CN105590313A - 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 - Google Patents
一种基于主动轮廓模型的森林三维冠层形态结构提取方法 Download PDFInfo
- Publication number
- CN105590313A CN105590313A CN201510769626.3A CN201510769626A CN105590313A CN 105590313 A CN105590313 A CN 105590313A CN 201510769626 A CN201510769626 A CN 201510769626A CN 105590313 A CN105590313 A CN 105590313A
- Authority
- CN
- China
- Prior art keywords
- forest
- canopy
- dimensional
- model
- forest zone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于林业遥感图像智能处理领域技术,特别涉及一种基于主动轮廓模型的森林三维冠层形态结构提取方法,提取步骤为:采用基于结构信息一致性检验机制的SURF立体匹配算法获取同名像点,结合光束法严密解法解算三维空间信息,之后根据基于选择性视觉注意机制的显著性区域分割算法和动态轮廓模型构建立体形态模型,获得森林三维冠层形态结构信息,有利于森林地区树种区分度的大力提高,服务于森林资源的综合防控与监测。
Description
一、技术领域
本发明属于林业遥感图像智能处理领域,特别涉及一种基于主动轮廓模型的森林三维冠层形态结构提取方法,用于林区三维冠层形态结构的提取。
二、技术背景
不同树种、不同树龄的树木通常有极为相似的光谱特性(即“异物同谱”现象)和相同树种有时又具有显著不同的光谱特性(即“同物异谱”现象),仅根据光谱特征,难以实现森林树种的高精度分类识别。森林多分布在具有一定地形起伏的区域,通过对树木物候特征的分析,发现地形因子对树木的分布具有重要的影响。另外,不同树种、不同树龄的树木的形态结构信息也存在显著性差异。随着遥感影像分辨率的逐步提高,一方面,树木的形态结构、表层纹理等信息在高分辨率遥感影像上得到更为清晰的呈现;另一方面,相比于激光雷达,通过高分辨率的立体像对也可以获取低成本的空间信息。将空间信息与形态结构信息相融合,得到三维冠层的形态结构,与光谱信息相结合,可以有效提高树木相互之间的区分度。因此,树木三维冠层形态结构信息提取是森林资源调查和综合防控与监测中的关键技术。目前对树木冠层形态结构信息的利用和提取算法多限于二维,对空间信息的提取一般通过激光雷达系统和数字摄影测量技术两种方法进行。摄影测量技术在森林地区控制点较难选取,匹配困难,导致高程精度不高;激光雷达系统在扫描的过程中,由于外界环境因素对扫描目标的阻挡和遮掩,以及地物本身的反射特性不均匀,会出现扫描漏洞现象,且成本比摄影测量技术显著偏高。基于上述分析,研究出一种适合森林地区树木三维冠层形态结构信息的智能提取模型,对森林资源的调查和综合防控与监测具有重大的实践意义。
三、发明内容
本发明的目的为解决现有技术的上述问题,提供了一种基于主动轮廓模型的林区三维冠层形态结构提取方法,为了实现上述目的,本发明采用的技术方案如下:
Step1:选取林区多视立体影像对,基于SURF算法提取具有尺度不变性和旋转不变性的空间极值点,基于空间极值点的相似性匹配后得到初始匹配点集,之后基于结构信息一致性检验机制对匹配点的可靠性进行评估,得到精度较高的同名特征点集,最后结合光束网严密解法构建三维模型,在原始林区地形数据的结合下,得到树冠高度模型;
Step2:选取林区高分辨率的多光谱影像,模仿人眼的视觉注意机理,结合影像上下文信息,基于谱残余的方法计算每个像素点的显著性值,基于选择性视觉注意机制分割得到二维冠层的显著性区域;
Step3:基于第一步得到的林区树冠高度模型和第二步得到的林区冠层的显著性区域进行叠置分析,得到三维冠层的初始轮廓,分别构造其内部、外部以及曲线的全局能量函数,计算主动轮廓模型的特征值,迭代运算使能量函数最优,实现对林区三维冠层轮廓线的动态优化,最后结合林区不同树种的冠层因子,基于形态学技术建模,实现林区三维冠层形态结构的提取。
本发明与现有技术相比的优点在于:
(1)该方法可以解决传统林区冠层结构提取方法多限于对二维冠层结构提取、冠层空间信息利用不足和三维形态结构因子提取精度低的问题,克服森林地区同名特征点难以选取导致误匹配性较大的困难,构建一种改进的SURF立体匹配算法,得到林区冠层的高精度空间信息;
(2)该方法可以提取出高精度的林区冠层三维形态因子;
(3)该方法可以克服林区冠层相互重叠以及林下冠层的干扰导致冠层提取精度低的问题,结合已经提取到的高精度空间信息和形态因子,提取出高精度的林区冠层三维形态结构。
四、附图说明
为了更清楚地说明本发明实例的技术方案,下面将对实施实例描述中所需要的附图做简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实例,对于本领域普通技术人员来说,在不付出创造性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于主动轮廓模型的林区三维冠层形态结构提取方法的技术路线图。
图2是基于改进的SURF立体匹配算法生成林区冠层高度模型的技术路线图。
五、具体实施方式
下面将结合本发明实例中的附图,对本发明实施实例中的技术方案进行清楚、完整地描述,显然所描述的实施实例仅是本发明的一部分实施实例,而不是全部的实施实例。基于发明中的实施实例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施实例,都属于本发明保护的范围。
如图1所示,一种基于主动轮廓模型的林区三维冠层形态结构提取方法,实施步骤为:
Step1:基于改进的SURF立体匹配算法得到林区冠层高度模型,如图2所示,详细流程为:
1)选取从不同角度拍摄的林区高空间分辨率的立体影像对,基于SURF立体匹配算法从立体影像对中提取对影像亮度、旋转、尺度变化等具有不变性的SURF特征点,得到左像片的SURF特征点集和右像片的SURF特征点集;
2)以任一SURF特征点为中心建立一个边长为L的正方形,并将其均匀划分成16个子区域,对每个子区域中的采样点按水平和垂直方向使用Haar小波模板计算Haar小波响应,记录∑dx,∑dy,∑|dx|,∑|dy|四个值。每一个子区域有4维描述向量,该特征点共有4×16=64个特征描述向量,计算得到所有SURF特征点的特征描述向量;
3)从左像片的SURF特征点集中任取一点,依据一对特征点的特征描述向量之间的欧氏距离最小即相似性最强的原则,逐次计算其与右像片SURF特征点集中所有SURF特征点之间的相似性,当且仅当相似性最大的点对大于给定的阈值时,记录该点对为一对正确的匹配点对;按照上述方法,对左像片SURF特征点集中所有的点都进行同样的处理,形成初始匹配点对集;
4)基于结构信息一致性检验机制对匹配点对之间的结构信息进行一致性检验,滤除结构信息不一致的误匹配点对,得到最终的匹配点对集;
5)将最终的匹配点对集代入光束法严密解法,求解得到林区的数字表面模型;
6)结合林区地形数据,并辅助地面测量数据,得到树冠高度模型。
Step2:基于选择性视觉注意机制分割得到树冠的显著性区域;
1)选择林区高分辨率的多光谱影像,计算归一化植被指数,得到植被指数图;
2)计算植被指数图的对数谱L(f);
3)基于公式(1)计算对数谱的一般形式A(f);
A(f)=hn(f)×L(f)(1)
其中在此n=3。
4)基于公式(2)计算影像的谱残余R(f);
R(f)=L(f)-A(f)(2)
其中,A(f)表示对数谱的一般形态,作为先验信息输入,R(f)是输入影像的统计上的特殊区域,定义为影像的谱残余。
5)将谱残余图像进行逆傅里叶变换,得到影像的显著性图;
6)将显著性图与高分辨率遥感影像进行掩膜处理,得到包含林区二维冠层的显著性区域。
Step3:建立基于主动轮廓模型的林区三维冠层形态结构提取模型,提取林区三维冠层形态结构;
1)基于显著性区域分割的二维冠层影像和林区冠层高度模型进行叠置分析,基于拉普拉斯算子提取三维冠层的初始轮廓;
2)基于任一单个轮廓的开始点,分别构造内部、外部以及曲线的全局能量函数,计算主动轮廓能量值;
3)顺时针逐个计算所有轮廓点的主动轮廓能量值,确定最小能量点即最佳轮廓点;
4)将轮廓点变动到右侧邻接点,重复步骤2)~3),顺时针继续变动,找到最小能量点位置,继续下一个轮廓点;
5)完成所有轮廓点后,继续步骤2)~4),迭代寻找最佳结果,直到模型收敛或者达到最大迭代次数;
6)结合林区不同树种的冠层因子,基于形态学技术建模,对林区三维冠层的轮廓图进行整合优化,实现林区三维冠层形态结构的提取。
以上所述仅为发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于主动轮廓模型的森林三维冠层形态结构提取方法,其特征在于,克服森林地区同名特征点难以选取的问题,根据森林地区改进的SURF立体匹配算法实现高精度立体匹配,构建林区数字高程模型用于提取树木空间信息,之后基于树木空间信息和形态特征构建能量函数,建立基于动态轮廓模型的森林三维冠层形态结构提取模型,通过该模型中能量函数的最小化实现三维冠层形态结构的有效提取,主要实验方案包括以下三个环节:
①选取林区多视立体影像对,基于SURF算法,提取具有尺度不变性和旋转不变性的空间极值点,基于空间极值点的相似性匹配后得到初始匹配点集,之后基于结构信息一致性检验机制对匹配点的可靠性进行评估,得到精度较高的同名特征点集,最后结合光束网严密解法构建三维模型,在原始林区地形数据的结合下,得到树冠高度模型;
②选取林区高分辨率的多光谱影像,模仿人眼的视觉注意机理,结合影像上下文信息,基于谱残余的方法计算每个像素点的显著性值,基于选择性视觉注意机制分割得到二维冠层的显著性区域;
③基于第一步得到的林区树冠高度模型和第二步得到的林区冠层的显著性区域进行叠置分析,得到三维冠层的初始轮廓,分别构造其内部、外部以及曲线的全局能量函数,计算主动轮廓模型的特征值,迭代运算使能量函数最优,实现对林区三维冠层轮廓线的动态优化,最后结合林区不同树种的冠层因子,基于形态学技术建模,实现林区三维冠层形态结构的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510769626.3A CN105590313A (zh) | 2015-11-12 | 2015-11-12 | 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510769626.3A CN105590313A (zh) | 2015-11-12 | 2015-11-12 | 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105590313A true CN105590313A (zh) | 2016-05-18 |
Family
ID=55929868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510769626.3A Pending CN105590313A (zh) | 2015-11-12 | 2015-11-12 | 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590313A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778511A (zh) * | 2016-11-22 | 2017-05-31 | 国网通用航空有限公司 | 一种马尾松多尺度智能识别的方法及装置 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
CN111160236A (zh) * | 2019-12-27 | 2020-05-15 | 北京林业大学 | 一种结合林区三维形态滤波的分水岭冠层自动分割方法 |
CN114170383A (zh) * | 2021-12-08 | 2022-03-11 | 中国林业科学研究院资源信息研究所 | 一种分解模型库森林三维场景模拟方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226695A (zh) * | 2013-04-02 | 2013-07-31 | 北京林业大学 | 基于选择性视觉注意机制的马尾松多尺度智能识别模型 |
-
2015
- 2015-11-12 CN CN201510769626.3A patent/CN105590313A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226695A (zh) * | 2013-04-02 | 2013-07-31 | 北京林业大学 | 基于选择性视觉注意机制的马尾松多尺度智能识别模型 |
Non-Patent Citations (3)
Title |
---|
张志斌等: "基于SURF算法的绿色作物特征提取与图像匹配方法", 《农业工程学报》 * |
李长胜等: "帽儿山实验林场森林资源矢量数据的叠置分析", 《北京林业大学学报》 * |
王瑞瑞等: "高分辨率卫星立体影像对的图割匹配算法", 《农业工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778511A (zh) * | 2016-11-22 | 2017-05-31 | 国网通用航空有限公司 | 一种马尾松多尺度智能识别的方法及装置 |
CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN110232389B (zh) * | 2019-06-13 | 2022-11-11 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN111160236A (zh) * | 2019-12-27 | 2020-05-15 | 北京林业大学 | 一种结合林区三维形态滤波的分水岭冠层自动分割方法 |
CN114170383A (zh) * | 2021-12-08 | 2022-03-11 | 中国林业科学研究院资源信息研究所 | 一种分解模型库森林三维场景模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN105590313A (zh) | 一种基于主动轮廓模型的森林三维冠层形态结构提取方法 | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN110992473A (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
Kowalczuk et al. | Classification of objects in the LIDAR point clouds using Deep Neural Networks based on the PointNet model | |
CN111754618A (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
Bulatov et al. | Automatic tree-crown detection in challenging scenarios | |
CN114358133A (zh) | 一种基于语义辅助双目视觉slam检测回环帧的方法 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
CN116091706B (zh) | 多模态遥感影像深度学习匹配的三维重建方法 | |
Ding et al. | Study on building extraction from high-resolution images using Mbi | |
Bulatov et al. | Vectorization of road data extracted from aerial and uav imagery | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN111507423B (zh) | 输电线路通道清理的工程量测算方法 | |
CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
CN116091911A (zh) | 一种地震勘探工区建筑物自动识别方法及系统 | |
CN112396615A (zh) | 一种基于可调半球冠层摄影仪的单株立木分割方法及装置 | |
Song et al. | A region-based approach to building detection in densely build-up high resolution satellite image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160518 |
|
WD01 | Invention patent application deemed withdrawn after publication |