CN114529466B - 基于多尺度高程变异系数的点云植被去除方法 - Google Patents
基于多尺度高程变异系数的点云植被去除方法 Download PDFInfo
- Publication number
- CN114529466B CN114529466B CN202210113759.5A CN202210113759A CN114529466B CN 114529466 B CN114529466 B CN 114529466B CN 202210113759 A CN202210113759 A CN 202210113759A CN 114529466 B CN114529466 B CN 114529466B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- point cloud
- pixel
- elevation
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims description 16
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 11
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多尺度高程变异系数的点云植被去除方法。首先,根据点云数据生成多尺度数字表面模型(DSM),根据正射影像提取沟壑边界;其次,对DSM进行邻域分析和计算得到多尺度的高程变异系数图像;再次,将多尺度高程变异系数图像分为两类,一类为植被,一类为地面,分类时不处理沟壑边界区域;再次,对得到的高程变异系数结果进行叠加投票分析,若像元被分为植被的次数超过总数的一半,则认为该像元为植被;最后将得到的植被范围对原始点云进行裁剪,得到植被点和地面点。本发明提供了自动化的点云植被去除方法,免去了手动分割点云的不准确和效率低下的问题,为解决点云数据滤波和分类提供更好的方法,使点云数据能更好的用于地形建模。
Description
技术领域
本发明属于点云数据滤波和分类技术,具体涉及一种基于多尺度高程变异系数的点云植被去除方法。
背景技术
三维激光扫描技术的出现,加快了三维地理数据的获取速度和数据精度的提高,近年来得到了广泛的应用。对于传统的单点测量技术(全站仪测量、RTK实时动态测量)来讲具有革命性的意义,采用主动测量的方式,使得这项技术可以全天时、全天候的工作。近年来,该技术广泛应用于数字地形分析、文物保护、电力巡检、智慧城市等等领域。
在获取到点云数据后,最关键的处理步骤就是点云滤波。因为点云数据为离散的点,并且一般获取到的点云数据中会存在许多噪声,这些噪声会影响到点云数据的应用。因此如何进行有效的点云滤波,将地面点和非地面点区分开来,从而最大可能的提取出地形点成为关键的一步。
模拟布料覆盖的方法和利用多尺度维数准则的方法是常用的点云滤波方法。但是在应用中由于实验区域地形地貌的复杂性,模拟布料覆盖的方法在地形起伏复杂的地区地面点和非地面点的分割效果较差,利用多尺度维数准则的方法存在参数较多,对于地形起伏复杂程度不同的地区很难有一稳定的参数。因此,亟需有一种更为准确、方便、高效、自动的点云滤波方法。
有鉴于以上问题,有必要提出一种点云植被自动化提取的方法。为点云数据滤波和分类提供更好的方法,使点云数据能更好的用于地形建模。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供了基于多尺度高程变异系数的点云植被去除方法,免去了手动分割点云的不准确和效率低下的问题,为解决从点云数据中分割地面点和非地面点提供了新的方法,为点云数据滤波和分类提供更好的方法,使点云数据更好的应用于各个领域。
技术方案:本发明是一种基于多尺度高程变异系数的点云植被去除方法,包括以下步骤:
(1)获得研究区域点云数据和正射影像数据,根据点云数据生成研究区域M种分辨率的数字表面模型DSM;同时,通过正射影像数据提取研究区域的沟壑边界并建立缓冲区域;
(2)对研究区域每一种分辨率的DSM进行以下处理:
(2.1)使用N*N的矩形邻域窗口遍历DSM,遍历时统计窗口内像元值的标准差和平均值,并把统计值赋给中心像元赋值,得到标准差统计图像和平均值统计图像;
(2.2)对步骤(2.1)得到的标准差统计图像和平均值统计图像,根据像元位置一一对应进行高程变异系数的计算,得到高程变异系数图像;
(2.3)通过二值化处理,将高程变异系数图像分为两类:一类视为植被,一类视为地面点;
(3)对步骤(2)中的结果进行叠加投票分析,若某个像元被分为植被的次数超过M/2,则认为该像元为植被,否则为地面点;遍历每一个像元之后得到植被范围;
(4)使用步骤(3)中得到的植被范围对研究区域点云数据进行裁剪,得到植被点和地面点。
进一步:所述步骤(1)中生成DSM的方法为反距离权插值。
进一步:所述步骤(1)中生成缓冲区的方法为固定距离缓冲区创建法。
进一步:所述步骤(2.2)中某一像元的高程变异系数A的计算公式为:
A=STD/MEAN
式中,A为高程变异系数,它客观反映了分析区域内地形的高程变化的表现;STD为标准差统计图像中对应像元的亮度值;MEAN为平均值统计图像中对应像元的亮度值。
进一步:所述步骤(2.3)中,在进行分类时使用步骤(1)中得到的缓冲区域进行掩膜,不处理沟壑边界,将缓冲区域范围内的像元均视为地面点。
进一步:所述步骤(2.3)中按照组间方差最大,组内方差最小的原则,进行二值化处理。
有益效果:本发明提供了自动化的点云植被去除方法,首先,根据点云数据生成多尺度数字表面模型(DSM),根据正射影像提取沟壑边界;其次,对DSM进行邻域分析和计算得到多尺度的高程变异系数图像;再次,将多尺度高程变异系数图像分为两类,一类为植被,一类为地面;再次,对得到的高程变异系数结果进行叠加投票分析,若像元被分为植被的次数超过总数的一半,则认为该像元为植被;最后,将得到的植被范围对原始点云进行裁剪,得到植被点和地面点。免去了手动分割点云的不准确和效率低下的问题,为解决从点云数据滤波和分类提供更好的方法,使点云数据能更好的用于地形建模。
附图说明
图1是本发明提供的点云植被提取方法的流程图;
图2是实施例样区点云数据;
图3是实施例样区DSM的Hillshade效果图,其中(a)是0.1m分辨率,(b)是0.5m分辨率,(c)是1m分辨率,(d)是2m分辨率;
图4是本发明提供的邻域分析示意图,其中(a)是求标准差,(b)是求平均值;
图5是实施例样区的高程变异系数统计图像,其中(a)是0.1m分辨率,(b)是0.5m分辨率,(c)是1m分辨率,(d)是2m分辨率;
图6是高程变异系数叠加投票结果;
图7是本发明提供的点云植被分类结果图,其中(a)是分类后植被点云,(b)是分类后地面点云。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明的一种基于多尺度高程变异系数的点云植被去除方法,依次包括以下步骤:
(1)获得研究区域点云数据和正射影像数据,根据点云数据生成研究区域0.1、0.2、0.3、……、2m分辨率的数字表面模型(DSM);同时,通过影像数据提取研究区的沟壑边界并建立1m的缓冲区域。
(2)对研究区域的DSM进行邻域统计计算,使用矩形3*3单元为窗口,分别统计邻域内像元值的标准差和平均值,赋为该像元的新像元值。
(3)对步骤(2)得到的标准差统计图像和平均值统计图像,根据像元位置一一对应进行高程变异系数的计算,得到高程变异系数图像,高程变异系数的计算公式为:
A=STD/MEAN
式中A为高程变异系数,它客观反映了分析区域内地形的高程变化的表现;STD为标准差统计图像像元的亮度值;MEAN为平均值统计图像像元的亮度值。
其中,统计图像标准差同样采用空间滤波的方法,具体方法为:
在图像中选取一个3*3像元大小的矩阵活动窗口,将样区像元放在活动窗口中央,统计邻域内像元标准差,计算公式为:
同样的,统计图像平均值采用空间滤波方法,具体方法为:
在图像中选取一个3*3像元大小的矩阵活动窗口,与其相同大小的一个模板窗口。将样区像元放在活动窗口中央,窗口图像像元值乘以模板窗口再相加。计算公式为:
最终将计算出的结果γ(i,j)放在窗口中心位置,逐行依次扫描,生成样区平均值统计图像。
(4)按照组间方差最大,组内方差最小的原则进行二值化处理,将高程变异系数图像分为两类,一类视为植被,一类视为地面点。在进行分类时使用步骤(1)中的到的沟壑边界缓冲区进行掩膜,不处理沟壑边界区域,直接认为边界缓冲区范围内的均为地面点。
(5)对步骤(1)中生成的所有DSM均进行步骤(2)-(4)的操作得到多个高程变异系数计算结果。将不同DSM的得到的高程变异系数结果进行叠加投票分析,若某个像元被分为植被的次数超过总数的一半,则认为该像元为植被;遍历每一个像元之后得到植被范围。
(6)使用步骤(5)中得到的植被范围对原始点云进行裁剪,得到植被点和地面点。
实施例:
针对如图2所示的样区点云数据,采用以下步骤:
步骤一,首先获取研究区域点云数据和正射影像数据,根据点云数据生成研究区域0.1、0.2、0.3、……、2m分辨率的数字表面模型(DSM);同时,通过影像数据提取研究区的沟壑边界并建立1m的缓冲区域;本例中生成DSM的工具为CloudCompare软件中的栅格化工具,采样步长取0.1、0.2、0.3、……、2m,最终结果如图3所示。
步骤二,(2)对研究区域的DSM进行邻域统计计算,使用矩形3*3单元为窗口。分别统计邻域内像元值的标准差和平均值,赋为该像元的新像元值;邻域分析示意图如图4所示。
步骤三,对步骤二得到的标准差统计图像和平均值统计图像,根据像元位置一一对应进行高程变异系数的计算,得到高程变异系数图像如图5所示。
步骤四,按照组间方差最大,组内方差最小的原则,将高程变异系数图像分为两类,一类视为植被,一类视为地面点。在进行分类时使用步骤一中的到的沟壑边界缓冲区进行掩膜,不处理沟壑边界区域,直接认为边界缓冲区范围内的均为地面点。
步骤五,对步骤一中生成的所有DSM均进行步骤二到四的操作得到多个高程变异系数计算结果。将不同DSM的得到的高程变异系数结果进行叠加投票分析,若某个像元被分为植被的次数超过总数的一半,则认为该像元为植被;遍历每一个像元之后得到植被范围。本例叠加投票分析中,像元被分为植被次数为10-20次则认定为植被,如图6所示。
步骤六,使用步骤五中得到的植被范围对原始点云进行裁剪,得到植被点和地面点。点云分类图如图7所示,通过与原始影像叠加显示,可以发现其分类精度较好,几乎所有的植被均被成功的提取。
对于最终的植被提取结果,采用准确率进行定量评价,公式为:准确率=正确提取植被区域像元个数/参考提取植被区域像元个数。
其中分割植被区域由人工目视提取得到。
定量评价结果如表1所示,本发明所提取的植被区域,准确率为91.99%;即本发明具有较高的精度和实用性。
表1实施例中植被区域提取结果精度评价
正确提取植被区域点云个数 | 参考提取植被区域点云个数 | 准确率 |
2961107个 | 3218595个 | 91.99% |
应当指出,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也在本申请权利要求的保护范围内。
Claims (6)
1.一种基于多尺度高程变异系数的点云植被去除方法,其特征在于:包括以下步骤:
(1)获得研究区域点云数据和正射影像数据,根据点云数据生成研究区域M种分辨率的数字表面模型DSM;同时,通过正射影像数据提取研究区域的沟壑边界并建立缓冲区域;
(2)对研究区域每一种分辨率的DSM进行以下处理:
(2.1)使用N*N的矩形邻域窗口遍历DSM,遍历时统计窗口内像元值的标准差和平均值,并把统计值赋给中心像元赋值,得到标准差统计图像和平均值统计图像;
(2.2)对步骤(2.1)得到的标准差统计图像和平均值统计图像,根据像元位置一一对应进行高程变异系数的计算,得到高程变异系数图像;
(2.3)通过二值化处理,将高程变异系数图像分为两类:一类视为植被,一类视为地面点;
(3)对步骤(2)中的结果进行叠加投票分析,若某个像元被分为植被的次数超过M/2,则认为该像元为植被,否则为地面点;遍历每一个像元之后得到植被范围;
(4)使用步骤(3)中得到的植被范围对研究区域点云数据进行裁剪,得到植被点和地面点。
2.根据权利要求1所述的基于多尺度高程变异系数的点云植被去除方法,其特征在于:所述步骤(1)中生成DSM的方法为反距离权插值。
3.根据权利要求1所述的基于多尺度高程变异系数的点云植被去除方法,其特征在于:所述步骤(1)中生成缓冲区的方法为固定距离缓冲区创建法。
4.根据权利要求1所述的基于多尺度高程变异系数的点云植被去除方法,其特征在于:所述步骤(2.2)中某一像元的高程变异系数A的计算公式为:
A=STD/MEAN
式中,STD为标准差统计图像中对应像元的亮度值;MEAN为平均值统计图像中对应像元的亮度值。
5.根据权利要求1所述的基于多尺度高程变异系数的点云植被去除方法,其特征在于:所述步骤(2.3)中,在进行分类时使用步骤(1)中得到的缓冲区域进行掩膜,不处理沟壑边界,将缓冲区域范围内的像元均视为地面点。
6.根据权利要求1所述的基于多尺度高程变异系数的点云植被去除方法,其特征在于:所述步骤(2.3)中按照组间方差最大,组内方差最小的原则,进行二值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113759.5A CN114529466B (zh) | 2022-01-30 | 2022-01-30 | 基于多尺度高程变异系数的点云植被去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113759.5A CN114529466B (zh) | 2022-01-30 | 2022-01-30 | 基于多尺度高程变异系数的点云植被去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114529466A CN114529466A (zh) | 2022-05-24 |
CN114529466B true CN114529466B (zh) | 2023-03-10 |
Family
ID=81622933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113759.5A Active CN114529466B (zh) | 2022-01-30 | 2022-01-30 | 基于多尺度高程变异系数的点云植被去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529466B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021092397A1 (en) * | 2019-11-08 | 2021-05-14 | General Electric Company | System and method for vegetation modeling using satellite imagery and/or aerial imagery |
-
2022
- 2022-01-30 CN CN202210113759.5A patent/CN114529466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363983A (zh) * | 2018-03-06 | 2018-08-03 | 河南理工大学 | 一种基于无人机影像与重建点云的城市植被分类方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
Non-Patent Citations (1)
Title |
---|
基于可见光植被指数的面向对象湿地水生植被提取方法;井然,邓磊,赵文吉,宫兆宁;《应用生态学报》;第27卷(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114529466A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816664B (zh) | 一种三维点云分割方法及装置 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN116052105A (zh) | 路面裂缝识别分类及面积计算方法、系统、设备及终端 | |
CN113570621B (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 | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN116763295B (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN117635615A (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN113643232A (zh) | 一种基于双目相机和卷积神经网络的路面坑槽自动检测方法 | |
CN114529466B (zh) | 基于多尺度高程变异系数的点云植被去除方法 | |
CN117036944A (zh) | 基于点云数据和图像识别的树木碳汇量计算方法及系统 | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
CN111932574B (zh) | 基于多层次语义特征的建筑立面点云提取系统及方法 | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
CN109949273B (zh) | 一种基于纹理对称性的皮肤图像纹理分割方法及系统 | |
Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
CN111582246A (zh) | 一种基于高寒草甸草地产草量估算放牧率的方法和系统 | |
CN111091614A (zh) | 一种变电站三维实景模型建立方法及系统 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN114972358B (zh) | 一种基于人工智能的城市测绘激光点云偏移检测方法 | |
CN112669333B (zh) | 一种单木信息提取方法 |
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 |