[論文レビュー] A graph cut approach to 3D tree delineation, using integrated airborne LiDAR and hyperspectral imagery

Juheon Lee, David A. Coomes+7 more|arXiv (Cornell University)|Jan 24, 2017

Remote Sensing and LiDAR Applications参考文献 44被引用数 7

ひとこと要約

本稿では、フルLiDAR点群と高スペクトル画像を統合したグラフカットを用いて木のセグメンテーション精度を向上させる、3次元木の区画化手法Multiclass Cut followed by Recursive Cut (MCRC) を提案する。特徴量の低次元化に頑健PCAを活用し、初期木の事前知識を組み込んだ正規化カットを適用することで、特に高解像度の光学データを含めた場合に、CHMベースの手法を上回る性能を発揮する。計算コストは高いが、個々の木の正確な測定が可能である。

ABSTRACT

Recognising individual trees within remotely sensed imagery has important applications in forest ecology and management. Several algorithms for tree delineation have been suggested, mostly based on locating local maxima or inverted basins in raster canopy height models (CHMs) derived from Light Detection And Ranging (LiDAR) data or photographs. However, these algorithms often lead to inaccurate estimates of forest stand characteristics due to the limited information content of raster CHMs. Here we develop a 3D tree delineation method which uses graph cut to delineate trees from the full 3D LiDAR point cloud, and also makes use of any optical imagery available (hyperspectral imagery in our case). First, conventional methods are used to locate local maxima in the CHM and generate an initial map of trees. Second, a graph is built from the LiDAR point cloud, fused with the hyperspectral data. For computational efficiency, the feature space of hyperspectral imagery is reduced using robust PCA. Third, a multi-class normalised cut is applied to the graph, using the initial map of trees to constrain the number of clusters and their locations. Finally, recursive normalised cut is used to subdivide, if necessary, each of the clusters identified by the initial analysis. We call this approach Multiclass Cut followed by Recursive Cut (MCRC). The effectiveness of MCRC was tested using three datasets: i) NewFor, ii) a coniferous forest in the Italian Alps, and iii) a deciduous woodland in the UK. The performance of MCRC was usually superior to that of other delineation methods, and was further improved by including high-resolution optical imagery. Since MCRC delineates the entire LiDAR point cloud in 3D, it allows individual crown characteristics to be measured. By making full use of the data available, graph cut has the potential to considerably improve the accuracy of tree delineation.

研究の動機と目的

• 平滑化や補間アーチファクトによる2次元被覆高さモデル（CHM）ベースの木区画化における不正確さを是正すること。
• ラスタライズドされたCHMではなく、フル3次元LiDAR点群を活用することで、個々の木の検出精度を向上させること。
• 頑健PCAを用いて効率的なスペクトル特徴抽出を実現し、3次元木セグメンテーションに高スペクトル画像を統合すること。
• 木の幾何学的形状を保持し、個々の冠の特徴を正確に測定可能なグラフカットベースの手法を開発すること。
• 多様な森林タイプにおける手法の性能を評価し、特に下層樹木の検出における限界を評価すること。

提案手法

• LiDAR点群から被覆高さモデル（CHM）を構築し、局所的最大値を初期木位置として特定する。
• フル3次元LiDAR点群からグラフを構築し、空間座標と頑健PCAで低次元化された高スペクトル特徴を統合する。
• 初期木位置を制約として用い、クラスタ数と位置を定義する多クラス正規化カットをグラフに適用する。
• 各クラスタに対して再帰的正規化カットを実行し、過剰にセグメンテーションされた木を再分割することで境界の正確性を向上させる。
• 照明効果を最小限に抑えながらスペクトル情報を保持するため、高スペクトルデータの次元削減に頑健PCAを用いる。
• すべてのクラスタに同一のパラメータを固定するが、これは複雑な木構造への適応性を制限する可能性がある。

実験結果

リサーチクエスチョン

• RQ1 フル3次元LiDAR点群に高スペクトル画像を統合したグラフカットは、CHMベースの手法に比べて木区画化精度を向上させることができるか？
• RQ2 高解像度の光学画像の統合は、グラフカットを用いた3次元木セグメンテーションの性能にどのように影響するか？
• RQ3 提案手法MCRCはどの程度下層樹木を検出可能であり、LiDAR点群密度はその検出にどのような役割を果たすか？
• RQ4 スペクトル特徴低次元化に頑健PCAを用いることで、セグメンテーションのロバスト性と計算効率はどのように変化するか？
• RQ5 再帰的正規化カットは、初期の多クラスカット段階で特定された大規模または過剰にセグメンテーションされた木冠を効果的に再分割できるか？

主な発見

• MCRCは、3つのテストデータセット（アルプス地方のNewFor、イタリアアルプスの針葉樹林、英国の広葉樹林）において、従来のCHMベースの手法をすべて上回った。
• 高解像度の高スペクトル画像の統合により、特に複雑な構造や多様な樹種が混在する森林において、セグメンテーション精度が顕著に向上した。
• 下層樹木は、点群密度が高いデータセット（例：イタリアアルプスのサイト）でのみ正常に検出可能であり、垂直方向の分解能が十分に高いことで、下層構造が明確に可視化された。
• 点群密度が低いLiDARデータ（例：英国のデータセット、6点/m²）では、点サンプリングが不十分で位置の不確実性が生じるため、下層樹木は検出されなかった。
• 各LiDARリターンを特定の木に割り当てることで、正確な個々の木の測定が可能となり、冠寸法の高精度な推定が実現した。
• 優れた精度を発揮するが、数千もの初期木候補が存在する場合に繰り返し固有値系の解法が必要となるため、MCRCは計算コストが非常に高い。