JP6218678B2 - Forest phase analysis apparatus, forest phase analysis method and program - Google Patents
Forest phase analysis apparatus, forest phase analysis method and program Download PDFInfo
- Publication number
- JP6218678B2 JP6218678B2 JP2014119574A JP2014119574A JP6218678B2 JP 6218678 B2 JP6218678 B2 JP 6218678B2 JP 2014119574 A JP2014119574 A JP 2014119574A JP 2014119574 A JP2014119574 A JP 2014119574A JP 6218678 B2 JP6218678 B2 JP 6218678B2
- Authority
- JP
- Japan
- Prior art keywords
- forest
- fauna
- image
- statistical distribution
- region
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Description
本発明は、上空から撮影した画像に対応する林相区分図を、当該画像と当該画像とは別の時期の既存の林相区分図とから生成する林相解析装置、林相解析方法及びプログラムに関する。 The present invention relates to a forest facies analysis apparatus, a forest facies analysis method, and a program for generating a forest facies segment map corresponding to an image taken from the sky from the image and an existing forest facies segment map at a different time from the image.
航空機などによる上空からのリモートセンシングは、広範囲での地上の状況把握が可能であり、伐採や風倒被害等による森林変化の検出や、森林の林相区分図の作成に利用されている。ちなみに、我が国では一般に数年を単位として森林の計画・管理が行われており、これに対応して林相区分図の更新も数年程度ごとに行われる。 Remote sensing from the sky by aircraft or the like can grasp the situation on the ground over a wide range, and is used to detect forest changes due to felling, wind damage, etc., and to create a forest fauna classification map. Incidentally, in Japan, forest planning and management is generally conducted in units of several years. Corresponding to this, the forest phase classification map is also updated every several years.
既存の林相区分図と新しく取得した航空写真等の高分解能画像データとを利用した森林変化の検出や林相区分図の更新は従来、基本的に人間が目視判読によって行っている。しかしながら、広範囲にわたる目視判読には膨大な時間を要するため、より効率的な森林変化検出、並びに林相区分図更新の手法が求められている。 Conventionally, human detection of forest changes and updates of forest phase classification maps using existing forest phase classification maps and newly acquired high-resolution image data such as aerial photographs are basically carried out by visual interpretation. However, since a large amount of time is required for visual interpretation over a wide area, more efficient methods for detecting forest changes and updating the forest fauna classification map are required.
森林変化を自動判読する従来技術として、新年度の画像から作成された林相区分図を既存の林相区分図と比較する手法が知られている。また、森林を撮影した画像から林相区分図を自動生成する技術に関しては、当該画像を領域分割して、類似した特徴を持つ複数の小領域である林相区画を生成し、当該林相区画ごとに林相分類を行う手法が研究されている。 As a conventional technique for automatically interpreting forest changes, there is known a method for comparing a forest phase map created from an image of a new year with an existing forest phase map. In addition, regarding the technology for automatically generating a forest fauna map from an image of forests, the image is divided into regions to generate forest fauna compartments that are a plurality of small regions with similar characteristics, and forest fauna compartments for each forest fauna compartment. Methods for classification are being studied.
林相区分図の自動生成において、森林を撮影した画像から取得した教師データを用いて林相分類が行われる。従来、教師データの取得に際しては人間が各林相に該当する領域を選択し、当該領域から各林相の教師データが抽出される。そのため、林相区分図の作成は完全には自動化されておらず、林相区分図の更新作業も十分に効率化・自動化されていなかった。 In the automatic generation of the forest fauna classification map, the forest fauna classification is performed using the teacher data acquired from the image of the forest. Conventionally, when acquiring teacher data, a human selects a region corresponding to each forest phase, and the teacher data of each forest phase is extracted from the region. For this reason, the preparation of the forest facies map was not fully automated, and the updating of the forest facies map was not sufficiently efficient and automated.
また、上述の林相に関する教師データの取得は人間の作業負荷に起因して画像の一部分から行われる。ここで、同じ林相であってもその特徴は画像内でばらつきを有する。そのため、画像の一部分から得られた教師データを用いて生成した林相区分図には誤分類が生じやすいという問題があった。また、当該誤分類の修正には大きな手間がかかるという問題があった。 In addition, the acquisition of the teacher data regarding the above-mentioned forestry is performed from a part of the image due to the human workload. Here, even in the same forest phase, the characteristics vary within the image. For this reason, there is a problem that misclassification is likely to occur in the forest fauna classification map generated using the teacher data obtained from a part of the image. In addition, there is a problem that correction of the misclassification takes a lot of work.
本発明は上記問題点を解決するためになされたものであり、既存の林相区分図を利用して航空写真等の高分解能の画像に対応する林相区分図を高精度で自動的に生成することを可能とし、ひいては森林変化の自動検出を可能とする林相解析装置、林相解析方法及びプログラムを提供することを目的とする。 The present invention has been made to solve the above problems, and automatically generates a forest fauna map corresponding to a high-resolution image such as aerial photographs with high accuracy using an existing forest fauna map. It is an object of the present invention to provide a forest facies analysis apparatus, forest facies analysis method and program that enable automatic detection of forest changes.
(1)本発明に係る林相解析装置は、森林を含む対象地域の第1の時期における既知の林相区分図での各林相の領域に対応して、前記対象地域を第2の時期に上空から撮影した原画像に注目領域を設定し、前記各林相の前記注目領域にて所定の要素領域ごとに抽出される画像の特徴情報について統計分布を求める統計分布作成手段と、前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定手段と、前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成手段と、を有する。 (1) The forest fauna analysis apparatus according to the present invention corresponds to each forest fauna area in the known forest fauna division map in the first period of the target area including the forest, and the target area is viewed from the sky in the second period. A statistical distribution creating means for setting a region of interest in the captured original image and obtaining a statistical distribution for image feature information extracted for each predetermined element region in the region of interest of each forest phase; The feature information of the forest facies corresponding to the unchanged area based on the statistical distribution in the attention area under the condition that most of the unchanged area where the forest phase does not change between the first period is occupied Teacher data determining means for determining teacher data and the teacher data determined for each forest phase determine the forest phase in each element region of the original image, and the forest phase in the second period It has a forest type classification diagram generating means for generating a partial figure, a.
(2)上記(1)に記載する林相解析装置において、さらに、前記第1の時期の前記林相区分図と前記第2の時期の前記林相区分図とを比較して、前記対象地域における前記林相の変化を検出する林相変化検出手段を有する構成とすることもできる。 (2) In the forest fauna analysis apparatus described in (1) above, the forest fauna in the target area is further compared by comparing the forest fauna segment map in the first period and the forest fauna segment map in the second period. It can also be set as the structure which has the forest phase change detection means which detects the change of this.
(3)上記(1)又は(2)に記載する林相解析装置において、さらに、前記原画像の1又は複数種類の区画用特徴量の類似性に基づいて前記対象地域を複数領域に分割して前記森林の林相区画を生成し出力する林相区画生成手段を備え、前記統計分布作成手段及び前記林相区分図生成手段における前記要素領域が前記林相区画である構成とすることができる。 (3) In the forest fauna analysis apparatus described in the above (1) or (2), the target area is further divided into a plurality of regions based on the similarity of one or more types of partition feature quantities of the original image. A forest fauna compartment generating means for generating and outputting the forest fauna compartment may be provided, and the element region in the statistical distribution creating means and the forest fauna compartment map generating means may be the forest fauna compartment.
(4)上記(3)に記載する林相解析装置において、さらに、前記原画像から、当該原画像の隣接する複数画素からなる領域を画素として分解能を低下させた劣化画像を生成する画像劣化手段を備え、前記林相区画生成手段が、前記劣化画像を、その1又は複数種類の前記区画用特徴量の類似性に基づいて複数領域に分割し林相区画を生成する初期区画手段と、隣接する林相区画をそれらの1又は複数種類の前記区画用特徴量の類似性に基づいて結合して新たな林相区画を生成する逐次区画処理を1回又は複数回行い、前記対象地域における前記森林の林相区画を出力する後続区画手段と、を備え、前記後続区画手段は少なくとも1回の前記逐次区画処理を前記原画像の前記区画用特徴量、又は前記原画像及び前記劣化画像それぞれの前記区画用特徴量に基づいて行うように構成することができる。 (4) In the forest fauna analysis apparatus described in (3) above, image degradation means for generating a degraded image in which the resolution is reduced from the original image using a region composed of a plurality of adjacent pixels of the original image as a pixel. An initial compartment means for dividing the degraded image into a plurality of regions based on the similarity of the one or a plurality of types of feature values, and creating a forest fauna compartment; and an adjacent forest fauna compartment Are combined on the basis of the similarity of the one or a plurality of types of the feature values for the partition to generate a new forest fauna partition once or a plurality of times, and the forest fauna partition of the forest in the target area is obtained. And subsequent partition means for outputting, the succeeding partition means performs at least one sequential partition processing on the partition feature amount of the original image, or each of the sections of the original image and the degraded image. It can be configured to perform, based on the use feature amount.
(5)上記(3)又は(4)に記載する林相解析装置において、前記原画像からテクスチャ情報を抽出するテクスチャ情報抽出手段を備え、前記統計分布作成手段が、前記林相区画生成手段から出力される前記各林相区画から抽出された前記テクスチャ情報を前記特徴情報として前記統計分布を求める構成とすることができる。 (5) In the forest fauna analyzing apparatus described in (3) or (4), the forest fauna analyzing apparatus includes texture information extracting means for extracting texture information from the original image, and the statistical distribution creating means is output from the forest fauna section generating means. The statistical distribution can be obtained by using the texture information extracted from the forest stand sections as the feature information.
(6)上記(5)に記載する林相解析装置において、前記原画像からスペクトル情報を抽出するスペクトル情報抽出手段を備え、前記統計分布作成手段が、前記林相区画生成手段から出力される前記各林相区画から抽出された前記テクスチャ情報及び前記スペクトル情報を前記特徴情報として前記統計分布を求める構成とすることができる。 (6) The forest fauna analysis apparatus according to (5), further including spectrum information extraction means for extracting spectrum information from the original image, wherein the statistical distribution creation means is the forest fauna output from the forest fauna section generation means. The statistical distribution can be obtained by using the texture information and the spectrum information extracted from the section as the feature information.
(7)上記(3)又は(4)に記載する林相解析装置において、前記原画像からスペクトル情報を抽出するスペクトル情報抽出手段を有し、前記統計分布作成手段は、前記林相区画生成手段から出力される前記各林相区画から抽出された前記スペクトル情報を前記特徴情報として前記統計分布を求める構成とすることができる。 (7) In the forest fauna analysis apparatus according to (3) or (4), the forest fauna analyzing apparatus includes a spectrum information extracting unit that extracts spectrum information from the original image, and the statistical distribution creating unit outputs from the forest fauna section generating unit. The statistical distribution can be obtained using the spectrum information extracted from each forest fauna section as the feature information.
(8)本発明に係る林相解析方法は、森林を含む対象地域の第1の時期における林相区分図での各林相の領域に対応して、前記対象地域を第2の時期に上空から撮影した原画像に注目領域を設定し、前記各林相の前記注目領域にて所定の要素領域ごとに抽出される画像の特徴情報について統計分布を求める統計分布作成ステップと、前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定ステップと、前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成ステップと、を有する。 (8) In the forest fauna analysis method according to the present invention, the target area is photographed from the sky in the second period corresponding to the area of each forest fauna in the forest fauna division map in the first period of the target area including the forest. A statistical distribution creating step of setting a region of interest in an original image, and obtaining a statistical distribution for image feature information extracted for each predetermined element region in the region of interest of each forest phase; Teacher data regarding the feature information of the forest facies corresponding to the unchanged area based on the statistical distribution in the area of interest under the condition that most of the unchanged area where the forest fauna does not change between And determining the forest fauna in each element area of the original image by the teacher data determining step for determining each forest phase and the forest data determined for each forest phase. Has a forest type classification diagram generating step of generating a classification diagram, the.
(9)本発明に係るプログラムは、コンピュータに、森林を含む対象地域における林相解析を行わせるためのプログラムであって、当該コンピュータを、森林を含む対象地域の第1の時期における林相区分図での各林相の領域に対応して、前記対象地域を第2の時期に上空から撮影した原画像に注目領域を設定し、前記各林相の前記注目領域にて所定の要素領域ごとに抽出される画像の特徴情報について統計分布を求める統計分布作成手段、前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定手段、及び、前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成手段、として機能させる。 (9) A program according to the present invention is a program for causing a computer to perform a forest facies analysis in a target area including a forest, and the computer is a forest facies division diagram in a first period of the target area including the forest. Corresponding to each forest phase area, a target area is set in the original image of the target area taken from above in the second period, and extracted for each predetermined element area in the target area of each forest phase. Statistical distribution creating means for obtaining a statistical distribution for the feature information of the image, under the condition that most of the unchanged areas in which the forest fauna does not change between the first period in each of the attention areas, Teacher data determination means for determining teacher data related to the feature information of the forest fauna corresponding to the unchanged area based on the statistical distribution, and determination for each forest fauna Wherein said original image by the teacher data to determine forest type in each element region, said second forest type classification diagram generating means for generating a forest type classification diagram in time, to function as a.
本発明によれば、既存の林相区分図を利用して航空写真等の高分解能の画像に対応する林相区分図を高精度で自動的に生成することが可能となり、ひいては林相区分図の自動更新、そして森林変化の自動検出が可能となる。 According to the present invention, it is possible to automatically generate a forest phase map corresponding to a high-resolution image such as an aerial photograph using an existing forest phase map with high accuracy, and automatic update of the forest phase map. , And automatic detection of forest changes.
以下、本発明の実施の形態(以下実施形態という)について、図面に基づいて説明する。 Hereinafter, embodiments of the present invention (hereinafter referred to as embodiments) will be described with reference to the drawings.
[第1の実施形態]
図1は、第1の実施形態である林相解析システム2の概略の構成を示すブロック図である。本システムは、演算処理装置4、記憶装置6、入力装置8及び出力装置10を含んで構成される。演算処理装置4として、本システムの処理を行う専用のハードウェアを作ることも可能であるが、本実施形態では演算処理装置4は、コンピュータ及び、当該コンピュータ上で実行されるプログラムを用いて構築される。
[First Embodiment]
FIG. 1 is a block diagram showing a schematic configuration of a forest
演算処理装置4は、コンピュータのCPU(Central Processing Unit)からなり、後述する林相区画生成部20、テクスチャ解析部22、スペクトル解析部24、統計分布作成部26、教師データ決定部28、林相区分図生成部30、林相変化検出部32として機能する。
The arithmetic processing unit 4 is composed of a CPU (Central Processing Unit) of a computer, and will be described later in a forest phase
記憶装置6はROM(Read Only Memory)、RAM(Random Access Memory)等のメモリ装置である。記憶装置6は演算処理装置4にて実行される各種のプログラムや、本システムの処理に必要な各種データを記憶し、演算処理装置4との間でこれらの情報を入出力する。例えば、記憶装置6には、オルソ画像データ40、林相区分図データ42、林相区画に関するスペクトル条件44及び幾何条件46が予め格納される。
The
オルソ画像データ40は航空機等から撮影された空中写真画像に基づいて生成される。本システムではオルソ画像データ40は、森林を含む対象地域を上空から撮影した原画像として用いられる高分解能画像データであり、例えば、赤(R)、緑(G)、青(B)の3成分からなる3バンドのマルチスペクトル画像、又はこれらに近赤外(NIR)を加えた4成分からなる4バンドのマルチスペクトル画像である。
The
林相区分図データ42は、オルソ画像データ40に映る対象地域についての既存の林相区分図を表すデータである。林相区分図データ42は対象地域を領域分割して得られる要素領域である林相区画と、当該区画における林相とを表す。ここで、林相区分図データ42は時期T1に関するものであり、一方、オルソ画像データ40は時期T1とは異なる時期T2に関するものであるとする。T1とT2との前後関係は任意であるが、本実施形態に示す例ではT1がT2に先行するものとする。
The forest
スペクトル条件44及び幾何条件46は、原画像を領域分割して生成される林相区画が満たすべき条件である。スペクトル条件44は林相区画を構成する画素群の色(Color)や濃度・明るさから抽出されるスペクトル特徴量に関する条件を規定する。例えば、スペクトル特徴量として各色(バンド)の平均値、標準偏差などの統計量を用いることができる。一方、幾何条件46は林相区画の幾何特徴量である形状(Shape)に関する条件を規定する。例えば、形状は、コンパクトネス(Compactness)やスムースネス(Smoothness)といったパラメータで表される。
The
入力装置8は、キーボード、マウスなどであり、ユーザが本システムへの操作を行うために用いる。 The input device 8 is a keyboard, a mouse, or the like, and is used for a user to operate the system.
出力装置10は、ディスプレイ、プリンタなどであり、本システムにより生成された林相区画や林相区分図(林分図)を画面表示、印刷等によりユーザに示す等に用いられる。また、林相区画や林相区分に関するデータを他のシステムで利用できるよう、データとして出力してもよい。
The
林相区画生成部20は、オルソ画像データ40に対して階層的に領域分割処理を行って林相区画を生成する。林相区画生成部20は、低分解能画像生成部70、初期区画部72及び後続区画部74を有する。
The forest phase
低分解能画像生成部70は、高分解能のオルソ画像データ40をディグラデーション処理して分解能を低下させた低分解能画像(劣化画像)を生成する画像劣化手段であり、低分解能画像の画素はオルソ画像データ40における隣接する複数画素からなる領域に対応する。ここでは区別を容易にするために、オルソ画像データ40の画素を原画素、低分解能画像の画素を拡大画素と表現する。例えば、低分解能画像はオルソ画像データ40を一様なサンプリング密度でダウンサンプリングして生成することができ、拡大画素の画素値はオルソ画像データ40にて対応する領域内の複数の原画素を代表する値に設定することができる。例えば、低分解能画像生成部70は、原画像に対し所定のフィルタを用いた畳み込みにより平滑化処理を行い、拡大画素の画素値を当該拡大画素内の所定位置の原画素での平滑化処理後の画素値に設定することができる。一般的な画像では、注目画素に距離が近い画素の輝度値は注目画素の輝度値と近くなる場合が多く、注目画素から遠ざかるほど、注目画素の輝度値との差が大きくなる場合が多い。このような性質を考慮し、注目画素に近いほど平均値を計算するときの重みを大きくし、遠くなるほど重みを小さくするように2次元ガウス分布を用いて画像の平滑化を行うガウシアンフィルタが知られている。拡大画素の画素値を求める際の平滑化処理に、このガウシアンフィルタを採用することができる。また、より簡単な手法として例えば、拡大画素の画素値はそれに対応する複数の原画素の画素値の平均値、中央値などで定義することもできる。
The low-resolution
初期区画部72は階層的な領域分割処理の最初の階層の処理を行う。具体的には画像のスペクトル特徴量及び幾何特徴量のいずれか、又は両方を区画用特徴量とし、初期区画部72は低分解能画像生成部70により生成された低分解能画像を区画用特徴量の類似性に基づいて複数領域に分割し1次の林相区画を生成する。例えば、初期区画部72は、互いに隣接する複数の拡大画素からなる領域を1次の林相区画とするか否かを、それら拡大画素の画素値のスペクトル特徴量の類似性(スペクトル条件)と、それら拡大画素を結合して得られる領域についての幾何特徴量の類似性(幾何条件)とに基づいて決定する。
The
後続区画部74は階層的な領域分割処理の第2の階層以降の処理を行う。具体的には後続区画部74は、隣接する林相区画を結合して新たな林相区画を生成する逐次区画処理を1回又は複数回行う。逐次区画処理は、互いに隣接する複数の低次の林相区画について、それらのスペクトル特徴量の類似性と、それらを結合して得られる高次の林相区画についての幾何特徴量の類似性とに基づいて、それら低次の林相区画を結合するか否かを決める。
The succeeding
本実施形態では後続区画部74は逐次区画処理として、初期区画部72にて生成された低分解能画像の領域分割処理結果である林相区画内における低分解能画像と高分解能画像(原画像)との両方、あるいは高分解能画像のみを用いて領域分割処理を行う。低分解能画像からは、林相区画の結合可否の判断に用いる画素値のスペクトル特徴量として、林相区画内に包含される拡大画素群についてのスペクトル特徴量を求める。一方、高分解能画像からは、林相区画の結合可否の判断に用いる画素値のスペクトル特徴量として、林相区画内に包含される原画素群についてのスペクトル特徴量を求める。なお、後続区画部74は少なくとも1回の逐次区画処理が、高分解能画像の画素値のスペクトル特徴量、又は高分解能画像及び低分解能画像それぞれの画素値のスペクトル特徴量に基づいて行う領域分割処理である構成とすることもできる。すなわち、後続区画部74が複数回の逐次区画処理を行う場合に、そのうち一部の回数は低分解能画像の画素値だけからスペクトル特徴量を抽出し、それに基づいて領域分割処理を行ってもよい。
In the present embodiment, the
画像領域分割には、例えば領域併合(region merging)に基づく手法を利用することができる。この手法において画像領域分割処理の対象とされる画像に存在する隣接する2つのオブジェクトを統合するかどうかは、統合後に生成される新しいオブジェクトの異質性(heterogeneity)と統合前のオブジェクトの異質性との間の変化を評価することによって決定される。ちなみに、初期区画部72での処理ではオブジェクトは低分解能画像の画素であり、後続区画部74での処理ではオブジェクトは既に生成されている林相区画である。
For example, a technique based on region merging can be used for image region segmentation. In this method, whether or not two adjacent objects existing in an image to be subjected to image region division processing are integrated depends on the heterogeneity of a new object generated after integration and the heterogeneity of an object before integration. Is determined by evaluating the change between. Incidentally, the object is a pixel of a low-resolution image in the process in the
具体的には、領域併合によるオブジェクトの異質性の変化Δhは、併合前後におけるスペクトル異質性の変化Δhpと形状異質性の変化Δhtとから次式によって算出される。 Specifically, the object heterogeneity change Δh due to region merging is calculated from the spectral heterogeneity change Δh p and the shape heterogeneity change Δh t before and after merging by the following equation.
ここで、wpはスペクトル異質性の重み、wtは形状異質性の重みである。 Here, w p is a spectral heterogeneity weight, and w t is a shape heterogeneity weight.
併合前後のスペクトル異質性の変化Δhpは、対象画像の各バンドにおける併合前後のオブジェクト内の画素値の標準偏差を用いて、次式によって計算される。 The change in spectral heterogeneity Δh p before and after merging is calculated by the following equation using the standard deviation of the pixel values in the object before and after merging in each band of the target image.
ここで、Nは画像のバンド数、wiはバンドiの重み、nabは併合後の新しいオブジェクトの画素数、na,nbは併合前の2つのオブジェクトの画素数、σi,abは併合後のオブジェクトのバンドiにおける標準偏差、σi,a,σi,bは併合前の2つのオブジェクトのバンドiにおける標準偏差である。 Here, N is the number of bands of the image, w i is the weight of band i, n ab is the number of pixels of the new object after merging, n a and n b are the number of pixels of the two objects before merging, σ i, ab Is the standard deviation in band i of the object after merging, and σ i, a , σ i, b is the standard deviation in band i of the two objects before merging.
また、併合前後の形状異質性の変化Δhtは、コンパクトネスとスムースネスという2つの基準で次式により定義される。 The change Delta] h t in shape heterogeneity around merging is defined by the following equation in two criteria of compactness and smooth ness.
ここで、Δhcは併合前後のコンパクトネスの変化、Δhsは併合前後のスムースネスの変化、wcはコンパクトネスの重み、wsはスムースネスの重みである。 Here, Δh c is a change in compactness before and after merging, Δh s is a change in smoothness before and after merging, w c is a weight for compactness, and w s is a weight for smoothness.
オブジェクトのコンパクトネス基準はオブジェクトの周囲長と面積から計算され、一方、スムースネス基準はオブジェクトの周囲長と境界ボックスの直径(長軸)から計算される。具体的にはΔhc,Δhsは次式で定義される。 The object compactness criterion is calculated from the object perimeter and area, while the smoothness criterion is calculated from the object perimeter and the bounding box diameter (major axis). Specifically, Δh c and Δh s are defined by the following equations.
ここで、labは併合後のオブジェクトの周囲長、la,lbは併合前の2つのオブジェクトの周囲長、sabは併合後のオブジェクトの面積、sa,sbは併合前の2つのオブジェクトの面積、babは併合後のオブジェクトの境界ボックスの直径、ba,bbは併合前の2つのオブジェクトの境界ボックスの直径、nabは併合後の新しいオブジェクトの画素数、na,nbは併合前の2つのオブジェクトの画素数である。 Here, l ab is the perimeter of the object after merging, l a and l b are the perimeter of the two objects before merging, s ab is the area of the object after merging, and s a and s b are the two before the merging. The area of one object, b ab is the diameter of the bounding box of the object after merging, b a , b b are the diameters of the bounding box of the two objects before merging, n ab is the number of pixels of the new object after merging, n a , Nb is the number of pixels of the two objects before merging.
併合前後のオブジェクトの異質性の変化Δhが設定されたしきい値を超えない場合、領域の併合処理が実施され、しきい値を上回る場合、領域の併合処理を停止する。設定されたしきい値はスケールパラメータ(scale parameter)と呼ばれ、画像の分割処理によって生成されるオブジェクトの大きさを表している。スケールパラメータが大きいほど、より多くのオブジェクトが併合され、領域分割によって最終的に生成されるオブジェクトのサイズが大きくなる。 When the change Δh of the object heterogeneity before and after merging does not exceed the set threshold value, the region merging process is performed, and when it exceeds the threshold value, the region merging process is stopped. The set threshold value is called a scale parameter, and represents the size of an object generated by the image division process. The larger the scale parameter, the more objects are merged, and the size of the object that is finally generated by area division increases.
(1)式に示すように、初期区画部72における拡大画素の結合の判断、又は後続区画部74における低次の林相区画の結合の判断に対するスペクトル特徴量及び幾何特徴量それぞれの寄与比率は重みwp,wcにより調節することができる。ここで、初期区画部72及び後続区画部74の一方又は両方は、林相区画の生成判断において、幾何条件を用いずスペクトル特徴量の類似性だけに基づいて行う構成にすることもできる。
As shown in the equation (1), the contribution ratio of each of the spectral feature quantity and the geometric feature quantity to the judgment of the combination of the enlarged pixels in the
テクスチャ解析部22は、オルソ画像データ40からテクスチャ情報を抽出するテクスチャ情報抽出手段である。テクスチャ解析部22は、日向/日陰分布パターン情報抽出部80、日向/日陰境界パターン情報抽出部82及びLBP画像情報抽出部84を有する。
The
日向/日陰分布パターン情報抽出部80はオルソ画像データ40を二値化処理して日向と日陰とが区別された日向/日陰分布パターンをテクスチャ情報として抽出する。図2は日向/日陰分布パターンの例を示す説明図である。図2(a)〜(d)はそれぞれスギ林、ヒノキ林、広葉樹林、非森林の例であり、左右に並ぶ2つの画像のうち左側がオルソ画像データ40、右側が日向/日陰分布パターンである。当該日向/日陰分布パターンにおいて白領域が日向、黒領域が日陰である。ちなみに、ここでの二値化のしきい値は大津の手法により決定している。
The sun / shade distribution pattern
日向/日陰境界パターン情報抽出部82はオルソ画像データ40における輝度勾配を二値化処理して日向と日陰との境界領域が現れた日向/日陰境界パターンをテクスチャ情報として抽出する。図3は日向/日陰境界パターンの例を示す説明図である。図3(a)〜(d)は図2と同様、それぞれスギ林、ヒノキ林、広葉樹林、非森林の例であり、左右に並ぶ2つの画像のうち左側がオルソ画像データ40、右側が日向/日陰境界パターンである。当該日向/日陰境界パターンにおいて白領域が輝度勾配がしきい値以上の領域であり、黒領域がしきい値未満の領域である。ここでも、しきい値は大津の手法により決定している。日向/日陰境界パターンからは日向と日陰とが切り替わる空間的な頻度の多寡が読み取れる。
The sun / shade boundary pattern
LBP画像情報抽出部84はオルソ画像データ40から局所二値パターン演算子を用いて得られるLBP(Local Binary Pattern)画像をテクスチャ情報として抽出する。図4はLBP画像の例を示す説明図である。図4(a)〜(d)は図2及び図3と同様、それぞれスギ林、ヒノキ林、広葉樹林、非森林の例であり、左右に並ぶ2つの画像のうち左側がオルソ画像データ40、右側がLBP画像である。LBP画像は原画像の詳細な模様構造パターンを反映しており、しかも画像のコントラストの影響を受けにくいという特性を有する。
The LBP image
テクスチャ解析部22は抽出された日向/日陰分布パターン、日向/日陰境界パターン及びLBP画像の特徴量として、それぞれの平均値や標準偏差などの統計量を算出する。
The
スペクトル解析部24はオルソ画像データ40からスペクトル情報を抽出するスペクトル情報抽出手段である。本実施形態ではスペクトル解析部24はR,G,B,NIRの4バンドのマルチスペクトル画像に対して次式で示される正規化処理を行い、正規化後の成分R’,G’,B’からなる画像からスペクトル特徴量を抽出する。またスペクトル解析部24は日向/日陰分布パターン情報に基づいて各林相区画における日向領域のみからスペクトル特徴量を抽出する。
The
図5及び図6はオルソ画像データ40に対する正規化処理の例を示す画像であり、図5は原画像、すなわち正規化処理前のオルソ画像、図6は図5に対応するオルソ画像データ40を正規化処理して得られた画像である。図5及び図6はグレースケールで表示しているが本来、図5はRGB合成のカラー画像であり、図6はR’G’B’合成のカラー画像である。例えば、樹種等の違いに応じた近赤外成分の大きさの相違により、原画像と正規化処理画像との間には色合いなどに違いが生じる。図5と図6とにおける原画像と正規化処理画像との相違は、画像内での濃淡の変化が両画像間にて相違していることから読み取れる。
5 and 6 are images showing an example of normalization processing for the
なお、スペクトル解析部24は正規化処理を行わずにスペクトル特徴量を抽出する構成や、日陰を含んだ各林相区画の全体におけるスペクトル特徴量を抽出する構成とすることもできる。
In addition, the
統計分布作成部26は林相区分図データ42として与えられている時期T1の既知の林相区分図での各林相の領域に対応して、オルソ画像データ40で与えられる時期T2の原画像に注目領域を設定し、各林相の注目領域にて所定の要素領域ごとに抽出される画像の特徴情報について統計分布を求める。
The statistical
特徴情報は原画像からテクスチャ解析部22、スペクトル解析部24により抽出されるテクスチャ情報、スペクトル情報である。本実施形態では統計分布を求める画像の特徴情報としてテクスチャ情報を用いることに対応して、例えば、原画像について生成した林相区画を要素領域とする。なお、統計分布を求める画像の特徴情報としてスペクトル情報だけを用いるような場合には、画素を要素領域とすることもできる。
The feature information is texture information and spectrum information extracted from the original image by the
例えば、時期T1の林相区分図におけるスギ林の林相区画の集合に対応して、原画像にスギ林に関する注目領域が設定される。当該注目領域は、時期T1の林相区分図におけるスギ林の林相区画の集合からなる領域と同一又は近似的に同一の領域である。具体的には、原画像について生成した林相区画のうち、時期T1のスギ林領域に対応する位置に存在するものの集合をスギ林に関する注目領域として設定することができる。ここで、原画像の或る林相区画が時期T1の複数の林相の領域に跨がる場合には、例えば、当該林相区画は、時期T1の林相別領域のうち当該林相区画との重なりが最も大きいものに対応した林相の注目領域に含めることができる。また、重なりの面積の割合に応じて重み付けをして統計分布に反映させることもできる。 For example, a region of interest related to a cedar forest is set in the original image corresponding to a set of forest facies sections of a cedar forest in the forest fauna division map at the time T1. The region of interest is the same or approximately the same region as a region composed of a set of cedar forest facies sections in the forest facies section diagram at time T1. Specifically, a set of forest phase sections generated for the original image that are present at a position corresponding to the cedar forest area at time T1 can be set as an attention area regarding the cedar forest. Here, when a certain forest fauna section of the original image straddles a plurality of forest fauna areas at the time T1, for example, the forest fauna section has the most overlap with the forest fauna section among the forest fading areas at the time T1. It can be included in the attention area of the forest fauna corresponding to the larger one. In addition, weighting can be performed according to the ratio of the overlapping area and reflected in the statistical distribution.
統計分布として、画像の特徴情報であるテクスチャ情報やスペクトル情報を表す特徴量を変数とした度数分布を求める。変数は1種類だけであってもよいし複数であってもよい。度数は単純に要素領域の数としてもよいし、林相区画を要素領域とする場合には、林相区画の面積に応じて重み付けをした値を積算してもよい。 As a statistical distribution, a frequency distribution is obtained using a feature amount representing texture information and spectrum information as image feature information as variables. There may be only one type of variable or a plurality of variables. The frequency may be simply the number of elemental areas, or in the case of using forest stand sections as element areas, values weighted according to the area of forest stand sections may be integrated.
教師データ決定部28は時期T2の原画像における特徴情報について各林相の教師データを決定する。ここで、既に述べたように通常、林相区分図は数年程度ごとに更新される。つまり、時期T1と時期T2との間隔は基本的に数年程度である。林相解析システム2は航空機などによる撮影されたオルソ画像データ40を用いて広範囲の林相解析を効率的に行うものであり、その広範囲の対象地域にて数年程度の短期間に大規模な林相変化が起こることはあまりない。つまり、通常は、時期T1と時期T2との間にて林相が変化する領域は広範囲な対象地域のごく一部であることが期待でき、時期T2の原画像について設定された各注目領域において、既存の林相区分図が得られている時期T1との間で林相が変わらない無変化領域が大半を占めることを前提として統計的解析を行うことが可能である。そこで、教師データ決定部28は或る林相に対応した注目領域について得られた統計分布において最大のピークの位置又はその所定近傍範囲内における画像の特徴量を時期T2における当該林相の特徴データとして抽出し、原画像の林相分類を行う際の教師データとする。
The teacher
或る林相に対応した注目領域における統計分布は基本的に、対象地域にて当該林相を有する全ての林相区画の特徴情報を反映する。よって、当該統計分布におけるピークに対応する特徴情報を教師データとすることで、林相が共通する林相区画の特徴情報のばらつきの影響が少ない信頼性の高い教師データが得られる。 The statistical distribution in the attention area corresponding to a certain forest fauna basically reflects the feature information of all forest fauna sections having the forest fauna in the target area. Therefore, by using the feature information corresponding to the peak in the statistical distribution as the teacher data, highly reliable teacher data that is less affected by variations in the feature information of the forest fauna sections shared by the forest fauna can be obtained.
林相区分図生成部30は、原画像の各林相区画からテクスチャ解析部22により抽出されたテクスチャ情報、又はスペクトル解析部24により抽出されたスペクトル情報あるいはこれら双方を教師データ決定部28により得られた教師データに基づいて分類して、当該各林相区画における林相を判別し、時期T2における林相区分図を生成する。
The forest fauna
林相変化検出部32は時期T1の既存の林相区分図と、林相区分図生成部30により生成された時期T2の林相区分図とを比較して、対象地域における林相の変化を検出する。
The forest phase
図7は林相解析システム2における概略のデータフロー図であり、以下、図7に沿って林相解析システム2の処理を説明する。
FIG. 7 is a schematic data flow diagram in the forest
林相区画生成部20は時期T2のオルソ画像データ40から時期T2における林相区画データ100を生成する。図8は林相区画生成部20による林相区画の生成処理を説明する概略のフロー図である。林相区画生成部20は低分解能画像生成部70によりオルソ画像データ40から低分解能画像を生成する(S10)。さらに林相区画生成部20は低分解能画像を領域分割した林相区画を階層的に領域分割して、内部が一様な林相からなる領域に対応した林相区画を生成する(S20)。この領域分割処理S20は初期区画部72及び後続区画部74により行われる。領域分割処理は低分解能画像から開始され、低分解能画像を構成する拡大画素の画素値を用いた区画処理が最初に少なくとも1回行われ、その後、オルソ画像データ40を構成する原画素及び拡大画素あるいは原画素のみの画素値を用いた区画処理が少なくとも1回行われる。具体的には、初期区画部72は低分解能画像を領域分割してスケールが小さい林相区画を生成する(S22)。後続区画部74は低分解能画像と高分解能画像とを併用し、林相区画同士を結合することによりスケールが大きくなった林相区画を生成する(S24)。
The forest phase
領域分割処理はスペクトル条件44及び幾何条件46を満たすように行われる。その際、スペクトル条件44と幾何条件46との比重、つまりそれぞれを領域分割に寄与させる度合は調節することができる。
The region division process is performed so as to satisfy the
ここで、領域分割処理の階層ごとに、林相区画を生成する際の条件は異なり得る。すなわち、初回の拡大画素を結合して初期の林相区画を生成する際や、低次の林相区画同士を結合して高次の林相区画を生成する際に、スケールパラメータであるΔhは生成される林相区画のスケールが徐々に大きくなることを可能とするように設定される。Δhの増加により、スペクトル条件44に関しては、結合対象となる複数の拡大画素又は林相区画についてのスペクトル特徴量の類似性の判断基準(Δhp)が領域分割処理が高階になるにつれ緩和される。また、幾何条件46に関しても幾何特徴量の類似性の判断基準(Δht)が緩和され、領域分割処理が高階になるにつれより複雑な形状あるいは大きな面積を有する林相区画が許容されるようになり結合が促進される。一方、スペクトル条件44と幾何条件46とで総合的に結合が緩和されればよいので、スペクトル条件44により結合を緩和しつつ、幾何条件46は結合を或る程度抑制する方向に変化させより単純な形状の林相区画の生成を促す条件に設定することもできる。例えば、そのような調整は(1)式の重みwp,wtを変えることで可能であり、具体的にはwpを低下させ、一方、wtを増加させて、ΔhpがΔhに寄与しにくくし、ΔhtがΔhに寄与しやすくすることで実現できる。
Here, the conditions at the time of generating the forest fauna division may be different for each layer of the region division processing. That is, Δh, which is a scale parameter, is generated when the initial enlarged pixels are combined to generate an initial forest fauna section, or when lower order forest fauna sections are combined to generate a higher order forest fauna section. It is set to allow the scale of the forest fauna compartment to gradually increase. Due to the increase of Δh, regarding the
さて、既に述べたように、高分解能画像では森林の日向と日陰の違いにより同じ林相内でも画素値のばらつきが大きいので、従来、隣接している林相を区別して正確に区画するのが困難であるという問題があった。これに対し、林相解析システム2は原画像を低分解能化し、階層的な領域分割処理のうち少なくとも最初の1回を低分解能画像にて行う。画像を低分解能化すると同じ林相内での画素値のばらつきが平滑化・緩和されるので、低分解能画像に基づく区画処理は日向と日陰とでの画素値の違いの影響を受けにくくなり、隣接する異なる林相を区別し易い。なお、低分解能での区画処理を階層的な複数回の区画処理のうちの早い段階で行う方が、当該効果は高くなることが期待できる。
Now, as already mentioned, in high resolution images, there are large variations in pixel values even within the same forest fauna due to the difference between the sun and shade of the forest, and it has been difficult to distinguish and accurately separate adjacent forest fauna. There was a problem that there was. On the other hand, the forest
一方、階層的な区画処理の中で、低分解能画像と高分解能画像との両方、あるいは高分解能画像のみを用いて区画処理を行うことで、最終的に得られる林相区画に高分解能画像の情報を反映させることができる。 On the other hand, information on the high resolution image is obtained in the final forest fauna compartment by performing the compartment processing using both the low resolution image and the high resolution image or only the high resolution image in the hierarchical compartment processing. Can be reflected.
図9〜図11は林相区画生成部20の処理の例を示す画像であり、それぞれ同じ森林の空中写真画像に林相区画の境界を黒線で描いている。図9は初期区画部72による処理結果であり、低分解能画像を利用して生成された初期の林相区画を示している。図10及び図11は後続区画部74による処理結果であり、図11の画像は図10の画像より高階の領域分割処理の結果を示している。すなわち、図9、図10、図11の順に階層的に領域分割が行われる。ここで、上述したように林相区画の生成は低分解能画像と高分解能画像とを併用して行われる。具体的には、図9〜図11に示す3階層が林相区画を生成する領域分割処理の全階層である場合には、図9の林相区画は低分解能画像を利用して生成され、図10及び図11の林相区画は、先行する領域分割の処理結果である林相区画内における低分解能画像と高分解能画像との両方、あるいは高分解能画像のみを利用して生成される。そして、図11の林相区画が最終的に抽出された林相区画となる。
9 to 11 are images showing examples of processing of the forest fauna
上述した林相区画生成部20の処理により対象地域から最終的に抽出された林相区画のデータ100はテクスチャ解析部22及びスペクトル解析部24、並びに林相区分図生成部30にて利用される。
The
さて、説明を図7に戻す。テクスチャ解析部22及びスペクトル解析部24はオルソ画像データ40及び林相区画データ100とから、時期T2における林相区画ごとに画像の特徴情報データ102を抽出する。図12はテクスチャ解析部22及びスペクトル解析部24による特徴情報データ102の抽出処理を説明する概略のフロー図である。
Now, the description returns to FIG. The
林相解析システム2はテクスチャ解析部22によりオルソ画像データ40からテクスチャ情報を抽出する(S40,S50,S60)。具体的には、テクスチャ解析部22は日向/日陰分布パターン情報抽出部80により日向/日陰分布パターンを抽出し(S40)、日向/日陰境界パターン情報抽出部82により日向/日陰境界パターンを抽出し(S50)、またLBP画像情報抽出部84により、原画像における詳細な模様構造パターンが現れるLBP画像を抽出し(S60)、テクスチャ情報を求める。
The forest
さらに林相解析システム2はスペクトル解析部24によりオルソ画像データ40を正規化処理し、正規化後の画像からスペクトル特徴情報を抽出する(S70)。さらにスペクトル解析部24は日向/日陰分布パターン情報抽出部80により抽出した日向/日陰分布パターンを用いて、森林のスペクトルの特徴が良好に現れ得る日向部分のみからスペクトル特徴情報を抽出する(S80)。
Further, the forest
そしてテクスチャ解析部22及びスペクトル解析部24は林相区画生成部20により抽出された林相区画ごとに画像の特徴情報を取得し(S90)、特徴情報データ102を生成する。この特徴情報データ102は統計分布作成部26及び林相区分図生成部30にて利用される。
Then, the
再び図7に戻る。統計分布作成部26は時期T1の林相区分図データ42と時期T2の林相区画ごとの画像の特徴情報データ102とから、時期T2の原画像にて林相ごとに設定される注目領域それぞれについて画像の特徴情報の統計分布を求める。教師データ決定部28は統計分布作成部26から出力される統計分布データ104に基づいて各林相の教師データ106を生成する。
Returning again to FIG. The statistical
図13は1つの林相に対応した注目領域に関する統計分布の模式図であり、横軸が特徴情報に関する特徴量Xで表される変数に対応し、縦軸が度数Yに対応する。ここでは図示の都合上、統計分布108は変数が1つである1次元の分布としているが、統計分布作成部26は変数が複数である多次元の統計分布を求めてもよい。例えば、変数はユーザにより、注目領域に対応する林相と、当該注目領域にて時期T1,T2間に生じることが想定される森林変化、具体的には伐採や風倒被害等に対応する林相とを弁別するのに好適な単一の特徴量又は複数の特徴量の組み合わせに設定される。上述したテクスチャ解析部22及びスペクトル解析部24により算出される各特徴情報は当該弁別に好適であり、統計分布の変数はそれら複数種類の特徴情報のうちの一部又は全部で定義することができる。
FIG. 13 is a schematic diagram of a statistical distribution related to a region of interest corresponding to one forest phase. The horizontal axis corresponds to a variable represented by the feature amount X related to feature information, and the vertical axis corresponds to the frequency Y. Here, for convenience of illustration, the
林相が共通する要素領域(林相区画、画素等)についての特徴量の統計分布は、基本的には平均値の付近に集積してピークを形成するような分布となり、例えば、正規分布を仮定することができる。既に述べたように、対象地域において時期T1から林相が変化する変化領域は、変化しない領域に比べて少数であるとすることができる。よって、各注目領域についての統計分布108は当該注目領域に対応する林相の特徴量の分布に近似したものとなる。つまり当該林相の要素領域は統計分布108において最大のピークの近傍の特徴量を有する確率が高い。そこで、教師データ決定部28は或る林相に対応した注目領域について得られた統計分布108において最大のピークの位置又はその所定近傍範囲(例えば、図13における範囲RP)内における画像の特徴量を、時期T2における当該林相の特徴データとして抽出し、原画像の林相分類を行う際の教師データとする。例えば、教師データ決定部28は林相の特徴量の分布の平均m及び分散σを、統計分布108から推定し、これに基づいて教師データを定めることができる。
The statistical distribution of feature values for element regions (forest stand sections, pixels, etc.) with common forest phases is basically a distribution that accumulates near the average value to form a peak. For example, a normal distribution is assumed. be able to. As already described, it can be assumed that the number of change areas in which the forest fauna changes from the time T1 in the target area is smaller than the area that does not change. Therefore, the
林相区分図生成部30は林相区画データ100で与えられる各林相区画について、特徴情報データ102により特徴情報を取得し、当該特徴情報を教師データ106により分類して林相を判別する。これにより時期T2についての林相区分図(林相区分図データ110)が生成される。例えば、各林相の教師データとして平均m、分散σが与えられる場合には、林相区分図生成部30は、m及びσを用いて林相区画の特徴量Xに対する各林相の尤度を算出し、当該尤度が最大になる林相に当該林相区画を分類する。
The forest fauna division
林相変化検出部32は時期T1の既存の林相区分図(林相区分図データ42)と、林相区分図生成部30により生成された時期T2の林相区分図(林相区分図データ110)とを比較して、対象地域における林相の変化を検出し、林相変化データ112を生成する。
The forest phase
なお、テクスチャ情報は上述の3種類以外のものを用いることもできる。例えば、ウェーブレット解析により抽出した画像テクスチャを用いることができる。具体的には、ウェーブレット解析で抽出した高周波成分の情報をテクスチャ情報として画像のスペクトル特徴情報と併用して林相を判定することができる。 Note that texture information other than the above three types can also be used. For example, an image texture extracted by wavelet analysis can be used. Specifically, the forest phase can be determined using the high-frequency component information extracted by the wavelet analysis as texture information together with the spectral feature information of the image.
本実施形態ではオルソ画像データ40は航空写真としたが、本発明は、例えば衛星写真などの他の高分解能画像を用いた林相解析にも適用可能である。また、本実施形態ではオルソ画像を例に説明したが、必ずしもオルソ画像を用いる必要は無く、上空から撮影した画像を適宜用いることができる。
In the present embodiment, the
[第2の実施形態]
第2の実施形態の林相解析システムにおいて上記第1の実施形態と同じ構成要素は同一の符号を付して説明を省略する。以下、第2の実施形態の林相解析システム200について第1の実施形態の林相解析システム2との相違点を説明する。
[Second Embodiment]
In the forest phase analysis system of the second embodiment, the same components as those of the first embodiment are denoted by the same reference numerals, and description thereof is omitted. Hereinafter, differences between the forest facies analysis system 200 of the second embodiment and the forest
図14は第2の実施形態である林相解析システム200の概略の構成を示すブロック図である。林相解析システム200と林相解析システム2との相違点は林相区画をどのような条件に基づいて行うかという点にある。第1の実施形態では林相区画生成部20はスペクトル特徴量についてのスペクトル条件44及び幾何特徴量についての幾何条件46を満たすように領域分割処理を行って林相区画を生成している。これに対し、第2の実施形態の林相解析システム200では、領域併合前後のオブジェクト、つまり、劣化画像の画素又は林相区画の色、形状、テクスチャ及び面積を区画用特徴量とし、これらについての色条件202、形状条件204、テクスチャ条件206及び面積条件208を満たすように領域分割処理を行って林相区画を生成する。
FIG. 14 is a block diagram showing a schematic configuration of a forest facies analysis system 200 according to the second embodiment. The difference between the forest facies analysis system 200 and the forest
色条件202、形状条件204、テクスチャ条件206及び面積条件208は、オルソ画像(オルソ画像データ40)を領域分割して生成されるオブジェクト領域である林相区画が満たすべき条件である。色条件202は林相区画におけるオルソ画像の画素値に関する条件を規定する。ちなみに「色条件」における「色」はオルソ画像の画素値を意味し、RGBの情報からなるスペクトル情報よりも広義で用いている。具体的には、ここでの「色」は第1の実施形態のスペクトル特徴量に相当し、例えば、NIRの情報を含むマルチスペクトル画像の画素値もここでの色の概念に含まれ得る。形状条件204は林相区画の形状に関する条件を規定する。テクスチャ条件206は林相区画の画像テクスチャに関する条件を規定する。画像テクスチャはテクスチャ特徴量で評価される。面積条件208は林相区画の面積に関する条件を規定する。なお、林相区画の形状、面積は林相区画の幾何特徴量である。
The
初期区画部72は、互いに隣接する複数の画素からなる領域を1次の林相区画とするか否かを、それら画素の画素値の類似性、領域の画像テクスチャの類似性、及び領域の形状や面積などの幾何特徴量の類似性に基づいて決定する。ここで、結合される領域間や結合前後の領域間での画素値の類似性は、画素値の平均値などの統計量などの特徴量に基づいて判断することができる。
The
後続区画部74は第1の実施形態と同様、逐次区画処理を行う。本実施形態では逐次区画処理は、互いに隣接する複数の低次の林相区画について、それらにおける画素値の類似性に関する色条件202と、それらを結合して得られる高次の林相区画についての形状条件204と、テクスチャ条件206と、面積条件208とに基づいて、それら低次の林相区画を結合するか否かを決める。
The
画像領域分割には第1の実施形態と同様、領域併合に基づく手法を利用する。本実施形態では、領域併合によるオブジェクトの異質性の変化Δhは、併合前後における色の異質性の変化Δhcolorと、形状の異質性の変化Δhshapeと、テクスチャの異質性の変化Δhtextureと、面積の異質性の変化Δhaeraとから次式によって算出される。 Similar to the first embodiment, a method based on region merging is used for image region division. In this embodiment, the change in object heterogeneity Δh due to region merging includes a change in color heterogeneity Δh color before and after merging, a change in shape heterogeneity Δh shape , a change in texture heterogeneity Δh texture , The area heterogeneity change Δhaera is calculated by the following equation.
ここで、wcolorは色の異質性の重み、wshapeは形状の異質性の重み、wtextureはテクスチャの異質性の重み、wareaは面積の異質性の重みである。 Here, w color is the weight of the heterogeneity of the color, w shape is the weight of the heterogeneity of the shape, w texture is the weight of the heterogeneity of the texture, and w area is the weight of the heterogeneity of the area.
併合前後の色の異質性の変化Δhcolor、形状の異質性の変化Δhshape、テクスチャの異質性の変化Δhtexture、面積の異質性の変化Δhaeraは、例えば、それぞれ次式によって計算される。 The change in color heterogeneity Δh color before and after merging, the change in shape heterogeneity Δh shape , the change in texture heterogeneity Δh texture , and the change in area heterogeneity Δhaera are calculated by the following equations, for example.
ここで、nabは併合後の新しいオブジェクトの画素数、na,nbは併合前の2つのオブジェクトの画素数である。また、CIabは併合後のオブジェクトの色情報指数(例えば、画素値)、CIa,CIbは併合前の2つのオブジェクトの色情報指数、SIabは併合後のオブジェクトの形状情報指数(例えば、スムースネス)、SIa,SIbは併合前の2つのオブジェクトの形状情報指数、TIabは併合後のオブジェクトのテクスチャ情報指数(例えば、画素値の標準偏差値)、TIa,TIbは併合前の2つのオブジェクトのテクスチャ情報指数、AIabは併合後のオブジェクトの面積情報指数(例えば、面積値)、AIa,AIbは併合前の2つのオブジェクトの面積情報指数である。 Here, n ab is the number of pixels of the new object after merging, and n a and n b are the number of pixels of the two objects before merging. CI ab is the color information index (for example, pixel value) of the object after merging, CI a and CI b are the color information indices of the two objects before merging, and SI ab is the shape information index of the object after merging (for example, , Smoothness), SI a and SI b are the shape information indices of the two objects before merging, TI ab is the texture information index of the object after merging (for example, the standard deviation value of the pixel value), and TI a and TI b are The texture information index of the two objects before merging, AI ab is the area information index (for example, area value) of the object after merging, and AI a and AI b are the area information indices of the two objects before merging.
(6)式に示すように、初期区画部72における画素の結合の判断、又は後続区画部74における低次の林相区画の結合の判断に対する色条件、形状条件、テクスチャ条件及び面積条件それぞれの寄与比率は重みwcolor,wshape,wtexture,wareaにより調節することができる。ここで、初期区画部72及び後続区画部74の一方又は両方は、林相区画の生成判断において、色条件、形状条件、テクスチャ条件及び面積条件の何れか1つもしくは複数の組み合わせに基づいて行う構成にすることもできる。
As shown in the equation (6), each of the color condition, the shape condition, the texture condition, and the area condition contributes to the determination of the combination of pixels in the
2,200 林相解析システム、4 演算処理装置、6 記憶装置、8 入力装置、10 出力装置、20 林相区画生成部、22 テクスチャ解析部、24 スペクトル解析部、26 統計分布作成部、28 教師データ決定部、30 林相区分図生成部、32 林相変化検出部、40 オルソ画像データ、42 時期T1の林相区分図データ、44 スペクトル条件、46 幾何条件、70 低分解能画像生成部、72 初期区画部、74 後続区画部、80 日向/日陰分布パターン情報抽出部、82 日向/日陰境界パターン情報抽出部、84 LBP画像情報抽出部、100 林相区画データ、102 特徴情報データ、104 統計分布データ、106 教師データ、110 時期T2の林相区分図データ、112 林相変化データ、202 色条件、204 形状条件、206 テクスチャ条件、208 面積条件。 2,200 Forest phase analysis system, 4 arithmetic processing device, 6 storage device, 8 input device, 10 output device, 20 forest phase section generation unit, 22 texture analysis unit, 24 spectrum analysis unit, 26 statistical distribution creation unit, 28 teacher data decision , 30 Forest facies map generation unit, 32 Forest facies change detection unit, 40 Ortho image data, 42 Forest phase map data at time T1, 44 Spectral conditions, 46 Geometric conditions, 70 Low resolution image generation unit, 72 Initial partition unit, 74 Subsequent partition section, 80 Hinata / shade distribution pattern information extraction section, 82 Hinata / shade boundary pattern information extraction section, 84 LBP image information extraction section, 100 Forest phase partition data, 102 Feature information data, 104 Statistical distribution data, 106 Teacher data, 110 Seasonal T2 forest phase map data, 112 Forest phase change data, 202 color conditions , 204 shape condition, 206 texture condition, 208 area condition.
Claims (9)
前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定手段と、
前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成手段と、
を有することを特徴とする林相解析装置。 Corresponding to the area of each forest fauna in the known forest fauna division map in the first period of the target area including the forest, the target area is set to the original image taken from the sky in the second period, Statistical distribution creating means for obtaining a statistical distribution for the feature information of the image extracted for each predetermined element region in the attention region of each forest phase;
The condition corresponding to the non-change region based on the statistical distribution in the target region under the condition that the non-change region in which the forest fauna does not change between the first time period in each of the target regions. Teacher data determining means for determining teacher data related to the feature information of the forest minister;
Forest stand map generation means for determining the forest stand in each element area of the original image from the teacher data determined for each forest stand, and generating a forest block map in the second period;
A forest phase analysis apparatus characterized by comprising:
前記第1の時期の前記林相区分図と前記第2の時期の前記林相区分図とを比較して、前記対象地域における前記林相の変化を検出する林相変化検出手段を有することを特徴とする林相解析装置。 In the forest phase analysis apparatus according to claim 1,
A forest fauna characterized by comprising a forest fauna change detection means for comparing the forest fauna segment map in the first period and the forest fauna segment map in the second period to detect a change in the forest fauna in the target area. Analysis device.
前記原画像の1又は複数種類の区画用特徴量の類似性に基づいて前記対象地域を複数領域に分割して前記森林の林相区画を生成し出力する林相区画生成手段を有し、
前記統計分布作成手段及び前記林相区分図生成手段における前記要素領域は前記林相区画であること、
を特徴とする林相解析装置。 In the forest fauna analysis apparatus according to claim 1 or 2,
A forest fauna compartment generating means for generating and outputting the forest fauna compartment of the forest by dividing the target area into a plurality of regions based on the similarity of one or more kinds of compartment features of the original image;
The element region in the statistical distribution creation means and the forest fauna division map creation means is the forest fauna section;
Forest phase analysis device characterized by
前記原画像から、当該原画像の隣接する複数画素からなる領域を画素として分解能を低下させた劣化画像を生成する画像劣化手段を有し、
前記林相区画生成手段は、
前記劣化画像を、その1又は複数種類の前記区画用特徴量の類似性に基づいて複数領域に分割し林相区画を生成する初期区画手段と、
隣接する林相区画をそれらの1又は複数種類の前記区画用特徴量の類似性に基づいて結合して新たな林相区画を生成する逐次区画処理を1回又は複数回行い、前記対象地域における前記森林の林相区画を出力する後続区画手段と、
を有し、
前記後続区画手段は少なくとも1回の前記逐次区画処理を前記原画像の前記区画用特徴量、又は前記原画像及び前記劣化画像それぞれの前記区画用特徴量に基づいて行うこと、
を特徴とする林相解析装置。 In the forest phase analysis apparatus according to claim 3,
From the original image, having an image deterioration means for generating a deteriorated image in which the resolution is reduced with a region composed of a plurality of adjacent pixels of the original image as a pixel,
The forest fauna compartment generating means includes:
An initial partition means for dividing the degraded image into a plurality of regions based on the similarity of the one or more types of the feature values for the partition, and generating a forest fauna partition;
The adjacent forest fauna compartments are combined based on the similarity of the one or more types of the feature values for the compartments to generate a new forest fauna compartment once or multiple times, and the forest in the target area Subsequent compartment means for outputting the forest fauna compartment,
Have
The subsequent partition means performs at least one sequential partition processing based on the partition feature of the original image or the partition feature of each of the original image and the degraded image;
Forest phase analysis device characterized by
前記原画像からテクスチャ情報を抽出するテクスチャ情報抽出手段を有し、
前記統計分布作成手段は、前記林相区画生成手段から出力される前記各林相区画から抽出された前記テクスチャ情報を前記特徴情報として前記統計分布を求めること、
を特徴とする林相解析装置。 In the forest fauna analysis apparatus according to claim 3 or claim 4,
Texture information extracting means for extracting texture information from the original image;
The statistical distribution creating means obtains the statistical distribution using the texture information extracted from each forest fauna compartment output from the forest fauna compartment generating means as the feature information;
Forest phase analysis device characterized by
前記原画像からスペクトル情報を抽出するスペクトル情報抽出手段を有し、
前記統計分布作成手段は、前記林相区画生成手段から出力される前記各林相区画から抽出された前記テクスチャ情報及び前記スペクトル情報を前記特徴情報として前記統計分布を求めること、
を特徴とする林相解析装置。 In the forest phase analysis apparatus according to claim 5,
Spectral information extracting means for extracting spectral information from the original image;
The statistical distribution creating means obtains the statistical distribution using the texture information and the spectrum information extracted from each forest fauna compartment output from the forest fauna compartment generating means as the feature information,
Forest phase analysis device characterized by
前記原画像からスペクトル情報を抽出するスペクトル情報抽出手段を有し、
前記統計分布作成手段は、前記林相区画生成手段から出力される前記各林相区画から抽出された前記スペクトル情報を前記特徴情報として前記統計分布を求めること、
を特徴とする林相解析装置。 In the forest fauna analysis apparatus according to claim 3 or claim 4,
Spectral information extracting means for extracting spectral information from the original image;
The statistical distribution creating means obtains the statistical distribution using the spectral information extracted from each forest fauna compartment output from the forest fauna compartment generating means as the feature information;
Forest phase analysis device characterized by
前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定ステップと、
前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成ステップと、
を有することを特徴とする林相解析方法。 Corresponding to the area of each forest fauna in the forest fauna division map in the first period of the target area including the forest, a target area is set in the original image obtained by capturing the target area from the sky in the second period. A statistical distribution creating step for obtaining a statistical distribution of image feature information extracted for each predetermined element region in the attention region;
The condition corresponding to the non-change region based on the statistical distribution in the target region under the condition that the non-change region in which the forest fauna does not change between the first time period in each of the target regions. A teacher data determination step for determining teacher data related to the feature information of the forest minister;
A forest facies section map generation step for determining a forest facies in each element region of the original image from the teacher data determined for each forest facies, and generating a forest facies section map in the second period;
The forest phase analysis method characterized by having.
森林を含む対象地域の第1の時期における林相区分図での各林相の領域に対応して、前記対象地域を第2の時期に上空から撮影した原画像に注目領域を設定し、前記各林相の前記注目領域にて所定の要素領域ごとに抽出される画像の特徴情報について統計分布を求める統計分布作成手段、
前記各注目領域において前記第1の時期との間で前記林相が変わらない無変化領域が大半を占めるという条件の下で、当該注目領域における前記統計分布に基づいて当該無変化領域に対応する前記林相の前記特徴情報に関する教師データを決定する教師データ決定手段、及び、
前記各林相について決定された前記教師データにより前記原画像の前記各要素領域における林相を判別し、前記第2の時期における林相区分図を生成する林相区分図生成手段、
として機能させることを特徴とするプログラム。 A program for causing a computer to perform forest fauna analysis in a target area including forests,
Corresponding to the area of each forest fauna in the forest fauna division map in the first period of the target area including the forest, a target area is set in the original image obtained by capturing the target area from the sky in the second period. Statistical distribution creating means for obtaining a statistical distribution for image feature information extracted for each predetermined element region in the region of interest;
The condition corresponding to the non-change region based on the statistical distribution in the target region under the condition that the non-change region in which the forest fauna does not change between the first time period in each of the target regions. Teacher data determining means for determining teacher data related to the feature information of the forest minister; and
Forest stand section generation means for discriminating the forest stand in each element area of the original image from the teacher data determined for each forest stand, and generating a forest stand section map in the second period;
A program characterized by functioning as
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014119574A JP6218678B2 (en) | 2013-06-20 | 2014-06-10 | Forest phase analysis apparatus, forest phase analysis method and program |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013130057 | 2013-06-20 | ||
JP2013130057 | 2013-06-20 | ||
JP2014119574A JP6218678B2 (en) | 2013-06-20 | 2014-06-10 | Forest phase analysis apparatus, forest phase analysis method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015023857A JP2015023857A (en) | 2015-02-05 |
JP6218678B2 true JP6218678B2 (en) | 2017-10-25 |
Family
ID=52489092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014119574A Active JP6218678B2 (en) | 2013-06-20 | 2014-06-10 | Forest phase analysis apparatus, forest phase analysis method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6218678B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6661522B2 (en) * | 2016-12-12 | 2020-03-11 | 株式会社日立製作所 | Satellite image processing system and method |
JP7013886B2 (en) * | 2018-01-25 | 2022-02-01 | 富士フイルムビジネスイノベーション株式会社 | Information processing equipment and programs |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4512778B2 (en) * | 2004-04-26 | 2010-07-28 | 株式会社エヌ・ティ・ティ・データ | Illegal dumping point detection device, method, and program |
JP2006285310A (en) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | Evaluation method of canopy of forest, and its canopy evaluation program |
JP4129879B2 (en) * | 2005-07-25 | 2008-08-06 | 株式会社エヌ・ティ・ティ・データ | Image analysis apparatus, image analysis method, and program |
JP2012208046A (en) * | 2011-03-30 | 2012-10-25 | Fujitsu Ltd | Plant species identification method and plant species identification device |
JP5910018B2 (en) * | 2011-11-17 | 2016-04-27 | 富士通株式会社 | Program for identifying plant species, information processing method and apparatus |
-
2014
- 2014-06-10 JP JP2014119574A patent/JP6218678B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2015023857A (en) | 2015-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309781B (en) | House damage remote sensing identification method based on multi-scale spectrum texture self-adaptive fusion | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
JP6200826B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
Zhou | An object-based approach for urban land cover classification: Integrating LiDAR height and intensity data | |
JP6358862B2 (en) | Forest phase analysis apparatus and program | |
CN104851113B (en) | The urban vegetation extraction method of multiple-spatial resolution remote sensing image | |
Zhang et al. | An unsupervised evaluation method for remotely sensed imagery segmentation | |
JP2006285310A (en) | Evaluation method of canopy of forest, and its canopy evaluation program | |
CN107330875B (en) | Water body surrounding environment change detection method based on forward and reverse heterogeneity of remote sensing image | |
JP6497579B2 (en) | Image composition system, image composition method, image composition program | |
Su | Scale-variable region-merging for high resolution remote sensing image segmentation | |
CN110705634B (en) | Heel model identification method and device and storage medium | |
JP6334281B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
JP6218678B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
JP2009123234A (en) | Object identification method, apparatus and program | |
Ozkan et al. | Examining LiDAR–WorldView-3 data synergy to generate a detailed stand map in a mixed forest in the north-west of Turkey | |
Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
JP4285640B2 (en) | Object identification method, apparatus and program | |
JP5663685B2 (en) | Forest phase analysis apparatus, forest phase analysis method and program | |
Saba et al. | The optimazation of multi resolution segmentation of remotely sensed data using genetic alghorithm | |
Lopez et al. | Line-based image segmentation method: a new approach to segment VHSR remote sensing images automatically | |
JP5305485B2 (en) | Ground height data generating apparatus, ground height data generating method, and program | |
DadrasJavan et al. | An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery | |
Jayasekare et al. | Hybrid method for building extraction in vegetation-rich urban areas from very high-resolution satellite imagery | |
Lawrance et al. | Performance evaluation of image fusion techniques and implementation of new fusion technique for remote sensing satellite data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20161118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170803 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170912 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170926 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6218678 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |