比是目标检测评价体系中一个像素级的质量评价指标，简单来说就是试验结果与人工检测结果的交叠率，计算如式(9)，式中，n_ij表示人工检测为第i类且结果被判为第j类的像素个数，0代表非枯死树，1代表枯死树，IoU值越高表明枯死树监测的准确率越高。

$ {\rm{IoU}} = \frac{{{n_{11}}}}{{{n_{11}} + {n_{01}} + {n_{10}}}}。$

(9)

虚警率和漏检率用来评价监测出的枯死树数量是否准确，虚警率表示实际不是枯死树而判断为枯死树的比率，漏检率表示实际为枯死树而判断为非枯死树的比率，见式(10)和(11)，式中，N₀₁表示实际为非枯死树而结果被判为枯死树的区域个数，N₁₀表示实际为枯死树而结果被判为非枯死树的区域个数，虚警率与漏检率的值越低表示枯死树监测结果越准确。

$ 虚警率 = \frac{{{N_{01}}}}{{{N_{11}} + {N_{01}}}}; $

(10)

$ 漏检率 = \frac{{{N_{10}}}}{{{N_{11}} + {N_{10}}}}。$

(11)

3 结果与分析

试验的编程实现平台为Windows 8.1(x64)系统，代码语言为C++与Matlab混合编程，开发环境为Visual Studio 2013和MATLAB R2015b(32-bit)。

3.1 基于颜色特征提取的枯死树结果分析

利用线性谱聚类生成超像素的源代码地址为https://jschenthu.weebly.com/uploads/2/4/1/1/24110356/lsc_matlab.zip。对图 1中受灾林区无人机图像进行线性谱聚类分割，生成的超像素图像如图 3所示，该算法将原图划分成多个形状规整紧密的超像素。

基于红色比重对图 3a、图 3b左图进行超像素提取，并用白色矩形框在原图中框出红色区域，结果如图 4所示，除一两株树冠面积过小的红色区域外，所有的红色枯死树均被监测出来，而且没有深绿色的非枯死树被错误标记，因此基于红色比重提取超像素的枯死树监测方法能提取出受红脂大小蠹或松材线虫侵害的枯死松树。

图 4b中地物复杂，1、2和3为部分检测结果的放大区域，1中白框框出的红色区域为枯死树，2为红色裸地，3为红色房顶，只利用颜色作为分类依据会出现将图像中的红房顶、裸地等其他与枯死树颜色相近的地物误判为枯死树的缺陷，而枯死树与其他干扰地物在视觉上具有明显的纹理差异，因此本文采用基于纹理特征的支持向量机对初步提取的红色区域进一步分类以提高枯死树监测的准确度。

3.2 基于颜色和纹理特征的枯死树监测结果

图 5为用基于线性谱聚类颜色和纹理特征支持向量机的方法监测的图 1b中枯死树区域结果，其中白色矩形框为算法监测到的枯死树区域。

与图 4b相比，图 5左图的检测结果中剔除了大部分的红色房屋和裸地，而且从图 5右图中可看出，所有的枯死树均被正确地标记且只被标记出来，这表明将基于纹理特征的支持向量机用于分类枯死树和与枯死树颜色接近的非枯死树是有效的，可较为准确地排除其他干扰地物。

此外，图 4、5中受虫害的林区植被树种丰富，松树种类包含油松、马尾松等，由于本研究主要基于枯死树颜色会呈现红色来监测枯死树，因此即使松树的种类不同，受虫害后变红的枯死树也可以被监测出。

3.3 不同方法的监测质量对比

将基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法应用在已有试验数据，并与本文方法比较。图 6为对图 1b左图进行人工检测和3种方法的枯死树监测结果。

由图 6c看出，基于植被颜色指数的阈值分割方法虽能大致监测到部分枯死树所在位置，但检测结果中有许多零散的过小区域，而且多为不完整的单株枯死树。由图 6d可知，基于简单线性迭代聚类超像素和随机森林的方法虽然能相对准确地监测出枯死树区域，但同时也将许多健康的树木标记出来，且易出现将裸地或红房顶误判为枯死树的结果。而图 6b所示的本文方法的监测结果与人工检测结果几近相似，这不仅得益于线性谱聚类生成的超像素对边缘信息敏感，而且基于纹理特征的支持向量机能很好地区分枯死树和其他干扰物。图 6试验结果表明，对同一图像应用3种不同方法，本文方法的枯死树监测结果最佳。

3.4 不同方法的监测精度对比

本文采用上述3种不同方法对35幅地物复杂程度不同、多种植被覆盖的图像进行枯死树监测，其监测结果图与人工检测图的像素级交并比、基于枯死树数量的虚警率和漏检率如图 7~9，3个评价指标的统计特征值见表 1。

基于植被颜色指数的阈值分割方法的适用范围有限，仅对亮度较低的图像分割效果较好，虽然漏检率的均值低于3%，但其虚警率的均值高达36.8%，对有轻微颜色变化的区域较敏感，且监测结果最不稳定。基于简单线性迭代聚类超像素和随机森林的方法监测结果较为稳定，但漏检率最高，无法检测出某些面积较小的枯死树区域。

分析试验结果可得出以下结论：1)本文基于线性谱聚类超像素的枯死树监测结果的交并比均值大于58%且高于另外2种算法，这表明在图像分割质量的像素级评价中，该方法的分割结果最好；2)本文方法的虚警率在3种方法中最低(约为4.6%)，漏检率约为8.5%，表明该方法监测出的枯死树数量与人工检测的最接近，能较精准地监测出枯死树区域；3)本文方法的3个评价指标的标准差均为最小，即监测结果最为稳定。

4 讨论

本文利用无人机搭载可见光相机和图像分析技术快速监测并定位林地中的枯死树，可替代人工地面调查，及时对虫害林区进行治理，为森林保护工作提供新方向。本文的枯死树检测思路与Yuan等(2016)相类似，即首先生成超像素，然后对超像素进行分类。不同的是，线性谱聚类算法可生成边缘更为紧密的超像素，较好的分割出单株树冠，而且基于区域密度和缝隙量纹理特征的支持向量机能区分出枯死树和与枯死树颜色相近的其他干扰物，从而更精确地检测出枯死树区域。

本研究综合考虑了颜色特征和纹理特征，适用于监测图像中已受松材线虫或红脂大小蠹等有害生物入侵导致植株枯死且针叶呈红褐色的松树，松树的种类对监测结果影响不大。另外，造成松树针叶颜色变化、树木枯死的原因多种多样，有害生物入侵只是其中一种，因此如何在阔叶树变色期的图像中监测枯死树是下一步研究方向，笔者拟采用深度学习的方法进行试验。

5 结论

本文先利用线性谱聚类将无人机森林病虫害图像分割成超像素，再基于颜色和纹理特征对超像素进行分类。试验结果表明，基于线性谱聚类超像素的枯死树监测方法可智能监测出林地中枯死树，将其应用于森林病虫害防治领域，可有效提高森林巡查效率，为森林有害生物监测提供技术支撑。