树木影像图处理方法、装置、终端设备及存储介质制造方法及图纸

本发明专利技术公开了一种树木影像图处理方法、装置、终端设备及存储介质，通过获取目标树木的多视角影像图；基于所述多视角影像图，采用预设的全场景语义信息启发式的影像细节匹配模型，获取所述目标树木的全要素信息以及提取所述目标树木的对应掩膜；根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和单体化模型，以使所述目标树木在全域和单体双维度上可视化；基于所述全要素信息，建立全要素树木信息档案，从而更新维护所述全要素树木信息。本发明专利技术实施例获取目标树木的全要素信息，实现目标树木的全域实景三维建模和单体化建模。模。模。

【技术实现步骤摘要】
树木影像图处理方法、装置、终端设备及存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种树木影像图处理方法、装置、终端设备及存储介质。

技术介绍

[0002]森林作为全球生态系统的重要组成部分之一，在调节全球气候变化、推动碳循环等方面具有重要作用。而树木作为一种重要的森林资源，通过借助一定的调查方法快速精确地获取区域树木全要素信息，对于实现森林资源的精细化管理具有重要意义。在过去几十年内，传统的树木调查技术方法主要通过人工手段来获取，从而表现出人工成本高、耗时长、精度较低等弊端。
[0003]虽然，近年来，随着计算机、遥感、激光扫描等
的快速发展，基于无人机倾斜摄影测量技术、机载LIDAR技术、近景摄影测量技术、三维激光扫描技术等新型测绘技术不断涌现。但是，在树木调查领域中，大多数采用单一新型测绘技术来获取单一维度的影像数据，所以难以获得全要素信息，因此，亟需探索一种多维影像数据融合的新型树木调查技术方法，实现树木精细化建模，从而获取树木全要素信息。

技术实现思路

[0004]本专利技术提供一种树木影像图处理方法、装置、终端设备及存储介质，通过预设的全场景语义信息启发式的影像细节匹配模型处理目标树木的多角度影像图，能够获取目标树木的全要素信息，实现目标树木的全域实景三维建模和单体化建模。
[0005]为了实现上述目的，第一方面，本专利技术实施例提供了一种树木影像图处理方法，包括：
[0006]获取目标树木的多视角影像图；其中，所述多视角影像图包括：正射影像图、侧面影像图、地面影像图和近地面细节化影像图；
[0007]基于所述多视角影像图，采用预设的全场景语义信息启发式的影像细节匹配模型，获取所述目标树木的全要素信息以及提取所述目标树木的对应掩膜；其中，所述全要素信息包括：种类、数量、面积、胸径、树高、冠幅、位置、长势等；
[0008]根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和单体化模型，以使所述目标树木在全域和单体双维度上可视化；
[0009]基于所述全要素信息，建立全要素树木信息档案，从而更新维护所述全要素树木信息。
[0010]作为上述方案的改进，所述预设的全场景语义信息启发式的影像细节匹配模型是利用Radon变换模型和PointNet网络模型获得，具体包括：
[0011]基于样本树木的多视角影像图，获取全场景样本数据集；
[0012]通过所述全场景样本数据集，采用Radon变换模型确定所述样本树木语义方向，得
到所述样本树木的全场景语义信息；所述全场景语义信息包括：样本树木的种类、位置和影像图纹理等；
[0013]根据所述全场景语义信息，选取PointNet网络模型作为影像细节匹配模型的基础框架，获得预设的全场景语义信息启发式的影像细节匹配模型。
[0014]作为上述方案的改进，所述通过所述全场景样本数据集，采用Radon变换模型确定所述样本树木语义方向，得到所述样本树木的全场景语义信息，具体包括：
[0015]通过所述全场景样本数据集设定阈值，利用Radon变换模型，获取所述Radon变换矩阵中最大线积分数值；
[0016]将所述Radon变换矩阵中最大线积分数值小于所述阈值的所述全场景样本数据集中的点数据设置为0，保留所述Radon变换矩阵中最大线积分数值大于等于所述阈值的所述全场景样本数据集中的点数据；
[0017]对所保留的所述全场景样本数据集中的点数据的各个角度所对应的所有线积分数值进行求和，得到的和的最大值所对应的角度即为所述样本树木的语义方向，从而得到所述样本树木的全场景语义信息；
[0018]其中，获取所述Radon变换矩阵中最大线积分数值的计算原理如下：
[0019][0020]式中，R(ρ,θ)为所述Radon变换矩阵中最大线积分数值；F为所述全场景样本数据集中每一个影像图所在的平面，即x
‑
y平面；f(x,y)为所述每一个影像图中点坐标(x,y)所对应的灰度值；L为所述每一个影像图的各个角度所对应的每一条直线；ρ为原点到L之间的距离；θ为L的法线与x轴的夹角；当(ρ
‑
x cosθ
‑
y sinθ)的值为0时，δ(ρ
‑
x cosθ
‑
y sinθ)取值为1；反之，取值为0。
[0021]作为上述方案的改进，所述根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和单体化模型，以使所述目标树木在全域和单体双维度上可视化，具体为：
[0022]根据所述目标树木的对应掩膜，采用Unity3D建模对所述目标树木进行定位和贴图，得到所述目标树木的全域实景三维模型；结合三维实景Mesh模型，通过白膜制作、纹理自动映射、纹理修饰等模型修饰，构建所述目标树木的单体化模型，以使所述目标树木在全域和单体双维度上可视化。
[0023]作为上述方案的改进，所述正射影像图和侧面影像图是通过采用小型多旋翼高精度无人机型，在所述无人机平台上的垂直方向和倾斜方向搭载多镜头传感器，在所述目标树木的垂直方向和倾斜方向上进行测量获得；
[0024]所述地面影像图是通过采用机载式、手持式、背包移动式、车载式等多载体激光扫描仪，在地面对所述目标树木进行的全方位激光扫描，得到所述目标树木的激光点云数据集；对所述激光点云数据集进行降噪和配准预处理，获得有用的激光点云数据集；采用云际拼接和靶标拼接所述有用的激光点云数据集而获得；
[0025]所述近地面细节化影像图是通过使用影像测量仪，在所述目标树木所采集的正射影像图、侧面影像图和地面影像图的重叠范围内，结合所述影像测量仪自身设备条件以及补集影像的精度和分辨率要求，进行自动化近景拍摄而获得。
[0026]第二方面，本专利技术实施例提供了一种树木影像图处理装置，包括：
[0027]输入模块，用于获取目标树木的多视角影像图；其中，所述多视角影像图包括：正射影像图、侧面影像图、地面影像图和近地面细节化影像图；
[0028]获取模块，用于基于所述多视角影像图，采用预设的全场景语义信息启发式的影像细节匹配模型，获取所述目标树木的全要素信息以及提取所述目标树木的对应掩膜；其中，所述全要素信息包括：种类、数量、面积、胸径、树高、冠幅、位置、长势等；
[0029]建模模块，用于根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和单体化模型，以使所述目标树木在全域和单体双维度上可视化；
[0030]管理模块，用于基于所述全要素信息，建立全要素树木信息档案，从而更新维护所述全要素树木信息。
[0031]作为上述方案的改进，所述预设的全场景语义信息启发式的影像细节匹配模型是利用Radon变换模型和PointNet网络模型获得，具体包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种树木影像图处理方法，其特征在于，包括：获取目标树木的多视角影像图；其中，所述多视角影像图包括：正射影像图、侧面影像图、地面影像图和近地面细节化影像图；基于所述多视角影像图，采用预设的全场景语义信息启发式的影像细节匹配模型，获取所述目标树木的全要素信息以及提取所述目标树木的对应掩膜；其中，所述全要素信息包括：种类、数量、面积、胸径、树高、冠幅、位置、长势等；根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和单体化模型，以使所述目标树木在全域和单体双维度上可视化；基于所述全要素信息，建立全要素树木信息档案，从而更新维护所述全要素树木信息。2.如权利要求1所述的树木影像图处理方法，其特征在于，所述预设的全场景语义信息启发式的影像细节匹配模型是利用Radon变换模型和PointNet网络模型获得，具体包括：基于样本树木的多视角影像图，获取全场景样本数据集；通过所述全场景样本数据集，采用Radon变换模型确定所述样本树木语义方向，得到所述样本树木的全场景语义信息；所述全场景语义信息包括：样本树木的种类、位置和影像图纹理等；根据所述全场景语义信息，选取PointNet网络模型作为影像细节匹配模型的基础框架，获得预设的全场景语义信息启发式的影像细节匹配模型。3.如权利要求2所述的树木影像图处理方法，其特征在于，所述通过所述全场景样本数据集，采用Radon变换模型确定所述样本树木语义方向，得到所述样本树木的全场景语义信息，具体包括：通过所述全场景样本数据集设定阈值，利用Radon变换模型，获取所述Radon变换矩阵中最大线积分数值；将所述Radon变换矩阵中最大线积分数值小于所述阈值的所述全场景样本数据集中的点数据设置为0，保留所述Radon变换矩阵中最大线积分数值大于等于所述阈值的所述全场景样本数据集中的点数据；对所保留的所述全场景样本数据集中的点数据的各个角度所对应的所有线积分数值进行求和，得到的和的最大值所对应的角度即为所述样本树木的语义方向，从而得到所述样本树木的全场景语义信息；其中，获取所述Radon变换矩阵中最大线积分数值的计算原理如下：式中，R(ρ,θ)为所述Radon变换矩阵中最大线积分数值；F为所述全场景样本数据集中每一个影像图所在的平面，即x
‑
y平面；f(x,y)为所述每一个影像图中点坐标(x,y)所对应的灰度值；L为所述每一个影像图的各个角度所对应的每一条直线；ρ为原点到L之间的距离；θ为L的法线与x轴的夹角；当(ρ
‑
x cosθ
‑
y sinθ)的值为0时，δ(ρ
‑
x cosθ
‑
y sinθ)取值为1；反之，取值为0。4.如权利要求1所述的树木影像图处理方法，其特征在于，所述根据所述目标树木的对应掩膜，采用Unity3D建模和三维实景Mesh模型，构建所述目标树木的全域实景三维模型和
单体化模型，以使所述目标树木在全域和单体双维度上可视化，具体为：根据所述目标树木的对应掩膜，采用Unity3D建模对所述目标树木进行定位和贴图，得到所述目标树木的全域实景三维模型；结合三维实景Mesh模型，通过白膜制作、纹理自动映射、纹理修饰等模型修饰，构建所述目标树木的单体化模型，以使所述目标树木在全域和单体双维度上可视化。5.如权利要求1所述的树木影像图处理方法，其特征在于，所述正射影像图和侧面影像图是通过采用小型多旋翼高精度无人机型，在所述无人机平台上的垂直方向和倾斜方向搭载多镜头传感器，在所述目标树木的垂直方向和倾斜方向上进行测量获得；所述地面影像图是通过采用机载式、手持式、背包移动式、车载式等多载体激光扫描仪，在地面对所述目标树木进行的全方位激光扫描，得到所述目标树木的激光...

【专利技术属性】
技术研发人员：张郁，王明省，吴辉，刘洋，王楠，秦亮军，丁晶，余锐，陈德权，李爽，陈敏，谭福宏，
申请(专利权)人：广州市城市规划勘测设计研究院，
类型：发明
国别省市：