CN109190634A - 一种高效测量鸟巢隐蔽度的方法 - Google Patents
一种高效测量鸟巢隐蔽度的方法 Download PDFInfo
- Publication number
- CN109190634A CN109190634A CN201810787255.5A CN201810787255A CN109190634A CN 109190634 A CN109190634 A CN 109190634A CN 201810787255 A CN201810787255 A CN 201810787255A CN 109190634 A CN109190634 A CN 109190634A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- card
- hidden
- degree
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种高效测量鸟巢隐蔽度的方法,包括如下步骤:(1)制作20cm×20cm的100个格子的网格卡片;(2)将网格卡片放置在鸟巢所在生境,保持卡片垂直向下;(3)将卡片分别面对东、南、西、北四个方向,并距离卡片2m处拍摄照片,拍摄位置与鸟巢水平等高;(4)依据隐蔽度RGB三原色的判决决策树统计出遮蔽网格数量,计算出遮蔽百分比;(5)结合四个方位遮蔽网格百分比平均值,计算鸟巢隐蔽度。本发明可极大的提高鸟巢隐蔽度的测量精度,相比于传统的目测法不存在主观意识上的误差;有利于减少鸟巢隐蔽度的工作量,提高了鸟巢隐蔽度测量的工作效率,节省了大量的人力物力。
Description
技术领域
本发明涉及生态学领域,是一种测量鸟巢隐蔽度(Concealment)的方法,适用于各种生境鸟巢隐蔽度的测量。
背景技术
决定鸟类巢址选择最主要的原因就是巢的隐蔽性,因为鸟巢的隐蔽性很大程度上决定了筑巢成功率。为了躲避猛禽、蛇和老鼠等动物对鸟卵和雏鸟的威胁,不同鸟类巢址的选择有所不同,鸟巢的隐蔽度也不一样。
在鸟类野外生态学研究中,传统的隐蔽度测定方法有目测估算法和木杆替代法。在样方中心树立一个木杆,通过目测可见木杆长度占总长度的百分比来巢的隐蔽度。这些方法比较随机性,误差比较大。鉴于以上因素,我们迫切需要一种方法,能够大大缩短隐蔽度测量时间,提高测量精度。随着数字摄影计算的发展,现在可以直接用图形图像软件从照片中提取物体像元。根据RGB模式分析结果构造RGB颜色判定的决策树,并通过数字化的方法准确计算出隐蔽度,不需要复杂的人工处理,减少了观察者的主观性,提高了测量精度。
发明内容
本发明的目的是提出一种高效测量鸟巢隐蔽度的方法,以解决传统隐蔽度测量方法误差较大,工作量大,难以有较高的效率的问题。
本发明较传统测量方法在大大减少工作量的同时保证了精度。传统测量方法的主要缺点就是误差太大,故我们利用现代数码相机或者高像素手机进行拍照,依据植被RGB三原色的判决决策树计算鸟巢隐蔽度,隐蔽度=(照片网格中像元数量-白色像元数量/照片网格中像元数量)×100%。通过本发明能快速得到鸟巢隐蔽度,达到提高工作效率的目的。
本发明根据大量的重复实验及充足的文献辅证,证明其可行性和高效性,同时本发明具有成本低、易操作等优点。本发明不仅适用于鸟巢隐蔽度计算,还适用于大多数动物隐蔽度研究,具有较宽广的应用范围。
本发明是通过以下技术方案实现的。
本发明所述的一种高效测量鸟巢隐蔽度的方法,其特征包括如下步骤。
(1)制作网格卡片:制作20cm×20cm的100个格子的网格卡片。
(2)放置网格卡片:将网格卡片放置在鸟巢所在生境,保持卡片垂直向下。
(3)拍摄照片:将卡片分别面对东、南、西、北四个方向,并距离卡片2m处拍摄照片,拍摄位置与鸟巢水平等高。
(4)输入计算:依据隐蔽度RGB三原色的判决决策树统计出遮蔽网格数量,计算出遮蔽百分比。
(5)得出结果:结合四个方位遮蔽网格百分比平均值,计算鸟巢隐蔽度。
本发明的计算过程如下:开始载入并显示数码照片,划定出隐蔽度计算区域,利用隐蔽度计算方法进行划分,显示划分区域,输出隐蔽度值,对比原始照片并自动区分开始计算下一张照片。
本发明可将拍摄的图像读入数码相机的内存并利用坐标轴Axes固定之后显示在用户界面的固定位置上。
本发明可将内存中的隐蔽度图像句柄根据颜色判定决策树判别种类并写入二值图像。
本发明依据隐蔽度RGB三原色的判决决策树计算出隐蔽度数值。
本发明的有益效果:(1)本发明可极大的提高鸟巢隐蔽度的测量精度,相比于传统的目测法不存在主观意识上的误差。(2)本发明有利于减少鸟巢隐蔽度的工作量,提高了鸟巢隐蔽度测量的工作效率,节省了大量的人力物力。
本发明可以应用在多种鸟巢生境中测量隐蔽度,具有广泛的使用范围。
附图说明
图1网格照片裁剪示意图。将拍摄的四个方向的照片裁剪成如图所示的大小;
图2 RGB模式下隐蔽度判别决策树。依次逐个像素根据颜色判定决策树判别隐蔽成分,其中R>B>G且R-G<40、R>G>B且R-B<10和B>G>R且R-B≤10三种情况时为白色像元,其他为植被像元,最后将结果写入二值图像;
图3鸟巢隐蔽度计算流程图。依据植被RGB三原色的判别决策树计算出四个方向隐蔽度平均值,将计算结果和图片划分结果显示给用户,并进行分类图片和原始图片的对照。
具体实施方式
本发明将通过以下实施例作进一步说明。
实施例。
(1)制作网格卡片:制作20cm×20cm的100个格子的网格卡片,可使用以白色为底的卡片,与生境对比度高为宜。
(2)放置网格卡片:将网格卡片放置在鸟巢所在生境,保持卡片垂直向下(图1)。
(3)拍摄照片:将卡片保持垂直向下并分别面对东、南、西、北四个方向,利用数码相机等具有拍摄功能的设备分别拍摄四个方向隐蔽度照片,拍摄时与卡片保持2m距离,拍摄位置与鸟巢水平等高。
(4)计算方法:在使用Java语言开发并比较了RGB决策法、RGB阈值法和HSV判别法之后,我们选定RGB决策法作为本程序计算方法。依据隐蔽度RGB三原色的判决决策树统计出遮蔽网格数量,计算出遮蔽百分比。照片中所有像元均是由植被和非植被两部分端元组成,像元的光谱特征由这两部分端元线性加权而成。根据数字图像色彩构成原理,数码相机所拍摄的照片是由红(red)、绿(green)、蓝(blue)三基色构成的,颜色值(digital number,DN)由红(R)、绿(G)、蓝(B)三基色组成,三基色的范围都在0~255之间。不同的照片,其颜色不同的原因正是因为构成各种照片的R、G、B三基色DN值(digital number)不同。在获取了各种树木植被及非植被的DN值之后,分别研究各个照片(植被和非植被)R、G、B三基色DN值之间的组合规律,据此可根据光谱特征区分植被和非植被,采用以下公式,对鸟巢隐蔽程度进行测算:
隐蔽度=(照片网格中像元数量-白色像元数量/照片网格中像元数量)×100%。
(5)计算界面:将拍摄的图像读入数码相机的内存并显示在用户界面的固定位置上。隐蔽度的计算程序是在Matlab平台下编写完成,通过调用图形句柄系统的子系统—GUI来实现用户图形界面的显示、操作。将内存中的隐蔽度图像句柄根据颜色判定决策树判别种类并写入二值图像。主要包括四部分,①载入图像,将用户选定的数码照片读入计算机内存,以多维矩阵M×N×3的形式保存真彩色图像信息,RGB三原色的取值为0~255的无符号整型。将载入的数码图像显示在用户界面的固定位置上,方便用户直观的辨识。为了统一界面风格、防止照片形变,利用了坐标轴Axes固定了照片位置和大小,方便用户直观浏览照片缩略图,并选取数码照片最大内切圆区域作为计算区域。②首先初始化一个新的等大矩阵,用来存储分类后的二值图像。然后,从内存中获取植被图像句柄,利用双循环语句遍历整个图像矩阵,依次逐个像素根据颜色判定决策树判别像元种类,然后将结果写入二值图像。③依据草地植被RGB三原色的判别决策树计算出四个方向隐蔽度平均值,将计算结果和图片划分结果显示给用户,并进行分类图片和原始图片的对照。④计算下一图片。
Claims (1)
1.一种高效测量鸟巢隐蔽度的方法,其特征包括如下步骤:
(1)制作20cm×20cm的100个格子的网格卡片;
(2)将网格卡片放置在鸟巢所在生境,保持卡片垂直向下;
(3)将卡片分别面对东、南、西、北四个方向,并距离卡片2m处拍摄照片,拍摄位置与鸟巢水平等高;
(4)依据隐蔽度RGB三原色的判决决策树统计出遮蔽网格数量,计算出遮蔽百分比;
(5)结合四个方位遮蔽网格百分比平均值,计算鸟巢隐蔽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787255.5A CN109190634A (zh) | 2018-07-18 | 2018-07-18 | 一种高效测量鸟巢隐蔽度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787255.5A CN109190634A (zh) | 2018-07-18 | 2018-07-18 | 一种高效测量鸟巢隐蔽度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190634A true CN109190634A (zh) | 2019-01-11 |
Family
ID=64936849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810787255.5A Pending CN109190634A (zh) | 2018-07-18 | 2018-07-18 | 一种高效测量鸟巢隐蔽度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190634A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254675A (zh) * | 2020-10-15 | 2021-01-22 | 天目爱视(北京)科技有限公司 | 一种包含运动物体的空间占用率采集判断设备及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424523A (zh) * | 2008-12-11 | 2009-05-06 | 南京大学 | 一种快速测定草林植被盖度的数字式可视化方法 |
CN103646155A (zh) * | 2013-12-26 | 2014-03-19 | 中国农业科学院植物保护研究所 | 草地植被rgb色谱叠图数字化显示方法 |
CN203522882U (zh) * | 2013-10-25 | 2014-04-02 | 许昌学院 | 一种用于计算狼毒盖度的数码相机 |
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 |
CN104534982A (zh) * | 2014-12-04 | 2015-04-22 | 中国科学院新疆生态与地理研究所 | 一种林带疏透度测定的新方法 |
CN105806265A (zh) * | 2016-03-24 | 2016-07-27 | 北京林业大学 | 一种手机测定地面盖度问题的方法 |
CN107131851A (zh) * | 2017-06-14 | 2017-09-05 | 南昌大学 | 一种快速高效测量样方内植物盖度的方法 |
-
2018
- 2018-07-18 CN CN201810787255.5A patent/CN109190634A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424523A (zh) * | 2008-12-11 | 2009-05-06 | 南京大学 | 一种快速测定草林植被盖度的数字式可视化方法 |
CN203522882U (zh) * | 2013-10-25 | 2014-04-02 | 许昌学院 | 一种用于计算狼毒盖度的数码相机 |
CN103646155A (zh) * | 2013-12-26 | 2014-03-19 | 中国农业科学院植物保护研究所 | 草地植被rgb色谱叠图数字化显示方法 |
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 |
CN104534982A (zh) * | 2014-12-04 | 2015-04-22 | 中国科学院新疆生态与地理研究所 | 一种林带疏透度测定的新方法 |
CN105806265A (zh) * | 2016-03-24 | 2016-07-27 | 北京林业大学 | 一种手机测定地面盖度问题的方法 |
CN107131851A (zh) * | 2017-06-14 | 2017-09-05 | 南昌大学 | 一种快速高效测量样方内植物盖度的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254675A (zh) * | 2020-10-15 | 2021-01-22 | 天目爱视(北京)科技有限公司 | 一种包含运动物体的空间占用率采集判断设备及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
CN103617432B (zh) | 一种场景识别方法及装置 | |
CN104132897B (zh) | 一种基于手持设备的植物叶片含氮量测量方法和装置 | |
CN107516319A (zh) | 一种高精度简易交互式抠图方法、存储设备及终端 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN108961250B (zh) | 一种目标物统计方法、装置、终端以及存储介质 | |
CN110967339A (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN104636759A (zh) | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN110349163A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN108038879A (zh) | 一种食品体积估计方法及其装置 | |
CN105869164A (zh) | 一种开关分合状态检测方法及系统 | |
CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
CN109190634A (zh) | 一种高效测量鸟巢隐蔽度的方法 | |
CN110532935A (zh) | 一种大田作物表型信息高通量对等监测系统及监测方法 | |
CN114820435A (zh) | 基于改进AlexNet的辣椒叶片病害检测方法 | |
CN104296696A (zh) | 一种利用植被冠层阴影提取叶面积指数与平均叶倾角的方法 | |
CN111598874A (zh) | 一种基于智能移动端的红树林郁闭度调查方法 | |
CN110533740A (zh) | 一种图像着色方法、装置、系统及存储介质 | |
CN115359324A (zh) | 一种中华绒螯蟹头胸甲特征点识别的方法 | |
CN114723885A (zh) | 一种基于rgbd图像稠密三维重建的植物耐寒性分析的方法 | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190111 |