CN109033967A - 一种林木密闭度测算的方法和装置 - Google Patents
一种林木密闭度测算的方法和装置 Download PDFInfo
- Publication number
- CN109033967A CN109033967A CN201810666558.1A CN201810666558A CN109033967A CN 109033967 A CN109033967 A CN 109033967A CN 201810666558 A CN201810666558 A CN 201810666558A CN 109033967 A CN109033967 A CN 109033967A
- Authority
- CN
- China
- Prior art keywords
- forest
- leak tightness
- image
- tree body
- pixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005259 measurement Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 235000005456 Pinus sylvestris var mongolica Nutrition 0.000 description 2
- 241000114025 Pinus sylvestris var. mongolica Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001069925 Orestes Species 0.000 description 1
- 241000095444 Populus davidiana Species 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的实施例提供了一种林木密闭度测算的方法和装置,可方便测算林木密闭度。所述方法包括:获取纵向林木切面图;计算整幅或给定区域图阈值;确定前景或背景;根据确定的前景或背景把图像归为树体和非树体两类;统计树体占比确定林木密闭度。根据本发明的实施例,可方便、准确地确定林木密闭度。
Description
技术领域
本发明涉及森林经理领域,尤其涉及一种林木密闭度测算的方法和装置,其可用于对森林进行调查预测、森林经营、防护林以及生态效果评价等方面。
背景技术
林木密闭度就是林木占有纵向生长空间的大小,通常用林木纵断面上的林木面积和与总纵断面面积的比值来表示。它是林木之间纵向遮蔽程度的一个衡量指标。
郁闭度是林分的重要调查因子,它反映了树冠之间的相互遮蔽程度;但是,树木是生长在空间中的,不仅有树冠,还有树枝,也有树干,而这种林木间的纵向竞争因子长期没有得到足够的重视,究其原因,主要是不好表述,难于测量。随着技术的进步以及人们对了解林木群体状态等需求的增加,林木密闭度精确测量方法受到关注。林木密闭度是一个衡量和测算指标,其应用范围较为广泛,主要表现在如下几个方面。
1、林分的生长状态。如果是人工林,人们会按着一定的株行距植树,初始时的林木密闭度是一致的;但是,随着林木的生长,其横向和纵向逐渐出现差异,林木密闭度将逐渐发生变化,显而易见,林木密闭度越大其生长状态越好。天然林也同样,密闭度大的林分生长状态较好,表明个体获得了更多的生长空间。但是由于林木间存在竞争,林木不会向无限密集方向发展,当密闭度达到一定数值后将保持稳定,此时拥有最大的生物量。
2、森林碳储量估计。碳储量的多少间接反映了某一立地条件的好坏,在全球气候变暖大背景下,固碳效果成为人们关注的指标。碳储量的直接测定方法就是取回目标地域上全部植被称重、烘干、求碳,该法虽然准确但具有极大的工作量与破坏性,迫使人们不得不更多的采用间接方法求碳,其中的统计模型估计是常用方法,而胸径是常用变量。毋庸置疑,林木密闭度可作为林分碳储量预估的重要指标之一。
3、防护林效果评估。防护林是人为划定的是以防御自然灾害、维护生产、改善环境等为主要目的的森林群落,包括天然林但以人工林为主。一般意义上说,林木密闭都大,表明林木生长状态良好,其防护效果也会更好。无论风速降低效果、水土流失量、粮食增产量等,在定量评估这些指标与防护林关系时,由于林木密闭度这一指标直接有效、相对而言又便于测量,人们很自然的会使用它。
4、生态作用评价。生态环境与人类生存息息相关,水热资源条件、人均耕地面积、植被覆盖度等都是生态作用评价的重要指标。但是,如果提起陆地生态系统,人们首先想到的是森林,良好的森林生态系统能够为人类营造适宜的生存空间。而森林生态系统的主体是林木,如何评价林木的好坏?好的林木是健康的、是枝繁叶茂的,胸径、树高是人们常用的指标,实际上,林木密闭度与人类头脑中对树木生长好坏的感觉更直接。
这里仅仅给出林木密闭度几个常见的应用领域,由于林木密闭度是林分和林木间关系的一个衡量和测算指标,与胸径、树高、郁闭度一样,它是林业、农业、生态、环保等领域中的一个常用调查因子,在涉及林木的测算、预估、评估、评价等方面都有大量的应用。
截止到当前,林木密闭度的估计方法,主要包括目测估计、模型估计、图像分析方法等等,每种方法都各有优缺点。
目测估计是当前林分密闭度测定的最常用方法,测定人站在林木高度1-2倍的距离内,目测林木纵断面上树木占总面积的比值,这种方法简单易行,不受时间等的限制;但是需要测定人员有一定经验,同时这种方法也不够精确。
把胸径、枝下高等做自变量,通过经验模型进行估计。本方法的优点是根据林业调查数据即可计算出林木密闭度,不需要额外的附加调查;但是这是一种间接估计方法,所得结果的精度不高。
发明内容
本发明的实施例提供了一种林木密闭度测算的方法和装置,可方便测算林木密闭度。
本发明的实施例提供了一种林木密闭度测算的方法,包括:
获取纵向林木切面图;
计算整幅或给定区域图阈值;
确定前景或背景;
根据确定的前景或背景把图像归为树体和非树体两类;
统计树体占比确定林木密闭度。
所述计算整幅或给定区域图阈值具体包括:
如果g是m×n图像中第x(x=0,…,m×n)个像素的灰度,其取值范围[0,255],遍历全部像素,得到了一个大小为256的一维数组即灰度直方图、t是[0,255]之间的某一个灰度级,u1t是g≤t的灰度平均值、u2t是g>t的灰度平均值,定义
则当t从0至255变化时,使(1)式值最小的t值即选为整幅或给定区域图的阈值tθ;其中,
所述确定前景或背景具体包括:
规定以当前焦点像素为中心距离该点r(r≤2)以内的方形内,当小于全局阈值的像素数之和在3r2+2r和4r2+2r之间时,把焦点像素判断为前景,否则定义为背景。
所述统计树体占比确定林木密闭度具体包括:
根据前述的图像分类结果,统计属于树体的像素数之和,则它与整幅或给定区域内总像素数的比值即为本幅或给定区域内的林木密闭度。
本发明的实施例还提供了一种林木密闭度的测算装置,包括:
获取图像单元,用于获得纵向林分图像;
计算单元,用于计算整幅或给定区域图阈值;
前景或背景确定单元,用于确定前景或背景;
归类单元,用于根据确定的前景或背景把图像归为树体和非树体两类;
统计单元,用于统计树体占比确定林木密闭度。
根据本发明的实施例,可方便、准确地确定林木密闭度。
附图说明
图1a、图1b、图1c分别示出了的坡下摄影、平地摄影、坡上摄影而获取纵向林木切面图的三种情形;
图2是本发明实施例的测定林木密闭度的流程;
图3是本发明实施例的测定林木密闭度的装置。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明,现结合附图描绘本发明的实施例。
实施例一
本发明提供了一种操作简单,结果准确,使用条件宽泛的林木密闭度测算的方法和装置。
本发明的密闭度测算是基于图像的一种估计方法,欲从图像中估计出林木密闭度,首要的任务是从图像中分辨出林木,因此,接下来我们首先介绍本发明在抽取树木图像中依据的理论基础,然后是针对林木密闭度估计所进行的算法改造,最后是本发明的使用方法与注意事项。
为了更好的说明理解林木密闭度测算的方法,下面首先介绍一下其基础知识。
人们对10cm、2kg等长度或重量单位有清晰的感觉,但是对于信息量,大多数人的感觉似乎很熟悉但又很模糊,实际上,在上世纪40年代香农给出信息量的单位和定义前,人们的确不清楚如何计量信息。假设ξ是一个离散型随机变量,其取值集合为X,概率密度函数为p(x)=P(ξ=x),x∈X,定义事件ξ=x0的信息量为:
从这个定义可以看出,信息量与概率相关,一个事件发生的概率越大,则它所携带的信息量就越小。如果把一个随机变量ξ的所有信息量的可能取值的期望E[I(x)]记为c(ξ),
则c(ξ)就称为熵。实际应用中,p(x)是往往是非连续型随机变量,此时熵由下式计算:
为避免定义域超界,规定当p(x)→0时,有p(x)logp(x)→0。
进一步,当p,q是两个相同事件测度的概率分布时,则它们在给定样本集上的交叉熵定义如下:
整幅或指定区域的图像分类方法
如果找到图像中的一个灰度tθ,通过如下方法把图像变为只有两个灰度级的新图像Inew:
新旧图像间满足如下约束:
显然,hg是灰度为g的像素数即灰度直方图、u1是g≤tθ的灰度平均值、u2是g>tθ的灰度平均值时,容易满足(6)式的约束条件。其中,
二值图像分类角度,(6)式中①成立并没有什么实际意义,所以在通常情况下,人们往往把u1、u2定义成灰度的最小和最大值。参考交叉熵的形式,定义下式
其中tθ=min(dt)即为所需要的门限值。很明显,ghg不是概率,仅仅是引用交叉熵的形式而已。尽管按照这种方法在整幅图像上操作可以取得一定的效果,但很多时候却不一定尽人意,因此,可采用以下的计算式:
及
本实施例提供了一种林木密闭度测算的方法,如图2所示,具体方法如下:
步骤101、获取纵向林木切面图;
本发明是测算图像中的林木密闭度,因此,图像获取一定是自己关心区域的图像。具体地说,可用任何摄像设备获取纵向林木切面图,如,手持照相机或手机,观察取景窗或液晶显示屏移动距离或调焦,使从成像面中心经过照相机光心的射线与树干1/2处相交,保证目标林木区域全部出现在图像中拍照即可,其中,图1a、图1b、图1c分别示出了的坡下摄影、平地摄影、坡上摄影而获取纵向林木切面图的三种情形。
或者,使用全景拍摄模式,采取使镜头与地面大体保持平行的方式移动摄影获取林木场景图像。目前很多智能手机或照相机具有全景拍摄模式,摄影者用镜头扫描经过的空间,则画面被自动拼合起来,使取景范围得到极大的扩充,这对于生长在平缓地势上的林木没有任何问题;而在山区,如果水平移动摄影设备,可能会在图像中出现过多的山丘或者林木不能摄取到的情况,此时,可以采取使镜头与地面大体保持平行的方式移动摄影。但是,它带来的另外一个问题是在图像上或下边缘出现空白区域,其解决策略是通过交互式方式人为给出图像中的目标区域即可。
步骤102、计算林木密闭度测算中的初始阈值
根据本发明的实施例,本发明使用最小交叉熵方法获取整幅图像的阈值。通过大量的图像测试发现,对于林分密度相对较大的图像,采用(10)式计算最小交叉熵的分类结果较好;而较小林分密度的图像可以使用(9)式计算阈值。需要注意的是,由于交叉熵计算式中有对数以及分母形式,实际计算可能出现定义域超界,因此,如果自己编写处理代码,一定要予以考虑。
具体而言,如果g是m×n图像中第x(x=0,…,m×n)个像素的灰度时,如在C++语言中通过hg++遍历全部像素,就得到了该图像的灰度直方图,此时,hg是灰度为g的像素数。我们日常见到的大多图像,其灰度范围(即hg中g的取值范围)为0-255,通常0为黑、255为白。假设t是[0,255]之间的某一个灰度级,u1t是g≤t的灰度平均值、u2t是g>t的灰度平均值,定义
则当t从0至255变化时,使(11)式值最小的t值即选为整幅或给定区域图的阈值tθ;其中,
按照上式可确定整幅或给定区域图的阈值tθ。
步骤103、确定背景或前景,
按着前面的图像交叉熵方法所获得的阈值tθ对图像进行全局性二值化分类,很多情况下能得到不错的结果。但是由于各像素是独立考虑的,当全局阈值确定后,所有像素都与之比较以决定归属,常常出现树体像素被判断成背景,而非树体像素被判断成前景的情况。
现在的问题是,只要是树木内部的像素点不论灰度值多少都希望归为树木类里,即判为前景;而树木外部的像素无论如何都希望将其归为背景类。一种解决策略是考虑相邻像素并采取一定的措施。
考虑上下左右各r个像素,如果我们规定以当前焦点像素为中心的方形内,小于阈值的像素数υ>r(3r+2)时判为前景,否则定义为背景。如表1所示,当r=2时,则像素a b c do e f g h将全部判断为前景,此时空洞完全被填充了;如果r=1,则a c被判断为前景,其它判断为背景。而对于后面表2的情况,不论r=1还是r=2,u w v均被判为背景。可以看出,对于物体内部,如果考虑临近周边像素情况,适当的半径与判断准则对树体有填充效果;而物体外部正好相反,对其入选前景像素具有抑制作用,这与我们的实际问题相符合。
在最小交叉熵基础上,结合邻域像素特点进行分类应该能够得到较为满意得结果。例如,针对阔叶树种山杨(Populus davidiana)纵剖面图及最小交叉熵与改进的结果。直接使用最小交叉熵法的计算结果,此时计算得到的前景面积占比为77.72%;在获取阈值时采用了同样的方法,但是在分类时,不是针对单个像素,而是考虑了当前像素与邻域内像素的关系。邻域半径取1,当邻域内的前景像素数大于4归为前景,此时前景面积占全部面积的比例为78.21%,增加了0.49%,仔细观察会发现,树体内部填充了很多像素而树体外部很多像素被忽略。
更加清晰起见,对于针叶树中的樟子松(Pinus sylvestris var.mongolicaLitv.)的一个实际图像的计算结果。由于树冠、叶片等的相互遮挡,树体内部光线不均,加之噪声的存在,通过最小交叉熵法及与进一步考虑周围像素的结果比较,致使树干内部不同区域出现过暗或者过亮的斑点,利用最小交叉熵法,这些亮点可能区分成背景。在判断时,加入周围其它像素信息后,这种误判将有所改善。
这种方法对邻域的半径大小和区域内多少像素为前景时把当前像素判断为前景的入选准则很敏感,如果这两个参数选择不当,将出现较大的误判情况。根据我们的经验,邻域半径以不大于2为宜,入选准则在3r2+2r和4r2+2r之间较为合适。
因此,综上所述,邻域半径与入选准则的确定很重要,它关系着分类的成败。从我们测试的一些针叶树和阔叶树情况看,邻域半径选取1即考虑3×3的区域、区域内目标像素的占比达到0.8左右判为前景,一般会得到较好的结果。
步骤104、根据确定的前景和背景把图像中像素归为树体和非树体两类
也就是说,将前景图像素归为树体,将背景图像素归为非树体。为了更加清晰起见,当g被判为前景时将其值设置为0,当g被判为背景时设置成255。分类后,图像变为信息明确的二值图。
步骤105、统计树体在整幅图像中的面积占比
如果树体像素总和为num,整幅或给定区域图像的像素数为sum,每个像素的长、宽分别为αmm和βmm,则本幅或给定区域图像代表的林木密闭度ρ计算如下:
可以看到,当我们能够准确的分辨出树体与非树体时,林木密闭度估计仅仅是统计像素数问题。
统计已经进行分类的二值图像,其前景像素数占整幅图像的百分比即为该幅图像所代表林分的密闭度。准确起见,在使用时建议拍摄不同角度图像,并以多个密闭度平均值代表最终的林木密闭度。
实际应用中,图像中地平线以下的部分信息复杂,不仅有树木还有土地、群山,对于距离目标物较远的山丘、大地等通常在分类中会被置换成背景,但是如果它们距离目标物很近,则可能影响密闭度结果。例如,如果使用整幅图来测算密闭度,地形地貌将(如大地部分)严重影响了最终的计算结果。
这对这种情况,有2种解决策略:一种是摄影时适当抬高镜头的仰角,使图像中出现的全部是所需要的目标物即林木;另外一种方法,在林木密闭度测算前,用交互方式主动给出地平线上2点,则软件将不考虑地平线下的内容。
由于地形起伏或使用全景模式拍摄的图像,地平线不是直线,此时使用交互式方式更能得到准确的结果,即通过人为方式给处一个多边形,软件仅统计所给多边形内部的密闭度。
根据本发明的实施例,当需要某一个区域的林木密闭度时,也可以通过这种交互式的方式得到数据,这样还可以容易满足进一步的工作需求。
实施例二
如图3所示,本实施例提供了一种林木密闭度的测算装置,包括:获取图像单元301,用于获得纵向林分图像;计算单元302,用于计算整幅或给定区域图阈值;前景或背景确定单元303,用于确定前景或背景;归类单元304,用于根据确定的前景或背景把图像归为树体和非树体两类;统计单元305,用于统计树体占比确定林木密闭度。
根据本发明实施例,每当遇到壮丽的山水、美味的菜肴等,很多人都习惯性的拿出手机拍照,而进入手机的图像是林分时,我们也就上可得到它的密闭度。当然,手机仅仅是图像获取的一种工具,不限于手机,只要是林分图像利用本发明就可以抽取出其密闭度,即:首先计算图像的信息熵,然后分析当前焦点像素与周边像素的关系,最后统计计算得出所摄林分的密闭度。
本实施例的各个单元的工作原理可参见实施例一的描述。
虽然通过实施例描绘了本发明,但本领域普通技术人员知道,在不脱离本发明的精神和实质的情况下,就可使本发明有许多变形和变化,本发明的范围由所附的权利要求来限定。
Claims (5)
1.一种林木密闭度测算的方法,其特征在于,包括:
获取纵向林木切面图;
计算整幅或给定区域图阈值;
确定前景或背景;
根据确定的前景或背景把图像归为树体和非树体两类;
统计树体占比确定林木密闭度。
2.根据权利要求1所述的方法,其特征在于,所述计算整幅或给定区域图阈值具体包括:
如果g是m×n图像中第x(x=0,…,m×n)个像素的灰度,其取值范围[0,255],遍历全部像素,得到了一个大小为256的一维数组即灰度直方图、t是[0,255]之间的某一个灰度级,u1t是g≤t的灰度平均值、u2t是g>t的灰度平均值,定义
则当t从0至255变化时,使(1)式值最小的t值即选为整幅或给定区域图的阈值tθ;其中,
3.根据权利要求2所述的方法,其特征在于,所述确定前景或背景具体包括:
规定以当前焦点像素为中心距离该点r(r≤2)以内的方形内,当小于全局阈值的像素数之和在3r2+2r和4r2+2r之间时,把焦点像素判断为前景,否则定义为背景。
4.根据权利要求3所述的方法,其特征在于,所述统计树体占比确定林木密闭度具体包括:
根据前述的图像分类结果,统计属于树体的像素数之和,则它与整幅或给定区域内总像素数的比值即为本幅或给定区域内的林木密闭度。
5.一种林木密闭度的测算装置,其特征在于,包括:
获取图像单元,用于获得纵向林分图像;
计算单元,用于计算整幅或给定区域图阈值;
前景或背景确定单元,用于确定前景或背景;
归类单元,用于根据确定的前景或背景把图像归为树体和非树体两类;
统计单元,用于统计树体占比确定林木密闭度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666558.1A CN109033967B (zh) | 2018-06-26 | 2018-06-26 | 一种林木密闭度测算的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666558.1A CN109033967B (zh) | 2018-06-26 | 2018-06-26 | 一种林木密闭度测算的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033967A true CN109033967A (zh) | 2018-12-18 |
CN109033967B CN109033967B (zh) | 2022-04-12 |
Family
ID=64610827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810666558.1A Active CN109033967B (zh) | 2018-06-26 | 2018-06-26 | 一种林木密闭度测算的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033967B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134778A (ja) * | 1999-11-02 | 2001-05-18 | Atr Media Integration & Communications Res Lab | 樹木の3次元形状生成装置 |
WO2008003985A2 (en) * | 2006-07-07 | 2008-01-10 | Cambridge Enterprise Limited | Method of identifying linear features within an image |
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN103925910A (zh) * | 2014-04-21 | 2014-07-16 | 南京森林警察学院 | 森林郁闭度测定方法 |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
CN104121850A (zh) * | 2013-04-28 | 2014-10-29 | 中国林业科学研究院资源信息研究所 | 一种郁闭度的测定方法和装置 |
CN104766339A (zh) * | 2015-04-29 | 2015-07-08 | 上海电气集团股份有限公司 | 一种地基天空图像的云团自动检测方法 |
CN106558062A (zh) * | 2016-11-11 | 2017-04-05 | 江苏理工学院 | 灰度图像的一维对象复杂度图像分割算法及分割步骤 |
-
2018
- 2018-06-26 CN CN201810666558.1A patent/CN109033967B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134778A (ja) * | 1999-11-02 | 2001-05-18 | Atr Media Integration & Communications Res Lab | 樹木の3次元形状生成装置 |
WO2008003985A2 (en) * | 2006-07-07 | 2008-01-10 | Cambridge Enterprise Limited | Method of identifying linear features within an image |
CN102800107A (zh) * | 2012-07-06 | 2012-11-28 | 浙江工业大学 | 一种基于改进最小交叉熵的运动目标检测方法 |
CN104121850A (zh) * | 2013-04-28 | 2014-10-29 | 中国林业科学研究院资源信息研究所 | 一种郁闭度的测定方法和装置 |
CN106017367A (zh) * | 2013-04-28 | 2016-10-12 | 中国林业科学研究院资源信息研究所 | 一种郁闭度的测定方法和装置 |
CN103925910A (zh) * | 2014-04-21 | 2014-07-16 | 南京森林警察学院 | 森林郁闭度测定方法 |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
CN104766339A (zh) * | 2015-04-29 | 2015-07-08 | 上海电气集团股份有限公司 | 一种地基天空图像的云团自动检测方法 |
CN106558062A (zh) * | 2016-11-11 | 2017-04-05 | 江苏理工学院 | 灰度图像的一维对象复杂度图像分割算法及分割步骤 |
Non-Patent Citations (5)
Title |
---|
A. D. BRINK 等: "MINIMUM CROSS-ENTROPY THRESHOLD SELECTION", 《PATTERN RECOGNITION》 * |
C. H. LI 等: "M I N I M U M CROSS ENTROPY THRESHOLDING", 《PATTERN RECOONITION》 * |
XUEFENG WANG 等: "Tree feature extraction using image data obtained through virtual field server", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
李晓冬 等: "林木冠层图像的分割方法研究", 《中南林业科技大学学报》 * |
薛景浩 等: "基于最大类间后验交叉熵的阈值化分割算法", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109033967B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tokola et al. | Use of topographic correction in Landsat TM-based forest interpretation in Nepal | |
Seidel et al. | Review of ground-based methods to measure the distribution of biomass in forest canopies | |
Marceau et al. | Remote sensing and the measurement of geographical entities in a forested environment. 1. The scale and spatial aggregation problem | |
Dorren et al. | Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification | |
Solberg et al. | Mapping LAI in a Norway spruce forest using airborne laser scanning | |
Leboeuf et al. | A shadow fraction method for mapping biomass of northern boreal black spruce forests using QuickBird imagery | |
CN106017367B (zh) | 一种郁闭度的测定方法和装置 | |
Kushwaha et al. | Applications of image texture in forest classification | |
CN110517575A (zh) | 一种地表水体制图方法及装置 | |
Korhonen et al. | Automated analysis of in situ canopy images for the estimation of forest canopy cover | |
Zahidi et al. | Object-based classification of QuickBird image and low point density LIDAR for tropical trees and shrubs mapping | |
Nkeumoe Numbisi et al. | Multi-date sentinel1 SAR image textures discriminate perennial agroforests in a tropical forest-savannah transition landscape | |
CN105930863A (zh) | 一种卫星相机谱段设置的确定方法 | |
CN107239886B (zh) | 基于高分卫星遥感数据的gdp密度分析系统 | |
CN109033967A (zh) | 一种林木密闭度测算的方法和装置 | |
Erfanifard et al. | A robust approach to generate canopy cover maps using UltraCam-D derived orthoimagery classified by support vector machines in Zagros woodlands, West Iran | |
CN114417092B (zh) | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 | |
Nzuza et al. | A triangulation approach for assessing and mapping land degradation in the Lepellane catchment of the greater Sekhukhune District, South Africa | |
Wang | Estimating forest attributes from spherical images | |
JP2012203582A (ja) | カラー画像に含まれる植生領域の判別方法、判別装置、判別システム、及び判別プログラム | |
Sims | Principles of National Forest Inventory Methods | |
Li et al. | Forest type classification with multitemporal sentinel-2 data | |
Morsdorf et al. | The potential of discrete return, small footprint airborne laser scanning data for vegetation density estimation | |
Omar et al. | Assessment of vegetation dynamics and forest loss using google earth engine and multi-temporal sentinel-2 imagery | |
Kargar | On the use of rapid-scan, low point density terrestrial laser scanning (TLS) for structural assessment of complex forest environments |
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 |