CN115690081A - 一种树木计数方法、系统、存储介质、计算机设备及终端 - Google Patents
一种树木计数方法、系统、存储介质、计算机设备及终端 Download PDFInfo
- Publication number
- CN115690081A CN115690081A CN202211431131.6A CN202211431131A CN115690081A CN 115690081 A CN115690081 A CN 115690081A CN 202211431131 A CN202211431131 A CN 202211431131A CN 115690081 A CN115690081 A CN 115690081A
- Authority
- CN
- China
- Prior art keywords
- background
- tree
- area
- crown
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 85
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 238000000605 extraction Methods 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000012916 structural analysis Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 8
- 238000003709 image segmentation Methods 0.000 description 19
- 238000000926 separation method Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 239000002023 wood Substances 0.000 description 7
- 239000003550 marker Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 241000207199 Citrus Species 0.000 description 5
- 235000020971 citrus fruits Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 241001412225 Firmiana simplex Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于数据测量技术领域,公开了一种树木计数方法、系统、存储介质、计算机设备及终端,采用最大类间方差阈值分割算法提取分析区域内受遮挡的阴影背景;基于数字表面模型的结构分析,分离出伪识别区光照背景;通过Sobel算子边缘检测确定光照背景与林冠区的边界;结合缓冲区分析,提取不受遮挡光照背景;结合距离变换以及图像标记分割试验图像提取出树林节点,实现树冠提取,记录树木位置并进行单木计数;通过实地测量数据对单木识别率、识别精度进行验证。本发明提出的方法不受天气影响,能避免因天气原因导致实际测量计划延期所带来的损失,且无人机调查所需的工作人员数量明显减少,可以大幅减少时间、经济等成本。
Description
技术领域
本发明属于数据测量技术领域,尤其涉及一种树木计数方法、系统、存储介质、计算机设备及终端。
背景技术
目前,单木识别可以采用以下几种方案,第一类方法是基于CHM的分割方法。这类方法依据输入的原始图像数据进行滤波,确定目标区域和非目标区域;通过形态学处理,得到所需要的DSM和数字高程模型(Digital Elevation Model,DEM),并利用差分方法求出CHM。通过识别局部最大值与局部最小值确认树冠边缘。但该方法存在缺陷--识别窗口的尺寸对试验区域内所识别的树冠数量结果影响很大。如果识别窗口尺寸较大,会出现漏分现象,粘连的树木容易被识别为一株树木,识别结果低于实际数量;如果识别窗口较小,会出现过分割现象,一株树会被识别为多株树木,识别结果高于实际数量。分析表明,在稀疏林区虽能通过对CHM设定高度阈值的方式提取树冠,但在更为复杂的天然林中,由于缺乏林下地形,目前还面临着难以区分树冠和林下植被的难题。尤其对郁闭度高的混交林与阔叶林来说,由于林冠的遮挡,效果很差。
第二类方法是利用离散回波激光雷达数据的空间信息,基于点云分布的单木分割方法。主要包括基于体元的聚类方法、三角剖分法、K均值聚类法、局部最大值聚类法等。Wang等依据每个体素内的高程数据将点云分层,将其映射到水平冠层得到树冠轮廓。三角剖分法是利用局部极值来产生目标点,然后通过基于区域的图像分割法进行树冠的提取。基于欧氏距离的K平均聚类方法,对点云进行了多个特征空间的分割。采用局部极大值聚类法对DSM进行平滑处理,利用局部极值法进行树冠识别。根据树冠的特点找到目标树的点簇,再将其删除,重复该方法,直至将所有点都分割到相应的点簇中。两种方法相比较,基于点云的单木分割方法的单木识别率、识别精度更高,能够识别更多的林木。但该方法需处理海量点云数据,导致时间成本大幅提高,不适用于大区域的森林资源调查。
除了利用点云数据,也可以通过光学数据来实现单木识别。Hamman等提出一种基于DSM,在未知森林垂直结构及地形信息的条件下,实现非参数的单木识别方法。该方法在实际应用中比较稳定,林木识别精度达77%。但该方法在林木分割过程中只关注表面数据,容易忽视下层林木结构信息。
为了识别、提取出树冠部分,需要将树冠从影像背景中分离出来,即图像分割技术。目前基于无人机数据进行树木影像分割的方法主要有以下几种:
(1)基于阈值的图像分割法
基于阈值的图像分割法依据不同位置的像素亮度不同来实现目标的提取。首先需要设定一个初始阈值T,作为进行图像分割的参考标准。可以将低于T的部分认定为背景,也可以将高于T部分认定为背景,前者得到的效果往往比后者要好一些。基于阈值的图像分割法的关键是初始阈值T的确定,其直接影响了图像分割的结果。目前主要的T值设定有三种,第一种是全局阈值,其将图像中每一个部分都考虑在内。而第二种局部阈值,只考虑部分属性。第三种是自适应阈值,与第二种相比,该方法还考虑位置这一因素。
最大类间方差阈值分割算法(Otsu)是利用目标与背景间差异最大来确定最优阈值。该方法在图像分割中被广泛应用,是一种操作简单、计算简便、分割效果好的分割方法。然而,该方法并不适合于提取像素间灰度差异很小的情形,不仅会造成图像信息丢失,而且得到的结果也可能不符合精度要求。
(2)基于边缘检测的图像分割法
图像中像素间的灰度值并不连续,图像的边缘处往往存在突变。这类图像分割法的原理在于图像像素灰度值的不连续性。
Sobel算子是一种将高斯平滑和微分求导相结合的离散性差分算子。使用两个不同方向的两套3×3的矩阵与图像进行卷积运算,得到两个不同方向的亮度差分近似值GX、GY。A表示参与运算的图像,计算公式如(1)、(2)所示。可以得到每个点的梯度估计值G,计算公式如(3)所示。这类处理方法以最大值为边缘,在有噪声和亮度渐变的情况下图像处理的效果比较理想。
Roberts算子又叫交叉微分算法,是斜向偏差分梯度算子。这类方法对于陡峭的低噪声图像具有较强适用性。
Laplacian算子是二阶微分算子,广泛应用于图像处理领域,如图像增强、边缘提取等。该算子不依赖边缘方向,可以突出图像中的边缘信息,但是会加重其他因素的干扰,产生一系列连锁反应。在实际应用中,可能会去除一些方位信息,所提取出的结果并不连续,可能会导致双像素边界。
Canny算子是非微分边缘检测算子。边缘分为强、弱两类,它可以利用两种不同的阈值来实现两类边缘检测。该方法可以排除噪声干扰,可以得到理想的弱边缘提取结果。
(3)基于区域的图像分割法
基于区域的图像分割法可以分为以下几类。第一类人为指定准则,按照准则将符合要求的区域吸收到一起,形成较大的面积。有像素新增时,按照既定的要求不断进行吸收或抛弃,按此方法不断进行,直至处理完所有信息,这类方法称为种子区域生长法。它的关键就在于所指定的准则,因为所有的像素都是按照这个准则进行处理,准则定的越好,图像处理效果也就越理想。除此之外,还有区域分裂与合并方法,这类方法是通过无限制地分割、无限制地合并满足相似度准则的区域。
(4)基于特定理论的图像分割法
随着技术的不断进步,基于特定理论的图像分割法接踵而至,目标识别算法也在不断更迭。分水岭算法是一种以区域为基础的图像分割法,由于它易于实现,被广泛地用于医学影像,模式识别等场景。传统的分水岭划分是建立在拓扑学基础上的一种几何形态学划分方法。该算法的基本思路是将图像看成是一幅地貌图,图像上每个像素的灰度值代表着这一点的高程,越亮的像素代表这一点海波越高。每个局部极小值即海拔极低的位置及其影响范围被称作集水盆地,在每个集水区域的边缘处形成的界线就是分水岭,分水岭表示的是图像的极大值。
分水岭分割算法主要包括以下几种常用方法,
(1)基于距离变换的分水岭算法
距离变换于1966年被首次提出,目前在各领域都占据一席之地,主要应用于影像的分析处理、智能检测、目标监测等研究方向。可以通过该算法来达到准确定位、轮廓构造、重叠物体的分割提取等目的。这类分割法通过计算已知图像中非零像素点到最近的零像素点的距离,得到一幅灰度级图像即距离图像。现有已提出的距离变换算法主要包括欧式距离与非欧式距离。
(2)基于标记的分水岭分割
基于图形标记的分水岭分割法是通过融入预处理步骤来约束允许存在的图形区域。对提取目标和图像中的其他非提取区域都做好标识,依据所做的两类标记修改分类,进行分水岭分割。此方法的关键在于梯度图的处理。
(3)基于梯度的分水岭分割
分水岭算法得到极小值即目标的集水区域,集水区域的界线就代表分水岭。依据梯度幅值图显示的图像像素灰度变化趋势,即目标边缘像素高于其他部分的像素值,通过平滑处理后进行分水岭分割。如公式(4)所示,对图像进行梯度运算,其中f(x,y)表示处理前的初始图像,f(x-1,y)、f(x,y-1)分别表示两个方向的差分算子,g(x,y)表示处理后的图像。
分水岭算法在实际应用中可能会导致过分割,往往得不到比较理想的结果。为了避免过分割问题的产生,通常有三种解决方案。第一种方案是基于先验知识对图像进行预处理,去除无关边缘信息的干扰,即图像降噪;第二种方案是区域融合,对分割后的区域按照一定准则进行合并,此方法的关键在于选取合适的准则;第三种方案是通过修改梯度函数达到只对规定信息做出回应,即通过人为标记的图像分割算法实现图像中目标与背景部分的分离。因此,处理时使用梯度图为输入图像。若对试验结果没有较高要求,可以通过改变梯度函数来进行图像处理,如公式(5)所示,式中gθ表示阈值,f(x,y)表示处理前的初始图像,g(x,y)表示处理后的图像。
g(x,y)=max{grad(f(x,y)),gθ}#(5)
该方法中灰度值的微小变化往往会影响分割效果,较突出的就是过分割问题。可以通过设定极小值点,其影响边界就会形成分水岭,最后由低至高依次进行淹没图像处理。在进行梯度图像的阈值处理时,选择适当的阈值会对最后的分割结果产生很大的影响。真实影像中包含较弱的边缘时,这时若选取太高的阈值,会使其弱化。
近几年,为了解决人工检查费时费力的缺点,许多研究利用激光雷达数据或星载高分辨率影像进行森林冠层覆盖度的评估。但评估范围受限于局部景观尺度,或评估精度受限于参考数据集自身的不确定性。国内外学者对于林木识别与计数问题虽已进行了各种探索研究,但还无法投入到实际应用中。研究主要集中于利用计算机图像处理和机器视觉的方法进行树木计数,试验对象包括麦穗、玉米、柑橘树、苗圃盆栽、地栽植株等。
Cai等利用基于无人机的LiDAR数据,利用冠层高度模型(CHM)对温带森林中18个大小为25m的样本进行了林木株数估算,实际结果与估算结果相差不大,RMSE为1.49%。Haakess等利用条形码结合RFID电子标签尝试对苗木进行计数,但其高昂的成本导致该方法难以推广使用。Formm等利用卷积神经网络(CNN)实现了加拿大亚伯达省的林区树木株数提取。Mohamad等基于Deeplabv3+网络的梧桐树树木识别模型,成功将粘连在一起的梧桐树分割开,实现了梧桐树的树木株数提取。Maghsoud等使用eCognition Developer软件,结合GoogLeNet模型,实现了桃树树冠的分离提取,并完成桃树数量的自动化统计。Esmaeel以柑橘树为研究对象,利用卷积神经网络(CNN)实现树冠提取并统计其密度,但柑橘树的尺寸大小对试验结果有较大影响,若尺寸不一会导致结果产生较大偏差。虽可利用无人机影像统计林木数量、生成高精度的冠层覆盖度数据集,但在缺乏林下地形的天然林中面临着难以区分的冠层和林下植被,所以得到的结果常有偏差。
根据调研结果可以发现,目前所提出的树木计数的方法与传统人工计数相比,所需的时间、金钱成本并没有明显的下降,且许多方法适用性不强。如何利用图像处理技术实现快速获取林业资源的有效信息和林业资源的高效管理,具有重要意义。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的森林林木数量获取主要依靠人工野外调查,涉及的范围较小、劳动强度大、工作比较辛苦,需要勘测人员身体素质和心理素质较好,并且由于个人主观性无法保证调查的准确率;对于特殊区域,如湿地区域的林木资源调查,因人力难以深入导致信息收集困难、数据探测困难的问题更加突出。
(2)现有单木识别方法中,基于CHM的分割方法识别窗口的尺寸对试验区域内所识别的树冠数量结果影响很大;在更为复杂的天然林中,由于缺乏林下地形,目前还面临着难以区分树冠和林下植被的难题;尤其对郁闭度高的混交林与阔叶林来说,由于林冠的遮挡,效果很差。
(3)现有基于点云分布的单木分割方法需处理海量点云数据,导致时间成本大幅提高,不适用于大区域的森林资源调查。通过光学数据来实现单木识别的方法在林木分割过程中只关注表面数据,容易忽视下层林木结构信息。
(4)现有基于阈值的图像分割方法并不适合于提取像素间灰度差异很小的情形,造成图像信息丢失,得到的结果不符合精度要求;Laplacian算子可能会导致双像素边界;当边沿连接到强边缘时,Canny算子会出现弱边缘现象。
(5)现有分水岭算法在实际应用中得不到比较理想的结果,可能导致过分割;现有利用激光雷达数据或星载高分辨率影像的方法存在评估范围受限于局部景观尺度,或评估精度受限于参考数据集自身的不确定性。
(6)现有树木计数方法成本高昂,难以推广使用;在缺乏林下地形的天然林中面临难以区分的冠层和林下植被,得到的结果常有偏差;与传统人工计数相比,所需的时间、金钱成本并没有明显的下降,且许多方法适用性不强。
发明内容
针对现有技术存在的问题,本发明提供了一种树木计数方法、系统、存储介质、计算机设备及终端,尤其涉及一种基于无人机影像的树木计数方法、系统、存储介质、计算机设备及终端。
本发明是这样实现的,一种树木计数方法,所述树木计数方法包括:采用最大类间方差阈值分割算法提取分析区域内受遮挡的阴影背景;基于数字表面模型的结构分析,分离出伪识别区光照背景;通过Sobel算子边缘检测确定光照背景与林冠区的边界;结合缓冲区分析,提取不受遮挡光照背景;结合距离变换以及图像标记分割试验图像提取出树林节点,实现树冠提取,记录树木位置并进行单木计数;通过实地测量数据对单木识别率、识别精度进行验证。
进一步,所述树木计数方法包括以下步骤:
步骤一,受遮挡的阴影背景和不受遮挡的光照背景的两类背景的提取;利用DOM信息与DSM信息分别检测两种类型的背景;
步骤二,基于对象层次的树冠提取:通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
步骤三,记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
步骤四,对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
进一步,所述步骤一中的背景提取之前还包括分析区域数据获取及处理;
(1)利用无人机获取数据:进行无人机的航摄准备,包括飞行计划制定、天气状况和设备检查;布设并标记像控点;规划航线,设定航高和旁向重叠度;开始无人机飞行;飞行结束后进行数据传输,检查拍摄试验区域照片完整性。
(2)DOM和DSM的生成:将无人机拍摄的照片和相关数据导入电脑端,创建坐标系并选择标准,等待项目生成后进行数据处理;查看处理报告,导出DOM、DSM,并将生成的林区的正射影像拼接为完整图像。
进一步,所述步骤一中的背景提取包括:
基于无人机获取的林木图像的DOM和DSM,提出基于目标分割的背景分析法识别采样区域的树冠;以树冠提取为目标,林下植被可视为背景,将背景划分为受遮挡的阴影背景和不受遮挡的光照背景;利用DOM信息与DSM信息分别检测受遮挡的阴影背景和不受遮挡的光照背景。
进一步,所述步骤一中的背景提取还包括:
(1)基于DOM的阴影背景提取
采用最大类间方差阈值分割算法自动确定阈值,选取低于阈值部分作为阴影背景;经过最大类间方差阈值分割算法处理后,图像被划分为目标区域和背景无值区域,消除阴影背景,并将具有树木信息的区域保持明亮状态。
(2)基于DSM的光照背景提取
通过边缘检测算法检测光照背景与林冠区的边界,采用Sobel算子进行边缘检测确定高程变化较小的潜在识别区,并选择保守阈值检测潜在识别区域。
以每个潜在识别区的边界为依据,沿边界设置内、外缓冲区,宽度为1m。若从内缓冲区到外缓冲区存在显著的高程增加,则识别为真实光照背景,否则为“伪识别区”,进而识别出图像中不受遮挡的光照背景。
进一步,所述步骤二中的基于对象层次的树冠提取包括:
使用形态学重建技术标记前景,采用先标注再分割的方案,通过识别图像中目标对象内部的内部标记与背景中的外部标记后,修正梯度图实现图像的准确分割;通过提取质心标记出树冠中心,统计得到的树冠中心个数,确定树木株数;距离变换的方案流程为输入图像、对灰度级图像进行二值化、距离变换、寻找种子、生成标记、输入分水岭算法,基于图像标记的分水岭分割流程为计算分割函数、计算前景标志、计算背景标志、修改分割函数、确定分水岭。
本发明的另一目的在于提供一种应用所述的树木计数方法的树木计数系统,所述树木计数系统包括:
背景提取模块,用于进行受遮挡的阴影背景和不受遮挡的光照背景的提取;利用DOM信息与DSM信息分别检测两种类型的背景;
树冠提取模块,用于通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
单木计数模块,用于记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
试验验证模块,用于对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的树木计数方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的树木计数方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的树木计数系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
本发明基于无人机拍摄的林区影像,结合优化后的图像分割技术,解决了分水岭算法中的过分割问题,建立了一种单木分离方法,对树木位置进行标记,实现区域内的树木计数。
针对数字正射影像的光谱亮度信息,本发明采用最大类间方差阈值分割算法提取区域内受遮挡的阴影背景;基于数字表面模型的结构分析,分离出“伪识别区”光照背景。通过Sobel算子边缘检测,检测出光照背景与林冠区的边界,结合缓冲区分析,提取出真正的不受遮挡光照背景。同时,为了解决过分割问题,本发明结合距离变换以及图像标记分割图像,提取出树林节点,实现树冠的准确提取,记录树木位置并进行单木计数;通过实地测量数据对单木识别率、识别精度进行验证。本发明共选取了低、中、高三个密度区域各两组无人机拍摄影像进行试验,将提取出的六组结果与实地勘测的结果进行比较,分析不同密度区域对该算法的适用性。实验结果表明,三个密度区域平均提取精度达到92.42%,有效地解决了过分割问题导致的计数错误。
本发明以无人机影像为数据源,发展一种树木自动检测、定位和计数的方法。通过提出协同利用DOM信息和DSM信息的森林冠层识别算法,实现树冠的准确提取。并将其应用到某科技大学某校区图书馆附近林区的无人机采样数据上,得到不同密度区域的林木株数,并对试验结果进行分析总结。本发明解决了如何正确分离树冠和林下绿色植被这一关键技术问题,剖析单木分割影响机制,具体内容如下:
(1)建立一种单木分离的方法
基于无人机所获取的影像,可以发现存在两个或多个树冠粘连的现象。通过划分感兴趣区域并构建基于DOM信息和DSM信息的单木分割模型,对感兴趣区域进行试验。分析单木分割精度以及分割错误率,分析不同密度区的单木识别率以及识别正确率,最终确定一种单木分离方法。
(2)记录树木的位置
实现感兴趣区域单木分离目标后,在影像中标注出所分割后的单木、未参与分割的单木位置,与实际树木位置进行比对得到识别正确率。
(3)实现区域内的树木计数
统计分割后的树木数量,将试验统计结果与实际林木数量进行比对。根据试验结果,评估该方法的单木识别率和总体分割效果。针对结果进行分析总结,评估协同利用DOM和DSM结构信息的森林冠层识别算法的实用性与适用性。
实现区域内林木株数的提取对森林资源的管理起着至关重要的作用。本发明以无人机拍摄的某科技大学某校区图书馆附近林区为试验区域,通过协同基于无人机的DOM信息和DSM信息区分树冠和下层植被,提高了单木识别的准确率并且实现了林木株数的定位与计数。该算法的优点是不依赖于下层植被地形,不受地形和天气的影响。本发明使用了几种图像处理算法,包括最大类间方差阈值分割算法、Sobel算子的边缘检测、DSM分水岭算法等,但并不是它们的简单结合。最大类间方差阈值分割算法可以有效地检测到小的阴影间隙,但不能检测到大的光照背景。通过对Sobel算子进行边缘检测,可以得到潜在光照背景区域,但是这些检测到的区域可以是真实的光照背景,也可以是由森林树冠引起的海拔变化很小的“伪”背景。既要保持真实的光照背景,又要排除伪识别背景,这是一个挑战。而分水岭算法的每个分割对象都有树冠和背景。基于这些不完善的结果,找到一种准确识别树冠的方法是一种创新。
本发明提出的方法不受天气影响,能避免因天气原因导致实际测量计划延期所带来的损失,且无人机调查所需的工作人员数量明显减少,可以大幅减少时间、经济等成本。本发明针对基于无人机影像的树木计数方法的主要分析成果如下:(1)实现两类背景的分离提取。通过协同DOM信息与DSM信息实现无人机拍摄影像中阴影背景、光照背景的分离。基于DOM信息提取出阴影背景,基于DSM信息,结合Sobel算子边缘检测和缓冲区分析,成功从“潜在识别区”中排除了伪识别区的干扰,提取出光照背景。(2)实现了林木株数的准确提取、标记与计数。完成阴影、光照两类背景的提取后,通过提出解决过分割问题的方案,即距离变换,减少因过分割导致的林木计数失误。选取无人机采集图像中的不同密度树林区域验证本发明实施例所提出方案的可行性,6组样地试验结果的平均提取精度达到92.42%。
本发明提供的树木计数方法以无人机影像为基础,探索适用性更广、实用性更强且低成本的树木株数提取算法,旨在为林业资源调查做出贡献。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例提供的树木计数方法流程图;
图2是本发明实施例提供的树木计数方法原理图;
图3是本发明实施例提供的无人机拍摄影像流程图;
图4是本发明实施例提供的图书馆区域数字正射影像图;
图5是本发明实施例提供的图书馆区域数字表面模型图;
图6是本发明实施例提供的光照背景提取流程图;
图7是本发明实施例提供的阴影背景提取过程图;
图8是本发明实施例提供的光照背景提取过程图;
图9是本发明实施例提供的潜在光照识别区与试验区域对比图;
图10是本发明实施例提供的缓冲区分析得到真实光照背景图;
图11是本发明实施例提供的试验区域示意图;
图12是本发明实施例提供的形态学处理过程图;
图13是本发明实施例提供的获取前景标记示意图;
图14是本发明实施例提供的使用距离变换的方案流程图;
图15是本发明实施例提供的基于图像标记的分水岭算法流程图;
图16是本发明实施例提供的改进分水岭算法后的试验结果示意图;
图17是本发明实施例提供的A样地试验结果示意图;
图18是本发明实施例提供的B样地试验结果示意图;
图19是本发明实施例提供的C样地试验结果示意图;
图20是本发明实施例提供的D样地试验结果示意图;
图21是本发明实施例提供的E样地试验结果示意图;
图22是本发明实施例提供的F样地试验结果示意图;
图23是本发明实施例提供的识别结果与真实数据对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种树木计数方法、系统、存储介质、计算机设备及终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的树木计数方法包括以下步骤:
S101,受遮挡的阴影背景和不受遮挡的光照背景的两类背景的提取;利用DOM信息与DSM信息检测两种类型的背景;
S102,基于对象层次的树冠提取:通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
S103,记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
S104,对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
本发明实施例提供的步骤S101中的背景提取之前还包括分析区域数据获取及处理,具体包括:
(1)利用无人机获取数据:进行无人机的航摄准备,包括飞行计划制定、天气状况和设备检查;布设并标记像控点;规划航线,设定航高和旁向重叠度;开始无人机飞行;飞行结束后进行数据传输,检查拍摄试验区域照片完整性。
(2)DOM和DSM的生成:将无人机拍摄的照片和相关数据导入电脑端,创建坐标系并选择标准,等待项目生成后进行数据处理;查看处理报告导出DOM、DSM,并将生成的林区的正射影像拼接为完整图像。
本发明实施例提供的步骤S101中的背景提取包括:
基于无人机获取的林木图像的DOM和DSM,提出基于目标分割的背景分析法识别采样区域的树冠;以树冠提取为目标,林下植被可视为背景,将背景划分为受遮挡的阴影背景和不受遮挡的光照背景;利用DOM信息与DSM信息分别检测受遮挡的阴影背景和不受遮挡的光照背景。
本发明实施例提供的步骤S101中的背景提取还包括:
(1)基于DOM的阴影背景提取
采用最大类间方差阈值分割算法自动确定阈值,选取低于阈值部分作为阴影背景;经过最大类间方差阈值分割算法处理后,图像被划分为目标区域和背景无值区域,消除阴影背景,并将具有树木信息的区域保持明亮状态。
(2)基于DSM的光照背景提取
通过边缘检测算法检测光照背景与林冠区的边界,采用Sobel算子进行边缘检测确定高程变化较小的潜在识别区,并选择保守阈值检测潜在识别区域。
以每个潜在识别区的边界为依据,沿边界设置内、外缓冲区,宽度为1m。若从内缓冲区到外缓冲区存在显著的高程增加,则识别为真实光照背景,否则为“伪识别区”,进而识别出图像中不受遮挡的光照背景。
本发明实施例提供的步骤S102中的基于对象层次的树冠提取包括:
使用形态学重建技术标记前景,采用先标注再分割的方案,通过识别图像中目标对象内部的内部标记与背景中的外部标记后,修正梯度图实现图像的准确分割;通过提取质心标记出树冠中心,统计得到的树冠中心个数,确定树木株数;距离变换的方案流程为输入图像、对灰度级图像进行二值化、距离变换、寻找种子、生成标记、输入分水岭算法,基于图像标记的分水岭分割流程为计算分割函数、计算前景标志、计算背景标志、修改分割函数、确定分水岭。
本发明实施例提供的树木计数系统包括:
背景提取模块,用于进行受遮挡的阴影背景和不受遮挡的光照背景的提取;利用DOM信息与DSM信息,分别检测两种类型的背景;
树冠提取模块,用于通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
单木计数模块,用于记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
试验验证模块,用于对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
图2是本发明实施例提供的实现树冠与林下绿色植被分离的技术路线图。本发明实施例提供的技术路线具体包括以下几个部分:
第一部分是受遮挡的阴影背景和不受遮挡的光照背景即两类背景的提取。利用DOM信息与DSM信息,分别检测两种类型的背景。
第二部分是基于对象层次的树冠提取。通过分水岭算法可以得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象,视为稀疏对象,依据光照背景提供的地面高程,通过高度阈值的方式进一步排除存在于过渡区域内的少量残留背景,最终提取出准确的树冠。
第三部分是记录树木位置并量化单木数量,获得单木计数的初步结果。通过实地测量数据对单木识别率、识别精度进行验证。
第四部分是对不同密度区域进行树冠提取。分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
本发明实施例的分析地区为某科技大学某校区(坐标103°55′53″E,30°44′56″N),位于四川省成都市。试验区域以林区为中心,附近主要建筑包括图书馆、主楼,分析区域树种以灌木为主,地形平坦。
使用无人机拍摄试验区的具体流程如图3所示:首先做好充足的航摄准备,具体包括飞行计划的制定、天气状况、设备检查等;然后布设并标记像控点;接着规划航线,设定航高、旁向重叠度等。做好以上准备后可开始无人机飞行,飞行结束后进行数据传输,检查拍摄试验区域的照片完整性。
本次影像拍摄使用大疆精灵4无人机,设定飞行航高为50m,航向重叠率和旁向重叠率分别为60%和70%,获取的影像分辨率为1.37cm。
本发明实施例创建了DOM和DSM。首先将无人机拍摄的照片和相关数据导入电脑端,创建坐标系并选择合适的标准,等待项目生成后进行数据处理;接下来查看处理报告即可导出DOM、DSM;最后将生成的图书馆附近林区的正射影像拼接为一幅完整的图像,以下为无人机拍摄区域的完整DOM,如图4所示、DSM如图5所示。
在本发明实施例中,采用Sobel算子进行边缘检测确定高程变化较小的潜在识别区。考虑光照背景区域高程变化低于过渡带,选择保守阈值检测潜在识别区域。但是,保守阈值检测会导致一些树冠区域被误识别为光照背景。因此需要进行更多的结构分析,从潜在光照识别区中得到真正光照识别区。
以每个潜在识别区的边界为依据,沿边界设置内、外缓冲区,宽度为1m。若从内缓冲区到外缓冲区存在显著的高程增加,则识别为真实光照背景,否则为“伪识别区”,通过该方法识别出图像中不受遮挡的光照背景。
图像7所示为第一类受遮挡的阴影背景的提取过程。从图4中截取了部分区域用于试验,如图7(a)所示;将最大类间方差阈值分割算法应用于图7(b)灰度图中得到结果图7(c),图中白色部分为目标区域,通过观察可以发现,目标中除了树冠外,还包含了大面积的草地、水泥地、及部分建筑物。通过图7(c)可发现,利用光谱亮度信息可以有效地分离阴影背景和树冠,但是无法分离大面积的光照背景。
最大类间方差阈值分割算法用于检测较小的阴影间隙,并根据像素值的直方图自动确定阈值。因此,当阳光照射的树冠与阴影部分的对比过于强烈时,需要进行一些图像预处理。否则,树冠的阴影部分可能与阴影的缝隙混合。
图像8所示为潜在光照背景识别区域的提取过程。第一幅图像是实验区域的DSM。第二幅图像是通过Sobel算子对DSM进行边缘检测,量化高程边缘得到的结果,过渡带间高程变化较大,形成了不同地表高程区域之间的界面。同时可以发现得到的边缘结果较好,信息丢失较少,可用于后续试验。第三幅图像为得到潜在光照识别区域。潜在光照识别区的确定依据是高程变换是否平缓,因此可以发现潜在识别区除了真实光照背景外,还存在着由于树冠识别错误而导致的伪光照背景,如林冠区、建筑物等部分区域。潜在光照识别区中包含了所有高程变化较小的区域,需进一步经过缓冲区分析处理才可得到真实光照背景。
通过图10(a)缓冲区分析,可以得到真实的光照背景。树冠缓冲区平均高程为574.23m,光照背景缓冲区平均高程为560.82m。若以潜在光照识别区的边界为依据,从内缓冲区到外缓冲区出现高程显著增加现象才可识别为真实光照背景。最后得到图10(b)所示的真实光照背景,该结果与视觉上直观观察到的光照背景一致。
利用分水岭算法对倒置的DSM进行目标分割。可以预见,树冠形成低地并积累水分,而林下背景则成为排水区域。通过分析是否包含有阳光背景的像素,进一步将分割出的物体分为稀疏和密集两类。对于每个稀疏目标,位于阳光背景交集内的像素被视为下层像素,提供地面的高程。因此,采用高度阈值去除过渡区域内的背景像素。为了减少地形的影响,考虑内部缓冲层的平均高程作为林下高度,而不是考虑物体内部所有受阳光照射的背景。然后,相对于林下植被高程,其高程低于高度阈值的像素被确定为额外的阳光背景。在完全移除阳光背景后,分割的对象仍存在阴影缺口。因此,利用第一种背景分布进一步从稀疏和密集的对象中排除这些空白。所有处理过的物体的拼接形成了采样区域的树冠识别。
实现两类背景的提取后,截取部分图像进行分水岭试验,试验区域如图11所示。为了更加突出图像中前景与背景间灰度的差异,即突出边缘信息,选择梯度图而不是灰度图来做分水岭算法。采用一阶导数sobel算子得到梯度幅值图。接着对图像进行先腐蚀后膨胀操作,即开运算,滤除一些小杂点、毛刺,从图像中提取出不同的特征。使用形态学技术对前景对象进行标记,即使用重建开操作,以达到消除图像中的噪声,同时保证图像的边缘信息不会发生改变。实现两类背景的分离后,通过计算得到的试验结果图像区域最大值,获取目标树冠部分作为前景标记,将前景标记与原图像重叠在一起,直接对其进行分水岭算法尝试分割树冠。
图12(a)所示为梯度图,其更加突出图像中目标区域与背景间灰度的差异。首先使用形态学重建技术标记前景对象,对图像进行开操作,得到结果如图12(b)所示。对图像先进行腐蚀,然后进行形态学重建,即重建开操作得到结果如图12(c)所示。从试验结果图上可以明显发现与开运算相比,重建开运算可以消除微小的瑕疵,并且不会对对象整体形状产生影响。图13(a)是计算重建开结果的区域最大值所获得的前景标记。图13(b)为前景标记与原图的叠加结果。
对于过分割问题的改进,本发明最主要按照如图14和15所示流程进行处理。使用形态学重建技术标记前景,距离变换具体操作流程如图14所示。图15展示的是基于标记的分水岭分割流程。尽量合并极小值点和去除背景点,采用先标注再分割的方案进行,通过识别图像中目标对象的内部标记与背景中的外部标记后,修正梯度图实现图像的准确分割。通过提取质心标记出树冠中心,最后统计得到的树冠中心个数,即为树木株数。
图16(a)所示为试验区域原图,图16(b)所示为改进过分割问题后的树木节点提取图像。从图像中可以看到提取结果与目视解读基本一致,所得结果较为准确。图16(c)为所提取节点的图像树冠中心标记图,图16(d)为树冠中心与提取出的树冠前景的叠加显示,图中圆圈标记区域为树冠中心。可以看出,图中能够有效识别出两棵树木粘连在一起的情况,过分割问题得到明显改善。但是对于两颗以上的树木粘连的识别情况不理想,易将其识别为一棵树。
为了进一步验证该方案的有效性与可行性,分别从低、中、高三个密度的林木区域各选择了两幅图像进行树冠标记和树木计数分析。可以看到试验样地中都包含树冠和背景,因此需要结合前面两类背景的提取方法,进一步基于对象层次提取出准确的树冠。图17到图22分别对应6组试验样地,(a)到(d)分别对应每块样地的试验原图、节点提取图、树冠中心与节点的叠加显示、树冠中心与树冠区叠加显示。
将这6组从分析区域选取的样地试验结果数据与目视解译判读数据对比分析,试验结果统计表如表1所示。
表1试验结果统计表
从表1中可以看出,样地E总体识别精度最高96.25%,样地A错分误差、漏分误差均最小,分别为0.00%和5.12%。从表中可以发现,样地B的总体精度明显低于其他样地,树冠提取过程中出现了较多的遗漏。从样地B区域的原图可以看出,该区域中存在着较多两棵以上树木粘连的情况,对实验结果产生了较大干扰,试验方案在此方面还需进一步改进。除此之外,可以发现试验区域的林木密度情况没有对试验结果产生较大的干扰。
图23所示为6组样地的真实树木株数与试验识别株数的对比结果,进一步计算得到R2为0.9895,均方根误差(Root Mean Square Error,RMSE)为4.2817%,平均绝对误差(Mean Absolute Error,MAE)为4.00%。
本发明实施例基于倒置的DSM,通过分水岭算法得到包含树冠、树冠聚集体的分割对象。对于包含光照背景的分割区域,将其视为稀疏对象,依据光照背景提供的地面高程,通过高度阈值的方式进一步排除存在于过渡区域内的少量残留背景,最终提取出准确的树冠。原始的分水岭算法对无人机林木图像造成过度分割,存在大量的分割区域,通过距离变换和基于标记的分水岭算法可以实现树冠的准确提取。对6组不同密度场景进行树冠提取并实现自动化计数,得到低、中、高三个密度树木区域计数结果,6组样地平均总体提取精度为92.42%,平均错分误差为3.12%,平均漏分误差为11.52%。最后,对试验结果进行单木识别率和识别精度分析,验证该算法的可行性。从试验结果可以看出,改进后的算法对于过分割问题有了明显改善。
与传统人工计数相比,本发明实施例提出的方法不受天气影响,能避免因天气原因导致实际测量计划延期所带来的损失,且无人机调查所需的工作人员数量明显减少,可以大幅减少时间、经济等成本。
本发明实施例实现两类背景的分离提取。通过协同DOM的光谱亮度信息与DSM的结构分析,成功实现无人机拍摄影像中阴影背景、光照背景的分离。基于DOM的光谱信息提取出阴影背景,基于DSM的结构分析,结合Sobel算子边缘检测和缓冲区分析,成功从“潜在识别区”中排除了伪识别区的干扰,提取出光照背景。
本发明实施例实现了林木株数的准确提取、标记与计数。完成阴影、光照两类背景的提取后,通过提出解决过分割问题的方案,即距离变换,减少因过分割导致的林木计数失误。选取无人机采集图像中的不同密度树林区域验证本发明实施例所提出方案的可行性,6组样地试验结果的平均提取精度达到92.42%。
以上所述,仅为本发明的具体实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种树木计数方法,其特征在于,所述树木计数方法包括:采用最大类间方差阈值分割算法提取分析区域内受遮挡的阴影背景;基于数字表面模型的结构分析,分离出伪识别区光照背景;通过Sobel算子边缘检测确定光照背景与林冠区的边界;结合缓冲区分析,提取不受遮挡光照背景;结合距离变换以及图像标记分割试验图像提取出树林节点,实现树冠提取,记录树木位置并进行单木计数;通过实地测量数据对单木识别率、识别精度进行验证。
2.如权利要求1所述的树木计数方法,其特征在于,所述树木计数方法包括以下步骤:
步骤一,受遮挡的阴影背景和不受遮挡的光照背景的两类背景的提取;利用DOM信息与DSM信息,分别检测两种类型的背景;
步骤二,基于对象层次的树冠提取:通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
步骤三,记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
步骤四,对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
3.如权利要求2所述的树木计数方法,其特征在于,所述步骤一中的背景提取之前还包括分析区域数据获取及处理;
(1)利用无人机获取数据:进行无人机的航摄准备,包括飞行计划制定、天气状况和设备检查;布设并标记像控点;规划航线,设定航高和旁向重叠度;开始无人机飞行;飞行结束后进行数据传输,检查拍摄试验区域照片完整性;
(2)DOM和DSM的生成:将无人机拍摄的照片和相关数据导入电脑端,创建坐标系并选择标准,等待项目生成后进行数据处理;查看处理报告导出DOM、DSM,并将生成的林区的正射影像拼接为完整图像。
4.如权利要求2所述的树木计数方法,其特征在于,所述步骤一中的背景提取包括:
基于无人机获取的林木图像的DOM和DSM,提出基于目标分割的背景分析法识别采样区域的树冠;以树冠提取为目标,林下植被可视为背景,将背景划分为受遮挡的阴影背景和不受遮挡的光照背景;利用DOM信息与DSM信息,分别检测受遮挡的阴影背景和不受遮挡的光照背景。
5.如权利要求2所述的树木计数方法,其特征在于,所述步骤一中的背景提取还包括:
(1)基于DOM的阴影背景提取
采用最大类间方差阈值分割算法自动确定阈值,选取低于阈值部分作为阴影背景;经过最大类间方差阈值分割算法处理后,图像被划分为目标区域和背景无值区域,消除阴影背景,并将具有树木信息的区域保持明亮状态;
(2)基于DSM的光照背景提取
通过边缘检测算法检测光照背景与林冠区的边界,采用Sobel算子进行边缘检测确定高程变化较小的潜在识别区,并选择保守阈值检测潜在识别区域;
以每个潜在识别区的边界为依据,沿边界设置内、外缓冲区,宽度为1m;若从内缓冲区到外缓冲区存在显著的高程增加,则识别为真实光照背景,否则为“伪识别区”,进而识别出图像中不受遮挡的光照背景。
6.如权利要求2所述的树木计数方法,其特征在于,所述步骤二中的基于对象层次的树冠提取包括:
使用形态学重建技术标记前景,采用先标注再分割的方案,通过识别图像中目标对象内部的内部标记与背景中的外部标记后,修正梯度图实现图像的准确分割;通过提取质心标记出树冠中心,统计得到的树冠中心个数,确定树木株数;距离变换的方案流程为输入图像、对灰度级图像进行二值化、距离变换、寻找种子、生成标记、输入分水岭算法,基于图像标记的分水岭分割流程为计算分割函数、计算前景标志、计算背景标志、修改分割函数、确定分水岭。
7.一种应用如权利要求1~6任意一项所述的树木计数方法的树木计数系统,其特征在于,所述树木计数系统包括:
背景提取模块,用于进行受遮挡的阴影背景和不受遮挡的光照背景的提取;利用DOM信息与DSM信息,分别检测两种类型的背景;
树冠提取模块,用于通过分水岭算法得到包含树冠或树冠聚集体的分割对象,将包含光照背景的分割对象视为稀疏对象;依据光照背景地面高程,通过高度阈值的方式排除过渡区域内的少量残留背景,提取树冠;
单木计数模块,用于记录树木位置并量化单木数量,获得单木计数的初步结果;通过实地测量数据对单木识别率、识别精度进行验证;
试验验证模块,用于对不同密度区域进行树冠提取;分别对林木高、中、低三个密度区域进行试验,分析试验结果并剖析密度对单木分割与识别的影响。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述的树木计数方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1~6任意一项所述的树木计数方法的步骤。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的树木计数系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431131.6A CN115690081A (zh) | 2022-11-15 | 2022-11-15 | 一种树木计数方法、系统、存储介质、计算机设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431131.6A CN115690081A (zh) | 2022-11-15 | 2022-11-15 | 一种树木计数方法、系统、存储介质、计算机设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690081A true CN115690081A (zh) | 2023-02-03 |
Family
ID=85051598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211431131.6A Pending CN115690081A (zh) | 2022-11-15 | 2022-11-15 | 一种树木计数方法、系统、存储介质、计算机设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690081A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117541679A (zh) * | 2024-01-05 | 2024-02-09 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
-
2022
- 2022-11-15 CN CN202211431131.6A patent/CN115690081A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
CN116523866B (zh) * | 2023-04-26 | 2023-12-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质 |
CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
CN117274844B (zh) * | 2023-11-16 | 2024-02-06 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
CN117520733A (zh) * | 2024-01-05 | 2024-02-06 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117541679A (zh) * | 2024-01-05 | 2024-02-09 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
CN117520733B (zh) * | 2024-01-05 | 2024-03-19 | 云南师范大学 | 森林冠层高度与地理环境协变量关系确定方法及系统 |
CN117541679B (zh) * | 2024-01-05 | 2024-04-02 | 云南师范大学 | 基于样本点个体代表性的森林冠层高度制图方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weidner et al. | Classification methods for point clouds in rock slope monitoring: A novel machine learning approach and comparative analysis | |
Sohn et al. | Data fusion of high-resolution satellite imagery and LiDAR data for automatic building extraction | |
Schiewe | Segmentation of high-resolution remotely sensed data-concepts, applications and problems | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Marinelli et al. | A novel approach to 3-D change detection in multitemporal LiDAR data acquired in forest areas | |
Canaz Sevgen et al. | An improved RANSAC algorithm for extracting roof planes from airborne lidar data | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
Dadrasjavan et al. | Automatic crack detection of road pavement based on aerial UAV imagery | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
Mayr et al. | Mapping eroded areas on mountain grassland with terrestrial photogrammetry and object-based image analysis | |
Youn et al. | Extracting urban road networks from high-resolution true orthoimage and lidar | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
Beumier et al. | Deriving a DTM from a DSM by uniform regions and context | |
David et al. | Pathway detection and geometrical description from ALS data in forested mountaneous area | |
CN114596490A (zh) | 丘陵地形特征线提取方法、丘陵地dem精细化生产方法 | |
Tepljakov et al. | Deep learning for detection of pavement distress using nonideal photographic images | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
Yao et al. | Automatic vehicle extraction from airborne LiDAR data of urban areas using morphological reconstruction | |
Grote | Automatic road network extraction in suburban areas from aerial images | |
Su et al. | The estimation of tree height based on LiDAR data and QuickBird imagery | |
Yastikli et al. | Building extraction using multi sensor systems |
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 |