CN113592882B - 一种基于无人机多源遥感的树冠提取方法 - Google Patents
一种基于无人机多源遥感的树冠提取方法 Download PDFInfo
- Publication number
- CN113592882B CN113592882B CN202110908736.9A CN202110908736A CN113592882B CN 113592882 B CN113592882 B CN 113592882B CN 202110908736 A CN202110908736 A CN 202110908736A CN 113592882 B CN113592882 B CN 113592882B
- Authority
- CN
- China
- Prior art keywords
- crown
- visible light
- image
- aerial vehicle
- unmanned aerial
- 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
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于无人机多源遥感的树冠提取方法,包括获取可见光影像和激光雷达点云,以无人机可见光正射影像和激光雷达点云为数据源,采用分水岭分割与面向对象多尺度分割相结合的方法提取不同郁闭度下单木树冠信息,首先采用面向对象多尺度分割法提取无人机可见光影像树冠和非树冠区域,以树冠区域为掩膜提取树冠分布范围;基于无人机激光雷达构建的CHM,采用分水岭分割法得到单木树冠初步分割结果;以分水岭分割的树冠边界为基础,以可见光正射影像亮度值为特征,对可见光正射影像树冠区域进行二次分割,获得优化后的单木树冠边界信息,大大的增加了对遥感树冠提取的准确性。
Description
技术领域
本发明属于遥感识别技术领域,尤其涉及一种基于无人机多源遥感的树冠提取方法。
背景技术
树冠是森林调查的重要参数,传统的树冠参数的获取主要是采取人工地面调查,这种方法费时、费工、费力,不利于大范围的森林调查。高空间分辨率遥感的诞生,为大范围树冠的快速提取提供了重要手段,它具有视点高、视域广、数字化、数据采集快和重复、连续观察的特点。具有传统的调查方法无法比拟的优势。高分卫星遥感用于树冠提取仍然存在空间分辨率低、灵活性差的缺点。
近年来,高分航空遥感,特别是无人机遥感技术快速发展,已成为树冠参数快速、实时获取的重要手段,还具备搭载可见光、多光谱、高光谱、激光雷达等不同性能的传感器以获取多源数据,因其分辨率高、灵活性强、数据多源而逐渐在树冠提取方面应用。
目前,基于遥感图像的树冠提取技术主要是利用高空间分辨率光学遥感图像、激光雷达遥感图像,运用面向对象的分类、支持向量机分类、决策树分类、最大似然分类、专家分类等方法,提取树冠边界,测定树冠直径,计算树冠面积。
通过高空间分辨率光学遥感图像的树冠提取的方法不适用于密林,当林分密集,树冠交叉、遮盖严重的情况下,树冠边界难以通过分类区分开来,往往一个图班可能包含多株树木的树冠。对乔、冠、草等复杂组成的森林提取树冠的精度低。当乔、冠、草的光谱特征相似时,容易造成错分,将灌木或草本错分为乔木。激光雷达识别主要获取树木的三维结构特征,结合高光谱的树木连续光谱信息,达到提取识别树种精度的目的。但是基于高光谱数据和激光雷达数据获取的成本都很高,激光雷达图像主要是提取树木位置和树高,树冠形态结构特征尚未有效利用,识别精度低。传统方法存在使用遥感数据单一、树冠提取精度不理想的问题,因此,需要一种基于无人机多源遥感的树冠提取方法。
发明内容
本发明提供一种针对遥感图像树种识别空间信息不足,识别精度低的问题,适用于密林树冠识别的一种基于无人机多源遥感的树冠提取方法。
本发明包括以下步骤:
A获取可见光影像和激光雷达点云,对激光雷达点云进行预处理得到预处理后的激光雷达点云,可见光影像进行预处理得到正射图像;
B将所述预处理后的激光雷达点云生成数字高程模型(DEM)和数字表面模型(DSM),通过计算输出冠层高度模型(CHM);
C对所述冠层高度模型(CHM)进行分水岭分割获得初始单株树冠边界;
D所述可见光图像基于面向对象的多尺度分割算法获取树冠分布范围,对可见光正射影像进行面向对象的多尺度分割算法获取树冠和非树冠区域,以树冠区域为掩膜提取树冠分布范围;
E将所述冠层高度模型(CHM)获得的单木树冠边界信息作为分割外边界,以亮度值为特征对所述可见光正射图像的树冠区域进行二次面向对象的多尺度分割,获得优化后的单株树冠边界结果。
进一步地,对所述激光雷达点云进行数据预处理的方法包括噪声滤波、航带拼接、区域网平差、点云去噪、质量检测和投影转换。
进一步地,所述冠层高度模型计算的方法,包括以下步骤:
a对分类后的地面点点云采用不规则三角网(TIN)插值生成数字高程模型(DEM);
b以激光雷达反射的第一回波激光点为数据源采用克里金插值法生成数字表面模型(DSM),并通过对临近栅格的分析,采用上述插值方法对数字高程模型(DEM)和数字表面模型(DSM)进行空洞补充去除无效值;
c由数字表面模型(DSM)与数字高程模型(DEM)相减得到冠层高度模型(CHM),CHM分辨率大小为0.5m,并采用平滑滤波法对CHM 进行平滑滤波去除空洞和不连续现象。
进一步地,对所述可见光影像进行拼接的方法,包括特征点提取匹配、相机自检校、密集点云重建,获得拼接后的可见光影像。
进一步地,对所述拼接后的可见光影像的预处理方法包括影像正射校正、影像裁剪、影像增强和影像拉伸,其中影像正射校正使用的 DEM数据,来自于所述激光雷达点云生成的数字高程模型(DEM)。
进一步地,所述可见光图像基于面向对象的多尺度分割算法获取树冠分布范围,包括以下步骤:
(1)建立分类体系,采用面向对象的多尺度分割算法将各样地树冠与非树冠区域分割为2种不同对象;
(2)基于分类体系选择具备代表性的训练样本,并对可见光图像三个波段均值(Rmean、Gmean、Bmean)、亮度值(Brightness)、最大值(Max.difff)、长宽比(Length/Width)、形状指数(Shape index)、灰度共生矩阵的相异性(GLCM dissimilarity)、相关性(GLCM Correlation)和纹理均值(GLCM mean)共10个特征进行特征优化,以选取最优特征;
(3)选择优化后特征采用最近邻分类法进行面向对象分类,将树冠和非树冠区域分为2类不同的对象;
(4)在ENVI中以树冠区域为掩膜,剔除非树冠区域信息后获取树冠分布范围的可见光正射影像。
7.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,所述冠层高度模型(CHM)通过分水岭法分割得到初始单株树冠边界。
本发明的有益效果为:
本发明综合应用无人机可见光遥感图像和激光雷达点云,采用以分水岭分割的树冠边界为基础,以可见光正射影像亮度值为特征,对可见光正射影像树冠区域进行二次分割,获得优化后的单木树冠边界信息,大大的增加了对遥感树冠提取的准确性。
附图说明
图1为本发明的技术流程图;
图2为激光雷达生成的DEM示意图;
图3为激光雷达生成的DSM示意图;
图4为激光雷达生成的CHM示意图;
图5为中郁闭度样地CHM分割示意图;
图6为中郁闭度样地CHM分割与DOM叠加示意图;
图7为高郁闭度样地CHM分割示意图;
图8为高郁闭度样地CHM分割与DOM叠加示意图;
图9为分割维数与分割距离关系示意图;
图10为树冠区域提取结果示意图;
其中(a)中郁闭度样地(b)高郁闭度样地
图11目视解译和单木树冠提取结果示意图;
其中(a)为中郁闭度样地目视解译结果;(b)为低郁闭样地树冠提取结果(c)为高郁闭度样地目视解译结果;(d)为高郁闭度样地树冠提取结果;
图12为本发明5种单木分割情况的示意图;
其中:(a)匹配(b)接近匹配(c)合并(d)错分(e)漏分
图13为本发明单株树冠回归散点图示意图.
具体实施方式
以下对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,在本实施例子中包括以下步骤:
A获取可见光影像和激光雷达点云,对激光雷达点云进行预处理得到预处理后的激光雷达点云,可见光影像进行预处理得到正射图像;
无人机数据使用数字绿土固定翼无人机获取,机身长度60cm× 60cm×50cm,起飞重量为16.5kg,最大载荷为8kg,传感器包括高空间分辨率可见光相机和激光雷达扫描仪2种类型,数据采集时间为2019年7月,天气晴朗无风,飞行速度为6m/s,飞行高度为160m,平均航向重叠率为83.21%。可见光传感器为Sony ILCE-6000,总像素为2470万像素,色彩空间为sRGB,LiDAR传感器为RIEGL VUX-1LR,视场角330°,激光脉冲发射频率高达820kHZ,可识别多目标回波,精度为15mm。
本发明选取林分结构相对单一的杉木人工林纯林同龄林圆形样地10个,共调查树木512株,根据森林资源规划设计调查中对郁闭度进行划分,包括5个中郁闭度样地(郁闭度0.40~0.69)和5个高郁闭度样地(郁闭度0.70以上),样地半径为16m,大小为800m2,对各样地进行每木检尺调查并进行精准定位。
在本实施例子中可见光遥感数据在ENVI中进行可见光影像正射影像的校正、裁剪等预处理获得发明区样地正射影像,分辨率大小为 0.05m。激光雷达数据使用软件LiDAR360进行无人机激光雷达数据的处理,主要流程包括:航带拼接、质量检测、投影转换、点云去噪、噪声滤波、地面点分类等。使用无人机数据处理软件LiMapper进行。
B将所述预处理后的激光雷达点云生成数字地形模型(DEM)和数字地表模型(DSM)通过计算输出冠层高度模型(CHM);
激光雷达图像的地物高度模型提取,采用LiMapper进行CHM分割即分水岭分割获取地物高度模型。对地面点分类后的点云采用不规则三角网(TIN)插值生成DEM;以激光雷达反射的第一回波激光点为数据源采用克里金插值法生成DSM,并通过对临近栅格的分析,采用上述插值方法对DEM和DSM进行空洞补充去除无效值;由DSM与 DEM相减得到CHM(地物高度点云模型),CHM分辨率大小为0.5m,并采用平滑滤波法对CHM进行平滑滤波去除空洞和不连续现象。
可见光图像中树冠区域信息多尺度分割算法获取冠层分布范围,包括:多尺度分割、特征优化、最近邻分类、掩膜。
(1)建立分类体系,采用多尺度分割算法将各样地冠层与非冠层区域分割为不同对象;
(2)基于分类体系选择具备代表性的训练样本,并对RGB三个波段均值(Rmean、Gmean、Bmean)、亮度值(Brightness)、最大值(Max.difff)、长宽比(Length/Width)、形状指数(Shape index)、灰度共生矩阵的相异性(GLCM dissimilarity)、相关性(GLCMCorrelation)和纹理均值(GLCM mean)共10个特征进行特征优化,以选取最优特征;
(3)选择优化后特征采用最近邻分类法进行面向对象分类,将冠层和非冠层区域分为不同的对象;
(4)在ENVI中以树冠区域为掩膜,剔除非冠层区域信息,获取冠层分布范围。
C对所述冠层高度模型CHM进行分水岭分割获得初始单株树冠边界;
基于激光雷达点云数据生成的DEM、DSM和CHM如图2-4所示,当高斯平滑因子为0.5,窗口大小为5时,噪点对CHM的影响最小。基于点云生成的CHM进行分水岭分割结果如图3所示,由图可以看出单木较好的被分割为不同的对象,但是对单木树冠边界的描述效果较差,分割出的单木对象中亦包含草本,阴影、裸地等非树冠信息,因此仍需要对分割结果进行优化以去除非树冠信息的干扰。
分割尺度、形状指数和紧致度是进行多尺度分割时的重要参数,当分割尺度为25,形状指数为0.2,紧致度为0.5时中郁闭度和高郁闭度林分树冠与非树冠区域都能较好的被分割。在该分割参数下采用样本模式的分类方法进行空间特征优化以减少特征数量大造成的运算量增大和冗余现象,如图9所示,当特征数量为7维时,最低分离程度最佳,最佳的特征组合为:Rmean、Gmean、Bmean、Brightness、Max.difff、 Shape index、GLCM mean。根据优化后的特征提取树冠与非树冠区域,以树冠区域为掩膜的结果如图10所示。
D所述可见光图像基于面向对象的多尺度分割算法获取树冠分布范围,对可见光正射影像进行面向对象的多尺度分割算法获取树冠和非树冠区域,以树冠区域为掩膜提取树冠分布范围;
由于掩膜后非树冠区域信息值为0,因此以亮度值为特征,进行面向对象分类提取单木树冠信息,分割参数信息如表1所示。将单木树冠边界导入ArcGIS中与正射影像叠加显示如图11所示。
表1不同郁闭度下多尺度分割参数
根据图12中5类分割结果进行单木精度评价,图中红色为参考图分割树冠,黄色为本发明方法分割树冠,各样地统计结果如表2所示。
表2单木树冠精度评价
由表2可知,F测度超过80%以上的样地有9块;其中中郁闭度样地F测度在88.07%~95.08%之间,高郁闭度样地F测度在78.57%~ 88.29%之间。从树冠提取个数和准确率来看,大部分树冠都被正确分割,但仍有漏分误差和错分误差现象出现,漏分误差现象主要是因为树冠间相互连接和遮挡导致部分单木未被识别;错分误差主要是由于无人机可见光或LiDAR数据中存在阴影或噪声的影响,导致伪单木被识别为单木或单木树冠较大导致分水岭分割时单株木被识别为多株木。根据中郁闭度和高郁闭度样地单木树冠提取的准确率、召回率和 F测度可知多源无人机数据结合提取杉木单木树冠信息是可行的。其中,中郁闭度和高郁闭度林分单木树冠提取F测度分别在88.07%~ 95.08%和78.57%~88.29%之间,提取的树冠面积与参考面积R2分别为 0.8591和0.7367,树冠直径R2分别为0.8306和0.7246。。发明表明,不论是中郁闭度还是高郁闭度林分,基于无人机可见光和激光雷达数据结合提取树冠信息的方法是可行的,能够满足现代林业的发展需求,为快速获取不同郁闭度林分下单木树冠信息提供了可靠的技术支撑。
E将所述冠层高度模型(CHM)的单木树冠边界信息作为分割外边界,以亮度值为特征对所述可见光正射图像的树冠区域进行二次面向对象的多尺度分割,获得优化后的单株树冠边界结果。
样地尺度上各样地树冠面积精度评价结果如表3所示,从各样地树冠面积相对误差来看,低郁闭度样地相对误差在-10.1%~13.77%之间,平均相对误差为4.92%;高郁闭度样地在-0.92%~27.69%之间,平均相对误差为14.92%。其中,除了低郁闭度5号样地和高郁闭度1 号样地提取树冠面积小于参考面积之外,其余8个样地提取面积均大于参考面积,造成这个现象的主要原因可能是因为在进行树冠区域提取时,非树冠对象特征与树冠特征相似,在进行树冠信息提取时将部分非树冠区域被划分到树冠对象中,导致提取面积大于参考面积。
表3样地树冠面积精度评价
Table 3 The accuracy evaluation of crown area
在本次调查的512株树木中,随机抽取114株进行精度验证,将实测单株冠幅(东西冠幅与南北冠幅的平均值)与基于无人机激光雷达和可见光遥感图像提取的冠幅进行回归分析,R2=0.8457。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于无人机多源遥感的树冠提取方法,其特征在于,包括以下步骤:
A获取可见光影像和激光雷达点云,对激光雷达点云进行预处理得到预处理后的激光雷达点云,可见光影像进行预处理得到正射图像;
B将所述预处理后的激光雷达点云生成数字高程模型DEM和数字表面模型DSM,通过计算输出冠层高度模型CHM;
C对所述冠层高度模型CHM进行分水岭分割获得初始单株树冠边界;
D所述可见光影像基于面向对象的多尺度分割算法获取树冠分布范围,对可见光正射影像进行面向对象的多尺度分割算法获取树冠和非树冠区域,以树冠区域为掩膜提取树冠分布范围;
E将所述冠层高度模型CHM获得的单木树冠边界信息作为分割外边界,以亮度值为特征对所述可见光正射图像的树冠区域进行二次面向对象的多尺度分割,获得优化后的单株树冠边界结果。
2.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,对所述激光雷达点云进行数据预处理的方法包括噪声滤波、航带拼接、区域网平差、点云去噪、质量检测和投影转换。
3.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,所述冠层高度模型计算的方法,包括以下步骤:
a对分类后的地面点点云采用不规则三角网TIN插值生成数字高程模型DEM;
b以激光雷达反射的第一回波激光点为数据源采用克里金插值法生成数字表面模型DSM,并通过对临近栅格的分析,采用上述插值方法对数字高程模型DEM和数字表面模型DSM进行空洞补充去除无效值;
c由数字表面模型DSM与数字高程模型DEM相减得到冠层高度模型CHM,CHM分辨率大小为0.5m,并采用平滑滤波法对CHM进行平滑滤波去除空洞和不连续现象。
4.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,对所述可见光影像进行拼接的方法,包括特征点提取匹配、相机自检校、密集点云重建,获得拼接后的可见光影像。
5.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,对拼接后的所述可见光影像的预处理方法包括影像正射校正、影像裁剪、影像增强和影像拉伸,其中影像正射校正使用的DEM数据,来自于所述激光雷达点云生成的数字高程模型DEM。
6.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,所述可见光影像基于面向对象的多尺度分割算法获取树冠分布范围,包括以下步骤:
(1)建立分类体系,采用面向对象的多尺度分割算法将各样地树冠与非树冠区域分割为2种不同对象;
(2)基于分类体系选择具备代表性的训练样本,并对可见光影像三个波段均值、亮度值、最大值、长宽比、形状指数、灰度共生矩阵的相异性、相关性和纹理均值(GLCM mean)共10个特征进行特征优化,以选取最优特征;
(3)选择优化后特征采用最近邻分类法进行面向对象分类,将树冠和非树冠区域分为2类不同的对象;
(4)在ENVI中以树冠区域为掩膜,剔除非树冠区域信息后获取树冠分布范围的可见光正射影像。
7.根据权利要求1所述一种基于无人机多源遥感的树冠提取方法,其特征在于,所述冠层高度模型CHM通过分水岭法分割得到初始单株树冠边界。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908736.9A CN113592882B (zh) | 2021-08-09 | 2021-08-09 | 一种基于无人机多源遥感的树冠提取方法 |
US17/882,885 US11615606B2 (en) | 2021-08-09 | 2022-08-08 | Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908736.9A CN113592882B (zh) | 2021-08-09 | 2021-08-09 | 一种基于无人机多源遥感的树冠提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592882A CN113592882A (zh) | 2021-11-02 |
CN113592882B true CN113592882B (zh) | 2022-06-03 |
Family
ID=78256408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908736.9A Active CN113592882B (zh) | 2021-08-09 | 2021-08-09 | 一种基于无人机多源遥感的树冠提取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11615606B2 (zh) |
CN (1) | CN113592882B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114190166B (zh) * | 2021-12-15 | 2023-05-02 | 中国农业科学院茶叶研究所 | 一种基于图像和点云数据处理的采茶方法 |
CN114494396B (zh) * | 2021-12-28 | 2023-06-09 | 广州极飞科技股份有限公司 | 作业对象高度确定方法、装置、设备和存储介质 |
CN114596494B (zh) * | 2022-03-16 | 2023-10-24 | 北京爱科农科技有限公司 | 一种基于果园的果树监测方法及装置 |
CN115760885B (zh) * | 2022-11-09 | 2023-09-19 | 南京林业大学 | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 |
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 |
CN115861549B (zh) * | 2023-02-27 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 一种自动替换实景三维数据中树木模型的方法和装置 |
CN116704333B (zh) * | 2023-05-19 | 2024-03-12 | 中国电建集团江西省电力设计院有限公司 | 一种基于激光点云数据的单株林木检测方法 |
CN116524364B (zh) * | 2023-06-25 | 2023-09-26 | 苏州市中地行信息技术有限公司 | 基于特征识别的异构多源数据处理系统与方法 |
CN116543165B (zh) * | 2023-07-03 | 2023-08-29 | 东华理工大学南昌校区 | 一种基于双通道复合深度网络的遥感图像果树分割方法 |
CN116596198B (zh) * | 2023-07-18 | 2023-09-19 | 北京林业大学 | 城市绿地生物量计算方法、装置、电子设备及存储介质 |
CN116681873B (zh) * | 2023-07-31 | 2023-10-27 | 山东省国土测绘院 | 基于数字高程模型快速更新的影像正射纠正方法及系统 |
CN116778104B (zh) * | 2023-08-16 | 2023-11-14 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及系统 |
CN116893428B (zh) * | 2023-09-11 | 2023-12-08 | 山东省地质测绘院 | 基于激光点云的森林资源调查与监测方法及系统 |
CN117253163A (zh) * | 2023-11-14 | 2023-12-19 | 山东科技大学 | 一种基于无人机激光雷达的田间花生株高估算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 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 |
CN112396615A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种基于可调半球冠层摄影仪的单株立木分割方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9477899B2 (en) * | 2014-06-05 | 2016-10-25 | Weyerhaeuser Nr Company | System and method for differentiating type of vegetation from remotely sensed data |
CN106408578A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种单木分割方法及装置 |
CN107832681B (zh) * | 2017-10-16 | 2021-05-18 | 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 |
CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
-
2021
- 2021-08-09 CN CN202110908736.9A patent/CN113592882B/zh active Active
-
2022
- 2022-08-08 US US17/882,885 patent/US11615606B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN105335966A (zh) * | 2015-10-14 | 2016-02-17 | 南京信息工程大学 | 基于局域同质性指标的多尺度遥感影像分割方法 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111462134A (zh) * | 2020-03-31 | 2020-07-28 | 武汉大学 | 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 |
CN112396615A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种基于可调半球冠层摄影仪的单株立木分割方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Multi-Scale Segmentation of Forest Areas and Tree Detection in LiDAR Images by the Attentive Vision Method";Roman Palenichka 等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20130630;第6卷(第3期);1313-1323 * |
"基于无人机可见光和LiDAR数据的单木树种识别";李华玉 等;《西南林业大学学报(自然科学)》;20210207;1-9 * |
"基于无人机影像的高郁闭度杉木纯林树冠参数提取";孙钊 等;《北京林业大学学报》;20201031;第42卷(第10期);20-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592882A (zh) | 2021-11-02 |
US11615606B2 (en) | 2023-03-28 |
US20230039554A1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592882B (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
US7630990B2 (en) | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program | |
CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
US8494211B2 (en) | House change judgment method and house change judgment program | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
Liu et al. | A hybrid method for segmenting individual trees from airborne lidar data | |
CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
Liu et al. | Fusion of airborne hyperspectral and LiDAR data for tree species classification in the temperate forest of northeast China | |
US20230350065A1 (en) | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
Itakura et al. | Estimating tree structural parameters via automatic tree segmentation from LiDAR point cloud data | |
Xu et al. | Vegetation information extraction in karst area based on UAV remote sensing in visible light band | |
CN112818880B (zh) | 基于深度学习的航拍图像植被提取与分类方法 | |
CN114283213A (zh) | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 | |
Yilmaz et al. | Determination of tree crown diameters with segmentation of a UAS-Based canopy height model | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
Mizoguchi et al. | Individual tree species classification based on terrestrial laser scanning using curvature estimation and convolutional neural network | |
CN116206211A (zh) | 综合时序遥感信息和KL-divergence的地物类型识别方法 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 | |
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 | |
CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
Huang et al. | Tree crown detection and delineation using optical satellite imagery | |
CN114862872A (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
Bucksch et al. | Skeleton-based botanic tree diameter estimation from dense LiDAR data | |
Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Qiao Inventor after: Chen Yongfu Inventor after: Wang Juan Inventor after: Xu Zhiyang Inventor before: Chen Qiao Inventor before: Chen Yongfu Inventor before: Wang Juan Inventor before: Xu Zhiyang |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |