【技术实现步骤摘要】
本专利技术涉及遥感
,尤其是遥感图像中单棵树的检测方法。
技术介绍
森林资源是地球上最重要的资源之一,它能够改善环境、维护生态平衡。为了能够充分利用森林资源和管理森林资源需要定时对森林资源进行调查和监测,以促进对其的了解和管理。传统的森林参数测定主要是依靠人工的实地测量,不仅费时、费力并且获得的数据量十分有限。20世纪60年代遥感技术兴起并发展迅速,各种遥感技术手段已被用于大区域森林制图、森林资源监测,灾害监测等方面。激光雷达(Light Detection And Ranging,LiDAR)是利用GPS(Global Position System)和IMU(Inertial Measurement Unit,惯性测量装置)机载激光扫描。其所测得的数据为数字表面模型(Digital Surface Model,DSM)的离散点表示,这些点云数据中含有空间三维信息和激光强度信息。LIDAR技术是现代对地观测的最新技术之一,在对地面的探测能力方面有着强大的优势,它可以快速准确地获取林地数字高程模型和森林高度信息,使遥感技术在林业邻域的应用登上新的台阶。目前,为了森林测绘、高精度森林管理、森林木材产量预测,国内外学者对单棵树的提取做了大量研究。目前的方法主要有两类,第一类方法基于LIDAR点云数据计算得出的数字表面模型,在数字表面模型中需找高程最大值最为树尖。这一类方法十分依赖于参数的选择,并且在树林密集、遮挡严重的情况下容易产生误识别和漏识别。第二类方法是直接从LIDAR数据中提取单棵树。由于这种方法依赖点云数据在空间中的分布,因此可以识别被大树遮 ...
【技术保护点】
一种基于梯度方向聚类的遥感数据中单棵树的检测方法,包括如下步骤:1)LIDAR点云数据栅格化;LiDAR——Light Detection And Ranging,即激光探测与测量;是利用GPS和惯性测量装置IMU的机载激光扫描;;其所测得的数据为数字表面模型DSM的离散点表示,这些点云数据中含有空间三维信息和激光强度信息;1.1)计算数字表面模型DSM;;1.2)计算数字地形模型DTM;;1.3)计算树林冠层高度模型CHM;;2)根据梯度方向聚类;在栅格化的树林冠层高度模型图像中,根据每一个点的梯度方向,进行聚类;聚类结果中的每一类认为是一棵树;此时结果中的噪声较多,粗糙的边界和细碎的小影像都对结果有较大影响,采用数学形态学方法进行腐蚀膨胀优化聚类结果;聚类结果中每一类认为是一棵树,加入单棵树备选集;3)单棵树的筛选;对于单棵树备选集中影像对象应具有类似正方形或圆形的多边形区域,通过定义密度参数特征和形状参数特征可以明显排除噪声区域;4)单棵树的中心点确定;对于单棵树检测集中检测得到的树,计算每一棵树在树林冠层高度模型图像中的最小外接圆,以最小外接圆的圆心作为单棵树的树中心。
【技术特征摘要】
1.一种基于梯度方向聚类的遥感数据中单棵树的检测方法,包括如下步骤:1)LIDAR点云数据栅格化;LiDAR——Light Detection And Ranging,即激光探测与测量;是利用GPS和惯性测量装置IMU的机载激光扫描;;其所测得的数据为数字表面模型DSM的离散点表示,这些点云数据中含有空间三维信息和激光强度信息;1.1)计算数字表面模型DSM;;1.2)计算数字地形模型DTM;;1.3)计算树林冠层高度模型CHM;;2)根据梯度方向聚类;在栅格化的树林冠层高度模型图像中,根据每一个点的梯度方向,进行聚类;聚类结果中的每一类认为是一棵树;此时结果中的噪声较多,粗糙的边界和细碎的小影像都对结果有较大影响,采用数学形态学方法进行腐蚀膨胀优化聚类结果;聚类结果中每一类认为是一棵树,加入单棵树备选集;3)单棵树的筛选;对于单棵树备选集中影像对象应具有类似正方形或圆形的多边形区域,通过定义密度参数特征和形状参数特征可以明显排除噪声区域;4)单棵树的中心点确定;对于单棵树检测集中检测得到的树,计算每一棵树在树林冠层高度模型图像中的最小外接圆,以最小外接圆的圆心作为单棵树的树中心。2.根据权利要求1所述的一种基于梯度方向聚类的遥感数据中单棵树的检测方法,其特征在于,步骤2所述梯度方向聚类包括以下内容:考虑到在冠层高度模型中树冠都会呈现一个锥形形状,基于梯度方向的聚类算法结合冠层高度模型中点的高度值和局部纹理信息将同属一个树冠的锥形形状聚成一个簇来检测单棵树;具体步骤如下:img矩阵表示冠层高度模型,img中每一个点的值img(x,y)即表示点(x,y)的高度值;label表示聚类过程中的标记矩阵,它的大小和img相同,label(x,y)的值相同的点即表示这些点是相同的一类;index是聚类过程中所用的索引;map<x,y>用来保存每一次聚类过程中的点,保存在map中的点必然属于同一类;21.初始化参数设定:index=1,label=0;22.寻找点(x,y),满足label(x,y)=0并且清空map<x,y>;23.将(x,y)加入到map<x,y>中;24.检查label(x,y)=0是否满足,如果满足则执行下一步;如果不满足则将map<x,y>中的所有点取出,并且令label中这些点的值为label(x,y),回到步骤22;25.找到点img(x,y)和该点上下左右四个点中的最大点;如果img(x,y)是最大的点则执行下一步;如果上下左右四个点中有一个是最大值则更新点(x,y)为找到的最大点,执行步骤23;26.将map<x,y>所有点取出,并且令label中这些点的值为index;index=index+1,执行步骤22;最后得到的label矩阵中相同index的点为同一类;上述步骤中为四邻域(4-Neighbor,4-N)聚类,此方法还可以演变为八邻域(8-Neighbor,8-N)聚类,只需要将步骤V中寻找最大值时从上下左右4个点中寻找修改为从周围八个点中寻找;聚类的过程中从一个点出...
【专利技术属性】
技术研发人员:范菁,高思斌,董天阳,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。