CN113570621A - 一种基于高精度点云与影像的树木信息提取方法及装置 - Google Patents
一种基于高精度点云与影像的树木信息提取方法及装置 Download PDFInfo
- Publication number
- CN113570621A CN113570621A CN202110815520.8A CN202110815520A CN113570621A CN 113570621 A CN113570621 A CN 113570621A CN 202110815520 A CN202110815520 A CN 202110815520A CN 113570621 A CN113570621 A CN 113570621A
- Authority
- CN
- China
- Prior art keywords
- tree
- point cloud
- segmentation
- point
- vegetation
- 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 74
- 230000011218 segmentation Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 33
- 239000002023 wood Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20156—Automatic seed setting
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高精度点云与影像的树木信息提取方法及装置,通过结合多种树木分割方法和分割结果检测优化,结合二维数字正射影像图和三维激光雷达点云数据的处理过程,集成了树木信息提取中各种算法的优势,考虑了二维影像可见光波段信息和太阳阴影对树木信息提取的影响因素,适用于植被密集区域,且综合提高了树木信息提取和图像处理的及时性和准确性,且准确率高,速度快,实时性好,能快速准确的完成电网通道树木信息提取。
Description
技术领域
本发明涉及图像信息提取以及三维空间点云数据处理的技术领域,尤其是指一种基于高精度点云与影像的树木信息提取方法及装置。
背景技术
树木的分布与生长情况是影响输配电线路安全运行的重要原因,对树木进行信息提取是电网通道内树木管理维护的基础。随着激光雷达测量技术与遥感技术的发展,电网通道内植被信息可被精确地还原。这些精确的植被信息可用于获取树木的数量、坐标及其生长情况,包括树高、胸径等属性。针对树木信息提取,现有技术基本为基于单一数据源、单一算法的分割技术,包括基于数字表面模型与数字高程模型的CHM分割、基于点云的PCS分割、基于点云的层堆叠算法等。但是,现有的树木信息提取方法存在一些问题:不完全适用于电网通道。相对于普通植被区域,电网通道区域的数据存在其特殊性:区域内均覆盖有杆塔和导线等电网资产,电网资产的存在是树木信息提取的阻碍。现有技术并未针对电网通道的情况对电网资产进行分类和移除,导致分割结果出现系统性的异常。另一方面,南方植被密集区域准确率低。与中国北方相比,中国南方的植被更茂密、间距更小,因此树木信息提取的难度更大。现有研究基本以北方稀疏植被林作为研究区域,同样的技术运用于南方植被密集区域,准确率与效率会大大降低。另外,现有技术缺少对二维影像RGB颜色与树木阴影的考虑。在现有的遥感与激光雷达扫描技术下,对植被信息的还原通常可以基于两种数据实现,分别为二维数字正射影像图与三维激光雷达点云。二维数字正射影像图含RGB可见光波段信息与太阳阴影,也能够为树木信息提取提供判断的依据。现阶段的树木信息提取技术主要基于三维激光雷达点云实现,较少考虑二维正射影像图的信息,限制了成果准确率与分析效率。
发明内容
针对上述背景技术中的问题,提供了一种基于高精度点云与影像的树木信息提取方法,可快速精确的结合多重单木分割算法提取植被茂密的电网通道区域内的树木信息。
本发明所述的一种基于高精度点云与影像的树木信息提取方法,包括:
S1获取待处理电网通道区域的二维数字正射影像图和三维激光雷达点云数据;
S2对所述二维数字正射影像图进行矢量化,判断像素是否位于植被区域,并移除非植被区域的像素数据;
S3对所述三维激光雷达点云数据进行点云分类,移除非植被点云数据,并由植被点云数据生成只包含植被表面高度的数字表面模型、由地面点云生成数字高程模型;
S4对所述数字表面模型和所述数字高程模型进行栅格计算,获取树木冠层高度模型,再用植被矢量化成果进行置平处理,得到最终的冠层高度模型;
S5载入所述冠层高度模型,对所述冠层高度模型进行CHM分割,对CHM分割结果进行种子点提取,再基于种子点提取结果对植被点云进行PCS分割,对PCS分割结果进行点距离分析检查和点密度分析检查后获得单木代表点;
S6将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,获得电网通道区域的树木信息提取结果。
本发明通过结合二维数字正射影像图和三维激光雷达点云数据的处理过程,结合多种树木分割方法和分割结果检测优化,集成了树木信息提取中各种算法的优势,考虑了二维影像可见光波段信息和太阳阴影对树木信息提取的影响因素,适用于植被密集区域,且综合提高了树木信息提取和图像处理的及时性和准确性。
所述CHM(Canopy Height Model)分割是对冠层高度模型进行区域分割,对CHM影像数据进行区域划分,生成单木多边形,分割出单棵树木所占的空间位置。
所述PCS(Point Cloud Segmentation)分割是将原始3D点云分组为非重叠区域。包括基于边缘的、基于区域生长的、基于模型拟合的和基于聚类的四种方法。其中,基于区域生长的PCS分割指将两个点或两个区域单元之间的特征相结合,以测量像素(2D)、点(3D)或体素(3D)之间的相似性,并将它们合并在一起。
具体地,所述三维激光雷达点云数据的分类类别包括植被、地面点、建筑物、杆塔、导线和地线;所述数字表面模型是地物表面的模拟,包括植被表面和建筑物表面;所述数字高程模型是地形表面的模拟;所述栅格计算是将所述数字表面模型中减去数字高程模型,获得冠层高度模型。
进一步地,所述CHM分割是通过分割植被区域的冠层高度模型获得单棵树木所占的空间位置,生成单木多边形,移除面积小于0.1平方米的多边形,再对单木多边形提取几何中心点,移除几何中心点距离小于0.3米的多边形,获得CHM分割结果。
进一步地,对CHM分割结果进行种子点提取的步骤包括:基于CHM分割结果,通过区域统计算法计算每个单木多边形内树木的冠层高度最大值和所处坐标,当同一单木多边形中包括多个相等的冠层高度最大值时,根据所处坐标和二维数字正射影像图判断是否属于同一树木,若属于同一树木,则仅保留一个冠层高度最大值并移除其他相等的冠层高度最大值,若不属于同一树木,则不做移除。
进一步地,基于种子点提取结果对植被点云进行PCS分割的步骤包括:基于种子点提取结果,通过点云分割算法对所述植被点云数据进行单木分割,根据分割出的单木激光雷达点云数据统计树木坐标、树木高度、树冠直径、树冠面积和树冠体积,并记录在单木代表点的属性信息中。
进一步地,对PCS分割结果进行点距离分析和点密度分析获得单木代表点的步骤包括:基于种子点的PCS分割结果对所述单木代表点进行点距离分析,计算每个单木代表点间的距离,若单木间距小于定义的树冠直径,则根据二维数字正射影像图移除该单木代表点或在该单木多边形中手动调整单木代表点使单木间距大于所述树冠直径,再重复计算单木间距和手动调整直至所有单木间距都大于单木代表点上定义的树冠直径为止;再根据密度分析算法检查欠分割情况,在单木代表点低密度区域手动补充单木代表点。
进一步地,将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,其步骤包括:将所述单木代表点与所述二维正射影像图进行叠加分析,结合所述二维正射影像图中的RGB颜色、纹理和阴影信息检查所述单木代表点是否位于二维正射影像图中树木的最高点,若存在位置不正确的情况,则进行调整,直到所有单木代表点均位于正确位置上,完成树木信息提取。
本发明还提供一种基于高精度点云与影像的树木信息提取装置,包括:
用于获取待处理电网通道区域的二维数字正射影像图和三维激光雷达点云数据的装置;
用于对所述二维数字正射影像图进行矢量化,判断像素是否位于植被区域,并移除非植被区域的像素数据的装置;
用于对所述三维激光雷达点云数据进行点云分类,移除非植被点云数据,并由植被点云数据生成只包含植被表面高度的数字表面模型、由地面点云生成数字高程模型的装置;
用于对所述数字表面模型和所述数字高程模型进行栅格计算,获取冠层高度模型的装置;
用于载入所述冠层高度模型,对所述冠层高度模型进行CHM分割,对CHM分割结果进行种子点提取,再基于种子点提取结果对植被点云进行PCS分割,对PCS分割结果进行点距离分析检查和点密度分析检查后获得单木代表点的装置;
用于将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,获得电网通道区域的树木信息提取结果的装置。
进一步地,本发明还提供一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现如上述任意一项所述的基于高精度点云与影像的树木信息提取方法。
进一步地,本发明还提供一种计算机控制系统,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现如上述任意一项所述的基于高精度点云与影像的树木信息提取方法。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明实施例的一种基于高精度点云与影像的树木信息提取方法的整体流程图。
图2为本发明实施例的树木信息提取方法的细节流程图;
图3为本发明实施例的冠层高度模型提取效果示意图;
图4为本发明实施例的CHM分割过程示意图;
图5为本发明实施例的CHM分割单木多边形示意图;
图6为本发明实施例的种子点提取结果示意图;
图7为本发明实施例的PCS分割过程示意图;
图8为本发明实施例的点距离分析结果示意图;
图9为本发明实施例的点密度分析结果示意图。
具体实施方式
请参阅图1和图2,其为本发明实施例的基于高精度点云与影像的树木信息提取方法整体与细节流程图。
本实施例的一种基于高精度点云与影像的树木信息提取方法,包括:
首先,获取待处理电网通道区域的二维数字正射影像图和三维激光雷达点云数据;
对所述二维数字正射影像图DOM进行矢量化,获得影像图的矢量数据,判断每个像素是否位于植被区域,并移除非植被区域的像素数据直至所有矢量数据都位于植被区域;
对所述三维激光雷达点云数据进行点云分类,移除非植被点云数据,并由植被点云数据生成数字表面模型DSM、由地面点云生成数字高程模型DEM;所述三维激光雷达点云数据的分类类别包括植被、地面点、建筑物、杆塔、导线和地线;所述数字表面模型是地物表面的模拟,包括植被表面和建筑物表面;所述数字高程模型是地形表面的模拟。
如图3,其为本发明实施例的冠层高度模型提取效果示意图。对所述数字表面模型和所述数字高程模型进行栅格计算,即对每个像素用DSM值减去DEM值,获得冠层高度模型CHM;利用植被矢量范围对CHM进行判断,将非植被区域冠层高度置平,值设为0,提取出只包含植被区域数据的CHM。图3左为原始CHM,包含建筑物等地物的高度信息,图3右为置平处理后的CHM,只包含有效植被区域的冠层高度数据。
本实施例中提取植被区域数据避免了建筑物、车辆、路灯等地物的存在对电网通道树木信息提取造成的干扰,在初始阶段将其去除,保证了树木信息提取过程的简洁高效。
完成数据准备后,进行第一次单木分割,参照图4的CHM分割过程,载入所述冠层高度模型,采用分水岭算法对所述冠层高度模型进行CHM分割,通过区域分割植被区域的冠层高度模型,获得单棵树木所占的空间位置,生成单木多边形范围,再统计多边形面积,判断是否存在单木多边形区域面积过小的不合理多边形,移除面积小于0.1平方米的多边形,再对剩余单木多边形提取几何中心点,计算几何中心点之间的距离,判断每个单木多边形的几何中心点的间距是否过小,移除几何中心点距离小于0.3米的多边形,获得CHM分割结果如图5所示。
完成第一次单木分割后,对CHM分割结果进行种子点提取,所述种子点指每棵树木的最高点。基于CHM分割结果,通过区域统计算法计算每个单木多边形内树木的冠层高度最大值和所处坐标,作为进一步单木分割的基础。当同一单木多边形中包括多个相等的冠层高度最大值时,根据所处坐标和二维数字正射影像图判断是否属于同一棵树木,若属于同一树木,则仅保留一个冠层高度最大值并移除其他相等的冠层高度最大值;若不属于同一棵树木,则不做移除。
本实施例的种子点提取步骤完成了对CHM分割结果的检查更新,避免了欠分割情况的发生,进一步提高了电网通道树木信息提取的工作效率。种子点的提取结果示意图如图6。
种子点提取完成后,进行第二次单木分割,如图7所示,是基于种子点PCS算法进行单木分割,该算法采用区域生长的模式进行分割,基于上一步提取的种子点,通过点云分割PCS算法对植被激光雷达点云数据进行第二次单木分割,并根据分割出的单木激光雷达点云数据统计其树木属性,包括树木坐标、树木高度、树冠直径、树冠面积和树冠体积,并记录在单木代表点属性信息内。第二次单木分割后得到每一棵树木的激光雷达点云、每一棵树木的代表点及其属性。
完成第二次单木分割后,进行分割成果检查与优化。由于单木分割结果可能存在过分割或欠分割情况,需要进一步检查和迭代修改。
采用点距离分析算法检查过分割情况:基于种子点的PCS分割结果对所述单木代表点进行点距离分析,计算每个单木代表点间的距离,判断单木间距是否小于定义的树冠直径,若单木间距小于定义的树冠直径,则根据二维数字正射影像图移除该单木代表点或在该单木多边形中手动调整单木代表点使单木间距大于定义的树冠直径,将结果作为新的种子点,再次进行PCS算法的第二次单木分割,再重复计算单木间距和手动调整直至所有单木间距都大于定义的树冠直径为止。点距离分析结果示意图如图8。
然后,根据点密度分析算法检查欠分割情况:如图9所示,对于单木代表点密集的区域,点密度分析结果颜色较深,浅色区域为低密度区域,在单木代表点低密度区域若存在遗漏则补上新的单木代表点,将结果作为种子点再次进行PCS算法的第二次单木分割,直至不存在欠分割情况为止,完成点云分割结果的迭代优化。
将所述单木代表点叠加在所述二维数字正射影像图上进行叠加分析,结合所述二维正射影像图中的RGB颜色、纹理和阴影信息检查所述单木代表点是否位于二维正射影像图中树木的最高点,若存在位置不正确的情况,则进行调整,直到所有单木代表点均位于正确位置上,完成树木信息提取。删除无法与二维数字正射影像图重合的单木代表点,获得电网通道区域的树木信息提取结果。
在本实施例中的一种基于高精度点云与影像的树木信息提取方法,首先获取二维数字正射影像图和三维激光雷达点云数据,分别通过像素矢量化和点云分类方法,筛选植被区域的数据和点云,生成冠层高度模型,以此作为分割基础;通过CHM分割技术做第一次单木分割,利用种子点提取技术和区域统计方法基于分割结果进行种子点提取,采用基于种子点的点云分割算法对三维激光雷达点云进行第二次单木分割,结合了多种树木分割方法,集成了多种方法的优势;对第二次单木分割结果进行过分割和欠分割检查,将最终的种子点提取结果叠加在二维正射影像图上进行检查,查缺补漏后完成树木信息提取。
在实际处理过程中,本发明实施例的处理方式,数据准备阶段完成了植被区域的数据筛选,第一次单木分割阶段通过分水岭算法进行区域分割,根据单木多边形的面积和单木间距对分割结果进行检查,提取种子点阶段采用区域统计算法筛选冠层高度最大值,第二次单木分割阶段采用点云分割算法统计树木属性,在单木代表点中记录树冠直径等属性,成果检查和优化阶段采用点距离分析算法检查过分割情况、采用密度分析算法检查欠分割情况,最终得出的单木代表点再次叠加二维数字正射影像图进行位置确认,最终得出树木信息提取结果。每一步数据处理阶段都通过详细周密的成果检查和迭代优化,保证了电网通道树木信息提取的精确性和及时性。随着计算机技术及信息处理技术的发展,树木信息提取的应用越来越广泛,涉及军事、国防、工业、农业等众多领域,由于其广泛的应用前景和潜在的经济价值,电网通道图像处理已经成为一项重要的技术。本发明提出的一种基于高精度点云与影像的树木信息提取方法,可以快速精确的提取出电网通道区域内的树木信息,摒除了杆塔和导线等电网资产的干扰,从而提高了树木信息提取和图像处理的工作效率。
相对于现有技术,本发明结合两种传统的单木分割技术(CHM分割与基于种子点的PCS分割),且在种子点的提取方法上采用了地理信息科学GIS中的空间分析方法,结合了现有的多种树木分割方法,集成了多种方法的优势;本发明采用多种GIS空间分析技术进行各步骤成果的检查,提高准确度;在数据整理过程中移除了非植被数据(针对二维数字正射影像图进行植被区域的矢量化提取、针对三维激光点云数据进行点云分类并仅使用植被点云进行后续分析),排除电网资产对后续分析的影响。本发明通过上述处理模式,更加精确高效,不同于现有技术的基于北方稀疏植被林作为研究区域,本发明的技术同样适用于南方植被密集区域,并具有极高的准确率和工作效率。另一方面,通过二维影像图和三维激光点云的结合处理,考虑了树木信息提取过程中真实的RGB可见光波段信息与太阳阴影等因素,也能够为树木信息提取提供判断的依据,使其能够适应不同光照环境中的基于高精度点云与影像的树木信息提取,因此适用性更广。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也一同包含这些改动和变形。
Claims (10)
1.一种基于高精度点云与影像的树木信息提取方法,包括:
获取待处理电网通道区域的二维数字正射影像图和三维激光雷达点云数据;
对所述二维数字正射影像图植被区域进行矢量化,判断正射影像图像素是否位于植被区域,并移除非植被区域的像素数据;
对所述三维激光雷达点云数据进行点云分类,移除非植被点云数据,并由植被点云数据生成数字表面模型、由地面点云数据生成数字高程模型;
对数字表面模型和数字高程模型进行栅格计算,获取树木冠层高度模型,再用植被矢量化成果进行置平处理,得到最终的冠层高度模型;
载入所述冠层高度模型,对所述冠层高度模型进行CHM(Canopy Height Model)分割,对CHM分割结果进行种子点提取,再基于种子点提取结果对植被点云进行PCS(Point CloudSegmentation)分割,对PCS分割结果进行点距离分析检查和点密度分析检查后获得单木代表点;
将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,获得电网通道区域的树木信息提取结果。
2.根据权利要求1所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于:所述三维激光雷达点云数据的分类类别包括植被、地面点、建筑物、杆塔、导线和地线;所述数字表面模型是地物表面的模拟,仅包括植被表面,是去除了建筑物、输电线路杆塔、导线与地线设施的地物表面模型;所述数字高程模型是地形表面的模拟;所述栅格计算是将所述数字表面模型中减去数字高程模型,获得冠层高度模型。
3.根据权利要求1所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于:所述CHM分割是通过分割植被区域的冠层高度模型获得单棵树木所占的空间位置,生成单木多边形,移除面积小于0.1平方米的多边形,再对单木多边形提取几何中心点,合并几何中心点距离小于0.3米的多边形,获得CHM分割结果。
4.根据权利要求3所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于,对CHM分割结果进行种子点提取的步骤包括:基于CHM分割结果,通过区域统计算法计算每个单木多边形内树木的冠层高度最大值和所处坐标,当同一单木多边形中包括多个相等的冠层高度最大值时,根据所处坐标和二维数字正射影像图判断是否属于同一树木,若属于同一树木,则仅保留一个冠层高度最大值并移除其他相等的冠层高度最大值,若不属于同一树木,则不做移除。
5.根据权利要求1所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于,基于种子点提取结果,对植被点云进行PCS分割的步骤包括:基于种子点提取结果,通过点云分割算法对所述植被点云数据进行单木分割,根据分割出的单木激光雷达点云数据统计树木坐标、树木高度、树冠直径、树冠面积和树冠体积,并记录在单木代表点的属性信息中。
6.根据权利要求5所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于,对PCS分割结果进行点距离分析和点密度分析获得单木代表点的步骤包括:基于种子点的PCS分割结果对所述单木代表点进行点距离分析,计算每个单木代表点间的距离,若单木间距小于定义的树冠直径,则根据二维数字正射影像图移除该单木代表点或在该单木多边形中手动调整单木代表点的位置使单木间距大于所述树冠直径,再重复计算单木间距和手动调整直至所有单木间距都大于定义的树冠直径为止;再根据密度分析算法检查欠分割情况,在单木代表点低密度区域手动补充单木代表点。
7.根据权利要求6所述的一种基于高精度点云与影像的树木信息提取方法,其特征在于,将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,其步骤包括:将所述单木代表点与所述二维正射影像图进行叠加分析,结合所述二维正射影像图中的RGB颜色、纹理和阴影信息检查所述单木代表点是否位于二维正射影像图中树木的树冠范围内,若存在位置不正确的情况,则进行调整,直到所有单木代表点均位于正确位置上,完成树木信息提取。
8.一种基于高精度点云与影像的树木信息提取装置,包括:
用于获取待处理电网通道区域的二维数字正射影像图和三维激光雷达点云数据的装置;
用于对所述二维数字正射影像图进行矢量化,判断像素是否位于植被区域,并移除非植被区域的像素数据的装置;
用于对所述三维激光雷达点云数据进行点云分类,移除非植被点云数据,并由植被点云数据生成只包含植被表面高度的数字表面模型、由地面点云生成数字高程模型的装置;
用于对所述数字表面模型和所述数字高程模型进行栅格计算,获取冠层高度模型的装置;
用于对所述冠层高度模型进行CHM分割,对CHM分割结果进行种子点提取,再基于种子点提取结果对植被点云进行PCS分割,对PCS分割结果进行点距离分析检查和点密度分析检查后获得单木代表点的装置;
用于将所述单木代表点叠加在所述二维数字正射影像图上,删除无法与二维数字正射影像图重合的单木代表点,获得电网通道区域的树木信息提取结果的装置。
9.一种可读储存介质,其上储存有控制程序,其特征在于:该控制程序被处理器执行时实现如权利要求1至7任意一项所述的基于高精度点云与影像的树木信息提取方法。
10.一种计算机控制系统,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序,其特征在于:所述处理器执行所述控制程序时实现如权利要求1至7任意一项所述的基于高精度点云与影像的树木信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815520.8A CN113570621A (zh) | 2021-07-19 | 2021-07-19 | 一种基于高精度点云与影像的树木信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815520.8A CN113570621A (zh) | 2021-07-19 | 2021-07-19 | 一种基于高精度点云与影像的树木信息提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570621A true CN113570621A (zh) | 2021-10-29 |
Family
ID=78165564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110815520.8A Pending CN113570621A (zh) | 2021-07-19 | 2021-07-19 | 一种基于高精度点云与影像的树木信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570621A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187512A (zh) * | 2021-12-08 | 2022-03-15 | 浙大城市学院 | 一种基于无人机的多树区域考古遗址范围探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240281A1 (en) * | 2017-02-22 | 2018-08-23 | Andre R. Vincelette | Systems and methods to create a virtual object or avatar |
CN110207670A (zh) * | 2019-06-26 | 2019-09-06 | 北京林业大学 | 一种使用二维图像获取人工林森林冠幅参数的方法 |
CN111612896A (zh) * | 2020-05-28 | 2020-09-01 | 西北农林科技大学 | 一种基于机载激光雷达树点云重建三维树模型的方法 |
-
2021
- 2021-07-19 CN CN202110815520.8A patent/CN113570621A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240281A1 (en) * | 2017-02-22 | 2018-08-23 | Andre R. Vincelette | Systems and methods to create a virtual object or avatar |
CN110207670A (zh) * | 2019-06-26 | 2019-09-06 | 北京林业大学 | 一种使用二维图像获取人工林森林冠幅参数的方法 |
CN111612896A (zh) * | 2020-05-28 | 2020-09-01 | 西北农林科技大学 | 一种基于机载激光雷达树点云重建三维树模型的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187512A (zh) * | 2021-12-08 | 2022-03-15 | 浙大城市学院 | 一种基于无人机的多树区域考古遗址范围探测方法 |
CN114187512B (zh) * | 2021-12-08 | 2024-04-09 | 浙大城市学院 | 一种基于无人机的多树区域考古遗址范围探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128405B (zh) | 一种结合语义分割与点云处理的植物识别与模型构建方法 | |
CN110111414B (zh) | 一种基于三维激光点云的正射影像生成方法 | |
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 | |
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
Koreň et al. | Accuracy of tree diameter estimation from terrestrial laser scanning by circle-fitting methods | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
KR20100111729A (ko) | 수관 식물점 그룹에 대해 시뮬레이트된 나무 줄기 및 나무 가지를 제공하는 지리공간 모델링 시스템 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN111754618B (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN113570621A (zh) | 一种基于高精度点云与影像的树木信息提取方法及装置 | |
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 | |
CN114511546A (zh) | 基于dbscan聚类和四象限的激光点云林木胸径获取方法 | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN115984721A (zh) | 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN113838199B (zh) | 一种三维地形生成方法 | |
CN115511899A (zh) | 浅层小型滑坡形态结构的提取方法及装置 | |
CN113822914A (zh) | 倾斜摄影测量模型单体化方法、计算机装置及产品、介质 | |
CN111553987B (zh) | 一种基于海量数据的单木点云编辑方法及系统 |
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 |