CN114862872A - 一种基于Faster R-CNN的红树林单木分割方法 - Google Patents
一种基于Faster R-CNN的红树林单木分割方法 Download PDFInfo
- Publication number
- CN114862872A CN114862872A CN202210500765.6A CN202210500765A CN114862872A CN 114862872 A CN114862872 A CN 114862872A CN 202210500765 A CN202210500765 A CN 202210500765A CN 114862872 A CN114862872 A CN 114862872A
- Authority
- CN
- China
- Prior art keywords
- mangrove forest
- chm
- point cloud
- unmanned aerial
- aerial vehicle
- 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.)
- Granted
Links
- 240000002044 Rhizophora apiculata Species 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 241000120622 Rhizophoraceae Species 0.000 description 8
- 239000002023 wood Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000003793 Rhizophora mangle Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011121 hardwood Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于Faster R‑CNN的红树林单木分割方法，涉及单木分割技术领域。该方法包括采集红树林的无人机机载LiDAR点云数据；对采集的红树林的无人机机载LiDAR点云数据进行预处理；利用Pit‑free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；将二阶段目标检测方法Faster R‑CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。该方法采用深度学习方法，借助大数据样本进行学习，相比传统流行的单木分割算法，可以解决下层木探测结果依赖上层木及点云的空间信息不能充分利用的问题，单木分割准确度更高，可有效减少错检漏检的单木数量，为提高基于无人机机载激光雷达数据的红树林单木分割精度提供可能性。
Description
技术领域
本发明涉及单木分割技术领域，具体涉及一种基于Faster R-CNN的红树林单木分割方法。
背景技术
红树林是生长在热带和亚热带海岸的唯一木本植物，能够提供多种生态系统服务，如：水质维护、维持生物多样性、防风暴、避免海岸线侵蚀、隔离营养成分、固碳、提供旅游资源、连接陆地和水生环境等，红树林突出的生态服务功能使其受到社会各界的广泛重视。红树林个体的研究对于提取红树林结构参数，用于描述红树林的生长、物候和死亡至关重要。
过去通过红树林个体的研究获取相关结构参数多是通过野外实地观测得到，即首先选定一些采样样方，然后通过手动测量样方内的单木结构参数。虽然手动测量结果精度较高，但是这种测量方式费时费力、效率低下且不宜进行大区域推广。无人机机载激光扫描技术的出现成功解决了这一难题，在红树林空间分布检测、林分类型识别、结构参数估测以及变化监测方面展现出了巨大的应用潜能。无人机机载激光扫描技术以其精确记录三维激光点的能力，为树木的三维表型特征提供了很有前景的数据支撑。其自上而下的扫描方法可以清楚地记录树木的冠层和树干，更适合地面森林调查工作。近年来，面向无人机机载激光雷达数据，学者们已经提出了许多有关单木分割的方法。目前单木提取的算法大致可以分为两种思路：基于冠层高度模型(Canopy Height Model，CHM)的探测方法和基于点云的探测方法，主流算法有：区域生长法、分水岭法等。但由于红树林生长环境的复杂性，利用无人机机载激光雷达数据实现红树林的单木分割研究鲜有。
近年来，利用无人机机载激光雷达数据实现单木分割虽然具有优势，但仍然存在以下几点问题：(1)当前研究算法不够成熟、不具有普适性。一些算法在针叶林能取得良好效果，但是对于红树林这样密度较大、冠层矮小、彼此之间互相遮盖的阔叶林效率较低且提取精度极低。(2)利用点云进行红树林单木探测时，往往采取“先上层木后下层木”的顺序，即先探测上层木，然后在此基础上探测下层木，如果上层木探测错误，那么错误便会累积，影响下层木的探测精度。在红树林复杂的生长环境中，并不能保证上层木探测的准确性，有时会误把茂密树杈识别成单棵树。(3)基于CHM和基于点云的方法都需要人工设计寻找CHM和点云中的种子点(树冠顶点)，依据种子点进行后续的单木提取。利用人工设计提取种子点规则和各种参数依赖经验值，对于红树林复杂的森林环境缺少鲁棒性。
发明内容
针对上述现有技术存在的不足，本发明提供一种基于Faster R-CNN的针对于红树林的面向激光点云的单木分割方法，旨在实现红树林区域更高的单木分割精度。
本发明的技术方案为：
基于Faster R-CNN的红树林单木分割方法，该方法包括以下步骤：
步骤1：采集红树林的无人机机载LiDAR点云数据；
步骤2：对采集的红树林的无人机机载LiDAR点云数据进行预处理；
步骤3：利用Pit-free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；
步骤4：将二阶段目标检测方法Faster R-CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。
进一步地，根据所述的基于Faster R-CNN的红树林单木分割方法，所述步骤2包括如下步骤：
步骤2.1：对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理；
步骤2.2：将去除噪声后的红树林无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据；
步骤2.3：对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有的红树林的地面点的无人机机载LiDAR点云数据的高程归一化。
进一步地，根据所述的基于Faster R-CNN的红树林单木分割方法，所述对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理的方法为：对红树林的无人机机载LiDAR点云数据中的每个点搜索其周围相同个数的邻域点；计算该点到搜索到的其周围邻域点的距离平均值Dmean、中值m及标准差σ；根据Dmax＝m+K*σ计算该点到搜索到的其周围邻域点的距离最大值Dmax；若该点到搜索到的其周围邻域点的距离平均值Dmean大于该点到搜索到的其周围邻域点的距离最大值Dmax，则认为该点为噪声点，将其去除。
进一步地，根据所述的基于Faster R-CNN的红树林单木分割方法，利用克里金算法对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值。
进一步地，根据所述的基于Faster R-CNN的红树林单木分割方法，所述步骤4进一步包括以下步骤：
步骤4.1：在二阶段目标检测方法Faster R-CNN中采用VGGNet模型作为特征提取的主干网络从步骤3产生的CHM中提取特征，获得CHM特征图；
步骤4.2：将生成的CHM特征图映射到原始的CHM中得到不同尺寸的锚点框，对每一个可能存在树的位置建立锚点框，利用CHM特征图与锚点框得到锚点框的特征，进而完成锚点框的分类与回归，得到初始候选框；
步骤4.3：初始候选框经过非极大值抑制、感兴趣区池化以及分类与位置回归操作实现目标框的确定，从而实现对红树林CHM的单木目标的确定。
与现有技术相比，本发明具有以下有益效果：
(1)本发明采用深度学习方法，借助大数据样本进行学习，相比传统流行的单木分割算法，单木分割准确度更高，可有效减少错检漏检的单木数量，为提高基于无人机机载激光雷达数据的红树林单木分割精度提供可能性。
(2)在红树林的各个位置建立候选区，并且候选区能够逐步逼近探测单木，可以解决下层木探测结果依赖上层木的问题。综合考虑候选区内所有点云，而不是使用局部特征，可获得更好的探测结果。
(3)实现特征参数的自动化设计，可以解决当前单木提取特征性能低，点云的空间信息不能充分利用的问题。
附图说明
为了更清楚地说明本发明实施例中的具体方式，下面将对实施例中涉及的相关附图做简单说明，下面的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来说，在没有创造性改变的前提下，可以根据这些附图获得其它的附图。
图1为本实施方式基于Faster R-CNN的红树林单木分割方法的流程示意图；
图2为本实施方式利用Pit-free算法对预处理后的红树林无人机机载LiDAR点云数据生成CHM的流程示意图；
图3为本实施方式用于特征提取的主干网络VGGNet模型的示意图；
图4为本实施方式依据红树林特征设计的不同尺度和长宽的锚点框示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本实施方式基于Faster R-CNN的红树林单木分割方法的整体流程示意图，所述基于Faster R-CNN的红树林单木分割方法，包括以下步骤：
步骤1：采集红树林的无人机机载LiDAR点云数据；
本实施方式于海洋低潮期间获取红树林的无人机机载LiDAR点云数据，并通过计算机读取所述红树林的无人机机载LiDAR点云数据。
步骤2：对采集的红树林的无人机机载LiDAR点云数据进行预处理；
为了充分利用红树林的无人机机载LiDAR点云数据所包含的有效信息，对读取的红树林的无人机机载LiDAR点云数据进行数据预处理，包括去除噪声、高程归一化等。
步骤2.1：对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理；
由于红树林环境的复杂性，获取红树林的无人机机载LiDAR点云数据的过程中会产生噪声，因此必须对原始的红树林的无人机机载LiDAR点云数据去除噪声。噪声一般包括高空噪声和低空噪声。高空噪声主要是由空气中的粗大颗粒物及空中的飞行物等原因导致的，例如飞禽在数据采集过程中被激光雷达扫描仪错误扫描成数据的一部分。低空噪声主要是由于激光雷达扫描仪工作过程中发生多路径效应而造成的。
具体去除噪声操作是对红树林的无人机机载LiDAR点云数据中的每个点搜索其周围相同个数的邻域点(本实施方式设置为10)。并计算该点到搜索到的其周围邻域点的距离平均值Dmean及中值m，标准差σ。该点到搜索到的其周围邻域点的距离最大值Dmax的计算公式为：
Dmax＝m+K*σ (1)
其中，K为标准差倍数，本实施例中设置为6。当该点到搜索到的其周围邻域点的距离平均值Dmean大于该点到搜索到的其周围邻域点的距离最大值Dmax，这是实际情况中不可能出现的现象，则认为该点为噪声点，将其去除。
步骤2.2：将去除噪声后的红树林无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据；
通过步骤2.1去除红树林点云数据中明显的高空噪声和低空噪声后，此时仍包括地面点、植被点、建筑物点等非红树林的无人机机载LiDAR点云数据。基于国家测绘地理信息局发布的《机载激光雷达数据处理技术规范》与《机载激光雷达数据后处理规范》标准，将去除噪声操作后红树林的无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据。地面点的分类是处理红树林的无人机机载LiDAR点云数据的重要步骤，区分地面点和非地面点两类点云数据可以有助于创建连续的数字表面模型DSM和数字高程模型DEM，这样有助于进一步创建冠层高度模型CHM。
步骤2.3：对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有的红树林的地面点的无人机机载LiDAR点云数据的高程归一化。
为了消除地形对红树林的无人机机载LiDAR点云数据处理过程的影响。考虑到计算速度和插值效果等方面因素，本实施方式利用克里金算法对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有红树林地面点的无人机机载LiDAR点云数据的高程归一化。
步骤3：利用Pit-free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；
由于红树林冠层表面不是连续的，且其具有一定的透光性，又因激光雷达对红树林冠层具有穿透性，故无人机机载激光雷达发射的部分激光脉冲可以穿过红树林树冠到达地表并被反射回来，从而形成了树冠中的“孔”。这种“孔”在CHM中表现为一个个“凹坑”，这种“凹坑”同样是红树林的无人机机载LiDAR点云数据在红树林冠层表面的真实数据表达，且这种凹坑广泛存在于CHM中使得树冠区域不完整。目前，许多研究表明，CHM上存在的这种“凹坑”会导致单木分割时因错分和漏分而影响单木分割精度。为了解决这个问题，本实施方式采用Pit-free算法来解决生成的CHM出现“凹坑”的情况。
考虑到红树林复杂的生长特性，且野外采样大多5米以下，但也存在部分较高树木，因此本实施方式首先设置分层高度为0m，1m，2m，3m，4m，5m，10m，15m，如图2所示。然后利用Pit-free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM：首先对预处理后的所有的红树林的无人机机载LiDAR点云数据构建一个指定分层高度为0m的标准CHM，并该标准CHM称为CHM00；再以相同方法构建多个对应指定分层高度上的CHM，包括CHM01、CHM02、CHM03、CHM04、CHM05、CHM10、CHM15，并将这些对应指定高度上的CHM称为局部CHM；局部CHM是激光脉冲打在不同高度的红树林植被上返回的点形成的CHM，例如CHM15是对应指定高度为15m上的CHM；构建标准CHM和局部CHM后，需融合标准CHM和局部CHM得到一个新的CHM，具体是按照CHM00在最底部，CHM15在最顶部的空间顺序进行堆叠，并取同一像元位置(x,y)的高度最大值作为像元位置(x,y)新的像元值，最后生成一个新的CHM。本实施方式通过Pit-free算法生成空间分辨率为0.1m，0.25m，0.5m的CHM，通过目视判读各模型效果，最后选择空间分辨率为0.25m的CHM作为单木分割的基础数据。
步骤4：将二阶段目标检测方法Faster R-CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。
考虑到红树林之间交互重叠，对单木分割的精度要求较高。所以将二阶段目标检测方法Faster R-CNN应用到步骤3产生的空间分辨率为0.25m的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。通过Faster R-CNN自动建立单木候选框的方法，对每一个可能存在树的位置建立锚点框，并提取包含树的锚点框完成单木提取。
步骤4.1：在二阶段目标检测方法Faster R-CNN中采用VGGNet模型作为特征提取的主干网络从步骤3产生的CHM中提取特征，获得CHM特征图；
本实施方式中二阶段目标检测方法Faster R-CNN选用VGGNet模型作为特征提取的主干网络，从空间分辨率为0.25m的CHM模型中提取特征而获得CHM特征图，用于候选框特征提取，完成候选框的分类与回归。
如图3所示的VGGNet模型一般拥有5个卷积层，每部分还需进行2-3次卷积操作，同时在每部分的末尾处还会通过1个最大池化层，实现缩小CHM特征图尺寸的目的。在每部分的卷积操作中卷积核数量是一样的，但随着卷积层数的增多卷积核的数量也变得越多，从而能够提取到CHM中更加抽象的特征，本实施例中卷积核的个数分别是64、128、256、512、512。
步骤4.2：将生成的CHM特征图映射到原始的CHM中得到不同尺寸的锚点框，对每一个可能存在树的位置建立锚点框，利用CHM特征图与锚点框得到锚点框的特征，进而完成锚点框的分类与回归，得到初始候选框。
在经过VGGNet模型得到CHM特征图以后，通过对CHM特征图上的每一个栅格按照映射的方式在原始CHM模型上找到对应的栅格，以该栅格作为一个基准点依据不同尺度以及不同长宽比例生成锚点框，在红树林的CHM特征图中，由于单木大小各异，具有不同的尺寸，如果仅仅依靠单一尺寸或者单一长度比，单木无法有效被锚点框所包括，因此需要设计不同尺度和长宽的锚点框，尽可能避免单木被漏分。本实施方式中依据红树林单木尺寸设计尺度分别为8、16、32像素和长宽比分别为0.5、1、2的锚点框，如图4所示，在CHM特征图中每个像素对应的原CHM位置产生K＝9个锚点。对于大小为W*H的卷积特征图，总共有W*H*9个锚点。锚点建立完成以后，就可以依据锚点截取锚点内所有栅格并获得对应的CHM特征图上每一个栅格的特征，对锚点内的栅格进行特征提取以及单木判断，返回对应锚点的特征以及判别结果。
步骤4.3：初始候选框经过非极大值抑制、感兴趣区池化以及分类与位置回归操作实现目标框的确定，从而实现对红树林CHM的单木目标的确定。
红树林单木存在多个初始候选框的现象，为消除这种现象，本实施方式采用非极大值抑制算法(Non-maximum suppression,NMS)对初始候选框进行筛选，剔除重复的初始候选框，只保留精度较高的初始候选框，称为检测框。非极大值抑制算法对初始候选框筛选得到检测框之后，需要再次将检测框映射到CHM特征图上，得到检测框的特征。本实施方式对输入的不同大小的检测框的特征利用感兴趣区池化操作后获得固定尺寸、维度一致的输出检测框的特征。经过感兴趣区池化操作后获得固定尺寸、维度一致的输出检测框的特征后，再次进行检测框的分类和回归，实现目标框的确定。目标框确定即意味着基于FasterR-CNN对红树林CHM的单木目标的确定。
上述对本发明的一个实施例进行了详细说明。显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例；上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。
Claims (5)
1.一种基于Faster R-CNN的红树林单木分割方法，其特征在于，该方法包括以下步骤：
步骤1：采集红树林的无人机机载LiDAR点云数据；
步骤2：对采集的红树林的无人机机载LiDAR点云数据进行预处理；
步骤3：利用Pit-free算法对预处理后的红树林的无人机机载LiDAR点云数据生成冠层高度模型CHM；
步骤4：将二阶段目标检测方法Faster R-CNN应用到步骤3产生的CHM中，构建基于CHM特征图的单木提取网络进行红树林的单木特征自动提取。
2.根据权利要求1所述的基于Faster R-CNN的红树林单木分割方法，其特征在于，所述步骤2包括如下步骤：
步骤2.1：对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理；
步骤2.2：将去除噪声后的红树林无人机机载LiDAR点云数据划分为地面点和非地面点两类点云数据；
步骤2.3：对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值，实现对所有的红树林的地面点的无人机机载LiDAR点云数据的高程归一化。
3.根据权利要求2所述的基于Faster R-CNN的红树林单木分割方法，其特征在于，所述对读取的红树林的无人机机载LiDAR点云数据进行去除噪声处理的方法为：对红树林的无人机机载LiDAR点云数据中的每个点搜索其周围相同个数的邻域点；计算该点到搜索到的其周围邻域点的距离平均值Dmean、中值m及标准差σ；根据Dmax＝m+K*σ计算该点到搜索到的其周围邻域点的距离最大值Dmax；若该点到搜索到的其周围邻域点的距离平均值Dmean大于该点到搜索到的其周围邻域点的距离最大值Dmax，则认为该点为噪声点，将其去除。
4.根据权利要求2所述的基于Faster R-CNN的红树林单木分割方法，其特征在于，利用克里金算法对地面点的红树林无人机机载LiDAR点云数据中每个单点位置的高程进行空间插值。
5.根据权利要求1所述的基于Faster R-CNN的红树林单木分割方法，其特征在于，所述步骤4进一步包括以下步骤：
步骤4.1：在二阶段目标检测方法Faster R-CNN中采用VGGNet模型作为特征提取的主干网络从步骤3产生的CHM中提取特征，获得CHM特征图；
步骤4.2：将生成的CHM特征图映射到原始的CHM中得到不同尺寸的锚点框，对每一个可能存在树的位置建立锚点框，利用CHM特征图与锚点框得到锚点框的特征，进而完成锚点框的分类与回归，得到初始候选框；
步骤4.3：初始候选框经过非极大值抑制、感兴趣区池化以及分类与位置回归操作实现目标框的确定，从而实现对红树林CHM的单木目标的确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210500765.6A CN114862872B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Faster R-CNN的红树林单木分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210500765.6A CN114862872B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Faster R-CNN的红树林单木分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114862872A true CN114862872A (zh) | 2022-08-05 |
| CN114862872B CN114862872B (zh) | 2024-05-07 |
Family
ID=82637639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210500765.6A Active CN114862872B (zh) | 2022-05-10 | 2022-05-10 | 一种基于Faster R-CNN的红树林单木分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862872B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116893428A (zh) * | 2023-09-11 | 2023-10-17 | 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705309A (zh) * | 2017-10-15 | 2018-02-16 | 南京林业大学 | 激光点云中林木参数评估方法 |
| CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
| CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
| CN110992375A (zh) * | 2019-11-29 | 2020-04-10 | 桂林理工大学 | 逐层LiDAR点云的弦角判别聚类单木分割方法 |
| 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 |
| AU2020104291A4 (en) * | 2020-12-23 | 2021-03-11 | Guilin University Of Technology | Singletree segmentation method based on chord angle discriminant clustering for layered LIDAR point cloud |
| CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
| CN114037836A (zh) * | 2021-08-24 | 2022-02-11 | 宁波市电力设计院有限公司 | 一种将人工智能识别技术应用于三维输变电工程测算的方法 |
-
2022
- 2022-05-10 CN CN202210500765.6A patent/CN114862872B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705309A (zh) * | 2017-10-15 | 2018-02-16 | 南京林业大学 | 激光点云中林木参数评估方法 |
| CN110223314A (zh) * | 2019-06-06 | 2019-09-10 | 电子科技大学 | 一种基于树冠三维点云分布的单木分割方法 |
| CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
| CN110992375A (zh) * | 2019-11-29 | 2020-04-10 | 桂林理工大学 | 逐层LiDAR点云的弦角判别聚类单木分割方法 |
| 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 |
| AU2020104291A4 (en) * | 2020-12-23 | 2021-03-11 | Guilin University Of Technology | Singletree segmentation method based on chord angle discriminant clustering for layered LIDAR point cloud |
| CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
| CN114037836A (zh) * | 2021-08-24 | 2022-02-11 | 宁波市电力设计院有限公司 | 一种将人工智能识别技术应用于三维输变电工程测算的方法 |
Non-Patent Citations (7)
| Title |
|---|
| SHANGSHU CAI;WUMING ZHANG;SHUANGNA JIN;JIE SHAO;LINYUAN LI;SISI YU;GUANGJIAN YAN: ""Improving the estimation of canopy cover from UAV-LiDAR data using a pit-free CHM-based method"", 《国际数字地球学报(英文)》, no. 10 * |
| ZHANG WM；CAI SS...YAN GJ: ""Cloth simulation-based construction of pit-free canopy height models from airborne LiDAR data"", 《FOREST ECOSYSTEMS》, vol. 7, no. 2, 15 March 2020 (2020-03-15), pages 138 - 147 * |
| 孙志: "基于冠层高度模型（CHM）多种算法单木分割技术在森林资源调查的应用", 《科学技术创新》, no. 17 * |
| 尤号田;邢艳秋;彭涛;丁建华;: "机载LiDAR航带旁向重叠对针叶林结构参数估测的影响", 《林业科学》, no. 06 * |
| 王濮;邢艳秋;王成;习晓环;: "一种基于图割的机载LiDAR单木识别方法", 《中国科学院大学学报》, no. 03, 15 May 2019 (2019-05-15) * |
| 王濮等: "一种基于图割的机载 LiDAＲ 单木识别方法", 《中国科学院大学学报》, vol. 36, no. 3, pages 385 - 391 * |
| 王臻，王珠鹤: ""结合Faster-RCNN和局部最大值法的森林单木信息提取"", 《实验室研究与探索》, vol. 41, no. 04, 30 April 2022 (2022-04-30), pages 12 - 16 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116893428A (zh) * | 2023-09-11 | 2023-10-17 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114862872B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11615606B2 (en) | Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing | |
| Miraki et al. | Individual tree crown delineation from high-resolution UAV images in broadleaf forest | |
| Li et al. | A new method for segmenting individual trees from the lidar point cloud | |
| CN110223314B (zh) | 一种基于树冠三维点云分布的单木分割方法 | |
| CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
| CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
| CN114463403A (zh) | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 | |
| CN113204998B (zh) | 一种基于单木尺度的机载点云森林生态估测方法及系统 | |
| CN111462134A (zh) | 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 | |
| Su et al. | Extracting wood point cloud of individual trees based on geometric features | |
| Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| Liu et al. | Individual tree identification using a new cluster-based approach with discrete-return airborne LiDAR data | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| CN114862872A (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
| Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
| 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 | |
| CN105701856B (zh) | 一种植被提取方法及系统 | |
| You et al. | Segmentation of individual mangrove trees using UAV-based LiDAR data | |
| Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
| Rashidi et al. | Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT) | |
| Sarıtaş et al. | Enhancing Ground Point Extraction in Airborne LiDAR Point Cloud Data Using the CSF Filter Algorithm | |
| Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
| Zhang et al. | Object-based classification of urban airborne LiDAR point clouds with multiple echoes using SVM | |
| CN110084120B (zh) | 海岛环境下的植被调查方法、装置、系统、设备和介质 |
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 |