概述：

目的是从无人机获取的影像数据中，识别并定位到每一颗独立树木，从而获取每棵树的单木信息（树高、冠幅等）

DSM (Digital Surface Model - 数字表面模型)： 它包含了地表以上所有物体的高度信息，如建筑物、车辆、树冠的顶部。DSM可以直观地理解为一张记录了地表最高点高度的“高程照片”。

DEM (Digital Elevation Model - 数字高程模型)： 只包含裸露的地表地形高度，不包括任何建筑物、植被。

CHM (Canopy Height Model - 冠层高度模型)： 这是最关键的数据。它由 DSM 减去 DEM 得到，代表了纯植被的高度（树冠顶部相对于地面的高度）。CHM看起来像一幅由许多小山丘组成的图像，每个“小山丘”理论上就对应一棵树的树冠。

具体方法技术：

基于局部最大值/最小值算法主要通过CHM数据进行操作实现，核心思想为一棵树的最高点（树冠顶点）或最低点（树干基部，需特定数据）在空间上是一个局部极值点，这个点就可以被认为是这棵树的位置。

基于局部最大值法：假设树冠顶点是周围一定区域内最高的点，寻找树冠顶点

数据预处理：

生成CHM： 首先必须拥有DSM和DEM数据，通过 CHM = DSM - DEM 计算得到冠层高度模型。

平滑滤波（至关重要）： 原始的CHM数据可能因为噪声、不规则树冠（如双顶）而显得粗糙。直接寻找局部最大值会找到过多的错误点（过分割）。因此，通常使用高斯滤波或中值滤波对CHM进行平滑处理，以消除小波动，凸显出主要树冠的形态。

高斯滤波： 效果更自然，能更好地保持树冠形状。

中值滤波： 能更好地保持边缘和消除椒盐噪声。

https://www.kdocs.cn/l/cllg0bwrYaOE

移动窗口搜索：

定义一个特定大小的移动窗口（例如 3x3, 5x5 像素）。窗口大小的选择是关键参数，需要根据图像分辨率（GSD）和期望的树冠大小来设定。

规则： 将这个窗口在平滑后的CHM上逐像素移动。对于窗口中心的像素，如果它的值是整个窗口内最大的，且其值大于某个设定的最小高度阈值（例如，高于2米以排除灌木和噪声），则该点被识别为一个树冠顶点，即一棵树的位置。

结果输出：

所有被识别出的局部最大值点的坐标（X, Y）就是单木的位置。其对应的CHM值（Z）可以近似作为该树的树高。

示例：

平滑后的CHM数据（俯视图，数值代表高度）：

[ 5, 5, 6, 5, 5 ]

[ 5, 8, 9, 8, 5 ]

[ 6, 9, 10, 9, 6 ] ——中心点‘10’是3x3窗口内的最大值，被识别为一棵树

[ 5, 8, 9, 8, 5 ]

[ 5, 5, 6, 5, 5 ]

（2）如何生成CHM数据

生成CHM（Canopy Height Model，冠层高度模型）是通过将DSM（数字表面模型）减去DEM（数字高程模型）来实现的，公式为：CHM = DSM - DEM。

方法一：直接在大疆智图中导出CHM

通过空三和三维重建数据处理后可以生成高质量DSM和DEM，重建完成后，选择二维地图成果，点击导出选择CHM，选择GeoTIFF格式导出。（工作站大疆智图3.7.0版本支持直接导出）

方法二：通过ArcGIS计算得出CHM 数据

通过大疆智图重建完成导出DSM和DEM数据，然后使用ArcGIS计算

在ArcGIS中添加DSM和DEM图层，打开"Spatial Analyst"工具箱中的"栅格计算器"，输入公式：Raster("DSM") - Raster("DEM")，输出可生成CHM 。

设置无效值：

使用Con工具将负值设为0：

python

Con(("CHM"<0),0,"CHM")

方法三：使用python脚本处理

import numpy as np

import rasterio

from rasterio import mask

def generate_chm(dsm_path, dem_path, output_path):

# 读取DSM数据

with rasterio.open(dsm_path) as dsm:

dsm_data = dsm.read(1)

dsm_profile = dsm.profile

# 读取DEM数据

with rasterio.open(dem_path) as dem:

dem_data = dem.read(1)

# 计算CHM (DSM - DEM)

chm_data = dsm_data - dem_data

# 将负值设为0（地表以下的高度无效）

chm_data[chm_data < 0] = 0

# 保存CHM

with rasterio.open(output_path, 'w', **dsm_profile) as dst:

dst.write(chm_data, 1)

（3）基于局部最小值法：寻找树干基部（使用较少，需要更高质量数据）

通过LiDAR点云实现，它不依赖于CHM，而是直接处理LiDAR获取的三维点云数据。算法会过滤出最后一次回波（Last Return）或地面点分类后的低点云。在这些低点中搜索局部最小值点。理论上，这些点因为激光穿透冠层间隙到达了地面或树干基部，所以高度值较低。识别出的局部最小值点被认为是树干基部的位置。

优点： 对于树干明显、林下通畅的森林，此法能更精确地定位树木的实际茎干位置。

缺点： 对茂密的下层植被或复杂林下地形非常敏感，容易产生大量错误识别。

【金山文档 | WPS云文档】 单木识别定位（基于局部最大值_最小值算法） https://www.kdocs.cn/l/coAPZfXixbPz