CN115760885B - 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 - Google Patents
基于消费级无人机影像的高郁闭度湿地森林参数提取方法 Download PDFInfo
- Publication number
- CN115760885B CN115760885B CN202211401906.5A CN202211401906A CN115760885B CN 115760885 B CN115760885 B CN 115760885B CN 202211401906 A CN202211401906 A CN 202211401906A CN 115760885 B CN115760885 B CN 115760885B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- unmanned aerial
- aerial vehicle
- wetland
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000002146 bilateral effect Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 101100425560 Rattus norvegicus Tle4 gene Proteins 0.000 claims description 6
- 101100327317 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CDC1 gene Proteins 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 12
- 102000027426 receptor tyrosine kinases Human genes 0.000 description 6
- 108091008598 receptor tyrosine kinases Proteins 0.000 description 6
- 239000002023 wood Substances 0.000 description 5
- 241001090156 Huperzia serrata Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 241000931913 Cephalotaxus fortunei Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于消费级无人机影像的高郁闭度湿地森林参数提取方法,属于湿地森林调查技术领域,利用消费级无人机进行影像数据采集;对采集的无人机影像进行处理生成数字地表模型和数字正射地图;利用无人机DOM影像进行土地利用分类;在对湿地不同地类分类的基础上,得到准确高程的冠层高度模型,通过冠层高度模型利用邻域提取工具获取准确树高和株数;利用基于图像滤波的多前景标记分水岭算法,获得精确的树冠范围。本发明弥补可见光传感器高分辨率、波段单一的不足;通过CHM模型利用邻域提取工具获取准确树高和株数,解决了湿地DSM、DTM模型高程异常的问题;提出基于图像滤波的多前景标记分水岭算法,获得较为精确的树冠范围。
Description
技术领域
本发明属于湿地森林资源调查技术领域,具体涉及一种基于消费级无人机影 像的高郁闭度湿地森林参数提取方法。
背景技术
湿地具有涵养水源、调节小气候、保护生物多样性和防灾减灾等多种生态功 能,湿地森林结构参数对研究湿地上层植被的生长状况有重要意义,传统森林资 源调查多为人工野外每木检尺,湿地表面泥泞或经常积水,人员难以进入。随着 近年来无人机技术的发展,针对自然条件恶劣的森林,调查人员可以从区域外围 利用无人机进行森林资源调查,简化调查流程,节约人力成本。
目前,无人机森林资源调查主要利用无人机搭载的可见光、多光谱、高光谱 和激光雷达等传感器获取林地信息,其中可见光传感器利用最为广泛。结合无人 机可见光影像,经计算机软件空中三角测量处理可以得到林地点云数据,点云数 据生成得到数字地表模型(Digital Surface Model,缩写DSM),由DSM模型添 加可见光影像生成数字正射影像图(Digital Orthophoto Map,缩写DOM),对 DOM进行地物分类,提取森林覆盖度等指标;对DOM中的林地影像,利用标 记分水岭算法进行树冠分割,提取林分冠幅、冠径等参数;对点云数据进行分类,将其分为植被、地面和建筑等不同类型,通过分离出的地面点云数据生成数字地 形模型(DTM,Digital Terrain Model,缩写DTM),将DSM、DTM模型相减, 差值即为冠层高度模型(Canopy Height Model,缩写CHM),通过滑动窗口法、 邻域分析等方法,获取林地株数、高度等参数。
基于无人机可见光影像的森林资源调查在简化流程的同时也存在一些问题:
1、携带RTK模块的专业测绘无人机价格昂贵,运营成本高,对操作人员有 较高要求:对森林进行精确航空摄影测量依赖无人机搭载实时动态测量模块 (Real TimeKinematic,简称RTK)提供的高精度空间坐标,此类无人机如大疆 Phantom 4RTK、经纬M300RTK购买成本高达数万至数十万元,高昂的成本限 制了无人机森林资源调查的广泛运用;
2、消费级无人机定位精度低和湿地中水面反射导致点云位置偏移,从而导 致DSM、DTM模型畸变:消费级无人机花费较少,但机上无RTK模块,缺少 高精度空间坐标导致空中三角测量计算误差,以及湿地中水面的阳光强反射导致 的异常光斑对空中三角测量的干扰,由此生成的DSM、DTM模型存在一定的畸 变;
3、可见光无人机影像波段单一,无法使用面向对象的图像分类方法常用的 多光谱植被指数进行阈值分割:
通过无人机低空摄影测量获取的DOM地图分辨率通常优于5cm/pixel,通常 基于像元光谱特征的遥感影像分类方法易造成过度分割,近年来基于对象的图像 分类算法被广泛运用于高分辨率卫星影像分类,取得了很好的效果,但此类算法 涉及的植被指数如归一化植被指数(NDVI)、增强型植被指数(EVI)等基于近红外波段的植被指数多需要多光谱传感器数据,无人机可见光传感器仅包含红、 绿、蓝三个波段,需要筛选特定的可见光植被指数进行分类;
4、现有改进标记分水岭算法单木分割对高分辨率高郁闭度湿地植被分割精 度一般:
标记分水岭算法在单木分割领域有广泛的运用,通过将林地DOM地图转换 为灰度影像后,利用图像梯度变化进行分割,对非高郁闭度林地有很好的效果, 但高郁闭度林地因树冠粘连易导致漏分,降低了树冠分割精度;部分学者提出利 用树冠顶点改进标记分水岭算法对高郁闭度林地DOM灰度影像进行单木树冠分 割取得了一定的成果。由于无人机影像分辨率较高,DOM噪点较多,植被的精 细纹理干扰单木分割的准确性,且DOM图转换为灰度图像后丢失大量色彩信息,对单木分割产生不利影像。
发明内容
本发明解决的技术问题:提供一种运营成本低、提取精度高的基于消费级无 人机影像的高郁闭度湿地森林参数提取方法。
技术方案:为了解决上述技术问题,本发明采用的技术方案如下:
一种基于消费级无人机影像的高郁闭度湿地森林参数提取方法,包括以下步 骤:
S1:利用消费级无人机进行影像数据采集;
S2:对采集的无人机影像进行地理配准、空中三角测量、生成连接点和密集 点云,然后生成数字地表模型DSM和数字正射地图DOM;
S3:利用无人机DOM影像进行土地利用分类,对裸地、阴影、水体、水生 植物和池杉进行逐步分割;
S4:在对湿地不同地类分类的基础上,提取区域内高程点中位数并进行抽稀, 重新生成湿地数字地形模型DTM,数字地表模型DSM和数字地形模型DTM相 减得到准确高程的冠层高度模型CHM,通过冠层高度模型CHM利用邻域提取 工具获取准确树高和株数;
S5:利用双边滤波处理数字正射地图DOM,叠加从冠层高度模型CHM中获 取的树顶点进行前景标记融合,后将前景标记引入考虑对象粘重叠的分水岭算法 进行分割,导出分割的边界,获得精确的树冠范围。
进一步地,步骤S1中,影像获取采用消费级无人机大疆Mavic2 zoom,可 获取红、绿、蓝三个可见光波段影像;无人机航线利用DJI PILOT进行规划,采 用固定航线摄影和摄像结合的测绘方式。
进一步地,步骤S3中,首先使用ESP 2工具确定最优分割尺度,然后在 eCognitionDeveloper 9.0输入最优分割尺度、形状因子和紧致因子进行多尺度分 割,最后利用阈值分割工具,通过亮度值、红光波段、植被因子指数对裸地、阴影、水体、水生植物和池杉进行逐步分割。
进一步地,步骤S3中,利用Arcgis 10.5对分类结果进行精度验证:在Arcgis 10.5中随机生成200个点对分类结果进行目视解译,与面向对象分类结果利用混 淆矩阵进行精度验证。
进一步地,步骤S4中,提取非植被地类并生成兴趣区ROI,利用非植被ROI 提取数字地表模型DSM的高程点,并在Arcgis 10.5中抽稀生成TIN,导出地形 栅格数据即数字地形模型DTM,利用栅格计算器将数字地表模型DSM、数字地 形模型DTM相减得到冠层高度模型CHM,利用邻域分析工具提取树顶点,
进一步地,步骤S5中,通过Matlab 2018b运行基于图像双边滤波的多前景 标记分水岭算法,选取高郁闭度林地样DOM影像进行树冠分割;然后利用 Arcgis 10.5进行树冠面积统计,并与传统标记分水岭算法和改进标记分水岭算法 进行精度验证。
进一步地,树冠分割精度评价采用通用的评价方法,将分割的树冠分为5 种情况:匹配、接近匹配、丢失、欠分割、过分割。
有益效果:与现有技术相比,本发明具有以下优点:
1、针对携带RTK模块专业测绘无人机成本过高的问题,利用大疆Mavic 2 zoom消费级无人机进行林地影像获取,通过高空倾斜摄影和低空视频的方式获 取重叠度较大的可见光影像,降低无人机运行成本,减少影像文件大小,节约计 算机数据处理时间;
2、针对可见光无人机影像波段单一的问题,筛选湿地植被分类的可见光植 被指数,结合面向对象的图像分类方法,利用多尺度分割工具(ESP2)确定最 优分割尺度,对高精度无人机影像进行分割并分类,弥补可见光传感器高分辨率、波段单一的不足;
3、针对湿地DSM、DTM模型高程异常的问题,利用湿地DOM图分类的 结果,提取DSM模型中地面、水面等地表斑块,提取区域内高程点中位数并进 行抽稀,重新生成湿地DTM模型,DSM、DTM模型相减得到准确高程的CHM 模型,通过CHM模型利用邻域提取工具获取准确树高和株数;
4、针对现有改进型分水岭算法的不足,提出基于图像滤波的多前景标记分 水岭算法。首先利用基于高斯核的双边滤波处理DOM,叠加从CHM模型中获取的树顶点进行前景标记融合,后将前景标记引入考虑对象粘重叠的分水岭算法 进行分割,导出分割的边界,获得较为精确的树冠范围。
附图说明
图1是本发明的方法的技术路线图。
图2是本发明实施例的ESP 2最优分割参数。
图3是本发明实施例的数字正射地图DOM。
图4是本发明实施例的数字地表模型DSM。
图5是本发明实施例的数字地形模型DTM。
图6是本发明实施例的冠层高度模型CHM。
图7是本发明实施例的湿地土地利用图。
图8是本发明实施例的湿地植被覆盖度(20m样方)。
图9是本发明实施例的湿地郁闭度(20m样方)。
图10是本发明实施例的树冠分割算法流程图,其中(a)为L*a*b*颜色变 换、(b)为双边滤波平滑后DOM图像、(c)为DOM图像前景标记、(d)为高 程图像前景标记、(e)为前景标记融合图像、(f)为树冠分割。
图11是本发明实施例的1号样地树冠分割对比图。
图12是本发明实施例的2号样地树冠分割对比图,其中(a)为传统分水岭 算法、(b)为改进分水岭算法、(c)为本发明采用算法。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前 提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例的基于消费级无人机影像的高郁闭度湿地森林参数提取方法,主要 实现步骤如下:
S1:利用消费级无人机进行影像数据采集;
本发明无人机可见光数据获取采用消费级无人机大疆Maciv 2zoom,整机重 量905g,折叠尺寸仅为214×9×84mm(长×宽×高),最长飞行时间(无风环境) 31分钟,搭载的可见光传感器为1/2.3英寸CMOS,有效像素1200万,可获取 红、绿、蓝三个可见光波段影像。本实施例测试影像数据采集地点位于江苏省南 京市某湿地,面积约1.38hm2,主要林分为池杉,采集时间为2021年6月中旬, 天气晴朗少云。
无人机航线利用DJI PILOT(Android)进行规划,采用固定航线摄影和摄像结 合的测绘方式,设置75m相对航高进行倾斜摄影,设置云台镜头倾斜45°旁向重叠率75%,飞行速度5m/s,采集湿地范围内正射和东南西北四个方向可见光影 像,共计256张;然后设置40m相对航高对场地进行视频拍摄,视频分辨率为云台默认(1920×1080/24fps),拍摄时长2min34s,间隔0.5s提取帧,共计300 张。
S2:对采集的无人机影像进行地理配准、空中三角测量、生成连接点和密集 点云,然后生成数字地表模型DSM和数字正射地图DOM。
具体过程如下:将步骤1得到的556张无人机影像导入PIX4D mapper,选 择3D map模式进行照片地理配准、空中三角测量、生成连接点和密集点云,然 后生成DSM模型(图4)和DOM(图3),地面GSD为3cm/pixel。
S3:利用无人机DOM影像进行土地利用分类,首先使用ESP 2工具确定最优 分割尺度,然后在eCognition Developer 9.0输入最优分割尺度、形状因子和紧致 因子进行多尺度分割,最后利用阈值分割工具,通过亮度值、红光波段、植被因 子指数对裸地、阴影、水体、水生植物和池杉进行逐步分割。
本实施例的具体实现过程如下:将DOM载入eCognition Developer 9.0,使 用ESP2工具确定最优分割尺度(图2),当设置形状因子0.4、紧致因子0.5时, 最优分割尺度为71。根据不同地类的光谱特征,利用阈值分割工具,通过亮度 值(Brightness)、红光波段(redband)、植被因子指数(VEG)对裸地、阴影、 水体、水生植物和池杉进行逐步分割,并生成土地利用图(图7)。
无人机正射影像DOM包含红(red band,缩写R)、绿(green band,缩写G)、 蓝(blueband,缩写B)三个波段,植被因子指数具体公式为:
阈值分割流程如下:
(1)分割图片背景(Brightness≥256);
(2)分割人造地表、裸地(redband≥195);
(3)分割阴影(redband≤195);
(4)分割水体(VEG*256≤292.5);
(5)分割水生植物(292.5<VEG*256≤306.5);
(6)分割池杉(VEG*256>306.5)。
利用Arcgis 10.5对分类结果进行精度验证:在Arcgis 10.5中随机生成200 个点对分类结果进行目视解译,与面向对象分类结果利用混淆矩阵进行精度验证, 如表1,总体分类精度为85%,Kappa精度78.6%,水体、阴影、人造地表、水 生植物和乔木不同地类的用户精度分别为82.35%、100%、100%、65.38%和 91.04%。植被覆盖由水生植物和乔木组成,结合两者分类精度可计算植被覆盖度提取精度为82.98%。样地没有灌木分布,郁闭度为乔木投影面积和总面积之比, 故郁闭度提取精度与乔木投影面积提取精度相同为91.04%,提取精度较高。在 湿地范围内生成20m见方的渔网,通过分区统计各样方内植被覆盖度和郁闭度 (图8、图9)。
表1分类结果精度验证结果
S4:在对湿地不同地类分类的基础上,提取区域内高程点中位数并进行抽稀,重新生成湿地数字地形模型DTM,数字地表模型DSM和数字地形模型DTM相 减得到准确高程的冠层高度模型CHM,通过CHM模型利用领域提取工具获取 准确树高和株数;
在对湿地不同地类分类的基础上,提取非植被地类并生成兴趣区(ROI), 利用非植被ROI提取数字地表模型DSM的高程点,并在Arcgis 10.5中抽稀生成 TIN,导出地形栅格数据即数字地形模型DTM,利用栅格计算器将数字地表模 型DSM、数字地形模型DTM相减得到冠层高度模型CHM,利用邻域分析工具 提取树顶点,将窗口设置为“圆形”,搜索半径像素根据目视解译池杉冠径设为 “31”。结合现场尼康激光测树仪(Nikon Forestry Pro)实际测量41株树高数据进 行精度验证。如表2所示,经对比,本方法提取树高与实测值相比,均方根误差 (RMSE)为0.37m,R2为0.99,本方法有很高的提取精度。
表2无人机提取树高与实测树高对比表
S5:基于图像滤波的多前景标记分水岭算法。首先利用基于高斯核的双边滤 波处理DOM,叠加从CHM模型中获取的树顶点进行前景标记融合,后将前景标记引入考虑对象粘重叠的分水岭算法进行分割,导出分割的边界,获得较为精 确的树冠范围。具体实现过程如下:
在高郁闭度林地范围的基础上,通过Matlab 2018b运行基于图像双边滤波的 多前景标记分水岭算法。选取高郁闭度林地样地1(47颗)、样地2(53颗)共 计2块样地DOM影像进行树冠分割。然后利用Arcgis 10.5进行树冠面积统计,并与传统标记分水岭算法和改进标记分水岭算法进行精度验证。
通过Matlab 2018b运行基于彩色图像双边滤波的多前景标记分水岭算法的 处理流程如下:
(1)读取样地DOM影像、树顶点影像,写入地理坐标;
首先载入tif文件(DOM),然后分别读取tif影像文件和地理信息,读取tif 地理信息、读取tif的行列数。
(2)利用基于高斯核的彩色图像双边滤波处理DOM影像,目的为去除叶 片阴影,保留叶片色彩,增强树木之间边缘的差异性,进行灰度变换后,利用形 态学开运算、腐蚀和重构算法,制作前景标记A;具体步骤如下:
1)进行RGB图像L*a*b*颜色变换;
L*a*b*颜色来源于人类视觉原理,与人眼类似L*a*b*能均匀感知图像的亮 度和色阶,RGB图像可以转换为L*a*b*颜色图像,转换原理如下:
1、L*:来源于RGB图像的亮度,值在[0,100]范围内,其中0为黑色, 100为白色,随着L*的增加,颜色变得更亮;
2、a*:来源于RGB图像中的红色或绿色色调,正值对应于红色/洋红色, 负值对应于绿色,a*值通常在[-100,100]或[-128,127)范围内;
3、b*:来源于RGB图像中黄色或蓝色色调,正值对应于黄色,负值对应蓝 色,b*值通常在[-100,100]或[-128,127)范围内。
2)框选纯色区域;
3)计算L*a*b*颜色空间中与原点的欧式距离的方差;
欧式距离公式:
注:d为是欧氏距离,(x1,y1)、(x2,y2)为计算距离两点坐标。
4)使用双边滤波过滤图像;
5)减少边缘锯齿;
6)显示图像;
7)将图像转为灰度图像;
8)计算梯度;
9)图像开运算;
10)图像腐蚀;
11)形态学重构;
12)计算Iobrcbr的区域最大值获得前景标记;
13)图像闭运算。
(3)利用形态学算法处理树顶点影像,制作前景标记B;具体实现步骤为:
首先载入并读取高程标记文件,然后进行高程点圆形膨胀,最后进行高程前 景标记。
(4)将前景标记A、B进行图像融合;
首先进行图像叠加,然后用形态学腐蚀算法去除标记图像边缘锯齿与杂点。
(5)将融合图像进行标记分水岭分割,设置分割对象四周粘连;
首先计算背景标记,然后采用像素连通设置的标记控制分水岭算法,
分水岭算法源于地理学,将灰度图像的值视为高度,利用集水盆汇水的原理 来进行图像分割。无人机影像具有高分辨率,分水岭分割直接应用梯度图像会由 于影像噪声和梯度等局部不规则性,导致过度分割。针对这种问题,可以引入外 部信息来限制图像的过度分割,即标记控制分水岭算法。本方法标记图像由树顶 和树冠范围融合而成,可有效控制过分割,同时针对树冠粘连的情况,设置像素垂直、水平和对角线方向连通。
(6)将分割边界与非乔木地类范围相减,输出树冠分割边界。
首先进行分割边界赋值,然后确定分水岭图像存储位置和名字,进行存储。
精度验证内容如下:
树冠分割精度评价采用通用的评价方法,将分割的树冠分为5种情况:匹配、 接近匹配、丢失、欠分割、过分割,匹配是提取树冠的面积和实际树冠面积占各 自的80%以上;接近匹配是提取树冠和实际树冠重叠面积占其中之一的80%以 上;丢失是提取树冠占实际树冠的比例不足50%;欠分割是多个真实树冠被分为 一个树冠;过分割是一个真实树冠被分割为多个树冠,单木冠幅识别精度采用匹 配和接近匹配2种数值之和表示,精度对比见下表,本方法提取精度为74.97%, 远高于传统分水岭算法和改进分水岭算法的13.1%和28.58%。
表3树冠分割精度对比表
以上所述仅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 改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于消费级无人机影像的高郁闭度湿地森林参数提取方法,其特征在于,包括以下步骤:
S1:利用消费级无人机进行影像数据采集;
S2:对采集的无人机影像进行地理配准、空中三角测量、生成连接点和密集点云,然后生成数字地表模型DSM和数字正射地图DOM;
S3:利用无人机DOM影像进行土地利用分类,对裸地、阴影、水体、水生植物和池杉进行逐步分割;
首先使用ESP2工具确定最优分割尺度,然后在eCognition Developer 9.0输入最优分割尺度、形状因子和紧致因子进行多尺度分割,最后利用阈值分割工具,通过亮度值、红光波段、植被因子指数对裸地、阴影、水体、水生植物和池杉进行逐步分割;具体实现过程如下:
将DOM载入eCognition Developer 9.0,使用ESP 2工具确定最优分割尺度,当设置形状因子0.4、紧致因子0.5时,最优分割尺度为71;根据不同地类的光谱特征,利用阈值分割工具,通过亮度值、红光波段、植被因子指数对裸地、阴影、水体、水生植物和池杉进行逐步分割,并生成土地利用图;
利用Arcgis 10.5对分类结果进行精度验证:在Arcgis 10.5中随机生成200个点对分类结果进行目视解译,与面向对象分类结果利用混淆矩阵进行精度验证;
S4:在对湿地不同地类分类的基础上,提取区域内高程点中位数并进行抽稀,重新生成湿地数字地形模型DTM,数字地表模型DSM和数字地形模型DTM相减得到准确高程的冠层高度模型CHM,通过冠层高度模型CHM利用邻域算法获取准确树高和株数;
S5:利用双边滤波处理数字正射地图DOM,叠加从冠层高度模型CHM中获取的树顶点进行前景标记融合,后将前景标记引入考虑对象粘重叠的分水岭算法进行分割,导出分割的边界,获得精确的树冠范围;然后利用Arcgis 10.5进行树冠面积统计,并与传统标记分水岭算法和改进标记分水岭算法进行精度验证;
通过Matlab 2018b运行基于彩色图像双边滤波的多前景标记分水岭算法的处理流程如下:
(1)首先载入tif文件,然后分别读取tif影像文件和地理信息,读取tif地理信息、读取tif的行列数;
(2)利用基于高斯核的彩色图像双边滤波处理DOM影像,目的为去除叶片阴影,保留叶片色彩,增强树木之间边缘的差异性,进行灰度变换后,利用形态学开运算、腐蚀和重构算法,制作前景标记A;
(3)利用形态学算法处理树顶点影像,制作前景标记B;具体实现步骤为:
首先载入并读取高程标记文件,然后进行高程点圆形膨胀,最后进行高程前景标记;
(4)将前景标记A、B进行图像融合;
首先进行图像叠加,然后用形态学腐蚀算法去除标记图像边缘锯齿与杂点;
(5)将融合图像进行标记分水岭分割,设置分割对象四周粘连;
首先计算背景标记,然后采用像素连通设置的标记控制分水岭算法;
分水岭算法将灰度图像的值视为高度,利用集水盆汇水的原理来进行图像分割;引入外部信息来限制图像的过度分割,即标记控制分水岭算法;标记图像由树顶和树冠范围融合而成,控制过分割,同时针对树冠粘连的情况,设置像素垂直、水平和对角线方向连通;
(6)将分割边界与非乔木地类范围相减,输出树冠分割边界;
首先进行分割边界赋值,然后确定分水岭图像存储位置和名字,进行存储。
2.根据权利要求1所述的基于消费级无人机影像的高郁闭度湿地森林参数提取方法,其特征在于:步骤S1中,影像获取采用消费级无人机大疆Mavic2 zoom,可获取红、绿、蓝三个可见光波段影像;无人机航线利用DJI PILOT进行规划,采用固定航线摄影和摄像结合的测绘方式。
3.根据权利要求1所述的基于消费级无人机影像的高郁闭度湿地森林参数提取方法,其特征在于:步骤S4中,提取非植被地类并生成兴趣区ROI,利用非植被ROI提取数字地表模型DSM的高程点,并在Arcgis 10.5中抽稀生成TIN,导出地形栅格数据即数字地形模型DTM,利用栅格计算器将数字地表模型DSM、数字地形模型DTM相减得到冠层高度模型CHM,利用邻域分析工具提取树顶点。
4.根据权利要求1所述的基于消费级无人机影像的高郁闭度湿地森林参数提取方法,其特征在于:树冠分割精度评价采用通用的评价方法,将分割的树冠分为5种情况:匹配、接近匹配、丢失、欠分割、过分割。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211401906.5A CN115760885B (zh) | 2022-11-09 | 2022-11-09 | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 |
US18/388,327 US20240290089A1 (en) | 2022-11-09 | 2023-11-09 | Method for extracting forest parameters of wetland with high canopy density based on consumer-grade uav image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211401906.5A CN115760885B (zh) | 2022-11-09 | 2022-11-09 | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115760885A CN115760885A (zh) | 2023-03-07 |
CN115760885B true CN115760885B (zh) | 2023-09-19 |
Family
ID=85368829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211401906.5A Active CN115760885B (zh) | 2022-11-09 | 2022-11-09 | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240290089A1 (zh) |
CN (1) | CN115760885B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
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 |
WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
-
2022
- 2022-11-09 CN CN202211401906.5A patent/CN115760885B/zh active Active
-
2023
- 2023-11-09 US US18/388,327 patent/US20240290089A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN108020211A (zh) * | 2017-12-01 | 2018-05-11 | 云南大学 | 一种无人机航空摄影估测入侵植物生物量的方法 |
CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
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 |
Non-Patent Citations (2)
Title |
---|
Unmanned aerial vehicles (UAV)-based canopy height modeling under leaf-on and leaf-off conditions for determining tree height and crown diameter (case study: Hyrcanian mixed forest);Vahid Nasiri et al.;Canadian Journal of Forest Research;第51卷(第7期);全文 * |
基于无人机倾斜影像的阔叶林单木参数提取;陈周娟 等;林业资源管理;第134-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115760885A (zh) | 2023-03-07 |
US20240290089A1 (en) | 2024-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
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 | |
Lin et al. | Use of UAV oblique imaging for the detection of individual trees in residential environments | |
CN107451982B (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
JP4004332B2 (ja) | 森林情報処理システム | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
CN112241661B (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN104121850B (zh) | 一种郁闭度的测定方法和装置 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN109919088B (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Zou et al. | Object based image analysis combining high spatial resolution imagery and laser point clouds for urban land cover | |
CN116665081B (zh) | 一种滨海植被地上生物量的估算方法、计算机设备及介质 | |
Fu et al. | Automatic detection tree crown and height using Mask R-CNN based on unmanned aerial vehicles images for biomass mapping | |
Grigillo et al. | Classification based building detection from GeoEye-1 images |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230307 Assignee: Jiangsu Nanlin Yaao Ecological Environment Construction Co.,Ltd. Assignor: NANJING FORESTRY University Contract record no.: X2024980002332 Denomination of invention: A parameter extraction method for high canopy wetland forests based on consumer grade drone images Granted publication date: 20230919 License type: Common License Record date: 20240228 |
|
EE01 | Entry into force of recordation of patent licensing contract |