亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        無人機RGB影像中人工林單木位置的提取

        2021-03-31 08:54:30李晨李佳王明果段平王云川
        林業(yè)工程學報 2021年2期
        關(guān)鍵詞:單木細化人工林

        李晨,李佳*,王明果,段平,王云川

        (1.云南師范大學地理學部,昆明 650500;2.云南省地質(zhì)科學研究所,昆明 650501;3.云南省地礦測繪院,昆明 650218)

        人工林單木位置提取是指將人工林中每一棵樹木都標記在地圖上,便于林業(yè)管理者統(tǒng)計、查詢以及后續(xù)應(yīng)用。單木位置的準確提取有助于評估林區(qū)樹木產(chǎn)量、監(jiān)測林區(qū)樹木數(shù)量變化等,同時,也是單木樹冠提取、林區(qū)郁閉度計算、植被健康監(jiān)測的前提條件[1-2]。

        傳統(tǒng)的單木位置信息獲取方式是人工實地測量。該方式效率較低、成本較高,且提取精度難以滿足要求[3]。隨著無人機技術(shù)的不斷發(fā)展,低成本、便捷地獲取高空間分辨率、高時間分辨率的影像成為可能。目前大多數(shù)無人機通過搭載可見光相機獲取研究區(qū)域的影像[4],采用影像信息提取的方式,可以從無人機RGB影像中獲取單木位置[5]。研究方法可以分為2類。第1類方法是根據(jù)影像中樹冠中心像素值最大的原理來獲取樹冠中心點,并將其表示為單木位置。這種單木位置表示方法與采用樹干作為單木位置的原理相似[6],都是以一棵樹的單體特征來表示單木位置。最常用的樹冠中心點獲取算法是局部極大值,通過設(shè)定一個移動的窗口,從影像中尋找最大像素值點作為單木位置[7-8]。第2類方法是根據(jù)樹冠的像素值與其他地物像素值的差異,直接提取樹冠輪廓,從而實現(xiàn)單木位置的提取,如谷地跟蹤法[9]、模版匹配法[10]、多尺度分割法[11]等。但是,由于無人機RGB影像空間分辨率較高,存在樹冠內(nèi)部像素差異大、樹冠與非樹冠植被顏色相似、樹冠粘連等問題,直接導致使用無人機RGB影像提取的人工林單木位置精度較低。

        無人機RGB影像除了能生成數(shù)字正射影像(digital orthophoto map,DOM),還可生成數(shù)字高程模型(digital elevation model,DEM)和數(shù)字表面模型(digital surface model,DSM)?;诖?,筆者以無人機RGB影像為基礎(chǔ)數(shù)據(jù)源,首先構(gòu)建其DOM、DEM、DSM;利用可見光波段差異植被指數(shù)(visible-band difference vegetation index,VDVI,公式中記為IVDV)對DOM進行植被與非植被的區(qū)分;結(jié)合DEM和DSM模型數(shù)據(jù),構(gòu)建冠層高度模型(canopy height model,CHM),應(yīng)用CHM模型區(qū)分樹冠與非樹冠植被;為進一步提高精度,利用形態(tài)學圖像細化算法去除樹冠間的粘連;最后對人工林區(qū)單木位置進行提取。

        1 研究區(qū)域與研究數(shù)據(jù)

        1.1 研究區(qū)域

        研究區(qū)位于云南省昆明理工大學呈貢校區(qū)內(nèi),如圖1所示,研究區(qū)面積為11 064.32 m2,單木數(shù)量為912,林區(qū)類型為人工林。研究區(qū)內(nèi)一部分樹冠生長茂密,樹冠之間有粘連,在后續(xù)單木位置提取過程中,既會造成單木位置漏提,也會造成錯提;樹冠下面有一些草地、灌木等非樹冠植被,易誤判為單木樹冠。

        圖1 研究區(qū)Fig.1 Study area

        1.2 試驗設(shè)備

        1)采用大疆精靈4pro進行影像采集。無人機搭載的成像系統(tǒng)擁有2 000萬像素的CMOS傳感器和12檔的動態(tài)范圍,機械快門可以防止快速移動過程中的拖影;搭載了位置與姿態(tài)系統(tǒng)(position and orientation system,POS),可以實時獲取數(shù)據(jù)傳感器位置與姿態(tài)信息。航拍時間為2019年10月26日,航拍時天氣晴朗,風力較小。航拍高度為60 m,航向重疊度為85%,旁向重疊度為75%,共獲取影像81幅,影像分辨率為2.4 cm。

        2)采用徠卡“GPS RTK”采集像控點坐標。本次試驗一共布設(shè)了9個像控點,其中5個像控點用于提高無人機產(chǎn)品數(shù)據(jù)的空間參考精度,4個像控點用于無人機產(chǎn)品數(shù)據(jù)精度驗證。

        1.3 無人機影像處理及精度驗證

        利用無人機RGB影像提取人工林單木位置時,首先需要生成研究區(qū)的DOM、DEM和DSM。本研究統(tǒng)一采用WGS84_UTM_48N投影坐標系構(gòu)建無人機產(chǎn)品數(shù)據(jù),方法分為5個步驟。

        1)對無人機RGB影像進行空中三角測量,將POS數(shù)據(jù),即記載的無人機航攝瞬間影像的空間位置與姿態(tài)作為帶權(quán)觀測值引入空中三角測量的數(shù)學模型中,與5個地面像控點坐標,即攝影測量觀測值進行聯(lián)合區(qū)域網(wǎng)平差,以確定影像真實的空間位置與姿態(tài),從而獲取關(guān)鍵連接點的地面坐標,生成稀疏點云。

        2)利用多視影像密集匹配技術(shù),從多幅影像中識別出同名點,由此建立區(qū)域的密集點云。

        3)將密集點云進行不規(guī)則三角網(wǎng)連接,生成DSM模型。

        4)利用不規(guī)則三角網(wǎng)加密濾波算法對密集點云進行地面點與非地面點分離。首先構(gòu)建一個規(guī)則格網(wǎng),將密集點云劃分為多個區(qū)域;然后基于每個區(qū)域內(nèi)的最低點構(gòu)建一個稀疏不規(guī)則三角網(wǎng),設(shè)定一個角度閾值和距離閾值對剩余點進行迭代判別,將小于閾值的點劃分為地面點,其余的點劃分為非地面點;最后對地面點構(gòu)建高程格網(wǎng),生成DEM模型。

        5)根據(jù)DEM模型,對無人機影像進行單幅影像正射糾正,然后經(jīng)鑲嵌、裁剪等處理得到整個區(qū)域的DOM[12]。

        為檢驗無人機產(chǎn)品數(shù)據(jù)的精確度,以中誤差作為評價標準[13],利用4個剩余的像控點坐標進行精度驗證。以x、y表示平面誤差,z表示高程誤差,M表示整體誤差,則本次試驗獲取的無人機產(chǎn)品數(shù)據(jù)精度較高,其中x方向的中誤差為0.017 m,y方向的中誤差為0.008 m,z方向的中誤差為0.046 m,整體中誤差為0.028 m,符合GB/T 23236—2009《數(shù)字航空攝影測量空中三角測量規(guī)范》中提出的1∶500比例尺平地的平面位置中誤差不大于0.175 m、高程中誤差不大于0.15 m的要求。

        2 試驗方法

        以無人機DOM、DEM、DSM等產(chǎn)品數(shù)據(jù)作為人工林單木位置提取數(shù)據(jù)源,方法如下:首先利用VDVI將DOM分為植被與非植被;其次結(jié)合DEM和DSM構(gòu)建研究區(qū)CHM,利用CHM對研究區(qū)人工林樹冠進行提取;為進一步提高精度,利用形態(tài)學圖像細化算法去除樹冠之間的粘連;最后對人工林區(qū)單木位置進行提取。具體提取流程見圖2。

        圖2 人工林單木位置提取流程Fig.2 Flow chart of individual tree position extraction in the artificial forest area

        2.1 植被與非植被分離

        無人機DOM只含有紅、綠、藍3個波段信息。由于綠光波段的反射較強,而紅光和藍光具有吸收特性,因此,VDVI基于這一特性能夠?qū)OM區(qū)分植被與非植被,且閾值在0附近,較易確定[14]。計算公式如下:

        (1)

        式中,R、G、B分別代表影像中的紅、綠、藍波段值。

        2.2 人工林樹冠提取

        利用VDVI從DOM中提取的植被信息既包含人工林樹冠,也包含非樹冠植被,如草地、灌木。人工林樹冠與草地、灌木在高程上具有差異,從高程差異上可以對樹冠與草地、灌木進行分離。利用無人機RGB影像可以獲得研究區(qū)的DSM與DEM。DSM記錄了地表各類物體的高程信息,DEM記錄了地面的高程信息。

        將DSM與DEM做差值計算可獲得CHM,CHM可以很好地描述不同植被的高程差異[15]。通過統(tǒng)計CHM中一部分草地、灌木的像素值,將平均值作為閾值,去除小于等于閾值的像素,保留大于閾值的像素值作為樹冠,從而實現(xiàn)樹冠與非樹冠的分離。

        2.3 樹冠粘連去除

        人工林中的樹木之間雖然具有一定的間距,但仍然有部分樹冠之間存在粘連,在后續(xù)單木位置提取過程中,樹冠粘連既會導致單木位置漏提,也會導致錯提。因此,去除樹冠粘連能夠提高單木位置提取精度。形態(tài)學細化算法可用于去除樹冠粘連,主要分為圖像二值化和形態(tài)學圖像細化2個過程。

        2.3.1 圖像二值化

        圖像二值化是形態(tài)學細化的前提條件,是指將圖像中的目標與背景進行分離,分別用0和1表示背景和目標。在CHM中,樹冠與非樹冠具有較大的差異,Otsu算法常用于對目標和背景差異大的圖像進行二值化[16]。采用Otsu算法對CHM進行二值化,計算方法為:

        (2)

        μΤ=ω1μ1+ω2μ2

        (3)

        2.3.2 形態(tài)學圖像細化算法

        形態(tài)學圖像細化算法以形態(tài)學原理為基礎(chǔ),通過不斷地刪除粘連樹冠的邊界像素,直到粘連樹冠分離,且分離得到的獨立樹冠主體結(jié)構(gòu)變化不大,基本原理是構(gòu)建8個結(jié)構(gòu)元素對[17],如圖3所示。圖3中,“1”表示目標圖像上的點,“0”表示背景圖像上的點,“x”表示既可以是圖像上的點,也可以是背景圖像上的點,“o”表示參考中心點。

        圖3 8個方向的結(jié)構(gòu)元素對Fig.3 Pairs of structural elements in eight directions

        采用B1~B8對粘連樹冠進行擊中擊不中變換[17],目的是分別選中圖像中粘連樹冠的北、東北、東、東南、南、西南、西、西北8個方向的像素,即選中粘連樹冠的邊界像素,然后刪除。一直迭代此過程,直到粘連樹冠分離。具體為:

        f?B=f-(f*B)

        (4)

        {B}={B1,B2,B3,…,B8}

        (5)

        f?{B}=((…((f?B1)?B2)…)?B8)

        (6)

        式中:f表示包含粘連樹冠的圖像;B表示圖3中的一個結(jié)構(gòu)元素對;f?B表示采用B對f進行細化;f*B表示采用B對f進行擊中擊不中變換,即選中粘連樹冠某個方向的像素,如采用B1選中了北面的像素。

        式(6)表示一次細化過程:首先采用B1對f進行細化,刪除了粘連樹冠北面的像素;之后將得到的細化結(jié)果用B2繼續(xù)細化,再將東北方向的像素刪除,以此類推。當B8應(yīng)用于上一次細化結(jié)果時,粘連樹冠的邊界像素被刪除一次,通過對式(6)進行迭代,直到樹冠粘連被去除。

        2.4 單木位置提取

        將去除非植被和去除粘連后的二值圖像作為掩膜,提取VDVI中與“1”值相對應(yīng)的區(qū)域,作為人工林單木位置提取的數(shù)據(jù);利用ENVI crop science工具,通過設(shè)置最小作物直徑、最大作物直徑、增量數(shù)、高斯平滑因子、允許重疊度5個參數(shù)后可提取單木位置。這5個參數(shù)中,最小作物直徑和最大作物直徑可控制提取樹冠的最小與最大直徑;增量數(shù)是提取樹冠直徑的步長;高斯平滑因子用于抑制圖像中的噪聲,值域為0~1,圖像中噪聲越大,設(shè)定的值越接近1;允許重疊度根據(jù)樹冠之間的粘連程度而定,值域為0~1,粘連程度越大,設(shè)定的值越接近1。

        通過試驗,量測獲得影像中最小作物直徑約為0.5 m,最大作物直徑約為3.5 m,由此可知,研究區(qū)內(nèi)樹冠大小差異大。將增量數(shù)設(shè)定為20,確保0.5~3.5 m內(nèi)每個類型的樹冠都能被探測到,減小漏提率;將高斯平滑因子設(shè)定為0.5,減小影像中樹冠內(nèi)部和邊緣的噪聲影響;將允許重疊度設(shè)為50%,在已經(jīng)去除樹冠粘連的基礎(chǔ)上,針對一些完全粘連的樹冠,將其分離為單木樹冠,從而提高單木位置提取的準確率。

        3 結(jié)果與分析

        3.1 樹冠提取與去除樹冠粘連流程和結(jié)果

        樹冠提取與去除樹冠粘連的流程和結(jié)果見圖4,其中,圖4a~e表示樹冠提取流程與結(jié)果,圖4f~i表示去除樹冠粘連的流程與結(jié)果。在圖4中,圖4a表示局部區(qū)域的DOM,區(qū)域內(nèi)存在部分草地信息。采用VDVI以閾值0.027從DOM中得到植被信息,如圖4b所示,植被與非植被分離效果較好,但草地與樹冠具有相似的像素值。利用DSM與DEM構(gòu)建CHM,如圖4e所示,去除了植被圖層中的非樹冠信息。圖4f表示局部區(qū)域的DOM,區(qū)域內(nèi)顯示樹冠粘連。以CHM為基礎(chǔ),對其進行二值化,結(jié)果如圖4h所示。采用形態(tài)學圖像細化算法去除樹冠粘連,結(jié)果如圖4i所示。

        圖4 樹冠提取與去除樹冠粘連的流程和結(jié)果Fig.4 Progress and results of crown extraction and removal of crown adhesion

        3.2 單木位置提取結(jié)果

        圖5 局部區(qū)域試驗結(jié)果對比Fig.5 Experimental result comparisons of local area

        局部區(qū)域單木位置提取結(jié)果見圖5,其中,圖5a和c為本研究提取的結(jié)果,圖5b和d為直接基于VDVI提取的結(jié)果,圖中每個圓代表1個單木位置。對比2種方法的提取結(jié)果可以看到:圖5b將草地誤判為單木,而圖5a結(jié)合了高程信息去除了草地,降低了錯提率;圖5d將2個粘連的樹冠誤判為1個樹冠,而圖5c去除了樹冠粘連,2個粘連的樹冠也得到正確提取,降低了錯提率與漏提率。

        圖6 單木位置提取結(jié)果及其對比Fig.6 Individual tree position extraction results and comparison

        整體提取效果如圖6所示。圖6a為本研究提取結(jié)果,圖6b為直接基于VDVI提取的結(jié)果。通過對比可以看到,在圖6b中影像的中部(道路)、西北部、東部和東南部存在明顯錯提的情況,而與之對應(yīng)的圖6a中沒有出現(xiàn)這種情況。通過分析可知,直接基于VDVI提取單木位置由于沒有進行樹冠與非樹冠的分離,研究區(qū)內(nèi)的草地、灌木被誤判為單木;此外,沒有進行去除樹冠粘連,導致單木位置漏提與錯提,其提取效果不如本研究方法。

        3.3 提取精度分析

        為定量化描述提取結(jié)果,采用目視解譯的方式獲取研究區(qū)中真實的單木位置作為驗證數(shù)據(jù)。采用準確率(p)、漏提率(Oe)、錯提率(Ce)3個指標進行精度驗證[3]。p和Oe分別表示準確提取、漏提取單木占參考總單木的百分比;Ce表示錯提取單木占試驗提取總單木的百分比。其中,p與Oe之和為100%。計算方法為:

        p=Nd/Nr

        (7)

        Oe=Ne/Nr

        (8)

        Ce=Nc/Na

        (9)

        式中:Nd表示正確提取的單木總數(shù);Nr表示目視解譯獲得的單木總數(shù);Na表示試驗提取的單木總數(shù);Ne表示漏提的單木數(shù);Nc表示錯提的單木數(shù)。

        通過目視解譯,研究區(qū)內(nèi)共有樹木912棵,本研究提取的樹木數(shù)量為838棵,正確提取樹木836棵,漏提76棵,錯提2棵;直接基于VDVI提取的單木數(shù)量為1 024棵,正確提取樹木803棵,漏提109棵,錯提221棵。2種方法精度驗證結(jié)果見表1。從表1中可以看出,直接基于VDVI提取的單木位置準確率為88.05%,漏提率為11.95%,錯提率為21.58%;本研究方法提取的單木位置精度較好,其中,準確率為91.67%,漏提率為8.33%,錯提率為0.24%。通過對比,采用本研究方法提取的單木位置準確率提高了3.62%,漏提率降低了3.62%,錯提率降低了21.34%。主要原因是本研究方法結(jié)合了高程信息去除了非樹冠信息,減小了草地、灌木等植被被誤判為樹冠的幾率;同時,進行了去除樹冠粘連,減小了錯提率與漏提率。

        表1 單木位置精度驗證結(jié)果及其對比Table 1 Individual tree position accuracy verification results and its comparison

        3.4 其他人工林單木位置提取結(jié)果

        昆明理工大學呈貢校區(qū)內(nèi)另一片人工林單木位置提取結(jié)果見圖7,使用的影像采集設(shè)備和單木位置提取方法不變。

        圖7 其他人工林區(qū)單木位置提取結(jié)果Fig.7 Results of individual tree position extraction in another artificial forest area

        影像采集時,受到旁邊建筑物影子的影響,導致DOM中存在光照不均勻的現(xiàn)象,在圖中表現(xiàn)為西側(cè)亮度低、東側(cè)亮度高;此外,研究區(qū)內(nèi)樹冠以下主要覆蓋物為草地,其顏色與樹冠相似。通過試驗,獲得的單木位置數(shù)量為227,通過目視解譯及精度驗證,圖7中共有樹木237棵,其中2棵樹木屬于錯提,10棵樹木屬于漏提,準確率為94.94%,進一步證明了本研究方法的適用性。

        4 結(jié) 論

        以人工林區(qū)單木位置作為研究對象,以無人機RGB影像為數(shù)據(jù)源,在此基礎(chǔ)上構(gòu)建DOM、DEM和DSM產(chǎn)品數(shù)據(jù)。基于產(chǎn)品數(shù)據(jù),采用VDVI從DOM中提取植被信息,結(jié)合DEM和DSM去除植被中的非樹冠信息,然后采用形態(tài)學圖像細化算法去除樹冠粘連,最后提取單木位置。通過驗證,提取的準確率為91.67%,漏提率為8.33%,錯提率為0.24%,與直接基于VDVI提取的結(jié)果相比,本研究方法提取的單木位置準確率提高了3.62%,漏提率降低了3.62%,錯提率降低了21.34%。研究得出以下結(jié)論:

        1)基于無人機RGB影像獲取的CHM可以從高程差異上區(qū)分樹冠、草地、灌木,有效減小非樹冠植被對單木位置提取的影響;

        2)DOM中,樹冠粘連極易導致單木位置漏提與錯提,形態(tài)學圖像細化算法可去除人工林樹冠之間的粘連,對于提高單木位置提取精度較有效。

        猜你喜歡
        單木細化人工林
        地基與無人機激光雷達結(jié)合提取單木參數(shù)
        融合LiDAR點云與高分影像的單木檢測方法研究
        無人機影像匹配點云單木識別算法
        遙感信息(2019年1期)2019-03-22 01:38:16
        中小企業(yè)重在責任細化
        勞動保護(2018年5期)2018-06-05 02:12:06
        基于雙尺度體元覆蓋密度的TLS點云數(shù)據(jù)單木識別算法
        森林工程(2018年5期)2018-05-14 13:54:30
        “細化”市場,賺取百萬財富
        華人時刊(2018年23期)2018-03-21 06:26:16
        我國人工林生態(tài)輪伐期探討
        人工林生產(chǎn)力提升對策探析
        “住宅全裝修”政策亟需細化完善
        山東林業(yè)科技(2016年5期)2016-07-05 00:43:04
        国产理论亚洲天堂av| 国产精品沙发午睡系列| 放荡的少妇2欧美版| 久久精品国内一区二区三区| 亚洲地区一区二区三区| 偷拍一区二区三区黄片| 欧美日本精品一区二区三区| 中文字幕精品一二三四五六七八 | 妺妺窝人体色www聚色窝韩国| 一级二级三一片内射视频| 爽爽影院免费观看| 亚洲色丰满少妇高潮18p| 欧美日韩中文字幕久久伊人| 精品女人一区二区三区| 久久精品成人一区二区三区| 老熟妻内射精品一区| 激情 一区二区| 99久久婷婷国产精品网| 正在播放强揉爆乳女教师| 国产一级做a爱免费观看| 精品亚洲一区二区视频| 极品粉嫩小仙女高潮喷水网站| 国产中文欧美日韩在线| 久久久久亚洲精品天堂| 色婷婷久久综合中文久久一本| 欧美成人午夜免费影院手机在线看| 精品国产一区二区三区久久狼 | 琪琪av一区二区三区| 国产在线无码一区二区三区视频 | 一群黑人大战亚裔女在线播放| 国产在线白浆一区二区三区在线| 日韩一区二区av极品| 欧洲熟妇色 欧美| 日批视频免费在线观看| 日本免费精品免费视频| 精品一区二区三区免费视频| 精品久久久久久久久久久aⅴ| 国产在线视频网站不卡| 老熟妇乱子交视频一区| 亚洲日本va午夜在线电影| AV中文字幕在线视|