CN111274871B - 基于轻小型无人机的森林火灾林木受损程度提取方法 - Google Patents

基于轻小型无人机的森林火灾林木受损程度提取方法 Download PDF

Info

Publication number
CN111274871B
CN111274871B CN202010015720.0A CN202010015720A CN111274871B CN 111274871 B CN111274871 B CN 111274871B CN 202010015720 A CN202010015720 A CN 202010015720A CN 111274871 B CN111274871 B CN 111274871B
Authority
CN
China
Prior art keywords
vegetation
layer
segmentation
information
ground
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
Application number
CN202010015720.0A
Other languages
English (en)
Other versions
CN111274871A (zh
Inventor
叶江霞
刘乾飞
吴明山
张明莎
王敬文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Forestry University
Original Assignee
Southwest Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Forestry University filed Critical Southwest Forestry University
Priority to CN202010015720.0A priority Critical patent/CN111274871B/zh
Publication of CN111274871A publication Critical patent/CN111274871A/zh
Application granted granted Critical
Publication of CN111274871B publication Critical patent/CN111274871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于轻小型无人机的森林火灾林木受损程度提取方法，包括面向对象影像分割与最优尺度选取；地物特征分析；多尺度分割分类层次参数设置；面向对象地物特征信息提取与分类；最后建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果。本发明的有益效果是实现了森林火灾发生后受害林木区域的高精度分类。

Description

基于轻小型无人机的森林火灾林木受损程度提取方法
技术领域
本发明属于图像处理技术领域，涉及基于轻小型无人机的森林火灾林木受损程度提取方法。
背景技术
森林火灾过后，形成了不同林火烈度的火烧迹地，即形成不同程度森林火灾受损信息斑块，烧毁木、烧死木、烧伤木和未伤木。森林火灾受损调查是现代林火管理中的一个重要组成部分，是科学评估森林火灾造成直接经济损失的重要基础资料。快速可靠的森林火灾受损信息获取方法对于有效建立森林火灾档案，制定防火扑救应急预案、减少森林火灾发生、科学评估火灾损失及林业司法鉴定、林火保险赔偿、灾后植被恢复等具有重要现实指导意义。传统森林火灾损失调查，需要进行大面积的现场勘测，每木检尺、或样地抽样，其工作量大、效率低、成本高。随着无人机遥感技术的快速发展，轻小型无人机凭借其小巧、空间分辨率高、实时性强、易操作、信息获取精准、经济高效等优势在野外数据获取，特别是对于交通条件差、山地环境复杂、野外工作危险性高的山地森林火灾损失调查具有重要应用潜力。但轻小型无人机多搭载红(R)、绿(G)、蓝(B)三个可见光波段，难以从图像光谱上反映不同火灾受损程度的差异特征，故准确可靠的森林火灾受损信息特征定义及提取方法成为关键的技术难点。传统遥感图像信息提取多基于像元光谱特征，而森林火灾受损林木像元混合特征突出，在实际应用中会产生大量“椒盐”现象，分类精度较低，难以满足森林火灾受损程度信息提取的需求。面向对象分类方法是以相似像素的集合为对象，具有综合对象的纹理特征、空间关系、图像模式特征及光谱特征等优势，且高分辨率无人机图像具有丰富的光谱和纹理信息，且已有学者针对无人机遥感高分辨率影像对火烧迹地进行了初步研究。因此，利用无人机遥感高分辨率影像对森林火灾林木受损信息识别成为可能。通过大量的图像处理实验、野外调查比对，提出了基于轻小型无人机图像自动提取森林火灾受损程度的方法，把过火区域分为烧毁区、烧死区、烧伤区、以及未烧伤区等四种不同森林火灾受损程度类型，提出了对各类信息敏感的图像特征及提取方法。
发明内容
本发明的目的在于提供基于轻小型无人机的森林火灾林木受损程度提取方法，本发明的有益效果是实现了森林火灾发生后受害林木区域的高精度分类。利用ESP(Estimation of Scale Parameter)评价工具，可以较为准确快速确定最佳分割尺度，有效缩减了大量分割实验与目视判定的耗费；利用形态学滤波处理影像，以改善影像面向对象的分割效果，有助于提高分类精度；用无人机图像的可见光波段综合指数A、C、F、N及几何特征与纹理指标等遥感指数，刻画图斑受害程度；综合利用了地物特征参量的差异性，通过特征规则的建立，分层分类提取森林火灾不同受损程度林木区。轻小型无人机可见光图像提取森林火场的林木受损区域，能够满足森林火灾灾后灾损的快速调查与损失评估的需求。
本发明所采用的技术方案是按照以下步骤进行：
步骤1、面向对象影像分割与最优尺度选取；
步骤2、地物特征分析；
2.1光谱特征；
2.2几何特征、纹理特征及色彩亮值；
步骤3、多尺度分割分类层次参数设置；
步骤4、面向对象地物特征信息提取与分类；包括面向对象地物特征信息提取与分类、第二层信息水体LEVEL2提取、第三层信息烧毁植被区域LEVEL3提取、第四层信息烧死植被区域LEVEL4提取、第五层信息烧伤植被区域LEVEL5提取；
步骤5、建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果。
进一步，面向对象影像分割与最优尺度选取是综合现有的ESP算法及局部方差LV表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC：
Figure BDA0002358798910000021
式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差，利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，对影像对象进行分割。
进一步，光谱特征是对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R红、G绿、B蓝波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，并生成各类地物的波普曲线关系图；所述几何特征、纹理特征及色彩亮值是根据分割对象的形状特征特征描述，以灰度共生矩阵法的均值、方差、标准差、同质性、对比度、非相似、熵、角二阶矩、相关性特征分析，借助色度、亮度、饱和度作为各地物颜色差异分类的依据。
进一步，多尺度分割分类层次参数设置是通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图，读取波峰点尺度参数、形状因子、紧致度因子，对原影像不同层次地物分割，建立不同地物多尺度分割分类层次表。
进一步，波峰点为452尺度参数，形状因子为0.4、紧致度因子为0.6。
进一步，面向对象地物特征信息提取与分类是面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征，无人机遥感可见光植被指数采用便于阈值确定的过绿指数EXG、可见光波段差异植被指数VDVI，公式为：
EXG＝2×ρgreen-ρred-ρblue
Figure BDA0002358798910000031
式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值；
构建自定义特征：
A＝2×ρblue-ρred-ρgreen
C＝2×ρred-ρgreen-ρblue
为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助自定义F和N特征：
Figure BDA0002358798910000032
Figure BDA0002358798910000033
第一层信息未伤植被LEVEL1提取：未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影，采用三种方法对其进行信息提取，未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合，通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别；
第二层信息水体LEVEL2提取：对第一层对象分类结果进行合并掩，水体在Band3反射率最高，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开，并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层；
第三层信息烧毁植被区域LEVEL3提取：烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，结合A、C和F特征进行大面积提取，信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分结合纹理特征均值及对比度分量区别其他误分地物，进一步合并分割结果，继承到下层；
第四层信息烧死植被区域LEVEL4提取：通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，结合A、C和N特征进行大面积提取，烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地，部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分，合并分割结果并继承至下一层；
第五层信息烧伤植被区域LEVEL5提取：通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域，为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物，最后未分类区域定义为烧伤植被区域。
附图说明
图1是原始图像及形态滤波图像下ESP最优分割尺度；
图2是各类地物光谱均值和亮度均值响应曲线；
图3是森林火灾受损程度类型专题图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
1.面向对象影像分割与最优尺度选取
综合现有的ESP(Estimation of Scale Parameter)算法及局部方差LV(LocalVariance)表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC(Rate ofchange)：
Figure BDA0002358798910000051
式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差。
利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，便于影像对象的优良分割。原始影像最优分割尺度图1中(a)及形态滤波图像最优分割尺度图1中(b)。
2.地物特征分析
2.1光谱特征
对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R(红)、G(绿)、B(蓝)波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，如表1，并生成各类地物的波普曲线关系图，如图2所示。
表1各类地物光谱均值和亮度均值统计
Figure BDA0002358798910000052
2.2几何特征、纹理特征及色彩亮值
根据分割对象的Length/Width(长宽比)、Area(面积)及紧致度等形状特征描述。以灰度共生矩阵法(GLCM)的Mean(均值)、Variance(方差)、StdDev(标准差)、Homogeneity(同质性)、Contrast(对比度)、Dissimilarity(非相似、Entropy(熵)、ASM(Angular SecondMoment，角二阶矩)、Correlation(相关性)等特征分析。借助H(色度)、I(亮度)、S(饱和度)作为各地物颜色差异分类的依据。
3.多尺度分割分类层次参数设置
通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图(图1b)，读取波峰点：290、320、360、452、490、540的6个尺度参数。由于未伤植被区域分布相对集中，影像分割选用较大尺度，且实验分割发现分割尺度越大，过分割现象严重，且分割逐渐趋于饱和不再分割，分割尺度越小，欠分割现象严重。通过对比发现，分割尺度为中尺度452、形状因子为0.4、紧致度因子为0.6时，未伤植被分割效果最佳。在分别固定形状因子0.3、0.4，紧致度因子0.6、0.7，对原影像不同层次地物分割尺度参数实验。因水库物理构成相对均一、边界清晰，确定形状因子较大为0.7，紧致度因子为0.6。分别建立不同地物多尺度分割分类层次表2。
表2不同地物多尺度分割分类层次表
Figure BDA0002358798910000061
4.面向对象地物特征信息提取与分类
面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征。无人机遥感可见光植被指数采用前人提出的便于阈值确定的过绿指数EXG(Excess Green)、可见光波段差异植被指数VDVI(Visible-band Difference Vegetation Index)，公式为：
EXG＝2×ρgreen-ρred-ρblue
Figure BDA0002358798910000062
式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值。
通过各对象特征信息分析发现，在地物信息提取时，仅依据现有的R、G、B三波段进行线性重组构建植被指数，不能有效的将其进行区分。但综合地物在各波段的光谱反射率，可利用波段之间的亮度值差异，进行特定组合及运算(差值、比值或归一化)，自定义特征，有助于突出相关地物信息。由图2地物波普响应曲线可知未伤植被满足ρgreen>ρred>ρblue表现为绿光波段反射较强，蓝光波段吸收较强；烧死植被区域和裸地满足ρred>ρgreen>ρblue，表现为红光波段反射较强，蓝光波段吸收较强；烧毁植被和水体满足ρblue>ρgreen>ρred，表现为蓝光波段反射较强，红光波段吸收较强。通常地物在某波段有较高反射特性或较高吸收特性都有助于信息的提取，因此构建自定义特征：
A＝2×ρblue-ρred-ρgreen
C＝2×ρred-ρgreen-ρblue
为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助了自定义F和N特征：
Figure BDA0002358798910000071
Figure BDA0002358798910000072
第一层信息未伤植被LEVEL1提取。未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影等，虽同其他类别呈现出光谱差异，像元混合的复杂度高，因此，采用三种方法对其进行信息提取。未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合。未伤植被和烧伤植被光谱响应曲线具有相似性，仅依靠光谱特征存在错分现象。可通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别，具体的设备规则如表3中LEVEL1所示。
第二层信息水体LEVEL2提取。对第一层对象分类结果进行合并掩，由图2水体在Band3反射率最高，通过实验，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开。并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层。
第三层信息烧毁植被区域LEVEL3提取。烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，可结合A、C和F特征进行大面积提取。信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分可结合纹理特征均值及对比度分量区别其他误分地物。进一步合并分割结果，继承到下层。
第四层信息烧死植被区域LEVEL4提取。通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，可结合A、C和N特征进行大面积提取。由图2可知烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地。部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分。同理，合并分割结果并继承至下一层。
第五层信息烧伤植被区域LEVEL5提取。通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域。为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物。最后未分类区域定义为烧伤植被区域。
5.综合以上分析，建立不同层次和不同地物的地物分类规则，如表3所示，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果，如图3所示。
表3不同层次和不同地物的地物分类规则
Figure BDA0002358798910000081
Figure BDA0002358798910000091
6.精度验证
结合地面调查资料和目视解译小班矢量数据资料确定地物类别,得到分类误差矩阵和分类精度。通过实验，在研究区域影像上随机选取515个样点，得到不同林木受损程度样点精度评价表，如表4所示，分类总体精度为87.76％，Kappa系数为84.02％。
根据面向对象分类结果，借助ArcGIS几何参数计算工具，统计得到实验区烧伤植被、烧死植被、烧毁植被区域总灾损面积为54.4hm2。而根据无人机影像综合野外调查及目视解译图像信息提取方法统计总灾损面积为55.24hm2。通过本发明提出的灾损信息提取的方法，比对现行目视解译结果，误分率为1.52％，表明提出的灾损信息的提取方法在精度上能满足林业行业三类专项调查面积精度95％内的要求，可用于森林火灾灾后损失科学、快速调查需求。
表4面向对象分类结果精度评价表
Figure BDA0002358798910000092
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于按照以下步骤进行：
步骤1、面向对象影像分割与最优尺度选取；
步骤2、地物特征分析；
2.1光谱特征；
2.2几何特征、纹理特征及色彩亮值；
步骤3、多尺度分割分类层次参数设置；
步骤4、面向对象地物特征信息提取与分类；包括面向对象地物特征信息提取与分类、第二层信息水体LEVEL2提取、第三层信息烧毁植被区域LEVEL3提取、第四层信息烧死植被区域LEVEL4提取、第五层信息烧伤植被区域LEVEL5提取；
步骤5、建立不同层次和不同地物的地物分类规则，将各分割层提取的地物类型结果同步到同一分割层上，得到森林火灾林木受损类型专题结果；
所述面向对象地物特征信息提取与分类是面向对象多尺度分割后，根据不同地类选取特征信息及构建自定义特征，无人机遥感可见光植被指数采用便于阈值确定的过绿指数EXG、可见光波段差异植被指数VDVI，公式为：
EXG＝2×ρgreen-ρred-ρblue
Figure FDA0002594077480000011
式中ρgreen，ρred，ρblue分别表示R、G、B三波段像元平均值；
构建自定义特征：
A＝2×ρblue-ρred-ρgreen
C＝2×ρred-ρgreen-ρblue
为了区分颜色差异较大地物，在提取未伤植被区域、烧毁植被区域，烧死植被区域及水库，分别借助自定义F和N特征：
Figure FDA0002594077480000012
Figure FDA0002594077480000021
第一层信息未伤植被LEVEL1提取：未伤植被包含有灌草地、分布不同种类的树种、林窗间隙及树冠边缘阴影，采用三种方法对其进行信息提取，未烧伤植被的第一组分信息提取，第一组分主要包含灌草地，以及亮绿色的树冠区域；第二组分为暗绿色的林草区域；第三组分植为林窗较多分布的植被区域、体现为林窗与植被的混合，通过纹理特征GLCM相关分量及HIS分量作为区分的重要特征，同时结合波段比值、长宽比及波段均值作为辅助特征进行识别；
第二层信息水体LEVEL2提取：对第一层对象分类结果进行合并掩，水体在Band3反射率最高，利用A特征进行初步提取，借助特征F及分量I，依据颜色及亮度差异，将水体与其他地物区分开，并对LEVEL2分割结果进行合并，掩模后的图像继承到LEVEL3层；
第三层信息烧毁植被区域LEVEL3提取：烧毁植被和其他地物数值范围在Band1、Band2、Band3波段没有重叠现象，信息易于区分，且在蓝光波段反射较强，红光波段吸收较强，结合A、C和F特征进行大面积提取，信息提取结果与林缝阴影和烧伤树冠之间被烧区域有一定程度的混淆，林缝间隙阴影多数还有绿色色调，利用G与R、B波段比值及VDVI区分，其余混淆部分结合纹理特征均值及对比度分量区别其他误分地物，进一步合并分割结果，继承到下层；
第四层信息烧死植被区域LEVEL4提取：通过光谱分析可知烧死植被区域在红光波段反射较强，蓝光波段吸收较强，结合A、C和N特征进行大面积提取，烧死植被区域与裸地波谱曲线具有相似性，存在部分误提现象，且裸地部分亮度较高，同质性较强，使用纹理特征同质性分量，去除误提裸地，部分烧死植被区域存在少量零星绿色树冠，结合亮度均值、分量H和特征N，补充漏提部分，合并分割结果并继承至下一层；
第五层信息烧伤植被区域LEVEL5提取：通过前述对象的提取，剩余裸地、水泥表面、浅水池及烧伤植被区域，为避免该层在分割尺度小而造成部分过分割的现象，通过实验先针对分割较佳的裸地、水泥表面及浅水池三种地物进行提取，通过综合分析裸地、水泥表面及浅水池，存在良好的纹理可分性，并结合特征N和A易于区分这三类地物，最后未分类区域定义为烧伤植被区域。
2.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述面向对象影像分割与最优尺度选取是综合现有的ESP算法及局部方差LV表示分割结果内的标准差，确定最适合研究数据的分割尺度ROC：
Figure FDA0002594077480000031
式中为LVL目标对象层次的平均标准差，为LVL-1目标层下层L-1层对象层对应的平均标准差，利用典型的数学形态学先开后闭组合算法，采用的结构元素为3×3方形矩阵，对无人机影像进行处理，消除部分无用信息，对影像对象进行分割。
3.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述光谱特征是对无人机森林火灾灾后影像内烧毁植被区域、烧死植被区域、烧伤植被区域、未伤植被区域、裸地、水泥表面及水体的R红、G绿、B蓝波段光谱特征进行分析，每一类地物分别采集30以上不等的样本区，统计分析了各地类的光谱均值和亮度均值，并生成各类地物的波普曲线关系图；所述几何特征、纹理特征及色彩亮值是根据分割对象的形状特征描述，以灰度共生矩阵法的均值、方差、标准差、同质性、对比度、非相似、熵、角二阶矩、相关性特征分析，借助色度、亮度、饱和度作为各地物颜色差异分类的依据。
4.按照权利要求1所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述多尺度分割分类层次参数设置是通过影像分割实验，借助ESP评价工具，获取LV-ROC折线图，读取波峰点尺度参数、形状因子、紧致度因子，对原影像不同层次地物分割，建立不同地物多尺度分割分类层次表。
5.按照权利要求4所述基于轻小型无人机图像的森林火灾受损信息提取方法，其特征在于：所述波峰点为452尺度参数，形状因子为0.4、紧致度因子为0.6。
CN202010015720.0A 2020-01-07 2020-01-07 基于轻小型无人机的森林火灾林木受损程度提取方法 Active CN111274871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010015720.0A CN111274871B (zh) 2020-01-07 2020-01-07 基于轻小型无人机的森林火灾林木受损程度提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010015720.0A CN111274871B (zh) 2020-01-07 2020-01-07 基于轻小型无人机的森林火灾林木受损程度提取方法

Publications (2)

Publication Number Publication Date
CN111274871A CN111274871A (zh) 2020-06-12
CN111274871B true CN111274871B (zh) 2020-09-08

Family

ID=71111846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010015720.0A Active CN111274871B (zh) 2020-01-07 2020-01-07 基于轻小型无人机的森林火灾林木受损程度提取方法

Country Status (1)

Country Link
CN (1) CN111274871B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071665B (zh) * 2023-01-17 2023-11-24 二十一世纪空间技术应用股份有限公司 基于卫星影像的松材线虫病病害木提取方法和装置
CN116229263A (zh) * 2023-02-24 2023-06-06 广西壮族自治区气象科学研究所 一种基于地基可见光图像的植被长势灾损验证方法
CN116704212B (zh) * 2023-08-04 2023-10-27 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109821178A (zh) * 2019-01-18 2019-05-31 佛山市开一机器人有限公司 一种基于互联网的智能消防系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101435783B (zh) * 2007-11-15 2011-01-26 同方威视技术股份有限公司 物质识别方法和设备
CN102819926B (zh) * 2012-08-24 2015-04-29 华南农业大学 一种基于无人机的火灾监测预警方法
CN107784283B (zh) * 2017-10-24 2021-05-18 防灾科技学院 面向对象的无人机高分影像煤火区土地覆被分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109821178A (zh) * 2019-01-18 2019-05-31 佛山市开一机器人有限公司 一种基于互联网的智能消防系统

Also Published As

Publication number Publication date
CN111274871A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111274871B (zh) 基于轻小型无人机的森林火灾林木受损程度提取方法
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
Vogelmann et al. Use of Thematic Mapper data for the detection of forest damage caused by the pear thrips
CN114387528A (zh) 松材线虫病监测天空地一体化监测方法
CN108280812A (zh) 一种基于图像增强的过火区域提取方法
Mostafa et al. Shadow identification in high resolution satellite images in the presence of water regions
Cai et al. Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index
CN113176211B (zh) 一种基于hsv颜色空间模型变换的日间云检测方法
CN112052757B (zh) 火烧迹地信息提取方法、装置、设备和存储介质
CN117115077B (zh) 一种湖泊蓝藻水华检测方法
CN113011354A (zh) 基于深度学习的无人机高光谱影像松材线虫病识别方法
CN114266958A (zh) 一种基于云平台的红树林遥感快速精准提取方法
CN111310640A (zh) Landsat8影像绿潮自适应阈值分区智能检测方法
CN114724035A (zh) 一种基于遥感技术的早期水华检测方法
CN112597936B (zh) 基于面向对象分层分割的建筑垃圾分离方法及相关产品
CN116228911B (zh) 基于光谱特征的森林火灾勘察定损方法
CN117152634B (zh) 基于色度指数的多源卫星影像浮水植物识别方法和系统
CN112651312A (zh) 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法
CN114792322A (zh) 一种检测山地国产高分辨率卫星影像云与云阴影的方法
CN114092418A (zh) 农田作物无人机影像的阴影检测方法
CN115115955A (zh) 基于无人机高光谱遥感的松材线虫病树监测方法与装置
CN114494281A (zh) 基于增强型燃烧指数的中小型火烧迹地自动提取方法
CN109472244B (zh) 一种基于分离指数的土壤、岩石和植被识别方法
Lu et al. Mapping urban impervious surfaces from medium and high spatial resolution multispectral imagery
CN113763357B (zh) 基于可见光影像的矿区地裂缝精准识别与连续提取方法

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
OL01 Intention to license declared
OL01 Intention to license declared