CN114596494B - 一种基于果园的果树监测方法及装置 - Google Patents
一种基于果园的果树监测方法及装置 Download PDFInfo
- Publication number
- CN114596494B CN114596494B CN202210258830.9A CN202210258830A CN114596494B CN 114596494 B CN114596494 B CN 114596494B CN 202210258830 A CN202210258830 A CN 202210258830A CN 114596494 B CN114596494 B CN 114596494B
- Authority
- CN
- China
- Prior art keywords
- image
- tree
- crown
- fruit tree
- fruit
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 239000002420 orchard Substances 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000011282 treatment Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种基于果园的果树监测方法及装置，该方法包括：获取无人机影像；对无人机影像进行预处理，得到数字表面模型；根据预设的滤波窗口对数字表面模型进行降噪平滑处理，得到平滑影像；在平滑影像中提取果树结构参数；果树结构参数至少包括树顶位置、冠幅和树高；对果树结构参数进行误差调整，得到调整果树参数；根据预设的筛选条件对调整果树参数进行筛选，得到果树监测结果；果树监测结果至少包括果树数量。可见，实施这种实施方式，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
Description
技术领域
本申请涉及农林监测领域，具体而言，涉及一种基于果园的果树监测方法及装置。
背景技术
目前，学者们已经开始使用无人机来获取RGB图像和DSM图像来进行果树数量的监测与提取。但是，现有的研究普遍都在采用基于图像分割算法(如控制分水岭算法、反流域分割算法等)或深度学习算法。然而，针对于这两种方法而言，图像分割算法无法有效的对低矮、不规则果树的数量进行监测与提取；深度学习算法虽然精度较高，但是其所要求的样本标记准确性、数量都比较高，且构建复杂，计算量大，从而导致其并不适合于对果园果树进行简洁有效地果树数量监测。
发明内容
本申请实施例的目的在于提供一种基于果园的果树监测方法及装置，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
本申请实施例第一方面提供了一种基于果园的果树监测方法，包括：
获取无人机影像；
对所述无人机影像进行预处理，得到数字表面模型；
根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像；
在所述平滑影像中提取果树结构参数；所述果树结构参数至少包括树顶位置、冠幅和树高；
对所述果树结构参数进行误差调整，得到调整果树参数；
根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量。
实施这种实施方式，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
进一步地，所述对所述无人机影像进行预处理，得到数字表面模型的步骤包括：
通过空中三角测量法计算所述无人机影像中的缺失影像；
根据所述无人机影像和所述缺失影像建立三维参考模型；
根据所述三维参考模型生成数字表面模型。
进一步地，所述方法还包括：
根据所述三维参考模型生成数字正射影像；
通过ArcGIS软件在所述数字正射影像中进行测量获取，得到滤波窗口和筛选条件。
进一步地，所述根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像的步骤包括：
根据预设分辨率对所述数字表面模型进行降采样，得到降采样影像；
根据预设的滤波窗口对所述降采样影像进行高斯模糊，得到高斯模糊影像；
根据邻域分析计算公式对所述高斯模糊影像进行邻域分析计算，得到分析影像；
对所述分析影像进行均值滤波，得到平滑影像。
进一步地，所述高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，所述邻域分析计算公式为：
其中，pi为所述多个栅格像元的值；
po为所述中心像元的值；
n为所述多个栅格像元满足预设分析条件的个数；
p′o为所述中心像元的新值。
进一步地，所述在所述平滑影像中提取果树结构参数的步骤包括：
通过局部最大值滤波算法在所述平滑影像中求取最大值点，并将所述最大值点确定为树顶位置；
通过四邻域拉普拉斯算法在所述平滑影像中提取树冠边缘影像，并对所述树冠边缘影像进行二值化处理和均值化处理，得到冠幅；
根据所述树顶位置和所述冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据所述四分之一冠幅最大像元值和所述二分之一冠幅最小像元值进行计算得到树高。
进一步地，所述对所述果树结构参数进行误差调整，得到调整果树参数的步骤包括：
根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置；
根据所述调整后的树顶位置对所述冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅；
根据所述调整后的树顶位置和所述调整后的冠幅对所述树高进行调整，得到调整后的树高。
本申请实施例第二方面提供了一种基于果园的果树监测装置，所述基于果园的果树监测装置包括：
获取单元，用于获取无人机影像；
预处理单元，用于对所述无人机影像进行预处理，得到数字表面模型；
平滑单元，用于根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像；
提取单元，用于在所述平滑影像中提取果树结构参数；所述果树结构参数至少包括树顶位置、冠幅和树高；
调整单元，用于对所述果树结构参数进行误差调整，得到调整果树参数；
筛选单元，用于根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量。
实施这种实施方式，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的基于果园的果树监测方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的基于果园的果树监测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于果园的果树监测方法的流程示意图；
图2为本申请实施例提供的一种基于果园的果树监测装置的结构示意图；
图3为本申请实施例提供的一种数字正射影像的示意图；
图4为本申请实施例提供的一种数字表面模型的示意图；
图5为本申请实施例提供的一种图像平滑过程果树的变化情况；
图6为本申请实施例提供的一种将一张273×273的单株果树的DSM降采样为3×3到25×25的结果示意图；
图7为本申请实施例提供的一种不同σ条件下的二维高斯函数曲面；
图8为本申请实施例提供的一种局部最大值点位置随滤波窗口大小的变化情况示意图；
图9为本申请实施例提供的一种从树顶到树冠边界的距离示意图；
图10为本申请实施例提供的一种树高提取过程的示意图；
图11为本申请实施例提供的一种树顶的调整过程示意图；
图12为本申请实施例提供的一种果树监测结果的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本实施例提供了一种基于果园的果树监测方法的流程示意图。其中，该基于果园的果树监测方法包括：
S101、获取无人机影像。
本实施例中，执行主体可以时计算机软件；其中，无人机影像可以是导入至计算机软件中的。
S102、通过空中三角测量法计算无人机影像中的缺失影像。
本实施例中，该方法通过空中三角测量法来计算无人机影像中缺失的影像信息。
S103、根据无人机影像和缺失影像建立三维参考模型。
本实施例中，该方法通过三维重建获取参考三维模型。
S104、根据三维参考模型生成数字表面模型，根据三维参考模型生成数字正射影像。
请参阅图3，图3示出了一种数字正射影像的示意图；同时，请参阅图4，图4示出了一种数字表面模型的示意图。其中，数字正射影像为研究区数字正射影像，数字表面模型为研究区数字表面模型。本方法想要实现的果树株数提取的效果主要是基于数字表面模型结合邻域分析等数字图像处理方法来实现的。
S105、通过ArcGIS软件在数字正射影像中进行测量获取，得到滤波窗口和筛选条件。
本实施例中，该方法为了得到合适的滤波窗口大小和筛选条件，需要获取果树的高度范围、冠幅的范围以及果树之间的最小距离等数据，这些数据可以通过实地测量获取，也可以使用ArcGIS软件在数字正射影像上进行测量获取。
本实施例中，该方法对图像进行平滑的过程包括步骤S106～S109，其目的主要有两个：
一、去除数字表面模型上的噪点，使图像变得平滑；
二、突出树顶的位置。
请参阅图5，图5示出了一种图像平滑过程果树的变化情况(上图为单株果树；下图为两株相邻果树)。其中，从果树的DSM(A1、G1)可以看出，通过处理无人机影像数据获取的DSM存在很多的凸起，这些凸起会对树顶的提取造成很大的干扰，因此需要提前去除这些凸起，或者将其合并为一个。为此，后续步骤采取了一系列降噪的方法对DSM进行处理，具体如下。
S106、根据预设分辨率对数字表面模型进行降采样，得到降采样影像。
本实施例中，降采样又称为下采样或缩小图像。图像降采样效果的直观感受是图像分辨率的降低。
在本实施例中，降采样的主要目的是：减少图像噪声；缩小图像，减少数据量。
本实施例中，为了保证图像采样后树顶不会太小或消失，树冠的最小冠幅与图像分辨率的比S，应当满足：S≥3：1，即保证最小树冠的直径最少由3个像素组成；同时为了达到减少图像噪声的目的，S也不应太大。
请参阅图6，图6示出了一种将一张273×273的单株果树的DSM降采样为3×3到25×25的结果示意图。由图6可以看出，从3×3到25×25的过程中果树冠层的细节逐渐加强。然而，从7×7开始，果树冠层的形状就不再有大幅度的变化，只是逐渐增加了一些微小的凸起，这些凸起会对果树树顶的提取造成干扰。考虑到一些果树的树冠相对较小，为了保证降采样后这些树冠体现的相对完整，可以选取11×11附近的分辨率对DSM进行降采样。
S107、根据预设的滤波窗口对降采样影像进行高斯模糊，得到高斯模糊影像。
本实施例中，高斯模糊的目的是使图像变得模糊。该种高斯模糊对于图像来说是一种低通滤波器，可以使图像变得平滑。
在本实施例中，高斯模糊的目的是：减少图像噪声以及降低细节层次；突出树顶的位置。
本实施例中，高斯模糊用正态分布计算图像中每个像素的变换，其在二维空间的定义为：
μ,ν是二维图像像素点的坐标；σ是正态分布的标准偏差。σ越大，峰值越小，各个像素点的权重越接近，图像也就越平滑。
本实施例中，滤波窗口大小和σ值的选取是准确提取树顶的关键。若滤波窗口较小(σ值较小)，则减少图像噪声和突出树顶的效果不理想；若滤波窗口过大(σ值过大)，邻域内的其他像元的像元值对该像元的影响过大，从而无法起到突出树顶的作用，甚至产生伪树顶。
请参阅图7，图7示出了一种不同σ条件下的二维高斯函数曲面。
S108、根据邻域分析计算公式对高斯模糊影像进行邻域分析计算，得到分析影像。
本实施例中，邻域分析是一种窗口分析，其基本思路就是以待计算的栅格像元为中心，向周围扩展一定范围，然后根据这些扩展栅格像元与中心像元的值或仅用扩展像元(即分析窗口)的值进行函数运算，从而得到这个待计算像元的新值。根据分析窗口的形状，可以分为：矩形邻域、圆形邻域、环形邻域、扇形邻域等。
作为一种可选的实施方式，高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，邻域分析计算公式为：
其中，pi为多个栅格像元的值；
po为中心像元的值；
n为多个栅格像元满足预设分析条件的个数；
p′o为中心像元的新值。
本实施例中，该方法所采用的邻域分析的规则是选取窗口内所有像元值小于等于中心像元的像元值，然后求取这些像元值的均值作为该中心像元的像元值。即
其中，设置该规则的目的是突出不明显的树顶，或树冠粘连较为严重的树顶(如D1、J1)。
S109、对分析影像进行均值滤波，得到平滑影像。
本实施例中，均值滤波与高斯模糊相似，都是可以使图像变得平滑，从而达到减少图像噪声和图像细节的目的。不同于高斯模糊，均值滤波是对窗口内所有像元的像元值计算均值，将该均值作为中心像元的像元值。在本文中均值滤波的主要目的是对相邻较近的树顶进行平滑，将这些树顶合并为一个(E1)，即去除部分伪树顶。
请参阅图8，图8示出了一种局部最大值点位置随滤波窗口大小的变化情况。
在本实施例中，滤波窗口大小的选取对伪树顶的削减和消除起到重要作用。与高斯滤波相同，窗口过小，将会减弱降噪的效果；而窗口过大，可能促使伪树顶的形成，甚至可能消除掉相邻的低矮树顶。为了减少上述情况的发生，滤波窗口的大小应当稍小于最小冠幅(降采样后像元个数)或最小株距(降采样后像元个数)。这样选取的原因是考虑到相邻树冠之间会出现相互交叉，或者其中一个树冠的冠幅稍小且高度较低，当滤波窗口较大时，其中一个树顶会消失(如图8中E2)，或者两个树顶之间出现一个伪树顶(合并为一个树顶，如图8中J2，或生成一个树顶)。
S110、通过局部最大值滤波算法在平滑影像中求取最大值点，并将最大值点确定为树顶位置。
本实施例中，每株果树只有一个最大值点位于树冠的中心区域。因此，该方法采用局部最大值滤波算法在平滑图像上求取最大值点，即潜在的树顶的位置。局部最大值的滤波窗口大小取决于最小冠幅(降采样后像元个数)和最小株距(降采样后像元个数)。滤波窗口较小可能出现较多的伪树顶；滤波窗口较大，则会出现遗漏树顶的情况。
S111、通过四邻域拉普拉斯算法在平滑影像中提取树冠边缘影像，并对树冠边缘影像进行二值化处理和均值化处理，得到冠幅。
本实施例中，本文采用拉普拉斯算子(四邻域)对平滑后的图像进行边缘提取，将处理后的图像中像元值大于固定阈值(例如0)的像元作为树冠像元，从而获得二值图。最后结合树顶的提取结果，获取每个树顶所属树冠的冠幅，从而实现树冠的粗略提取，同时根据树冠范围对树顶的位置进行调整。
在本实施例中，由于树冠要高于周围地面点，同时平滑后的图像中树冠中的噪声和层次细节得到了大幅度的简化。因此，使用拉普拉斯算子对图像滤波之后，树冠边缘位置的像元(即像元值发生突变的位置)会小于零。利用这个特点，将处理后的图像以零为阈值进行二值化，得到树冠的大致轮廓。然而，因为图像进行了平滑，像元发生突变的位置向外偏移，所以提取到的树冠要大于实际树冠。
在本实施例中，从树顶位置向八个方向逐渐延伸至树冠边缘(黑色区域)，可以获得八个点(箭头)的位置和八个方向的距离(如9，图9示出了树顶到树冠边界的距离)。八个距离的均值，记为冠幅的一半；将八个点分为四组(东-西、南-北、东南-西北和西南-东北)，对每组数据的行列号分别求取均值(东-西只计算列均值，南-北只计算行均值)，将得到3个行均值和3个列均值，再分别取均值，最终获得的行列号即为调整后树顶的位置。
S112、根据树顶位置和冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据四分之一冠幅最大像元值和二分之一冠幅最小像元值进行计算得到树高。
请参阅图10，图10示出了一种树高提取过程的示意图。
本实施例中，树高的计算方法包括：
一、以树顶为圆心，以四分之一冠幅为半径画圆(图10，内圆)，提取该圆范围内DSM的像元，从这些像元中计算最大的像元值，记为Hm；
二、以树顶为圆心，以二分之一冠幅为半径画圆(图10，外圆)，提取该圆范围内DSM的像元，从这些像元中计算最小的像元值，记为Hg；
三、两值相减，记为树高，即：h＝Hm-Hg。
本实施例中，树顶位置、冠幅和树高可以统称为果树结构参数。
S113、根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置。
本实施例中，该方法根据树顶之间的距离对满足一定条件的树顶进行删除或调整。因为果园内果树种植方式较为规范，株行距相对固定，所以当两个树顶的距离很近时，可以判定这两个树顶属于同一个树冠；而当一个树顶距离若干树顶很近时，则这个树顶可能位于两个(或两个以上)树顶之间，将该树顶判定为伪树顶进行删除。该过程主要分为以下两部分：
1、树顶的删除。当一个树顶距离另外若干(≥2)树顶距离小于最小株距，则删除该树顶；
2、树顶的调整。当一个树顶只与另一个树顶距离小于最小株距，则取两树顶的中间位置作为新的树顶，同时删除上面两个树顶。冠幅和树高取较大值。
S114、根据调整后的树顶位置对冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅。
本实施例中，该方法根据最小树高对树冠进行缩放调整。首先将冠幅向外扩展一定距离(如0.2米/DSM分辨率)，尽可能把整个树冠包含在内；之后向内逐渐收缩(逐像元，或每隔若干像元)，得到一个稍小的圆，以这个圆作为一个圆环的内环，以若干像素为环宽，创建圆环；根据不同需求，统计圆环内像元值的最大值、最小值、中位数或均值等数据，这里取均值作为判别标准；当均值大于最小树高时，停止收缩；最终得到调整后的冠幅。
S115、根据调整后的树顶位置和调整后的冠幅对树高进行调整，得到调整后的树高。
本实施例中，根据树顶之间的距离与树顶所属树冠的冠幅两者的关系对树顶进行删除或调整。与树顶位置的调整时的判定过程相似，判定方法如下：
通过一个树顶O2所属树冠的半径r2，与另一个树顶O1所属树冠的半径r1，可以计算出两个树冠之间相交的距离，记为inter。当inter值大于一定距离(这里设置为r2的2/3)时，认为O2相对于O1距离相近。
本实施例中，该方法可以对树顶进行删除，即当树顶O2与另外若干(≥2)树顶距离相近，则删除树顶O2。同时，该方法可以对树顶进行调整，即当树顶O2只与另一个树顶O1距离相近，则将O2沿着O1O2方向向外移动一段距离，同时缩短树冠的半径。这里树顶移动的距离为inter*r1/(r1+r2)/2，半径也缩小相同的长度，这样可以保证O所属树冠的另一侧边界保持不变。
请参阅图11，图11示出了一种树顶的调整过程示意图。其中，O1、O2分别表示两个树顶；r1、r2为O1、O2对应的半径；dist为O1、O2之间的距离；inter＝r1+r2-dist。
S116、根据预设的筛选条件对调整果树参数进行筛选，得到果树监测结果；果树监测结果至少包括果树数量。
本实施例中，该方法可以经过之前一系列的处理，得到每株果树的位置、高度、冠幅、外围高度等属性。
在本实施例中，因为该方法是基于DSM实现果树的提取，也就是根据地面高程的差异性提取果树，所以具有一定高度的建筑、车辆等也会被识别为果树。所以，设置筛选条件，例如树高与外围高度之差小于0.25米，或者冠幅大于2.9米，或者外围高度大于1.6米等，将满足上述条件的“果树”筛除之后，得到一个合理的结果(可见图11的处理过程)。
请参阅图12，图12示出了一种果树监测结果的示意图。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于果园的果树监测方法，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
实施例2
请参看图2，图2为本实施例提供的一种基于果园的果树监测装置的结构示意图。如图2所示，该基于果园的果树监测装置包括：
获取单元210，用于获取无人机影像；
预处理单元220，用于对无人机影像进行预处理，得到数字表面模型；
平滑单元230，用于根据预设的滤波窗口对数字表面模型进行降噪平滑处理，得到平滑影像；
提取单元240，用于在平滑影像中提取果树结构参数；果树结构参数至少包括树顶位置、冠幅和树高；
调整单元250，用于对果树结构参数进行误差调整，得到调整果树参数；
筛选单元260，用于根据预设的筛选条件对调整果树参数进行筛选，得到果树监测结果；果树监测结果至少包括果树数量。
作为一种可选的实施方式，预处理单元220包括：
计算子单元221，用于通过空中三角测量法计算无人机影像中的缺失影像；
建立子单元222，用于根据无人机影像和缺失影像建立三维参考模型；
生成子单元223，用于根据三维参考模型生成数字表面模型。
作为一种可选的实施方式，预处理单元220还包括：
生成子单元223，用于根据三维参考模型生成数字正射影像；
获取子单元224，用于通过ArcGIS软件在数字正射影像中进行测量获取，得到滤波窗口和筛选条件。
作为一种可选的实施方式，平滑单元230包括：
降采样子单元231，用于根据预设分辨率对数字表面模型进行降采样，得到降采样影像；
高斯模糊子单元232，用于根据预设的滤波窗口对降采样影像进行高斯模糊，得到高斯模糊影像；
邻域分析子单元233，用于根据邻域分析计算公式对高斯模糊影像进行邻域分析计算，得到分析影像；
均值滤波子单元234，用于对分析影像进行均值滤波，得到平滑影像。
作为一种可选的实施方式，高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，邻域分析计算公式为：
其中，pi为多个栅格像元的值；
po为中心像元的值；
n为多个栅格像元满足预设分析条件的个数；
p′o为中心像元的新值。
作为一种可选的实施方式，提取单元240包括：
树顶提取子单元241，用于通过局部最大值滤波算法在平滑影像中求取最大值点，并将最大值点确定为树顶位置；
冠幅提取子单元242，用于通过四邻域拉普拉斯算法在平滑影像中提取树冠边缘影像，并对树冠边缘影像进行二值化处理和均值化处理，得到冠幅；
树高提取子单元243，用于根据树顶位置和冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据四分之一冠幅最大像元值和二分之一冠幅最小像元值进行计算得到树高。
作为一种可选的实施方式，调整单元250包括：
树顶调整子单元251，用于根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置；
冠幅调整子单元252，用于根据调整后的树顶位置对冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅；
树高调整子单元253，用于根据调整后的树顶位置和调整后的冠幅对树高进行调整，得到调整后的树高。
本申请实施例中，对于基于果园的果树监测装置的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的基于果园的果树监测装置，能够提高监测的普遍适应性，并能够以一种简单有效的方式完成对果园果树的监测。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1中的基于果园的果树监测方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1中的基于果园的果树监测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种基于果园的果树监测方法，其特征在于，包括：
获取无人机影像；
对所述无人机影像进行预处理，得到数字表面模型，包括：通过空中三角测量法计算所述无人机影像中的缺失影像；根据所述无人机影像和所述缺失影像建立三维参考模型；根据所述三维参考模型生成数字表面模型；
根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像，包括：根据预设分辨率对所述数字表面模型进行降采样，得到降采样影像；根据预设的滤波窗口对所述降采样影像进行高斯模糊，得到高斯模糊影像；根据邻域分析计算公式对所述高斯模糊影像进行邻域分析计算，得到分析影像；对所述分析影像进行均值滤波，得到平滑影像；其中，所述高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，所述邻域分析计算公式为：
；
其中，为所述多个栅格像元的值；/>为所述中心像元的值；/>为所述多个栅格像元满足预设分析条件的个数；/>为所述中心像元的新值；
在所述平滑影像中提取果树结构参数，包括：通过局部最大值滤波算法在所述平滑影像中求取最大值点，并将所述最大值点确定为树顶位置；通过四邻域拉普拉斯算法在所述平滑影像中提取树冠边缘影像，并对所述树冠边缘影像进行二值化处理和均值化处理，得到冠幅；根据所述树顶位置和所述冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据所述四分之一冠幅最大像元值和所述二分之一冠幅最小像元值进行计算得到树高；所述果树结构参数至少包括树顶位置、冠幅和树高；
对所述果树结构参数进行误差调整，得到调整果树参数；
根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量。
2.根据权利要求1所述的基于果园的果树监测方法，其特征在于，所述方法还包括：
根据所述三维参考模型生成数字正射影像；
通过ArcGIS软件在所述数字正射影像中进行测量获取，得到滤波窗口和筛选条件。
3.根据权利要求1所述的基于果园的果树监测方法，其特征在于，所述对所述果树结构参数进行误差调整，得到调整果树参数的步骤包括：
根据树顶位置进行冗余剔除处理和/或冗余合并处理，得到调整后的树顶位置；
根据所述调整后的树顶位置对所述冠幅进行冗余剔除处理和/或缩放处理，得到调整后的冠幅；
根据所述调整后的树顶位置和所述调整后的冠幅对所述树高进行调整，得到调整后的树高。
4.一种基于果园的果树监测装置，其特征在于，所述基于果园的果树监测装置包括：
获取单元，用于获取无人机影像；
预处理单元，用于对所述无人机影像进行预处理，得到数字表面模型；具体用于通过空中三角测量法计算所述无人机影像中的缺失影像；根据所述无人机影像和所述缺失影像建立三维参考模型；根据所述三维参考模型生成数字表面模型；
平滑单元，用于根据预设的滤波窗口对所述数字表面模型进行降噪平滑处理，得到平滑影像；
提取单元，用于在所述平滑影像中提取果树结构参数；所述果树结构参数至少包括树顶位置、冠幅和树高；具体用于通过局部最大值滤波算法在所述平滑影像中求取最大值点，并将所述最大值点确定为树顶位置；通过四邻域拉普拉斯算法在所述平滑影像中提取树冠边缘影像，并对所述树冠边缘影像进行二值化处理和均值化处理，得到冠幅；根据所述树顶位置和所述冠幅确定四分之一冠幅最大像元值和二分之一冠幅最小像元值，根据所述四分之一冠幅最大像元值和所述二分之一冠幅最小像元值进行计算得到树高；
调整单元，用于对所述果树结构参数进行误差调整，得到调整果树参数；
筛选单元，用于根据预设的筛选条件对所述调整果树参数进行筛选，得到果树监测结果；所述果树监测结果至少包括果树数量；
其中，平滑单元包括：
降采样子单元，用于根据预设分辨率对数字表面模型进行降采样，得到降采样影像；
高斯模糊子单元，用于根据预设的滤波窗口对降采样影像进行高斯模糊，得到高斯模糊影像；
邻域分析子单元，用于根据邻域分析计算公式对高斯模糊影像进行邻域分析计算，得到分析影像；
均值滤波子单元，用于对分析影像进行均值滤波，得到平滑影像；
其中，所述高斯模糊影像包括多个栅格像元，多个栅格像元中存在一个中心像元，所述邻域分析计算公式为：
；
其中，为所述多个栅格像元的值；
为所述中心像元的值；
为所述多个栅格像元满足预设分析条件的个数；
为所述中心像元的新值。
5.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至3中任一项所述的基于果园的果树监测方法。
6.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至3任一项所述的基于果园的果树监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210258830.9A CN114596494B (zh) | 2022-03-16 | 2022-03-16 | 一种基于果园的果树监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210258830.9A CN114596494B (zh) | 2022-03-16 | 2022-03-16 | 一种基于果园的果树监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596494A CN114596494A (zh) | 2022-06-07 |
| CN114596494B true CN114596494B (zh) | 2023-10-24 |
Family
ID=81809305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210258830.9A Active CN114596494B (zh) | 2022-03-16 | 2022-03-16 | 一种基于果园的果树监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596494B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101672915A (zh) * | 2009-09-23 | 2010-03-17 | 中国林业科学研究院资源信息研究所 | 一种高空间分辨率遥感影像树冠轮廓勾绘系统及方法 |
| CN107451982A (zh) * | 2017-08-14 | 2017-12-08 | 东北林业大学 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
| JP2018084472A (ja) * | 2016-11-22 | 2018-05-31 | 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 |
| CN110244301A (zh) * | 2019-06-27 | 2019-09-17 | 国网四川省电力公司电力科学研究院 | 一种基于sar图像的输电走廊树高提取方法 |
| CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
| CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
| CN111898688A (zh) * | 2020-08-04 | 2020-11-06 | 沈阳建筑大学 | 一种基于三维深度学习的机载LiDAR数据树种分类方法 |
| CN113467519A (zh) * | 2021-08-13 | 2021-10-01 | 北京爱科农科技有限公司 | 一种无人机自动巡航方法和系统 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
-
2022
- 2022-03-16 CN CN202210258830.9A patent/CN114596494B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101672915A (zh) * | 2009-09-23 | 2010-03-17 | 中国林业科学研究院资源信息研究所 | 一种高空间分辨率遥感影像树冠轮廓勾绘系统及方法 |
| JP2018084472A (ja) * | 2016-11-22 | 2018-05-31 | 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 |
| CN107451982A (zh) * | 2017-08-14 | 2017-12-08 | 东北林业大学 | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 |
| CN110244301A (zh) * | 2019-06-27 | 2019-09-17 | 国网四川省电力公司电力科学研究院 | 一种基于sar图像的输电走廊树高提取方法 |
| CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
| CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
| CN111898688A (zh) * | 2020-08-04 | 2020-11-06 | 沈阳建筑大学 | 一种基于三维深度学习的机载LiDAR数据树种分类方法 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| CN113467519A (zh) * | 2021-08-13 | 2021-10-01 | 北京爱科农科技有限公司 | 一种无人机自动巡航方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于无人机遥感的柑橘果树信息提取及应用研究;万祖毅;《中国优秀硕士学位论文全文数据库 农业科技辑》;20210115;第23-24页 * |
| 结合DSM的机载LiDAR单木树高提取研究;张海清 等;《地球信息科学》;20211031;第23卷(第10期);第1873-1881页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596494A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
| Tan et al. | An improved progressive morphological filter for UAV-based photogrammetric point clouds in river bank monitoring | |
| CN108376232A (zh) | 一种用于遥感影像的自动解译的方法与装置 | |
| Ofir et al. | On detection of faint edges in noisy images | |
| Ghorai et al. | Extracting shoreline from satellite imagery for GIS analysis | |
| CN109522904B (zh) | 一种基于遥感数据的规则农田提取方法 | |
| Demir et al. | Advanced lake shoreline extraction approach by integration of SAR image and LIDAR data | |
| Incekara et al. | Qualifying the LIDAR-derived intensity image as an infrared band in NDWI-based shoreline extraction | |
| Serifoglu et al. | Performance evaluation of different ground filtering algorithms for uav-based point clouds | |
| CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
| Kumar et al. | A two-stage algorithm for ground filtering of airborne laser scanning data | |
| CN114596494B (zh) | 一种基于果园的果树监测方法及装置 | |
| Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
| CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
| CN108447045B (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 | |
| Yang et al. | A method for tree image segmentation combined adaptive mean shifting with image abstraction | |
| CN115661660A (zh) | Sar图像桥梁快速检测方法及设备 | |
| CN115620263A (zh) | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 | |
| Borra et al. | Satellite image enhancement and analysis | |
| Othmani et al. | Region-based segmentation on depth images from a 3D reference surface for tree species recognition | |
| CN113781389A (zh) | 一种基于深度图的多视角货物掩膜方法 | |
| Soumya et al. | Enhancement and segmentation of historical records | |
| Aguilar et al. | New Efficient and Automatic Approach to Extract Dendrometric Features from Terrestrial LiDAR Point Clouds in Forest Inventories | |
| Fauvel et al. | Robust path opening versus path opening for the detection of hedgerows in rural landscapes | |
| CN117237619B (zh) | 基于机器视觉技术的水上救援探测系统及方法 |
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 |