CN111931559A - 一种输电线路走廊区域内树种的分类方法 - Google Patents
一种输电线路走廊区域内树种的分类方法 Download PDFInfo
- Publication number
- CN111931559A CN111931559A CN202010574408.5A CN202010574408A CN111931559A CN 111931559 A CN111931559 A CN 111931559A CN 202010574408 A CN202010574408 A CN 202010574408A CN 111931559 A CN111931559 A CN 111931559A
- Authority
- CN
- China
- Prior art keywords
- dsm
- transmission line
- remote sensing
- power transmission
- point cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005540 biological transmission Effects 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract description 3
- 241000894007 species Species 0.000 description 17
- 230000003595 spectral effect Effects 0.000 description 5
- 238000012946 outsourcing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种输电线路走廊区域内树种的分类方法,首先获取输电线路走廊区域的激光雷达的点云数据及遥感影像,然后对点云数据进行过滤处理以将点云数据分类为地面点集及非地面点集,根据非地面点集建立DSM;再将DSM与遥感影像进行配准;从DSM提取DTM后,DTM与DSM进行数据归一化处理,得到NDSM;再将遥感影像与NDSM进行融合处理,得到融合数据;通过机器学习分类算法分离出植被,利用输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。本发明将表征水平结构信息的光谱数据与表征垂直结构信息的激光雷达的点云数据融合,极大提高数据的信息丰富度,形成优势互补,能有效提高树种分类的精度。
Description
技术领域
本发明涉及输电线路保护技术领域,尤其涉及一种输电线路走廊区域内树种的分类方法。
背景技术
高压输电线路经常跨越植被茂密的山区和林区,树木过高是导致线路故障的常见因素之一,输电线路走廊区域内的超高树木障碍严重威胁着电力设施的正常运行和线路的安全,常见的情况有:树木接近导线造成短路,造成线路跳闸,致使线路停电,有的甚至造成变电站全站失压停电;树木有时可以导电,引发人畜伤亡事件(闪雷天气既可能短路,又可能导电);树线矛盾引起的跳闸停电,其影响的不仅仅是电网的安全运行和电力企业的利益,更严重的是它将影响地方经济发展,严重威胁到企事业单位、居民供用电安全,依法清除电力线路通道内外树障,采取必要措施维护好输电线路走廊区域的安全,是当前减少和杜绝输电线路运行障碍、提高输电线路安全运行的迫切需要。
由于山区和林区中分布着大量的树木,各类树木的生长速度、生长形态等各不相同,需要根据不同树木的生长速度分析预测树木可能形成隐患的时间节点,提高树障判断的准确度,减少输电线路运维人员的劳动强度,提高巡视效率并降低人身安全风险,降低输电线路的运维成本,所以如何对输电线路走廊区域内树种的进行准确分类是目前亟待解决的问题。
发明内容
本发明的目的在于提供一种输电线路走廊区域内树种的分类方法,能够对输电线路走廊区域内典型树种的进行自动识别与准确分类。
为了达到上述目的,本发明提供了一种输电线路走廊区域内树种的分类方法,包括:
获取输电线路走廊区域的激光雷达的点云数据及遥感影像;
对所述点云数据进行过滤处理以将所述点云数据分类为地面点集及非地面点集,根据所述非地面点集建立DSM;
将所述DSM与所述遥感影像进行配准;
从所述DSM提取DTM;
将所述DTM与所述DSM进行数据归一化处理,得到NDSM;
将所述遥感影像与所述NDSM进行融合处理,得到融合数据;
通过机器学习分类算法分离出植被,并利用所述输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。
可选的,将所述DSM与所述遥感影像进行配准的步骤包括:
测定所述遥感影像中多组遥感图像上特殊地物的第一坐标点以及对应DEM上的第二坐标点;
将多组第一坐标点和第二坐标点带入坐标系转换多项式方程,并求解出所述坐标系转换多项式方程;
将DSM上的坐标点逐个带入所述坐标系转换多项式方程中求解,然后按照内插法得到DSM上的坐标点对应的影像像素值并存入DSM中。
可选的,所述特殊地物为规则地物的角点、线路杆塔的拐点或地面建筑的规则交点。
可选的,利用形态学算子开闭运算从所述DSM中提取出DTM。
可选的,利用像元级的代数法、HIS变换法、小波变换法、主要成分变换法、特征级的聚类分析法、加权平均法或决策级的神经网络法将所述遥感影像与所述NDSM进行融合处理。
可选的,在通过机器学习分类算法分离出植被之前,还包括:
对所述NDSM进行改进型标记控制分水岭图像分割算法,以提取地上物对象。
可选的,所述地上物包括电力线、杆塔、植被或噪声点,通过滤除电力线、杆塔及噪声点以分离出植被。
可选的,利用NDVI值分离出植被。
可选的,所述特征信息包括树高信息、冠幅信息、种群分布特征信息及NDVI值中的一种或多种。
本发明提供的输电线路走廊区域内树种的分类方法,首先获取输电线路走廊区域的激光雷达的点云数据及遥感影像,然后对所述点云数据进行过滤处理以将所述点云数据分类为地面点集及非地面点集,根据所述非地面点集建立DSM;再将所述DSM与所述遥感影像进行配准;从所述DSM提取DTM后所述DTM与所述DSM进行数据归一化处理,得到NDSM;再将所述遥感影像与所述NDSM进行融合处理,得到融合数据;最后通过机器学习分类算法分离出植被,并利用所述输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。本发明将表征水平结构信息的光谱数据与表征垂直结构信息的激光雷达的点云数据融合,相当于基于激光雷达的点云数据提供的高精度高程信息和遥感影像丰富的光谱及纹理信息来进行树木的分类和提取,极大提高数据的信息丰富度,形成优势互补,能有效提高树种分类的精度。
附图说明
图1为本发明实施例提供的输电线路走廊区域内树种的分类方法的流程图;
图2为本发明实施例提供的根据DSM得到DTM的流程图;
图3为本发明实施例提供的遥感影像与NDSM进行融合处理的流程图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示,本实施例提供了一种输电线路走廊区域内树种的分类方法,包括:
步骤S1:获取输电线路走廊区域的激光雷达的点云数据及遥感影像;
步骤S2:对所述点云数据进行过滤处理以将所述点云数据分类为地面点集及非地面点集,根据所述非地面点集建立DSM;
步骤S3:将所述DSM与所述遥感影像进行配准;
步骤S4:从所述DSM提取DTM;
步骤S5:将所述DTM与所述DSM进行数据归一化处理,得到NDSM;
步骤S6:将所述遥感影像与所述NDSM进行融合处理,得到融合数据;
步骤S7:通过机器学习分类算法分离出植被,并利用所述输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。
具体的,首先执行步骤S1,利用激光雷达和影像设备对输电线路走廊区域进行扫描,以得到激光雷达的点云数据及遥感影像。具体的,使无人机以蛇形方式沿若干等高航线飞行且悬停在等高航线上的采样点上采集影像,所述航线上均匀间隔设置有若干采样点,即各个采样点与地面的铅锤高度为一恒定值,这个值的设定需要根据实际采样的分辨率、无人机续航能力等需求而定,本发明设定为50m,采集到的影像分辨率高。本发明中的无人机为四旋翼碳纤维机架,三轴摄像机云台,飞萤8S运动摄像机,自动驾驶仪硬件系统采用Pix-hawk2.4.8,软件系统为AutoPilot。
在获取到激光雷达的点云数据后,首先对点云数据进行预处理,该预处理包括但不限于以下处理方式:坐标转换、拼接及去噪。
其中,坐标转换:三维激光雷达扫描获取的激光雷达点云数据是以其自身的仪器坐标系统为基准的,为保证该激光雷达获取的数据与地面检测的数据之间坐标一致需要对该激光雷达获取的点云数据进行坐标系统转换。航带拼接:对获取的激光雷达的点云数据进行航带拼接,目的是为了消除激光雷达集成造成的安置角误差。其中,安置角误差包括横滚角、俯仰角、航向角三个角度的误差。
点云数据如果存在明显低于或高于周围环境的极低点和空中点,会较大影响后处理算法精度,因此在数据处理前去除这些噪声点。例如采用形态学滤波器对点云数据进行去噪处理。本实施例通过建立K近邻球来探测去除点云数据中的噪声点,首先点云数据进行空间栅格划分,假想存在空间球,并以当前测点为球心,半径分别取测点到所在立方体栅格6面的距离。取半径最小的空间球,在与之发生干涉的栅格中进行K-近邻搜索,若满足所建立的搜索终止原则,则终止搜索;否则,取更大半径的空间球从而建立待定点的K邻近球。在对点云数据进行噪声处理的过程中,主要依赖于待定点与建立的K近邻球中的点的距离大小来判定该待定点是否为噪声。此步骤可提高激光雷达放入点云数据的准确性,减小后期处理中的错误。
进一步,采用高光谱图像HSI预处理对遥感影像进行预处理,其辐射校正和几何校正采用与传感器集成的Post-Processing软件模块实现,大气校正采用FLAASH(FastLine-of-sight Atmospheric Analysis of Spectral Hypercubes)算法实现。
接着执行步骤S2,对激光雷达点云数据进行地面点与非地面点分类,基于获取的地面点构建生成数字高程模型(DEM),基于滤波提取的非地面点,可生成数字表面模型(DSM)。其中,DEM指的是没有建筑和植被的光秃的地表,用于得到真实的地形起伏数据,DSM是一种能表现地形和物体(如建筑和树木)表面特征的栅格模型,DSM数据不仅包含建筑物信息,也包括非建筑物信息。
生成DSM时,首先需要对点云数据进行重采样生成规则的距离影像,常用的插值方法有最近临插值法、样条函数插值法、距离反比插值法、克立金插值法和三角网插值法,综合运算效率和插值的效果看,本实施例采用距离反比插值法来对点云数据进行插值生成DSM。
生成DEM时,可通过利用迭代三角网滤波获取地面点,对地面点内插得到格网DEM。关键步骤是迭代三角网滤波,其步骤为:
①对点云数据进行中值滤波处理剔除数据中的极低点(高程很低的噪声点);
②构造点云数据的外包矩形,该外包矩形的四个顶点的高程值根据最近邻准则来设定,然后对外包矩形进行三角剖分,并将其作为初始地形表面模型;
③对点云数据进行格网组织,网格应略大于最大树木的大小,其中每个网格中的最低点为初始地面点,将选取的初始地面点加入到不规则三角网(TIN)中;
④计算每个点到其所在的三角形的距离以及它与三角形三个顶点的夹角,若计算得到的值小于预先设定的阈值条件,则将其加入到不规则三角网中;
⑤重复④直到没有新的点加入到不规则三角网中;
⑥内插生成DEM。
由于激光雷达的接受信号来源于目标表面的反射,为了去除地形变化对地上物分类的影响,在进行地上物分类之前需要分离出地表数据点构建DIM;并且由于遥感影像与点云数据是分别获取的,两者具有不同的坐标系统,为了便于数据的后期处理,需要进行配准操作将两者统一到同一坐标系下。
执行步骤S3,将所述DSM与所述遥感影像进行配准,包括如下步骤:
测定所述遥感影像中多组遥感图像上特殊地物的第一坐标点以及对应DEM上的第二坐标点;
将多组第一坐标点和第二坐标点带入坐标系转换多项式方程,得到坐标系转换多项式方程的各项系数,以求解出所述坐标系转换多项式方程;
将DSM上的坐标点为自变量逐个带入所述坐标系转换多项式方程中求解,然后按照内插法得到DSM上的坐标点对应的影像像素值并存入DSM中。
可选的,所述特殊地物为规则地物的角点、线路杆塔的拐点或地面建筑的规则交点。并且采集的控制点对(第一坐标点和第二坐标点)需均匀分布于整个DSM上,以提高配准精度。
具体的,由于计算控制点对坐标时难免有误差,为了避免少数控制点的误差而影响所述坐标系转换多项式方程的求解精度,通常选用较多的控制点对进行所述坐标系转换多项式方程的多次拟合分析,排除多次拟合效果差的控制点对留有效果好的控制点对进行后续数据处理。
接着执行步骤S4,从所述DSM中提取DTM,本实施例中,利用形态学算子“开闭运算”可以从DSM中提取出DTM,具体而言,用“开运算”祛除地形表面凹下的地上物,用“闭运算”祛除地形表面凸起的地上物,两者结合使用并调整滤波模板的大小,即可得到DTM。
当然,如图2所示,还可以通过计算绿色植被指数(NDVI值)来对地上物进行简单的分类,对于输电线路走廊区域而言,植被具有较高的NDVI值,道路和建筑物、草地等具有较小的NDVI值,如此即可提取出植被,其中NDVI值的定义为:
NDVI=(IR-R)/(IR+R);
其中,IR为近红外波段的反射值;R为红光的反射值。
然后从点云数据上恢复这些分类出的道路和建筑物等点云数据就可以近似的生成地势面,结合所述DSM可以近似的得到DTM。
接着执行步骤S5,如图3所示,得到DIM以后,利用所述DSM减去所述DIM,对距离影像进行规则化,得到规则化DSM(NDSM)。然后对所述NDSM进行改进型标记控制分水岭图像分割算法,以提取地上物对象,实现目标对象和背景的分离。由于在DSM模拟的地面上,地上物众多且复杂,对象大小、数量、位置都不确定,识别难度很大,采用标记控制的分水岭图像分割算法(marker-control watershed)提取地上物对象,能够基本将地上物对象与背景(地面)分离。
具体的计算方法包括:对DSM数据进行归一化,即DSM数据与DIM数据进行减运算,公式如下:
NDSM(i,j)=DSM(i,j)-DIM(i,j);
即用DIM中的各个位置(如第(i,j)位置)的高度数据分别减去DSM中对应位置(如第(i,j)位置)的高度数据,得到地上物的高度数据NDSM(i,j),其中,NDSM(i,j)为归一化后的DSM中第i行第j列的数据值,可用于获取地上物的高度数据,以便后续从该高度数据中获取树木的绝对高度;DSM(i,j)为DSM中第i行第j列的数据值,DEM(i,j)为DEM中第i行第j列的数据值。
接着执行步骤S6:利用像元级的代数法、HIS变换法、小波变换法、主要成分变换法、特征级的聚类分析法、加权平均法或决策级的神经网络法将所述遥感影像与所述NDSM进行融合处理。
本实施例中,采用基于像元的图像融合方法,采用HS彩色技术变换方法首先将遥感影像的可见光转换到色度—饱和度—数值彩色空间,再将高分辨率的格网DEM替换数值波段,将其拉伸到0-1之间,以满足正确的数值范围。再将从遥感影像中获取的色度、饱和度以及从NDSM中获取的数值进行反变换转回到RGB彩色空间。这个过程将产生一幅从遥感可见光中获得的颜色信息和从NDSM中获得的空间分辨率信息的图像,进行图像融合后,图像的特征信息得以增强,便于后期的地上物分类和特征提取。
最后执行步骤S7,通过机器学习分类算法分离出植被,并利用所述输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。具体的,经过融合后的数据具有丰富的光谱信息、纹理信息以及高度信息,可以根据NDVI值、面积大小或高度等来进行植被的分离。
具体而言,所述地上物包括电力线、杆塔、植被或噪声点,通过滤除电力线、杆塔及噪声点以分离出植被,例如利用NDVI值分离出植被,而通过平均高度和面积滤除电力线、杆塔或噪声点等。然后根据输电线走廊区域内的实际植被分布情况,获取主要的优势树种的特征信息,如结构特征、光谱特征等,具体可确定为:优势树种的树高信息、冠幅信息、种群分布特征信息及NDVI值中的一种或多种,综合采用非监督分类以及监督分类等方法,进行树种的分类和识别。
接着,还可以通过实验对所述输电线路走廊区域内树种的分类方法进行精度评定和可能误差回溯分析,例如使用特征直线配准基元对潜在精度评价因子{γ,λ}对最终的分类精度评定结果进行修正;使用由特征面配准基元得到的形状差异因子{α,β},对最终的分类结果进行修正,使得分类更加精确。
综上,本发明提供的输电线路走廊区域内树种的分类方法将表征水平结构信息的光谱数据与表征垂直结构信息的激光雷达的点云数据融合,相当于基于激光雷达的点云数据提供的高精度高程信息和遥感影像丰富的光谱及纹理信息来进行树木的分类和提取,极大提高数据的信息丰富度,形成优势互补,能有效提高树种分类的精度。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (9)
1.一种输电线路走廊区域内树种的分类方法,其特征在于,包括:
获取输电线路走廊区域的激光雷达的点云数据及遥感影像;
对所述点云数据进行过滤处理以将所述点云数据分类为地面点集及非地面点集,根据所述非地面点集建立DSM;
将所述DSM与所述遥感影像进行配准;
从所述DSM提取DTM;
将所述DTM与所述DSM进行数据归一化处理,得到NDSM;
将所述遥感影像与所述NDSM进行融合处理,得到融合数据;
通过机器学习分类算法分离出植被,并利用所述输电线路走廊区域内的优势树种的特征信息对各优势树种进行自动分类。
2.如权利要求1所述的输电线路走廊区域内树种的分类方法,其特征在于,将所述DSM与所述遥感影像进行配准的步骤包括:
测定所述遥感影像中多组遥感图像上特殊地物的第一坐标点以及对应DEM上的第二坐标点;
将多组第一坐标点和第二坐标点带入坐标系转换多项式方程,并求解出所述坐标系转换多项式方程;
将DSM上的坐标点逐个带入所述坐标系转换多项式方程中求解,然后按照内插法得到DSM上的坐标点对应的影像像素值并存入DSM中。
3.如权利要求2所述的输电线路走廊区域内树种的分类方法,其特征在于,所述特殊地物为规则地物的角点、线路杆塔的拐点或地面建筑的规则交点。
4.如权利要求1所述的输电线路走廊区域内树种的分类方法,其特征在于,利用形态学算子开闭运算从所述DSM中提取出DTM。
5.如权利要求1所述的输电线路走廊区域内树种的分类方法,其特征在于,利用像元级的代数法、HIS变换法、小波变换法、主要成分变换法、特征级的聚类分析法、加权平均法或决策级的神经网络法将所述遥感影像与所述NDSM进行融合处理。
6.如权利要求1所述的输电线路走廊区域内树种的分类方法,其特征在于,在通过机器学习分类算法分离出植被之前,还包括:
对所述NDSM进行改进型标记控制分水岭图像分割算法,以提取地上物对象。
7.如权利要求6所述的输电线路走廊区域内树种的分类方法,其特征在于,所述地上物包括电力线、杆塔、植被或噪声点,通过滤除电力线、杆塔及噪声点以分离出植被。
8.如权利要求7所述的输电线路走廊区域内树种的分类方法,其特征在于,利用NDVI值分离出植被。
9.如权利要求1所述的输电线路走廊区域内树种的分类方法,其特征在于,所述特征信息包括树高信息、冠幅信息、种群分布特征信息及NDVI值中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574408.5A CN111931559A (zh) | 2020-06-22 | 2020-06-22 | 一种输电线路走廊区域内树种的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574408.5A CN111931559A (zh) | 2020-06-22 | 2020-06-22 | 一种输电线路走廊区域内树种的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931559A true CN111931559A (zh) | 2020-11-13 |
Family
ID=73316573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574408.5A Pending CN111931559A (zh) | 2020-06-22 | 2020-06-22 | 一种输电线路走廊区域内树种的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931559A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323788A (zh) * | 2020-01-19 | 2020-06-23 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN113223155A (zh) * | 2021-05-25 | 2021-08-06 | 广东电网有限责任公司 | 一种距离预测方法、装置、设备及介质 |
CN113935366A (zh) * | 2021-09-30 | 2022-01-14 | 海南电网有限责任公司海南输变电检修分公司 | 点云单木分割自动分类方法 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114820747A (zh) * | 2022-06-28 | 2022-07-29 | 安徽继远软件有限公司 | 基于点云和实景模型的航线规划方法、装置、设备及介质 |
CN116935234A (zh) * | 2023-09-18 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN108846352A (zh) * | 2018-06-08 | 2018-11-20 | 广东电网有限责任公司 | 一种植被分类与识别方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
CN111126148A (zh) * | 2019-11-25 | 2020-05-08 | 长光卫星技术有限公司 | 一种基于视频卫星影像的dsm生成方法 |
-
2020
- 2020-06-22 CN CN202010574408.5A patent/CN111931559A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN108846352A (zh) * | 2018-06-08 | 2018-11-20 | 广东电网有限责任公司 | 一种植被分类与识别方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
CN111126148A (zh) * | 2019-11-25 | 2020-05-08 | 长光卫星技术有限公司 | 一种基于视频卫星影像的dsm生成方法 |
Non-Patent Citations (3)
Title |
---|
张靖等: "激光点云与光学影像配准:现状与趋势", 《地球信息科学学报》, vol. 19, no. 04, pages 528 - 539 * |
田方: "基于激光光谱遥感图像处理的地理信息系统研究", 《粘连》, vol. 41, no. 01, 14 May 2020 (2020-05-14), pages 1 - 2 * |
钱韬: "从DSM数据中自动提取建筑物的方法研究", 《测绘与空间地理信息》, vol. 31, no. 06, pages 137 - 140 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323788A (zh) * | 2020-01-19 | 2020-06-23 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN111323788B (zh) * | 2020-01-19 | 2022-04-15 | 北京建筑大学 | 建筑物变化的监测方法、装置及计算机设备 |
CN113223155A (zh) * | 2021-05-25 | 2021-08-06 | 广东电网有限责任公司 | 一种距离预测方法、装置、设备及介质 |
CN113935366A (zh) * | 2021-09-30 | 2022-01-14 | 海南电网有限责任公司海南输变电检修分公司 | 点云单木分割自动分类方法 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114063616B (zh) * | 2021-11-11 | 2024-03-01 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114820747A (zh) * | 2022-06-28 | 2022-07-29 | 安徽继远软件有限公司 | 基于点云和实景模型的航线规划方法、装置、设备及介质 |
CN116935234A (zh) * | 2023-09-18 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
CN116935234B (zh) * | 2023-09-18 | 2023-12-26 | 众芯汉创(江苏)科技有限公司 | 一种输电线走廊点云数据自动分类和树障预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931559A (zh) | 一种输电线路走廊区域内树种的分类方法 | |
US11995886B2 (en) | Large-scale environment-modeling with geometric optimization | |
CN109034018B (zh) | 一种基于双目视觉的低空小型无人机障碍物感知方法 | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
RU2669656C2 (ru) | Обнаружение состояния с использованием обработки изображений | |
Lee et al. | Fusion of lidar and imagery for reliable building extraction | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
Johansen et al. | Mapping banana plantations from object-oriented classification of SPOT-5 imagery | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
Shuang et al. | Ple: Power line extraction algorithm for uav-based power inspection | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
CN117406789A (zh) | 基于图像分析的多无人机桥梁支座巡检航线自动规划方法 | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 | |
Krahwinkler et al. | Tree species classification and input data evaluation | |
Feng et al. | Automated extraction of building instances from dual-channel airborne LiDAR point clouds | |
Mayura et al. | Building detection from LIDAR point cloud data | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
Liew et al. | Integration of tree database derived from satellite imagery and lidar point cloud data | |
Zhang et al. | A Markov Random Field Model for individual tree detection from airborne laser scanning data |
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 |