基于多尺度几何特征单木点云的语义分割

针对目前地面激光扫描树木点云精确分离枝干点和树叶点成分困难的问题,提出一种基于多尺度几何特征的单木点云语义分割的方法。首先将水曲柳和樟子松样地点云数据进行单木分割,再计算多尺度点云协方差矩阵特征值,之后选择特征分类器,并根据特征值重要性选择最优特征值,最后对树木的枝干叶点云进行分割。通过比较支持向量机(SVM)、极限梯度增强(XGBoost)和随机森林(RF)3种分类器的训练时间和精度,选择XGBoost作为最终的分类器,并根据特征值重要性选择出6种最优特征。结果表明,2块样地枝干点和叶点的分割精度都>0.88,并且F1值和IOU也都在0.8以上。提出的方法能够有效分割出水曲柳和樟子松树叶点云和枝干点云,有较高的识别精度,研究结果为后续单木三维模型构建及生物量估算提供了条件。     

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

森林区域机载LiDAR点云数据的改进八叉树滤波算法研究

目的利用机载LiDAR点云数据能准确获取地物点三维坐标的特点,本文对森林区域LiDAR数据进行滤波分析,旨在提高点云滤波精度。方法基于改进的八叉树模型,将复杂地形分解为大量山坡地形,通过改变节点尺寸,既保留了点云的原始信息,又增强了点云数据分割的准确性。针对森林区域地形起伏不定的实际情况,在滤波算法中引入坡度判断,在一定程度上改善了山坡低矮植被易被错分为地面点的情况。结果对于3组不同地形下的点云数据,滤波总错误率分别为4.57%、4.75%和5.83%。这一结果对森林区域不同地形下的点云滤波具有一定的实用性。结论本文提出的改进八叉树滤波算法可以充分利用数据结构特征实现快速、高精度的滤波,从而节约时间成本和运行成本,也为后续森林参数的提取奠定基础。      

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于OpenGL的LiDAR数据处理模块设计与实现

针对目前海量LiDAR数据处理涉及问题复杂、多数算法保密的问题,研究了基于OpenGL技术构建LiDAR数据处理模块的方法,并对模块构建过程中涉及的关键技术,包括LAS格式数据读取、基于OpenGL的LiDAR点云显示、改进的多级移动曲面拟合LIDAR数据滤波算法的实现进行了深入研究。为验证该模块处理LiDAR三维点云数据的正确性,利用该模块进行了LiDAR点云的二维显示、三维显示、滤波处理等。试验结果表明:本研究所开发的LiDAR数据处理模块能够快速、正确的显示和编辑LiDAR点云数据,且有高精度的LiDAR点云滤波结果。     

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

基于无人机影像匹配点云数据的喀斯特峡谷区火龙果单株提取研究

针对无人机可见光影像对背景与目标地物混淆时提取识别难的问题,利用四旋翼无人机采集喀斯特峡谷区的火龙果影像匹配点云数据,对原始点云数据进行去噪、滤波和归一化等处理,通过建立高精度的数字高程模型(DEM)、数字表面模型(DSM),进而建立高精度的冠层高度模型(CHM),并以目视解译的火龙果株数为参照,对火龙果株数进行识别提取验证。结果表明,运用无人机影像匹配点云数据,通过冠层高度模型在一定程度上可以消除植株下方杂草的影响;当样地内的基础设施或存在地物高度与火龙果冠层接近,导致误提,错提率最高为8.55%,漏提率最高为12.28%;在各样区中,运用种子点进行火龙果株数提取的精度均在92.38%以上;运用植被冠层进行火龙果株数提取的精度均在90.68%以上。由此表明,运用无人机影像匹配点云数据提取火龙果具有快速、简单有效、成本低、精度可靠的特点,适用于喀斯特山区作物株数的快速提取,可以与基于颜色指数的提取方法互为补充。     

面向对象多层次多尺度分割的农用大棚类型信息提取

为对不同农用大棚类型信息进行识别分类和精细化提取,以内蒙古河套灌区不同大棚类型为研究对象,基于Sentinel-2A卫星数据,采用面向对象结合多层多尺度分割技术和阈值分类方法,对大棚类型信息进行提取并对最终提取结果展开精度评价和分析研究。首先利用尺度参数估计（Estimation of Scale Parameter2, ESP2）方法进行了分层分割并优选出最佳分割尺度,在各层最优分割尺度上进行光谱、指数、几何、纹理等特征的提取与优化,获取最优特征组合;然后运用多层多尺度分割阈值分类方法提取不同大棚类型信息。结果表明不同大棚类型信息总体精度达94.8%,kappa系数达0.93。其中：塑料大棚的制图精度和用户精度分别为95.3%和96.6%;单屋面温室大棚制图精度和用户精度分别为88.5%和92.6%。基于多层多尺度分割分类的信息提取方法分别考虑了不同地物最优分割尺度,在不同地物各自的最优分割尺度上提取其信息,以抑制过度分割或亚分割现象,从而降低错分或漏分。因此,高分辨率卫星数据与面向对象多层多尺度分割分类的信息提取方法能够有效提高大棚类型信息提取精度,且能为地物信息精细提取技术体系提供一定参考思路。     

基于近邻几何特征的TLS林分点云分类研究

目的在地面激光雷达点云分类任务中多存在特征维度较高的问题，然而当点云数量较多，分类任务中构造较高维度的特征往往需要较多的计算成本和运行内存。为了解决这一问题，本研究提出用近邻点构造5个几何特征训练成熟分类器，以期在将林分点云分为地面、树干与枝叶3个类别的同时达到降低特征维度的目的。方法在构造特征的过程中采用近邻值为140的快速KDtree搜索近邻点，获得近邻点后利用其计算协方差矩阵特征值、法向量、曲率、方差和最大高程差构造5个几何特征训练分类器。为了检验本研究构造的特征在林分点云分类中的稳定性，分类器分别采用随机森林和xgboost做比较研究。本研究的实验数据均来自地面激光雷达扫描获得的单站蒙古栎人工林点云数据。结果使用随机森林和xgboost分类器训练的模型在测试集中正确估计样本数量和样本总量的比值分别为0.932 1和0.936 3。这两个分类器在地面、树干和枝叶这3个类别中的查准率达到0.97、0.93、和0.91以上，且在这3个类别中的分类结果中xgboost较随机森林均有千分级的优势。结论结果表明本研究构造的特征能够完成林分点云分类任务，在保证点云分类准确率的基础上，既减少了特征维度，又有助于提高特征计算效率，具有较高的稳定性。本研究的分类结果可为林分参数反演和生物量估计等研究奠定基础。      

应用可见光遥感影像的林区植被分割方法

为快速准确提取可见光遥感图像中的林区植被,降低林区复杂地物与不均匀的光照对提取效果的影响。采用无人机获取的林区可见光遥感图像,利用ArcGIS软件根据植被与裸地、道路以及光照均匀程度的不同占比进行裁剪,获得5个试验样区,分别利用多尺度分割、光谱差异分割和多尺度结合光谱差异分割方法对样区影像进行分割,应用最近邻分类方法分类并分析3种分割方法对分类精度的影响。研究结果表明：基于多尺度分割的分类精度整体优于光谱差异分割和多尺度结合光谱差异分割,植被分类总体精度分别为90.0%、93.0%、92.0%、89.0%、94.0%,Kappa系数分别为0.801、0.855、0.839、0.781、0.880。使用多尺度分割在林区植被提取时受环境影响小,可以有效提取林区植被信息。     

基于ISS-CPD算法的三维激光点云数据处理技术

针对传统的三维重建方法既费时又费力、准确性低等,只能获取一些特征点和线性数据。本文在三维激光扫描点云的基础上,提出了一种结合ISS算法和CPD算法用于建筑物LiDAR点云配准。通过ISS算法提取点云数据的特征点,并通过CPD算法对这些特征点进行配准。并通过实验对该算法的有效性进行验证。结果表明,改进算法简单有效,提高了运算效率。该研究为我国三维激光点云数据的三维重建技术发展提供了参考和借鉴。     

应用堆叠融合模型和点云数据的树种分类

2021年6月份,以福州市三江口生态公园为研究区域,应用科卫泰的六旋翼无人机KWT-X6L-15搭载RIEGL VUX-1UAV三维激光扫描仪采集数据,获取8种共计444棵优势树种点云数据;使用LiDAR360激光雷达点云数据处理分析软件对激光雷达(LiDAR)点云数据预处理后,进行单木分割操作,提取树木参数,筛选得到树高、地径、枝下高、冠幅面积、冠高、胸径、95%百分位高度7个单木特征参数;使用堆叠(Stacking)融合模型应用点云数据提取的参数因子进行树种分类,分类结果与常用的支持向量机、随机森林、K最近邻模型3种模型分类结果进行对比,分析堆叠融合模型应用点云数据进行树种分类的准确度、卡帕(Kappa)系数、精确率、召回率等。结果表明：堆叠融合模型的树种分类,准确度达79.72%、卡帕系数为0.768 1;支持向量机、随机森林、K最近邻模型3种模型的分类,准确度分别为60.14%、67.57%、63.95%,卡帕系数分别为0.544 3、0.632 7、0.582 9;堆叠融合模型对树种分类的效果,整体优于K最近邻模型、随机森林模型、支持向量机模型3种常用模型。堆叠融合模型对水杉...     

基于无人机载LiDAR数据的玉米涝灾灾情评估

【目的】基于无人机平台的遥感技术是目前研究的热点,也是推动现代化农业快速发展的主要力量之一。笔者欲通过分析涝灾研究区激光雷达点云数据反演的玉米冠层高度,快速准确实现玉米涝灾受灾范围监测和灾情评估,为防灾减灾、高产稳产、农业保险理赔等提供依据。拓展无人机载LiDAR数据在农业领域的应用价值,为农业等相关部门快速有效掌握农情信息提供保障。【方法】2016年7月19—20日,以因大暴雨导致涝灾的北京市昌平区一块玉米大田作为研究区,基于无人机平台获取研究区激光雷达数据。通过冠层高度模型(canopy height model,CHM)反演出玉米冠层高度,采用正态统计理论的双阈值划分策略确定阈值,构建基于玉米冠层高度差异的涝灾灾情遥感监测模型,评价玉米涝灾灾情严重程度,并基于地面实测数据进行精度评价。【结果】涝灾发生后,玉米长势存在一定差异,最明显的差异体现在玉米植株高度。基于正态统计理论和野外测量,最终确定严重涝灾玉米冠层高度为0.30—0.84 m,中度涝灾玉米冠层高度为0.84—1.70 m,冠层高度1.70 m以上为轻度受灾区域。通过野外实测样本对无人机载LiDAR数据估算结果进行混淆矩阵分析,总体分类精度达到72.15%,Kappa系数为0.44。结合数码影像做进一步验证,结果表明研究区玉米涝灾遥感空间制图结果与数码影像结果基本一致。【结论】通过无人机载LiDAR数据能实现玉米冠层高度反演,结合涝灾后玉米植株高度差异特征能有效反映不同涝灾程度,实现区域尺度下玉米涝灾受灾范围监测和灾情等级评估,有利于便捷高效获取灾情灾害信息。     

基于最小二乘支持向量机的无人机遥感影像分类

针对SVM容易出现过学习、泛化能力下降的问题,利用LSSVM在求解线性方程组时的自身优势,对高分辨率无人机多光谱影像进行地物分类识别。采用固定翼无人机搭载Micro MCA12 Snap多光谱相机,获取研究区域玛纳斯河畔的多光谱影像,首先利用最佳波段指数法与光谱信息、纹理信息结合得到最佳特征波段组合,从而降低数据维度,进而利用粒子群优化和网格搜索算法分别进行参数寻优并交叉验证方法对影像进行SVM和LSSVM对比试验。结果表明,Micro MCA12 Snap多光谱传感器所选择的1、6、11波段组合及NDVI、NDWI、Mean特征信息组合,粒子群优化LSSVM分类的总体精度较网格搜索LSSVM高0.092%,Kappa系数高0.006;粒子群优化LSSVM分类的总体精度较粒子群优化SVM分类高2.021%,Kappa系数高0.008。试验方法改善了各种地物特别是裸地与沙石的区分,是对该相机及特征组合进行分类的有效手段。     

基于小波分析及改进KNN的红虫识别研究

提出了一种小波分析与改进KNN相结合的红虫图像识别方法。该方法采用多辨识小波分解提取图像的小波能量特征,同时结合生物图像颜色特征构造特征向量,然后选择加权改进KNN分类器进行识别,分类器根据特征与分类相关度确定权重,修改距离函数,有效提高了分类精度。通过对红虫、剑水蚤、猛水蚤样本进行分类试验证明,平均识别准确率达到95.41%,验证了该方法的有效性。     

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

基于不同密度LiDAR数据DEM构建研究

为了进一步提升数字高程模型构建效率,同时降低数据获取成本,以机载LiDAR数据为基础,通过对机载LiDAR数据进行处理得到地面点并对地面点进行抽取操作以获得不同密度地面点数据并插值生成DEM,最终获得不同抽取率下DEM数据生成的精度。结果表明,对于城区而言,随着点云密度的下降DEM生成精度RMSE从0.109 m逐渐增大到0.691 m;对于草地而言,RMSE则从0.065 m逐渐增大到1.096 m;对于林地而言,RMSE从0.088 m逐渐增大到2.201 m。对于3种地物类型而言,DEM生成精度均随抽取率的增大而逐渐降低,且不同地物类型RMSE的变化范围不同。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于多尺度角点的种子破损特征检测算法

针对种子破损局部特征的检测,提出一种基于多尺度角点准确性检测的簇分类算法。该算法对多尺度破损特征角点分类并进行分类点空间位置和尺度上非最大值抑制确定破损局部结构的簇候选特征点,并以候选特征点来参与特征准确性精化的迭代计算。试验结果表明,该算法去除了常规多尺度角点算法检测破损特征存在的冗余点,有效提高了多尺度下种子破损特征定位准确度,降低了迭代计算的时间复杂度。