施慧慧
, 王妮, 滕文秀
SHI Huihui, WANG Ni, TENG Wenxiu
通讯作者:
收稿日期: 2018-06-11
修回日期: 2018-11-29
网络出版日期: 2019-02-20
版权声明: 2019 《地球信息科学学报》编辑部 《地球信息科学学报》编辑部 所有
基金资助:
作者简介:
作者简介：施慧慧（1996-）,女,安徽亳州人,硕士生,研究方向为地理信息科学。E-mail: shihuihui899@163.com
展开
摘要
树冠信息的遥感提取能有效辅助森林参数反演、林分长势监测、树种识别等森林调查活动。随着遥感信息自动化提取的需求不断加强,本文基于高空间分辨率遥感数据,以滁州市皇甫山林场为研究区域,设计了一种结合Gabor小波和形态学的树冠提取方法。该方法首先采用Gabor小波提取出纹理特征,其次结合K-means聚类分析方法,对PCA降维后的纹理特征向量提取出阔叶林区,最后基于形态学理论降低影像噪声,并利用前景后景标记的分水岭方法进行单木树冠提取。经过与人工解译的树冠信息结果对比发现,在郁闭度较高的阔叶林区,该自动化方法提取树冠精度较高,分割准确率Ad为79.59%,F测度达到了79.00%能有效提供精确的单木树冠信息,为林业经济调查技术的发展具有一定的实践意义。
关键词：
Abstract
As an important part of forestry economy and an important physiological structure of photosynthesis, tree canopy is also an important forest parameter and stand factor in the process of forest inventory such as growth monitoring and tree species identification. Accurate extraction of tree crown information can effectively provide support for forest inventory. With the development of remote sensing technology, the disadvantages of traditional forest survey methods are obvious, and they are gradually developing towards the direction of combining remote sensing information extraction with traditional forest inventory. In order to improve the accuracy of remote sensing information extraction, people began to use high spatial resolution remote sensing images, combined with computer automation technology, to develop remote sensing information automatic extraction methods. As the demand of the automatic extraction of remote sensing information continuously strengthen, based on high spatial resolution remote sensing data in Chuzhou HuangFu Mountain tree farm field as the study area, we proposed a method that combination of Gabor wavelet and morphology of canopy extraction. First we extracted texture features by Gabor filter, K-means clustering analysis was used to extract dense forest area from the texture feature by PCA (Principal Component Analysis) extracted broadleaf forest region, based on the morphological theory to reduce image noise, and used the prospect foreground markers of the watershed method extract individual tree crown. After comparing with the artificial interpretation canopy information found that the canopy precision automation method extracted in the dense forest area, segmentation accuracy is 79.59%, F measure reached 79.00%, and can accurately provide individual tree crown information, it has a certain practical significance of the development of forestry economic survey technology.
Keywords：
树冠不仅是林业经济重要组成部分、林木光合作用的重要生理结构,也是长势监测、树种识别等森林调查过程中重要的森林参数、林分因子,因此树冠信息的精确提取能有效为林业调查提供支持。随着遥感技术的发展,传统的林业调查方法劣势显著,逐步向遥感信息提取与传统森林调查相结合的方向发展。为了提高遥感信息提取的精度,人们开始利用高空间分辨率遥感影像,结合计算机自动化技术,发展遥感信息自动化提取方法。国内外学者已提出多种方法提取重要森林参数,常见的方法有K-Means、SVM、面向对象分割等[1,2,3]。纵观多种方法,根据树冠分割的起始点不同,单木树冠提取的方法主要可以分为2类：① 基于对象识别的单木树冠分割,先分割对象,再判定单木树冠范围,如谷底跟踪法、模板匹配法、多尺度分割等[4,5,6]方法。② 基于像元生长算法的单木树冠边界生成方法,这类方法先探测树冠位置,如局部最大值法、多尺度分析法、3D模型法等[7,8,9],再由像元点逐步生长至树冠边界,如分水岭分割[10,11,12,13]、种子区域生长法[14,15,16]、局部射线法等。这些方法主要是对郁闭度较低的林地或者针叶林树冠进行提取,精度较高,但在普适性、郁闭度较高的林冠提取精度方面都存在一定的问题。其中,局部最大值法是目前应用最为广泛的单木探测方法,考虑到阔叶林形状不规则,该方法能有效探测到多个局部最大值点,故该方法主要对针叶林的单木树冠提取精度更高。而郭昱杉等[7]利用标记控制分水岭的方法进行的树冠提取,相比Jing等[17]通过高斯滤波和分水岭分割所得到结果精确度更高,但对于郁闭度较高的阔叶林区,提取精度较低,导致面向对象分类方法的自动化程度受限。
针对上述问题,本文提出了一种结合Gabor小波和形态学的高分辨率图像树冠提取方法,首先利用纹理特征和聚类分析先区分出阔叶林树冠信息,提出稳定的先验信息,其次通过基于前景背景标记的方法进行分水岭分割,自动提取树冠边界,提供了一种高效的阔叶林单木树冠提取方法,为林业调查提供技术支持。
皇甫山国家森林公园位于安徽省滁州市,地理坐标为117°58′ E-118°03′ E、32°17′ N-32°25′ N。其地处北亚热带温润性季风气候区,海拔399.2 m,占地面积约为3552 hm2,是皖东地区保存最完整、面积最大的原始次生林国家森林公园。保护区森林覆盖率达到96%,区内建设有皇甫林场,以人工林著称,主要分布具备根系发达、树冠浓密、落叶丰富易分解、生长迅速、郁闭紧密等特点的树种,在江淮流域地区植被类型有一定代表性。其中,以松（Pinus）和麻栎（Quercus acutissima）为主,占总株数的60%左右,其他数量较多的树种还有刺槐（Robinia pseucdoacacia）、杨树（Populus）、柳树（Salicaceae）、枫香树（Liquidambar formosana）,以及辅助经济树种,如桃树（Persica）等。
本文采用从Google Earth 或缺的2017年2月空间分辨率为0.25 m的高分辨率遥感影像数据[18]。在影像中选取一块具有较好代表性样地进行实验,影像大小为2560像元×2560像元（图1）,区域无云覆盖,质量较好,并选取一块样地作为单木树冠提取研究区,采用实地调查与目视解译相结合的方式勾绘树冠轮廓作为参考数据,验证树冠提取精度。
本文首先利用Gabor小波获取影像的纹理特征,并利用K-Means聚类算法提取阔叶林信息,然后利用数学形态学方法计算前景背景标记,最后利用标记的分水岭方法提取单木树冠。本文算法流程图如图2所示。
传统遥感图像的分类主要利用光谱特征的统计,而高分辨率遥感影像中光谱波段较少,具有丰富的纹理特征,传统的基于光谱特征的分类方法不适用于高分辨率遥感影像分类。因此,本文利用纹理特征对高分辨率遥感影像进行分析,提取林区影像。
3.1.1 纹理特征获取
现有主要纹理特征提取方法包括小波变换、灰度共生矩阵（GLCM）等,而Gabor滤波器有与生物视觉系统相近的特点,具有易于调谐的方向和径向频率带宽以及易于调谐的中心频率的优势,可以在频域和时域同时达到最佳分辨率,适合高分辨率遥感影像的纹理特征提取。从物理意义上来看,Gabor小波变换是灰度分布变换为频率分布函数,在提取图像特征的局部空间和频率域信息方面具有良好的特性。本文采用的是二维Gabor滤波器,它是由一个高斯核函数和正弦平面波的乘积构成,分为实部和虚部。
实部：
虚部：
式中：λ决定了Gabor滤波的波长;θ表示Gabor核函数的方向。本文采用5个频率（λ=0,1,…,4）,8个方向（θ=0,1,…,7）,共40个核函数（图3）,由此多尺度、多方向便可有效地提取出纹理特征。
通过Gabor能量信息可以较好表达出纹理信息,但考虑到仅是能量信息会造成分类误差[19],故基于Gabor小波的方法,采用均值和标准方差获取图像纹理特征。其以M（ν, ζ）表示图像的均值,以V（ν, ζ）表示图像的标准方差,定义T为Gabor纹理特征向量,则可得到T（ν, ζ）={M0,0,V0,0, M0,1,V0,1,…, Mν-1,ζ-1,Vν-1,ζ-1},结果包括实部特征、虚部特征、5个频率、 8个方向、均值、标准方差,得到纹理特征向量的维数应该为：2×5×8×2=160,即为该像元点的纹理特征。为提高分类精度,对图像进行纹理特征提取的同时,本文采用了滑动邻域的方法,以某个像元点为中心建立15×15的滑动窗口（图4为其中一个滑动窗口进行的Gabor变换）对图像使用Gabor滤波器进行遍历（边界处则采用0填充）。
Gabor小波在图像处理上有独特的优势,但是Gabor小波变换提取得到的纹理特征维数太高,如果直接利用Gabor纹理特征提取遥感影像中的阔叶林区,会出现维数灾难,降低算法运行速率,故将特征向量利用主成分分析方法（PCA）进行降维处理。通过线性投影将高维数据映射到低维空间表示,并期望在所投影维度上数据的方差最大,使用较少的数据维度来保留较多原数据的特性。在此方法中,将n维特征映射到d维上（d<n）,所得到的d维特征是重新构造出来的特征,而并非简单的从原数据减去n-d维特征。
为了实现对高维特征向量的降维,需要计算出协方差C（式（3））,但协方差是一种度量2个变量关系的统计量,即是用来处理二维数据,而对于高维n数据则应计算
根据式（4）所得的协方差矩阵C,对其进行特征值分解便可计算出特征值λ,并降序排序：λ1≥λ2≥λ3≥…≥λn;通过贡献率的大小取得前d个特征值所对应的特征向量w=（w1,w2,…,wd）构成变换矩阵Tm,利用变换矩阵Tm得到d维全新特征。
基于该方法得到主成分得分和累计得分如图5所示（图左侧纵坐标代表主成分得分,右侧代表累计得分百分比）,第一主成分得分为39.41,第二主成分得分为23.47,第三主成分得分为13.45,第四、第五主成分得分分别为5.81、4.14,前9个主成分累计得分为96.71,通常认为累计贡献超过95%即可较好地保留原输入信息,因此本文选取主成分因子为9对纹理特征进行降维。
3.1.2 树冠范围获取
为提高从高分辨率遥感影像中提取冠幅的自动化程度,基于Gabor纹理特征,利用一种无监督分类方法提取阔叶林区。K-Means聚类分割是目前较为成熟的一种聚类分析方法,而且在植物分割图像中广泛应用[20]。依据数据首先确认每个聚类的中心,根据最小距离准则对研究对象的特征数据进行聚类[21]。当2个对象的距离越近,其相似度就越大,即被认为属于同一类。
在使用K-means进行图像分割时需要预先指定聚类数目K,根据研究区地物种类判断和实验总结,认为K取值为5时得到最佳分割效果。通过实验发现,直接对图像进行聚类分割会有建筑物、水域错分到阔叶林区,而基于纹理特征的聚类分割则较好的将阔叶林区从影像中分割出来,能够有效地消除错分问题,故在基于纹理特征的基础上进行聚类分割远比直接基于图像进行分割效果好（图6）。
3.2.1 图像预处理
在郁闭度较高的林区,由于阔叶林树冠内部不规则,若直接提取树冠标记则容易产生伪树冠和噪声,导致严重地过分割,因此在选取标记之前对图像进行预处理。在图像转为灰度图之后,采用图像增强方式从而扩大图像中不同物体特征之间的差别。但图像仍存在大量噪声,传统的线性滤波器如均值滤波,通过邻域的平均值代替每个像元的灰度,从而达到图像平滑的目的,但在图像平滑的同时,图像边缘模糊程度较大,对于后续单木树冠提取有影响。相对于传统的线性滤波器,形态学的非线性滤波更适合图像分割及与图像几何特性相关方面的应用[7]。形态学滤波可以对图像去噪处理,同时还可较好地保留轮廓信息,因此选用形态学滤波对图像进行平滑。
在树冠提取部分,本文采用部分阔叶林区影像进行分析。基于形态学开闭运算对图像进行预处理,排除图像纹理细节和一些噪声对实验的影响,基于该图像进行二值化。标记分水岭一般针对于梯度图像进行,由于梯度值总是在物体边缘处较高,内部较低,故可探测树冠边界。本文利用Sobel算子基于横向、纵向模板获取梯度幅值图像,并同样采用形态学开闭运算对梯度图像进行重建,如图7所示。
3.2.2 标记生成
通过形态学滤波后的图像消除大量噪点,在此基础上预先在图像中寻找一些标记引导分割,可有效提高分割精度。本文采用前景背景标记对梯度图像进行改进,从而达到更理想的分割结果。
根据树冠的光谱特征与高分影像,可以判断 树冠的顶部具有较高的亮度值,而树冠的边缘则 亮度值较暗,由此根据亮度值提取出感兴趣区,并在形态学腐蚀的基础上获得前景标记。腐蚀后的结果可以较好地将所感兴趣的区域分割出来,但物体的形状、面积会受到影响,因此再对图像进行背景标记的提取。通过将灰度图像转换成背景像元为0,树冠像元为1得到的二值图像,对其进行距离变换的结果进行分水岭分割,进而得到区域间的分界线构成背景标记。距离变换是指计算二值图像中零值像元与其最邻近的非零值像元间的距离,即计算目标物体边缘与背景间的距离,其可定义为[22]：
式中：p、q代表图像中的像元点;σ代表目标对象;σ'代表背景;dis（）为距离计算函数。
结构元素是形态学中很重要的一个概念,在各种形态学的变换中起关键作用。它是根据实际实验对象所设计出来与输入图像进行各种形态学的运算,可设为圆盘状、方形、线型、椭圆体等,并且它的形状、大小设计的是否合理将直接影响实验结果。根据树冠形状,结构元素选用圆盘形,而其大小参数设定通过实验发现,当固定腐蚀元素尺寸为13,将结构元素设为15与10相比较。由图8（a）、（b）中红框标记可发现,结构元素为10会产生标记丢失的问题,故可以确定形态学滤波的结构元素尺寸为15可以达到更好的实验结果。
当固定形态学结构元素尺寸为15,对腐蚀元素尺寸大小设置进行实验。由图9（a）、（b）中红框标记可发现腐蚀元素为15时,由于腐蚀会将标记面积减小,因此当腐蚀程度过大则会产生标记丢失情况,由此产生欠分割现象,确定腐蚀元素尺寸为13可以达到更好的实验结果,能够有效避免标记丢失情况。综合上述,当结构元素设为15、腐蚀元素设为13时,依此结构元素对图像进行图像开运算,可以较好地获取图像标记。
3.2.3 分水岭分割
传统分水岭分割法是基于拓扑理论、形态学理论的分割方法,通过将图像看作是测地学上的拓扑地貌,类似于将图像看作为一幅地形图。图像每个像元点的灰度值看作该点代表的海拔高度,而每个局部极小值及其影响区域称为集水盆,而集水盆的边界为分水岭。分水岭分割在很多领域都得到广泛应用,但该分割方法易产生过分割。而面对大量相连的树冠,传统的分水岭算法得到的结果精度不能满足当前需求。故为了解决过分割问题,在分水岭分割的基础上在图像上寻找一些标识进行引导分割。
通过本文上述步骤得到的梯度图像和标记图像（图10）后,可以采用最小覆盖算法进行图像重建。该方法进行的重建使局部最小区域仅发生在标记的位置,若需要移动这些位置,则其他像元值需要进行上推,进而使其余的局部极小值不再存在,接着对重建的梯度幅值图像进行分水岭分割便得到最终树冠分割结果。
在上述对高分辨率遥感影像提取出林冠范围的基础上,采用本文所述的基于标记分水岭算法对树冠进行分割,得到最终提取结果如图11所示。
由于缺少地面调查数据,但正因为本文所提出的方法是用来代替人工进行解译过程,因此通过采用目视解译的方法使用ArcGIS 10.2进行人工勾绘树冠,人工解译结果如图11（a）所示。以人工解译的结果图作为参考图,对自动分割出的结果一一比对,根据差异性进行精度评价。由于位于边缘处的树冠不完整,故精度评价不包括边界上的树冠。
单木树冠提取结果如图11所示。从图11中3幅图的对比可直观地看出,本文算法单木树冠提取效果优于传统分水岭算法,由于树冠内部亮度变化不均匀,树冠大小不同,树冠形状不规则等原因,采用传统的标记控制分水岭算法提取单木树冠,欠分割现象较严重,多个树冠合并成一个树冠,并存在树冠丢失和错分问题。相比标记控制分水岭算法,本文算法欠分割问题明显减少, 提取了大部分单木树冠。
为验证单木树冠提取精度,根据人工解译图与自动分割图比对关系,将分割结果分为5类：匹配、接近匹配、漏分、合并、错分。其中,“匹配”表示参考树冠和分割树冠的重叠面积各达到二者的50%以上;“接近匹配”表示参考树冠和分割树冠的重叠面积达到其中一方的50%以上;“漏分”表示分割图像中无参考图像中对应的树冠区域;“合并”表示分割图像中将参考图像中的多个树冠划分成一个树冠;“错分”表示分割树冠中划分出了参考图像中没有的树冠对象。匹配和接近匹配被认为正确分割结果,漏分和合并被认为是漏分误差,错分被认为是错分误差。故分割准确率Ad、召回率Ar和F测度分别定义如式（6）-（8）所示。
式中：Tc代表自动分割正确的树冠个数;Td代表自动分割结果中树冠总数;Tr表示参考图中树冠总数。
由表1可得,标记控制分水岭与真实树冠的匹配结果为个66,而本文算法为137,本文方法匹配了更多的树冠,树冠提取精度更高。根据式（6）-式（8）可计算出,本文方法进行的单木树冠提取的分割准确率Ad为79.59%、召回率Ar为78.39%,F测度为79.00%。相比标记控制分水岭方法,本文方法减少了合并问题,有效的抑制错分割问题。综上所述,本文算法是一种更有效的单木树冠提取方法。
表1 精度评价表
Tab. 1 The accuracy assessments of segmentation results
| 算法 | 匹配 | 接近匹配 | 漏分 | 合并 | 错分 | 目视解译 |
|---|---|---|---|---|---|---|
| 标记控制分水岭 | 66 | 12 | 5 | 57 | 5 | 199 |
| 本文算法 | 137 | 19 | 11 | 36 | 4 | 199 |
目前,单木树冠提取方法由于阔叶林树冠的不规则性,很难对阔叶林进行单木树冠提取,且自动化程度受限。本文通过纹理特征和聚类分析对阔叶林区进行提取,并在此基础上利用标记分水岭分割得到阔叶林单木树冠。实验表明：对于郁闭度较大的阔叶林区,整体树冠提取面积比例仅相差2.4%,单木树冠提取F测度达到79.00%,与郭昱杉等[10]所提出的标记分水岭分割结合的方法相比精度有所提高,而且在此基础上利用Gabor小波和聚类分析提高了自动化程度,为林业调查技术的发展具有一定的实践意义。
本文实验结果中,大多误差来自于树冠合并严重。在接下来的实验中,可着重研究阔叶林的树冠合并问题,从而达到更高的精度。随着遥感业的发展,发展生态经济的不断需求,树冠信息也将越来越被重视,相信基于高分辨率影像的单木树冠自动提取一定会得到快速的发展。
The authors have declared that no competing interests exist.
| [1] |
基于全极化SAR与多光谱的喀斯特山区农村林地提取 [J].https://doi.org/10.7621/cjarrp.1005-9121.20170707 URL [本文引用: 1] 摘要
［目的］为加快推动贵州省“互联网 ”林业建设，打破贵州喀斯特高原山区遥感监测瓶颈，选取了空间分辨率8m的Radarsat2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源，探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。［方法］首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值，评价出最优融合效果的极化方式。基于K均值（K-means）与最大期望（EM聚类）聚类算法分割图像，选择合适的算法，基于聚类分割的阈值进行面向对象的林地分类。最后，基于像素的混淆矩阵精度评价，结合贵州省林业厅调查数据、野外样方和航拍图，建立参考样本评价分类结果。［结果］（1）融合之后，目视解译出林地边缘明显但较粗糙； 对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别，但边缘粗糙； 有林地和灌木林地在色调上区分明显； 在融合后的明度图中的灌木林地有明度较大的像元，此类像元为石旮旯地。（2）通过定量分析，融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化，HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显； （3）研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。［结论］研究将微波与光学遥感结合，为喀斯特山区中农村地区的林地提取提供新思路，与传统的林地监测相比，数据获取快捷，提高工作效率，精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题，为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。
Rural woodland extraction based on full polarization SAR and multispectral in karst mountain areas [J].https://doi.org/10.7621/cjarrp.1005-9121.20170707 URL [本文引用: 1] 摘要
［目的］为加快推动贵州省“互联网 ”林业建设，打破贵州喀斯特高原山区遥感监测瓶颈，选取了空间分辨率8m的Radarsat2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源，探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。［方法］首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值，评价出最优融合效果的极化方式。基于K均值（K-means）与最大期望（EM聚类）聚类算法分割图像，选择合适的算法，基于聚类分割的阈值进行面向对象的林地分类。最后，基于像素的混淆矩阵精度评价，结合贵州省林业厅调查数据、野外样方和航拍图，建立参考样本评价分类结果。［结果］（1）融合之后，目视解译出林地边缘明显但较粗糙； 对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别，但边缘粗糙； 有林地和灌木林地在色调上区分明显； 在融合后的明度图中的灌木林地有明度较大的像元，此类像元为石旮旯地。（2）通过定量分析，融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化，HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显； （3）研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。［结论］研究将微波与光学遥感结合，为喀斯特山区中农村地区的林地提取提供新思路，与传统的林地监测相比，数据获取快捷，提高工作效率，精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题，为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。
|
| [2] |
基于高分辨遥感数据的胡杨与柽柳树冠提取 [J].https://doi.org/10.11873/j.issn.1004-0323.2015.3.0510 URL Magsci [本文引用: 1] 摘要
<p>胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:①光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;②面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法“同物异谱、异物同谱”造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。</br></p>
Extraction of tree-crown of populous Euphratica and Tamarix Ramosissima based on high resolution remote sensing data [J].https://doi.org/10.11873/j.issn.1004-0323.2015.3.0510 URL Magsci [本文引用: 1] 摘要
<p>胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:①光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;②面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法“同物异谱、异物同谱”造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。</br></p>
|
| [3] |
基于高分辨率遥感影像的城市典型乔木树种分类研究 [J].https://doi.org/10.3969/j.issn.1672-0504.2016.01.016 URL [本文引用: 1] 摘要
为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性,采用面向对象分类方法,基于WorldView-2影像对首都师范大学及周边地区（CNU）、北京师范大学及周边地区（BNU）两个研究区进行优势乔木树种（泡桐、法国梧桐、杨树、国槐、银杏）分类。首先对WorldView-2影像进行分割,获得树冠区域及其49个属性特征,包括31个光谱属性和18个纹理属性;随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%,Kappa系数为0.801、0.648;BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%,Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类,但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域;WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。
Urban tree species classification with machine learning classifier using WorldView-2 imagery [J].https://doi.org/10.3969/j.issn.1672-0504.2016.01.016 URL [本文引用: 1] 摘要
为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性,采用面向对象分类方法,基于WorldView-2影像对首都师范大学及周边地区（CNU）、北京师范大学及周边地区（BNU）两个研究区进行优势乔木树种（泡桐、法国梧桐、杨树、国槐、银杏）分类。首先对WorldView-2影像进行分割,获得树冠区域及其49个属性特征,包括31个光谱属性和18个纹理属性;随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%,Kappa系数为0.801、0.648;BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%,Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类,但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域;WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。
|
| [4] |
A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images [J].https://doi.org/10.1080/07038992.1995.10874622 URL [本文引用: 1] |
| [5] |
The automatic recognition of individual trees in aerial images of forests based on a synthetic tree crown image model[D] . |
| [6] |
基于灰度梯度图像分割的单木树冠提取研究 [J].https://doi.org/10.13332/j.1000--1522.20160373 URL [本文引用: 1] 摘要
树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明：在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅,单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。
Single tree crown extraction based on gray gradient image segmentation [J].https://doi.org/10.13332/j.1000--1522.20160373 URL [本文引用: 1] 摘要
树冠是树木的重要组成部分,基于遥感影像的树冠提取对于森林资源调查监测具有重要意义,但准确获得树冠的形状和边界比较困难。高分辨率影像具有丰富的纹理和光谱信息,基于高分辨率影像单木树冠勾勒技术为森林资源调查提供了一种快速有效的测树途径。但是,由于高分影像信息冗杂,面向对象的分割方法数据计算量大,并且需要人工设置光谱或纹理阈值才可以实现单木分割,导致工作效率下降,鲁棒性差。图像增强通过改变原始图像的结构关系,有选择地突出或者抑制图像中的某些特征,有效的图像增强有益于提高单木树冠分割的准确程度。因此,本文提出一种基于影像的灰度梯度图像分割的树冠提取方法,通过对比传统的罗伯斯、拉普拉斯算子与改进的数学形态学算子,利用目视解译与灰度直方图结合的方法确定最优选择为改进的数学形态学算子。然后,利用改进的数学形态学算子结合面向对象多尺度分割方法,简化原始影像复杂的背景信息,快速提取大范围单木树冠信息。以甘肃省张掖市大野口林区机载激光雷达系统携带的CCD影像为数据源,提取实验区单木树冠,并从空间和形状上验证效果。实验结果表明：在高分影像的灰度梯度图像上进行面向对象分割提取单木冠幅,单木株数精度为83.19%,形状精度达到88.62%,优于传统林业调查精度,且冠幅获取速度快,效率高,并可以较为精确地提取树冠边界。
|
| [7] |
基于改进爬峰法高分辨率遥感影像分割的树冠提取 [J].https://doi.org/10.6041/j.issn.1000-1298.2014.12.042 URL [本文引用: 3] 摘要
The peak-climbing algorithm in two aspects histogram compression and the two merging based on class when it is applied to high-resolution image segmentation to achieve the tree crown extraction improved peak-climbing algorithm was simulation with programing on Matlab. In order to verify the reliability of the peak-climbing algorithm on high-resolution image tree crown segmentation, QuickBird image to extract individual tree crown and analyze the precision of its area. The study result that the test sample accuracy could more than 85% using the improved and no much differences comparing with the visual interpretation. Thus this improved peak climbing algorithm meets the application requirements
Tree crown extraction based on segmentation of high-resolution remote sensing image improved Peak-climbing algorithm [J].https://doi.org/10.6041/j.issn.1000-1298.2014.12.042 URL [本文引用: 3] 摘要
The peak-climbing algorithm in two aspects histogram compression and the two merging based on class when it is applied to high-resolution image segmentation to achieve the tree crown extraction improved peak-climbing algorithm was simulation with programing on Matlab. In order to verify the reliability of the peak-climbing algorithm on high-resolution image tree crown segmentation, QuickBird image to extract individual tree crown and analyze the precision of its area. The study result that the test sample accuracy could more than 85% using the improved and no much differences comparing with the visual interpretation. Thus this improved peak climbing algorithm meets the application requirements
|
| [8] |
高空间分辨率遥感的单木树冠自动提取方法与应用 [J].https://doi.org/10.3969/j.issn.2095-0756.2010.01.021 URL [本文引用: 1] 摘要
用高空间分辨率遥感影像对单木树冠进行自动提取和轮廓描绘，是获取森林信息的一种快速有效的 方法。也是近年来林业遥感领域研究的热点。详细介绍了目前高分辨率遥感单木树冠信息自动提取的各种方法．包括局部最大值法、模板匹配法、谷地跟踪法、多尺 度法、种子区域生长法、分水岭分割法、局部射线法．并对单木树冠提取在林业上的应用进行了探讨，最后结合国内外研究现状，对单木树冠自动提取的未来作了展 望。参51
Research progress in the methods and applications of individual tree crown's automatic extraction by high spatial resolution remote sensing [J].https://doi.org/10.3969/j.issn.2095-0756.2010.01.021 URL [本文引用: 1] 摘要
用高空间分辨率遥感影像对单木树冠进行自动提取和轮廓描绘，是获取森林信息的一种快速有效的 方法。也是近年来林业遥感领域研究的热点。详细介绍了目前高分辨率遥感单木树冠信息自动提取的各种方法．包括局部最大值法、模板匹配法、谷地跟踪法、多尺 度法、种子区域生长法、分水岭分割法、局部射线法．并对单木树冠提取在林业上的应用进行了探讨，最后结合国内外研究现状，对单木树冠自动提取的未来作了展 望。参51
|
| [9] |
基于高分辨率遥感数据单木树冠提取研究[D] .Extraction research single tree crown based on high resolution remote sensing data[D] . |
| [10] |
基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取 [J].https://doi.org/10.3724/SP.J.1047.2016.01259 URL Magsci [本文引用: 2] 摘要
<p>树冠是树木的重要组成,可以直接反映树木健康状况。高空间分辨率遥感影像和遥感技术为快速获取详细的树冠信息和实时监测林冠变化提供了有效的途径。因此,基于高空间分辨率遥感影像的单木树冠提取方法研究对现代森林管理具有重要意义。本文以黄河三角洲地区孤岛林场人工刺槐林和旱柳为研究对象,以QuickBird影像为数据源,首先利用面向对象方法实现研究区林地和非林地分类;然后以林地为掩膜,提取出树冠分布范围;在此基础上,分别选取疏林区和密林区为试验区域,通过形态学开闭重建滤波,平滑图像,去除噪声;最后,利用标记控制分水岭分割方法分别对疏林区和密林区进行树冠提取。本文以人工勾绘结果为参考进行精度验证,结果显示疏林区F测度达到87.8%,密林区F测度达到65.5%,表明该提取方法简单易行,精度可靠。</p>
Individual tree crown extraction of high resolution image based on marker-controlled watershed segmentation method [J].https://doi.org/10.3724/SP.J.1047.2016.01259 URL Magsci [本文引用: 2] 摘要
<p>树冠是树木的重要组成,可以直接反映树木健康状况。高空间分辨率遥感影像和遥感技术为快速获取详细的树冠信息和实时监测林冠变化提供了有效的途径。因此,基于高空间分辨率遥感影像的单木树冠提取方法研究对现代森林管理具有重要意义。本文以黄河三角洲地区孤岛林场人工刺槐林和旱柳为研究对象,以QuickBird影像为数据源,首先利用面向对象方法实现研究区林地和非林地分类;然后以林地为掩膜,提取出树冠分布范围;在此基础上,分别选取疏林区和密林区为试验区域,通过形态学开闭重建滤波,平滑图像,去除噪声;最后,利用标记控制分水岭分割方法分别对疏林区和密林区进行树冠提取。本文以人工勾绘结果为参考进行精度验证,结果显示疏林区F测度达到87.8%,密林区F测度达到65.5%,表明该提取方法简单易行,精度可靠。</p>
|
| [11] |
Delineating individual tree crowns in an uneven-aged, mixed broadleaf forest using multispectral watershed segmentation and multiscale fitting [J].https://doi.org/10.1109/JSTARS.2016.2638822 URL [本文引用: 1] 摘要
Delineating individual tree crowns (ITCs) in high-spatial-resolution images can help to improve forest inventory and management. However, single-band watershed segmentation methods often fail to delineate broadleaf species, particularly in uneven-aged stands when a single-scale parameter is used to fit segments to reference crowns of different sizes. In this study, we present multispectral watershed segmentation and multiscale fitting method for ITC delineation, and the method involves two steps: 1) multispectral watershed segmentation to produce multiscale segmentation for subsequent fitting, which takes full advantage of boundary information contained in the spectral contrast of multiple bands; and 2) multiscale fitting to identify optimal parameters to best fit each ITC, rather than selecting a single parameter value based on its overall fit to the image as a whole. We evaluate the effectiveness of the proposed method using two multispectral images from a mixed broadleaf forest in Central Ontario, Canada. Our results show that multispectral watershed segmentation at multiple spatial scales produces ITC maps of higher quality than the commonly used multiresolution segmentation method. The automated multiscale fitting produces ITC maps of higher quality than the best single-scale segmentation.
|
| [12] |
迭代H-Minima改进分水岭的高分影像单木树冠提取 [J].
从高分辨率遥感影像中提取单木树冠信息能够有效提高森林资源的调查与管理水平; 针对现有单木树冠提取方法对郁闭度较高的阔叶林提取精度低的问题, 提出一种基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取方法; 首先利用形态学开操作对图像进行平滑处理, 采用Sobel算子提取梯度图像, 并利用均值滤波进行去噪处理; 然后利用一组h值在梯度图像上迭代识别树冠标记, 利用虚假标记检测方法过滤无效标记; 最后引入对称原则来限制分水岭算法的淹没过程, 避免树冠标记过生长与无标记树冠合并; 以高分辨率遥感影像作为数据源, 同时采用传统的标记控制分水岭算法和所算法提取单木树冠, 从单木位置和树冠轮廓两个方面, 以及样地和单木两个尺度上对单木树冠提取的精度进行评价。结果表明：所提算法提取树冠的F测度为92.71%, 比标记控制分水岭算法提高了31.99%; 所提算法能够有效抑制过分割、减少欠分割, 从而提高单木树冠的提取精度。
Iterative H-Minima improved watershed method for individual tree crown delineation in high spatial-resolution remote sensing image [J].
从高分辨率遥感影像中提取单木树冠信息能够有效提高森林资源的调查与管理水平; 针对现有单木树冠提取方法对郁闭度较高的阔叶林提取精度低的问题, 提出一种基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取方法; 首先利用形态学开操作对图像进行平滑处理, 采用Sobel算子提取梯度图像, 并利用均值滤波进行去噪处理; 然后利用一组h值在梯度图像上迭代识别树冠标记, 利用虚假标记检测方法过滤无效标记; 最后引入对称原则来限制分水岭算法的淹没过程, 避免树冠标记过生长与无标记树冠合并; 以高分辨率遥感影像作为数据源, 同时采用传统的标记控制分水岭算法和所算法提取单木树冠, 从单木位置和树冠轮廓两个方面, 以及样地和单木两个尺度上对单木树冠提取的精度进行评价。结果表明：所提算法提取树冠的F测度为92.71%, 比标记控制分水岭算法提高了31.99%; 所提算法能够有效抑制过分割、减少欠分割, 从而提高单木树冠的提取精度。
|
| [13] |
Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms [J].https://doi.org/10.1109/JSTARS.2018.2830410 URL [本文引用: 1] 摘要
Individual tree crown detection and delineation (ITCD) mainly depend on high-resolution aerial photos and satellite images or LiDAR, and these data can be costly to obtain. The advent of unmanned aerial vehicle (UAV) remote sensing technology provides an economic and effective method for data acquisition. Therefore, the research of ITCD based on UAV high-resolution images is of significance to improve the efficiency and accuracy of forest resource inventory and remote sensing validation. However, in very high-resolution (defined here with the pixel size smaller than 10 cm) images, the inhomogeneities in the canopy texture can be detrimental to the correct detection of individual trees by computer processing. We applied the bias field estimation, which is used in medical image segmentation, to reduce the within-canopy spectral heterogeneity in the very high-resolution UAV-derived orthophoto. By selecting young Osmanthus and Podocarpus trees that grow in a nursery as the study objects, we tested our method in an orthophoto (with a ground resolution of 2.5 cm) generated from overlapping UAV images. A local intensity clustering was first applied to produce a smoothed bias field image; then, by using morphological operation of opening and closing, the fine texture of the canopy was further smoothed. Finally, individual tree crowns were extracted by applying the marker-controlled watershed segmentation algorithm. The segmentation results were validated by comparing to the manually drawn individual tree crown polygons. The $F$-scores of the detection rate for Osmanthus and Podocarpus were 98.2% and 93.1%, respectively. The result is considerably better than those achieved with similar processing steps but without the bias field treatment. Our study proves that it is feasible and effective to detect and delineate individual tree crowns based on the bias field and marker-controlled watershed segmentation in very-high-resolution images obtained from UAV.
|
| [14] |
基于标记控制区域生长法的单木树冠提取 [J].
根据2009年激光雷达数据、正射影像图及二类调查数据,选取凉水国家自然保护区针叶林和阔叶林样地进行单木树冠提取研究,包括利用动态窗口局域最大值法对单木位置进行探测,以及采用标记控制区域生长法进行树冠边界的勾绘,分别从样地和单木两个层次进行评价。结果表明：样地尺度上,针叶林和阔叶林的树冠面积相对误差的平均值分别为8.74%和-8.24%。单木尺度上,针叶林样地的生产者精度在62.2%~77.3%浮动,用户精度在71.5%~83.9%浮动;而阔叶林样地的生产者精度达到76.1%~91.2%,用户精度达到78.5%~92.5%。阔叶林样地勾绘精度浮动较大,但略优于针叶林样地的勾绘精度,是由于阔叶林样地中树冠分布较稀疏所致;而＂位置匹配但过度生长＂的情况过多是针叶林样地树冠提取精度不高的主要原因。
Individual tree crown delineation using maker-controlled region growing method [J].
根据2009年激光雷达数据、正射影像图及二类调查数据,选取凉水国家自然保护区针叶林和阔叶林样地进行单木树冠提取研究,包括利用动态窗口局域最大值法对单木位置进行探测,以及采用标记控制区域生长法进行树冠边界的勾绘,分别从样地和单木两个层次进行评价。结果表明：样地尺度上,针叶林和阔叶林的树冠面积相对误差的平均值分别为8.74%和-8.24%。单木尺度上,针叶林样地的生产者精度在62.2%~77.3%浮动,用户精度在71.5%~83.9%浮动;而阔叶林样地的生产者精度达到76.1%~91.2%,用户精度达到78.5%~92.5%。阔叶林样地勾绘精度浮动较大,但略优于针叶林样地的勾绘精度,是由于阔叶林样地中树冠分布较稀疏所致;而＂位置匹配但过度生长＂的情况过多是针叶林样地树冠提取精度不高的主要原因。
|
| [15] |
基于改进分割算法的退耕地树冠信息提取 [J].https://doi.org/10.3969/j.issn.1000-2006.2016.02.028 URL [本文引用: 1] 摘要
优化特征空间和改进分割算法是基于面向对象技术实现退耕地树冠信息准确提取的重要环节,同时也是高分影像地物识别研究中需迫切解决的问题。为此,以北京张山营镇部分区域的QuickBird影像为数据源,根据光谱阈值实现一级分割得到林地区域,同时采用区域进化的区域增长算法对改进均值滤波算法去噪声处理后的全色波段执行二级分割,最后结合形状、光谱、纹理指标构建的特征空间完成了树冠信息提取。结果表明:改进分割算法总体精度达91.5%,Kappa系数为0.836 2,分别较传统方法提高了15.5%和0.120 4。
Tree-crown information extraction in returning farmland to forest land based on improved segmentation algorithm [J].https://doi.org/10.3969/j.issn.1000-2006.2016.02.028 URL [本文引用: 1] 摘要
优化特征空间和改进分割算法是基于面向对象技术实现退耕地树冠信息准确提取的重要环节,同时也是高分影像地物识别研究中需迫切解决的问题。为此,以北京张山营镇部分区域的QuickBird影像为数据源,根据光谱阈值实现一级分割得到林地区域,同时采用区域进化的区域增长算法对改进均值滤波算法去噪声处理后的全色波段执行二级分割,最后结合形状、光谱、纹理指标构建的特征空间完成了树冠信息提取。结果表明:改进分割算法总体精度达91.5%,Kappa系数为0.836 2,分别较传统方法提高了15.5%和0.120 4。
|
| [16] |
基于高分辨率遥感图像的荔枝林树冠信息提取方法研究 [J].https://doi.org/10.6041/j.issn.1000-1298.2016.09.003 URL [本文引用: 1] 摘要
为有效提取荔枝林树冠信息,解决局部最大值法窗口选择和区域生长法在树冠相互连接时的过度生长问题,将水文分析和区域生长融合方法用于荔枝单木探测和树冠描绘。首先将均值滤波方法平滑后的全色图像进行反转完成图像预处理;然后对预处理后图像提取洼地和洼地贡献区域,接着剔除错提洼地,合并树冠分支洼地的贡献区域,从而提取树顶位置,完成单木探测;最后以单木探测结果为种子点,采用区域生长方法对树冠进行描绘,种子生长被限定在洼地贡献区域内,在阈值控制下进行生长,最终完成单木树冠描绘。采用遥感分类精度评价指标对提取结果进行评价,单木探测总体精度为87.75%,用户精度为80.69%,生产者精度为96.06%;单木树冠描绘总体精度为78.69%,用户精度为71.32%,生产者精度为87.76%。
A method for lichee's tree-crown information extraction based on high spatial resolution image [J].https://doi.org/10.6041/j.issn.1000-1298.2016.09.003 URL [本文引用: 1] 摘要
为有效提取荔枝林树冠信息,解决局部最大值法窗口选择和区域生长法在树冠相互连接时的过度生长问题,将水文分析和区域生长融合方法用于荔枝单木探测和树冠描绘。首先将均值滤波方法平滑后的全色图像进行反转完成图像预处理;然后对预处理后图像提取洼地和洼地贡献区域,接着剔除错提洼地,合并树冠分支洼地的贡献区域,从而提取树顶位置,完成单木探测;最后以单木探测结果为种子点,采用区域生长方法对树冠进行描绘,种子生长被限定在洼地贡献区域内,在阈值控制下进行生长,最终完成单木树冠描绘。采用遥感分类精度评价指标对提取结果进行评价,单木探测总体精度为87.75%,用户精度为80.69%,生产者精度为96.06%;单木树冠描绘总体精度为78.69%,用户精度为71.32%,生产者精度为87.76%。
|
| [17] |
An individual tree crown delineation method based on multi-scale segmentation of imagery [J].https://doi.org/10.1016/j.isprsjprs.2012.04.003 URL [本文引用: 1] 摘要
A forest consists of multi-scale branches, tree crowns, and tree clusters. Similar to small tree crowns in shape and scale, branches normally cause over-segmentation of imagery when a watershed segmentation approach is used to segment imagery for tree crown delineation. In order to eliminate such over-segmentation, a new method for individual tree crown delineation from optical imagery was proposed based on multi-scale filtering and segmentation in this study. In this method, the dominant sizes of tree crowns are first determined; Gaussian filters are designed to fit the three-dimensional radiometric shapes of multi-scale tree crowns; the grayscale image is smoothed using the Gaussian filters and segmented using the watershed segmentation approach; and finally, the resulting multiple segmentation maps are integrated together to generate a tree crown map. In an experiment on aerial imagery of forests consisting of multi-scale tree crowns, the proposed method yielded high-quality tree crown maps.
|
| [18] |
|
| [19] |
基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用 [J].
<div>针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题，提出一种基于Gabor小波滤波和局部保持投影（LPP）降维算法相结合的泡沫纹理特征提取方法.首先，利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量；然后，利用LPP算法得到降维特征向量；最后，利用此降维特征向量通过反向传播（BP）神经网络进行不同工况下泡沫类别的识别，进而指导实际矿物浮选生产. 实验结果表明，相对于传统的GLCM方法和Gabor小波纹理特征提取方法，该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.</div><div> </div>
Extraction and application of forth texture feature based on Gabor wavelets and LPP in flotation process [J].
<div>针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题，提出一种基于Gabor小波滤波和局部保持投影（LPP）降维算法相结合的泡沫纹理特征提取方法.首先，利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量；然后，利用LPP算法得到降维特征向量；最后，利用此降维特征向量通过反向传播（BP）神经网络进行不同工况下泡沫类别的识别，进而指导实际矿物浮选生产. 实验结果表明，相对于传统的GLCM方法和Gabor小波纹理特征提取方法，该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.</div><div> </div>
|
| [20] |
基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割 [J].https://doi.org/10.11975/j.issn.1002-6819.2016.17.019 URL [本文引用: 1] 摘要
为了监测温室黄瓜叶片湿润情况以计算叶片湿润时间并用于病害预警,利用K-均值聚类算法实现黄瓜叶片的水滴荧光图像分割。选择人工气候室培育的健康且洁净的黄瓜叶片作为试验试材,采用移液枪向叶面、叶缘部位上滴水,模拟不同的叶片湿润情形,使用荧光成像仪蓝光镜头在白天(07:00)和夜晚(18:00)分别采集图像。应用K-均值聚类算法在L*a*b颜色空间对水滴图像进行分割,首先要将原始图像由RGB颜色空间转换到L*a*b颜色空间,然后在在L*a*b颜色空间中利用a*b*二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,聚类得到的图像灰度化后进一步用数学形态学中的开闭交替滤波方法进行校正,最终完成图像分割。利用该方法对10幅含有不同水滴数量的黄瓜叶片荧光图像进行分割,为了验证该方法的有效性,分别采用基于H分量直方图分割算法、主动轮廓即C_V模型分割方法、融合K均值聚类和Ncut算法作对比试验。试验结果表明,该方法的平均匹配率、误分率相较于其他3种方法有明显的优势,平均匹配率为81.27%、平均误分率为9.57%,较之于其他3种方法,平均匹配率分别提高了44.11、11.50、10.90百分点,平均误分率分别降低了23.03、5.47和5.05百分点。该方法能够较为准确地将水滴从图像中分割出来,这为用计算机器视觉的方法监测黄瓜叶片的润湿时间提供了新的思路。
Water droplets fluorescence image segmentation of cucumber leaves based on K-means clustering with opening and closing alternately filtering [J].https://doi.org/10.11975/j.issn.1002-6819.2016.17.019 URL [本文引用: 1] 摘要
为了监测温室黄瓜叶片湿润情况以计算叶片湿润时间并用于病害预警,利用K-均值聚类算法实现黄瓜叶片的水滴荧光图像分割。选择人工气候室培育的健康且洁净的黄瓜叶片作为试验试材,采用移液枪向叶面、叶缘部位上滴水,模拟不同的叶片湿润情形,使用荧光成像仪蓝光镜头在白天(07:00)和夜晚(18:00)分别采集图像。应用K-均值聚类算法在L*a*b颜色空间对水滴图像进行分割,首先要将原始图像由RGB颜色空间转换到L*a*b颜色空间,然后在在L*a*b颜色空间中利用a*b*二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,聚类得到的图像灰度化后进一步用数学形态学中的开闭交替滤波方法进行校正,最终完成图像分割。利用该方法对10幅含有不同水滴数量的黄瓜叶片荧光图像进行分割,为了验证该方法的有效性,分别采用基于H分量直方图分割算法、主动轮廓即C_V模型分割方法、融合K均值聚类和Ncut算法作对比试验。试验结果表明,该方法的平均匹配率、误分率相较于其他3种方法有明显的优势,平均匹配率为81.27%、平均误分率为9.57%,较之于其他3种方法,平均匹配率分别提高了44.11、11.50、10.90百分点,平均误分率分别降低了23.03、5.47和5.05百分点。该方法能够较为准确地将水滴从图像中分割出来,这为用计算机器视觉的方法监测黄瓜叶片的润湿时间提供了新的思路。
|
| [21] |
基于K-means算法分割遥感图像的阈值确定方法研究 [J].
当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。
Based on K-means algorithm of remote sensing image threshold segmentation method for determining the research [J].
当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。
|
| [22] |
机载LiDAR高差和高分影像的城市树冠提取比较 [J].https://doi.org/10.11873/j.issn.1004-0323.2017.5.0875 URL [本文引用: 1] 摘要
在机载LiDAR（Light Detection and Ranging）数据和高空间分辨率航空影像的支持下,以城市为实验区,实现了单木树冠提取。首先通过LiDAR数据获取高差模型,将其作为包含林木的感兴趣区,再通过掩膜方式提取高分影像上的相同区域,然后采用标记分水岭分割算法分别对两幅感兴趣区影像进行树冠提取,最后以人工勾绘树冠结果为参考评价分割精度,比较了两种数据源提取树冠的优缺点。结果显示,利用LiDAR数据获取的高差模型中包含85.28%的林木信息,林木区域提取的效果显著;基于高分影像得到的分割结果较好,F值为57.14%,基于高度差值模型影像的分割结果较差,F值为42.47%。表明分水岭算法方便可行,且高分影像提供的二维信息更适用于树冠提取。
The comparison of urban tree crown extraction based on airborne LiDAR elevation difference and high resolution imagery [J].https://doi.org/10.11873/j.issn.1004-0323.2017.5.0875 URL [本文引用: 1] 摘要
在机载LiDAR（Light Detection and Ranging）数据和高空间分辨率航空影像的支持下,以城市为实验区,实现了单木树冠提取。首先通过LiDAR数据获取高差模型,将其作为包含林木的感兴趣区,再通过掩膜方式提取高分影像上的相同区域,然后采用标记分水岭分割算法分别对两幅感兴趣区影像进行树冠提取,最后以人工勾绘树冠结果为参考评价分割精度,比较了两种数据源提取树冠的优缺点。结果显示,利用LiDAR数据获取的高差模型中包含85.28%的林木信息,林木区域提取的效果显著;基于高分影像得到的分割结果较好,F值为57.14%,基于高度差值模型影像的分割结果较差,F值为42.47%。表明分水岭算法方便可行,且高分影像提供的二维信息更适用于树冠提取。
|
/
| 〈 |
|
〉 |
