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。     

基于影像分割与影像分类的森林资源小班区划

传统的森林资源区划主要是以地形图为工作图进行对破勾绘,存在人为主观性,不够客观.随着遥感技术的发展,基于影像上地物目标的光谱、结构、形状、纹理等信息进行小班区划,则可排除现有区划不一致问题.因此该文对影像分割与分类在森林资源小班区划中的应用进行了探讨.通过应用,笔者发现该方法能大大缩短外业调查的时间,具有很强的实用性.     

基于特征融合图像分割算法的生态廊道提取

为提取最短路径生态廊道且兼顾多种生物的迁徙可行性,提出基于特征融合图像分割算法的生态廊道提取方法。融合颜色特征与纹理特征得到生态廊道的感兴趣区域,构建卷积神经网络模型,将研究区景观分为林地、耕地、草地、水域等类型,据此构建路径栅格图;利用二维信息素更新策略、动态启发因子信息素因子策略改进传统蚁群算法,以栅格图为对象使用改进蚁群算法规划最短的生态廊道路径。结果表明,该方法图像分割F值在0.954～0.984之间,波动性小;提取的生态廊道路径相对较短、拐点较少,起始点与终点之间更容易实现物质流动。     

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...     

基于无人机可见光影像的华山松人工林计测参数提取

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm~2华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R~2相比较,使用CHM方法,R~2为0.71;而使用点云算法,R~2为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R~2)为0.94,均方根误差(RMSE)为0.033 8m~3;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。     

基于案例推理的植被提取方法研究

针对基于案例推理在植被提取方面的研究较少的现状,为实现高分辨率遥感影像植被高精度提取,重点研究了基于案例推理的植被提取方法。详细阐述了基于案例推理系统的构成,重点论述了案例表示中的特征选择和案例检索过程中的相似度算法及特征属性权重优化方法。根据理论研究,成功开发了植被提取案例推理系统,并基于窗口匹配方法进行改进,植被提取精度可达到91%。结果表明：基于案例推理的植被提取方法可实现高分辨率遥感影像植被高精度提取。     

基于对象的激光点云数据城区树木识别方法

通常利用激光点云数据(LiDar)进行树木分类的方法是将点云内插生成数字地形模型(DTM),根据地物高程差值,在图像处理方法的基础上进行分割或分类。提出一种新的基于对象的LiDar数据树木识别方法,其最大特点是直接利用点云数据的三维空间关系进行分类,不需要将点云转换成二维图像进行处理,避免了转换过程中信息的丢失,提高了分类的精度。具体实现步骤:首先利用kd-trees组织点云数据,在局部邻域中利用点云位置和法线分别进行协方差分析,估算各点的空间特征变量,然后结合各点的回波次数和局部邻域中点云个数密度作为SVM分类器的输入变量,最后利用基于径向基函数的SVM方法实现点云的分类。实验结果表明:OA分类精度为91.21%,Kappa系数为85.62%。     

基于无人机激光雷达点云数据的单木分割研究

[目的]探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段.[方法]通过无人机激光雷达获得样地树木点云数据,...     

基于TM影像的荒漠林光谱特征及提取模型研究

以TM为信息源,对TM多光谱遥感影像的辐射校正、几何校正、研究区实地样地的标定、区划,以及识别模型的提取验证,分析荒漠林树种在TM影像上的机理,分析荒漠林树种光谱特征,建立基于光谱知识的荒漠林树种信息提取的识别模型。结果表明:TM图像的红柳与梭梭的光谱特征明显的差异主要集中在TM4波段上,红柳在TM4的亮度值明显高于梭梭,即红柳亮度值具有在TM4最大的特征;经过对模型的验证,模型判对率为70%。     

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。     

基于多尺度分割技术的高分辨率影像信息提取方法分析

为了提高高分辨率遥感数据的应用价值,通过采用影像分割和多尺度分割最优尺度确定等方法,开展了从高分辨率遥感影像中提取地物信息技术的研究.结果 表明:水体、植被、居住用地、道路和裸地最大面积分割尺度参数分别为200、180、80、120和100时,提取的地物信息比较准确,可以在生产实践中应用.     

基于模糊聚类分析的木材缺陷CT图像分割

为了提高木材的利用率,在木材加工之前对木材缺陷CT图像进行分割,将节子和空洞等缺陷分割出来,通过观察缺陷的位置便于工人师傅下锯。利用计算机断层扫描（CT）技术获取木材缺陷图像,将数字图像处理技术与模糊聚类算法相结合,在标准的模糊C均值算法的基础上改进,采用半模糊聚类的分析方法对木材缺陷图像进行分割检测。实验结果表明：基于半模糊聚类的图像检测方法在木材图像检测上取得了较好的效果,缺陷边缘处很平滑,细节保留完整,更多的保留了边缘上的信息。从而证明了半模糊聚类分析法在木材缺陷CT图像处理方面具有可行性。     

彩色树木图像分割算法的研究

树木图像分割是将树木与其周围景物分离的技术,是虚拟现实和计算机仿真等学科在林业应用的核心技术,也是机器视觉领域的重要研究方向,拓宽了计算机技术在林业中的应用。本项研究基于树木图像形状复杂的特点,设计并实现了一种结合C-V模型水平集及形态学处理的彩色树木图像分割算法。运用改进的最小化能量函数作为水平集的演化曲线,可以更加自然地改变曲线拓扑结构,对含有分裂、合并、形成尖角等复杂形状的目标对象分割更为有效。如果再结合形态学后处理算法,将初次分割图像中非目标区的细密纹理和噪声剔除,可以快速准确地得到全局最优的图像分割效果。同时进行了与基于梯度变换的改进分水岭树木图像分割和基于灰度-梯度最大熵的树木图像分割算法的对比试验,试验表明,结合C-V模型水平集和形态学算法对树木图像分割效果更为有效。     

基于RGB空间的植被分割

绿色植被在地球的能量转化和物质循环中起着巨大而独特的作用,植被与环境的关系一直是植被研究的重要方面,基于卫片和航片的研究是如今最为广泛的研究方法。植被在RGB模式的航片上显示为绿色,与其他地物有明显分别。彩色图像分割是按照彩色图像的色彩规则将一幅图像分成若干个部分子集,将图像中有意义的特征或需要应用的特征提取出来。本文即根据彩色分割的原理,采集不同影像绿色植被上的样点若干,分析植被样点的RGB值的分布规律与分布范围,以此择定绿色植被的分割阈值,利用MATLAB软件对航空影像进行彩色分割,有效地分割出航空影片上的植被信息。     

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。     

数学形态学在旋切单板缺陷图像分割中的研究

胶合板的质量等级在很大程度上取决于旋切单板的表面质量,为了提高旋切单板缺陷检测的质量和效率,提出了一种基于数学形态学的缺陷图像分割方法,通过形态学算子的作用进行缺陷的分割。试验结果表明该算法能取得很好的分割效果。     

基于遗传算法的超细木粉图像分割研究

图像分割技术能够将木粉图像与背景区分出来,获得清晰精确的木粉轮廓,其效果的好坏直接影响到最终木粉尺寸的检测结果。本文介绍了模拟自然界生物进化过程而形成的遗传算法,在经过初始化种群、计算适应度值、精英选择、交叉等一系列步骤后,对超细木粉图像进行分割;采用Canny算法求取图像边缘,最终获得清晰的木粉轮廓图像,为后续的木粉大小、目数检测提供了必要的技术支持。     

基于图论的图像分割算法分析研究

图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程,图像分割新算法一直在更新,但都有局限性。本文介绍几种基于图论的图像分割算法,并对各自算法特点进行分析,通过将Normalized Cut归一化割集准则与图像的阈值分割联合起来区分目标和背景,提出了改进权值公式的算法。通过实验比较分析,改进的归一化图像分割算法有效消除了噪声,取得良好的实验效果,更接近人眼视觉的分割效果,并减少了算法的运算量。     

基于FCM的木材X射线图像缺陷分割

在用X射线检测木材缺陷的过程中,很重要的一步就是对图像中的缺陷的提取和分割,其处理的效果直接影响到后面的缺陷识别的正确性。主要是针对木材X射线图像对比度差的特点和固有的模糊性,利用模糊C均值聚类的方法对木材X射线图像进行分割处理,为后续的提取出木材缺陷工作打下基础。