基于无人机遥感的伐区造林坑穴参数提取方法技术

本发明专利技术涉及一种基于无人机遥感的伐区造林坑穴参数提取方法，包括以下步骤:步骤S1:获取伐区造林坑穴的航拍影像数据，经处理得到DSM图像;步骤S2:基于Canny边缘检测方法，对DSM图像进行边缘检测，生成坑穴边界图像；步骤S3:对坑穴边界图像圆形霍夫变换方法，得到圆形坑穴对象，将提取的坑穴对象个数作为坑穴数量提取结果；步骤S4:根据坑穴数量提取结果，将圆形对象的直径作为坑穴的宽度；步骤S5:根据步骤S3得到的坑穴提取结果和步骤S1生成的DSM，分别统计每个坑穴对象内部像素点高程值的最大值和最小值，两者的差值作为坑穴的深度。本发明专利技术能够快速有效的获取伐区造林坑穴参数，为造林坑穴参数提取及质量检测提供一种新的方法。

【技术实现步骤摘要】
基于无人机遥感的伐区造林坑穴参数提取方法
本专利技术涉及造林工程监测领域，具体涉及一种基于无人机遥感的伐区造林坑穴参数提取方法。
技术介绍
监测和评价造林工程的质量，是精准提升森林质量和实现森林效益的关键环节。林业生产方式落后、经营管理粗放、质量效益低下是我国林业存在的突出问题。只有转变林业经营方式，从传统粗犷林业向精准林业方向转换，才能有效提高森林质量，全面提升森林的多种功能，满足社会的多样化需求。无人机遥感技术在植被信息提取和林业资源调查方面已经进行了大量的研究，各种方法被广泛应用于植被高度、植被覆盖度、造林规划设计、林分参数提取等方面。造林挖穴是植树造林的第一步也是造林过程中极其重要的一环，坑穴的数量和质量关乎植树造林的成活率，影响最终的造林成果质量。当前对造林坑穴的参数提取和质量评价主要依赖工作人员现场抽检，一方面工作量大效率低，另一方面客观准确性难以得到保证。随着图像处理技术的发展，基于无人机影像的人工智能和模板匹配技术在目标探测和图像自动解译等方面得到广泛应用。大量文献已经证明无人机遥感在各类目标探测和识别方面具有较好的实用价值。造林坑穴目标具有特定的形状、光谱和空间分布特征，相互之间具有较大的相似度。霍夫变换在提取特定形状目标方面有较多的应用，在伐区造林坑穴参数提取中具有应用潜力。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于无人机遥感的伐区造林坑穴参数提取方法，为造林坑穴质量评价提供自动化的解决方案，从而进一步拓展无人机遥感在造林质量检测中的应用潜力和价值。r>为实现上述目的，本专利技术采用如下技术方案：一种基于无人机遥感的伐区造林坑穴参数提取方法，包括以下步骤:步骤S1:获取伐区造林坑穴的航拍影像数据，经处理得到DSM图像；步骤S2:基于Canny边缘检测方法，对DSM图像进行边缘检测，生成坑穴边界图像；步骤S3:对坑穴边界图像圆形霍夫变换方法，得到圆形坑穴对象，将提取的坑穴对象个数作为坑穴数量提取结果；步骤S4:根据坑穴数量提取结果，将圆形对象的直径作为坑穴的宽度；步骤S5:根据步骤S3得到的坑穴提取结果和步骤S1生成的DSM，分别统计每个坑穴对象内部像素点高程值的最大值和最小值，两者的差值作为坑穴的深度。进一步的，所述步骤S1具体为：采用无人机获取伐区造林坑穴的航拍影像数据，并对得到的航拍相片，使用摄影测量处理软件进行数据预处理，加入控制点并进行手工刺点，全自动空三加密生成影像密集匹配点云，生成实验区数字表面模型。进一步的，所述无人机飞行设计航线为航向重叠率不低于90％，旁向重叠率不低于70％，空间分辨率为0.01-0.02m。进一步的，所述步骤S2具体为：步骤S21:对坑穴DSM图像进行高斯平滑滤波，计算公式如下：式中,σ为高斯滤波器参数,它控制着平滑程度；x和y为图像中某一像素的位置；步骤S22：对平滑后的图像I(x,y)计算梯度幅值和方向，计算公式如下：θ(x,y)＝arctan(Py(x,y)/Px(x,y))式中,x和y方向偏导数分别为:Px(x,y)＝(I(x,y+1)-I(x,y)+I(x+1,y+1)-I(x+1,y))/2Py(x,y)＝(I(x,y)-I(x+1,y)+I(x,y+1)-I(x+1,y+1))/2步骤S23：遍历梯度幅值图M,在以M(x,y)为中心点的8邻域内判断,如果M(x,y)比梯度方向上相邻两个点的幅值都大，则令M1(x,y)＝M(x,y)，否则，令M1(x,y)＝0，M1为非极大值抑制结果；步骤S24：分别使用高阈值Thmax和低阈值Thmin对图像M1进行判断,若M1(x,y)>Thmax，判定该点是边缘点，若M1(x,y)<Thmin,则判定该点不是边缘点，若Thmax>M1(x,y)>Thmin，则判定该点疑似边缘点，再进一步判断，若疑似边缘点的邻接像素中有边缘点，则认为该点也是边缘点，否则，认为该点为非边缘点。进一步的，所述步骤S3中圆的表达式为：(x-a)2+(y-b)2＝r2，参数空间的表达式为：a＝x-rcosθ，b＝y-rsinθ，霍夫变换把求解图像空间中圆的曲线问题转换成求解参数空间中像素点最多的(a,b,r)参数对问题。其中，a和b表示圆心，r表示半径，具体包括以下步骤：步骤S31设置最小半径Rmin、最大半径Rmax、半径步长Rs、角度θ∈(0～2π)、角度步长θr，半径搜索步数Cr＝(Rmax-Rmin)/Rs，角度搜索步数为Cθ＝2π/θr，初始化参数空间H(m,n,Cr)，m为图像横坐标像素个数，n为纵坐标像素个数，H初始为全0矩阵；步骤S32：边缘检测后的有效像素点坐标Xi(xi,yi)，按照Rs和θr，根据公式a＝x-rcosθ，b＝y-rsinθ进行网格搜索计算，得到ai，bi，ri，参数H(ai,bi,ri)累积加1，可以得到参数空间Cr×Cθ个H(ai,bi,ri)参数对；步骤S33：重复步骤S32，计算图像空间中所有的边缘检测后的有效像素点，相同的H(ai,bi,ri)参数对进行加1；步骤S34：计算完所有的有效像素点后，对H按照累加值大小排序。根据参数空间中H(ai,bi,ri)，确定圆心、半径，将圆输出到图像中，得到坑穴提取结果。进一步的，所述坑穴深度为坑面点与坑底点高程之差，以圆形霍夫变换得到的圆心、直径分别作为窗口中心和窗口大小在原始DSM上进行局部像素点高程的极值探测，得到坑穴对象内部像素点高程值的最大值和最小值，两者的差值即为坑穴的深度参数。进一步的，所述坑穴的深度参数提取公式如下：式中,D为坑穴的深度，Z(x,y)表示该坐标像素高程值，pv表示坑穴对象内包含的所有像素点。本专利技术与现有技术相比具有以下有益效果：本专利技术能够快速有效的获取伐区造林坑穴参数，为造林坑穴参数提取及质量检测提供一种新的方法。相比于现场人员抽查检测更加客观、科学和高效，是造林信息提取的最佳解决方案，为造林坑穴参数提取及质量检测提供一种新的方法，拓展了无人机遥感技术在造林质量评价方面的应用。附图说明图1为本专利技术实施例的方法流程示意图。图2为本专利技术实施例的研究样地。图3为本专利技术实施例的基于DSM局部圆形霍夫变换提取坑穴过程。其中A为DSM源数据，B为Canny边缘检测结果。C为圆形霍夫变换探测结果，D为坑穴提取结果与DOM(数字正射影像)叠加显示。图4为本专利技术实施例的单个坑穴影像点云示例。图5为本专利技术实施例的三种方法提取结果；其中A为圆形霍夫变换全区域结果，B为圆形霍夫变换局部结果，C为模板匹配局部结果，D为目视解译局部结果。图6为本专利技术实施例的伐区造林坑穴实测和提取宽度散点图。图7为本专利技术实施例的伐区造林坑穴实测和提取深度散点图。具体实施方式下面结合附图及实施例对本专利技术做本文档来自技高网...

【技术保护点】
1.一种基于无人机遥感的伐区造林坑穴参数提取方法，其特征在于，包括以下步骤:/n步骤S1:获取伐区造林坑穴的航拍影像数据，经处理得到DSM图像；/n步骤S2:基于Canny边缘检测方法，对DSM图像进行边缘检测，生成坑穴边界图像；/n步骤S3:对坑穴边界图像圆形霍夫变换方法，得到圆形坑穴对象，将提取的坑穴对象个数作为坑穴数量提取结果；/n步骤S4:根据坑穴数量提取结果，将圆形对象的直径作为坑穴的宽度；/n步骤S5:根据步骤S3得到的坑穴提取结果和步骤S1生成的DSM，分别统计每个坑穴对象内部像素点高程值的最大值和最小值，两者的差值作为坑穴的深度。/n

【技术特征摘要】
1.一种基于无人机遥感的伐区造林坑穴参数提取方法，其特征在于，包括以下步骤:
步骤S1:获取伐区造林坑穴的航拍影像数据，经处理得到DSM图像；
步骤S2:基于Canny边缘检测方法，对DSM图像进行边缘检测，生成坑穴边界图像；
步骤S3:对坑穴边界图像圆形霍夫变换方法，得到圆形坑穴对象，将提取的坑穴对象个数作为坑穴数量提取结果；
步骤S4:根据坑穴数量提取结果，将圆形对象的直径作为坑穴的宽度；
步骤S5:根据步骤S3得到的坑穴提取结果和步骤S1生成的DSM，分别统计每个坑穴对象内部像素点高程值的最大值和最小值，两者的差值作为坑穴的深度。


2.根据权利要求1所述的基于无人机遥感的伐区造林坑穴参数提取方法，其特征在于，所述步骤S1具体为：采用无人机获取伐区造林坑穴的航拍影像数据，并对得到的航拍相片，使用摄影测量处理软件进行数据预处理，加入控制点并进行手工刺点，全自动空三加密生成影像密集匹配点云，生成实验区数字表面模型。


3.根据权利要求2所述的基于无人机遥感的伐区造林坑穴参数提取方法，其特征在于，所述无人机飞行设计航线为航向重叠率不低于90％，旁向重叠率不低于70％，空间分辨率为0.01-0.02m。


4.根据权利要求1所述的基于无人机遥感的伐区造林坑穴参数提取方法，其特征在于，所述步骤S2具体为：
步骤S21:对坑穴DSM图像进行高斯平滑滤波，计算公式如下：



式中,σ为高斯滤波器参数,它控制着平滑程度；x和y为图像中某一像素的位置；
步骤S22：对平滑后的图像I(x,y)计算梯度幅值和方向，计算公式如下：



θ(x,y)＝arctan(Py(x,y)/Px(x,y))
式中,x和y方向偏导数分别为:
Px(x,y)＝(I(x,y+1)-I(x,y)+I(x+1,y+1)-I(x+1,y))/2
Py(x,y)＝(I(x,y)-I(x+1,y)+I(x,y+1)-I(x+1,y+1))/2
步骤S23：遍历梯度幅值图M,在以M(x,y)为中心点的8邻域内判断,如果M(x,y)比梯度方向上相邻两个点的幅值都大，则令M1(x,y)＝M(x,y)，否则，令M1(x,y)＝0，M1为非极大值抑制结果；
步骤S24：分别使用高阈值Thmax和低阈值Thmin对...

【专利技术属性】
技术研发人员：周小成，王文军，王锋克，黄洪宇，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35