CN109410225A - 基于多层级树木结构分析的树木分割方法 - Google Patents
基于多层级树木结构分析的树木分割方法 Download PDFInfo
- Publication number
- CN109410225A CN109410225A CN201811005527.8A CN201811005527A CN109410225A CN 109410225 A CN109410225 A CN 109410225A CN 201811005527 A CN201811005527 A CN 201811005527A CN 109410225 A CN109410225 A CN 109410225A
- Authority
- CN
- China
- Prior art keywords
- block
- height
- level
- trees
- level block
- 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.)
- Withdrawn
Links
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
- G06T7/12—Edge-based segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
基于多层级树木结构分析的树木分割方法,包括如下步骤:步骤1,构建树冠高度模型;步骤2,分割上层树木;步骤3,分析分层树木及分割下层树木。本发明针对现有森林遥感技术无法分析上层树木的情况,引入树木结构的分析来改善了下层被遮挡树木提取困难的情况,同时在分割上下层树木时采用的分割方法能够获得较好的结果。
Description
技术领域
本发明涉及森林遥感技术的自动化单树提取方法。
背景技术
森林是全球生物圈中重要的组成部分,同时森林资源也是地球上最宝贵的自然资源之一。近些年来,随着人们逐渐意识到森林保护的重要性,定期对森林资源信息进行系统的收集、整理和对比,从而对森林资源进行动态监测、预测和分析。在森林资源信息统计的过程中使用遥感数据已被证明是传统现场采样方法的有效并且可靠的替代方案。传感器分辨率和计算能力的快速提高,以及数据采集成本的降低,使得自动化单树提取变得越来越可行。主动遥感技术的蓬勃发展,特别是光探测和测距雷达(light detection andranging,LiDAR)在林业中的应用给林业调查带来了新思路。LiDAR数据已经成为了分析三维森林结构的一种重要手段,它被广泛被应用在提取树木高度,树冠体积和生物量估计。
近年来,研究人员已经提出了许多不同的方法从LiDAR数据中提取树木信息。这些方法主要分为三大类:基于栅格化数据的方法;基于点云数据的方法;结合栅格化数据和点云数据的方法。但是大多数现有的单木检测方法致力于解决单层树木的树冠提取,无法有效地提取多层树木或被遮盖时的树木。为了解决无法提取被遮盖树木的问题,提出了一种能够通过LiDAR点云数据检测出下层树木的方法。
发明内容
本发明要克服现有技术的上述缺点,提供一种基于多层级树木结构分析的树木分割方法。
本发明的目的在于设计一种基于多层级树木结构分析的树木分割方法,首先需要对LiDAR点云数据进行处理生成相应区域的树冠高度模型(Canpoy Height Model,CHM)。然后,分割CHM获取上层树木的轮廓信息。为了提取出被上层树木遮盖的下层树木,对分割出的区域进行点云数据分析。通过滑动窗口识别出来存在上下分层的情况。最后,对存在分层结构的区域分离出下层LiDAR数据,并再次构建CHM来分割出下层树木,获得上下两层的树木信息。
基于多层级树木结构分析的树木分割方法,包括如下步骤:
1、构建树冠高度模型;
在提取树木之前,需要对LiDAR点云数据进行处理,构建出树冠高度模型并在该模型上提取出树木。具体步骤如下:
11)对LiDAR点云数据进行高度归一化操作。初始的LiDAR点云数据可以被分为地面点和非地面点,进行高度归一化操作后,将会改变点云数据的高度值,使地面点的高度值为0,非地面点也会随着地面点而改变。
12)构建局部CHM。使用高度归一化后的点云数据来构建不同高度的局部CHM,局部CHM是过滤掉特定高度值以下的点云数据生成的CHM,每隔5米生成相应的局部CHM。
13)将多个CHM聚合为一个CHM,将所有不同高度值的局部CHM进行叠加,在每个像素位置上取最高值,最终获得CHM。
2、分割上层树木;
为了缩小分层分析的范围,先对CHM进行预分割,提取出上层树木的轮廓信息。分割算法的主要思路是利用CHM的拓扑结构,将CHM划分为小节点并分析节点与节点之间的关系。利用权重值的关系将属于一棵树的节点划分到一起。分割算法具体步骤如下:
21)将CHM的高度值划分为64位高度级。将相邻且相同高度级的像素点汇聚成块,聚集过程采用8邻域。
22)利用邻域聚合将这个块视为节点构建出块有向图(P-DAG),节点为像素聚集块,相邻且高度较高的块指向高度较低的块作为边。在块有向图中一个节点可以有多个父节点和子节点;拥有局部最大值的块视为没有父节点的块,这个顶点块也可作为一个层级块的顶点;将相邻的块进行连接,高度级较高的块指向高度级较低的;块可能属于多个层级。构建出P-DAG后,将层级块作为一个实体节点,研究层级块与层级块之间的关系,构建出层级块有向图(H-DAG)。层级块是以顶点块为中心,以这个块为起点所有能到达的块聚集而成的。与块有向图相同,层级块有向图也是较高的层级块指向较低的层级块。但是当高度级相同时,通过层级块的像素数量和层级块中顶点块的像素数量来判断层级块之间的指向。
23)构建出层级块有向图后,需要计算层级块与层级块之间边的权重值,当层级块属于同一棵树时,层级块之间的权重值就越大。有向图中的权重值由三个部分组成:高度距离(LD),节点距离(ND)和层级块中心距离(TD)。
i.高度距离(SLD(p,q))是两个层级块中的顶点块与共有块之间最小的高度差。当高度差越小时,两个层级块属于同一棵树的可能性就越大。高度距离通过下面的公式来计算,
其中,p和q是两个用于分析相互关系的层级块,rp是层级块p中的顶点块,rq是层级块q中的顶点块,Hp是层级块p中所有块的集合,Hq是层级块q中所有块的集合,dh(r,i)是块r和块i之间的高度差,r是rp和rq的其中一个,i是Hp和Hq共有的块。
ii.节点距离(SND(p,q))是两个层级块之间层级块的顶点块到共有块的最小块数量。当距离值越小时,两个层级块属于同一棵树的可能性就越大。节点距离通过下面的公式来计算,
其中dn(r,i)是P-DAG中块r和块i之间块的数量。
iii.层级块中心距离(STD(p,q))代表着两个层级块之间顶点块的水平距离。如果顶点块有多个像素,则用块的中心块来代替。同样,当距离越小时,两个层级块属于同一棵树的可能性就越大。节点距离通过下面的公式来计算,
其中C(rp)和C(rq)是层级块中顶点块的中心坐标。
iv.有了上面三个聚合条件后,可以计算出层级块之间边的权重值(W(p,q)),公式如下:
W(p,q)=WLD×SLD(p,q)+WND×SND(p,q)+WTD×
STD(p,q) (4)
其中WLD,WND和WTD是权重系数,采用WLD:WND:WTD=3:3:4的比重。
v.计算出权重值后需要过滤层级块有向图中的边,权重值越大代表两个层级块之间联系得越紧密,两个层级块为一颗树木的可能性也就越大。反之亦然,因此我们将会过滤掉权重值小于0.5的边,当指向同一个层级块有多条边时,取权重值最大的边。
24)通过层级块之间边的分配,可以知道哪些层级块属于同一棵树,但是在这种情况下无法分配共有块,也就没法获取每棵树木的轮廓。因此,我们对共有的块按距离来分配,将共有块分配给更近的层级块。分配完共有块后即可获得最终的分割结果。
3、分析分层树木及分割下层树木;
初步分割后的结果可能代表着单棵树木或者多棵树木,获取到预分割的结果后,通过相应区域的点云数据来分析分割后的层级结构。利用点云数据生成LiDAR点云高度直方图,统计相应高度值的点数量,并且对直方图进行拟合处理。当存在着上下两层树木时,通常会在图中呈现出凹陷的现象。利用直方图中断层的特性,我们采用滑动窗口法求得断层高度位置。随后将上下两层树木分开处理,在获得上层树木信息的同时分析出下层树木信息。如果检测出了多个断点,则把最高的断点作为断层的位置并忽视其他断层位置。最终获得下层树木的LiDAR数据。
通过上述操作,从原始数据中提取出下层树木的LiDAR数据。这时可以采用步骤2的分割方法对下层LiDAR数据进行分割来获得下层树木的信息。
本发明的优点是:针对无法分析上层树木的情况,引入树木结构的分析来改善了下层被遮挡树木提取困难的情况。同时在分割上下层树木时采用的分割方法能够获得较好的结果。
附图说明
图1是本发明方法的流程图。
具体实施方式:
下面结合附图进一步说明本发明的技术方案。
基于多层级树木结构分析的树木分割方法,包括如下步骤:
1、构建树冠高度模型;
在提取树木之前,需要对LiDAR点云数据进行处理,构建出树冠高度模型并在该模型上提取出树木。具体步骤如下:
11)对LiDAR点云数据进行高度归一化操作。初始的LiDAR点云数据可以被分为地面点和非地面点,进行高度归一化操作后,将会改变点云数据的高度值,使地面点的高度值为0,非地面点也会随着地面点而改变。
12)构建局部CHM。使用高度归一化后的点云数据来构建不同高度的局部CHM,局部CHM是过滤掉特定高度值以下的点云数据生成的CHM,每隔5米生成相应的局部CHM。
13)将多个CHM聚合为一个CHM,将所有不同高度值的局部CHM进行叠加,在每个像素位置上取最高值,最终获得CHM。
2、分割上层树木;
为了缩小分层分析的范围,先对CHM进行预分割,提取出上层树木的轮廓信息。分割算法的主要思路是利用CHM的拓扑结构,将CHM划分为小节点并分析节点与节点之间的关系。利用权重值的关系将属于一棵树的节点划分到一起。分割算法具体步骤如下:
21)将CHM的高度值划分为64位高度级。将相邻且相同高度级的像素点汇聚成块,聚集过程采用8邻域。
22)利用邻域聚合将这个块视为节点构建出块有向图(P-DAG),节点为像素聚集块,相邻且高度较高的块指向高度较低的块作为边。在块有向图中一个节点可以有多个父节点和子节点;拥有局部最大值的块视为没有父节点的块,这个顶点块也可作为一个层级块的顶点;将相邻的块进行连接,高度级较高的块指向高度级较低的;块可能属于多个层级。构建出P-DAG后,将层级块作为一个实体节点,研究层级块与层级块之间的关系,构建出层级块有向图(H-DAG)。层级块是以顶点块为中心,以这个块为起点所有能到达的块聚集而成的。与块有向图相同,层级块有向图也是较高的层级块指向较低的层级块。但是当高度级相同时,通过层级块的像素数量和层级块中顶点块的像素数量来判断层级块之间的指向。
23)构建出层级块有向图后,需要计算层级块与层级块之间边的权重值,当层级块属于同一棵树时,层级块之间的权重值就越大。有向图中的权重值由三个部分组成:高度距离(LD),节点距离(ND)和层级块中心距离(TD)。
i.高度距离(SLD(p,q))是两个层级块中的顶点块与共有块之间最小的高度差。当高度差越小时,两个层级块属于同一棵树的可能性就越大。高度距离通过下面的公式来计算,
其中,p和q是两个用于分析相互关系的层级块,rp是层级块p中的顶点块,rq是层级块q中的顶点块,Hp是层级块p中所有块的集合,Hq是层级块q中所有块的集合,dh(r,i)是块r和块i之间的高度差,r是rp和rq的其中一个,i是Hp和Hq共有的块。
ii.节点距离(SND(p,q))是两个层级块之间层级块的顶点块到共有块的最小块数量。当距离值越小时,两个层级块属于同一棵树的可能性就越大。节点距离通过下面的公式来计算,
其中dn(r,i)是P-DAG中块r和块i之间块的数量。
iii.层级块中心距离(STD(p,q))代表着两个层级块之间顶点块的水平距离。如果顶点块有多个像素,则用块的中心块来代替。同样,当距离越小时,两个层级块属于同一棵树的可能性就越大。节点距离通过下面的公式来计算,
其中C(rp)和C(rq)是层级块中顶点块的中心坐标。
iv.有了上面三个聚合条件后,可以计算出层级块之间边的权重值(W(p,q)),公式如下:
W(p,q)=WLD×SLD(p,q)+WND×SND(p,q)+WTD×STD(p,q) (4)
其中WLD,WND和WTD是权重系数,采用WLD:WND:WTD=3:3:4的比重。
v.计算出权重值后需要过滤层级块有向图中的边,权重值越大代表两个层级块之间联系得越紧密,两个层级块为一颗树木的可能性也就越大。反之亦然,因此我们将会过滤掉权重值小于0.5的边,当指向同一个层级块有多条边时,取权重值最大的边。
24)通过层级块之间边的分配,可以知道哪些层级块属于同一棵树,但是在这种情况下无法分配共有块,也就没法获取每棵树木的轮廓。因此,我们对共有的块按距离来分配,将共有块分配给更近的层级块。分配完共有块后即可获得最终的分割结果。
3、分析分层树木及分割下层树木;
初步分割后的结果可能代表着单棵树木或者多棵树木,获取到预分割的结果后,通过相应区域的点云数据来分析分割后的层级结构。利用点云数据生成LiDAR点云高度直方图,统计相应高度值的点数量,并且对直方图进行拟合处理。当存在着上下两层树木时,通常会在图中呈现出凹陷的现象。利用直方图中断层的特性,我们采用滑动窗口法求得断层高度位置。随后将上下两层树木分开处理,在获得上层树木信息的同时分析出下层树木信息。如果检测出了多个断点,则把最高的断点作为断层的位置并忽视其他断层位置。最终获得下层树木的LiDAR数据。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于多层级树木结构分析的树木分割方法,包括如下步骤:
步骤1,构建树冠高度模型;
在提取树木之前,需要对LiDAR点云数据进行处理,构建出树冠高度模型并在该模型上提取出树木;具体步骤如下:
11)对LiDAR点云数据进行高度归一化操作;初始的LiDAR点云数据可以被分为地面点和非地面点,进行高度归一化操作后,将会改变点云数据的高度值,使地面点的高度值为0,非地面点也会随着地面点而改变;
12)构建局部CHM;使用高度归一化后的点云数据来构建不同高度的局部CHM,局部CHM是过滤掉特定高度值以下的点云数据生成的CHM,每隔5米生成相应的局部CHM;
13)将多个CHM聚合为一个CHM,将所有不同高度值的局部CHM进行叠加,在每个像素位置上取最高值,最终获得CHM;
步骤2,分割上层树木;
为了缩小分层分析的范围,先对CHM进行预分割,提取出上层树木的轮廓信息;分割算法的主要思路是利用CHM的拓扑结构,将CHM划分为小节点并分析节点与节点之间的关系;利用权重值的关系将属于一棵树的节点划分到一起;分割算法具体步骤如下:
21)将CHM的高度值划分为64位高度级;将相邻且相同高度级的像素点汇聚成块,聚集过程采用8邻域;
22)利用邻域聚合将这个块视为节点构建出块有向图(P-DAG),节点为像素聚集块,相邻且高度较高的块指向高度较低的块作为边;在块有向图中一个节点可以有多个父节点和子节点;拥有局部最大值的块视为没有父节点的块,这个顶点块也可作为一个层级块的顶点;将相邻的块进行连接,高度级较高的块指向高度级较低的;块可能属于多个层级;构建出P-DAG后,将层级块作为一个实体节点,研究层级块与层级块之间的关系,构建出层级块有向图(H-DAG);层级块是以顶点块为中心,以这个块为起点所有能到达的块聚集而成的;与块有向图相同,层级块有向图也是较高的层级块指向较低的层级块;但是当高度级相同时,通过层级块的像素数量和层级块中顶点块的像素数量来判断层级块之间的指向;
23)构建出层级块有向图后,需要计算层级块与层级块之间边的权重值,当层级块属于同一棵树时,层级块之间的权重值就越大;有向图中的权重值由三个部分组成:高度距离(LD),节点距离(ND)和层级块中心距离(TD);
i.高度距离(SLD(p,q))是两个层级块中的顶点块与共有块之间最小的高度差;当高度差越小时,两个层级块属于同一棵树的可能性就越大;高度距离通过下面的公式来计算,
其中,p和q是两个用于分析相互关系的层级块,rp是层级块p中的顶点块,rq是层级块q中的顶点块,Hp是层级块p中所有块的集合,Hq是层级块q中所有块的集合,dh(r,i)是块r和块i之间的高度差,r是rp和rq的其中一个,i是Hp和Hq共有的块;
ii.节点距离(SND(p,q))是两个层级块之间层级块的顶点块到共有块的最小块数量;当距离值越小时,两个层级块属于同一棵树的可能性就越大;节点距离通过下面的公式来计算,
其中dn(r,i)是P-DAG中块r和块i之间块的数量;
iii.层级块中心距离(STD(p,q))代表着两个层级块之间顶点块的水平距离;如果顶点块有多个像素,则用块的中心块来代替;同样,当距离越小时,两个层级块属于同一棵树的可能性就越大;节点距离通过下面的公式来计算,
其中C(rp)和C(rq)是层级块中顶点块的中心坐标;
iv.有了上面三个聚合条件后,可以计算出层级块之间边的权重值(W(p,q)),公式如下:
W(p,q)=WLD×SLD(p,q)+WND×SND(p,q)+WTD×STD(p,q) (4)
其中WLD,WND和WTD是权重系数,采用WLD:WND:WTD=3:3:4的比重;
v.计算出权重值后需要过滤层级块有向图中的边,权重值越大代表两个层级块之间联系得越紧密,两个层级块为一颗树木的可能性也就越大;反之亦然,因此我们将会过滤掉权重值小于0.5的边,当指向同一个层级块有多条边时,取权重值最大的边;
24)通过层级块之间边的分配,可以知道哪些层级块属于同一棵树,但是在这种情况下无法分配共有块,也就没法获取每棵树木的轮廓;因此,对共有的块按距离来分配,将共有块分配给更近的层级块;分配完共有块后即可获得最终的分割结果;
步骤3,分析分层树木及分割下层树木;
初步分割后的结果可能代表着单棵树木或者多棵树木,获取到预分割的结果后,通过相应区域的点云数据来分析分割后的层级结构;利用点云数据生成LiDAR点云高度直方图,统计相应高度值的点数量,并且对直方图进行拟合处理;当存在着上下两层树木时,通常会在图中呈现出凹陷的现象;利用直方图中断层的特性,采用滑动窗口法求得断层高度位置;随后将上下两层树木分开处理,在获得上层树木信息的同时分析出下层树木信息;如果检测出了多个断点,则把最高的断点作为断层的位置并忽视其他断层位置;最终获得下层树木的LiDAR数据;
通过上述操作,从原始数据中提取出下层树木的LiDAR数据;这时采用步骤2的分割方法对下层LiDAR数据进行分割来获得下层树木的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811005527.8A CN109410225A (zh) | 2018-08-30 | 2018-08-30 | 基于多层级树木结构分析的树木分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811005527.8A CN109410225A (zh) | 2018-08-30 | 2018-08-30 | 基于多层级树木结构分析的树木分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410225A true CN109410225A (zh) | 2019-03-01 |
Family
ID=65463807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811005527.8A Withdrawn CN109410225A (zh) | 2018-08-30 | 2018-08-30 | 基于多层级树木结构分析的树木分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410225A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110717496A (zh) * | 2019-08-29 | 2020-01-21 | 浙江工业大学 | 基于神经网络的复杂场景树木检测方法 |
CN114005032A (zh) * | 2021-10-28 | 2022-02-01 | 广州市城市规划勘测设计研究院 | 一种城市行道树单木参数提取方法、装置及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
-
2018
- 2018-08-30 CN CN201811005527.8A patent/CN109410225A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN102521835A (zh) * | 2011-12-14 | 2012-06-27 | 武汉大学 | 一种基于空间三维模板的点云数据树高提取方法 |
CN106651863A (zh) * | 2016-11-30 | 2017-05-10 | 厦门大学 | 一种基于点云数据的树木自动分割方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
Non-Patent Citations (3)
Title |
---|
ANAHITA KHOSRAVIPOUR等: "Generating Pit-free Canopy Height Models from Airborne Lidar", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 * |
HAMID HAMRAZ等: "Vertical stratification of forest canopy for segmentation of under-story trees within small-footprint airborne LiDAR point clouds", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
VICTOR F. STRÎMBU等: "A graph-based segmentation algorithm for tree crown extraction using airborne LiDAR data", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110717496A (zh) * | 2019-08-29 | 2020-01-21 | 浙江工业大学 | 基于神经网络的复杂场景树木检测方法 |
CN110717496B (zh) * | 2019-08-29 | 2021-06-08 | 浙江工业大学 | 基于神经网络的复杂场景树木检测方法 |
CN114005032A (zh) * | 2021-10-28 | 2022-02-01 | 广州市城市规划勘测设计研究院 | 一种城市行道树单木参数提取方法、装置及终端设备 |
CN114005032B (zh) * | 2021-10-28 | 2022-06-14 | 广州市城市规划勘测设计研究院 | 一种城市行道树单木参数提取方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duncanson et al. | An efficient, multi-layered crown delineation algorithm for mapping individual tree structure across multiple ecosystems | |
CN103323749B (zh) | 多分类器信息融合的局部放电诊断方法 | |
CN103164858B (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
CN105243367B (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
Chen et al. | Multiscale grid method for detection and reconstruction of building roofs from airborne LiDAR data | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN109410225A (zh) | 基于多层级树木结构分析的树木分割方法 | |
CN109919944B (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
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 | |
CN102830404B (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN105551064A (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
CN105354542B (zh) | 一种拥挤场景下视频异常事件检测方法 | |
CN101661497A (zh) | 遥感土地利用变化检测方法及系统 | |
Huang et al. | A top-down strategy for buildings extraction from complex urban scenes using airborne LiDAR point clouds | |
CN106296680B (zh) | 一种基于区域的多特征融合高分辨率遥感影像分割方法 | |
CN104182642A (zh) | 一种基于稀疏表示的故障检测方法 | |
CN110084169A (zh) | 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法 | |
CN107479093A (zh) | 一种基于势函数的微地震事件去噪和聚类方法 | |
CN105005700A (zh) | 一种基于熵值和内外权重的沉降危害度区划方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
Hofmann et al. | Derivation of roof types by cluster analysis in parameter spaces of airborne laserscanner point clouds | |
CN103955943A (zh) | 基于融合变化检测算子与尺度驱动的无监督变化检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190301 |
|
WW01 | Invention patent application withdrawn after publication |