立木图像信息直接影响着胸径、树高、冠幅、森林资源材积量等估测的准确性,快速准确地获取图像信息对我国林业资源信息化至关重要。针对现有的立木检测和分割方法存在的缺陷,本文研究出立木图像目标检测与分割方法。主要做了以下四部分工作:(1)立木图像树干快速检测方法:使用卷积神经网络实现立木图像中的多株树干检测,该模型以Darknet-53为基础特征提取网络,迁移学习方式采用参数精调,将yolov3模型在大数据集上学习的目标检测知识迁移到树干检测模型上,通过改进多尺度预测策略实现图像中目标物的类别和边界预测。(2)树干分类方法:将主流的Inception＿v3、vgg＿16、Res Net＿50、Res Net＿101、Res Net＿152等5种分类模型用于树干数据集,实现树干的种类识别。本文将树干快速检测方法和树干种类识别方法融合,可精确地得到立木图像中立木的位置和种类。(3)立木分割方法(两种分割方式):一是利用Graph Cut算法进行立木图像分割,该方法在立木图像感兴趣区域内标记前景和背景,由此得到单张相片中的每株立木分割图像;二是基于图像抽象的自适应Mean-Shift算法的立木图像分割方法,首先用双边滤波、图像金字塔操作从多角度进行图像抽象;然后将位置、颜色等特征结合起来,根据步长探测法和插入规则法分别获得空域带宽hs、值域带宽hr,并选用高斯核函数,参数自适应Mean-Shift算法,得到立木分割图像。(4)立木轮廓提取方法:使用数字图像处理技术(如灰度变换、边缘检测、数学形态学处理等操作)得到立木边缘信息。试验结果分别如下:(1)树干检测方法试验结果表明,平均目标召回率最高达93.60%,平均误分率最低至4.98%,平均检测时间最快为0.30s。(2)立木图像树干分类方法试验结果表明,识别精度高达94.67%。(3)立木图像分割试验表明,基于Graph Cut算法的立木分割方法平均误分率为5.62%、假阳性率为4.49%、假阴性率为4.33%,优于常用的OTSU、K-means和C-V分割方法。基于图像抽象的自适应的Mean-Shift算法的图像分割结果表明,树冠平均分割精度、平均过分割率、平均欠分割率分别为91.21%,3.54%,9.85%,树干相应的平均值分别为92.78%,8.16%,7.93%。由定量分析可看出,本文立木检测和分割方法具有较高的精度,可应用于林业资源调查。