基于形态学阈值标记分水岭算法的高分辨率影像单木树冠提取

随着遥感技术的不断发展,利用高空间分辨率遥感影像提取单木树冠,成为获取树冠信息的一种重要手段。结合数学形态学和最大类间方差法提取自适应的分割阈值,分别对前景和背景进行标记,以此构建了改进的分水岭分割方法。选取林区高分辨率的无人机影像为数据源,分别根据传统的分水岭方法和改进的分水岭方法进行实验分析,并从冠层面积、单木树冠分割的数量和质量方面进行精度评价。结果证明:基于形态学阈值标记的分水岭算法具有显著改善过分割的作用,树冠分割结果精度可达64.62%,表明该方法切实可行,且效果较好。     

高郁闭度人工林无人机激光雷达单木分割方法优化

【目的】针对高郁闭度林分条件下基于LiDAR点云数据单木分割林木提取困难、总体精度较低等问题,提出一种基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法,为开展无人机LiDAR技术森林资源调查提供技术参考,为提高单木分割总体精度提供新策略。【方法】利用无人机激光雷达数据,采用分水岭算法、基于点云的局部最大值聚类算法和基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法对高郁闭度思茅松人工林进行单木分割,并分析分水岭算法中4种CHM空间分辨率和3种DSM插值方法对单木分割效果的影响,与无人机高分辨率影像单木树冠目视解译结果进行比较,以探测率r、准确率p和F得分为指标对单木分割精度进行验证和评价。【结果】在幼龄林中,冠层起伏率较大,分水岭算法对单层林的分割效果优于基于点云的局部最大值聚类算法;在中龄林和近熟林中,冠层起伏率较小,分水岭算法易将思茅松树枝识别为树冠,基于点云的局部最大值聚类算法的分割效果优于分水岭算法;基于冠层起伏率结合分水岭算法和基于点云的局部最大值聚类算法的分层分割法充分考虑不同龄组的林分结构差异,精度最高(F=0.75),优于分水岭...     

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。     

输电线路通道下行林区冠层自动分割方法研究

针对在高分辨率影像上进行林区冠层高精度分割所存在的问题,提出了以一种结合形态学滤波的基于标记的分水岭分割算法,来实现对输电线下行林区冠层的自动分割。以航拍影像为数据源,首先构建结合了彩色和纹理梯度的综合梯度,然后采用形态学滤波消除中间过渡区域所形成的梯度极小值,同时根据树冠顶端先验信息提取标记,并强制叠加到梯度图像上,最后将上述结果作为初始信息参与分水岭分割,实现高分辨率影像上林区冠层的高精度自动分割,并以目视解译的形式获取研究区冠层的精确面积作为参考,结果显示本算法的精度较高,可以用于实现林区冠层的高精度自动分割。     

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。     

机载激光雷达人工林单木分割方法比较和精度分析

【目的】研究分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木分割的适用性,分析3种方法对人工林单木分割的精度,探索进行单木分割时3种方法关键参数的最优选择。【方法】结合地面实测数据和目视解译方法,计算单木探测率、准确率和F得分,比较分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法的单木分割精度,并通过改变栅格化冠层高度模型(CHM)的分辨率及调整基于点云的距离判别聚类法的距离阈值,分别对3种方法进行单木提取效果的敏感性分析。【结果】1)分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木总体分割精度较高(F=0.76～0.83); 2)对于"复杂林型"样地,基于点云的距离判别聚类法的分割精度最高(F=0.78),优于分水岭算法(F=0.74)和四次多项式拟合法(F=0.53);对于"中等复杂林型"样地,基于点云的距离判别聚类法的分割精度最高(F=0.89),优于分水岭算法(F=0.84)和四次多项式拟合法(F=0.75);对于"简单林型"样地,基于点云的距离判别聚类法(F=0.89)、分水岭算法(F=0.89)和四次多项式拟合法(F=0.93)的分割精度都较高; 3)敏感性分析结果表明,当CHM分辨率为0.5 m×0.5 m时,分水岭算法和四次多项式拟合法的分割精度最高;当基于点云的距离判别聚类法的距离阈值近似样地平均冠幅半径时,其分割精度最高。【结论】对多种类型样地进行单木分割,体现了分水岭算法、四次多项式拟合法和基于点云的距离判别聚类法对人工林单木分割的适用性;结合多种类型样地充分评估并比较了3种方法对人工林单木分割的精度;通过对3种方法进行敏感性分析,阐述了进行单木分割时关键参数的最优选择。     

基于分水岭优化思想的单木信息分割算法

基于机载激光雷达(Li DAR)技术和单木分割算法提取单株树木信息对于单木结构研究、理解树木生长、森林可持续管理具有重要的意义。本研究以分水岭算法为基础,使用可变窗口的局部最大值算法,并采用分层级的区域增长算法及由高度差和梯度构建的能量函数来分割树冠边界,从而优化树顶提取和相邻树冠的分割结果。以中国南方亚热带森林为研究区,测试了针对不同密度(低、中、高密度)、不同树种(白皮松和桉树)以传统分水岭算法和优化算法对于树顶提取及树冠分割的效果。为检验结果的准确性,在实验中对Li DAR数据和人工测量数据的分割结果进行了对比和验证,结果表明:对树冠顶点探测率而言,优化算法平均探测效果(树冠探测率r=0.90、树冠准确率p=0.84、总体准确率f=0.86)优于传统分水岭算法(r=0.62、p=0.81、f=0.78);对树冠边界探测精度而言,优化算法平均探测效果(R2=0.80、RMSE=0.22 m、RRMSE=12.03%)优于传统分水岭算法(R2=0.68、RMSE=0.28 m、RRMSE=17.45%)。在树冠探测上,桉树的准确率略低于白皮松,但是与白皮松的探测率相差较小,这表明白皮松对于优化的算法具有较好的鲁棒性,受密度等因素影响较小;在冠幅探测上,桉树和白皮松的精确度随着林分密度的增加而增加,且均有良好的表现。本研究是一种在传统分水岭算法基础上优化的算法,可以较好地提高单木信息分割的效果,这对于了解亚热带森林中林木经营管理、树木竞争及资源监测具有重要意义。     

基于无人机可见光遥感的单木树高提取方法研究

利用目前流行的高分辨率可见光无人机遥感影像生成树木冠层高度模型,采用分水岭分割算法提取单木树高的研究具有重要理论和实践意义。以位于云南省富民县的天然云南松纯林为研究对象,通过大疆Phantom 4 Pro无人机获取低空可见光遥感影像,利用Pix4D Mapper对无人机影像进行预处理及三维重建,生成三维点云,利用LiDAR360处理三维点云,构建DSM,DEM并生成CHM;采用分水岭分割算法对不同郁闭度条件下获得的CHM进行单木分割及树高提取,对提取结果进行精度评价。结果表明:分水岭分割算法能够准确分割CHM,利用无人机可见光遥感影像进行单木树高提取是可行的;将基于无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R²为0.893,RMSE为1.23m,估测精度为87.58%;同时,林分郁闭度会对单木树高估测产生影响,根据不同郁闭度条件下提取的3组样木树高与实地测量树高的决定系数(R²)分别是0.857,0.939和0.921,RMSE分别为1.450,1.097,0.896m,在低郁闭度林分内树高估测的精度显著高于高郁闭度林分。     

基于UAV遥感的单木冠幅提取及胸径估算模型研究

在森林资源调查中冠幅和胸径是重要的测树因子,自动获取冠幅和胸径值可以提高森林资源调查效率。以云南松为研究对象,基于无人机影像自动提取单木冠幅参数,拟合不同密度等级样地的单木冠幅和树冠面积与胸径的关系以估测单株胸径。首先利用标记控制分水岭分割算法对样地冠层高度模型(CHM)中的单株树冠进行分割,获取最大、最小冠幅和树冠面积,并与实测数据进行精度评价,然后将提取冠幅与树冠面积与实测胸径进行拟合,建立不同密度等级样地的一元回归模型和二元回归模型。结果表明:单木树冠分割准确率为86.26%,冠幅相对误差平均值为6.04%,冠幅面积的相对误差平均值为11.23%;在拟合的模型中,冠幅树冠面积-胸径模型的拟合效果最好,决定系数均在0.7以上,该模型验证数据相对误差均不超过5%,符合A类森林资源调查胸径误差值低于5%的要求。提出的基于无人机影像提取冠幅及预测树木胸径的方法较为准确,可推动森林资源调查自动化发展。     

基于无人机影像与Mask R-CNN的单木树冠检测与分割

对无人机遥感影像中单木树冠进行检测与分割并获取树冠冠幅与树冠面积参数,可以为城市中不同场景下的林业资源调查提供高效快捷的途径.以银杏树为研究对象,创建基于无人机遥感影像的银杏单木树冠数据集,并使用卷积神经网络Mask R-CNN算法结合正射影像图对城市中不同场景下的树冠进行检测和树冠边界勾绘以获取相关树冠参数.结果表明...     

基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%～40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。     

基于无人机多光谱影像的柑橘树冠分割方法研究

树冠是树木的重要组成部分,利用无人机分辨率高、成本低、操作简单等优势,研究无人机影像上分割单木树冠的方法,实现操作流程一体化。以四川省成都市蒲江县柑橘种植基地为研究区域,飞行无人机获取多光谱影像,提出一种利用卷积神经网络对柑橘树冠分割的有效方法,该方法基于VGG16和U-Net,前者检测图片中是否包含柑橘树,选取柑橘最佳的光谱特征,后者实现对柑橘树冠的分割。首先,对原始数据进行灰度化、畸变差校正、正射拼接等一系列预处理,将正射影像裁剪至适中的尺寸后输入到VGG16卷积神经网络中对图片进行分类,过滤出主体为房屋、道路、湖泊的图片;在VGG16模型分类的基础上,选定分类准确率最高的波段,用该波段影像对柑橘树冠进行分割,使用U-Net卷积神经网络模型对分类为柑橘地的图片进行树冠分割与株树统计,提取样地内树冠区域和单木位置。在波段选择中,近红外波段对柑橘地和非柑橘地的分类准确率最高,为95.34%,优于RGB彩色图片和其他波段的数据,而其他波段的准确率分别为:RGB彩色图片88.37%,红色波段62.79%,绿色波段69.76%,蓝色波段65.11%,红边波段74.42%;在树冠区域提取中,使用U-Net卷积神经网络对近红外波段影像进行树冠分割,在测试集上的总体精度可以达到93.63%,错判误差为7.99%,漏判误差为4.52%,准确率为91.99%,Kappa系数为0.88。研究结果表明,结合深度学习可以快速准确地获取单木树冠范围,在保证调查精度的基础上提高调查效率。     

基于机载LiDAR的单木结构参数及林分有效冠的提取

【目的】基于机载激光雷达(LiDAR)数据提取单木树冠三维结构参数(树冠顶点位置、树高、冠幅和冠长),并在此基础上对林分有效冠进行提取,为进一步研究林分尺度上的有效冠结构及其动态提供依据,以更好掌握并改进林业经营措施。【方法】采用一定规则下的局部最大值窗口搜索树冠顶点,进行单木树冠顶点探测和单木树高提取;以树冠顶点为标记,利用标记控制分水岭分割算法提取单木冠幅;采用垂直方向点云高程检测方法获取枝下高位置,提取冠长;在标记控制分水岭分割出的树冠边界,提取树冠接触高,取平均值作为该样地的林分有效冠高。【结果】树冠分割正确率为88.5%;结合样地实测参数对提取值进行相关性分析,树高R~2=0.886 2,冠幅R~2=0.786 4,冠长R~2=0.800 0,树高、冠幅和冠长精度分别为90.34%、86.80%和89.90%;同一林分内单木接触高相对比较稳定,对提取的林分有效冠高进行单因素方差分析,无显著差异。【结论】基于机载LiDAR数据,采用可变大小的动态窗口搜索局部最大值点,能提高单木结构参数的提取精度;利用树冠顶点标记控制分水岭算法,将高空间分辨率航片作为辅助数据,可完成较高精度的单木冠幅提取;垂直方向点云高程检测方法可提取单木冠长;LiDAR点云数据可对林分有效冠进行提取,在同一林分中,不同样本数量对接触高提取的变异性影响不大,有效冠高大致相同。机载LiDAR数据具有良好的单木树冠三维结构参数提取能力,能够满足现代林业调查对单木结构参数提取的需要,实现对林分有效冠的提取。     

基于航空影像的树冠提取方法研究

用高空间分辨率遥感影像对单木树冠进行自动提取和轮廓描绘是近年来林业遥感领域研究的热点。本文以覆盖实验区的航空影像为例,采用面向对象的多尺度分割方法,逐级对植被对象、树冠对象和分树种模式进行分割,有效地提取了影像中的树冠大小信息。     

基于背包式激光雷达的天山云杉林单木因子估测

单木因子高精度无损快速估测对森林资源监测和评估至关重要,背包式激光雷达在获取森林三维结构参数方面具有良好的应用潜力。以天山云杉林为研究对象,利用背包式激光雷达扫描样地获取点云数据进行单木分割识别和单木胸径、树高及冠幅面积等因子估测,以地面实测结合目视解译数据作为参照,进行精度评价及相关性检验。结果表明:利用背包式激光雷达数据进行单木分割的单木分割精度F值均大于0.9,精确率和召回率均值分别为0.96和0.90,识别率平均值为86.61%;单木胸径和树高估测结果决定系数R~2均大于0.90,胸径均方根误差RMSE均值为1.11,树高的为1.05;单木冠幅面积估测结果决定系数R~2均大于0.80,均方根误差RMSE均值为3.21。可见,使用背包式激光雷达能够实现对单木胸径、树高参数的高精度提取。     

机载激光雷达和航空数码影像单木树高提取

用激光雷达(LiDAR)数据和航空数码影像相结合进行单木水平树高反演.对研究区的LiDAR点云数据进行滤波和分类,根据地形特点、地表植被状况以及其他地类的分布,采用Tin Filter滤波算法提取地面回波点和植被回波点.用面向对象的方法对高空间分辨率(25 cm)的航空数码影像进行单株木检测.通过多尺度、树冠模式的分割创建影像对象和类层次,用最邻近距离和成员函数法进行影像对象的分类,并基于分类结果进行再分割.对分割后的树冠多边形进行边缘优化,以准确识别单株木.将植被回波点和影像分割后得到的树冠多边形进行叠加,计算多边形内的LiDAR数据最大高程差值,与实测树高进行相关分析,建立单木树高估测回归方程,平均估测精度为74.89%.     

基于低空无人机摄影方法的山地林木株数统计

以低空无人机遥感手段快速获取高分辨率山林正射影像,结合影像的纹理及光谱特征,利用树冠检测技术自动获取单木树冠,并借助Matlab软件编程实现侧柏及黄栌植株数量的统计,为无人机山林审计普查提供一种思路和方法。根据统计结果分析侧柏植株数量统计精度达到90%,黄栌植被提取精度不低于85%,符合审计数据要求,利用此方法可以及时掌握林业最新动态,最终可为林业审计工作提供可靠的数据服务,为林业的规划发展提供支持。     

基于单木位置特征的多源树木三维点云配准方法

【目的】针对不同观测平台获得的树木三维点云特征少、重叠率低、配准较难的问题,以不同视角不同平台的森林点云数据为输入,根据单木平面位置分布一致性原则,提出一种适用于多类型数据的无标记森林点云自动配准方法,实现以单木对象为语义特征的点对匹配。【方法】首先从不同类型点云数据中分别提取单木平面位置：对于侧视型点云,基于点云主方向离散度与主方向竖直角度偏差剔除部分非主干点云,采用体素点云剖分的连通分量分割方法识别单木主干,统计单木主干点云体素垂直分布最大值点作为单木平面位置;对于俯视型点云,采用标记分水岭算法分割冠层高度模型,提取单木并识别冠层顶点作为单木平面位置。然后以提取的单木平面位置为特征点,基于Laplace谱图匹配理论获取配准矩阵,完成4自由度点云粗配准。最后,采用主干点云匹配完成侧视与侧视点云的精配准,采用全局点云最近点迭代法与主干点云匹配完成侧视与俯视点云的精配准。【结果】侧视-侧视点云配准精度优于侧视-俯视点云,侧视-侧视点云粗配准平均误差为0.24 m,精配准平均误差为0.08 m;侧视-俯视点云粗配准平均误差为1.07 m,全局点云最近点迭代法平均误差为0.44 m,机载激光...     

木材缺陷的阈值分割算法研究

阈值分割算法包括迭代阈值分割、最大方差阈值分割、最大熵阈值分割等,使用3种阈值分割算法进行木材缺陷图像分割,多次实验证明,最大方差阈值分割算法的分割效果最好.在此基础上,对最大方差阈值分割算法进行增强,调整灰度级,增大目标和背景区域的对比度.实验表明,该方法可以明显改善最大方差阈值分割的分割效果.     

高分辨率遥感图像均值调整法分割技术研究

遥感图像分割是将以像元为基础的图像转化为以对象为基础的过程,因此,遥感图像分割是遥感图像高级分析的基础.对于中、低分辨率遥感图像来说,单个像元的面积较大,且混合像元现象严重,图像分割会产生较大的误差.高分辨率遥感图像单个像元的面积较小,分割后图像上单个对象内含若干像元,便于分析和提取信息.以高分辨率遥感图像Q u ickB ird和IKONO S为研究对象,采用均值调整法对图像进行分割和精度检验.结果表明:采用均值调整法进行高分辨率遥感图像分割具有较好的效果,图像分割的速度和精度均较高.