CN107451982B - 一种基于无人机影像的高郁闭度林分树冠面积获取方法 - Google Patents
一种基于无人机影像的高郁闭度林分树冠面积获取方法 Download PDFInfo
- Publication number
- CN107451982B CN107451982B CN201710693176.3A CN201710693176A CN107451982B CN 107451982 B CN107451982 B CN 107451982B CN 201710693176 A CN201710693176 A CN 201710693176A CN 107451982 B CN107451982 B CN 107451982B
- Authority
- CN
- China
- Prior art keywords
- image
- crown
- digital
- area
- unmanned aerial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于无人机影像的高郁闭度林分树冠面积获取方法,本发明涉及高郁闭度林分树冠面积获取方法。本发明为了解决现有无人机获取的影像数据由于树冠之间的相互遮挡存在无法准确区分的连结树冠,导致无法准确提取单木树冠信息以及面积的问题。本发明包括:一:生成数字正射影像、数字表面模型和数字高程模型;二:对数字正射影像处理得到林地区域图像,经过二值化和图像形态学处理后利用索贝尔算子检测林地边缘;三:对数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界;四:将林地边缘和相互遮挡树冠之间的边界进行合并后,利用霍夫变换算法检测圆并提取树冠面积。本发明用于林业遥感领域。
Description
技术领域
本发明涉及高郁闭度林分树冠面积获取方法。
背景技术
随着无人机技术的不断发展,其在林业中的应用也越来越广泛。无人机航空摄影作为高分影像的重要获取方式,具有成本低、效率高、时效性强等特点,己逐渐成为森林资源调查与监测的新途径。轻小型无人机作为一种新型获取数据来源的技术设备,以其成本低、轻巧灵活、方便、安全、快速获取高分辨率影像的优点弥补了传统卫星遥感影像分辨率低、容易受到云层影响数据质量以及重返周期限制等不足。同时,无人机航空摄影测量技术可以实现对林班、小班的数据采集和获取,研究对象不再立足于单木和样地,还可将整个林场作为研究对象,这就更加使得无人机技术在森林资源调查和动态监测中发挥出巨大的优势。
无人机作为小型化的飞行平台可实现高分辨率影像的采集,在弥补卫星遥感经常因云层遮挡获取不到影像缺点的同时,解决了传统卫星遥感重访周期过长,应急不及时等问题。无人机航拍影像具有数字化程度高、分辨率高、多时空尺度等特点,通过对无人机影像进行处理,结合相关测绘技术能得到需要的树木结构参数以及森林三维场景构建。树冠是树木的重要组成部分,也是遥感影像中最直观、信息量最丰富的组成部分。同时通过对冠幅的分析,还可以计算得到林木的株数密度及林分郁闭度等参数。利用无人机的航空摄影测量影像可以有效分析常绿森林的树冠结构,目前利用无人机影像提取冠幅常用的方法有目视解译和面向对象2种。
由于受到测量环境之间树冠的相互遮挡,无人机获取的影像数据往往存在由于树冠之间的相互遮挡存在测量不到的地方,导致局部区域信息缺失。树冠之间的遮挡使我们无法准确获得单木树冠的边界,从而无法获得树冠面积数据。
综上所述,开发一种克服遮挡效应的无人机影像树冠提取方法显得尤为重要。
发明内容
本发明的目的是为了解决现有无人机获取的影像数据由于树冠之间的相互遮挡存在无法准确区分的连结树冠,导致无法准确提取单木树冠信息以及面积的问题,而提出一种基于无人机影像的高郁闭度林分树冠面积获取方法。
一种基于无人机影像的高郁闭度林分树冠面积获取方法包括以下步骤:
步骤一:利用无人机采集林地的影像,对影像进行处理后生成数字正射影像、数字表面模型和数字高程模型;
步骤二:对步骤一中得到的数字正射影像利用超绿特征算法处理后得到林地区域图像,林地区域图像经过二值化和图像形态学处理后利用索贝尔算子检测林地边缘;
步骤三:对步骤一中得到的数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界;
步骤四:将步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界进行合并后,利用霍夫变换算法检测圆并提取树冠面积。
本发明的有益效果为:
本发明方法提供了一个简单快捷的高郁闭度林树冠面积获取方式,通过霍夫变换提树冠圆形面积。通过数字表面模型(digital surface model,DSM)数据提取连结树冠之间的边界提高了工作效率,避免了对每一棵树进行树冠边界获取的繁琐工作,只要通过树冠中心点坐标定位霍夫变换检测到的圆形树冠边界即可准确提取树冠面积,有利于提高森林普查的工作效率。
下表为通过本发明方法获取的树冠面积数据,其中树冠面积数据为通过霍夫变换检测到的圆形树冠面积,树高真实值为通过ENVI软件手工勾勒树冠边界后进行面积提取,通过数据对比可以发现,平均精度达到了77.25%,满足林业调查的要求,说明一种基于无人机影像的高郁闭度林树冠面积获取方法是可行而有效的。
附图说明
图1是发明的流程图;
图2是拼接、定向过后获取的测区无人机影像。
图3是经过excess green(EXG)算法处理后得到的excess green图像;
图4是经过形态学处理和边缘检测后得到的林地边界图;
图5是对数字表面模型(digital surface model,DSM)进行滤波后得到的连结树冠之间的边界图;
图6是经过霍夫变换后得到的圆形树冠图;
图7是树顶点示意图。
具体实施方式
具体实施方式一:一种基于无人机影像的高郁闭度林分树冠面积获取方法包括以下步骤:
步骤一:利用无人机采集林地的影像,对影像进行处理后生成数字正射影像(Digital Orthophoto Map,DOM)、数字表面模型(digital surface model,DSM)和数字高程模型(Digital elevation model,DEM);
步骤二:对步骤一中得到的数字正射影像利用超绿特征算法excess green(EXG)处理后得到林地区域图像,林地区域图像经过二值化和图像形态学处理后利用索贝尔(Sobel)算子检测林地边缘;
步骤三:对步骤一中得到的数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界;
步骤四:将步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界进行合并后,利用霍夫(Hough)变换算法检测圆并提取树冠面积。
郁闭度是指森林中乔木树冠彼此相接,遮蔽地面的程度。亦即单位面积上立木树冠投影面积之和与该面积之比值。当林分郁闭度为1.0~0.9时,为高度郁闭。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中利用无人机采集林地的影像,对影像进行处理后生成数字正射影像、数字表面模型和数字高程模型的具体过程为:
步骤一一:将无人机影像导入摄影测量与建模软件Agisoft photoscan中;
步骤一二:根据最新的多视图三维重建技术,自动计算出照片的位置、姿态,内定向、相对定向及绝对定向都自动完成,从无人机航拍的原始照片数据中提取带有坐标信息的三维密集点云数据,无需入工另加干预。所需的基本数据有影像、pos数据及控制点数据。
步骤一三:根据带坐标信息的三维密集点云数据,重构三维密集点云数据的多边形网格(polygonal mash)模型;重构出线、面、体、空间等各类数据,展现事物真实的形态特性。
步骤一四:选取数码影像对多边形网格模型赋予彩色纹理;
步骤一五:根据多边形网格模型生成数字表面模型和数字高程模型,赋予彩色纹理后的多边形网格模型经过微分纠正生成数字正射影像。
在软件中操作的具体步骤为导入照片与pos数据、对齐照片、建立密集点云、生成网格、生成纹理、成果生成与输出。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中对步骤一中得到的数字正射影像利用超绿特征算法处理后得到林地区域图像,林地区域图像经过二值化和图像形态学处理后利用索贝尔算子检测林地边缘的具体过程为:
步骤二一:根据超绿(xcess green(EXG))特征指数对步骤一中得到的数字正射影像实现灰度化,超绿特征指数公式为:
EXG=2ρgreen-ρred-ρblue
其中所述EXG为计算得到像素点的超绿特征指数值,ρgreen,ρred,ρblue分别表示绿、红、蓝三个波段的反射值;
步骤二二:对步骤二一中经过超绿特征算法处理后获得的灰度图像进行二值化;
步骤二三:对步骤二二中进行二值化后的二值图像进行膨胀、开闭运算以及腐蚀处理;
图像膨胀的效果是生长或粗化一幅二值图像中的目标,这个粗化的范围和方向由结构元素的尺寸和形状控制,先进行图像膨胀用公式表示为:
图像膨胀后进行开启运算:先用B′形态腐蚀A′,再用B′膨胀的结果即为用B形态对A′进行开启操作,其在数学上的定义为:
开启运算后进行闭合运算:先用B″形态膨胀A″,再用B″腐蚀的结果即为用B″形态对A″进行闭合操作,其在数学上的定义为:
其中所述A″开启后的图像,·为闭合算子,B″为闭合的结构元素;
图像腐蚀的效果是收缩或细化一幅二值图像中的目标,这个细化的范围和方向由结构元素的尺寸和形状控制,闭合运算后进行图像腐蚀用公式表示为:
其中所述A″′为闭合后的图像,Θ为腐蚀算子,B″′为腐蚀的结构元素,Z为位移元素。
步骤二四:对步骤二三中经过处理的图像用索贝尔算子进行边缘检测,将图像的每一个点都用索贝尔算子做卷积;一个用来检测垂直边缘,一个用来检测水平边缘,两个卷积的最大值将作为该点的输出,即检测后的灰度;
若经过步骤二三处理后的图像A1为原图像,边缘检测过程如下:
其中所述Gx和Gy分别表示经过水平和垂直边缘检测的图像灰度值,G为得到的灰度值大小。经过检测后的边缘灰度值与非边缘区域形成对比,图像边缘在亮度上突出显示。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中对步骤一中得到的数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界的具体过程为:
步骤三一:对步骤一中得到的数字表面模型进行中值滤波;
步骤三二:对步骤三一中值滤波后的数字表面模型将所有行和列的像素生成曲线;
步骤三三:选取符合(ρ(j,i-1)>ρ(j,i)<ρ(j,i+1))∪(ρ(j-1,i)>ρ(j,i)<ρ(j+1,i))条件的点,令符合条件的点的像素值为1,不符合条件的点的像素值为0;
其中所述ρ(j,i)为像素点的像素值,i,j分别为像素的行数与列数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中将步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界进行合并后,利用霍夫变换算法检测圆并提取树冠面积的具体过程为:
步骤四一:将步骤一中生成的数字表面模型作为被减栅格,数字高程模型作为减数栅格,生成数字冠层模型(Canopy Height Model,CHM);设置一个3m*3m(m为米)的矩形窗口进行局部最大值搜索,数字冠层模型作为被减栅格,局部最大值作为减数栅格,结果保存为树顶点栅格图层;将树顶点栅格图层进行重分类,潜在的树顶点值为0,将[-0.000001,0]分为一类,得到树冠中心点坐标(树顶点值为0,非树顶点值变为负数,将值为0分为一类,值非0分为一类,值为0的点对应坐标即为得到的树冠中心点坐标);树顶点如图7所示。
步骤四二:步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界均为像素值为0或1的二值图像,对两幅图像中同一坐标像素值相同的像素点不做处理,像素值不同的像素点将像素值改为1,新生成的图像则为合并后的树冠边界图像;
步骤四三:采用霍夫变换算法将步骤四二合并后的树冠边界图像中的树冠视为圆形进行检测;由于步骤四一中生成的树冠边界存在不连续情况以及噪声点的存在导致无法完整描绘出树冠边界,采用霍夫变化将树冠视为圆形进行检测。
步骤四四:计算步骤四一中得到的树冠中心点坐标与检测到圆的圆心之间距离d,若d≤1m,取圆的圆心、半径的平均值作为检测到的圆形树冠;
由于检测到的圆数目较多,无法准确定位到每棵树树冠,计算步骤四一中得到的树冠中心点坐标与检测到圆的圆心之间距离d,若d≤1m,取所有符合条件圆的圆心、半径的平均值作为检测到的圆形树冠。
步骤四五:对检测到的圆形树冠利用圆的面积公式S=πr2求取树冠面积;其中所述S为求得树冠面积,r为检测到的树冠半径。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四三中采用霍夫变换算法将树冠视为圆形进行检测的具体过程为:
步骤四三一:步骤四一中生成的树冠边界为二值图像,利用索贝尔算子进行边缘检测;
步骤四三二:根据林地的树冠大小设置霍夫变换检测的角度angle变化范围和步长以及半径的变换范围和步长(根据林地树冠的大小设置霍夫变换检测的角度变化范围和步长以及半径的变换范围和步长,防止因检测圆数量过多引起的数据过大以及内存不足);
步骤四三三:通过公式a=x-r*cos(angle),b=y-r*sin(angle)将四三一中利用索贝尔算子检测后的图像中的边缘点(x,y)映射到参数空间(a,b,r)中,求出圆的圆心坐标和半径;其中x和y分别为边缘点的横纵坐标,a和b为x和y对应的参数空间的坐标,r为检测圆的半径。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本发明的一种基于无人机影像的高郁闭度林树冠面积获取方法的流程图如图1所示。
本发明的无人机影像数据采集模块由无人机航拍进行获取,具体步骤如下:
A)控制点的采集:根据野外的实际地形情况将控制点布设在明显地物点上,明显地物点是指野外的实地位置和航片的影像位置都可以明确辨认的点。一般地区较理想的明显地物点是近于直角而且又近于水平的线状地物的交点和地物的拐角上,特别是道路交叉的位置经常作为优先选点的理想目标。像片控制点的点位目标影像应清晰,易于判读和立体量测,当目标与其他像片条件发生矛盾时,应着重考虑目标条件。野外航片控制点测量的工作经过以下过程:拟定控制点测量的技术计划,实地踏勘选定航片控制点,像控点的刺点与整饰;控制点的观测、计算,控制成果的整理等。实地拟定像控点是根据技术计划到实地进行核实对照、最后确定像控点的位置和施测方法。像控点选定后,像片上要准确刺出像控点的位置,刺点的像片经过整饰注记即能获得摄影测量内业成图需要的控制片。野外控制测量完成后,能获得像控点坐标的观测、计算成果与标示有像控点位置和坐标的控制片。
B)无人机影像数据获取:
无人机影像数据的获取主要包括样地因子调查、控制点采集、控制点布点方案、航线网布点、区域网布点、航测影像获取等步骤。
航摄按照设计要求飞行,航向重叠一般60%-65%之间,旁向重叠一般在32%-48%之间,航向弯曲度在3%之内,航片倾斜角一般小于2度,均在规定的限差内。同一航线上相邻航片的航高差不大于30m;大航高与最小航高之差不大于50m,摄区内实际航高与设计航高之差不大于设计航高的5%;覆盖超出测区边界线不少于一条航线,旁向覆盖超出测区边界线不少于像幅的40%。
本发明的无人机影像数据定向拼接和产品生成由Agisoft photoscan软件进行,具体步骤如下:
A)输入影像及pos数据:将无人机航拍得到的影像以及pos数据导入到Agisoftphotoscan软件中。
B)对齐照片:点击“工作流程”—“对齐照片”,软件会根据航片坐标、高程信息,相似度自动排列照片。对齐照片时,根据不同需求选择精度,最后点击确认,自动对齐照片。
C)建立密集点云:点击“工作流程”—“建立密集点云”,同样根据需求选择质量。
D)生成网格:点击“工作流程”—“生成网格”,表面模型选择“任意”,源数据选择“密集点云”,面数根据成像质量需求选择“高”、“中”、“低”。
E)生成纹理:点击“工作流程”—“生成纹理”,映射模式选择“正射影像”,混合模式选择“镶嵌(默认)”。
如图2所示为拼接、定向过后获取的测区无人机影像。
本发明的林地边缘检测由excess green(EXG)算法和索贝尔边缘检测算子实现,具体算法步骤如下:
A)EXG算法实现图像灰度化:根据excess green(EXG)特征指数对数字正射影像实现灰度化,过绿(EXG)特征指数公式为:
EXG=2ρgreen-ρred-ρblue
其中所述EXG为计算得到像素点的excess green(EXG)特征指数值,ρgreen,ρred,ρblue分别表示绿、红、蓝三个波段的反射值。
B)图像二值化:对过绿特征算法处理后获得的灰度图进行阈值分割(二值化)。
C)图像形态学处理:对阈值分割后的二值图像进行膨胀、开闭运算、腐蚀等形态学处理。
D)索贝尔算子边缘检测:对经过数学形态学处理的图像用索贝尔(Sobel)算子进行边缘检测,将图像的每一个点都用sobel算子做卷积:一个用来检测垂直边缘,一个用来检测水平边缘,而最后两个卷积的最大值将作为该点的输出,即检测后的灰度。若A为原图像,边缘检测过程如下:
其中所述Gx和Gy分别表示经过水平和垂直边缘检测的图像灰度值,G为最后得到灰度值大小。
如图3为经过excess green(EXG)算法处理后得到的excess green图像。
如图4为经过图像形态学处理和索贝尔算子边缘检测后的林地边缘。
本发明的相互遮挡树冠之间边界通过数字表面模型(DSM)获取,具体步骤如下:
A)图像滤波:对数字表面模型(DSM)进行中值滤波。
B)获取像素曲线上的极小值点:。检测经过滤波后图像像素曲线中所有极小值点,对符合(ρ(j,i-1)>ρ(j,i)<ρ(j,i+1))∪(ρ(j-1,i)>ρ(j,i)<ρ(j+1,i))条件的点,令该点的像素值为1,不符合该条件的点像素值为0。
其中所述ρi为对应点的像素值,i,j分别为对应的行数与列数。
如图5为连结树冠之间的边界。
本发明的圆形树冠以及树冠面积获取通过霍夫变换算法实现,具体步骤如下:
A)树冠中心点坐标获取:将数字表面模型(DSM)作为被减栅格,数字高程模型(DEM)作为减数栅格,生成数字冠层模型(Canopy Height Model,CHM)。设置一个3m*3m的矩形窗口进行局部最大值搜索,数字冠层模型(CHM)作为被减栅格,局部最大值作为减数栅格,结果保存为树顶点栅格图层。将树顶点栅格图层进行重分类,由于潜在的树顶点值为0,将[-0.000001,0]分为一类,这样就可以得到树冠中心点坐标。
B)合成树冠边界:将林地边缘和连结树冠的边界合为一幅图像,对两幅图像中同一坐标像素值相同的像素点不做处理,像素值不同的像素点将像素值改为1,新生成的图像则为合并后的树冠边界。
C)圆形树冠检测:通过霍夫变换算法检测圆形树冠。
检测过程如下:
1、利用sobel算子进行边缘检测。
2、设置霍夫变换检测的角度(angle)变化范围和步长,半径(r)变换范围和步长。
3、通过公式a=x-r*cos(angle),b=y-r*sin(angle)将圆图像中的边缘点(x,y)映射到参数空间(a,b,r)中,由于是数字图像且采取极坐标,angle和r都取一定的范围和步长,这样通过两重循环即可将原图像空间的点映射到参数空间中,再在参数空间中寻找圆心,然后求出半径坐标。
D)树冠面积计算:计算得到的树冠中心点坐标与检测到圆的圆心之间距离d,若d≤1m,取所有符合条件圆的圆心、半径的平均值作为检测到的圆形树冠,对检测到的圆形树冠利用圆的面积公式S=πr2求取树冠面积。
如图6为得到的圆形树冠边界。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述基于无人机影像的高郁闭度林分树冠面积获取方法包括以下步骤:
步骤一:利用无人机采集林地的影像,对影像进行处理后生成数字正射影像、数字表面模型和数字高程模型;
步骤二:对步骤一中得到的数字正射影像利用超绿特征算法处理后得到林地区域图像,林地区域图像经过二值化和图像形态学处理后利用索贝尔算子检测林地边缘;
步骤三:对步骤一中得到的数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界;
步骤四:将步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界进行合并后,利用霍夫变换算法检测圆并提取树冠面积。
2.根据权利要求1所述的一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述步骤一中利用无人机采集林地的影像,对影像进行处理后生成数字正射影像、数字表面模型和数字高程模型的具体过程为:
步骤一一:将无人机影像导入摄影测量与建模软件Agisoft photoscan中;
步骤一二:采用多视图三维重建技术,从无人机航拍的原始照片数据中提取带有坐标信息的点云数据;
步骤一三:根据带坐标信息的三维密集点云数据,重构三维密集点云数据的多边形网格模型;
步骤一四:选取数码影像对多边形网格模型赋予彩色纹理;
步骤一五:根据多边形网格模型生成数字表面模型和数字高程模型,赋予彩色纹理后的多边形网格模型经过微分纠正生成数字正射影像。
3.根据权利要求2所述的一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述步骤二中对步骤一中得到的数字正射影像利用超绿特征算法处理后得到林地区域图像,林地区域图像经过二值化和图像形态学处理后利用索贝尔算子检测林地边缘的具体过程为:
步骤二一:根据超绿特征指数对步骤一中得到的数字正射影像实现灰度化,超绿特征指数公式为:
EXG=2ρgreen-ρred-ρblue
其中所述EXG为计算得到像素点的超绿特征指数值,ρgreen,ρred,ρblue分别表示绿、红、蓝三个波段的反射值;
步骤二二:对步骤二一中经过超绿特征算法处理后获得的灰度图像进行二值化;
步骤二三:对步骤二二中进行二值化后的二值图像进行膨胀、开闭运算以及腐蚀处理;
先进行图像膨胀用公式表示为:
图像膨胀后进行开启运算:先用B'形态腐蚀A',再用B'膨胀的结果即为用B'形态对A'进行开启操作,其在数学上的定义为:
开启运算后进行闭合运算:先用B”形态膨胀A”,再用B”腐蚀的结果即为用B”形态对A”进行闭合操作,其在数学上的定义为:
其中所述A”为开启后的图像,·为闭合算子,B”为闭合的结构元素;
闭合运算后进行图像腐蚀用公式表示为:
其中所述A”'为闭合后的图像,Θ为腐蚀算子,B”'为腐蚀的结构元素,Z为位移元素;
步骤二四:对步骤二三中经过处理的图像用索贝尔算子进行边缘检测,将图像的每一个点都用索贝尔算子做卷积;两个卷积的最大值将作为该点的输出,即检测后的灰度;
若经过步骤二三处理后的图像A1作为原图像,边缘检测过程如下:
其中所述Gx和Gy分别表示经过水平和垂直边缘检测的图像灰度值,G为得到的灰度值。
4.根据权利要求3所述的一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述步骤三中对步骤一中得到的数字表面模型进行中值滤波后得到各行和各列的像素曲线,取出曲线上的极小值点得到相互遮挡树冠之间的边界的具体过程为:
步骤三一:对步骤一中得到的数字表面模型进行中值滤波;
步骤三二:对步骤三一中值滤波后的数字表面模型,将所有行和列的像素生成曲线;
步骤三三:选取符合(ρ(j,i-1)>ρ(j,i)<ρ(j,i+1))∪(ρ(j-1,i)>ρ(j,i)<ρ(j+1,i))条件的点,令符合条件的点的像素值为1,不符合条件的点的像素值为0;
其中所述ρ(j,i)为像素点的像素值,i,j分别为像素的行数与列数。
5.根据权利要求4所述的一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述步骤四中将步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界进行合并后,利用霍夫变换算法检测圆并提取树冠面积的具体过程为:
步骤四一:将步骤一中生成的数字表面模型作为被减栅格,数字高程模型作为减数栅格,生成数字冠层模型;设置一个3m*3m的矩形窗口进行局部最大值搜索,数字冠层模型作为被减栅格,局部最大值作为减数栅格,结果保存为树顶点栅格图层;将树顶点栅格图层进行重分类,树顶点值为0,非树顶点值变为负数,将值为0分为一类,值非0分为一类,值为0的点对应坐标即为得到的树冠中心点坐标;
步骤四二:步骤二中得到的林地边缘和步骤三中得到的相互遮挡树冠之间的边界均为像素值为0或1的二值图像,对两幅图像中同一坐标像素值相同的像素点不做处理,像素值不同的像素点将像素值改为1,新生成的图像则为合并后的树冠边界图像;
步骤四三:采用霍夫变换算法将步骤四二合并后的树冠边界图像中的树冠视为圆形进行检测;
步骤四四:计算步骤四一中得到的树冠中心点坐标与检测到圆的圆心之间距离d,若d≤1m,取圆的圆心、半径的平均值作为检测到的圆形树冠;
步骤四五:对检测到的圆形树冠利用圆的面积公式S=πr2求取树冠面积;其中所述S为求得树冠面积,r为检测到的树冠半径。
6.根据权利要求5所述的一种基于无人机影像的高郁闭度林分树冠面积获取方法,其特征在于:所述步骤四三中采用霍夫变换算法将树冠视为圆形进行检测的具体过程为:
步骤四三一:步骤四一中生成的树冠边界为二值图像,利用索贝尔算子进行边缘检测;
步骤四三二:根据林地的树冠大小设置霍夫变换检测的角度angle变化范围和步长以及半径的变换范围和步长;
步骤四三三:通过公式a=x-r*cos(angle),b=y-r*sin(angle)将四三一中利用索贝尔算子检测后的图像中的边缘点(x,y)映射到参数空间(a,b,r)中,求出圆的圆心坐标和半径;其中x和y分别为边缘点的横纵坐标,a和b为x和y对应的参数空间的坐标,r为检测圆的半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693176.3A CN107451982B (zh) | 2017-08-14 | 2017-08-14 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710693176.3A CN107451982B (zh) | 2017-08-14 | 2017-08-14 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451982A CN107451982A (zh) | 2017-12-08 |
CN107451982B true CN107451982B (zh) | 2020-08-14 |
Family
ID=60491974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710693176.3A Active CN107451982B (zh) | 2017-08-14 | 2017-08-14 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451982B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335354A (zh) * | 2018-03-01 | 2018-07-27 | 东北林业大学 | 一种基于移动最小二乘法的贪婪投影三角化算法单木重建方法 |
CN110617847A (zh) * | 2018-06-20 | 2019-12-27 | 福建农林大学 | 一种林分郁闭度自动测定系统及方法 |
CN110702000A (zh) * | 2018-07-10 | 2020-01-17 | 北京林业大学 | 一种基于改进Hough变化的激光雷达点云数据计算立木材积的方法 |
CN109099856A (zh) * | 2018-07-12 | 2018-12-28 | 河北农业大学 | 一种基于方位角与距离的树冠投影测量方法及系统 |
CN109118583B (zh) * | 2018-08-23 | 2022-09-13 | 中国科学院电子学研究所苏州研究院 | 一种基于cpu和gpu混合的高速并行地形遮蔽计算方法 |
CN110033517A (zh) * | 2019-04-17 | 2019-07-19 | 重庆同汇勘测规划有限公司 | 一种基于Agisoft photoscan数据处理流程方法 |
CN110598619B (zh) * | 2019-09-06 | 2023-04-07 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
CN110779876B (zh) * | 2019-11-07 | 2022-12-02 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种疫木识别方法、装置、设备及计算机可读存储介质 |
CN111738119B (zh) * | 2020-06-12 | 2024-02-09 | 云南电网有限责任公司电力科学研究院 | 一种基于modis卫星监测的森林山火面积估算方法及装置 |
CN112750135B (zh) * | 2020-12-31 | 2022-06-03 | 成都信息工程大学 | 一种无人机倾斜摄影测量像控点优化方法及系统 |
CN112868456B (zh) * | 2021-01-15 | 2022-09-06 | 杭州大地科技有限公司 | 二分法确定观叶乔木最佳栽植面的方法及其定位装置 |
CN113780086B (zh) * | 2021-08-11 | 2022-05-17 | 南京捷鹰数码测绘有限公司 | 一种基于无人机的远程自然资源动态监测方法 |
CN114596494B (zh) * | 2022-03-16 | 2023-10-24 | 北京爱科农科技有限公司 | 一种基于果园的果树监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285310A (ja) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
CN102096818A (zh) * | 2011-01-31 | 2011-06-15 | 中国林业科学研究院资源信息研究所 | 面向对象的遥感影像树冠轮廓及参数自动提取方法及系统 |
CN104463164A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
-
2017
- 2017-08-14 CN CN201710693176.3A patent/CN107451982B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285310A (ja) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
CN102096818A (zh) * | 2011-01-31 | 2011-06-15 | 中国林业科学研究院资源信息研究所 | 面向对象的遥感影像树冠轮廓及参数自动提取方法及系统 |
CN104463164A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 |
CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
Non-Patent Citations (5)
Title |
---|
TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery;Culvenor D S 等;《Computers & Geosciences》;20021231;第28卷(第1期);33-44 * |
基于地面激光扫描数据的树木参数提取研究;刘金鹏;《中国优秀硕士学位论文全文数据库 农业科技辑》;20170515(第05期);D049-130 * |
基于模糊理论的树冠图像边缘检测算法研究;桂启发 等;《江西农业学报》;20140815;第26卷(第8期);109-113 * |
无人机影像森林信息提取与模型研建;王伟;《中国优秀硕士学位论文全文数据库 农业科技辑》;20151015(第10期);D049-60 * |
树冠提取技术研究进展;付尧 等;《世界林业研究》;20130831;第26卷(第4期);38-42 * |
Also Published As
Publication number | Publication date |
---|---|
CN107451982A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451982B (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
Zhang et al. | New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV) | |
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Demir | Using UAVs for detection of trees from digital surface models | |
Dahaghin et al. | Precise 3D extraction of building roofs by fusion of UAV-based thermal and visible images | |
Tian et al. | 3D building change detection from high resolution spaceborne stereo imagery | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Chaloeivoot et al. | Building detection from terrestrial images | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
Belfiore et al. | Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
Torres-Martínez et al. | Combining geometrical and radiometrical features in the evaluation of rock art paintings | |
Tian | 3D change detection from high and very high resolution satellite stereo imagery | |
Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. | |
Ivelja et al. | Improving vertical accuracy of UAV digital surface models by introducing terrestrial laser scans on a point-cloud level | |
Zhu | A pipeline of 3D scene reconstruction from point clouds | |
Leeuwen et al. | Stem detection and measuring DBH using terrestrial laser scanning. | |
Gruen et al. | DSM/DTM-related investigations of the Moorea Avatar project | |
Kato et al. | True orthophoto creation through fusion of LiDAR derived digital surface model and aerial photos | |
CN107843240B (zh) | 一种海岸带区域无人机影像同名点信息快速提取方法 |
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 |