CN114005032B - 一种城市行道树单木参数提取方法、装置及终端设备 - Google Patents
一种城市行道树单木参数提取方法、装置及终端设备 Download PDFInfo
- Publication number
- CN114005032B CN114005032B CN202111265271.6A CN202111265271A CN114005032B CN 114005032 B CN114005032 B CN 114005032B CN 202111265271 A CN202111265271 A CN 202111265271A CN 114005032 B CN114005032 B CN 114005032B
- Authority
- CN
- China
- Prior art keywords
- image
- aerial vehicle
- unmanned aerial
- tree
- layer
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种城市行道树单木参数提取方法,包括:获取目标区域的激光雷达影像和无人机影像;根据激光雷达影像和数字高程模型,得到冠层高度模型;对无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;对冠层高度模型和无人机增强影像进行图像匹配,得到配准后的冠层高度图像和无人机图像;根据无人机增强影像的光谱数据和配准后的冠层高度图像,得到多层级图像;对配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;对多层级图像进行层级整合,得到单层级图像;根据单层级图像、边缘梯度图像、冠层高度模型和分水岭分割算法,得到城市行道树单木参数。本发明综合利用多源数据,实现对城市行道树单木参数的自动化提取。
Description
技术领域
本发明涉及遥感影像数据处理技术领域,尤其涉及一种城市行道树单木参数提取方法、装置及终端设备。
背景技术
随着无人机航空技术及高分辨率航摄相机的普及,城市森林要素由大尺度的分类与监测转向精细化的提取与统计,为数据源获取提供了方便快捷的方式;激光雷达扫描技术的发展也为物体位置和细部信息的获取提供了精准的数据支撑。城市行道树作为城市森林的重要组成部分,不仅在城市绿化方面承担着重要作用,更是城市森林资源调查的重要内容,而与城市行道树有关的资源调查主要涉及到冠幅、树高等单木层面。如何综合利用多源数据来有效获取行道树单木信息成为城市森林资源调查研究的重点。
无人机航空影像以其高分辨率和携带一定光谱信息的特点而著称,常作为单木信息提取的数据源,但该数据源无法提供位置信息。激光雷达影像可为要素提供准确的位置信息,但无法表征树冠光谱。而在城市行道树单木参数的提取中,树冠空间及光谱信息的参与程度都影响着城市行道树单木参数的正确提取率。现阶段,仅用单一的数据类型和数据源已无法满足对城市行道树单木参数信息的准确提取。此外,标记控制的分水岭分割方法也是单木分割中常用的一种区域生长方法,该方法首先对单木的树顶进行探测,之后以树顶为种子点进行区域增长,从而获得树冠分割线。然而,该方法在过分割与欠分割方面较难调和,往往需要人工多次反复试验才能获得一个相对较优的分割尺度,程序繁琐、自动化程度较低且不适用于冠幅差异较大的树冠影像。目前,如何有效利用多源信息来对城市行道树单木参数进行自动化提取成为困扰城市行道树单木参数提取的主要问题。
发明内容
本发明实施例提供一种城市行道树单木参数提取方法、装置及终端设备,能够综合利用多源数据,兼顾单木数据的空间位置和光谱信息,实现对城市行道树单木参数的自动化提取。
为实现上述目的,本发明实施例提供了一种城市行道树单木参数提取方法,包括:
获取目标区域的激光雷达影像和无人机影像;
根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
对所述多层级图像进行层级整合,得到单层级图像;
根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数。
作为上述方案的改进,所述根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型,具体为:
根据所述激光雷达影像建立数字表面模型;
根据预先获取的所述目标区域的数字高程模型和所述数字表面模型,得到冠层高度模型。
作为上述方案的改进,所述对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像,具体为:
根据归一化植被指数对所述无人机影像进行非植被信息去除,得到第一影像;
根据预设的图像增强算法对所述第一影像进行图像增强处理,得到所述无人机增强影像。
作为上述方案的改进,所述根据所述无人机增强影像的光谱数据和所述冠层高度图像,得到多层级图像,具体为:
对所述配准后的冠层高度图像进行多尺度分割,得到分割后的多层级冠层高度图像;
将所述无人机增强影像的光谱数据逐像素赋予相同位置的所述分割后的多层级冠层高度图像,得到多层级图像。
作为上述方案的改进,所述对所述多层级图像进行层级整合,得到单层级图像,具体为:
从所述多层级图像的第1层图斑层和第2层图斑层开始,依次将相邻的两个图斑层进行整合,直到将所述多层级图像的所有层级的图斑层整合为一个图斑层,得到包含一个图斑层的单层级图像;其中,所述多层级图像包含多个图斑层,每个图斑层均包含多个图斑。
作为上述方案的改进,所述依次将相邻的两个图斑层进行整合,具体为:
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中所有第二图斑的光谱相似度均大于或等于第二阈值,则对第j个所述第一图斑与所有所述第二图斑进行融合;
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中任意一个第二图斑的光谱相似度小于第二阈值,则第j个所述第一图斑对应的位置范围内只保留所有所述第二图斑;
其中,所述第一图斑为第i层图斑层中所有图斑中的任意一个;所述第二图斑为第i-1层图斑层中第j个所述第一图斑对应位置范围内的所有图斑中的任意一个。
作为上述方案的改进,所述城市行道树单木参数包括:单木轮廓线、单木冠幅面积和单木树高数据。
作为上述方案的改进,所述根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型的图像和分水岭分割算法,得到所述目标区域的城市行道树单木参数,具体为:
将所述单层级图像作为前景图像、将所述单层级图像的图斑层作为区域顶和将所述边缘梯度图像作为后景图像进行分水岭分割,得到所述目标区域的单木轮廓线;
根据所述单木轮廓线进行冠幅参数计算,得到所述目标区域的单木冠幅面积;
对所述单木轮廓线和所述冠层高度模型的图像进行叠加,得到所述目标区域的单木树高数据。
为实现上述目的,本发明实施例对应提供了一种城市行道树单木参数提取装置,包括:
数据获取模块,用于获取目标区域的激光雷达影像和无人机影像;
冠层高度模型构建模块,用于根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
图像预处理模块,用于对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
图像匹配模块,用于对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
多层级划分模块,用于根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
边缘提取模块,用于对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
层级整合模块,用于对所述多层级图像进行层级整合,得到单层级图像;
城市行道树单木参数提取模块,用于根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数。
为实现上述目的,本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的城市行道树单木参数提取方法。
与现有技术相比,本发明实施例公开的城市行道树单木参数提取方法、装置及终端设备,首先,通过获取目标区域的激光雷达影像和无人机影像;然后,根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;其次,对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;进而根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;对所述多层级图像进行层级整合,得到单层级图像;最后,根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数。本发明通过以区域生长技术为基本分割手段,并以层级化的自动整合策略生成区域生长种子点,能够有效平衡传统分水岭分割中的过分割与欠分割的问题;此外,本发明充分发挥了激光雷达影像反应物体位置的优势以及无人机影像承载单木数据波段光谱信息的特点,在区域生长种子点的层级整合中,兼顾单木数据的空间位置和波段光谱信息,实现多源数据及其各自所代表的空间位置和光谱信息在城市行道树单木参数提取中的协同利用,实现对城市行道树单木参数的自动化提取。
附图说明
图1是本发明一实施例提供的一种城市行道树单木参数提取方法的流程示意图;
图2是本发明一实施例提供的一种城市行道树单木参数提取装置的结构示意图;
图3是本发明一实施例提供的一种终端设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明一实施例提供的一种城市行道树单木参数提取方法的流程示意图。
本发明实施例提供的城市行道树单木参数提取方法,包括步骤:
S11、获取目标区域的激光雷达影像和无人机影像;
S12、根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
S13、对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
S14、对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
S15、根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
S16、对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
S17、对所述多层级图像进行层级整合,得到单层级图像;
S18、根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数。
在一些更优的实施例中,所述步骤S12,具体为:
根据所述激光雷达影像建立数字表面模型;
根据预先获取的所述目标区域的数字高程模型和所述数字表面模型,得到冠层高度模型。
进一步的,在根据所述激光雷达影像建立数字表面模型之前,对所述激光雷达影像进行数据预处理;其中,所述数据预处理包括:点云计算和降噪。
具体的,根据以下公式得到冠层高度模型:
CHM栅格值=DSM栅格值-DEM栅格值;
其中,CHM栅格值为冠层高度模型的栅格值,DSM栅格值为数字表面模型的栅格值,DEM栅格值为数字高程模型的栅格值。
需要说明的是,所述根据预先获取的所述目标区域的数字高程模型和所述数字表面模型,得到冠层高度模型,可以通过MATLAB程序自动完成,也可以采用ArcGIS中的栅格计算器手动计算完成,在此不做限定。
在一个优选的实施方式中,所述步骤S13,具体为:
根据归一化植被指数对所述无人机影像进行非植被信息去除,得到第一影像;
根据预设的图像增强算法对所述第一影像进行图像增强处理,得到所述无人机增强影像。
具体的,根据以下公式计算所述无人机影像中每一像素的归一化植被指数:
NDVI=(G-R)/(G+R);
其中,NDVI为该像素的归一化植被指数,R为该像素在RGB空间中的红色波段,G为该像素在RGB空间中的绿色波段。
进一步的,所述根据归一化植被指数对所述无人机影像进行非植被信息去除,具体为:
将所述无人机影像中的归一化植被指数小于第一阈值的所有像素的像素值置为0。
优选的,所述第一阈值为所述无人机影像所有像素的归一化植被指数的统计数。
需要说明,这里所提到的统计数可以为平均数或者众数。在具体实施过程中,还可以采用试验法或者经验值确定第一阈值,在此不做具体限定。
优选的,所述预设的图像增强算法为HSV彩色空间变换方法。
具体的,所述HSV彩色空间变换方法的变换公式为:
δ=Cmax-Cmin;
当δ=0时,H=0°;
当δ≠0时,
V=Cmax;
其中,R为RGB空间中的红色波段,G为RGB空间中的绿色波段,B为RGB空间中的蓝色波段,R1为红色波段的像元亮度值,G1为绿色波段的像元亮度值,B1为蓝色波段的像元亮度值,H为HSV空间中的色调,S为HSV空间中的饱和度,V为HSV空间中的明度,Cmax为第一参数,Cmin为第二参数,δ为第三参数。
值得说明的是,在具体实施过程中,除了所提到的HSV彩色空间变换方法,还可以采用对比度拉伸、直方图均衡化等其它的图像增强方法,尤其是当所述无人机影像多于三个波段时。
进一步的,所述步骤S14,具体为:采用ArcGIS图像配准的方法对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像。
值得说明,采用ArcGIS图像配准的方法是为了保证冠层高度模型与所述无人机增强影像的配准精度。当从自动化程度方法考虑时,可在实际实施过程中,采用SHIFT特征匹配等其它的配准方法。
在一些更优的实施例中,所述步骤S15,具体为:
对所述配准后的冠层高度图像进行多尺度分割,得到分割后的多层级冠层高度图像;
将所述无人机增强影像的光谱数据逐像素赋予相同位置的所述分割后的多层级冠层高度图像,得到多层级图像。
优选的,按照预设的高度梯度对所述冠层高度图像进行多尺度分割。
在一个具体的实施方式中,所述对所述配准后的冠层高度图像进行多尺度分割,得到分割后的多层级冠层高度图像,具体为:
根据所述冠层高度图像的高差统计数,设置滤波器滤波半径的尺度变化范围和梯度;
通过所述滤波器在所述冠层高度图像的每一层级高度上逐梯度进行滑动滤波,得到分割后的多层级冠层高度图像。
可以理解,所述尺度变化范围由所述配准后的冠层高度图像的冠层高度的高差统计数确定;其中,所述统计数为平均数或者众数。
需要说明,梯度的取值以像素为单位。
优选的,所述滤波器为圆形高斯滤波器。
具体的,根据以下公式计算所述圆形高斯滤波器的模板系数值:
其中,f(x,y)为高斯函数,(x,y)为圆形高斯滤波器的模板区域内图像中点的坐标,σ为标准差;
将所述圆形高斯滤波器的模板区域内各个位置的像素的坐标值输入至所述高斯函数中,得到所述模板系数值。
在一个具体的实施例中,所述步骤S16,具体为:
采用索贝尔算子对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像。
优选的,所述索贝尔算子为3*3的索贝尔算子。
具体的,根据以下公式计算所述索贝尔算子的模板:
其中,Gx为检测水平边沿,Gy为检测垂直边沿,G为索贝尔算子的模板区域的梯度大小。
优选的,将由G值组成的图像矩阵作为分水岭分割的后景图像。
需要说明的是,在具体实施过程中,可以采用拉普拉斯算子、罗伯茨算子、普鲁特算子等其它的图像边缘提取的方法。
进一步的,所述步骤S17,具体为:
从所述多层级图像的第1层图斑层和第2层图斑层开始,依次将相邻的两个图斑层进行整合,直到将所述多层级图像的所有层级的图斑层整合为一个图斑层,得到包含一个图斑层的单层级图像;其中,所述多层级图像包含多个图斑层,每个图斑层均包含多个图斑。
在一个更优的实施方式中,所述依次将相邻的两个图斑层进行整合,具体为:
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中所有第二图斑的光谱相似度均大于或等于第二阈值,则对第j个所述第一图斑与所有所述第二图斑进行融合;
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中任意一个第二图斑的光谱相似度小于第二阈值,则第j个所述第一图斑对应的位置范围内只保留所有所述第二图斑;
其中,所述第一图斑为第i层图斑层中所有图斑中的任意一个;所述第二图斑为第i-1层图斑层中第j个所述第一图斑对应位置范围内的所有图斑中的任意一个。
需要说明,i为大于1的整数,j为大于或等于1的整数。
示例性的,对于所述多层级图像中的相邻层级,自上而下计算相邻两个层级图斑层中,大层级图斑层中任意一个大层级图斑与对应位置范围内小层级图斑层的各个小层级图斑之间的光谱相似度;若大层级图斑与对应范围内的各小层级图斑之间的光谱相似度均大于或等于第二阈值,则将该大层级图斑和各小层级图斑进行融合;若大层级图斑与对应范围内的任一小层级图斑之间的光谱相似度小于第二阈值,则相同位置处仅保留各小层级图斑;以此方式实现将相邻的两个层级图斑层整合成一个新的图斑层,并将新的图斑层作为新的小层级图斑层,与相邻的大层级图斑层继续进行整合,直至将所述多层级图像的图斑层整合完成,生成最后的图斑层,并将该图斑层作为分水岭分割的种子点,即分水岭分割的区域顶。
优选的,所述光谱相似度的计算方法为光谱角制图法。
具体的,根据以下公式计算所述光谱相似度:
其中,a为待比较的树冠像元光谱,b为参考的树冠像元光谱,n为影像波段数。
优选的,将第i-1层图斑层的图斑的平均光谱作为待比较的树冠像元光谱,将第i层图斑层的图斑的平均光谱作为参考的树冠像元光谱。
优选的,所述第二阈值为所述光谱相似度的统计数;其中,所述统计数为众数。
需要说明,所述第二阈值也可以通过试验法确定。
进一步的,通过以下公式计算树冠像元光谱Mean_s:
其中,m为图斑区域内像素的总个数,Hi为第i个像素在色调波段通道的具体数值,Si为第i个像素在饱和度波段通道的具体数值,Vi为第i个像素在明度波段通道的具体数值。
进一步的,所述对所述第一图斑与所述第二图斑进行融合,具体为:
对所述第一图斑与所述第二图斑取并集。
需要说明的是,所述第二图斑位于所述第一图斑对应的范围内,所述第一图斑大于或等于所述第二图斑。
优选的,所述城市行道树单木参数包括:单木轮廓线、单木冠幅面积和单木树高数据。
在一些更优的实施例中,所述步骤S18,具体为:
将所述单层级图像作为前景图像、将所述单层级图像的图斑层作为区域顶和将所述边缘梯度图像作为后景图像进行分水岭分割,得到所述目标区域的单木轮廓线;
根据所述单木轮廓线进行冠幅参数计算,得到所述目标区域的单木冠幅面积;
对所述单木轮廓线和所述冠层高度模型的图像进行叠加,得到所述目标区域的单木树高数据。
具体的,根据以下公式对所述单木轮廓线进行冠幅参数计算,得到所述目标区域的单木冠幅面积F:
其中,RSN为单木树冠的南北冠幅,REW为单木树冠的东西冠幅。
值得说明的是,本发明实施例所提供的城市行道树单木参数提取方法,通过结合激光雷达影像和无人机影像,能够提取城市行道树的单木位置、树高、冠幅等单木参数,所需先验知识少,自动化程度高,可有效改善和平衡单木分割中的过分割与欠分割现象,兼顾单木影像的光谱与空间信息。与传统的基于无人机影像的城市行道树单木参数提取方法相比,通过引入单木的空间位置信息,能够更加精确地获取单木位置及树高数据;与传统的基于激光雷达影像的城市行道树单木参数提取方法相比,通过引入单木影像的光谱信息,能够充分利用无人机影像的波段光谱数据,从而兼顾空间位置与光谱信息,实现对城市行道树单木参数的自动化获取。
相应地,本发明实施例还提供了一种城市行道树单木参数提取装置,能够实现上述城市行道树单木参数提取方法的所有流程。
参见图2,是本发明一实施例提供的一种城市行道树单木参数提取装置的结构示意图。
本发明实施例提供的城市行道树单木参数提取装置,包括:
数据获取模块21,用于获取目标区域的激光雷达影像和无人机影像;
冠层高度模型构建模块22,用于根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
图像预处理模块23,用于对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
图像匹配模块24,用于对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
多层级划分模块25,用于根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
边缘提取模块26,用于对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
层级整合模块27,用于对所述多层级图像进行层级整合,得到单层级图像;
单木参数提取模块28,用于根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数。
作为其中一个可选的实施方式,所述冠层高度模型构建模块22,包括:
数字表面模型单元,用于根据所述激光雷达影像建立数字表面模型;
冠层高度模型单元,用于根据预先获取的所述目标区域的数字高程模型和所述数字表面模型,得到冠层高度模型。
作为其中一个可选的实施方式,所述图像预处理模块23,包括:
非植被去除单元,用于根据归一化植被指数对所述无人机影像进行非植被信息去除,得到第一影像;
图像增强单元,用于根据预设的图像增强算法对所述第一影像进行图像增强处理,得到所述无人机增强影像。
作为其中一个具体的实施方式,所述多层级划分模块25,包括:
尺度分割单元,用于对所述配准后的冠层高度图像进行多尺度分割,得到分割后的多层级冠层高度图像;
光谱融合单元,用于将所述无人机增强影像的光谱数据逐像素赋予相同位置的所述分割后的多层级冠层高度图像,得到多层级图像。
进一步的,所述层级整合模块27,具体用于:
从所述多层级图像的第1层图斑层和第2层图斑层开始,依次将相邻的两个图斑层进行整合,直到将所述多层级图像的所有层级的图斑层整合为一个图斑层,得到包含一个图斑层的单层级图像;其中,所述多层级图像包含多个图斑层,每个图斑层均包含多个图斑。
作为其中一个可选的实施方法,所述依次将相邻的两个图斑层进行整合,具体为:
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中所有第二图斑的光谱相似度均大于或等于第二阈值,则对第j个所述第一图斑与所有所述第二图斑进行融合;
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中任意一个第二图斑的光谱相似度小于第二阈值,则第j个所述第一图斑对应的位置范围内只保留所有所述第二图斑;
其中,所述第一图斑为第i层图斑层中所有图斑中的任意一个;所述第二图斑为第i-1层图斑层中第j个所述第一图斑对应位置范围内的所有图斑中的任意一个。
优选的,所述城市行道树单木参数包括:单木轮廓线、单木冠幅面积和单木树高数据。
作为其中一个优选的实施方式,所述城市行道树单木参数提取模块28,包括:
单木轮廓线分割单元,用于将所述单层级图像作为前景图像、将所述单层级图像的图斑层作为区域顶和将所述边缘梯度图像作为后景图像进行分水岭分割,得到所述目标区域的单木轮廓线;
单木冠幅面积计算单元,用于根据所述单木轮廓线进行冠幅参数计算,得到所述目标区域的单木冠幅面积;
单木树高计算单元,用于对所述单木轮廓线和所述冠层高度模型的图像进行叠加,得到所述目标区域的单木树高数据。
需要说明的是,本实施例的城市行道树单木参数提取装置的各实施例的相关具体描述和有益效果可以参考上述的城市行道树单木参数提取方法的各实施例的相关具体描述和有益效果,在此不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应地,本发明实施例还提供了一种终端设备,参见图3,是本发明一实施例提供的一种终端设备的结构框图,包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10在执行所述计算机程序时实现上述任一实施例所述的城市行道树单木参数提取方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器10也可以是任何常规的处理器,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器20可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3结构框图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
综上,本发明实施例所提供的一种城市行道树单木参数提取方法、装置及终端设备,首先通过获取目标区域的激光雷达影像和无人机影像;根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;然后,根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;对所述多层级图像进行层级整合,得到单层级图像;最后,根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型的图像和分水岭分割算法,得到所述目标区域的城市行道树单木参数,从而,能够综合利用多源数据及其各自所代表的空间位置和光谱信息,充分发挥激光雷达影像反应物体位置的优势以及无人机影像承载单木数据波段光谱信息的特点;并以区域生长技术为基本分割手段,通过层级化的自动整合策略生成区域生长种子点,在区域生长种子点的层级整合中,兼顾单木数据的空间位置和波段光谱信息,能够有效平衡传统分水岭分割中的过分割与欠分割的问题,为多源数据的城市行道树单木参数的自动化提取提供了一种新的应用思路。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种城市行道树单木参数提取方法,其特征在于,包括:
获取目标区域的激光雷达影像和无人机影像;
根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
对所述多层级图像进行层级整合,得到单层级图像;
根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数;
所述对所述多层级图像进行层级整合,得到单层级图像,具体为:
从所述多层级图像的第1层图斑层和第2层图斑层开始,依次将相邻的两个图斑层进行整合,直到将所述多层级图像的所有层级的图斑层整合为一个图斑层,得到包含一个图斑层的单层级图像;其中,所述多层级图像包含多个图斑层,每个图斑层均包含多个图斑;
其中,所述依次将相邻的两个图斑层进行整合,具体为:
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中所有第二图斑的光谱相似度均大于或等于第二阈值,则对第j个所述第一图斑与所有所述第二图斑进行融合;
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中任意一个第二图斑的光谱相似度小于第二阈值,则第j个所述第一图斑对应的位置范围内只保留所有所述第二图斑;
其中,所述第一图斑为第i层图斑层中所有图斑中的任意一个;所述第二图斑为第i-1层图斑层中第j个所述第一图斑对应位置范围内的所有图斑中的任意一个。
2.如权利要求1所述的城市行道树单木参数提取方法,其特征在于,所述根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型,具体为:
根据所述激光雷达影像建立数字表面模型;
根据预先获取的所述目标区域的数字高程模型和所述数字表面模型,得到冠层高度模型。
3.如权利要求1所述的城市行道树单木参数提取方法,其特征在于,所述对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像,具体为:
根据归一化植被指数对所述无人机影像进行非植被信息去除,得到第一影像;
根据预设的图像增强算法对所述第一影像进行图像增强处理,得到所述无人机增强影像。
4.如权利要求1所述的城市行道树单木参数提取方法,其特征在于,所述根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像,具体为:
对所述配准后的冠层高度图像进行多尺度分割,得到分割后的多层级冠层高度图像;
将所述无人机增强影像的光谱数据逐像素赋予相同位置的所述分割后的多层级冠层高度图像,得到多层级图像。
5.如权利要求1所述的城市行道树单木参数提取方法,其特征在于,所述城市行道树单木参数包括:单木轮廓线、单木冠幅面积和单木树高数据。
6.如权利要求5所述的城市行道树单木参数提取方法,其特征在于,所述根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型的图像和分水岭分割算法,得到所述目标区域的城市行道树单木参数,具体为:
将所述单层级图像作为前景图像、将所述单层级图像的图斑层作为区域顶和将所述边缘梯度图像作为后景图像进行分水岭分割,得到所述目标区域的单木轮廓线;
根据所述单木轮廓线进行冠幅参数计算,得到所述目标区域的单木冠幅面积;
对所述单木轮廓线和所述冠层高度模型的图像进行叠加,得到所述目标区域的单木树高数据。
7.一种城市行道树单木参数提取装置,其特征在于,包括:
数据获取模块,用于获取目标区域的激光雷达影像和无人机影像;
冠层高度模型构建模块,用于根据所述激光雷达影像和预先获取的所述目标区域的数字高程模型,得到冠层高度模型;
图像预处理模块,用于对所述无人机影像进行非植被信息去除和图像增强处理,得到无人机增强影像;
图像匹配模块,用于对所述冠层高度模型和所述无人机增强影像进行图像匹配,得到配准后的冠层高度图像和配准后的无人机图像;
多层级划分模块,用于根据所述无人机增强影像的光谱数据和所述配准后的冠层高度图像,得到多层级图像;
边缘提取模块,用于对所述配准后的无人机图像进行图像边缘提取,得到边缘梯度图像;
层级整合模块,用于对所述多层级图像进行层级整合,得到单层级图像;
城市行道树单木参数提取模块,用于根据所述单层级图像、所述边缘梯度图像、所述冠层高度模型和分水岭分割算法,得到所述目标区域的城市行道树单木参数;
其中,所述层级整合模块,具体用于:
从所述多层级图像的第1层图斑层和第2层图斑层开始,依次将相邻的两个图斑层进行整合,直到将所述多层级图像的所有层级的图斑层整合为一个图斑层,得到包含一个图斑层的单层级图像;其中,所述多层级图像包含多个图斑层,每个图斑层均包含多个图斑;所述依次将相邻的两个图斑层进行整合,具体为:
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中所有第二图斑的光谱相似度均大于或等于第二阈值,则对第j个所述第一图斑与所有所述第二图斑进行融合;
若第i层图斑层中的第j个第一图斑与第i-1层图斑层中任意一个第二图斑的光谱相似度小于第二阈值,则第j个所述第一图斑对应的位置范围内只保留所有所述第二图斑;
其中,所述第一图斑为第i层图斑层中所有图斑中的任意一个;所述第二图斑为第i-1层图斑层中第j个所述第一图斑对应位置范围内的所有图斑中的任意一个。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的城市行道树单木参数提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265271.6A CN114005032B (zh) | 2021-10-28 | 2021-10-28 | 一种城市行道树单木参数提取方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265271.6A CN114005032B (zh) | 2021-10-28 | 2021-10-28 | 一种城市行道树单木参数提取方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114005032A CN114005032A (zh) | 2022-02-01 |
CN114005032B true CN114005032B (zh) | 2022-06-14 |
Family
ID=79924640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265271.6A Active CN114005032B (zh) | 2021-10-28 | 2021-10-28 | 一种城市行道树单木参数提取方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005032B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410225A (zh) * | 2018-08-30 | 2019-03-01 | 浙江工业大学 | 基于多层级树木结构分析的树木分割方法 |
WO2019198412A1 (ja) * | 2018-04-11 | 2019-10-17 | 国立大学法人信州大学 | 森林資源情報算定方法及び森林資源情報算定装置 |
CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717496B (zh) * | 2019-08-29 | 2021-06-08 | 浙江工业大学 | 基于神经网络的复杂场景树木检测方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
-
2021
- 2021-10-28 CN CN202111265271.6A patent/CN114005032B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019198412A1 (ja) * | 2018-04-11 | 2019-10-17 | 国立大学法人信州大学 | 森林資源情報算定方法及び森林資源情報算定装置 |
CN109410225A (zh) * | 2018-08-30 | 2019-03-01 | 浙江工业大学 | 基于多层级树木结构分析的树木分割方法 |
CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
"基于LiDAR点云数据与高分辨率影像的单木参数提取";冯静静;《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》;20200415;摘要,第1-5章 * |
"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》;20210930;第105-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114005032A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017307115B2 (en) | A method of extracting road targets based on saliency in a night vision infrared image | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109657632B (zh) | 一种车道线检测识别方法 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN109344701A (zh) | 一种基于Kinect的动态手势识别方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
CN111080526A (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
Recky et al. | Window detection in complex facades | |
CN112115778B (zh) | 一种在环仿真条件下车道线智能识别方法 | |
CN114005032B (zh) | 一种城市行道树单木参数提取方法、装置及终端设备 | |
CN116434085B (zh) | 基于纹理特征分析的坑槽识别方法、装置、设备及介质 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |