CN116485822B - 一种高郁闭度人工林单木树冠分层分割方法 - Google Patents

一种高郁闭度人工林单木树冠分层分割方法 Download PDF

Info

Publication number
CN116485822B
CN116485822B CN202310480182.6A CN202310480182A CN116485822B CN 116485822 B CN116485822 B CN 116485822B CN 202310480182 A CN202310480182 A CN 202310480182A CN 116485822 B CN116485822 B CN 116485822B
Authority
CN
China
Prior art keywords
tree
crown
points
point
crowns
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
Application number
CN202310480182.6A
Other languages
English (en)
Other versions
CN116485822A (zh
Inventor
朱若柠
梅晓丽
王冬
张晓丽
柴国奇
李�浩
高凌寒
张振鹏
张晓霞
姚宗琦
雷令婷
黄喆锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Forestry University
China Construction First Group Corp Ltd
Third Construction Co Ltd of China Construction First Group Co Ltd
Original Assignee
Beijing Forestry University
China Construction First Group Corp Ltd
Third Construction Co Ltd of China Construction First Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Forestry University, China Construction First Group Corp Ltd, Third Construction Co Ltd of China Construction First Group Co Ltd filed Critical Beijing Forestry University
Priority to CN202310480182.6A priority Critical patent/CN116485822B/zh
Publication of CN116485822A publication Critical patent/CN116485822A/zh
Application granted granted Critical
Publication of CN116485822B publication Critical patent/CN116485822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/12—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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及分割、边缘检测技术领域，公开了一种高郁闭度人工林单木树冠分层分割方法。通过把高光谱影像上的光谱数据赋予给同一位置的LiDAR点云，然后从LiDAR点云中根据光谱数据找出必然位于上层林冠的树冠上的光照边界线，再根据光照边界线的尺寸确定树冠的大致尺寸，根据树顶的位置确定树冠的大致位置，从而能够以更准确的方式设置点云分类窗口，在这个窗口内进行点云分割，从而克服树冠边缘重叠对单木树冠分割带来的不利影响，且完全不受下层林冠的干扰。在上层林冠完成分割后，去掉分类点，就仅剩下稀疏的下层林冠了，不存在重叠也不存在光谱的巨大差异，可毫不费力地进行分割。

Description

一种高郁闭度人工林单木树冠分层分割方法
技术领域
本发明涉及分割、边缘检测技术领域，特别是涉及一种高郁闭度人工林单木树冠分层分割方法。
背景技术
由于涉及到大量不常见且含义复杂的术语，为便于理解，这里先进行名词解释：
点云：由无数坐标点组成的数据集，这些坐标点对应着被测量物体的表面的点，每个点通常还包含颜色等信息，这些点组成的图形类似于沙画，密集的、沙子一样的点组成图像；
LiDAR点云：机载激光雷达生成的点云。由于测量时位于人工林上方，因此不能获得树高、胸径等信息，但对现场地形及环境无破坏；
点云分割：对点云中的点进行分类，判断哪些点属于某个物体，比如，判断哪些点属于某一棵树，点云分割后就可以获得机器能够识别的物体外形（在分类前，这些“沙画”人眼能看出来轮廓，但机器不能识别）；
高光谱影像：本质上还是彩色影像，但各波段的信息不是叠在一块，而是被分开统计，且包含可见光之外的波段；举例来讲，一片叶子，它的颜色是由反射的无数个波段的光叠合起来形成的，在常规彩色影像里就只能看到一种颜色，在高光谱影像里它红黄蓝绿等各波段的光的信息都有；
正射影像：拍摄是从摄像头这个点进行拍摄的，不可避免要畸变和失真，需要纠偏，纠偏后的影像，就是正射影像，相当于从平行于地面且非常大的平面镜中映射出来的影像；
林冠：对森林里的树冠进行分层，每层的树冠的总称。
树冠的形状及尺寸是林业生产过程中判断林木生长状况的重要依据，但靠人力来测量显然不现实。其测量主要依靠高光谱影像和/或LiDAR点云生成的图像，并从这些图像上分割出单个树冠的轮廓。
人工林通过人工措施进行培育，经营目的明确，一般树种单一，空间配置及其他造林技术措施都是按照人们的要求来安排的。因此人工林通常需要更多的照看，也就需要更频繁地进行遥感测绘。
人工林中，经济林（如果园），其林木的分布是刻意控制过的，一棵树遮挡另一棵树的情况被控制的很好，因此很容易从遥感图像上分割出单个树冠。但对于用材林、能源林而言，基本不会想办法避免林木之间相互遮挡，很多时候反倒是刻意通过合理密植的手段来提高生产率及成材率。这导致这种林木呈现出与原始森林以及经济林都不同的独有特性，其郁闭度很高，树冠边缘存在明显的重叠，且往往还存在着经济林中不存在的下层林冠（跟上层林冠是同一种树，但因种种原因生长较慢，所在位置形成一个凹陷，与上层林冠的光谱差异巨大），这些因素导致对这类高郁闭度的人工林进行单木树冠分割十分困难，重叠位置在点云/高光谱影像里虽然能够靠人眼分辨出来轮廓，但对机器识别的干扰很大。因此，往往需要人工勾绘树冠边界，再进行机器识别。当然也有一些尝试采用机器勾绘树冠边界的尝试，如CN109164459A-一种结合激光雷达和高光谱数据对森林树种分类的方法，但其勾绘的边界是一个以树顶为中心的圆，而现实中的林木的形状会受地形影响，还因光照而存在着南密北疏的现象，树冠并不圆且树顶不在树冠中心。因此其主要应用在树种判断这种定性判断的场合，不适合单木树冠分割。
当然，高郁闭度人工林也存在一些对单木树冠分割有利的特征。其树种单一，树冠规整且紧凑，且下层林冠非常稀疏（因为人工林中的林木是同时种下的同一种树，下层林冠仅有一些因病害等原因而生长未跟上其它树的劣势木，数量少且间距很远）。但这些有利特征目前尚未有人注意到其对单木树冠分割的价值。
发明内容
本发明提供一种高郁闭度人工林单木树冠分层分割方法。
解决的技术问题是：高郁闭度人工林中，由于树冠之间重叠严重且存在跟上层林冠的光谱差异巨大的下层林冠，给单木树冠分割带来了很大的困难。
为解决上述技术问题，本发明采用如下技术方案：一种高郁闭度人工林单木树冠分层分割方法，其特征在于：包括以下步骤：
步骤一：获取阳光照射下的人工林的无人机高光谱影像和LiDAR点云；
步骤二：将无人机高光谱影像上各波段的光谱反射率和光谱辐射亮度值赋予到LiDAR点云同一位置的点上，被赋值的点记作光谱坐标点；
步骤三：从光谱坐标点中筛选上层林冠可能的树顶点，记作上层高点，所述上层高点为光谱反射率等值线的中心点且Z值为局部极大值；
步骤四：从上层高点中排除假树顶点，所述假树顶点包括凸起到树冠外的树枝及丛簇，排除后剩余的上层高点记作上层树顶点；
步骤五：获取光照边界线，所述光照边界线为树冠上被照亮部分和阴影部分的分界线；
步骤六：根据各上层树顶点位置和光照边界线的尺寸，分别设置点云分类窗口将上层林冠中的各树冠围在内部，以上层树顶点为种子点在各点云分类窗口内进行点云分割，完成上层林冠中单木树冠的分割；
步骤七：将光谱坐标点中的分类点和未分类点进行分层并分离出未分类点，进行树冠边界点云的探测，实现对下层林冠中的单木树冠的分割；最后将两层分割结果进行合并。
进一步，步骤二具体如下：将与人工林同一位置对应的高光谱影像图元以及LiDAR点云中的点匹配到一起，然后选取与同一高光谱影像图元匹配到一起的各点中Z值最高的点，将与其匹配的高光谱影像图元的光谱反射率和光谱辐射亮度值赋予给该点，与相邻的两个高光谱影像图元分别相匹配的两个光谱坐标点视作相邻。
进一步，步骤三中，上层高点为近红外波段光谱反射率等值线的中心点且Z值为局部极大值。
进一步，步骤四采用以下方式判断一个上层高点是否为上层树顶点：
相邻两个上层高点之间的各光谱坐标点中，Z值为局部极小值的光谱坐标点记作上层低点，上层低点起分别向相邻两个上层高点伸出的线组成的角记作突出程度判断角；
若一个上层高点周边的突出程度判断角均小于设定的阈值，则该上层高点为上层树顶点。
进一步，步骤五中，光照边界线采用以下方式求取：
从光谱坐标点中选取光照边界点，所述光照边界点满足以下条件：在近红外波段，光照边界点的光谱辐射亮度与至少一个相邻的光谱坐标点相差不超过10%，且与至少一个相邻的光谱坐标点相差超过50%；
将相邻的光照边界点连成线，且呈弧形且弧内侧或弧线上存在上层树顶点的连线，即为光照边界线。
进一步，步骤六具体如下：
步骤6.1：取一个上层林冠中的单木树冠并记作标准树冠，在LiDAR点云中人工识别出树冠的边界点云；
步骤6.2：以过标准树冠的上层树顶点的多条直线将标准树冠分割到多个大小相同的夹角状区域中，统计每个夹角状区域中边界点云与标准树冠的上层树顶点最大间距，记作标准距离；
步骤6.3：取一个上层林冠中的单木树冠，记作待分割树冠，计算其光照边界线的长度与标准树冠的光照边界线的长度的比值，记作缩放比例；每个夹角状区域对应的标准距离与缩放比例的乘积，记作该夹角区域的修正距离；
步骤6.4：将步骤6.2的各直线作为一个整体进行平移，使各直线的交点移动到待分割树冠的上层树顶点，点云分类窗口为各夹角状区域中与分割树冠的上层树顶点的距离不超过该夹角区域的修正距离的部分；
步骤6.5：以上层树顶点为种子点在点云分类窗口内进行点云分割；
步骤6.6：重复步骤6.3-6.5，直到完成上层林冠中所有树冠的点云分割。
进一步，若人工林所在的地表包含多种不同地形，则每种地形上分别选取对应该地形的标准树冠，待分割树冠需与标准树冠处于同一地形。
本发明一种高郁闭度人工林单木树冠分层分割方法与现有技术相比，具有如下有益效果：
本发明中，通过把高光谱影像上的光谱数据赋予给同一位置的LiDAR点云，然后从LiDAR点云中根据光谱数据找出必然位于上层林冠的树冠上的光照边界线（下层林冠照不到光），再根据光照边界线的尺寸确定树冠的大致尺寸（利用了高郁闭度人工林树冠规整且树种单一这一特征，树冠的大小与树冠上光照边界线的长度是成比例的，且这个比例对于上层林冠中所有的树而言是基本一致的），根据树顶的位置确定树冠的大致位置，从而能够以更准确的方式设置点云分类窗口，在这个窗口内进行点云分割，从而克服树冠边缘重叠对单木树冠分割带来的不利影响，且完全不受下层林冠的干扰；
在上层林冠完成分割后，去掉分类点，就仅剩下稀疏的下层林冠了，不存在重叠也不存在光谱的巨大差异，可毫不费力地进行分割。
附图说明
图1为判断上层高点是否为上层树顶点的过程示意图；图中以C''指代各上层高点，以C指代各上层低点，以θ指代突出程度判断角；
图2为点云分类窗口的设置方式示意图；
图中，1-树冠，2-上层高点，3-上层低点，4-上层树顶点，5-光照边界线，6-点云分类窗口。
具体实施方式
注意，本发明不适用于景观树、果树那种没有明显的树顶且树冠1扭曲的林木。那类林木也没有本发明所要解决的技术问题。
一种高郁闭度人工林单木树冠分层分割方法，其特征在于：包括以下步骤：
步骤一：获取阳光照射下的人工林的无人机高光谱影像和LiDAR点云；
步骤二：将无人机高光谱影像上各波段的光谱反射率和光谱辐射亮度值赋予到LiDAR点云同一位置的点上，被赋值的点记作光谱坐标点；
步骤三：从光谱坐标点中筛选上层林冠可能的树顶点，记作上层高点2，上层高点2为光谱反射率等值线的中心点且Z值为局部极大值；
步骤四：从上层高点2中排除假树顶点，假树顶点包括凸起到树冠1外的树枝及丛簇，排除后剩余的上层高点2记作上层树顶点4；
步骤五：获取光照边界线5，光照边界线5为树冠1上被照亮部分和阴影部分的分界线；
步骤六：根据各上层树顶点4位置和光照边界线5的尺寸，分别设置点云分类窗口6将上层林冠中的各树冠1围在内部，以上层树顶点4为种子点在各点云分类窗口6内进行点云分割，完成上层林冠中单木树冠1的分割；
步骤七：将光谱坐标点中的分类点和未分类点进行分层并分离出未分类点，进行树冠1边界点云的探测，实现对下层林冠中的单木树冠1的分割；最后将两层分割结果进行合并。由于影响点云分割的因素均已消失，因此这里可采用任何一种点云分割算法。
步骤一之所以要确保有阳光，是为了后续获取清晰的光照边界线5。有阳光部位的辐射亮度远超阴影部位，识别光照边界线5非常容易。注意，不要在阳光与地面垂直的时候进行测量，那样就看不到光照边界线5了。
步骤二具体如下：将与人工林同一位置对应的高光谱影像图元以及LiDAR点云中的点匹配到一起，然后选取与同一高光谱影像图元匹配到一起的各点中Z值(点云数据的Z值，也即坐标的高度值)最高的点，将与其匹配的高光谱影像图元的光谱反射率和光谱辐射亮度值赋予给该点，与相邻的两个高光谱影像图元分别相匹配的两个光谱坐标点视作相邻。这里取Z值最高的点，是为了排除地面点，因为LiDAR点云存在一些透过树叶间隙从地面上取到的点。
原生的高光谱影像不是正射影像，跟LiDAR点云没法叠到一块，通常需要纠偏形成正射影像后才能叠到一块。但本实施例中采用了另外一种思路，直接以LiDAR点云为基准对高光谱影像进行校正，使二者叠合更准，具体如下：
在对LiDAR数据进行去噪、地面点分类等和高光谱影像进行图像配准、镶嵌等预处理基础上，将LiDAR点云强度数据生成与高光谱影像空间分辨率一致的栅格图像；然后以LiDAR强度影像为基准数据，精确校正高光谱影像；最后利用LiDAR生成的DSM数据对高光谱数据进行地形校正(本实施例中为冠形校正，即根据树冠1的起伏对树冠1阴影区高光谱数据进行校正)，最终生成接近于实际情况的高光谱影像。借助DSM生成的思想，将LiDAR点云数据投影到对应高光谱影像的二维平面上，具有点云覆盖的高光谱像元内仅保留高度最大的点，然后将高光谱影像所有波段值赋予该点，进而生成带有光谱信息的点云，实现高光谱影像与点云数据的融合。
步骤三中，上层高点2为近红外波段光谱反射率等值线的中心点且Z值为局部极大值。阳光的冠层首次散射光谱信号受土壤和阴影影响最小，越接近树顶点的位置太阳反射率越高。从而可以用光谱反射率等值线的中心点找到树顶点。而近红外波段(波长800nm)对树冠1敏感，确保不会把无关的点识别为树顶。
如图1所示，步骤四采用以下方式判断一个上层高点2是否为上层树顶点4：
相邻两个上层高点2之间的各光谱坐标点中，Z值为局部极小值的光谱坐标点记作上层低点3，上层低点3起分别向相邻两个上层高点2伸出的线组成的角记作突出程度判断角；
若一个上层高点2周边的突出程度判断角均小于设定的阈值，则该上层高点2为上层树顶点4。
这种排除假树顶点的方式的原理在于判断上层高点2所在位置的突出程度，虽然徒长枝也会突起到树冠1外并被识别为上层高点2，但其整体上突出程度低于树顶。从图1也可以看出，即使是存在两棵树挤在一块、存在大量徒长枝、且边上还有更矮的树这种复杂情况下，采用这种方法，也能把真正的上层树顶点4(C1''，C4'')找出来。
这里的阈值，针对不同树种而不相同，可以根据经验指定，也可以人工识别几个上层树顶点4，然后调整阈值，直到机器识别时能正确把这几个人工识别出的上层树顶点4挑出来。
步骤五中，光照边界线5采用以下方式求取：
从光谱坐标点中选取光照边界点，光照边界点满足以下条件：在近红外波段，光照边界点的光谱辐射亮度与至少一个相邻的光谱坐标点相差不超过10%，且与至少一个相邻的光谱坐标点相差超过50%；
这里的10%，含义是光照边界点边上有跟它亮度差不多的点，50%，含义是光照边界点边上有跟它亮度相差巨大的点。取到的光照边界点分两类，一类是阴影区域边界的点，一类是光照区域边界的点，两部分点共同组成光照边界线5。如果只取一类的话，由于本实施例中光谱坐标点较为稀疏，很难得到较平滑的光照边界线5。
将相邻的光照边界点连成线，且呈弧形且弧内侧或弧线上存在上层树顶点4的连线，即为光照边界线5。弧线上存在上层树顶点4，是对于那些呈圆锥形且所在纬度较高(阳光与地面夹角小)的树冠1而言的。
步骤六具体如下：
步骤6.1：取一个上层林冠中的单木树冠1并记作标准树冠，在LiDAR点云中人工识别出树冠1的边界点云；
步骤6.2：以过标准树冠的上层树顶点4的多条直线将标准树冠分割到多个大小相同的夹角状区域中，统计每个夹角状区域中边界点云与标准树冠的上层树顶点4最大间距，记作标准距离；
步骤6.3：取一个上层林冠中的单木树冠1，记作待分割树冠，计算其光照边界线5的长度与标准树冠的光照边界线5的长度的比值，记作缩放比例；每个夹角状区域对应的标准距离与缩放比例的乘积，记作该夹角区域的修正距离；
步骤6.4：将步骤6.2的各直线作为一个整体进行平移，使各直线的交点移动到待分割树冠的上层树顶点4；
如图2所示，点云分类窗口6为各夹角状区域中与分割树冠1的上层树顶点4的距离不超过该夹角区域的修正距离的部分；
步骤6.5：以上层树顶点4为种子点在点云分类窗口6内进行点云分割；上层树顶点4必然位于树冠1上，跟树冠1上其它点有类似之处，因此选其作为种子点。
步骤6.6：重复步骤6.3-6.5，直到完成上层林冠中所有树冠1的点云分割。
步骤六这种方法利用了高郁闭度人工林树冠1规整且树种单一这一特征，树冠1的大小与树冠1上光照边界线5的长度是成比例的，且这个比例对于上层林冠中所有的树而言是基本一致的，当然也会存在一些树冠1因种种原因而生长扭曲，导致光照边界线5比正常的树冠1长一些，但这样刚好使得点云分类窗口6变大，从而让可能属于这个扭曲的树冠1的点尽可能齐全地被包括在内。
若人工林所在的地表包含多种不同地形，则每种地形上分别选取对应该地形的标准树冠，待分割树冠需与标准树冠处于同一地形。
地形是对树冠1的形状有影响的，会导致树顶点在树冠1中的位置发生变化，因此不同地形需要单独对待。坡地上的不能跟平地上的共用标准树冠。
本实施例应用于广西南宁市高峰林场(亚热带人工林)高郁闭度桉树样地单木树冠1分割中，测试了样地中35棵树的单木分割效果，其中正确检测出树顶点32棵，树冠1检测率达到94%；利用实测树冠1冠幅(东西、南北方向)参数评估树冠1分割结果，RMSE低于0.45m，精度达到89.5%。这项工作证明了提出的技术的有效性，并展示了相对于现有方法(例如分水岭分割)的树冠1检测和分割准确性的增强。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种高郁闭度人工林单木树冠分层分割方法，其特征在于：包括以下步骤：
步骤一：获取阳光照射下的人工林的无人机高光谱影像和LiDAR点云；
步骤二：将无人机高光谱影像上各波段的光谱反射率和光谱辐射亮度值赋予到LiDAR点云同一位置的点上，被赋值的点记作光谱坐标点；
步骤三：从光谱坐标点中筛选上层林冠可能的树顶点，记作上层高点（2），所述上层高点（2）为光谱反射率等值线的中心点且Z值为局部极大值；
步骤四：从上层高点（2）中排除假树顶点，所述假树顶点包括凸起到树冠（1）外的树枝及丛簇，排除后剩余的上层高点（2）记作上层树顶点（4）；
步骤五：获取光照边界线（5），所述光照边界线（5）为树冠（1）上被照亮部分和阴影部分的分界线；
步骤六：根据各上层树顶点（4）位置和光照边界线（5）的尺寸，分别设置点云分类窗口（6）将上层林冠中的各树冠（1）围在内部，以上层树顶点（4）为种子点在各点云分类窗口（6）内进行点云分割，完成上层林冠中单木树冠（1）的分割；
步骤七：将光谱坐标点中的分类点和未分类点进行分层并分离出未分类点，进行树冠（1）边界点云的探测，实现对下层林冠中的单木树冠（1）的分割；最后将两层分割结果进行合并。
2.根据权利要求1所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：步骤二具体如下：将与人工林同一位置对应的高光谱影像图元以及LiDAR点云中的点匹配到一起，然后选取与同一高光谱影像图元匹配到一起的各点中Z值最高的点，将与其匹配的高光谱影像图元的光谱反射率和光谱辐射亮度值赋予给该点，与相邻的两个高光谱影像图元分别相匹配的两个光谱坐标点视作相邻。
3.根据权利要求1所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：步骤三中，上层高点（2）为近红外波段光谱反射率等值线的中心点且Z值为局部极大值。
4.根据权利要求2所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：步骤四采用以下方式判断一个上层高点（2）是否为上层树顶点（4）：
相邻两个上层高点（2）之间的各光谱坐标点中，Z值为局部极小值的光谱坐标点记作上层低点（3），上层低点（3）起分别向相邻两个上层高点（2）伸出的线组成的角记作突出程度判断角；
若一个上层高点（2）周边的突出程度判断角均小于设定的阈值，则该上层高点（2）为上层树顶点（4）。
5.根据权利要求2所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：步骤五中，光照边界线（5）采用以下方式求取：
从光谱坐标点中选取光照边界点，所述光照边界点满足以下条件：在近红外波段，光照边界点的光谱辐射亮度与至少一个相邻的光谱坐标点相差不超过10%，且与至少一个相邻的光谱坐标点相差超过50%；
将相邻的光照边界点连成线，且呈弧形且弧内侧或弧线上存在上层树顶点（4）的连线，即为光照边界线（5）。
6.根据权利要求1所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：步骤六具体如下：
步骤6.1：取一个上层林冠中的单木树冠（1）并记作标准树冠，在LiDAR点云中人工识别出树冠（1）的边界点云；
步骤6.2：以过标准树冠的上层树顶点（4）的多条直线将标准树冠分割到多个大小相同的夹角状区域中，统计每个夹角状区域中边界点云与标准树冠的上层树顶点（4）最大间距，记作标准距离；
步骤6.3：取一个上层林冠中的单木树冠（1），记作待分割树冠，计算其光照边界线（5）的长度与标准树冠的光照边界线（5）的长度的比值，记作缩放比例；每个夹角状区域对应的标准距离与缩放比例的乘积，记作该夹角区域的修正距离；
步骤6.4：将步骤6.2的各直线作为一个整体进行平移，使各直线的交点移动到待分割树冠的上层树顶点（4），点云分类窗口（6）为各夹角状区域中与分割树冠（1）的上层树顶点（4）的距离不超过该夹角区域的修正距离的部分；
步骤6.5：以上层树顶点（4）为种子点在点云分类窗口（6）内进行点云分割；
步骤6.6：重复步骤6.3-6.5，直到完成上层林冠中所有树冠（1）的点云分割。
7.根据权利要求6所述的一种高郁闭度人工林单木树冠分层分割方法，其特征在于：若人工林所在的地表包含多种不同地形，则每种地形上分别选取对应该地形的标准树冠，待分割树冠需与标准树冠处于同一地形。
CN202310480182.6A 2023-04-28 2023-04-28 一种高郁闭度人工林单木树冠分层分割方法 Active CN116485822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310480182.6A CN116485822B (zh) 2023-04-28 2023-04-28 一种高郁闭度人工林单木树冠分层分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310480182.6A CN116485822B (zh) 2023-04-28 2023-04-28 一种高郁闭度人工林单木树冠分层分割方法

Publications (2)

Publication Number Publication Date
CN116485822A CN116485822A (zh) 2023-07-25
CN116485822B true CN116485822B (zh) 2023-12-08

Family

ID=87219263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310480182.6A Active CN116485822B (zh) 2023-04-28 2023-04-28 一种高郁闭度人工林单木树冠分层分割方法

Country Status (1)

Country Link
CN (1) CN116485822B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003344048A (ja) * 2002-05-22 2003-12-03 Pasuko:Kk 森林情報処理システム
CN109164459A (zh) * 2018-08-01 2019-01-08 南京林业大学 一种结合激光雷达和高光谱数据对森林树种分类的方法
CN110221311A (zh) * 2019-06-11 2019-09-10 南京林业大学 基于tls和uav自动化提取高郁闭林分树高的方法
CN115100232A (zh) * 2022-06-30 2022-09-23 江苏集萃未来城市应用技术研究所有限公司 一种基于融合LiDAR点云数据的单木分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003344048A (ja) * 2002-05-22 2003-12-03 Pasuko:Kk 森林情報処理システム
CN109164459A (zh) * 2018-08-01 2019-01-08 南京林业大学 一种结合激光雷达和高光谱数据对森林树种分类的方法
CN110221311A (zh) * 2019-06-11 2019-09-10 南京林业大学 基于tls和uav自动化提取高郁闭林分树高的方法
CN115100232A (zh) * 2022-06-30 2022-09-23 江苏集萃未来城市应用技术研究所有限公司 一种基于融合LiDAR点云数据的单木分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于图割的机载LiDAR单木识别方法;王濮;邢艳秋;王成;习晓环;;中国科学院大学学报(03);全文 *

Also Published As

Publication number Publication date
CN116485822A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
US7058197B1 (en) Multi-variable model for identifying crop response zones in a field
Bunting et al. The delineation of tree crowns in Australian mixed species forests using hyperspectral Compact Airborne Spectrographic Imager (CASI) data
US11615606B2 (en) Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing
Simonse et al. Automatic determination of forest inventory parameters using terrestrial laser scanning
Lu et al. A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images
CN110569786B (zh) 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
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
Govedarica et al. Object oriented image analysis in remote sensing of forest and vineyard areas.
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
CN112131946A (zh) 光学遥感影像植被和水体信息自动提取方法
CN112241661A (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
CN111487643B (zh) 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN112669363A (zh) 城市绿地三维绿量测算方法
CN115641412A (zh) 基于高光谱数据的三维语义地图的生成方法
Payne et al. Machine vision in estimation of fruit crop yield
CN107705344A (zh) 激光扫描环境点云数据中树冠模型提取方法
CN116485822B (zh) 一种高郁闭度人工林单木树冠分层分割方法
Hui et al. Individual tree extraction from UAV lidar point clouds based on self-adaptive Mean shift segmentation
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
Tong et al. A two-phase classification of urban vegetation using airborne LiDAR data and aerial photography
Brandtberg et al. High-spatial-resolution remote sensing
Huang et al. Tree crown detection and delineation using optical satellite imagery
Cui et al. Optimal spatial resolution of remote-sensing imagery for monitoring cantaloupe greenhouses
CN113570621A (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
Arcidiacono et al. Image processing for the classification of crop shelters

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