[논문 리뷰] A graph cut approach to 3D tree delineation, using integrated airborne LiDAR and hyperspectral imagery

Juheon Lee, David A. Coomes외 7명|arXiv (Cornell University)|2017. 01. 24.

Remote Sensing and LiDAR Applications참고 문헌 44인용 수 7

한 줄 요약

이 논문은 전체 LiDAR 점군에 고도 분광 영상을 융합한 그래프 컷을 사용하여 수목 분할 정확도를 향상시키는 3차원 수목 윤곽 추출 방법인 다중 클래스 컷 이후 재귀적 컷(Multiclass Cut followed by Recursive Cut, MCRC)을 제안한다. 강건한 주성분 분석(PCA)을 활용한 스펙트럼 특징 감소와 초기 수목 사전 지식을 반영한 정규화된 컷을 통해, 고해상도 옵티컬 데이터가 포함된 경우 기존 CHM 기반 방법보다 뛰어난 성능을 보이며, 높은 계산 비용에도 불구하고 정밀한 개별 수목 측정이 가능하다.

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.

연구 동기 및 목표

• 스무딩 및 보간 오차로 인한 2차원 캄라 높이 모델(CHM) 기반 수목 윤곽 추출의 정확도 저하 문제를 해결하기 위해.
• 라스터화된 CHM이 아닌 전체 3차원 LiDAR 점군을 활용하여 개별 수목 탐지 성능을 향상시키기 위해.
• 강건한 PCA를 활용해 효율적인 스펙트럼 특징 추출을 수행함으로써 고도 분광 영상을 3차원 수목 분할에 통합하기 위해.
• 수목 기하학적 구조를 유지하고 개별 관상 특성 정확도를 높일 수 있는 그래프 컷 기반 방법을 개발하기 위해.
• 다양한 산림 유형에서의 성능 평가 및 한계 분석을 통해, 특히 하층수 수목 탐지 능력을 평가하기 위해.

제안 방법

• LiDAR 점군에서 캄라 높이 모델(CHM)을 구축하여 국소 최대값을 초기 수목 위치로 식별한다.
• 전체 3차원 LiDAR 점군에서 공간 좌표와 강건한 PCA로 감소된 고도 분광 특징을 융합한 그래프를 구축한다.
• 초기 수목 위치를 제약 조건으로 사용하여 클러스터의 수와 위치를 정의하는 다중 클래스 정규화 컷을 그래프에 적용한다.
• 과다 분할된 수목을 개선하기 위해 각 클러스터에 대해 재귀적 정규화 컷을 수행하여 경계 정확도를 향상시킨다.
• 고도 분광 데이터의 차원을 감소시키면서도 스펙트럼 정보를 유지하고 조명 효과를 최소화하기 위해 강건한 PCA를 사용한다.
• 모든 클러스터에 동일한 매개변수를 고정하나, 이는 복잡한 수목 구조에 대한 적응성 제한 가능성을 암시한다.

실험 결과

연구 질문

• RQ1 융합된 고도 분광 영상과 함께 전체 3차원 LiDAR 점군에 대한 그래프 컷이 기존 CHM 기반 방법보다 수목 윤곽 추출 정확도를 향상시키는가?
• RQ2 고해상도 옵티컬 영상의 통합이 그래프 컷 기반 3차원 수목 분할 성능에 어떤 영향을 미치는가?
• RQ3 제안된 MCRC 방법은 하층수 수목을 어느 정도 탐지할 수 있으며, LiDAR 점군 밀도는 어떤 역할을 하는가?
• RQ4 스펙트럼 특징 감소에 강건한 PCA를 사용할 경우 분할의 안정성과 계산 효율성은 어떻게 영향을 받는가?
• RQ5 초기 다중 클래스 컷 단계에서 식별된 큰 또는 과다 분할된 수목 관상은 재귀적 정규화 컷을 통해 효과적으로 분할 가능한가?

주요 결과

• MCRC는 둘레의 알프스 지역(NewFor), 이탈리아 알프스의 낙엽수림, 그리고 영국의 낙엽수림을 포함한 세 가지 테스트 데이터셋에서 기존의 CHM 기반 방법을 모두 능가했다.
• 고해상도 고도 분광 영상의 통합이 분할 정확도를 크게 향상시켰으며, 특히 복잡하거나 혼합 종의 숲에서 두드러진 효과를 보였다.
• 하층수 수목은 높은 밀도의 LiDAR 데이터(예: 이탈리아 알프스 현장)에서만 성공적으로 탐지되었으며, 이는 충분한 수직 해상도로 하층 수목의 구조가 노출되었기 때문이다.
• 저밀도 LiDAR 데이터(예: 영국 데이터셋, 6점/㎡)에서는 점군 샘플링이 부족하고 위치 불확실성이 존재해 하층수 수목은 탐지되지 않았다.
• 각 LiDAR 반사점을 특정 수목에 할당함으로써 정밀한 관상 치수 추정이 가능해져, 개별 수목 측정이 정확하게 수행되었다.
• 우수한 정확도에도 불구하고, 수천 개의 초기 수목 후보가 존재할 경우 반복적인 고유값 시스템 해법으로 인해 MCRC는 계산 비용이 매우 높다.