基于OpenCV的桉树人工林林木株数识别与统计研究

在桉树短轮伐期工业用材林的伐区调查时,往往要估算整个采伐小班的林木株数。为了实现快速林木株数统计,提出一种基于无人机航拍影像与Open CV图像识别计数的处理方法,对航拍的林地影像进行灰度转化、二值化、形态学处理、连通区域分割计算等处理。最后基于二值图片,标记每株树木影像的质心编号,从而实现图像范围内的林木株数统计。结果表明,该方法可将每株树冠有效分离出来,成功解决了计数目标粘连现象对后续分析、测量产生干扰的问题,算法基于Python+Open CV平台,语言简便易行。经测试,识别准确率可达99%,是一种有效的林木株数计数方法。     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

无人机搭载普通相机林火识别技术研究

提出了一种无人机搭载普通相机的林火识别技术,其是一种低成本无人机林火监测方法。本研究以旋翼无人机为载体,通过在南京森林警察学院院内的两块实验场地（林地、无林土丘）进行点火试验,以机载摄像机拍摄的森林视频图像建立了基于混合高斯背景模型和颜色模型的多级火灾隐患特征验证算法。在同一区域,结合地面调查数据,对无人机搭载普通相机林火识别技术精度进行检验。数据表明,在混合高斯模型得到候选火焰像素的基础上,通过试验设置最优阈值,采用归一化互相关方法设定相似度阈值为0.08,可实现对火焰特征的检测与识别。通过低成本的机载普通相机能较快地识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

无人机影像树冠信息提取研究

【目的】树冠是林木长势监测、树种识别、蓄积量估测等森林调查中的重要森林参数,对森林资源调查和生态研究等具有重要意义,相比于传统的人工实地调查的方法,通过无人机影像提取树冠信息,具有高效、准确和低成本等优势。【方法】以湖南衡山森林生态系统定位观测研究站实验样地为研究对象,以无人机影像为数据源,采用阈值法和K邻近法,分别对正射影像和冠层高度模型进行图像二值化,取其交集得到树冠区域图;利用数学形态学开闭重建滤波对树冠区域图进行去噪处理,有效平滑影像,避免影像对象边缘轮廓偏移;采用局部最大值法和最大类间方差法进行前景背景标记,根据影像标记修正梯度图像;利用分水岭分割算法提取树冠信息。【结果】在树冠区域提取中,基于阈值法和K邻近算法成功分割出树冠区域与背景区域,确定树冠分割范围。通过数学形态学滤波,有效地去除了由噪声及树冠内部的纹理信息所造成的伪局部极值,减少了分水岭分割算法的过分割现象,同时保护了树冠边缘轮廓及其位置信息。【结论】单木尺度上,树冠信息提取的F测度为75.98%;样地尺度上,提取的树冠面积相对误差为13.3%。基于无人机影像提取树冠信息的方法是可行的,能够快速准确地提取较高郁闭度林分的树冠信息。     

火焰目标提取方法的研究

在火灾识别应用中,应用物体的轮廓特征来检测和定位目标物体是一种有效的方法.为了精确地提取火焰目标,提出一种综合有效的实现算法,首先对采集来的图像进行抽样处理,然后采用数学形态学方法对图像进行二值化处理,最后再对图像进行分割处理,消除噪声干扰,提取出准确的火焰目标.实验结果表明该算法能够有效地提取出图像中的火焰目标.     

小型无人机林火监测与图像处理技术

常规传感式火灾监测方法不能满足现代林火监测灵活性、实时性和高效性的要求。针对森林这种复杂大空间场景,提出一种基于无人机平台和动态特征分析的视频图像型火灾检测算法。通过机载摄像机拍摄森林视频图像,建立基于混合高斯背景模型和颜色模型多级火灾隐患特征验证算法。实验结果表明,本文方法能较快识别火灾隐患,降低误检率,可为相关研究和实际应用提供参考。     

基于CNN的无人机遥感影像质量评价

运用无人机的遥感影像来调查林地状态是一种有效的途径,为了进一步提升遥感图像质量的评价精度,笔者提出了一种基于卷积神经网络(convolutional neural network,CNN)的无人机遥感图像质量评价方法,主要包括图像采集与预处理、数据扩增、模型训练和测试4个阶段。首先对无人机采集到的遥感图像进行主观质量打分,分别获取同一区域不同阶段图像的质量分数;然后运用图像旋转和剪裁等方法对遥感图像进行数据扩增,将扩增后的图片和原始图片融合作为实验数据集;其次在Caffe深度学习框架中构建基于CNN深层特征的回归模型,并训练;最后,根据已建立好的深度回归模型和学习到的参数,预测无人机遥感图像的质量分数。结果表明,提出的方法可以取得较准确的评分效果,在保证客观打分的同时,能基本保持和人眼视觉的感受一致。     

基于YCbCr和Hough变换圆的林区原木运输车辆识别

正确识别林区原木运输车辆能有效防止原木被违法运输的异常行为,提高监控管理森林资源的效力。为了解决由于林区道路场景的复杂性,原木端面颜色受光照、湿度等影响使得原木运输车辆识别率较低的问题,将基于YCbCr颜色空间和Hough变换圆检测相结合来识别林区原木运输车辆。同一捆原木端面颜色差异较小,可使用YCbCr颜色特征空间来分割图像,去除背景干扰;图像被转换到RGB空间以去除原木区域二值图像的背景;利用形态学方法统一去除二值化图像的原木缝隙来确定图像边缘;利用Hough变换圆的点线间的对偶性来检测原木运输车辆,降低了噪声的敏感性。实验结果表明,上述方法对成捆裸露在外的原木运输车辆识别率达到了71%以上,鲁棒性和有效性较好。     

基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别

分析木材单板节子缺陷图像的特点,提出一种基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别算法。首先,对Chan-Vese提出的基于Mumford-Shah模型的水平集图像分割算法进行改进,使分割速度得到提高;其次,用AOS算法改进原模型的差分格式,使得差分格式无条件稳定;最后,结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。通过对比试验,表明该分割方法能够快速识别单板单个节子缺陷,充分说明该耦合方法比Chan-Vese方法及其改进方法有更好的分割效果。通过用多水平集作为初始轮廓演化曲线,结果表明该方法也可快速实现对单板多节子缺陷图像的识别,实现对单板节子图像的多目标分割。     

基于DeeplabV3+的无人机遥感影像识别

针对无人机植被覆盖航拍影像分类精度不高、工程量大的问题,开发适用于无人机植被覆盖影像识别、具有较高准确性的语义分割模型,以提高植被分类精度。通过无人机航拍获取研究区影像,对获取到的图像进行标注,建立图像数据集,构建随机森林、SegNet、U-Net及DeeplabV3+模型,对DeeplabV3+模型进行改进,将主干网络替换为MobileNetV2,在本实验数据集上训练和测试模型,以验证集指标作为模型评估指标。结果表明,语义分割模型表现优于传统图像分割模型;原始模型中,DeeplabV3+模型表现最好,像素准确率达93.64%,平均交并比达66.43%;改进的DeeplabV3+模型在植被覆盖影像上取得较好的识别效果,像素准确率和平均交并比分别为94.71%和70.89%,相比原始模型分别提升了1.07%和4.46%,参数量仅为原始模型的6.74%,训练时长为原始模型的78.76%,具有一定的适用性和实用价值。     

小型无人机非测量相机在林业调查中的应用研究

为提升林业调查的技术水平,研究小型无人机搭载非测量相机在林业调查中的应用技术。选择北京十三陵林场开展低空航拍试验,针对非测量相机的镜头畸变和小型无人机相机云台外方位元素误差较大的特点,分别通过相机检校算法和外方位元素逆向求解,进行内外方位元素定向,生成立体像对和正射影像;用地面控制点对相片整体进行几何精校正,采用3D量测工具测量立体区域树高,用地面控制点测量图像拼接区域面积和周长,用现地实测树高、面积和周长对图测结果进行检验和模型拟合。结果表明,通过适当的校正和调整,小型无人机搭载非测量相机基本能够满足林业调查对树高、面积及周长等的量测精度要求,应用前景广阔。     

无人机在天空地一体化森林资源调查监测中的应用——以森林督查为例

在天空地一体化森林资源调查监测的大背景下,根据森林督查实际工作需要,从遥感数据处理、判读区划、资料收集核对等方面详细介绍了检查前期工作准备,突出强调了无人机在现地验证中的运用。试验通过Pix4D mapper软件处理无人机采集信息,获得实时航拍正射数据,对比分析无人机在森林督查工作中的优势,并提出森林资源监督管理方案。     

基于多光谱遥感的松材线虫病受害木识别方法

将双光谱照相机安置于无人机的平台上,利用在其当中可以获得可见光以及红外线的遥感图像,采用加权支持向量分类算法可实现病害松树的识别。根据每个内容图像不同的特点,从双光谱相机中获取的可见光图像以及近红外图像的各颜色分量,将这些颜色分量作为相应像素点的颜色特征,中心像素点可以通过加窗图像块获得的灰度共生矩阵,每类样本可以利用权重系数分别为加权支持向量做出数据描述,进而实现多输出类别识别松树的状态,建立相关训练样本中心距离的权重函数可以确定权重系数。与传统的人工、航空和卫星遥感识别方法不同,利用无人机平台和双光谱相机获取遥感图像,具有可操作性强、费用低廉等优势。     

无人机低空遥感在复杂山地森林景区实景三维构建中的应用——以南岭国家森林公园为例

真实三维场景可真实地反映森林景区的地形地貌特征,为森林景区科学管理、生态监测、景观规划及虚拟可视化等提供数据支撑和技术依据。文章以南岭国家森林公园为例,分析了复杂高山地形特征和无人机特性,研究一种利用复合翼无人机对高山景区进行影像采集,建立实景三维模型、表面模型DSM和正射影像图DOM的方法,实现对南岭森林景区75 km~2真实三维场景构建,对场景精度和成果应用进行了分析。结果表明,利用复合翼无人机进行高山景区航拍,既解决了起飞降落问题,又提升了航拍时效性和可靠性;突破传统二维成果的局限性,提供三维模型、DSM和DOM等成果,提升景区可视化管理、森林调查及应用分析等能力。     

基于细胞数字特征的板材材种识别技术

木材识别是合理利用木材最基本的前提。为了解决人工鉴定失误率高的问题,本文提出基于细胞数学描述理论的板材识别方法,采用木材端面细胞的显微数字图像,利用板材材种的数学仿真技术、图像处理技术、数据库管理和系统辨识方法,提取细胞轮廓形态和尺寸等参数建立基准细胞和材种识别数字化参数库。减少传统的依赖图像像素特征识别比较方法的不确定性,创新材种识别的数字化理论体系,推动板材材种识别的实用化。     

基于卷积神经网络的车型识别

车辆分类识别自动化是当前道路安全和智能交通系统面临的重要挑战之一。图像处理、模式识别和深度学习技术的发展克服了许多障碍,针对车型多、计算量大导致车型识别准确率低、效率低的问题,深度学习的卷积神经网能够很好地解决这一问题。基于该方法实现5种车型的识别。首先,收集足够多的数据集以此来平衡数据集(交通网获取足够多的图片数据)。其次,使用这些数据集来训练特殊的卷积神经网模型及设置各个网络层参数。通过评估卷积层数、卷积核大小、卷积层与池化层的数量配比及各动量等参数,实现网络性能的比较和优化及卷积核的选择。     

基于分水岭算法的阔叶林郁闭度提取方法的研究

针对现有的人为调查林区郁闭度耗时,费力且林区条件恶劣等问题,本研究实现了一种使用无人机来测定森林郁闭度的方法。通过无人机在面积为50 m×70 m以内的5个阔叶林为主的地块中,在不同间距和高度拍摄4组图像并制作成正射影像图,通过对图像的灰度化以及滤波等预处理,使用改进的标记控制分水岭的分割算法来提取树冠,并与人工提取做比对,经过实际试验该算法有较高的准确度,所得误差在5%左右,并对提取的树冠使用样线法计算郁闭度,结果表明对0.5～0.9之间的郁闭度有较高的精度。     

基于相关向量机回归的涂泥木线条表面点状小缺陷检测

木线条是一种用途广泛的建筑材料,主要用于装饰、装修和家具制造等行业。涂泥木线条具有美观、强度高、耐潮湿等优点,深受用户的青睐。在生产过程中,为了提高产品质量,需要对涂泥木线条的表面缺陷进行检测,基于数字图像处理技术的缺陷检测方法已成为主要技术手段。在图像中,面积较大的缺陷相对容易检测,但小的点状缺陷由于包含像素少、缺乏纹理特征等特点,检测非常困难。使用传统的、基于滤波的方法检测小缺陷,主要利用了小缺陷的高频特性,但高频图像噪声会造成误检,导致检测效果并不理想。本研究提出了基于相关向量回归结合后处理的方法对小缺陷进行检测,相关向量回归与支持向量回归相比,具有超参数少、表达更稀疏、核函数不需要满足梅西定理等优点。该方法通过以下步骤实现小缺陷检测:首先利用相关向量回归算法对图像进行处理,将回归值作为像素灰度值构建回归图像,然后求原始图像与回归图像的差图像,求取差图像的核相关系数后,再经过取反、二值化和局部平均等后处理,最终得到信杂比较大的检测图像。通过检测指标的比较,与基于Top-hat滤波的检测算法相比,本研究提出的方法具有更好的检测效果。     

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。     

基于改进SPHP算法的无人机遥感影像智能拼接方法

由于在影像拼接过程中存在清晰度低的问题，为此，提出基于改进SPHP(shape-preserving half-projective)算法的无人机遥感影像智能拼接方法。确定目标图像的极值点后，采用SIFT(scale invariant feature transform)作为特征参数，实现对无人机遥感影像特征的提取。在影像匹配阶段，对图像进行单应变换处理后，在待拼接无人机遥感影像特征重合的前提下，利用薄板样条函数(thin plate spline, TPS)中的径向基函数对图像进行变形处理，以此消除投影偏差，结合不同方向上的变形量，实现对无人机遥感影像的拼接。在测试结果中，拼接后影像的信息熵稳定在7.50以上，灰度方差乘积稳定在10.80以上。