基于分水岭优化思想的单木信息分割算法
发布时间：2021-01-27 18:13
基于机载激光雷达（Li DAR）技术和单木分割算法提取单株树木信息对于单木结构研究、理解树木生长、森林可持续管理具有重要的意义。本研究以分水岭算法为基础,使用可变窗口的局部最大值算法,并采用分层级的区域增长算法及由高度差和梯度构建的能量函数来分割树冠边界,从而优化树顶提取和相邻树冠的分割结果。以中国南方亚热带森林为研究区,测试了针对不同密度（低、中、高密度）、不同树种（白皮松和桉树）以传统分水岭算法和优化算法对于树顶提取及树冠分割的效果。为检验结果的准确性,在实验中对Li DAR数据和人工测量数据的分割结果进行了对比和验证,结果表明:对树冠顶点探测率而言,优化算法平均探测效果（树冠探测率r=0.90、树冠准确率p=0.84、总体准确率f=0.86）优于传统分水岭算法（r=0.62、p=0.81、f=0.78）;对树冠边界探测精度而言,优化算法平均探测效果（R2=0.80、RMSE=0.22 m、RRMSE=12.03%）优于传统分水岭算法（R2=0.68、RMSE=0.28 m、RRMSE=17.45%）。在树冠探测上,桉树的准确率略低于白皮松,但是与白皮松的探测率相差较小,这表明白皮...
【文章来源】：林业工程学报. 2020,5(05)北大核心
【文章页数】：8 页
【部分图文】：
本研究算法流程图
利用高度差来实现树冠的最优分割结果是能量函数的第2部分。两棵相邻的树之间必然存在一个鞍点(最低点)到两棵树冠顶点之间直线上点的高度差一定是最大的。因此，随着区域增长的不断进行，当前搜索的树冠边界上的像素与最近的两个相邻树冠顶点之间的高度差也随之增大。在当前计算的像素高度差达到最大值时，表明该像素很大概率是真实的树冠边界像素。综上所述，在寻找每个树冠真实边界的搜索过程中，每次迭代计算出的树冠轮廓公式(4)的值会保持下降的趋势，直到达到最小值，这表明程序的搜索达到了树冠的真实边界。反之，如果公式(4)的值在运行过程中出现上升，则代表相交树冠区域会出现错误分割，需要进行回滚(roll back,RB)来调整所有树冠的增长顺序。回滚操作代表当判定现在扩张的树冠是错误的时候，会回到上一次扩张的区域并更换搜索像素开始重新计算。树冠边界归属判定准则说明见图3。
为了准确提取树木的各项参数，研究了分层的区域增长算法以达到从DSM中获取树冠轮廓。将样地分成L1至L5共5层，每一个红色点代表探测出来的树冠顶点，也是区域增长算法中的种子点(图2)。算法按照树冠顶点的高度来决定区域增长的顺序，每一次的区域增长只会在当前分的层级中，在当前层数未被搜索完成时，不会进入下一级进行搜索。分级的区域增长算法在探测出树冠顶点的DSM中得以实现，该方法的数学表示如下。在DSM按高度分层后，区域生长开始于探测到的L1的树冠顶点(tn)和位于DSM(c)内的ci,j，即ci,j=tnn∈[1,2，…r]。结合树冠形状的表型特征，按照树冠表面像素上的高度值从树冠顶点向四面逐渐减小。根据探测到树冠顶点tn及其在DSM中的位置，确定当前层L1每个ci,j的邻区单元c珋i,j，当满足树冠形状的表型特征ci珋z,j-ciz,j≤0以及符合能量函数下降趋势，将探测出的邻域与正在探测的像素融合，完成区域增长的步骤。因此，每个被扩张生成的树冠就从c珋i,j开始并同步扩展到珌ci,j，其中珌ci,j代表c珋i,j的邻域并满足珌ciz,j-ci珋z,j≤0以及符合能量函数值下降的趋势。然后，迭代执行该过程，当前层的每个树顶所融合的ci,j将树当前层(L1)的像素全部搜索结束，进入下一层。在高度间隔L1完成区域增长后，DSM中当前层已搜索完成的相应面积会被继承到下一个高度间隔L2中。在L2中将新增加的树冠顶点和继承自上一层的树冠区域继续进行区域增长。两个树冠之间的重叠区域，根据上层树冠填充的区域为依据进行分割，直到所有层被处理完毕。
【参考文献】：
期刊论文
[1]基于矩阵模式的林火图像半监督学习算法[J]. 杨绪兵,葛彦齐,张福全,范习健,姚宏亮. 图学学报. 2019(05)
[2]基于L1范数的k平面聚类算法设计[J]. 杨红鑫,杨绪兵,寇振宇,业巧林,张福全,许等平. 南京航空航天大学学报. 2019(05)
[3]面向移动平台的深度学习复杂场景目标识别应用[J]. 许博鸣,刘晓峰,业巧林,张福全,周京正. 陕西师范大学学报(自然科学版). 2019(05)
[4]基于非参数分类算法和多源遥感数据的单木树种分类[J]. 赵颖慧,张大力,甄贞. 南京林业大学学报(自然科学版). 2019(05)
[5]基于多站扫描的点云特征参数与材积结构动态分析[J]. 蒋佳文,温小荣,顾海波,张峥男,刘方舟,张严利,孙圆. 南京林业大学学报(自然科学版). 2019(06)
本文编号：3003506
【文章来源】：林业工程学报. 2020,5(05)北大核心
【文章页数】：8 页
【部分图文】：
本研究算法流程图
利用高度差来实现树冠的最优分割结果是能量函数的第2部分。两棵相邻的树之间必然存在一个鞍点(最低点)到两棵树冠顶点之间直线上点的高度差一定是最大的。因此，随着区域增长的不断进行，当前搜索的树冠边界上的像素与最近的两个相邻树冠顶点之间的高度差也随之增大。在当前计算的像素高度差达到最大值时，表明该像素很大概率是真实的树冠边界像素。综上所述，在寻找每个树冠真实边界的搜索过程中，每次迭代计算出的树冠轮廓公式(4)的值会保持下降的趋势，直到达到最小值，这表明程序的搜索达到了树冠的真实边界。反之，如果公式(4)的值在运行过程中出现上升，则代表相交树冠区域会出现错误分割，需要进行回滚(roll back,RB)来调整所有树冠的增长顺序。回滚操作代表当判定现在扩张的树冠是错误的时候，会回到上一次扩张的区域并更换搜索像素开始重新计算。树冠边界归属判定准则说明见图3。
为了准确提取树木的各项参数，研究了分层的区域增长算法以达到从DSM中获取树冠轮廓。将样地分成L1至L5共5层，每一个红色点代表探测出来的树冠顶点，也是区域增长算法中的种子点(图2)。算法按照树冠顶点的高度来决定区域增长的顺序，每一次的区域增长只会在当前分的层级中，在当前层数未被搜索完成时，不会进入下一级进行搜索。分级的区域增长算法在探测出树冠顶点的DSM中得以实现，该方法的数学表示如下。在DSM按高度分层后，区域生长开始于探测到的L1的树冠顶点(tn)和位于DSM(c)内的ci,j，即ci,j=tnn∈[1,2，…r]。结合树冠形状的表型特征，按照树冠表面像素上的高度值从树冠顶点向四面逐渐减小。根据探测到树冠顶点tn及其在DSM中的位置，确定当前层L1每个ci,j的邻区单元c珋i,j，当满足树冠形状的表型特征ci珋z,j-ciz,j≤0以及符合能量函数下降趋势，将探测出的邻域与正在探测的像素融合，完成区域增长的步骤。因此，每个被扩张生成的树冠就从c珋i,j开始并同步扩展到珌ci,j，其中珌ci,j代表c珋i,j的邻域并满足珌ciz,j-ci珋z,j≤0以及符合能量函数值下降的趋势。然后，迭代执行该过程，当前层的每个树顶所融合的ci,j将树当前层(L1)的像素全部搜索结束，进入下一层。在高度间隔L1完成区域增长后，DSM中当前层已搜索完成的相应面积会被继承到下一个高度间隔L2中。在L2中将新增加的树冠顶点和继承自上一层的树冠区域继续进行区域增长。两个树冠之间的重叠区域，根据上层树冠填充的区域为依据进行分割，直到所有层被处理完毕。
【参考文献】：
期刊论文
[1]基于矩阵模式的林火图像半监督学习算法[J]. 杨绪兵,葛彦齐,张福全,范习健,姚宏亮. 图学学报. 2019(05)
[2]基于L1范数的k平面聚类算法设计[J]. 杨红鑫,杨绪兵,寇振宇,业巧林,张福全,许等平. 南京航空航天大学学报. 2019(05)
[3]面向移动平台的深度学习复杂场景目标识别应用[J]. 许博鸣,刘晓峰,业巧林,张福全,周京正. 陕西师范大学学报(自然科学版). 2019(05)
[4]基于非参数分类算法和多源遥感数据的单木树种分类[J]. 赵颖慧,张大力,甄贞. 南京林业大学学报(自然科学版). 2019(05)
[5]基于多站扫描的点云特征参数与材积结构动态分析[J]. 蒋佳文,温小荣,顾海波,张峥男,刘方舟,张严利,孙圆. 南京林业大学学报(自然科学版). 2019(06)
本文编号：3003506
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3003506.html
