基于图像的树木三维建模与树木参数提取

发布时间：2020-04-17 03:13

【摘要】：树木是生态系统的重要组成部分,在维持碳氧平衡、保持生物多样性起到重要的作用。在虚拟现实与林业测绘中,树木的三维模型一直都是研究重点,由于树木种类繁多,形态和结构差异大,虚拟植物建模成为计算机图形学研究的热点问题。目前树木三维模型的构建方法有基于草图、基于规则、基于图像的方法等。基于图像的树木建模方法具有真实感强的特点,本文基于图像方法对树木三维模型建立进行研究,以获得外观近似的树三维模型,模型可应用在虚拟林业、虚拟现实等场景中。与此同时,随着摄影测量技术的不断发展,通过单张相片就可以对树木进行测量,本文对相机成像模型进行研究,以基于图像的测量方式快速获取测树因子,降低野外调查劳动强度,提高森林资源调查效率。本文的研究内容包括树木图像前景提取、树干与树冠提取、相机倾斜拍摄的图像校正、树木三维模型建立和基于摄影测量的树木参数提取,首先针对树木图像背景复杂、结构不规则的问题,提出基于Close-Form与K-means的树木前景提取方法,方法能够在少量用户标记下,计算树木前景与背景。然后使用GMM与区域生长算法分割树冠和树干图像,方法引入余弦相似度的度量方式,充分利用GMM聚类概率信息。随后为了保留图像线性特征,推导单应矩阵对图像进行透视变换,校正倾斜摄影图像到正视图像。然后研究树木三维模型建立方法,为了得到更真实的树木骨架信息,采用草图方式添加树木骨架,并提取树木主干与次级分枝拓扑结构,结合骨架拓扑关系与树冠凸包建立与真实树木形态相似的树木三维模型。最后研究基于图像的树木参数提取方法,选取了常用的测树因子与叶面积指数进行研究,根据相机成像模型,获得倾斜图像像素坐标到现实空间坐标的转换关系,为验证方法的准确性,以采集的45个树木样本进行实验测试,摄影测量单木树高、冠幅、胸径指标,三种测树因子的平均绝对误差分别为0.23m、0.17m、0.97cm,平均相对精度分别为5.74%、6.53%、8.62%。为反映树木长势与生长状况,定义树冠茂密度参量,以获取的测树因子与树冠茂密度作为输入,使用BP神经模型进行回归,反演单木叶面积指数。实验结果表明,相对于仅输入测树因子的BP神经模型模型,增加树冠茂密度作为输入的BP模型相关系数提高、均方误差降低,其中测试集均方误差达到0.24,相关系数达到0.77。本文所提出的基于图像的树木测量方法,符合林业调查的精度要求,一次采集就可获取多个参数,具有一定应用性。由于树木生长具有区域一致性,本文提出的叶面积指数反演模型具有一定参考性,对于城市行道树、人工林能够根据测树因子预测单木叶面积指数,便于对植物群落进行量化分析。
【图文】：

图２－１采集图像样张逡逑图方法逡逑像抠图是树木图像提取的两种主要方法。图域的处理技术，在树木图像提取中可根据树贺［４３］对树木图像进行颜色特征变换、梯度变分水岭分割方法的输入图像，然后进行开闭冰等［４４］提出一种基于Ｋ－ｍｅａｎｓ聚类与灰度－色图像在颜色空间下进行聚类完成初分割，。图像分割方法虽然相对简单、运行速度较等问题。自然图像抠图是将图像的背景和前特技制作中。目前较流行的抠图方法是采用区域、背景区域以及不确定区域进行标记。进行了改进，得到一种有效的树木图像提取为泊松方程求解，通过一个迭代式的算法对

通过Ｍａｔｌａｂ对上述方程可以进行求解，输入两幅图像，其中一幅为添加ｓｃｒｉｂｂｌｅｓ逡逑标记的图像，另一幅为原图，经过求解可得到图像透明度图。逡逑图２－２使用Ｃｌｏｓｅ－Ｆｏｒｍ算法对抠图算法常用测试图片进行标记，发现不需要特别多逡逑的标记即可完成较好的透明度计算，在毛发边缘处也能够清晰的分辨。逡逑，，通介＼逡逑（ａ）原图逦（ｂ）邋ｓｃｒｉｂｂｌｅｓ标记图逦（ｃ）透明度图逡逑图２－２邋Ｃｌｏｓｅ－Ｆｏｒｍ算法透明度图结果逡逑图２－３展示了传统Ｃｌｏｓｅ－Ｆｏｒｍ抠图方法提取树木图像的结果。首先在自然图像背景逡逑下，添加少量前景、背景标记信息，如图２－３邋（ａ）所示白色为前景，黑色为背景。然后计逡逑算得到透明度结果，透明度图能够能刻画树木的基本轮廓，最后根据透明度分离前景背逡逑－１０－逡逑
【学位授予单位】：东北林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;S758

【相似文献】

中国期刊全文数据库 前10条

1 冯桂莲;;曲率驱动扩散图像边缘形态复合滤波方法仿真[J];计算机仿真;2019年09期

2 张锦华;孙挺;;引入像点融合度修补的图像边缘化参差拼接实现[J];微电子学与计算机;2014年08期

3 翟逸飞;;基于FPGA的图像边缘处理研究[J];企业技术开发;2013年12期

4 顾长友;妙用Photoshop处理图像边缘[J];电脑知识与技术;2003年08期

5 濮群,余桂;用线性模型检测图像边缘[J];清华大学学报(自然科学版);1988年01期

6 宋建中;;喷雾图像的自动分析[J];光学机械;1988年04期

7 高华;;关于古建筑图像中破损点优化提取仿真[J];计算机仿真;2017年11期

8 刘娟娟;刘斌;;低照度非线性光学图像边缘自适应增强装置设计[J];激光杂志;2017年03期

9 许志强;张婷;;数字式多媒体场景图像准确分类方法仿真[J];计算机仿真;2019年07期

10 张琳梅;;基于图像边缘增强的改进方法[J];信息系统工程;2016年03期

中国重要会议论文全文数据库 前10条

1 陆成刚;陈刚;张但;闵春燕;;图像边缘的优化模型[A];'2002系统仿真技术及其应用学术论文集（第四卷）[C];2002年

2 王培珍;杨维翰;陈维南;;图像边缘信息的融合方案研究[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

3 王亮亮;李明;高昕;;强模糊空间目标图像边缘获取方法研究[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

4 陈炜;张阳阳;孟庆勋;;一种基于Curvelet变换的图像边缘增强方法[A];国家安全地球物理丛书（十）——地球物理环境与国家安全[C];2014年

5 张明慧;;基于模糊蒙片算法的CR图像边缘增强[A];第六届全国信息获取与处理学术会议论文集（1）[C];2008年

6 孙增国;师蕊;;基于L_(1/2)范数的高分三SAR图像的非局部均值降斑[A];第五届高分辨率对地观测学术年会论文集[C];2018年

7 杨文秀;陆常周;;最优小波问题探讨[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

8 赵恩良;姜盈帆;孙丽华;曹康敏;金瑞巧;;一种基于变窗口的图像去噪算法研究[A];第十六届沈阳科学学术年会论文集（理工农医）[C];2019年

9 周胜灵;丁珠玉;;农产品边缘检测系统研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

10 胡昌伟;屈小波;郭迪;宁本德;陈忠;;基于边缘加权的l_1-l_2范数MRI欠采重建[A];第十七届全国波谱学学术会议论文摘要集[C];2012年

中国重要报纸全文数据库 前7条

1 侯杰;国产芯片进军移动多媒体市场[N];人民邮电;2003年

2 吴飞;无边距照片打印三部曲[N];中国电脑教育报;2003年

3 成岭;消除Premiere中慢镜头的图像抖动[N];电脑报;2003年

4 ;体验决定一切[N];中国计算机报;2003年

5 Wang JS;抠图又有新招[N];电脑报;2002年

6 徐和德;从实战出发选择合适镜头[N];中国摄影报;2019年

7 ;令挑剔的人也刮目相看[N];中国电子报;2001年

中国博士学位论文全文数据库 前10条

1 张玲;图像光照恢复与分解技术研究[D];武汉大学;2017年

2 蔡博仑;图像去雾与增强算法的研究[D];华南理工大学;2019年

3 宋伟先;基于深度学习的猪只目标检测及状态分析[D];东北农业大学;2019年

4 吴迪;光学遥感图像典型目标检测方法研究[D];哈尔滨工业大学;2019年

5 王瑶;复杂天气下的道路识别方法研究[D];哈尔滨工业大学;2019年

6 刘飞;透混沌介质偏振成像技术[D];西安电子科技大学;2016年

7 李永军;图像与视频低复杂度压缩算法研究[D];西安电子科技大学;2017年

8 何人杰;图像去雾与去湍流方法研究[D];西北工业大学;2017年

9 张文静;光场成像技术在天空偏振模式测量和湍流图像清晰化中的应用研究[D];国防科学技术大学;2016年

10 左承林;图像非局部均值去噪方法研究[D];国防科学技术大学;2016年

中国硕士学位论文全文数据库 前10条

1 张传敏;低质量图像自适应增强算法研究与实现[D];北京交通大学;2019年

2 王冰;基于高斯模型与图像风格迁移的QR码美化算法研究[D];杭州电子科技大学;2019年

3 曹旨昊;基于深度学习的图像推荐算法研究与实现[D];山东农业大学;2019年

4 蒋亚杰;视频监控系统图像清晰化研究[D];华北水利水电大学;2019年

5 张震;基于深度学习的图像隐写分析算法研究[D];北京交通大学;2019年

6 赵维;基于深度学习的图像来源取证研究[D];北京交通大学;2019年

7 王建明;光场图像新视点生成算法研究[D];江南大学;2019年

8 徐晓宇;高压输电线路巡检图像缺陷检测算法研究[D];杭州电子科技大学;2019年

9 张丽园;基于CT图像的肝部肿瘤的自动分割算法研究[D];电子科技大学;2019年

10 谭秀兰;高分辨SAR图像海面目标检测与识别方法研究[D];电子科技大学;2019年

本文编号：2630382