CN106778696B - 一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 - Google Patents
一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 Download PDFInfo
- Publication number
- CN106778696B CN106778696B CN201710039791.2A CN201710039791A CN106778696B CN 106778696 B CN106778696 B CN 106778696B CN 201710039791 A CN201710039791 A CN 201710039791A CN 106778696 B CN106778696 B CN 106778696B
- Authority
- CN
- China
- Prior art keywords
- wood
- matching
- tree
- remote sensing
- distance
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法,属林业遥感数据处理与信息提取范畴,其技术特点是以树高差、距离为判定条件,先在遥感手段提取到的林木邻域内筛选最合适的实测木作为匹配木,再以该实测木为中心,通过判断其邻域内遥感手段提取到的单木信息,决定是否成功匹配。解决的关键性问题包括:①可甄别和去除欠分割、过分割等分割误差,避免误差的积累;②在密度高、空间异质性高的林分中匹配精度较高,相比传统方法,解决了树冠相互遮挡林木间匹配不合理的问题。该发明可应用于林业遥感技术反演信息的领域,在评价遥感产品质量、推广遥感产品应用等方面起到巨大推进作用。
Description
一、技术领域
本发明涉及一种将遥感手段提取的单木与地面实测单木进行匹配的方法,特别适用于具有复杂垂直结构或树冠遮挡严重的林分,适用于单木尺度信息的遥感反演与精度评价,属于林业遥感数据处理技术领域。
二、技术背景
随着遥感技术的迅猛发展,航空航天遥感数据分辨率大幅度提升,激光雷达、微波雷达等主动遥感技术的出现和普及,使用遥感手段获取单木尺度信息成为当前林业遥感工作的热门内容。遥感手段提取单木与实际单木进行匹配的工作是衡量和判断单木分割效果的重要步骤,其具体作用包括:①判断遥感手段提取单木信息的精度是否满足阈值,通过比较成功匹配的林木数量所占比例,衡量和比较遥感手段提取单木方法的优劣性;②通过判断成功匹配的林木数量所占比例是否满足阈值,判断遥感手段提取结果的可用性;③计算单木树高、胸径、冠幅等信息的精度;④是进一步实现遥感手段进行森林可视化经营管理的基础。因此,将遥感手段提取到的单木与实际单木进行匹配的工作具有重要意义。
目前已有的匹配方法有邻域最高匹配法、最邻近匹配法、双因素匹配法等,这些方法均是在遥感提取到的单木的邻域内设置一定阈值和规则,进行单向的匹配,在光学高分影像提取单木的工作中应用广泛,适用于单层林或密度较低的林分,如单层纯林、人工林等。然而,随着激光雷达技术在单木信息反演方面的优势不断突出,从复杂林分中提取包括下层林木在内的所有林木已成为可能;在林分密度高、树冠相互遮挡严重的林分条件下,已有的匹配方法缺陷十分突出:只有围绕遥感提取所得单木进行的单向匹配,缺少从实际单木角度出发进行的逆向确认过程,因此匹配的顺序很容易影响匹配的质量,如遇到欠分割、过分割等分割误差,也不能很好的鉴别和剔除,反而影响之后的匹配工作,这个问题在密度高、空间异质性高的林分单木遥感反演工作中尤为明显。如何更合理地将遥感手段获取的单木与实际单木进行匹配,是当前很有挑战性的主题。
当前单木匹配面临的挑战主要是:
(1)单向匹配,无法甄别并剔除欠分割、过分割产生的误差,并在匹配过程中不断积累误差,影响后续匹配效果;
(2)在密度高、空间异质性高的林分中匹配效果不佳,尤其是平均最邻近体间距离小于平均冠幅的林分,准确匹配的难度较大。
三、发明内容
针对现有匹配方法在密度高、冠幅遮挡严重的林分条件下表现不佳的问题,提出一种基于双向选择判断原理的单木匹配方法,适用于各种林型,尤其对复杂结构的林分在单木提取的方面具有较大的优势。
本发明解决其技术问题采取的技术方案是:先以遥感手段提取到的单木为中心寻找合适的实测木,再以该实测木为中心判断是否合理匹配,其特征是,具有双向判断的过程;所述方法包括以下步骤:
①树高排序:对遥感手段提取所得单木(简称遥感木)按照树高由大到小排序,匹配工作从最高的遥感木开始进行,设待匹配的遥感木为A;
②确定候选实测木:以遥感木A位置为中心,m倍冠幅为半径,划分邻域范围,该邻域范围内,与A树高不超过n倍树高的实测木被确定为候选;其中参数m、n根据林分平均冠幅、最邻近体间平均距离等信息进行调整,默认值m=3,n=0.5;
③确定最优候选木:依据候选实测木与A的距离,按照距离由小到大为侯选实测木进行排序并编号,令距离最近的实测木为1号木,它与A的距离为d1、树高差为h1,其次为2号木,它与A的距离为d2,树高差为h2,以此类推;从1号木开始,默认为最优候选木,若满足条件:h2<h1并且(d2-d1)<D,则最优侯选木变为2号,与3号进行比较;若不满足该条件,则最优侯选木不变,继续将1号与3号比较,以此类推,至候选实测木中所有单木均完成比较,决定出最终的最优侯选木;D值依据最邻近体间平均距离进行调整,默认D=2m;
④逆向判断:以最优侯选木(简称B)为中心,划分邻域范围,其规则与权利2中划分邻域范围的规则一致;分别计算领域内所有遥感木与B的树高差、距离,如果A的树高差、距离均是其中最小的,则判断A与B的树高差是否小于等于p倍的B树高;如果满足,则确定A与B匹配成功,否则不予匹配;其中p值根据单木树高进度要求进行设置,默认p=0.2,单木树高精度在90%左右;
⑤循环匹配:如A匹配成功,则按照树高顺序进行下一棵LiDAR木的匹配;如A匹配不成功,则等待LiDAR木完成第一轮匹配后进行第二、三轮匹配,直至未匹配的LiDAR木数量不再变化。
本项发明与现有技术相比具有以下优点:
①变革了遥感手段提取到的单木与实际单木进行匹配的思路方法
传统匹配只有单向的匹配过程,匹配的顺序很容易影响匹配的结果;不易甄别和剔除欠分割、过分割的单木,并随着匹配的进行,误差不断积累。本方法具有双向选择确认的过程,同时分析遥感木与实测木各自的邻域内的林木情况,综合两方面因素确定是否匹配成功。
②提升了匹配精度,尤其对下层林木的匹配相比其他方法更为合理
分别采用邻域最高匹配法、距离最近匹配法、双因素匹配法和本发明针对同一块实验区进行匹配验证,证实本发明可同时提升匹配精度和单木信息精度,尤其是对下层林木的匹配,相比其他方法在匹配精度和单木信息进度方面均有显著提升。
(注:常用的匹配精度计算方法为匹配精度A=1-错分误差率-漏分误差率。)
本发明在林业遥感上意义重大、应用广泛,满足各种林分条件下遥感手段提取到的单木与实际单木进行匹配的工作要求,匹配误差低、匹配后对应的单木信息精度高,是遥感信息提取成果向森林经营管理方案制定功能转化的重要步骤,是客观评价遥感反演单木信息质量的重要手段,从而进一步扩大林业遥感产品的应用范围。
四、附图说明
下面结合附图和实施例对本发明进一步说明。
图1为单木匹配工作流程;
图2为四种匹配方式在各林层的匹配精度;
图3为各林层林层单木匹配可视化模拟;
五、具体实施方式:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。本发明:一种基于双向选择判断原理进行的遥感手段提取单木与实际单木匹配的方法,所述方法包括以下步骤:
①树高排序:对遥感手段提取所得单木(简称遥感木)按照树高由大到小排序,匹配工作从最高的遥感木开始进行,设待匹配的遥感木为A;
②确定候选实测木:以遥感木A位置为中心,m倍冠幅为半径,划分邻域范围,该邻域范围内,与A树高不超过n倍树高的实测木被确定为候选;其中参数m、n根据林分平均冠幅、最邻近体间平均距离等信息进行调整,默认值m=3,n=0.5;
③确定最优候选木:依据候选实测木与A的距离,按照距离由小到大为侯选实测木进行排序并编号,令距离最近的实测木为1号木,它与A的距离为d1、树高差为h1,其次为2号木,它与A的距离为d2,树高差为h2,以此类推;从1号木开始,默认为最优候选木,若满足条件:h2<h1并且(d2-d1)<D,则最优侯选木变为2号,与3号进行比较;若不满足该条件,则最优侯选木不变,继续将1号与3号比较,以此类推,至候选实测木中所有单木均完成比较,决定出最终的最优侯选木;D值依据最邻近体间平均距离进行调整,默认D=2m;
④逆向判断:以最优侯选木(简称B)为中心,划分邻域范围,其规则与权利2中划分邻域范围的规则一致;分别计算领域内所有遥感木与B的树高差、距离,如果A的树高差、距离均是其中最小的,则判断A与B的树高差是否小于等于p倍的B树高;如果满足,则确定A与B匹配成功,否则不予匹配;其中p值根据单木树高进度要求进行设置,默认p=0.2,单木树高精度在90%左右;
⑤循环匹配:如A匹配成功,则按照树高顺序进行下一棵LiDAR木的匹配;如A匹配不成功,则等待LiDAR木完成第一轮匹配后进行第二、三轮匹配,直至未匹配的LiDAR木数量不再变化。
为了验证本方法的有效性和进步性,使用LiDAR在某实验区的点云数据提取出的单木与地面实测数据作为验证对象,分别使用邻域最高匹配法、距离最近匹配法、双因素匹配法和本方法进行单木匹配,基本情况及结果如下:
(1)实验区林分结构概况
研究区森林类型为青海云杉(picea crassifolia)天然纯林,为成熟林。沿着山坡走势布设了一个超级样地,样地尺寸为100m*100m,形状为正方形,照25m*25m尺寸划分成16个子样地。对超级样地中林木进行每木检尺,获得林木胸径、树高、冠幅、枝下高,通过全站仪获得单木位置。样地共调查了1435株树,因此将相关基本统计量列表如下:
表1超级样地林分信息
由表可知,该研究区森林郁闭度高、株数密度大,最邻近体间平均距离远小于平均冠幅,说明林木树冠间遮挡严重,树高变异指数较大,为复层林。
(2)LiDAR反演林分信息概况
使用LiDAR点云数据进行单木分割,共提取林木1421株,平均树高精度91.79%,树高基尼指数精度74.32%,树高变异指数精度74.15%。
(3)匹配方法
①邻域最高匹配法,即从最高的LiDAR提取木开始,以其为中心划分圆形邻近区域,将该区域内最高的地面实测木作为匹配木;
②距离最近匹配法,即将与LiDAR提取木与距离最近的地面实测木相匹配;
③双因素匹配法,即同时考虑树高差与距离两个因素,选择两者之和最小者作为匹配木;在实际操作过程中,为了保证树高差、距离两者度量的均衡,会根据实际变动范围为二者赋予不同权重;
④双向选择判断法,即本发明使用的方法。
(4)精度计算
为了区分同一种聚类方式所得结果下不同匹配方式的效果优劣,以所有地面实测林木均应得到匹配为理想状态,设计匹配效果评价指标如下:
①漏匹配率(omission error,OE):没有匹配的地面实测林木数量占所有地面实测林木数量的比例
OE=(N_ref-N_match)/N_ref×100%
②错误匹配率(commission error,CE):即本不应该匹配却匹配成功的林木数量占所有地面实测林木数量的比例,其中不应该匹配却匹配成功的林木数量通过聚类林木数量与匹配林木数量的差值代替。
CE=(N_test-N_match)/N_ref×100%
③匹配精度指标(match accuracy index,A_match):设理想状态下匹配精度为1,减去漏匹配率及错误匹配率,及总体匹配精度,以此融合两方面因素:
A_match=1-OE-CE
(5)匹配结果
针对某种匹配方式,设置的匹配条件越严格,单木精度越高,而匹配成功的林木数量越少,因此可以通过调节匹配条件,获得不同匹配方法下匹配精度近似而单木树高精度不同、或单木树高精度大致相同而匹配精度不同的结果,如表1、2。
表2匹配精度相近时不同匹配方式所得单木树高、冠幅精度比较
表3单木树高精度相近时不同匹配方式所得匹配精度比较
匹配方法 | 匹配精度 | 单木树高精度 | 单木冠幅精度 |
邻域最高匹配法 | 43.00% | 91.10% | 63.10% |
最近邻匹配法 | 31.85% | 90.83% | 61.79% |
双因素匹配法 | 33.52% | 91.04% | 61.99% |
双向选择判断法 | 61.11% | 91.01% | 68.64% |
由结果可知,当匹配精度均为61%左右时,不同匹配方式的单木树高精度差异较大,精度最低为距离最近匹配法,精度最高为双向选择匹配法,单木冠幅精度也表现出同样的趋势;当不同匹配方式的单木树高精度在91%左右时,双向选择法同样表现出最优的匹配精度、聚类效果指数和冠幅精度。
为了探求四种匹配方式对不同级别树高的匹配精度差异,以5m为一级划分林层,分别计算匹配精度,如图2。由图2可知,总体来说双向判断法的匹配精度最高,尤其在2-10m的下层林、中层林中表现突出;邻域最高匹配法在上层林表现较好,尤其是树高为20-25m的最上层林木,提取精度甚至超过于双向选择法,但在林下层提取方面表现不佳;最邻近匹配法与双因素法精度差异不大,均低于其他两种方法,并且特色不突出。
图3展示了LiDAR提取的单木与实际单木位置关系,其中LiDAR预测林木位置用+号表示,实际林木位置用·号表示,两者连线为匹配情况,圆圈表示LiDAR提取冠幅。
可见,本发明的方法在株数密度高、树冠遮挡严重的林分条件下,可以很好地将遥感手段提取到的单木与地面实测单木匹配起来,同样条件下的匹配精度明显优于其他匹配方法,通过实验充分验证了本发明的优越性。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (1)
1.一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法,其特征是:
步骤①树高排序:对遥感手段提取所得单木, 简称遥感木, 按照树高由大到小排序,匹配工作从最高的遥感木开始进行,设待匹配的遥感木为A;
步骤②确定候选实测木:以遥感木A位置为中心,m倍冠幅为半径,划分邻域范围,该邻域范围内,与A树高不超过n倍树高的实测木被确定为候选;其中参数m、n根据林分平均冠幅、最邻近体间平均距离等信息进行调整,默认值m=3,n=0.5;
步骤③确定最优候选木:从候选中依据实测木与A的树高差、距离选择最适合匹配的实测木, 简称最优侯选木,其具体过程为:依据候选实测木与A的距离,按照距离由小到大为侯选实测木进行排序并编号,令距离最近的实测木为1号木,它与A的距离为d1、树高差为h1,其次为2号木,它与A的距离为d2,树高差为h2,以此类推;从1号木开始,默认为最优候选木,若满足条件:h2<h1并且(d2-d1)<D,则最优侯选木变为2号,与3号进行比较;若不满足该条件,则最优侯选木不变,继续将1号与3号比较,以此类推,至候选实测木中所有单木均完成比较,决定出最终的最优侯选木;D值依据最邻近体间平均距离进行调整,默认D=2m;
步骤④逆向判断:以最优侯选木为中心,判断A是否是其邻域内与其距离最近且树高差最小的遥感木,并且满足树高差的限制要求,如果两个条件均成立,则匹配成功;其具体过程为:以最优侯选木简称B为中心,划分邻域范围,其规则步骤③中划分邻域范围的规则一致;分别计算领域内所有遥感木与B的树高差、距离,如果A的树高差、距离均是其中最小的,则判断A与B的树高差是否小于等于p倍的B树高;如果满足,则确定A与B匹配成功,否则不予匹配;其中p值根据单木树高进度要求进行设置,默认p=0.2,单木树高精度在90%左右;
步骤⑤循环匹配:如A匹配成功,则按照树高顺序进行下一棵LiDAR木的匹配;如A匹配不成功,则等待LiDAR木完成第一轮匹配后进行第二、三轮匹配,直至未匹配的LiDAR木数量不再变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039791.2A CN106778696B (zh) | 2017-01-18 | 2017-01-18 | 一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039791.2A CN106778696B (zh) | 2017-01-18 | 2017-01-18 | 一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778696A CN106778696A (zh) | 2017-05-31 |
CN106778696B true CN106778696B (zh) | 2020-01-31 |
Family
ID=58944604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710039791.2A Active CN106778696B (zh) | 2017-01-18 | 2017-01-18 | 一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778696B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849722A (zh) * | 2015-05-08 | 2015-08-19 | 南京林业大学 | 一种LiDAR波形综合特征的单木识别方法 |
CN105894501A (zh) * | 2016-03-29 | 2016-08-24 | 南京信息工程大学 | 一种高分辨率遥感图像单木探测和树冠描绘方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2709377A1 (en) * | 2007-12-20 | 2009-07-09 | Imagetree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
US9477899B2 (en) * | 2014-06-05 | 2016-10-25 | Weyerhaeuser Nr Company | System and method for differentiating type of vegetation from remotely sensed data |
-
2017
- 2017-01-18 CN CN201710039791.2A patent/CN106778696B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849722A (zh) * | 2015-05-08 | 2015-08-19 | 南京林业大学 | 一种LiDAR波形综合特征的单木识别方法 |
CN105894501A (zh) * | 2016-03-29 | 2016-08-24 | 南京信息工程大学 | 一种高分辨率遥感图像单木探测和树冠描绘方法 |
Non-Patent Citations (4)
Title |
---|
Multiscale Isotropic Matched Filtering for Individual Tree Detection in LiDAR Images;Roman M. Palenichka;《 IEEE Transactions on Geoscience and Remote Sensing》;20071231;3944-3956页 * |
基于改进爬峰法高分辨率遥感影像分割的树冠提取;张 凝;《农业机械学报》;20141231;294-300页 * |
机载激光雷达在林业中的应用;吴娇娇;《安徽农业科学》;20161231;209-212页 * |
结合航空影像纹理和光谱特征的单木冠幅提取;张凝;《北京林业大学学报》;20150331;13-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106778696A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845399B (zh) | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 | |
Wu et al. | Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests | |
CN100485662C (zh) | 基于数据动态存取模型的产品点云型面特征分析方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN110223314A (zh) | 一种基于树冠三维点云分布的单木分割方法 | |
CN103390169A (zh) | 一种车载激光扫描点云数据的城市地物分类方法 | |
CN106056136A (zh) | 一种聚类中心快速确定的数据聚类方法 | |
CN105407529B (zh) | 基于模糊c均值聚类的无线传感器网络节点定位算法 | |
CN104504709A (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN107316053A (zh) | 一种布料图像快速匹配检索方法 | |
CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
CN105069463A (zh) | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
CN105740859B (zh) | 一种基于几何测度和稀疏优化的三维兴趣点检测方法 | |
CN115100232A (zh) | 一种基于融合LiDAR点云数据的单木分割方法 | |
CN106778696B (zh) | 一种基于双向选择判断原理进行遥感手段提取单木与实际单木信息匹配的方法 | |
CN105678229B (zh) | 一种高光谱影像检索方法 | |
CN104715160A (zh) | 基于kmdb的软测量建模数据异常点检测方法 | |
CN109655937A (zh) | 一种叠前地震数据规则化观测系统的评价方法 | |
CN107941210A (zh) | 一种结合神经网络技术及三角形算法的星图识别方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN108280210B (zh) | 一种基于烟花算法的交通路线确定方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |