CN111860328B

CN111860328B - 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法

Info

Publication number: CN111860328B
Application number: CN202010704019.XA
Authority: CN
Inventors: 陈奕; 张海童
Original assignee: Hangzhou Timeaxis Film And Television Media Co ltd
Current assignee: Zhejiang Time Coordinate Technology Co.,Ltd.
Priority date: 2020-07-21
Filing date: 2020-07-21
Publication date: 2021-04-06
Anticipated expiration: 2040-07-21
Also published as: CN111860328A

Abstract

本发明公开了一种基于双向反射函数和森林场景光照效果建模的生物量估算方法。其步骤为：首先对仿真森林场景相邻区域中每个区域在世界坐标系下的矩形顶点坐标位置进行确定，得到矩形顶点坐标的点集；然后在每个区域内进行空间坐标点的采样，判断采样得到的空间坐标点是否在矩形中，舍弃不在矩形中的空间坐标点，得到每个区域的采样点的集合；对得到的采样点的集合进行矩阵变换，将采样点的世界坐标系变换为入瞳亮度摄影机的屏幕坐标系；向得到的采样点投射光束，进行光线跟踪，得到光线路径；对入瞳亮度进行模拟，归一化得到归一化的结果，根据归一化结果输出反演生物量估算结果。本发明可真实模拟森林BRDF，对森林生物量进行反演估算。

Description

一种基于双向反射函数和森林场景光照效果建模的生物量估算方法

技术领域

本发明属于基于物理的绘制邻域以及生物量反演领域，具体涉及一种基于双向反射函数和森林场景光照效果建模的生物量估算方法。

背景技术

随着我国卫星遥感技术的飞速发展，相关部门对其地观测的性能要求随着国家经济及军事国防事业的发展越来越高。森林遥感利用树木或森林等对多个波段光谱进行反射的特性，通过研究相机等接受到的多光谱数据、入瞳亮度等信息，可以达到反演森林生物量的效果。通过此技术可以监控森林中树木的生长情况、预报预测森林病虫害等信息。

目前的森林遥感技术主要针对二维图像，尚无针对三维仿真模型的生物量反演方法。为实现森林中各种树木目标模型的生成，可以采用建模软件完成了各种种类的高精度树木几何的建模，并实现相应的接口加入至仿真系统中，建立大规模森林场景。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双向反射函数和森林场景光照效果建模的生物量估算方法，其针对森林场景特点实现了不同参数化模型，实现模拟结果。为了实现森林的目标图像仿真、入瞳亮度仿真、BRDF数据仿真生成，采用基于物理的全局光照计算技术、动态场景调度卸载技术等来提高复杂的树木与森林场景的运行效率，并采用了GPU(Graphics Processing Unit,图形处理器)图形硬件及其硬件加速编程技术来加快正向光线跟踪技术,以实现系统的功能和性能的优化。

本发明公开了一种基于双向反射函数和森林场景光照效果建模的生物量估算方法，其包括以下步骤：

1)选择仿真森林场景中的多个相邻区域，对相邻区域中每个区域在世界坐标系下的矩形顶点坐标位置进行确定，得到矩形顶点坐标的点集；

2)对每个区域，在区域内进行空间坐标点的采样，判断采样得到的空间坐标点是否在矩形中，舍弃不在矩形中的空间坐标点，得到每个区域的采样点的集合；

3)对步骤2)中得到的采样点的集合进行矩阵变换，将采样点的世界坐标系变换为入瞳亮度摄影机的屏幕坐标系；向步骤2)得到的采样点投射光束，进行光线跟踪，得到光线路径；

4)得到光线路径之后，对其入瞳亮度、色相和饱和度进行模拟，并归一化得到归一化的结果，根据归一化结果反演计算求得反演生物量估算结果。

优选的，所述的步骤1)中对相邻区域中每个区域在世界坐标系下的矩形顶点坐标位置进行确定采用三维平移矩阵和三维旋转矩阵完成，具体为：

设每个区域变换前的坐标矩阵为L，变换后为L'；以如下公式进行求解，

其中，a,b,c,d,e,f,g,h,i为三维旋转矩阵中的参数，x,y,z为三维平移矩阵中的参数，W为世界坐标系下的矩形顶点坐标位置，以点集表示，W＝[w₁,w₂,…,w_i,…,w_n]，w_i为某一矩形顶点的坐标位置。

在所述的步骤3)中，如果入瞳亮度摄影机不能拍摄到某个采样点的图像，则将采样点舍去。

优选的，所述的进行光线跟踪，得到光线路径，具体为：

设R为反射光线矢量，L为入射光线，L_N为反射表面法线，则：

R＝L-2L_N

在建立的仿真森林场景中，入射光线为预先设定的，入射光线的高度角θ_i和方向角

为已知参数；入射光线中的部分光线从光源位置投射出，未与物体碰撞继续传播；部分光线与仿真森林场景中的树木模型碰撞后产生反射，根据树木模型的双向反射分布函数模型f(l,v)得到不同出射方向的反射率，继而得到不同出射方向的反射光线；反射光线若碰到树木模型则继续产生反射，直到反射光线超过预设反射次数或者无碰撞为止；每次反射根据树木模型设定反射衰减参数，最终得到所有光线路径。

优选的，树木模型的双向反射分布函数模型f(l,v)建模为：

dE(l)是树木表面上来自入射光方向l的微分辐照度，树木表面接收到的辐照度为E，而微分辐照度dE(l)特指来自于方向l的入射光；l是入射光线的方向的向量，v是观察或者入瞳的方向向量，公式中f为双向反射分布函数，也理解为反射光的方向向量；其中f(l,v)用公式方式表示为

θ_i为入射光线的高度角，

为入射光线的方向角，θ_v，

分别为反射光线的天顶角与方位角。

所述的步骤4)中的得到光线路径之后，对其入瞳亮度、色相和饱和度进行模拟，具体为：得到光线路径之后对其入瞳亮度、色相和饱和度进行模拟，入瞳总光照强度Lu＝∫Lu_pointdu，入瞳总色相H＝∫H_pointdu，入瞳总饱和度S＝∫S_pointdu，其中Lu_point为每束光线的光照强度，H_point为每束光线的色相，S_point为每束光线的饱和度；u为目标区域森林空间坐标场。

所述的步骤4)中的归一化过程为：得到每个区域的入瞳总光照强度Lu、入瞳总色相H和入瞳总饱和度S后，选择所有区域中入瞳总光照强度、入瞳总色相和入瞳总饱和度的最大值为1，根据每个区域的入瞳总光照强度、入瞳总色相和入瞳总饱和度与最大值的比值进行归一化。优选的，步骤4)中所述的根据归一化结果输出反演生物量估算结果，具体为：

S1：由每个区域归一化后的光照强度L、色相H以及饱和度S构成HSL色彩模型，将其转换为RGB模型；

S2：计算反演叶面积指数LAI；

S3：通过实测不同遥感图像的森林叶面积指数LAI_Real与实测森林生物量biomass_Real以及森林年龄指数AGE，建立实测叶面积指数与实测生物量数据的回归关系：

biomass_Real＝aLAI_Real+bAGE+c

经过实际数据拟合，计算得到叶面积指数影响系数a，森林树木年龄影响系数b以及常量系数c，由此将反演森林叶面积指数LAI带入得到每个区域反演森林生物量biomass：

biomass＝aLAI+bAGE+c。

若要求取整个森林生物量，只需将各区域的反演森林生物量求和即可。

本发明具备的有益效果：

本发明因为在森林场景中采用了基于物理的光线跟踪技术，所以可以解决现有的遥感探测建模领域无法高效准确的对森林场景BRDF光照信息进行建模和对生物量反演的问题，达到了真实模拟森林BRDF，基于三维场景与仿真平台对森林生物量进行模拟建模与反演的技术效果。本发明方法可以采用并行结构能够进行高效的仿真计算；本发明方法基于物理过程，能够真实求解能量等信息。

附图说明

图1本发明的步骤展示；

图2本发明的运行界面和仿真展示；

图3本发明的运行过程展示；

图4本发明的仿真效果展示；

图5本发明的仿真反演精度对比展示，其中a为针叶林实测与预测碳含量数据对比；b.为阔叶叶林实测与预测碳含量数据对比；c为针叶林实测与预测碳含量数据对比。

具体实施方式

以下结合附图对本发明做进一步的描述。

如图1所示，本实施例的基于双向反射函数和森林场景光照效果建模的生物量估算方法，包括以下步骤：

1)确定仿真区域

如图2所示为本方法仿真森林场景，选择仿真森林场景中的多个相邻区域，对相邻区域中每个区域在世界坐标系下的所选择区域矩形顶点坐标位置进行确定，对矩形四个角顶点坐标求解即可得到其顶点坐标的点集；

其中，a,b,ｃ,d,e,f,ｇ,h,i为三维旋转矩阵中的参数，x,y,z为三维平移矩阵中的参数，W为世界坐标系下的矩形顶点坐标位置，以点集表示，W＝[w₁,w₂,…,w_i,…,w_n]，w_i为某一矩形顶点的坐标位置。

2)确定采样点集

对每个区域，在区域内进行空间坐标点的采样，判断采样得到的空间坐标点是否在矩形中(本实施例中采用扫描线算法对所有随机采样点判断是否在所选区域中)，舍弃不在矩形中的空间坐标点，得到每个区域的采样点的集合；

本实施例中，在区域内进行空间坐标点的采样的方法为蒙特卡洛方法，其为一种符合概率密度分布函数的随机采样方法。

3)计算光路信息，得到采样光照路径

对步骤2)中得到的采样点的集合进行矩阵变换，将采样点的世界坐标系变换为入瞳亮度摄影机的屏幕坐标系，如果入瞳亮度摄影机不能拍摄到某个采样点的图像，则将采样点舍去；如图3所示为本方法选择区域后的计算界面示意图，向步骤2)得到的采样点投射光束，进行光线跟踪，得到光线路径；

R＝L-2L_N

树木模型的双向反射分布函数模型f(l,v)建模为：

θ_i为入射光线的高度角，

为入射光线的方向角，θ_v，

分别为反射光线的天顶角与方位角。

4)反演生物量，得到归一化结果，输出结果

得到光线路径之后，对其入瞳亮度、色相和饱和度进行模拟，并归一化得到归一化的结果，根据归一化结果反演计算求得森林生物量估算结果。

4.1得到光线路径之后对其入瞳亮度、色相和饱和度进行模拟。其中每个区域入瞳总光照强度Lu＝∫Lu_pointdu，入瞳总色相H＝∫H_pointdu，入瞳总饱和度S＝∫S_pointdu，其中Lu_point为每束光线的光照强度，H_point为每束光线的色相，S_point为每束光线的饱和度；u为目标区域森林空间坐标场。

4.2对入瞳亮度、色相和饱和度进行归一化.所述的步骤4)中的归一化过程为：得到每个区域的入瞳总光照强度Lu、入瞳总色相H和入瞳总饱和度S后，选择所有区域中入瞳总光照强度、入瞳总色相和入瞳总饱和度的最大值为1，根据每个区域的入瞳总光照强度、入瞳总色相和入瞳总饱和度与最大值的比值进行归一化。

4.3根据归一化结果反演计算求得反演生物量估算结果。

由归一化后的光照强度L、色相H以及饱和度S构成HSL色彩模型，将其转换为RGB模型；设h为HSL颜色空间中的任意像素色相的值，定义中间变量为

根据如下公式计算得到中间变量t_R，t_G，t_B：

t_G＝h_k

对于计算得到的t_C,C∈{R,G,B}，若t_C<0，则t_C＝t_C+1，若t_C>0，则t_C＝t_C-1；设s为任意像素HSL颜色空间中的饱和度的值，l为任意像素HSL颜色空间中明度的值，对于每个RGB颜色变量Color＝(Color_R,Color_G,Color_B)＝(r,g,b)，计算中间变量q，p：

p＝2×l-q

然后对于Color_c,C∈{R,G,B},可得到：

根据如下方程组计算反演叶面积指数LAI；

其中，ρ_blue，ρ_red，ρ_green为一次散射项，

为多次散射项，一般取m为3。ρ_v,blue，ρ_v,green，ρ_v,red为蓝色、绿色、红色光太阳天顶角反射率，ρ_g,blue,ρ_g,green,ρ_g,red为蓝色、绿色、红色光观测天顶角反射率，K_g为可视的背景光照面积比、K_c为可视的树冠光照面积比、K_t为可视的树冠阴影面积比、K_z为可视的背景阴影面的面积比，上述参数为已知森林场景参数，由此可计算得到反演叶面积指数LAI。

通过实测不同遥感图像的森林叶面积指数LAI_Real与实测森林生物量biomass_Real以及森林年龄指数AGE，建立实测叶面积指数与实测生物量数据的回归关系：

biomass_Real＝aLAI_Real+bAGE+c

经过实际数据拟合，计算得到叶面积指数影响系数a，森林树木年龄影响系数b以及常量系数c，由此将反演森林叶面积指数LAI带入得到反演森林生物量biomass：

biomass＝aLAI+bAGE+c。

本发明实施例中的生物量为碳含量。

采用百分误差来计算生物量的预测精度，百分误差是用相对误差乘以百分百，相对误差是绝对误差除以精确值的大小，绝对误差是精确值和近似值之间的差值的大小。

如果有一个值a以及它的近似值b，那么百分误差的公式是：

如图4所示，采用本发明方法对某一区域进行仿真建模。通过上述本发明方法得到了针叶林、阔叶林、竹林分别15组的生物量预测结果，并与实测数据进行了对比，其中，实测数据包含了针叶林，竹叶林，阔叶林三种森林各百余组生物量实测数据(其中针叶林数据367组，阔叶林数据101组，竹林数据351组)。本方法模拟仿真结果与实测数据的生物量实测数据进行对比，如附图5a、图5b、图5c所示，其图像横轴为抽样样本组数，纵轴为实测与预测碳含量数值，根据数据即可计算得到其总体百分误差小于15％。对于阔叶林、针叶林、竹林，本方法仿真反演生物量的百分误差分别为13.7％，14.2％，14.1％。

Claims

1.一种基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，包括以下步骤：

4)得到光线路径之后，对其入瞳亮度、色相和饱和度进行模拟，并归一化得到归一化的结果，根据归一化结果反演计算求得森林生物量估算结果；

步骤4)中所述的根据归一化结果输出反演生物量估算结果，具体为：

S1：由每个区域归一化后的光照强度L、色相H以及饱和度S构成HSL色彩模型，将其转换为RGB模型；设h为HSL颜色空间中的任意像素色相的值，定义中间变量为

根据如下公式计算得到中间变量t_R，t_G，t_B：

t_G＝h_k

对于计算得到的t_C，C∈{R，G，B}，若t_C＜0，则t_C＝t_C+1，若t_C＞0，则t_C＝t_C-1；设s为任意像素HSL颜色空间中的饱和度的值，l为任意像素HSL颜色空间中明度的值，对于每个RGB颜色变量Color＝(Color_R，Color_G，Color_B)＝(r，g，b)，计算中间变量q，p：

p＝2×l-q

然后对于Color_c，C∈{R，G，B}，可得到：

S2：根据如下方程组计算反演叶面积指数LAI；

其中，ρ_blue，ρ_red，ρ_green为一次散射项，

为多次散射项，ρ_v，blue，ρ_v，green，ρ_v，red为蓝色、绿色、红色光太阳天顶角反射率，ρ_g，blue，ρ_g，green，ρ_g，red为蓝色、绿色、红色光观测天顶角反射率，K_g为可视的背景光照面积比、K_c为可视的树冠光照面积比、K_t为可视的树冠阴影面积比、K_z为可视的背景阴影面的面积比，上述参数为已知森林场景参数，由此可计算得到每个区域的反演叶面积指数LAI；

biomass_Real＝aLAI_Real+bAGE+c

经过实际数据拟合，计算得到叶面积指数影响系数a，森林树木年龄影响系数b以及常量系数c，由此将反演森林叶面积指数LAI带入得到每个区域的反演森林生物量biomass：

biomass＝aLAI+bAGE+c。

2.如权利要求1所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，所述的步骤1)中对相邻区域中每个区域在世界坐标系下的矩形顶点坐标位置进行确定，得到矩形顶点坐标的点集，具体为：

设每个区域变换前的坐标矩阵为L，变换后为L′；以如下公式进行求解，

其中，a，b，c，d，e，f，g，h，i为三维旋转矩阵中的参数，x，y，z为三维平移矩阵中的参数，W为世界坐标系下的矩形顶点坐标位置，以点集表示，W＝[w₁，w₂，...，w_i，...，w_n]，w_i为某一矩形顶点的坐标位置。

3.如权利要求1所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，所述的步骤2)中在区域内进行空间坐标点的采样的方法具体为：对每个区域，在区域内采用符合概率密度分布函数的随机采样方法进行空间坐标点的采样。

4.如权利要求3所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，所述的步骤2)中在区域内进行空间坐标点的采样的方法为蒙特卡洛方法。

5.如权利要求1所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，在所述的步骤3)中，如果入瞳亮度摄影机不能拍摄到某个采样点的图像，则将采样点舍去。

6.如权利要求1所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，步骤3)中所述的进行光线跟踪，得到光线路径，具体为：

R＝L-2L_N

为已知参数；入射光线中的部分光线从光源位置投射出，未与物体碰撞继续传播；部分光线与仿真森林场景中的树木模型碰撞后产生反射，根据树木模型的双向反射分布函数模型f(l，v)得到不同出射方向的反射率，继而得到不同出射方向的反射光线；反射光线若碰到树木模型则继续产生反射，直到反射光线超过预设反射次数或者无碰撞为止；每次反射根据树木模型设定反射衰减参数，最终得到所有光线路径。

7.如权利要求6所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，树木模型的双向反射分布函数模型f(l，v)建模为：

dE(l)是树木表面上来自入射光方向l的微分辐照度，树木表面接收到的辐照度为E，而微分辐照度dE(l)特指来自于方向l的入射光；l是入射光线的方向的向量，v是观察或者入瞳的方向向量，公式中f为双向反射分布函数，也理解为反射光的方向向量；其中f(l，v)用公式方式表示为

θ_i为入射光线的高度角，

为入射光线的方向角，θ_v，

分别为反射光线的天顶角与方位角。

8.如权利要求1所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，所述的步骤4)中的得到光线路径之后，对其入瞳亮度、色相和饱和度进行模拟，具体为：得到光线路径之后对其入瞳亮度、色相和饱和度进行模拟，入瞳总光照强度Lu＝∫Lu_pointdu，入瞳总色相H＝∫H_pointdu，入瞳总饱和度S＝∫S_pointdu，其中Lu_point为每束光线的光照强度，H_point为每束光线的色相，S_point为每束光线的饱和度；u为目标区域森林空间坐标场。

9.如权利要求8所述的基于双向反射函数和森林场景光照效果建模的生物量估算方法，其特征在于，所述的步骤4)中的归一化过程为：得到每个区域的入瞳总光照强度Lu、入瞳总色相H和入瞳总饱和度S后，选择所有区域中入瞳总光照强度、入瞳总色相和入瞳总饱和度的最大值为1，根据每个区域的入瞳总光照强度、入瞳总色相和入瞳总饱和度与最大值的比值进行归一化。