CN111462134A - 高分遥感影像和激光雷达点云融合的单木分割方法及系统 - Google Patents

高分遥感影像和激光雷达点云融合的单木分割方法及系统 Download PDF

Info

Publication number
CN111462134A
CN111462134A CN202010243740.3A CN202010243740A CN111462134A CN 111462134 A CN111462134 A CN 111462134A CN 202010243740 A CN202010243740 A CN 202010243740A CN 111462134 A CN111462134 A CN 111462134A
Authority
CN
China
Prior art keywords
tree
point cloud
remote sensing
laser radar
point
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
Application number
CN202010243740.3A
Other languages
English (en)
Inventor
胡庆武
刘欢
李加元
艾明耀
赵鹏程
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010243740.3A priority Critical patent/CN111462134A/zh
Publication of CN111462134A publication Critical patent/CN111462134A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20132—Image cropping
    • 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

Abstract

本发明公开了一种高分遥感影像和激光雷达点云融合的单木分割方法及系统，包括从高分遥感影像分割提取出树木范围，裁剪激光雷达点云数据得到树木激光雷达点云；基于树木点云层堆叠处理方式提取树木中心，对识别出的树木中心进行标记作为种子点；基于种子点，采用区域增长结合阈值判断进行点云分割得到单木分割结果。本发明将高分影像数据的丰富光学信息优势与激光雷达点云数据在三维结构信息方面的优势进行融合，减小数据精度对单木提取结果和精度的影响，提高遥感林业应用的精度和准确性，为遥感数据应用在森林资源方面提供新的途径。

Description

高分遥感影像和激光雷达点云融合的单木分割方法及系统
技术领域
本发明属于森林监测技术领域，特别涉及基于高分遥感影像和激光雷达点云融合的单木分割技术方案。
背景技术
在森林资源检测工作中，人工林的生长状况的遥感监测有着至关重要的地位，其中，从所获取的众多遥感数据中分离提取出单木则是人工林生长状况监测过程中的基础性工作。但传统光学遥感数据的获取通常会受到光照条件、天气状况、观测角度等许多因素、条件的影响，从而基于传统光学遥感数据来进行的分离提取单木的结果准确性和精度质量等会受到很大的影响，显然，仅通过所获取的光学遥感数据进行单木的分离提取在精度和准确性上往往不足以、甚至远不足以满足现实所需的应用要求，因此结合利用先进的光学遥感技术和其他先进遥感技术例如机载、车载激光雷达等技术针对单株木进行检测识别已成为现代林业信息化、科学化、数字化监测系统和方法研究的必然趋势，也是研究应用的重点和难点。
发明内容
本发明针对利用高分遥感影像融合激光雷达点云数据用于单木的分离提取，提供了一种利用高分遥感影像分割提取树木范围、基于树木分割范围提取树木激光雷达点云、基于树木激光雷达点云分割单木的方法，实现将高分遥感影像数据的丰富光学信息优势与激光雷达点云数据在三维结构信息方面的优势进行融合，减小数据精度对单木提取结果和精度的影响，提高遥感林业应用的精度和准确性，为遥感数据应用在森林资源调查中提供新的思路。
为实现上述目的，本发明所提供的一种基于高分遥感影像数据和激光雷达点云数据融合单木分割方法，包括如下步骤：
步骤1)从高分遥感影像分割提取出树木范围；
步骤2)基于步骤1)所得高分遥感影像分割的树木范围，裁剪激光雷达点云数据得到树木激光雷达点云；
步骤3)基于树木点云层堆叠处理方式提取树木中心，包括对树木点云进行水平分层聚类，根据聚类结果去除低矮植被后在每个集群周围设置多边形缓冲区，通过堆叠每层多边形，生成栅格化重叠多边形，平滑后进行窗口检测，所得局部最大值是整个树冠的冠层中重叠度最高的点，代表树木中心；
步骤4)对步骤3)识别出的树木中心进行标记作为种子点；
步骤5)基于种子点，采用区域增长结合阈值判断进行点云分割得到单木分割结果。
而且，步骤1)中，根据影像的亮度特征值和预设的树木提取阈值，将树木与其他地物的分割结果进行分离，得到树木范围并进行优化。
而且，步骤2)在三维点云空间中进行，包括首先对高分遥感影像与激光雷达点云数据进行空间一致性配准，然后以基于高分遥感影像分割出的树木范围为约束，裁剪激光雷达点云数据得到树木激光雷达点云。
而且，步骤3)实现方式包括以下步骤，
步骤3.1，对裁剪得到的树木点云进行高程归一化处理，得到树木对于地面的绝对高度；
步骤3.2，将树木点云进行水平分层；
步骤3.3，通过点云聚类去除低矮植被；
步骤3.4，在步骤3.3所得每一个集群周围设置一个预设尺寸的多边形缓冲区；
步骤3.5，堆叠每层多边形，生成栅格化重叠多边形，重叠图确定了树冠中高密度的区域，多个多边形重叠表明存在一棵树；
步骤3.6，将每一层进行堆叠后以预设大小的窗口进行平滑，得到堆叠图；
步骤3.7，采用预设大小的窗口在堆叠图中识别检测局部最大值，局部最大值是整个冠层中重叠度最高的点，代表树木中心。
而且，步骤3.3实现方式包括以下步骤，
步骤3.3.1，对最下面的若干层进行密度扫描，通过密度和预先设置的每个集群的最少点数，将点聚集成群；
步骤3.3.2，采用较小的像元窗口平滑CHM栅格，使用较大的固定窗口半径识别局部最大值作为树高；
步骤3.3.3，把局部最大值作为种子点，每一层都使用K-Means聚类方法，把点云聚类到最近的种子点上，重新计算集群的中心作为新种子点，再聚类所有点云到最近的种子点；
步骤3.3.4，迭代重复步骤3.3.3的过程，迭代重复直到种子点位置不再变化。
而且，所述的步骤5)采用区域增长结合阈值判断进行点云分割得到单木分割结果，实现方式为，从种子点开始，从上到下进行区域增长，并进行阈值判断，如果目标点到已分出的某一树中的所有点的二维投影最小值大于设定阈值d时，则认为目标点属于另一棵树A；如果小于阈值d且到目标点的距离小于到另一棵树B的距离，则认为目标点属于这棵树A，否则属于另一棵树B。
本发明还提供一种高分遥感影像和激光雷达点云融合的单木分割系统，用于执行如上所述的一种高分遥感影像和激光雷达点云融合的单木分割方法。
本发明具有如下积极效果：
1)本发明提出了高分遥感影像和激光雷达点云数据融合进行单木分割提取的方法流程，为利用先进的光学遥感技术和其他先进遥感技术例如机载、车载激光雷达等技术针对单株木进行检测和识别提供了一种提高精度与准确率的处理方法。
2)本发明利用高分遥感影像数据精确的提取了树木范围，避免了其他地物点云数据对单株树木的分割产生的影响。
3)本发明提出利用层堆叠技术对提取出的树木点云数据进行点云分割，该方法稳定性好，适应性高，分割结果精度高。
采用本发明可更加准确、稳健地实现单木的分割提取，融合了高分数据和激光雷达点云数据两种数据在进行单木检测识别方面的优势，且提高了基于高分数据和激光雷达点云数据进行单木检测识别的准确度、精度和效率。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中层堆叠方法流程图。
图3为本发明实施例区域增长结合阈值判断方法基本原理示意图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
实施例提供一种高分遥感影像和激光雷达点云融合单木分割方法，如图1所示，利用高分遥感影像分割提取树木范围、基于树木分割范围提取树木激光雷达点云、基于树木激光雷达点云分割单木，具体实现包括以下步骤：
步骤1)、基于高分遥感影像分割提取树木范围，该步骤主要为后续利用树木点云进行单木的分割提取提供单纯的树木点云空间范围。
实施例中步骤1具体实现如下：
首先，根据预设的分割尺度参数对高分遥感影像进行分割：根据分割尺度，对高分遥感影像进行分割，使得树木与其他地物区分开，从而为尽可能精确地提取出树木范围做准备。
其次，根据高分遥感影像数据的某一影像特征值提取树木范围：具体实施时，可根据影像的Brightness特征值，设定树木的提取阈值，将树木与其他地物的分割结果进行分离，得到树木范围。其中，Brightness表示亮度。
最后，将树木范围的分割结果导出并进行适当的编辑修改、删除等优化，得到精确的树木范围。
具体实施时，可以使用遥感影像解译软件从高分遥感影像分割提取出树木范围。
步骤2)、根据高分遥感影像初分割的树木范围提取树木激光雷达点云，该提取过程在三维点云空间中进行。
实施例中步骤2具体实现如下：
首先，对高分遥感影像与激光雷达点云数据进行空间一致性配准。然后以基于高分遥感影像分割出的树木范围为约束裁剪激光雷达点云数据得到树木激光雷达点云。
步骤3)、利用层堆叠方法处理树木点云提取树木中心，为后续利用层堆叠方法分割点云提供种子点。
参见图2，本发明实施例用层堆叠方法处理树木点云提取树木中心，具体实现如下：
步骤3.1，对步骤2裁剪得到的树木点云进行高程归一化处理，保证得到的是树木对于地面的绝对高度来消除地形对分割的影响。
步骤3.2，将树木点云进行水平分层，实施例中从0.5米开始以1米为分层间隔直至分层到最高点。
步骤3.3，点云聚类，将聚类方法应用于每一层，目的是去除一些低矮植被，例如，杂草等。
步骤3.3.1，对最下面的3层点云进行密度扫描DBScanning(Density-BasedScanning)，通过密度和预先设置的每个集群的最少点数，将点聚集成群，集群内的点都被划分为不需要的低植被，并被移除。集群外的点则都被认为是从狭窄的树丛中单独返回的数据，并被保留下来。
步骤3.3.2，采用3*3像元窗口平滑0.5米分辨率的CHM栅格，以去除不需要的栅格小斑块，使用3米固定窗口半径识别局部最大值作为树高。
步骤3.3.3，把局部最大值作为种子点，每一层都使用K-Means聚类方法，把点云聚类到最近的种子点上，重新计算集群的中心作为新种子点，再聚类点云到最近的种子点。
步骤3.3.4，迭代重复步骤3.3.3的过程，直到种子点位置不再变化。
步骤3.4，集群多边形，在步骤3.3所得每一个集群周围设置一个0.5米的多边形缓冲区，距主集群0.5米以外的点可能会被错分在该群中，而与另一个集群分离，而作为连接点和矢量化集群的一种手段，具体实施时缓冲区的大小可以预先通过实验和视觉评估定性的来确定树冠的最佳尺寸，并且最佳尺寸可能因脉冲密度和森林类型而略有不同。
步骤3.5，重叠韦恩图，堆叠每层多边形，生成大量0.5米分辨率的栅格化重叠多边形，重叠图确定了树冠中高密度的区域，多个多边形重叠即表明存在一棵树。
堆叠，指的是依据一定的规则，在有限的空间范围内尽可能多地放置限定大小和形状的单元体，以避免空间浪费，可应用这种方式构建分形系统。本发明堆叠多边形，是通过在二维图像空间里，将每层的多边形进行叠加显示。
步骤3.6，将每一层进行堆叠后以1.5米窗口大小进行平滑，得到堆叠图。
步骤3.7，采用1.5米固定窗口大小在步骤3.6所得堆叠图中识别检测局部最大值，这些局部最大值是整个冠层中重叠度最高的点，也就代表了树木的中心。
步骤4)、对利用层堆叠方法识别出的局部最大值进行标记作为种子点。
本步骤对利用层堆叠方法识别出的局部最大值进行标记作为种子点，为后续精确分割单木方法提供初始值。
步骤5)、基于种子点进行点云分割，该步骤采用区域增长结合阈值判断方法(PCS方法，point cloud segmentation)进行点云分割得到单木分割结果。
该方法从种子点A(即全局极大值)开始，主要根据间距临界值和最小间距规则，通过对更低的点进行估计，将种子点A发展为一个树聚类。例如，参见图3，点A是最高点，因此将点A视作一号树木的树顶(目标)。此时把低于A的点相继进行分类。首先，点B被分类成二号树木，因为间距dAB大于一个设定的临界值(该参数由用户决定)。然后设置点C，点C的间距dAC小于临界值。通过与点A和点B的比较，点C的类别被设定为一号树木，因为dAC小于dBC。通过与点B和点C的比较，点D被分类成二号树木；通过与点C和点D的比较，点E被分类成二号树木。临界值应当与冠层半径相等。当设置的临界值太大或太小时，会出现分割不足和过度分割的情况。所有激光雷达点云进行点云分割后，即得到单木分割结果。
具体实施时，以上流程可采用计算机软件技术实现自动运行，运行方法的系统装置也应当在本发明的保护范围内。
以上所述仅为本发明的优选实施例而已，并不用以限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于，包括如下步骤：
步骤1)从高分遥感影像分割提取出树木范围；
步骤2)基于步骤1)所得高分遥感影像分割的树木范围，裁剪激光雷达点云数据得到树木激光雷达点云；
步骤3)基于树木点云层堆叠处理方式提取树木中心，包括对树木点云进行水平分层聚类，根据聚类结果去除低矮植被后在每个集群周围设置多边形缓冲区，通过堆叠每层多边形，生成栅格化重叠多边形，平滑后进行窗口检测，所得局部最大值是整个树冠的冠层中重叠度最高的点，代表树木中心；
步骤4)对步骤3)识别出的树木中心进行标记作为种子点；
步骤5)基于种子点，采用区域增长结合阈值判断进行点云分割得到单木分割结果。
2.根据权利要求1所述的一种基于高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于：步骤1)中，根据影像的亮度特征值和预设的树木提取阈值，将树木与其他地物的分割结果进行分离，得到树木范围并进行优化。
3.根据权利要求1所述的一种基于高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于：步骤2)在三维点云空间中进行，包括首先对高分遥感影像与激光雷达点云数据进行空间一致性配准，然后以基于高分遥感影像分割出的树木范围为约束，裁剪激光雷达点云数据得到树木激光雷达点云。
4.根据权利要求1所述的一种基于高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于：步骤3)实现方式包括以下步骤，
步骤3.1，对裁剪得到的树木点云进行高程归一化处理，得到树木对于地面的绝对高度；
步骤3.2，将树木点云进行水平分层；
步骤3.3，通过点云聚类去除低矮植被；
步骤3.4，在步骤3.3所得每一个集群周围设置一个预设尺寸的多边形缓冲区；
步骤3.5，堆叠每层多边形，生成栅格化重叠多边形，重叠图确定了树冠中高密度的区域，多个多边形重叠表明存在一棵树；
步骤3.6，将每一层进行堆叠后以预设大小的窗口进行平滑，得到堆叠图；
步骤3.7，采用预设大小的窗口在堆叠图中识别检测局部最大值，局部最大值是整个冠层中重叠度最高的点，代表树木中心。
5.根据权利要求4所述的一种基于高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于：步骤3.3实现方式包括以下步骤，
步骤3.3.1，对最下面的若干层进行密度扫描，通过密度和预先设置的每个集群的最少点数，将点聚集成群；
步骤3.3.2，采用较小的像元窗口平滑CHM栅格，使用较大的固定窗口半径识别局部最大值作为树高；
步骤3.3.3，把局部最大值作为种子点，每一层都使用K-Means聚类方法，把点云聚类到最近的种子点上，重新计算集群的中心作为新种子点，再聚类所有点云到最近的种子点；
步骤3.3.4，迭代重复步骤3.3.3的过程，迭代重复直到种子点位置不再变化。
6.根据权利要求1或2或3或4或5所述的一种基于高分遥感影像和激光雷达点云融合的单木分割方法，其特征在于：所述的步骤5)采用区域增长结合阈值判断进行点云分割得到单木分割结果，实现方式为，从种子点开始，从上到下进行区域增长，并进行阈值判断，如果目标点到已分出的某一树中的所有点的二维投影最小值大于设定阈值d时，则认为目标点属于另一棵树A；如果小于阈值d且到目标点的距离小于到另一棵树B的距离，则认为目标点属于这棵树A，否则属于另一棵树B。
7.一种高分遥感影像和激光雷达点云融合的单木分割系统，其特征在于：用于执行如权利要求1-6所述的一种高分遥感影像和激光雷达点云融合的单木分割方法。
CN202010243740.3A 2020-03-31 2020-03-31 高分遥感影像和激光雷达点云融合的单木分割方法及系统 Pending CN111462134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010243740.3A CN111462134A (zh) 2020-03-31 2020-03-31 高分遥感影像和激光雷达点云融合的单木分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010243740.3A CN111462134A (zh) 2020-03-31 2020-03-31 高分遥感影像和激光雷达点云融合的单木分割方法及系统

Publications (1)

Publication Number Publication Date
CN111462134A true CN111462134A (zh) 2020-07-28

Family

ID=71685094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010243740.3A Pending CN111462134A (zh) 2020-03-31 2020-03-31 高分遥感影像和激光雷达点云融合的单木分割方法及系统

Country Status (1)

Country Link
CN (1) CN111462134A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199991A (zh) * 2020-08-27 2021-01-08 广州中国科学院软件应用技术研究所 一种应用于车路协同路侧感知的仿真点云滤波方法和系统
CN112308839A (zh) * 2020-10-31 2021-02-02 云南师范大学 天然林的单木分割方法、装置、计算机设备及存储介质
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
CN112819066A (zh) * 2021-01-28 2021-05-18 北京林业大学 一种Res-UNet单木树种分类技术
CN113222917A (zh) * 2021-04-29 2021-08-06 桂林理工大学 机载激光雷达点云数据chm的dbi树顶点探测方法
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113592882A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种基于无人机多源遥感的树冠提取方法
CN114743008A (zh) * 2022-06-09 2022-07-12 西南交通大学 一种单株植被点云数据分割方法、装置及计算机设备
CN114998729A (zh) * 2022-05-25 2022-09-02 浙江圣海亚诺信息技术有限责任公司 融合光学图像和激光雷达数据的单木识别方法

Citations (5)

* Cited by examiner, † Cited by third party
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
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
CN107832681A (zh) * 2017-10-16 2018-03-23 福州大学 联合LiDAR点云和同步遥感影像的森林单木树高估算方法
CN108594262A (zh) * 2018-07-05 2018-09-28 南京林业大学 一种结合无人机和地基激光雷达提取树高的方法
CN110148116A (zh) * 2019-04-12 2019-08-20 深圳大学 一种森林生物量估算方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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
CN107832681A (zh) * 2017-10-16 2018-03-23 福州大学 联合LiDAR点云和同步遥感影像的森林单木树高估算方法
CN108594262A (zh) * 2018-07-05 2018-09-28 南京林业大学 一种结合无人机和地基激光雷达提取树高的方法
CN110148116A (zh) * 2019-04-12 2019-08-20 深圳大学 一种森林生物量估算方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
W. LI, Q等: "A new method for segmenting individual trees from the lidar point cloud", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199991A (zh) * 2020-08-27 2021-01-08 广州中国科学院软件应用技术研究所 一种应用于车路协同路侧感知的仿真点云滤波方法和系统
CN112199991B (zh) * 2020-08-27 2024-04-30 广州中国科学院软件应用技术研究所 一种应用于车路协同路侧感知的仿真点云滤波方法和系统
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
CN112381861B (zh) * 2020-09-18 2024-04-16 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
CN112308839B (zh) * 2020-10-31 2022-08-02 云南师范大学 天然林的单木分割方法、装置、计算机设备及存储介质
CN112308839A (zh) * 2020-10-31 2021-02-02 云南师范大学 天然林的单木分割方法、装置、计算机设备及存储介质
CN112819066A (zh) * 2021-01-28 2021-05-18 北京林业大学 一种Res-UNet单木树种分类技术
CN113222917A (zh) * 2021-04-29 2021-08-06 桂林理工大学 机载激光雷达点云数据chm的dbi树顶点探测方法
CN113592882B (zh) * 2021-08-09 2022-06-03 中国林业科学研究院资源信息研究所 一种基于无人机多源遥感的树冠提取方法
CN113592882A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种基于无人机多源遥感的树冠提取方法
CN113591766B (zh) * 2021-08-09 2022-10-11 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN114998729A (zh) * 2022-05-25 2022-09-02 浙江圣海亚诺信息技术有限责任公司 融合光学图像和激光雷达数据的单木识别方法
CN114743008A (zh) * 2022-06-09 2022-07-12 西南交通大学 一种单株植被点云数据分割方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
CN111462134A (zh) 高分遥感影像和激光雷达点云融合的单木分割方法及系统
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN109166145B (zh) 一种基于聚类分割的果树叶片生长参数提取方法及系统
Kim et al. 3D classification of power-line scene from airborne laser scanning data using random forests
CN106815847A (zh) 基于激光雷达点云的树木分割方法及单棵树提取方法
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN109492606A (zh) 多光谱矢量图获取方法及系统、三维单体化方法及系统
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN116258857A (zh) 一种面向室外树木激光点云分割与提取方法
Itakura et al. Estimating tree structural parameters via automatic tree segmentation from LiDAR point cloud data
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
CN109657540A (zh) 枯死树定位方法及系统
CN111783648A (zh) 道路点云中护栏的提取方法及装置
CN111553987B (zh) 一种基于海量数据的单木点云编辑方法及系统
CN114862872A (zh) 一种基于Faster R-CNN的红树林单木分割方法
CN114820662A (zh) 基于点云二维密度的路侧视角地面分割方法、系统及介质
CN113205543A (zh) 一种基于机器学习的激光雷达点云树干提取方法
CN112907574A (zh) 一种飞行器的降落点寻找方法、装置、系统及存储介质
Xu et al. Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data
Mustafić et al. Deep Learning for Improved Individual Tree Detection from Lidar Data
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis

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: 20200728