CN117095165A - 基于人工智能的林地空秃检测系统 - Google Patents

基于人工智能的林地空秃检测系统 Download PDF

Info

Publication number
CN117095165A
CN117095165A CN202310992137.9A CN202310992137A CN117095165A CN 117095165 A CN117095165 A CN 117095165A CN 202310992137 A CN202310992137 A CN 202310992137A CN 117095165 A CN117095165 A CN 117095165A
Authority
CN
China
Prior art keywords
image
corner
point
forest land
retention
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
Application number
CN202310992137.9A
Other languages
English (en)
Other versions
CN117095165B (zh
Inventor
张婷
马瑞红
令狐荣钢
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.)
Hedong District Zhiyuan Seedling Planting Professional Cooperative
Original Assignee
Hedong District Zhiyuan Seedling Planting Professional Cooperative
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 Hedong District Zhiyuan Seedling Planting Professional Cooperative filed Critical Hedong District Zhiyuan Seedling Planting Professional Cooperative
Priority to CN202310992137.9A priority Critical patent/CN117095165B/zh
Publication of CN117095165A publication Critical patent/CN117095165A/zh
Application granted granted Critical
Publication of CN117095165B publication Critical patent/CN117095165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner 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
    • G06T2207/30—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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像数据处理领域，特别涉及一种基于人工智能的林地空秃检测系统，包括：获取林地的第一图像；对第一图像进行预处理，得到第二图像和第三图像，第二图像为灰度图像，第三图像为颜色图像；对第二图像进行角点检测，得到角点坐标；对第二图像的每个角点进行保留度计算，得到第二图像每个角点的保留度；对第三图像的每个像素点进行色比差异计算，得到第三图像每个像素点的色比差异因子；基于保留度与色比差异因子计算得到相似度；基于相似度改进区域生长算法的生长准则对林地空秃进行检测。这样，通过改进区域生长算法的生长规则，从而对林地空秃现象进行准确的区域划分，实现了林地空秃的精确检测。

Description

基于人工智能的林地空秃检测系统
技术领域
本发明涉及图像数据处理领域，特别是涉及一种基于人工智能的林地空秃检测系统。
背景技术
林地作为生态系统的重要组成部分，是大量动植物的重要栖息地，在维持生态平衡，保护土地、水源等方面起着极其重大的作用。林地空秃现象会对生态系统产生巨大的负面影响，会降低对土壤、水和气候的生态功能以及自然保护能力，导致土壤营养物质流失、水源枯竭和生物多样性的降低。对林地空秃的检测预防已经刻不容缓。
由于林地空秃是渐进的，所以林地边缘区域产生空秃现象时，有些树木空秃并不彻底，传统的图像阈值分割算法在检测林地空秃现象时，难以解决林地边缘区域由于林木空秃不完全，与正常树木区别较小导致灰度值分布复杂使得分割效果不理想。区域生长算法作为一种基于像素相似度的图像分割算法，其算法简单、精度高并且可扩展性强，能够实现林地空秃区域和林地区域之间较好的划分；但其缺点是参数选择困难，对图像的噪声较为敏感，在空秃区域中，由于地势高低变化，会导致空秃区域中存在峭壁，高坡，这些地理环境在航拍图像中与林秃区域之间仍然存在着差异，进而影响区域生长算法的精度。
发明内容
鉴于上述问题，本申请提供了一种基于人工智能的林地空秃检测系统，通过基于林地树冠空秃性质以及林地空秃区域与林地之间的颜色差异所构建的林地相似度进行增长，改进了区域生长算法的生长准则，从而对林地空秃现象进行准确的区域划分，实现了基于人工智能的林地空秃的精确检测。
本申请实施例提供了一种基于人工智能的林地空秃检测系统，包括：
获取模块，用于获取所述林地的第一图像；
预处理模块，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像；
角点检测模块，用于对所述第二图像进行角点检测，得到角点坐标；
第一计算模块，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度；
第二计算模块，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子；
第三计算模块，用于基于保留度与色比差异因子计算得到相似度；
检测模块，用于基于所述相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测。
在一种可能的实现方式中，所述获取模块，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像，包括：
对所述第一图像进行提高对比度处理，获得灰度图像和基于HSV颜色空间的图像，其中所述灰度图像为第二图像，所述基于HSV颜色空间的图像为第三图像。
在一种可能的实现方式中，所述角点检测模块，用于对所述第二图像进行角点检测，得到角点坐标，包括：
对所述第二图像进行角点检测，计算角点灰度梯度，基于已获得的角点坐标设置所述灰度梯度进行筛选，得到特征描述贡献较大的角点坐标。
在一种可能的实现方式中，所述第一计算模块，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度，包括：
对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数；
对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度；
基于所述辐射度与所述保留指数计算得到保留度，所述保留度的计算公式为：
FSD＝TRD*HR
FSD为所述保留度；TRD为所述辐射度；HR为所述保留指数。
在一种可能的实现方式中，所述第一计算模块，用于对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数，包括：
对每个角点构建像素窗口，在每个角点的像素窗口中从每个角点出发，通过链码法从三个方向上寻找三个辐射点；
在像素窗口内，计算获得保留指数，所述保留指数为所述每个角点与其对应的三个辐射点之间的欧式距离之和的平均值。
在一种可能的实现方式中，所述第一计算模块，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
计算所述三个辐射点与对应的所述角点之间的欧氏距离，与所述角点之间的欧式距离最大的辐射点为优先级辐射点，其余两个辐射点为次级辐射点；
在像素窗口内，基于优先级距离和次级距离得到基于像素点的辐射比，所述辐射比的计算公式为：
RV为所述辐射比；PD为所述优先级距离，所述优先级距离为所述每个角点所对应的两个所述次级辐射点与所述优先级辐射点的欧式距离之和的平均值；FD为所述次级距离，所述次级距离为所述每个角点所对应的两个次级辐射点之间的欧氏距离之和的平均值。
在一种可能的实现方式中，所述第一计算模块，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
基于所述辐射比和边缘轮廓曲率计算得到基于像素点的辐射度，所述辐射度的计算公式为：
TRD为所述辐射度；RV为所述辐射比；CR为所述边缘轮廓曲率，所述边缘轮廓曲率为通过所述三个边缘轮廓点所在的拟合曲线的曲率。
在一种可能的实现方式中，所述第二计算模块，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子，包括：
基于空秃色数与窗口内的像素点数量计算得到色比差异因子，所述色比差异因子的计算公式为：
CDF为所述色比差异因子；BN为所述空秃色数，所述空秃色数为每个像素窗口内明亮分度在50以下的像素点数量；D为所述窗口内的像素点数量。
在一种可能的实现方式中，所述第三计算模块，用于基于所述保留度与所述色比差异因子计算得到相似度的计算如下：
WAD为所述相似值；FSD为所述保留度；CDF为所述色比差异因子；将相似值WAD的计算结果归一化，使其值域处于[0，1]内，得到所述相似度。
在一种可能的实现方式中，所述检测模块，用于基于所述林地相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测，包括：
从生长点对八邻域内的像素点开始进行生长判别，以所述生长点为中心构建一个窗口，计算出八邻域方向上的像素点的所述相似度与初始生长点的所述相似度之差得到区域差异度，当所述区域差异度小于第一阈值时，将该像素点归并为生长点；当所述区域差异度大于第一阈值时，停止生长；所述第一阈值为区分林地空秃与正常林地区域的阈值。
附图说明
图1是本申请实施例提供的一种基于人工智能的林地空秃检测系统；
图2是林地空秃图像的示意图；
图3是基于每个角点通过链码法从三个方向上寻找辐射点的示意图；
图4是像素窗口内角点、优先辐射点和次级辐射点的示意图；
图5是林木树冠空秃导致两种特殊情况的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其它实施例，都属于本申请保护的范围。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
参见图1所示，本申请实施例公开了一种基于人工智能的林地空秃检测系统，该林地空秃检测系统可以为各种电子设备，例如：手机、平板电脑、台式电脑、服务器或者云服务器等，在此不作限定。该林地空秃检测系统包括：
获取模块11，用于获取所述林地的第一图像；
预处理模块12，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像；
角点检测模块13，用于对所述第二图像进行角点检测，得到角点坐标；
第一计算模块14，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度；
第二计算模块15，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子；
第三计算模块16，用于基于保留度与色比差异因子计算得到相似度；
检测模块17，用于基于所述相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测。
如图2所示，在林地区域边缘，有些树木产生空秃现象但并没有完全空秃，还存在着一些稀稀疏疏的林冠以及植被。在林地区域中，树木由于光照、风力等因素，在航拍图像中可以观察到树冠波浪形的纹理；并且在颜色空间上，空秃区域与林地区域的颜色差异较大。
其中，所述林地的第一图像是由图像采集设备采集得到的。例如，图像采集设备可以是无人机搭载的高清光学遥感相机，在此不对其进行具体限定。图像采集的条件设定为天气晴朗的可视环境下，采集一定高度(如20米)下的林区图像；要求采集得到的图像中包含关键词，例如采集高度、采集位置等。
在上述实施例中，获取模块11利用图像采集设备获得第一图像(林地区域图像)，然后预处理模块12将第一图像进行预处理提高对比度，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像；角点检测模块13对所述第二图像进行角点检测，得到角点坐标，由于树冠顶点与周围环境差异较大，角点检测之后通过筛选的角点多为树冠顶点；第一计算模块14对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点(树冠顶点)的保留度(林地保留度)；由于林地丰富区域的树木生长分布较为均匀，相邻树木的树冠差异不大，越靠近林地边缘区域，树木由于林秃现象影响生长导致树冠的面积越小甚至只剩下枝条，因此树冠丰富程度越大，林地保留度越大，越有可能是林地区域，而树冠丰富程度越小，林地保留度越小，越有可能是林地空秃区域，据此特性可以构建树冠丰富程度的林地保留度；第二计算模块15对所述第三图像的每个像素点(树冠顶点)进行色比差异计算，得到所述第三图像每个像素点的色比差异因子；第三计算模块16基于所述保留度与所述色比差异因子计算得到相似度；由于在林地区域图像中，林地区域通常为暗绿色，而林地空秃区域多为白色或米白色通过获取图像中林地空秃的色比差异因子，用于后续基于所述林地保留度和色比差异因子计算林地相似度；检测模块17基于所述相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测，即基于林地空秃的特征构建林地相似度来改进区域生长算法的生长准则，对林地区域边缘的空秃进行针对性的处理分析。
在本申请一个可选的实施例中，所述预处理模块12，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像，包括：
对所述第一图像进行提高对比度处理，获得灰度图像和基于HSV颜色空间的图像，其中所述灰度图像为第二图像，所述基于HSV颜色空间的图像为第三图像。
其中，预处理模块12将采集的林区图像提高对比度，转化为灰度图像和基于HSV颜色空间的图像，方便后续分析。通过自适应直方图均衡化的方式提高对比度，目的在于使得林区大局部的对比度提高的同时避免了过度增加小局部的对比度，实施者也可采取其他方式，在此不对其进行具体限定。
在本申请一个可选的实施例中，所述角点检测模块13，用于对所述第二图像进行角点检测，得到角点坐标，包括：
对所述第二图像进行角点检测，计算角点灰度梯度，基于已获得的角点坐标设置所述灰度梯度进行筛选，得到特征描述贡献较大的角点坐标。
需要说明的是，由于林地空秃之后，地面土壤植被被破坏呈现荒芜的场景，区域内的角点数量过少甚至无法被检测到；对于林地边缘的林木窗口中，有些树木的林冠还未完全光秃或者林秃不明显，能够检测到较少的角点分布；对于林地区域内部的图像中，由于树冠纹理丰富，所以角点数量最多。角点检测模块13对林地灰度图像进行Harris角点检测算法进行角点检测，为防止局部区域内因光照或角度问题导致角点数量异常，可以通过Sobel算子计算角点灰度梯度大小，设置灰度梯度阈值(经验值为50，也可以根据实际进行选择和调整)，保留图像中对树冠区域特征描述贡献较大的角点，并记录其坐标为H_i(x_0,y_0)。角点检测的算法，除了Harris角点检测算法，还可以是Shi-Tomasi角点检测算法、FAST角点检测算法、Kitchen-Rosenfeld角点检测算法、KLT角点检测算法及SUSAN角点检测算法以及其他角点检测算法，在此不对其进行具体限定。计算角点梯度大小除了通过Sobel算子，还可以通过Roberts算子、Prewitt算子、Laplacian算子以及其他梯度算子，在此不对其进行具体限定。
在本申请的一个可选的实施例中，所述第一计算模块14，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度，包括：
对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数；
对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度；
基于所述辐射度与所述保留指数计算得到保留度，所述保留度的计算公式为：
FSD＝TRD*HR
FSD为所述保留度；TRD为所述辐射度；HR为所述保留指数。
需要说明的是，林地丰富区域的树木生长分布较为均匀，相邻树木的树冠差异不大，越靠近林地边缘区域，树木由于林秃现象影响生长导致树冠的面积越小甚至只剩下枝条，因此第一计算模块14根据此特征对林地灰度图像的每个角点进行辐射度计算可以构建反映树冠丰富程度的林地辐射度TRD，根据此特征对林地灰度图像的每个角点进行保留指数计算可以构建反映树冠面积大小程度的林地保留指数HR，并最终计算获得反映林地区域与空秃区域可能性大小程度的林地保留度。其中，林地辐射度TRD越大时，树冠丰富程度越大，林地保留度FSD越大，越有可能是林地区域；而林地辐射度TRD越小时，树冠丰富程度越小，林地保留度FSD越小，越有可能是林地空秃区域。同样，林地保留指数HR越大，像素窗口内的树冠面积越大，林木发育越良好，计算得到的FSD林地保留度越大，越有可能是林地区域；林地保留指数HR越小时，像素窗口内的树冠面积越小，树冠发育越不好，FSD林地保留度越小，越有可能是林地空秃区域。
在本申请一个可选的实施例中，所述第一计算模块14，用于对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数，包括：
对每个角点构建像素窗口，在每个角点的像素窗口中从每个角点出发，通过链码法从三个方向上寻找三个辐射点；
在像素窗口内，计算获得保留指数，所述保留指数为所述每个角点与其对应的三个辐射点之间的欧式距离之和的平均值。
由于树冠顶点与周围环境差异较大，经过筛选后的角点多为树冠顶点，基于此特点，对每个角点像素构建窗口，窗口大小可以设置为17*17，在此不对其进行具体限定。可以通过基于Canny算子的边缘检测获取树冠边缘轮廓的二值化图像，记录轮廓上的像素点为A_i(x_i,y_i)。边缘检测也可以采用现有的其他常规算法，在此不对其进行具体限定。
为减少算法计算量，无需对树冠边缘轮廓上所有的边缘点进行讨论。可以基于每个角点通过链码法从三个方向上寻找辐射点(树冠边缘轮廓点)，计算每个角点与它对应的三个辐射点(寻找到的树冠边缘点)之间的欧式距离之和的平均值即为林地保留指数HR。HR为第i个角点的林地保留指数，HR越大，代表像素窗口内的树冠边缘距离树冠顶点越远，树冠面积越大，树冠生长状况越好，越有可能是林地区域的树木。其中，HR越小，代表像素窗口内的树冠边缘距离树冠顶点越近，树冠的面积越小，树冠生长状况越差，越有可能是林秃区域的树木。当HR为0时，即区域窗口内没有角点或找不到三个像素黑点时(窗口区域为林地空秃区域或林地空秃边缘区域)，设HR为1。
通过链码法寻找辐射点(树冠边缘轮廓点)的具体方法(如图3所示)可以为：首先，在每个角点的像素窗口中从每个角点出发，设置寻找步数为7，初始搜索方向为右上，不管成功与否，都将初始方向旋转45°继续寻找，如果成功找到辐射点，记录其坐标A_i(x_i，y_i)，之后在下一方向上继续寻找辐射点。直到找到三个辐射点或者旋转角度大于135°时停止寻找。通过链码法寻找辐射点也可以采用本领域的其他常规方法，在此不对其进行具体限定。
在本申请一个可选的实施例中，所述第一计算模块14，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
计算所述三个辐射点与对应的所述角点之间的欧氏距离，与所述角点之间的欧式距离最大的辐射点为优先级辐射点，其余两个辐射点为次级辐射点；
在像素窗口内，基于优先级距离和次级距离得到基于像素点的辐射比，所述辐射比的计算公式为：
RV为所述辐射比；PD为所述优先级距离，所述优先级距离为所述每个角点所对应的两个所述次级辐射点与所述优先级辐射点的欧式距离之和的平均值；FD为所述次级距离，所述次级距离为所述每个角点所对应的两个次级辐射点之间的欧氏距离之和的平均值。
需要说明的是树冠辐射点距离树冠顶点距离越大，代表树冠生长状况越好，该林地区域越不空秃；树冠辐射点之间的距离越大，表示树冠发育程度越好，该林地越不空秃。计算寻找到的树冠边缘点与角点之间的欧氏距离，如图4所示，设置距离角点最大的树冠边缘点为优先级辐射点，其余两个树冠边缘点设置为次级辐射点。
在像素窗口内，第一计算模块14首先计算两个次级辐射点与优先级辐射点的欧式距离之和的平均值记为优先级距离PD，再计算两个次级辐射点之间的欧氏距离之和的平均值记为次级距离FD，最后基于优先级距离PD和次级距离FD计算得到基于像素点的树冠辐射比RV。其中，PD越大，代表优先级辐射点距离次级辐射点越远，树冠丰富程度越高，树冠辐射比越高；PD越小时，代表优先级辐射点距离次级辐射点距离越近，树冠的丰富程度越小，树冠辐射比越低；FD越大时，说明次级距离越小，树冠的丰富程度越小，树冠辐射比越低；FD越小时，代表次级距离越大，树冠的丰富程度越大，树冠辐射比越高。
在本申请一个可选的实施例中，所述第一计算模块14，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
基于所述辐射比和边缘轮廓曲率计算得到基于像素点的辐射度，所述辐射度的计算公式为：
TRD为所述辐射度；RV为所述辐射比；CR为所述边缘轮廓曲率，所述边缘轮廓曲率为通过所述三个边缘轮廓点所在的拟合曲线的曲率。
为了避免林木树冠空秃导致两种的特殊情况：
(1)树冠虽然空秃但树冠的树枝边缘点成为了优先级辐射点，此时优先级距离PD很大，树冠辐射比很高，但树冠的丰富程度很低(如附图5左侧所示)。
(2)树冠虽然空秃但树冠的树枝边缘点成为了次级辐射点，此时次级距离FD很小，树冠辐射比很高，但树冠的丰富程度很低(如附图5右侧所示)。
第一计算模块14在获得三个辐射点坐标的基础上，使用拟合的方式将三点的坐标拟合在同一曲线中，并使用数值微分法计算两个次级辐射点之间的树冠边缘轮廓曲率CR(曲率为0时按0.1计算)，拟合法与数值微分法均为公知技术，也可以采用其他常规的方法计算两个次级辐射点之间的树冠边缘轮廓曲率CR，在此不做具体限定。最后，基于上面所述辐射度的计算公式通过树冠边缘轮廓曲率CR修正树冠辐射比RV得到基于像素点的树冠辐射度TRD，用于后续改进区域生长算法的生长规则。其中，RV越大时，树冠丰富程度越大，TRD树冠辐射度越大；RV越小时，树冠丰富程度越小，TRD树冠辐射度越小。CR树冠曲率作为避免特殊情况而设置的修正因子，CR越大，代表树冠边缘轮廓变化程度越剧烈，树冠丰富程度越小，TRD树冠辐射度越小；CR越小时，代表树冠边缘轮廓变化程度越平滑，树冠丰富程度越大，TRD树冠辐射度越大。
在本申请一个可选的实施例中，所述第二计算模块15，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子，包括：
基于空秃色数与窗口内的像素点数量计算得到色比差异因子，所述色比5差异因子的计算公式为：
CDF为所述色比差异因子；BN为所述空秃色数，所述空秃色数为每个像素窗口内明亮分度在50以下的像素点数量；D为所述窗口内的像素点数量。
在林地区域图像中，林地区域通常为暗绿色，而林地空秃区域多为白色或米白色，第二计算模块15通过基于HSV的颜色空间来获取图像中林地空秃的色比差异因子，用于后续计算林地相似度。分析林地区域与林地空秃区域在HSV颜色空间的图像中的色调(Hue)分量，统计每个像素窗口内明亮分度在50以下的像素点数量记为空秃色数BN，BN为0时按1计算。最后，基于空秃色数与窗口内的像素点数量计算得到色比差异因子CDF。其中，色比差异因子CDF表示像素窗口内的林地空秃区域色数；D为窗口区域内像素点数量，本实施例中为289；空秃色数BN越大，表示像素窗口内色调分量在50以下的(林地空秃区域)像素点数量越多，色比差异因子CDF越大，窗口区域内的林地空秃面积越大；空秃色数BN越小，表示像素窗口内色调分量在50以下的(林地空秃区域)像素点数量越少，色比差异因子CDF越小，窗口区域内的林地空秃面积越小。
在本申请一个可选的实施例中，所述第三计算模块16，用于基于所述保
留度与所述色比差异因子计算得到相似度的计算如下：
WAD为所述相似值；FSD为所述保留度；CDF为所述色比差异因子；将相似值WAD的计算结果归一化，使其值域处于[0，1]内，得到所述相似度。
需要说明的是，FSD越大时，树冠丰富程度越大，林地保留度越大，该区域为林地区域的可能性越大；反之，FSD越小时，树冠丰富程度越小，林地保留度越小，该区域为林地空秃区域的可能性越大；CDF越大时，区域窗口内的空秃色数越大，该区域为林地空秃区域的可能性越大；CDF越小时，区域窗口内的空秃色数越小，该区域为林地区域的可能性越大。
在本申请一个可选的实施例中，所述检测模块17，用于基于所述林地相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测，包括：
从生长点对八邻域内的像素点开始进行生长判别，以所述生长点为中心构建一个窗口，计算出八邻域方向上的像素点的所述相似度与初始生长点的所述相似度之差得到区域差异度，当所述区域差异度小于第一阈值时，将该像素点归并为生长点；当所述区域差异度大于第一阈值时，停止生长；所述第一阈值为区分林地空秃与正常林地区域的阈值。
在上述实施例中，设初始生长点为F(x,y)，对八邻域内的像素点开始进行生长判别，以F为中心构建一个3*3的窗口，计算出八邻域方向上的像素点林地相似度与初始生长点林地相似度之差记为区域差异度，设定区分林地空秃与正常林地区域的阈值V(经验值为0.3)，当区域差异度小于V时，将该像素点归并之生长点；当区域差异度大于V时，停止生长。至此，实现对林地空秃现象进行准确的区域划分，实现了基于人工智能的林地空秃的精确检测。
以上对本申请所提供的一种基于人工智能的林地空秃检测系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于人工智能的林地空秃检测系统，其特征在于，包括：
获取模块，用于获取所述林地的第一图像；
预处理模块，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像；
角点检测模块，用于对所述第二图像进行角点检测，得到角点坐标；
第一计算模块，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度；
第二计算模块，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子；
第三计算模块，用于基于保留度与色比差异因子计算得到相似度；
检测模块，用于基于所述相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测。
2.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述预处理模块，用于对所述第一图像进行预处理，得到第二图像和第三图像，所述第二图像为灰度图像，所述第三图像为颜色图像，包括：
对所述第一图像进行提高对比度处理，获得灰度图像和基于HSV颜色空间的图像，其中所述灰度图像为第二图像，所述基于HSV颜色空间的图像为第三图像。
3.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述角点检测模块，用于对所述第二图像进行角点检测，得到角点坐标，包括：
对所述第二图像进行角点检测，计算角点灰度梯度，基于已获得的角点坐标设置所述灰度梯度进行筛选，得到特征描述贡献较大的角点坐标。
4.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述第一计算模块，用于对所述第二图像的每个角点进行保留度计算，得到所述第二图像每个角点的保留度，包括：
对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数；
对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度；
基于所述辐射度与所述保留指数计算得到保留度，所述保留度的计算公式为：
FSD＝TRD*HR
FSD为所述保留度；TRD为所述辐射度；HR为所述保留指数。
5.根据权利要求4所述的基于人工智能的林地空秃检测系统，其特征在于，所述第一计算模块，用于对所述第二图像的每个角点进行保留指数计算，得到所述每个角点的保留指数，包括：
对每个角点构建像素窗口，在每个角点的像素窗口中从每个角点出发，通过链码法从三个方向上寻找三个辐射点；
在像素窗口内，计算获得保留指数，所述保留指数为所述每个角点与其对应的三个辐射点之间的欧式距离之和的平均值。
6.根据权利要求5所述的基于人工智能的林地空秃检测系统，其特征在于，所述第一计算模块，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
计算所述三个辐射点与对应的所述角点之间的欧氏距离，与所述角点之间的欧式距离最大的辐射点为优先级辐射点，其余两个辐射点为次级辐射点；
在像素窗口内，基于优先级距离和次级距离得到基于像素点的辐射比，所述辐射比的计算公式为：
RV为所述辐射比；PD为所述优先级距离，所述优先级距离为所述每个角点所对应的两个所述次级辐射点与所述优先级辐射点的欧式距离之和的平均值；FD为所述次级距离，所述次级距离为所述每个角点所对应的两个次级辐射点之间的欧氏距离之和的平均值。
7.根据权利要求6所述的基于人工智能的林地空秃检测系统，其特征在于，所述第一计算模块，用于对所述第二图像的每个角点进行辐射度计算，得到所述每个角点的辐射度，包括：
基于所述辐射比和边缘轮廓曲率计算得到基于像素点的辐射度，所述辐射度的计算公式为：
TRD为所述辐射度；RV为所述辐射比；CR为所述边缘轮廓曲率，所述边缘轮廓曲率为通过所述三个边缘轮廓点所在的拟合曲线的曲率。
8.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述第二计算模块，用于对所述第三图像的每个像素点进行色比差异计算，得到所述第三图像每个像素点的色比差异因子，包括：
基于空秃色数与窗口内的像素点数量计算得到色比差异因子，所述色比差异因子的计算公式为：
CDF为所述色比差异因子；BN为所述空秃色数，所述空秃色数为每个像素窗口内明亮分度在50以下的像素点数量；D为所述窗口内的像素点数量。
9.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述第三计算模块，用于基于所述保留度与所述色比差异因子计算得到相似度的计算如下：
WAD为所述相似值；FSD为所述保留度；CDF为所述色比差异因子；将相似值WAD的计算结果归一化，使其值域处于[0，1]内，得到所述相似度。
10.根据权利要求1所述的基于人工智能的林地空秃检测系统，其特征在于，所述检测模块，用于基于所述林地相似度改进区域生长算法的生长准则，采用所述区域生长算法对林地空秃进行检测，包括：
从生长点对八邻域内的像素点开始进行生长判别，以所述生长点为中心构建一个窗口，计算出八邻域方向上的像素点的所述相似度与初始生长点的所述相似度之差得到区域差异度，当所述区域差异度小于第一阈值时，将该像素点归并为生长点；当所述区域差异度大于第一阈值时，停止生长；所述第一阈值为区分林地空秃与正常林地区域的阈值。
CN202310992137.9A 2023-08-08 2023-08-08 基于人工智能的林地空秃检测系统 Active CN117095165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310992137.9A CN117095165B (zh) 2023-08-08 2023-08-08 基于人工智能的林地空秃检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310992137.9A CN117095165B (zh) 2023-08-08 2023-08-08 基于人工智能的林地空秃检测系统

Publications (2)

Publication Number Publication Date
CN117095165A true CN117095165A (zh) 2023-11-21
CN117095165B CN117095165B (zh) 2024-03-15

Family

ID=88774354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310992137.9A Active CN117095165B (zh) 2023-08-08 2023-08-08 基于人工智能的林地空秃检测系统

Country Status (1)

Country Link
CN (1) CN117095165B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019144887A (ja) * 2018-02-21 2019-08-29 株式会社パスコ 森林計画情報調整システム及びプログラム
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN113689490A (zh) * 2021-09-01 2021-11-23 崔宁博 基于随机森林算法的果树叶面积指数反演方法
CN114119713A (zh) * 2021-11-30 2022-03-01 上海岩易科技有限公司 一种基于人工智能与无人机遥感的林地空秃检测方法
CN115376032A (zh) * 2022-10-25 2022-11-22 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于图像理解的林业病虫智能识别方法及系统
CN116109652A (zh) * 2022-10-31 2023-05-12 佳源科技股份有限公司 基于改进区域生长算法的图像分割方法、系统、设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019144887A (ja) * 2018-02-21 2019-08-29 株式会社パスコ 森林計画情報調整システム及びプログラム
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN113689490A (zh) * 2021-09-01 2021-11-23 崔宁博 基于随机森林算法的果树叶面积指数反演方法
CN114119713A (zh) * 2021-11-30 2022-03-01 上海岩易科技有限公司 一种基于人工智能与无人机遥感的林地空秃检测方法
CN115376032A (zh) * 2022-10-25 2022-11-22 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于图像理解的林业病虫智能识别方法及系统
CN116109652A (zh) * 2022-10-31 2023-05-12 佳源科技股份有限公司 基于改进区域生长算法的图像分割方法、系统、设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖梦怡 等: "灰度值星型辐射投影角点检测算法", 计算机辅助设计与图形学学报, no. 11, pages 166 - 174 *

Also Published As

Publication number Publication date
CN117095165B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
US9767371B2 (en) Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same
US20130155235A1 (en) Image processing method
CN108197604A (zh) 基于嵌入式设备的快速人脸定位跟踪方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN110473221B (zh) 一种目标物体自动扫描系统及方法
CN114332650B (zh) 一种遥感图像道路识别方法及系统
US20170178341A1 (en) Single Parameter Segmentation of Images
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
CN113538491B (zh) 一种基于自适应阈值的边缘识别方法、系统及存储介质
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
WO2019049324A1 (en) IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD, AND STORAGE MEDIUM
CN109190452B (zh) 作物行识别方法及装置
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN113744191A (zh) 一种卫星遥感影像自动云检测方法
CN112053371A (zh) 一种遥感图像中的水体提取方法和装置
Fang et al. Image quality assessment on image haze removal
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
Azevedo et al. Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
Mao et al. Apple location method for the apple harvesting robot
CN117095165B (zh) 基于人工智能的林地空秃检测系统
CN111062341A (zh) 视频图像区域的分类方法、装置、设备及存储介质
CN113724381B (zh) 一种基于高分遥感影像的动态三维场景快速重建方法
CN116052020A (zh) 基于无人机的图像快速解译方法

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