一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法
【專利摘要】一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法，專門應(yīng)用于遙感領(lǐng)域的LIDAR數(shù)據(jù)中。發(fā)明方法包括以下步驟：1)LIDAR點云數(shù)據(jù)柵格化。2)根據(jù)梯度方向聚類。提取類似樹冠的錐形形狀來檢測單棵樹3)單棵樹的篩選?？紤]樹的形狀特征和密度特征。4)單棵樹的中心點確定。本發(fā)明方法注重于錐形的樹冠形狀提取，依賴于各像素點的梯度方向，參數(shù)依賴性少，提取效率高。
【專利說明】
-種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及遙感技術(shù)領(lǐng)域，尤其是遙感圖像中單棵樹的檢測方法。
【背景技術(shù)】
[0002] 森林資源是地球上最重要的資源之一，它能夠改善環(huán)境、維護(hù)生態(tài)平衡。為了能夠 充分利用森林資源和管理森林資源需要定時對森林資源進(jìn)行調(diào)查和監(jiān)測，W促進(jìn)對其的了 解和管理。傳統(tǒng)的森林參數(shù)測定主要是依靠人工的實地測量，不僅費時、費力并且獲得的數(shù) 據(jù)量十分有限。20世紀(jì)60年代遙感技術(shù)興起并發(fā)展迅速，各種遙感技術(shù)手段已被用于大區(qū) 域森林制圖、森林資源監(jiān)測，災(zāi)害監(jiān)測等方面。激光雷達(dá)化i曲t Detection And Ranging, LiDAR)是利用GPS(Global Position System)和IMU(Ine;rtial Measurement Unit,慣性測 量裝置)機載激光掃描。其所測得的數(shù)據(jù)為數(shù)字表面模型(Digital Surface Model，DSM)的 離散點表示，運些點云數(shù)據(jù)中含有空間S維信息和激光強度信息。LIDAR技術(shù)是現(xiàn)代對地觀 測的最新技術(shù)之一，在對地面的探測能力方面有著強大的優(yōu)勢，它可W快速準(zhǔn)確地獲取林 地數(shù)字高程模型和森林高度信息，使遙感技術(shù)在林業(yè)鄰域的應(yīng)用登上新的臺階。目前，為了 森林測繪、高精度森林管理、森林木材產(chǎn)量預(yù)測，國內(nèi)外學(xué)者對單棵樹的提取做了大量研 究。
[0003] 目前的方法主要有兩類，第一類方法基于LIDAR點云數(shù)據(jù)計算得出的數(shù)字表面模 型，在數(shù)字表面模型中需找高程最大值最為樹尖。運一類方法十分依賴于參數(shù)的選擇，并且 在樹林密集、遮擋嚴(yán)重的情況下容易產(chǎn)生誤識別和漏識別。第二類方法是直接從LIDAR數(shù)據(jù) 中提取單棵樹。由于運種方法依賴點云數(shù)據(jù)在空間中的分布，因此可W識別被大樹遮蓋住 的小樹，但是在樹林密集的區(qū)域運種方法容易誤識別，此外由于在LIDAR數(shù)據(jù)中通常存在大 量的點，算法在時間和空間上面臨挑戰(zhàn)?？蒞看出目前存在的方法都沒有很好的將單棵樹 形狀特征表達(dá)出來，沒有充分的利用圖像中紋理信息。
[0004] 單棵樹的提取主要難點有：1)樹木較密集導(dǎo)致不容易識別；2)不同樹種形態(tài)差別 大，形狀多樣。3)現(xiàn)有的方法往往依賴科研人員的先驗知識而設(shè)置的檢測參數(shù)。

【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有的遙感圖像中單棵樹檢測方法漏識率和誤識率過高、過于依賴于參 數(shù)的問題，本發(fā)明提出了一種基于梯度方向的聚類算法，意圖通過提取類似樹冠的錐形形 狀來檢測單棵樹。相比于目前提出的方法，本發(fā)明方法注重于普遍的錐形樹冠模型的建立， 依賴于各像素點的梯度方向，而不是依靠一系列參數(shù)來提取樹冠模型。
[0006] 本發(fā)明的具體技術(shù)方案如下：
[0007] DLIDAR點云數(shù)據(jù)柵格化
[000引 1.1)計算數(shù)字表面模型（Digital Surface Model，DSM)。
[0009] 1.2)計算數(shù)字地形模型（DTM，Digital Terrain Model，DTM)。
[0010] 1.3)計算樹林冠層高度模型（Canopy Height Mode I，CHM)。
[0011] 2)根據(jù)梯度方向聚類
[0012] 在柵格化的樹林冠層高度模型圖像中，根據(jù)每一個點的梯度方向，進(jìn)行聚類。聚類 結(jié)果中的每一類認(rèn)為是一棵樹。此時結(jié)果中的樹噪聲較多，粗糖的邊界和細(xì)碎的小影像都 對結(jié)果有較大影響，采用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行腐蝕膨脹優(yōu)化聚類結(jié)果。聚類結(jié)果中每一類 認(rèn)為是一棵樹，加入單棵樹備選集。
[0013] 3)單棵樹的篩選
[0014] 對于單棵樹備選集中影像對象應(yīng)具有基本的類似正方形或圓形的多邊形區(qū)域，通 過定義密度參數(shù)特征和形狀參數(shù)特征可W明顯排除噪聲區(qū)域。
[0015] 4)單棵樹的中屯、點確定
[0016] 對于單棵樹檢測集中檢測得到的樹，計算每一棵樹在樹林冠層高度模型圖像中的 最小外接圓，W最小外接圓的圓屯、作為單棵樹的中屯、點。
[0017] 本發(fā)明的有益效果主要表現(xiàn)在:在應(yīng)用遙感技術(shù)進(jìn)行森林測繪、高精度森林管理、 森林木材產(chǎn)量預(yù)測時，本發(fā)明可W提供快速、精確的單棵樹檢測結(jié)果。
【附圖說明】
[0018] 圖1發(fā)明方法的具體流程
[0019 ]圖2a表示本發(fā)明的四鄰域聚類的一次聚類過程
[0020] 圖化表示本發(fā)明的八鄰域聚的一次聚類過程
【具體實施方式】
[0021] 參照附圖：
[0022] 圖1表示了【具體實施方式】流程。
[0023] DLIDAR點云數(shù)據(jù)柵格化
[0024] 點云數(shù)據(jù)往往把數(shù)據(jù)量巨大，對算法空間復(fù)雜度和時間復(fù)雜度都有巨大挑戰(zhàn)，點 云數(shù)據(jù)的柵格化可W有效克服上述問題。
[0025] 1.1)計算數(shù)字表面模型（Digital Surface Model，DSM)。
[0026] 差值方法是用來計算DSM的通用方法。通過已知點的高度可W用差值法來估計未 知點的高度，在計算DSM過程中可W采用局部插值法。該方法的一般步驟如下：
[0027] i.定義需要插值的點的捜索區(qū)域。
[0028] i i .捜索插值的點的周圍的點。
[0029] iii.選擇一個合適的數(shù)學(xué)模型來擬合的選定區(qū)域的點的高度。
[0030] iv.用運個模型來估計指定的網(wǎng)格節(jié)點的高度。
[0031] 通?？蒞用一些局部插值法，例如線性插值法，最鄰近差值法，雙線性插值法，卷 積插值法等。
[0032] 1.2)計算數(shù)字地面模型（DTM,Digital Terrain Model，DTM)。
[0033] 采用數(shù)學(xué)形態(tài)學(xué)的方法可W剔除點云數(shù)據(jù)中除去地面外的其它信息得到數(shù)字地 面模型。調(diào)整數(shù)學(xué)形態(tài)學(xué)中開操作的窗口大小不同可W剔除植被，建筑物等信息。用結(jié)構(gòu)元 素 B對圖像A進(jìn)行開操作表示為：
[0034]
[0035] 式中0表示圖像腐蝕操作，貨表示圖像膨脹操作。
[0036] 1.3)計算樹林冠層高度模型（Canopy Height Model，CHM)。
[0037] 對I. I計算得到的DSM和1.2中計算得到的DTM做差得到的就是樹林冠層高度模型。
[0038] 2)根據(jù)梯度方向聚類
[0039] 考慮到在冠層高度模型中樹冠都會呈現(xiàn)一個錐形形狀，本發(fā)明設(shè)計的基于梯度方 向的聚類算法結(jié)合冠層高度模型中點的高度值和局部紋理信息將同屬一個樹冠的錐形形 狀聚成一個簇來檢測單棵樹。參數(shù)說明：img矩陣表示冠層高度模型，img中每一個點的值 img(x，y)即表示點（x，y)的高度值。label表示聚類過程中的標(biāo)記矩陣，它的大小和img相 同，label(x，y)的值相同的點即表示運些點是相同的一類。index是聚類過程中所用的索 引 "map<x，y>用來保存每一次聚類過程中的點，保存在map中的點必然屬于同一類。
[0040] i .初始化參數(shù)設(shè)定：Index = I ,Iabel = Oo
[0041] ii.尋找點(x，y)，滿足label(x，y)=0并且清空map<x，y>。
[0042] iii .將(x,y)加入到map<x,y> 中。
[0043] iv.檢查label(x，y)=0是否滿足，如果滿足則執(zhí)行下一步。如果不滿足則將map< X，7>中的所有點取出，并且令label中運些點的值為label(x，y)，回到步驟II。
[0044] V.找到點img(x，y)和該點上下左右四個點中的最大點。如果img(x，y)是最大的點 則執(zhí)行下一步。如果上下左右四個點中有一個是最大值則更新點(x，y)為找到的最大點，執(zhí) 行步驟HI。
[0045] vi .將map<x,y>所有點取出，并且令label中運些點的值為index。
[0046] index = index+l，執(zhí)行步驟II。
[0047] 最后得到的label矩陣中相同index的點為同一類。上述步驟中為四鄰域（4- 化ig化o;r，4-N)聚類，此方法還可W演變?yōu)榘肃徲?8-Nei曲bo;r，8-N)聚類，只需要在尋找最 大值的時候從周圍八個點中尋找。聚類的過程中從一個點出發(fā)直到終點結(jié)束，運個過程定 義為一條路徑，下圖分別演示了在一幅相同圖像中四鄰域聚類過程和八鄰域聚類過程中的 一條路徑。圖2表示了兩種聚類方法的一次聚類過程。
[004引 3)單棵樹的篩選
[0049]經(jīng)過聚類得到的影像對象粗糖的邊界和細(xì)碎的小影像都對結(jié)果有較大影響，采用 數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行腐蝕膨脹可W消除運些噪聲。對于影像對象的形狀特征完全不符合樹 木冠層形狀的影像對象需要剔除。樹冠模型應(yīng)具有基本的類似正方形的多邊形區(qū)域，通過 定義密度參數(shù)可W巧思排除啜聲區(qū)域。密度d可W表示為影像對象面積除上它的半徑。
[(K)加 ]
[0051] 其中n是構(gòu)成影像對象的像素數(shù)量，X是構(gòu)成影像對象的所有像素的X坐標(biāo)，Y是構(gòu) 成影像對象的所有像素的y坐標(biāo)。使用密度來描述對象的緊致程度，在像素柵格的圖像中理 想的緊致形狀是一個正方形。一個影像對象的形狀類似于正方形，它的密度就越高。
[0052] 形狀指數(shù)是指影像對象的邊界長度除上它的面積的平方根的4倍。
[0化3]
[0054]上式中e代表為此影像對象的邊界總和。A代表影像對象的面積。影像對象越破碎， 則它的形狀指數(shù)S越大。
[0055] 設(shè)置形狀指數(shù)闊值Ts,密度指數(shù)闊值TcU當(dāng)影像對象同時滿足密度d>Td，形狀指 數(shù)3<13時才認(rèn)為影像對象是樹。
[0056] 4)單棵樹的中屯、點確定
[0057] 對于單棵樹檢測集中檢測得到的樹，計算最小外接圓，W外接圓圓屯、作為樹的中 屯、點，并且W此點的高度作為樹的高度。每一個檢測結(jié)果中的樹在柵格化的CHM中的都是一 個點集，運個點集的最小外接圓就是運棵樹得最小外接圓，具體計算步驟如下：
[005引i.遍歷所有的點，計算它與其它所有點的距離，返回其中距離最大的兩個點A，B。 [0化9] ii.將A，B所在線段作為直徑，求圓。
[0060] i.計算其它所有點到圓屯、的距離，如果均小于等于圓的半徑，則當(dāng)前的圓就是最 終需要的單棵樹的最小外接圓。
[0061] iii.果有某些點到圓屯、的距離大于半徑，找出其中最大的點C，求W點A，B，C作為 頂點的S角形的最小外接圓。重復(fù)步驟III。
【主權(quán)項】
1. 一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法，包括如下步驟： DLIDAR點云數(shù)據(jù)柵格化； LiDAR--Light Detection And Ranging，即激光探測與測量;是利用GPS和慣性測量 裝置MU的機載激光掃描；；其所測得的數(shù)據(jù)為數(shù)字表面模型DSM的離散點表示，這些點云數(shù) 據(jù)中含有空間三維信息和激光強度信息； 1.1) 計算數(shù)字表面模型DSM;; 1.2) 計算數(shù)字地形模型DTM;; 1.3) 計算樹林冠層高度模型CHM;; 2) 根據(jù)梯度方向聚類； 在柵格化的樹林冠層高度模型圖像中，根據(jù)每一個點的梯度方向，進(jìn)行聚類;聚類結(jié)果 中的每一類認(rèn)為是一棵樹;此時結(jié)果中的噪聲較多，粗糙的邊界和細(xì)碎的小影像都對結(jié)果 有較大影響，采用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行腐蝕膨脹優(yōu)化聚類結(jié)果;聚類結(jié)果中每一類認(rèn)為是 一棵樹，加入單棵樹備選集； 3) 單棵樹的篩選； 對于單棵樹備選集中影像對象應(yīng)具有類似正方形或圓形的多邊形區(qū)域，通過定義密度 參數(shù)特征和形狀參數(shù)特征可以明顯排除噪聲區(qū)域； 4) 單棵樹的中心點確定； 對于單棵樹檢測集中檢測得到的樹，計算每一棵樹在樹林冠層高度模型圖像中的最小 外接圓，以最小外接圓的圓心作為單棵樹的樹中心。2. 根據(jù)權(quán)利要求1所述的一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法，其 特征在于，步驟2所述梯度方向聚類包括以下內(nèi)容： 考慮到在冠層高度模型中樹冠都會呈現(xiàn)一個錐形形狀，基于梯度方向的聚類算法結(jié)合 冠層高度模型中點的高度值和局部紋理信息將同屬一個樹冠的錐形形狀聚成一個簇來檢 測單棵樹;具體步驟如下： img矩陣表示冠層高度模型，img中每一個點的值img(x，y)即表示點（x，y)的高度值； label表示聚類過程中的標(biāo)記矩陣，它的大小和img相同，label(x，y)的值相同的點即表示 這些點是相同的一類;index是聚類過程中所用的索引;!^?<1， 7>用來保存每一次聚類過 程中的點，保存在map中的點必然屬于同一類；21. 初始化參數(shù)設(shè)定:index = I，IabeI = 0;22. 尋找點（叉，7)，滿足]^61(叉，7)=0并且清空11^<1，7>;23. 將(x，y)加入到map<x，y>* ;24. 檢查label(x，y)=0是否滿足，如果滿足則執(zhí)行下一步;如果不滿足則將map<x，y >中的所有點取出，并且令I(lǐng)abe 1中這些點的值為IabeI (X，y )，回到步驟22; 25 .找到點img(X，y)和該點上下左右四個點中的最大點；如果img(X，y)是最大的點則 執(zhí)行下一步;如果上下左右四個點中有一個是最大值則更新點(x，y)為找到的最大點，執(zhí)行 步驟23;26.將map<x，y>所有點取出，并且令label中這些點的值為index; index = index+1，執(zhí)行步驟 22; 最后得到的label矩陣中相同index的點為同一類;上述步驟中為四鄰域(4-Neighbor， 4-N)聚類，此方法還可以演變?yōu)榘肃徲?8-Neighbor，8-N)聚類，只需要將步驟V中尋找最大 值時從上下左右4個點中尋找修改為從周圍八個點中尋找;聚類的過程中從一個點出發(fā)直 到終點結(jié)束，這個過程定義為一條路徑。3. 根據(jù)權(quán)利要求1所述的一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法，其 特征在于，步驟3所述單棵樹的篩選包括以下內(nèi)容： 經(jīng)過聚類得到的影像對象粗糙的邊界和細(xì)碎的小影像都對結(jié)果有較大影響，采用數(shù)學(xué) 形態(tài)學(xué)方法進(jìn)行腐蝕膨脹可以消除這些噪聲;對于影像對象的形狀特征完全不符合樹木冠 層形狀的影像對象需要剔除;樹冠模型應(yīng)具有基本的類似正方形的多邊形區(qū)域，通過定義 密度參數(shù)可以明顯排除噪聲K域:密度d可以表示為影像對象面積除以它的半徑；其中η是構(gòu)成影像對象的像素數(shù)量，X是構(gòu)成影像對象的所有像素的X坐標(biāo)，Y是構(gòu)成影 像對象的所有像素的y坐標(biāo);Var(X)表示求X均方根;使用密度來描述對象的緊致程度，在像 素柵格的圖像中理想的緊致形狀是一個正方形;一個影像對象的形狀類似于正方形，它的 密度就越高； 報狀指翁甚指影像對象的邊界長度除上它的面積的平方根的4倍；上式中e代表為此影像對象的邊界總和;A代表影像對象的面積;影像對象越破碎，則它 的形狀指數(shù)s越大； 設(shè)置形狀指數(shù)閾值Ts，密度指數(shù)閾值TcU當(dāng)影像對象同時滿足密度d>Td，形狀指數(shù)8< Ts時才認(rèn)為影像對象是樹。4. 根據(jù)權(quán)利要求1所述的一種基于梯度方向聚類的遙感數(shù)據(jù)中單棵樹的檢測方法，其 特征在于，步驟4所述單棵樹的中心點確定包括以下內(nèi)容： 對于單棵樹檢測結(jié)果集中檢測得到的樹，計算每個檢測結(jié)果的最小外接圓，以外接圓 圓心作為樹的中心點，以此點的高度作為樹的高度，以此圓的半徑作為樹的半徑;每一個檢 測結(jié)果中的樹在柵格化的CHM中的都是一個點集，這個點集的最小外接圓就是這棵樹得最 小外接圓，具體計算步驟如下：41. 遍歷所有的點，計算它與其它所有點的距離，返回其中距離最大的兩個點A，B;42. 將A，B所在線段作為直徑，求圓；43. 計算其它所有點到圓心的距離，如果均小于等于圓的半徑，則當(dāng)前的圓就是最終需 要的單棵樹的最小外接圓；44. 如果有某些點到圓心的距離大于半徑，找出其中最大的點C，求以點A，B，C作為頂點 的三角形的最小外接圓；重復(fù)步驟43。
【文檔編號】G06T7/00GK106023178SQ201610321621
【公開日】2016年10月12日
【申請日】2016年5月16日
【發(fā)明人】范菁, 高思斌, 董天陽
【申請人】浙江工業(yè)大學(xué)