利用无人机数码影像进行密植型果园单木分割

单木树冠提取对果树健康状态、营养成分、产量预测具有重要意义。无人机获取的高分辨率遥感影像作为低成本、低风险的数据源,为准确估计棵数、描绘树木冠层轮廓提供了新的技术手段。以往关于单木冠层轮廓提取的研究大多集中在森林或稀疏果园,以局部最大值滤波结果作为基于标记分水岭算法的种子点,该方法在密植型果园的表现并不理想。提出了一种适用于密植型果园、以区域型种子块作为标记的分水岭算法,通过最大似然法提取果树冠层生成冠层数字表面模型,利用高斯滤波结合形态学开运算及自适应阈值分割方法生成区域型种子块,并执行基于种子块标记的分水岭算法,实现密植型果园单木分割。实例研究结果表明,总体棵数查全率为95.22%,查准率为99.09%,得到单木轮廓提取总体准确率为93.45%,总体欠分割误差为5.87%,总体过分割误差为0.90%。与局部最大值种子点提取结果对比,总体准确度提高18.66%,精细树冠轮廓提取精度提高17.75%,可为地形平缓地区密植型果园单棵果树树冠提取提供参考。     

无人机遥感影像林地单株立木信息提取

针对无人机遥感技术在提取单株立木信息的限制性问题,提出一种新的自动单株立木信息提取方法。对原始无人机影像进行光谱信息增强处理以突出局部细节特征;通过引入DBI指数自动化确定K-means聚类方法的最优聚类数目,进而对影像像素进行标记;通过利用高斯马尔可夫随机场模型进一步对影像进行分割;使用数学形态学算子等方法对分割结果进行后处理得到单株立木树冠信息,通过图像几何矩原理计算得到单株立木位置以作为其识别的依据。结果表明,应用该提取方法,油松林区和樟子松林区单株立木识别总体精度分别为89.52%和95.65%、单木树冠提取精度分别为81.90%和95.65%,均具有较好地适用性。该方法不需要大量的人工干预和先验知识的输入,大大提高提取方法的自动化程度。     

一种高郁闭度林分树高的估测方法

针对单一无人机影像无法有效地提取高郁闭度林分树高的问题,该文提出一种结合无人机影像数据和全站仪测量的地形数据获取高郁闭度林分树高的方法。①利用搭载数码相机的小型无人机平台,以50m航高获取实验区局部高精度林分影像,利用全站仪获取实验区的地形数据;②利用无人机影像处理软件对影像进行处理,通过初步的几何校正以及空三加密过程得到整个实验区的高分辨率DEM和DOM模型;③采用局部最大值算法探测单株林木的树冠中心点坐标,利用自然生长算法和高程差值公式得到树冠中心对应的树根高程;④以树冠中心点高程以及树根高程的差值作为单木树高的估计值。通过实验得出:结合无人机影像与全站仪数据能够准确快速地获取高郁闭度林分树高,本文提出的方法可以为森林可持续经营提供数据基础。     

无人机航测技术在森林蓄积量估测中的应用

无人机（UAV）航测技术是近年来发展起来的快速获取高分辨率影像的测绘新技术。森林蓄积量估算需要快速高效地获取森林遥感影像。虽然利用卫星和机载雷达同样可获取高分辨率遥感影像,但无人机航测技术与其相比具有飞行成本低、外业周期短、机动灵活等优点。本文利用无人机航测系统获取了案例地区DSM和DEM,采用最大邻域法提取了树高,采用分水岭算法分割了树冠信息,并以树高和冠幅作为解释变量的立木材积二元模型估算了森林蓄积量。结果表明,树高提取精度为83.73%,冠幅提取精度为86.98%,林分蓄积量估算精度为81.80%。     

一种高郁闭度林分树高的估测方法

针对单一无人机影像无法有效地提取高郁闭度林分树高的问题,该文提出一种结合无人机影像数据和全站仪测量的地形数据获取高郁闭度林分树高的方法。首先,利用搭载数码相机的小型无人机平台,以50 m航高获取实验区局部高精度林分影像,利用全站仪获取实验区的地形数据。然后,利用无人机影像处理软件对影像进行处理,通过初步的几何校正以及空三加密过程得到整个实验区的高分辨率DEM和DOM模型;接下来,采用局部最大值算法探测单株林木的树冠中心点坐标,利用自然生长算法和高程差值公式得到树冠中心对应的树根高程;最后,以树冠中心点高程以及树根高程的差值作为单木树高的估计值。通过实验得出:结合无人机影像与全站仪数据能够准确快速地获取高郁闭度林分树高,本文提出的方法可以为森林可持续经营提供数据基础。     

一种高郁闭度林分树高的估测方法

针对单一无人机影像无法有效地提取高郁闭度林分树高的问题,该文提出一种结合无人机影像数据和全站仪测量的地形数据获取高郁闭度林分树高的方法。首先,利用搭载数码相机的小型无人机平台,以50 m航高获取实验区局部高精度林分影像,利用全站仪获取实验区的地形数据。然后,利用无人机影像处理软件对影像进行处理,通过初步的几何校正以及空三加密过程得到整个实验区的高分辨率DEM和DOM模型;接下来,采用局部最大值算法探测单株林木的树冠中心点坐标,利用自然生长算法和高程差值公式得到树冠中心对应的树根高程;最后,以树冠中心点高程以及树根高程的差值作为单木树高的估计值。通过实验得出:结合无人机影像与全站仪数据能够准确快速地获取高郁闭度林分树高,本文提出的方法可以为森林可持续经营提供数据基础。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

无人机高分辨率影像的森林株数密度制图

本文以大兴安岭无人机遥感数据为基础进行森林密度制图,并提出了一种局部阈值算法,通过与传统的Otsu方法去除背景噪声相比,得出了该方法在中等或较低森林株数密度地区能很好地去除噪声背景。结合局部最大值法取得很好的单木提取精度,其查全率达到了100%。传统的Otsu去除背景方法在较高森林株数密度地区具有较好的识别效果,但对非林分的空地信息存在错提取的现象。通过对以上两种方法的对比研究,得到大兴安岭森林株数密度制图结果,该研究可为稀疏森林区域的株数密度制图提供参考。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据,首先通过点云数据的分类处理实现对树木点云数据的提取,将树木点云投影到水平面,采用DBSCAN密度聚类算法实现单根树木的提取;然后在数据密集区域存在树木树冠点云重叠的区域,本文结合树干几何特征提取树干的位置信息,计算所有点云到树干中心的欧氏距离,将所有点云归类到最近的树干进行粗分割;最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心,提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明,本文采用的树木分割方法能够实现单棵树木精确提取。     

利用无人机立体摄影技术获取森林资源信息

无人机的航空摄影测量技术让传统森林调查的手段向数字化和智能化方向发展。为了提高森林资源信息采集的精度和效率,减少外业工作时间,降低工作强度,本文对利用无人机立体摄影技术获取森林资源信息的方法及其精度进行了研究。利用旋翼无人机搭载五目相机获取了研究区域的三维立体影像,通过软件在立体影像中提取树高、三维坐标、冠幅及面积;通过全站仪、胸径尺和RTK载波相位差分技术等高精技术获取上述森林资源信息,并以此作为真值检测无人机立体摄影技术,获取森林资源信息的精度。结果表明,无人机立体摄影技术提取25棵样本树木的树高相对误差平均值为0.61%;无人机提取值与人工实测冠幅值线性模型y=0.998 9x+0.068 5,相关系数R²=0.98,说明无人机立体摄影技术获取冠幅精度高;无人机获取三维坐标定位的真误差区间为[-13,17],其中高程坐标的离散区间大于平面坐标离散区间,平面坐标的精度为3 cm左右,而高程坐标的精度为10 cm左右;无人机立体摄影技术获取样本面积值和全站仪测量面积值（拟定为真值）比较接近,相关系数达0.98。由此可得,无人机立体摄影技术可以高精度地获取森林资源信息,可以提高效率,节约成本并降低工作强度,具有较高的实际推广价值。     

多平台点云数据的单木参数提取精度分析

以浙江省海宁市4种代表行道树(广玉兰、无患子、悬铃木、香樟树)为研究对象,结合无人机(UAV)影像和三维激光扫描数据,利用ContextCapture、LiDAR360软件完成点云拼接、滤波、降噪和编辑,通过迭代最近点算法实现点云精细匹配,完成多平台点云数据融合,进而得到数字表面模型与数字高程模型,并制作冠层高度模型;采用分水岭分割算法对不同行道树树种的冠层高度模型进行单木分割,并综合局部最大值法实现单木树高、冠幅的参数提取。结果表明,本文方法进行行道树单木分割的精度高,树高、冠幅参数提取值的效果好,满足行道树几何参数调查要求。     

激光雷达森林参数反演研究进展

激光雷达通过发射激光能量和接收返回信号的方式,来获取高精度的森林空间结构和林下地形信息。全波形激光雷达通过记录返回信号的全部能量,得到亚米级植被垂直剖面;离散回波激光雷达记录的单个或多个回波,表示来自不同冠层的回波信号。星载激光雷达一般采用全波形或光子计数激光剖面系统,仅能获取卫星轨道下方的单波束或多波束数据,用于区域/全球范围的森林垂直结构及变化观测。机载激光雷达多采用离散回波或全波形激光扫描系统,能够获取飞行轨迹下方特定视场范围内的扫描数据,用于林分/区域范围的森林结构观测。地基激光雷达多采用离散回波激光扫描系统,获取以测站为中心的球形空间内扫描数据,用于单木/样地范围的森林结构观测。激光雷达单木因子估测方法可分为CHM单木法、NPC单木法和体元单木法3类。CHM单木法通过局部最大值识别树冠顶点,采用区域生长或图像分割算法识别树冠边界或树冠主方向,NPC单木法一般通过空间聚类或形态学算法识别单木,体元单木法在3维体元空间采用区域生长或空间聚类算法识别树冠。根据激光雷达冠层高度分布可以估测林分因子,冠层高度分布特征来自于离散点云或全波形。多时相激光雷达可用于森林生长量、生物量变化等监测,以及森林采伐、灾害等引起的结构变化监测。随着激光雷达技术的发展,它将在森林调查、生态环境建模等生产与科学研究领域中得到更为广泛的应用。     

大兴安岭林区无人机可见光影像散发枯立木识别算法

枯立木识别对森林资源管理,生物多样性保护,以及森林碳储量变化评估具有重要价值.无人机高分辨率影像为枯立木调查提供了较为便捷的方式.现有枯立木识别算法多依靠拥有红边、近红外波段的多光谱影像来实现.相比于多光谱相机,消费级无人机通常搭载的是用于获取可见光(RGB)影像的普通数码相机,较少的波段信息为基于RGB影像的枯立木自...     

A hybrid framework for single tree detection from airborne laser scanning data: A case study in temperate mature coniferous forests in Ontario,Canada

This study presents a hybrid framework for single tree detection from airborne laser scanning (ALS) data by integrating low-level image processing techniques into a high-level probabilistic framework. The proposed approach modeled tree crowns in a forest plot as a configuration of circular objects. We took advantage of low-level image processing techniques to generate candidate configurations from the canopy height model (CHM): the treetop positions were sampled within the over-extracted local maxima via local maxima filtering, and the crown sizes were derived from marker-controlled watershed segmentation using corresponding treetops as markers. The configuration containing the best possible set of detected tree objects was estimated by a global optimization solver. To achieve this, we introduced a Gibbs energy, which contains a data term that judges the fitness of the objects with respect to the data, and a prior term that prevents severe overlapping between tree crowns on the configuration space. The energy was then embedded into a Markov Chain Monte Carlo (MCMC) dynamics coupled with a simulated annealing to find its global minimum. In this research, we also proposed a Monte Carlo-based sampling method for parameter estimation. We tested the method on a temperate mature coniferous forest in Ontario, Canada and also on simulated coniferous forest plots with different degrees of crown overlap. The experimental results showed the effectiveness of our proposed method, which was capable of reducing the commission errors produced by local maxima filtering, thus increasing the overall detection accuracy by approximately 10% on all of the datasets.     

基于无人机影像密集匹配点云的传统村落地面点提取及DEM生成——以湘西德夯村为例

目前,针对利用无人机技术在山地起伏大、山体植被密集区域,难以获取地面点及DEM等问题,本文提出了一种结合布料模拟算法和改进的局部最大值算法,利用树顶点、树高等植被信息,提取地面点,进而生成整个区域的DEM的方法。以中国传统村落德夯村为例,利用植被系数和高程信息将点云分割为植被密集区和非植被密集区两个部分。在非植被密集区,通过布料模拟算法和改进的局部最大值算法分别提取地面点和树顶点,计算平均树高;在植被密集区,通过该区域的树顶点推算得到植被密集区的近似地面点,最终将两部分的地面点云进行TIN插值得到该地区的DEM。试验结果表明,利用此方法生成的DEM均方根误差,在非植被密集区达0.037 m,植被密集区可达1.606 m,整体平均误差达1.492 m,总体精度较好,基本可以满足村落尺度空间分析的需求。     

3D segmentation of single trees exploiting full waveform LIDAR data

This paper highlights a novel segmentation approach for single trees from LIDAR data and compares the results acquired both from first/last pulse and full waveform data. In a first step, a conventional watershed-based segmentation procedure is set up, which robustly interpolates the canopy height model from the LIDAR data and identifies possible stem positions of the tallest trees in the segments calculated from the local maxima of the canopy height model. Secondly, this segmentation approach is combined with a special stem detection method. Stem positions in the segments of the watershed segmentation are detected by hierarchically clustering points below the crown base height and reconstructing the stems with a robust RANSAC-based estimation of the stem points. Finally, a new three-dimensional (3D) segmentation of single trees is implemented using normalized cut segmentation. This tackles the problem of segmenting small trees below the canopy height model. The key idea is to subdivide the tree area in a voxel space and to set up a bipartite graph which is formed by the voxels and similarity measures between the voxels. Normalized cut segmentation divides the graph hierarchically into segments which have a minimum similarity with each other and whose members (= voxels) have a maximum similarity. The solution is found by solving a corresponding generalized eigenvalue problem and an appropriate binarization of the solution vector. Experiments were conducted in the Bavarian Forest National Park with conventional first/last pulse data and full waveform LIDAR data. The first/last pulse data were collected in a flight with the Falcon II system from TopoSys in a leaf-on situation at a point density of 10 points/m². Full waveform data were captured with the Riegl LMS-Q560 scanner at a point density of 25 points/m² (leaf-off and leaf-on) and at a point density of 10 points/m² (leaf-on). The study results prove that the new 3D segmentation approach is capable of detecting small trees in the lower forest layer. So far, this has been practically impossible if tree segmentation techniques based on the canopy height model were applied to LIDAR data. Compared to a standard watershed segmentation procedure, the combination of the stem detection method and normalized cut segmentation leads to the best segmentation results and is superior in the best case by 12%. Moreover, the experiments show clearly that using full waveform data is superior to using first/last pulse data.     

Ground peak identification in dense shrub areas using large footprint waveform LiDAR and Landsat images

Large footprint waveform LiDAR data have been widely used to extract tree heights. These heights are typically estimated by subtracting the top height from the ground. Compared to the top height detection, the identification of the ground peak in a waveform is more challenging. This is particularly evident in ground detection in shrub areas, where the reflection of the shrub canopy may significantly overlap with the ground reflection. To tackle this problem, a novel method based on Partial Curve-Fitting (PCF) of the shrub peak was developed to detect the ground peak. Results indicated that the PCF method improves ground identification by 32–42%, compared to existing methods. To offer further improvement, a Multi-Algorithm Integration Classifier (MAIC) was built to fuse multiple ground peak algorithms and selectively apply the best method for each waveform plot. The PCF ground peak identification method along with the MAIC-based fusion is expected to significantly improve ground detection and shrub height estimation, thus assisting biodiversity, forest succession, and carbon sequestration studies, while offering an early example of future multiple algorithm integration.