CN111091114A - 一种基于高分辨率遥感图片的单木树冠提取方法 - Google Patents
一种基于高分辨率遥感图片的单木树冠提取方法 Download PDFInfo
- Publication number
- CN111091114A CN111091114A CN201911395838.4A CN201911395838A CN111091114A CN 111091114 A CN111091114 A CN 111091114A CN 201911395838 A CN201911395838 A CN 201911395838A CN 111091114 A CN111091114 A CN 111091114A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- crown
- remote sensing
- tree crown
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012550 audit Methods 0.000 claims abstract description 26
- 239000003550 marker Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 20
- 241000894007 species Species 0.000 description 16
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 241000305548 Pterocarya stenoptera Species 0.000 description 1
- 241000593922 Quercus acutissima Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001875 compounds Chemical class 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
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率遥感图片的单木树冠提取方法，包括以下步骤：S1、将原真彩色图像转换为灰度图像一；S2、对灰度图像一做处理，获得梯度图像二；S3、对灰度图像一做处理，获得标识图像T；S4、基于标识图像T和梯度图像二，获得重建的梯度幅值图像R，基于重建的梯度幅值图像R获得标识审核图；S5、对标识审核图进行查漏处理，获得生长标记图；S6、结合生长标记图和标识审核图，获得最终树冠标识图。本发明用计算机自动处理，大大提高计算效率和减低人工参与度，适用于遥感影像空间分辨率达到10米以上、郁闭度高于5且优势树种低于20种的单木树冠的遥感提取，提取效果良好，实用性好，值得推广。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种基于高分辨率遥感图片的单木树冠提取方法。
背景技术
树种分类技术广泛应用在森林二类调查、森林作业调查、森林生态监测、城市园林规划、城市生态评估、环境监测和分析等领域，森林树种的精确识别是确定调查作业中森林类型、合理利用和保护森林资源的基础与依据。
随着遥感技术的不断发展，研究人员常利用多源遥感影像获取大尺度森林优势树种的分布。然而，树种的分类精度受信息高维、混合光谱与小样本等问题影响，难以解决特征维度与样本数量之间的矛盾，缺乏针对先验知识深入推理的高可信度分类器研究，导致树种分类效果不佳。
目前，业内常用的现有技术主要采用区域生长算法、标记分水岭算法、分层叠加方法等，这些方法提取郁闭度小于5以下的单木树冠较好，而且采用人工识别选取树冠样本，基于多波段遥感数据进行提取，存在信息高维、识别效率低及树冠特征点查找难等问题，最终易导致单木树冠过分割、合并等问题，不利于郁闭度达到5以上的阔叶林的树冠提取。
由于技术适用范围窄、面向林种要求高、数据成本高等问题的存在，现有技术在实用性、鲁棒性、自适应性等方面均亟待提升。目前业内现有技术针对郁闭度高于5的阔叶林识别效果较差，人工参与度高，需要人工大量调查样本参与机器学习，同时，面向多光谱、高光谱遥感数据识别单木树冠，既信息高维又成本高昂，而且识别区域选择困难，并不是所有区域的数据均能购买到，不满足全区域实用性。
发明内容
有鉴于此，本发明提供了一种基于高分辨率遥感图片的单木树冠提取方法，以便解决现有技术中的不足。
本发明的技术方案是：
一种基于高分辨率遥感图片的单木树冠提取方法，包括以下步骤：
S1、将原真彩色图像转换为灰度图像一；
S2、对灰度图像一做处理，获得梯度图像二；
S3、对灰度图像一做处理，获得标识图像T；
S4、基于标识图像T和梯度图像二，获得重建的梯度幅值图像R，基于重建的梯度幅值图像R获得标识审核图；
S5、对标识审核图进行查漏处理，获得生长标记图；
S6、结合生长标记图和标识审核图，获得最终树冠标识图。
优选的，所述步骤S2中获得梯度图像二的方法包括以下步骤：
S21、采用Prewitt算子基于不同方向模板对灰度图像一进行处理获取梯度图像一；
S22、采用形态学开闭运算对梯度图像一进行处理，得到梯度图像二。
优选的，所述步骤S3中获得标识图像T的方法包括以下步骤：
S31、用增加灰度图像一的对比度值的方式对灰度图像一进行图像增强，获得具有高值像元的灰度图像二；
S32、基于腐蚀膨胀操作的开运算对具有高值像元的灰度图像二做高值像元增强后，对其进行均值滤波，获得平滑处理图；
S33、将平滑处理图转化为二值图像；
S34、设置距离变换操作的结构元素半径，对二值图像进行距离变换，用分割函数标记出单木树冠特征点，得到初步的标记图像；
S35、设置标记图像的树冠特征点的面积最大值，并自适应创建树冠标记阈值L，通过不断迭代L值的分水岭算法，根据不同大小的树冠采用不同的L值约束树冠标记，直到没有新的标记产生，获得标记图像一；
S36、利用分水岭标识变换抑制标记图像一上的噪声，并自动审核过分割标记和重复标记，获得标识图像T。
优选的，所述步骤S4中获得标识审核图的方法是：基于梯度图像二和标识图像T采用最小覆盖法得到重建的梯度幅值图像R，利用分水岭分割算法对重建的梯度幅值图像R进行处理，获得分割结果，使用伪随机方式来将分割结果转换为RGB图像，得到标识审核图。
优选的，所述步骤S5中对标识审核图进行查漏处理，获得生长标记图的方法是：在标识图像T上按照圆弧搜索生长像素D，搜索停止于圆弧范围内但没有符合之前的标记要求的标识进行标记，获得生长标记图。
优选的，所述步骤S6中获得最终树冠标识图的方法包括：
通过目视判读，符合单木树冠轮廓标记标准时，综合标识审核图和生长标记图，获取最终树冠标识图；不符合单木树冠轮廓标记标准时，重新进行树冠自适应标识，直至符合单木树冠轮廓标记标准。
优选的，所述步骤S34中距离变换操作的结构元素半径设置为5。
优选的，所述步骤S35中L控制在1-3的范围内。
优选的，圆弧搜索生长像素D的范围在-10°到+10°。
与现有技术相比，本发明提供的一种基于高分辨率遥感图片的单木树冠提取方法，是基于形态学理论和分水岭分割理论，提出一种改进型分水岭自适应标记控制算法，通过对谷歌下载的高分辨率全区域遥感图片智能去噪处理，加快单木树冠的标记速度，通过利用消除标记树冠特征深度局部最小值的迭代算法，自动排除错误标记，构建自适应标记自动审核技术，设计标记生长模板，最终提取阔叶林优势树种的单木树冠，其具有以下优点：
1、本发明利用遥感、GIS以及互联网技术探索识别林分树种和评价林分质量的技术，为森林树种分类研究提供兼顾稳定和可靠的林业生态评价新方法，提高树种分类精度，其采用自适应变异算法解决复杂优化问题，通过算法随机优化的表面现象，设计具有一定自适应性的分类群体，能够提高单木树冠遥感提取的鲁棒性和自适应性，且极大地提高了提取精度；
2、本发明的单木树冠的计算机自动提取方法不仅解决样本数量少的难题提供有效先验知识，用于提高树种分类精度，而且通过基于高分辨率遥感图片三个波段数据，降低信息维度和混合光谱影像，实现了有效提高单木树冠提取的鲁棒性与自适应性，降低人工参与度，提高提取方法效率；
3、本发明为解决郁闭度高于5的阔叶林单木树冠计算机自动提取，首先设计了基于高分辨率遥感图片的树冠标记技术，基于形态学理论平滑处理三波段图像，平衡各树冠光谱强度，该技术利用低成本低维度的数据获得了高质量的树冠标记结果，其次设计了标记自动审核技术，基于改进型分水岭算法将复杂的单木树冠的自动标记一一审定，排除错误标记，提高树冠标记精度，最后设计了树冠特征点生长技术，基于对称生长原理和固定以圆弧的查找模式，提取形态复杂的阔叶林内的单木树冠，有效解决识别效率低的问题，单木树冠自动提取结果精度高度拟合人工解译结果；
4、现业内常用技术只适用于郁闭度小于5以下的针叶林或阔叶林树冠，遥感数据需要高价购买，并且识别步骤需要大量人工参与的过程，实用性差，本发明在基础数据上采用RGB三波段遥感图片即可，大部分可网上免费下载，成本低，平衡各树冠像元的混合光谱，自动标记审核，以及计算机自动生长算法，无疑均是计算机自动处理，大大提高计算效率和减低人工参与度；
5、本发明适用于遥感影像空间分辨率达到10米以上、郁闭度高于5且优势树种低于20种的单木树冠的遥感提取，提取效果良好，实用性好，值得推广。
附图说明
图1为本发明的基于高分辨率遥感图片的单木树冠提取方法的流程图；
图2为本发明的三波段高分辨率遥感原始图；
图3为本发明的梯度模值平滑结果图；
图4为本发明的平滑后各树冠光谱强度图；
图5为本发明的按最大值标记树冠图；
图6为本发明的分水岭算法迭代后树冠标记图；
图7为本发明的自适应树冠标记技术结果图；
图8为本发明的树冠生长初始标记图；
图9为本发明的符合单木树冠轮廓的树冠标识图；
图10为本发明的树冠轮廓提取结果图。
具体实施方式
本发明提供了一种基于高分辨率遥感图片的单木树冠提取方法，下面结合图1到图10，对本发明进行说明。
如图1所示，本发明的技术方案是：
一种基于高分辨率遥感图片的单木树冠提取方法，包括以下步骤：
S1、将原真彩色图像转换为灰度图像一；
S2、对灰度图像一做处理，获得梯度图像二；
S3、对灰度图像一做处理，获得标识图像T；
S4、基于标识图像T和梯度图像二，获得重建的梯度幅值图像R，基于重建的梯度幅值图像R获得标识审核图；
S5、对标识审核图进行查漏处理，获得生长标记图；
S6、结合生长标记图和标识审核图，获得最终树冠标识图。
进一步的，所述步骤S2中获得梯度图像二的方法包括以下步骤：
S21、采用Prewitt算子基于不同方向模板对灰度图像一进行处理获取梯度图像一；
S22、采用形态学开闭运算对梯度图像一进行处理，得到梯度图像二。
进一步的，所述步骤S3中获得标识图像T的方法包括以下步骤：
S31、用增加灰度图像一的对比度值的方式对灰度图像一进行图像增强，获得具有高值像元的灰度图像二；
S32、基于腐蚀膨胀操作的开运算对具有高值像元的灰度图像二做高值像元增强后，对其进行均值滤波，获得平滑处理图；
S33、将平滑处理图转化为二值图像；
S34、设置距离变换操作的结构元素半径，对二值图像进行距离变换，用分割函数标记出单木树冠特征点，得到初步的标记图像；
S35、设置标记图像的树冠特征点的面积最大值，并自适应创建树冠标记阈值L，通过不断迭代L值的分水岭算法，根据不同大小的树冠采用不同的L值约束树冠标记，直到没有新的标记产生，获得标记图像一；
S36、利用分水岭标识变换抑制标记图像一上的噪声，并自动审核过分割标记和重复标记，获得标识图像T。
进一步的，所述步骤S4中获得标识审核图的方法是：基于梯度图像二和标识图像T采用最小覆盖法得到重建的梯度幅值图像R，利用分水岭分割算法对重建的梯度幅值图像R进行处理，获得分割结果，使用伪随机方式来将分割结果转换为RGB图像，得到标识审核图。
进一步的，所述步骤S5中对标识审核图进行查漏处理，获得生长标记图的方法是：在标识图像T上按照圆弧搜索生长像素D，搜索停止于圆弧范围内但没有符合之前的标记要求的标识进行标记，获得生长标记图。
进一步的，所述步骤S6中获得最终树冠标识图的方法包括：
通过目视判读，符合单木树冠轮廓标记标准时，综合标识审核图和生长标记图，获取最终树冠标识图；不符合单木树冠轮廓标记标准时，重新进行树冠自适应标识，直至符合单木树冠轮廓标记标准。
进一步的，所述步骤S34中距离变换操作的结构元素半径设置为5。
进一步的，所述步骤S35中L控制在1-3的范围内。
进一步的，圆弧搜索生长像素D的范围在-10°到+10°。
本发明提供了一种基于高分辨率遥感图片的单木树冠提取方法，其基于形态学理论和分水岭分割理论，提出一种改进型分水岭自适应标记控制算法，通过对谷歌下载的高分辨率全区域遥感图片智能去噪处理，加快单木树冠的标记速度，通过利用消除标记树冠特征深度局部最小值的迭代算法，自动排除错误标记，构建自适应标记自动审核技术，设计标记生长模板，最终提取阔叶林优势树种的单木树冠。
本发明的关键技术解释如下：
1、在形态学理论的基础上，基于Prewitt算子分别在水平和垂直方向上对如图2所示的灰度图像一进行如图3梯度图像一所示的梯度模值平滑计算，平衡各树冠光谱强度如图4梯度图像二所示，算法如下所示的公式(1)：
式中，I为原图像，I’为灰度图像一的平滑结果，原图像分别经过形态学腐蚀和膨胀操作后，再进行梯度模值计算。
2、自适应树冠标记技术结果如图7重建梯度幅值图像R所示，在均值滤波器的基础上，通过设置如图5标记图像一所示的遥感图片中树冠标记点的最大值，进而自适应创建树冠标记阈值L，L控制在1-3的范围内，通过不断迭代L值的分水岭算法，根据不同大小的树冠采用不同的L值约束树冠标记，直到没有新的标记产生，如图6审核后标记图像T所示。在每次迭代中，利用分水岭标识变换抑制标记图像T上的噪声，并自动审核过分割标记和重复标记，如图7重建梯度幅值图像R所示，结合面积最大值控制指标A，设计了无效标记的自动审核技术，基于改进型分水岭算法将复杂的单木树冠的自动标记一一审定，排除错误标记，上述算法如下所示的公式(2)：
式中，
是标记图像，I’是灰度图像二的平滑结果，当L较小时，利用A值的迭代来控制标记有效性，当L取多次迭代值后，出现重复标记之后，采用结构元素为15的圆盘膨胀算法控制非重复区域，过滤重复标识区域。
3、根据地形学原理，根据第二步的标记结果图像，继续采用公式(2)的迭代分水岭算法，设计了利用其余未标记树冠，基于对称生长原理和固定以圆弧的查找模式，按照-10°和+10°的圆弧搜索生长像素D，搜索停止于圆弧上没有D符合要求的标识，得到如图8所示的生长标记图，通过目视判读，符合单木树冠轮廓标记标准的，综合标识审核图和生长标记图，获得如图9所示的最终树冠标识图，不符合单木树冠轮廓的，如多木树冠、单木树冠不完整等，重新进行树冠自适应标识。根据图9，填补单木树冠标识到轮廓边界，此技术提取如图10所示的形态复杂的阔叶林内的单木树冠，能有效解决识别效率低的问题。
使用本发明的方法进行单木树冠自动识别的结果与目视解译识别的结果比较如下表1，本次结果采用的谷歌1.5米精度的皇甫山遥感图片数据，覆盖阔叶林区域，优势树种主要为麻栎、枫杨等，郁闭度达到8以上。
表1单木树冠提取精度表
| 提取方法 | 单木识别数量 | 单木真实数量 | 单木位置精度 | 单木轮廓精度 |
| 传统分水岭算法 | 71 | 57 | 80.3％ | 67.6％ |
| 本发明算法 | 84 | 81 | 96.4％ | 94％ |
本发明提供的一种基于高分辨率遥感图片的单木树冠提取方法，利用遥感、GIS以及互联网技术探索识别林分树种和评价林分质量的技术，为森林树种分类研究提供兼顾稳定和可靠的林业生态评价新方法，提高树种分类精度，其采用自适应变异算法解决复杂优化问题，通过算法随机优化的表面现象，设计具有一定自适应性的分类群体，能够提高单木树冠遥感提取的鲁棒性和自适应性，且极大地提高了提取精度。
本发明的单木树冠的计算机自动提取方法不仅解决样本数量少的难题提供有效先验知识，用于提高树种分类精度，而且通过基于高分辨率遥感图片三个波段数据，降低信息维度和混合光谱影像，实现了有效提高单木树冠提取的鲁棒性与自适应性，降低人工参与度，提高提取方法效率。
本发明为解决郁闭度高于5的阔叶林单木树冠计算机自动提取，首先设计了基于高分辨率遥感图片的树冠标记技术，基于形态学理论平滑处理三波段图像，平衡各树冠光谱强度，该技术利用低成本低维度的数据获得了高质量的树冠标记结果，其次设计了标记自动审核技术，基于改进型分水岭算法将复杂的单木树冠的自动标记一一审定，排除错误标记，提高树冠标记精度，最后设计了树冠特征点生长技术，基于对称生长原理和固定以圆弧的查找模式，提取形态复杂的阔叶林内的单木树冠，有效解决识别效率低的问题，单木树冠自动提取结果精度高度拟合人工解译结果。
现业内常用技术只适用于郁闭度小于5以下的针叶林或阔叶林树冠，遥感数据需要高价购买，并且识别步骤需要大量人工参与的过程，实用性差，本发明在基础数据上采用RGB三波段遥感图片即可，大部分可网上免费下载，成本低，平衡各树冠像元的混合光谱，自动标记审核，以及计算机自动生长算法，无疑均是计算机自动处理，大大提高计算效率和减低人工参与度。
本发明适用于遥感影像空间分辨率达到10米以上、郁闭度高于5且优势树种低于20种的单木树冠的遥感提取，提取效果良好，实用性好，值得推广。
以上公开的仅为本发明的较佳的具体实施例，但是，本发明实施例并非局限于此，任何本领域技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，包括以下步骤：
S1、将原真彩色图像转换为灰度图像一；
S2、对灰度图像一做处理，获得梯度图像二；
S3、对灰度图像一做处理，获得标识图像T；
S4、基于标识图像T和梯度图像二，获得重建的梯度幅值图像R，基于重建的梯度幅值图像R获得标识审核图；
S5、对标识审核图进行查漏处理，获得生长标记图；
S6、结合生长标记图和标识审核图，获得最终树冠标识图。
2.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S2中获得梯度图像二的方法包括以下步骤：
S21、采用Prewitt算子基于不同方向模板对灰度图像一进行处理获取梯度图像一；
S22、采用形态学开闭运算对梯度图像一进行处理，得到梯度图像二。
3.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S3中获得标识图像T的方法包括以下步骤：
S31、用增加灰度图像一的对比度值的方式对灰度图像一进行图像增强，获得具有高值像元的灰度图像二；
S32、基于腐蚀膨胀操作的开运算对具有高值像元的灰度图像二做高值像元增强后，对其进行均值滤波，获得平滑处理图；
S33、将平滑处理图转化为二值图像；
S34、设置距离变换操作的结构元素半径，对二值图像进行距离变换，用分割函数标记出单木树冠特征点，得到初步的标记图像；
S35、设置标记图像的树冠特征点的面积最大值，并自适应创建树冠标记阈值L，通过不断迭代L值的分水岭算法，根据不同大小的树冠采用不同的L值约束树冠标记，直到没有新的标记产生，获得标记图像一；
S36、利用分水岭标识变换抑制标记图像一上的噪声，并自动审核过分割标记和重复标记，获得标识图像T。
4.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S4中获得标识审核图的方法是：基于梯度图像二和标识图像T采用最小覆盖法得到重建的梯度幅值图像R，利用分水岭分割算法对重建的梯度幅值图像R进行处理，获得分割结果，使用伪随机方式来将分割结果转换为RGB图像，得到标识审核图。
5.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S5中对标识审核图进行查漏处理，获得生长标记图的方法是：在标识图像T上按照圆弧搜索生长像素D，搜索停止于圆弧范围内但没有符合之前的标记要求的标识进行标记，获得生长标记图。
6.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S6中获得最终树冠标识图的方法包括：
通过目视判读，符合单木树冠轮廓标记标准时，综合标识审核图和生长标记图，获取最终树冠标识图；不符合单木树冠轮廓标记标准时，重新进行树冠自适应标识，直至符合单木树冠轮廓标记标准。
7.根据权利要求3所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S34中距离变换操作的结构元素半径设置为5。
8.根据权利要求1所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，所述步骤S35中L控制在1-3的范围内。
9.根据权利要求5所述的一种基于高分辨率遥感图片的单木树冠提取方法，其特征在于，圆弧搜索生长像素D的范围在-10°到+10°。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911395838.4A CN111091114A (zh) | 2019-12-30 | 2019-12-30 | 一种基于高分辨率遥感图片的单木树冠提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911395838.4A CN111091114A (zh) | 2019-12-30 | 2019-12-30 | 一种基于高分辨率遥感图片的单木树冠提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091114A true CN111091114A (zh) | 2020-05-01 |
Family
ID=70397791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911395838.4A Pending CN111091114A (zh) | 2019-12-30 | 2019-12-30 | 一种基于高分辨率遥感图片的单木树冠提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091114A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986131A (zh) * | 2018-07-24 | 2018-12-11 | 南京林业大学 | 一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法 |
| CN110288594A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
-
2019
- 2019-12-30 CN CN201911395838.4A patent/CN111091114A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986131A (zh) * | 2018-07-24 | 2018-12-11 | 南京林业大学 | 一种迭代h-minima改进分水岭的无人机高分影像单木树冠提取方法 |
| CN110288594A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 施慧慧: ""结合Gabor小波和形态学的高分辨率图像树冠提取方法"", 《地球信息科学学报》 * |
| 滕文秀: ""基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取"", 《激光与光电子学进展》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
| CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
| CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
| CN105809194B (zh) | 一种sar影像翻译为光学影像的方法 | |
| CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
| CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
| CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
| CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| CN110619258A (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
| Musicco et al. | Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
| CN115331119A (zh) | 一种固体废弃物识别方法 | |
| CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
| CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
| CN111091114A (zh) | 一种基于高分辨率遥感图片的单木树冠提取方法 | |
| CN106204596A (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
| CN116012708A (zh) | 一种基于遥感影像的塑料温室快速检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |