国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于分水嶺算法的闊葉林郁閉度提取方法的研究

2019-04-23 09:44王永眾楊來邦樓雄偉
浙江林業(yè)科技 2019年6期
關鍵詞:分水嶺郁閉度樹冠

嚴 羽,王永眾,楊來邦,樓雄偉

基于分水嶺算法的闊葉林郁閉度提取方法的研究

嚴 羽1,王永眾2,楊來邦1,樓雄偉1

(1. 浙江農(nóng)林大學 信息工程學院,浙江省林業(yè)智能監(jiān)測與信息技術研究重點實驗室,浙江 杭州 311300;2. 杭州感知科技有限公司,浙江 杭州 311300)

針對現(xiàn)有的人為調(diào)查林區(qū)郁閉度耗時,費力且林區(qū)條件惡劣等問題,本研究實現(xiàn)了一種使用無人機來測定森林郁閉度的方法。通過無人機在面積為50 m×70 m以內(nèi)的5個闊葉林為主的地塊中,在不同間距和高度拍攝4組圖像并制作成正射影像圖,通過對圖像的灰度化以及濾波等預處理,使用改進的標記控制分水嶺的分割算法來提取樹冠,并與人工提取做比對,經(jīng)過實際試驗該算法有較高的準確度,所得誤差在5%左右,并對提取的樹冠使用樣線法計算郁閉度,結果表明對0.5 ~ 0.9之間的郁閉度有較高的精度。

無人機;分水嶺分割算法;郁閉度;闊葉林

郁閉度指森林中樹冠在陽光直射下在地面的總投影面積(冠幅)與此林地(林分)總面積的比,它反映林分的密度。郁閉度是反映森林結構和森林環(huán)境的一個重要因子,通過郁閉度能估算樹木利用生活空間的程度,林分光能利用程度以及森林的生長狀況。同時郁閉度大小也會影響著當?shù)氐耐寥罓顩r和淺層動物、微生物、植被的生長狀況。因此合理、準確的測定郁閉度對森林資源的經(jīng)營有重要意義。郁閉度的測定方式多種多樣,有目測法、樹冠投影法、樣線法、樣點法、遙感圖像判讀法等[1]。從調(diào)查的方式來說,為了提高精確度以及減少人力成本,國內(nèi)采用各種各樣的儀器或者軟件來測定。劉菊[2]利用GIS來測定郁閉度,先將林木定位,用皮尺和羅盤儀測定東西方向、南北方向的冠幅值,并記錄數(shù)據(jù);將數(shù)據(jù)導入GIS軟件中,利用其空間分析功能,將每木位置進行定位,并計算每木投影面積,使傳統(tǒng)的樹冠投影法得到改進,進而實現(xiàn)了森林郁閉度的簡潔快速測算。劉芳等[3]基于魚眼照片對郁閉度的測定,采用Photoshop、ArcGIS等軟件對利用魚眼照片提取森林郁閉度的方法進行研究,通過照片裁切、灰度處理、影像重分類等處理,求算出森林郁閉度。同時與野外觀測值進行比較,兩兩之間差值均在允許誤差范圍之內(nèi),證明該方法有一定的效果。杜曉明等[4]以遙感數(shù)據(jù)與森林資源一類清查數(shù)據(jù)為基礎,探討了用Bootstrap方法篩選最優(yōu)郁閉度估測變量,用偏最小二乘回歸方法建立模型估測森林郁閉度的可行性,結果表明無論是用所有變量構造的模型還是用所選最優(yōu)變量構造的模型,郁閉度估測的相對偏差都在5%左右。

本文利用無人機的高空拍照優(yōu)勢,拍攝多組高分辨率照片,通過正射影像圖處理,采用標記控制分水嶺算法[5]同時結合樣線法來計算郁閉度,并與實際測試值進行比較來驗證該方法的可行性和準確度。

1 數(shù)據(jù)收集及處理方法

1.1 數(shù)據(jù)來源

試驗數(shù)據(jù)選用位于浙江省杭州市臨安區(qū)浙江農(nóng)林大學校園周邊以闊葉林為主的天然林樣地,該林內(nèi)地面植被較少且樹木分布較均勻,結構簡單。選用不同密度、不同樹高的5塊林地,選擇50 m×70 m大小以內(nèi)的地塊作為數(shù)據(jù)來源。使用大疆悟Inspire 1無人機從上空拍攝,拍攝前使用第三方app Altizure,該軟件能夠設置好飛行路徑、高度、速度、拍攝間隔等參數(shù)。為考察不同高度,拍攝距離對制作正射影像圖的影響,拍攝時采用了30 m和40 m高度,水平拍攝間隔設定為2 m和5 m。無人機拍攝時相機鏡頭朝下,其中鏡頭的有效像素為2 000萬,每塊樣地無人機共飛行4次,即不同高度,水平距離拍攝4組圖像。每次拍完的一組照片通過pix4d軟件制作成正射影像圖,因航向重疊的關系制作出的圖像遠超過邊界,后期再裁剪成原先規(guī)定大小的圖像。每一塊樣地4組樣張,供后續(xù)處理。

1.2 樹冠分割方法設計

制作好的正射影像圖,如圖1 a所示,該圖根據(jù)軟件Altizure顯示實際面積大小為50 m×70 m。樹冠分割方法流程圖如圖2,分割步驟如下:

圖1 正射影像圖

Figure 1 Digital orthophoto map

圖2 樹冠分割方法流程圖

Figure 2 Image segmentation of crown

(1)源圖像預處理即均值濾波去掉噪點減少干擾,得到圖1 a,將圖1a灰度化后得到圖1 b;

(2)判斷圖1 b灰度直方圖是否有雙峰并計算梯度圖像,如圖3 b;

(3)若有雙峰則平滑灰度圖,若沒有則迭代法尋找閾值,二值化后分割為前景e和背景d。如圖3 c所示,其中前景e范圍為灰白部分,背景d范圍為黑色部分(為區(qū)分d和e,將背景灰度像素直接用黑色代替了);

(4)將e計算區(qū)域極大值作為內(nèi)部標記,對d分水嶺變換取出相鄰區(qū)域作為外部標記;

(5)修正梯度圖像c,使圖像c在內(nèi)部標記和外部標記處有極小值,并使圖像平整;

(6)對修正后的梯度圖像c進行分水嶺變換;

(7)對分割后的圖像在連通區(qū)域的進行合并,最終獲得分割后的前景樹冠圖像。

圖3 內(nèi)外標記提取過程

Figure 3 Extraction of internal and external tag

1.3 郁閉度測量方法

采用類比樣線法來計算林分郁閉度,按下述公式計算:

郁閉度 = 標準地上的兩對角線樹冠覆蓋的總長度與兩對角線的總長度之比。

取上述標記控制分水嶺分割出來的前景圖像計算對角線長度,如圖1b所示。統(tǒng)計該圖(分辨率為1 263×663)落在樹冠上的像素數(shù)量為283對角線長2 852。則上述圖郁閉度:283/2 852≈0.1。

2 樹冠分割具體實現(xiàn)

2.1 分水嶺算法

分水嶺算法[6]基本思想是把圖像灰度化后,每一點像素的灰度值大小表示該點的海拔高度,每一個局部極小值及其影響區(qū)域稱為集水盆,算法的過程是模擬浸水現(xiàn)象,每一個極小值及影響域向外擴展,在兩個集水盆匯合處構筑大壩,形成分水嶺,即將圖像的低海拔的匯水盆地分離出來。示意圖如圖4。由圖4可知,圖4a是灰度圖,圖4b是圖4a的地形圖,圖4c和圖4d表示水浸沒的過程,最終的分割效果如圖4e所示。

圖4 分水嶺算法過程

Figure 4 Watershed algorithm

2.2 標記控制分水嶺算法

將三維地形圖變?yōu)槎S地形示意圖,如圖5。圖5中a,b,c,d為局部極大值對應山頂;e,f,g,h為局部極小值對應山底。經(jīng)過分水嶺算法后由圖4可知會在a,b,c,d邊緣處形成“脊線”即分割線,分割區(qū)域為A,B,C,D。而在實際圖像中,由于噪點或其他干擾因素,以及很多很小的局部極值點存在,使用該算法存在過度分割現(xiàn)象如圖3a所示,反映在圖5中即g,h點為非必要極小值點,會形成沒必要的d邊緣分割線,因此要通過合適的方法提取出與分割主體相關的標記,來引導算法使之避開噪聲極值區(qū)域,從而避免過分割提高分割算法的準確性。

圖5 二維地形圖

Figure 5 Two dimensional topographic map

2.3 內(nèi)外標記提取過程

對源圖像開始操作前,要先進行降噪處理,處理方式為K近鄰均值濾波[7],在一個與待處理像素鄰近的范圍內(nèi),尋找出其中像素值與之最接近的K個鄰點,將該K個鄰點的均值替換原像素值,方法如下:

(1)以待處理像素為中心,作一個×的作用模板;

(2)在模板中,選擇個與待處理像素的灰度差為最小的像素;

(3)將這個像素的灰度均值(中值)替換掉原來的像素值。

該處理方式的優(yōu)點是能夠抑制噪聲的同時,避免邊界的平滑處理,可以大大降低對圖像邊緣的模糊。

為進行后續(xù)的分水嶺變換,需要對預處理后的圖像計算梯度幅值。因為梯度幅度圖像沿著物體邊緣有較高的像素值,而其他地方則有較低的像素值。處理方法為使用水平Sobel算子[8],Sobel= { {-1, 0, 1 }, {-2, 0, 2 }, {-1, 0, 1 } };垂直Sobel算子Sobel= { {-1, -2, -1 }, { 0, 0, 0 }, { 1, 2, 1 } };該算子包括3×3的矩陣,分別為橫向和縱向,將與圖像作平面卷積分別得出橫向x及縱向y的亮度差分近似值,然后開平方根求得灰度值,如圖5b。

為選出前景和后景標記,采用閾值法[9]進行初步分割。閾值的選取采用兩種方式,若灰度直方圖有雙峰則平滑雙峰,兩個峰相對應的就是前景跟背景像素的極大值,由于灰度直方圖中的隨機波動,兩個峰尖的最大值和他們之間谷底的最小值都不能被很好的確定所以要先平滑處理。否則采用迭代法計算閾值,過程如下:

(1)初始閾值,可以自己設置或者隨機生成;

(2)根據(jù)閾值對每個灰度數(shù)據(jù)(,)分為前景灰度數(shù)據(jù)1與背景灰度數(shù)據(jù)2(為行,為列);

(3)1的平均值是1,2的平均值是2;

(4)則新的閾值′=(1+2)/2;

(5)回到第二步,用新的閾值繼續(xù)分前景像素與背景像素數(shù)據(jù),繼續(xù)2 ~ 4步,直到計算出來的新閾值等于上一次閾值。

閾值確定后將圖像分為前景跟背景,其中背景像素用黑色(rgb=0)代替而前景樹冠像素用原始灰度值顯示如圖5c所示。

灰度值越大,則物體顏色越明亮,所以樹冠灰度值遠遠比地面等其他物體來得大所以可以在閾值法分割后得到的前景灰度像素上通過提取樹冠的局部最大值來作為標記符。

在提取樹冠局部最大值時,因為樹冠內(nèi)部有空隙,陰影,暗斑等因素干擾,所以直接提取的話會產(chǎn)生嚴重的誤差,即可能會提取到偽樹冠、枝干、噪聲等部分所以提取前應該對圖像進行平滑,去除暗色間隙以及非樹冠亮細節(jié)等處理。

上述公式計算出來的值可能會大于255,則可以將這些灰度直接定義為最大值。如果模板的矩陣為一個常數(shù)d,則運算公式簡化為

如圖6所示運算過程如下:A的矩陣為常量灰度,中間有2×2黑色區(qū)域,模板為3×3的常值d模板,因為模板尺寸大于黑色區(qū)域,膨脹運算消除黑色區(qū)域,而且提升了A矩陣范圍的圖像灰度使得圖像變明亮。

圖6 膨脹運算示意圖

Figure 6 Inflation method

若模板灰度為常量d,則

腐蝕操作示意圖如下:

圖7 腐蝕運算示意圖

Figure 7 Corrosion operation

則圖像形態(tài)學開閉操作公式為:

通過開操作即先腐蝕操作時可以去除小的亮細節(jié),但會使得圖像整體亮度變暗,然后再進行的膨脹操作會提升圖像亮度但不會把之前腐蝕操作去除的細節(jié)引入,得到結果是去除微小亮細節(jié)區(qū)域且保持灰度級不變,如圖8a,b所示,其中灰度模板為3×3矩陣[(85,255,85),(255,255,255),(85,255,85)]。同理閉操作(先膨脹后腐蝕)可以去除暗細節(jié),比如本文圖像樹冠中的枝干,陰影等部位。通過上述操作能夠維持總體灰度級不變和保持較大的明亮區(qū)域,且不會對邊界產(chǎn)生偏移。

形態(tài)學開閉過程能夠修正局部區(qū)域的極大值和極小值,減少噪聲干擾。開操作過程能在提取局部區(qū)域極大值時避免提取到偽樹冠部分(噪聲極大值),剔除上述干擾后使得提取局部極大值時(樹冠內(nèi)部)定位更準確。

樹冠灰度局部極大值是指連通區(qū)域且滿足該區(qū)域領域周圍灰度值均小于該連通區(qū)域的灰度值。上述操作后將會在每個樹冠灰度值內(nèi)部創(chuàng)建多個區(qū)域極大值,可以使用MATLAB自帶的imregionalmax函數(shù)來定位。該函數(shù)的運算過程為:對于輸入的×行矩陣,構建一個3×3的滑動窗口矩陣,從輸入矩陣的頭部開始滑動,每滑動一格比較中心元素值與4領域像素灰度值大小,若滑動到邊緣位置則添加0值元素,輸出一個×行的矩陣,其中局部極大值位置用1表示,其他位置用0表示。示意結果如下所示。

計算出的局部區(qū)域極大值作為內(nèi)部標記,對圖5c形態(tài)學重建后提取到的極大值疊加到原圖上結果如圖8c,其中白色像素為提取到的樹冠內(nèi)部局部極大值范圍。外部標記不必要求太接近于要分割對象的邊緣位置,所以可以對閾值分割后的背景圖像結合分水嶺算法取出相鄰區(qū)域間的分界線構成外部標記符。

分水嶺算法針對梯度圖像進行,由前面可知梯度圖像未改進時會產(chǎn)生過分割現(xiàn)象。所以將得到的內(nèi)部跟外部標記符通過最小覆蓋過程來改進梯度圖像,該過程使得梯度圖像僅在上述標記過的位置有極小值。對照圖3b即標記處(目標物體)落在“盆地”處(極小值),而且剔除掉了不該出現(xiàn)的極小值點,從而能得到理想的分割結果。所以標記控制分水嶺算法分割時最大限度的避開了原先的噪聲極小值區(qū)域,這樣避免了噪聲極值區(qū)域而產(chǎn)生的過分割。標記后分割的結果如圖8d,圖8e顯示的是錯誤標記的結果可以看出樹冠較好的分割出來了但不足的是連帶了地面部分原因是內(nèi)部標記將該部分也標記在內(nèi),結果出現(xiàn)偏差。

圖8 標記控制分水嶺

Figure 8 Tag-control watershed

3 實驗驗證

3.1 樹冠分割精度分析

圖像分割的主流算法包括閾值法,邊緣法,區(qū)域法,聚類分析法等,本文選取較為成熟的圖像分割算法作為對比,分別是Otsu算法,基于Kmeans的聚類分割算法,以及本文的方法進行處理,得到的效果圖進行誤差對比。

圖9 不同算法不同地塊分割效果圖

Figure 9 Image segmentation by different algorithms

圖9中d,e副圖分別是手動分割的跟本方法分割后為方便對比做的二值化圖。從分割后的二值化圖可以看出手動分割的與本方法分割的較為相似都是基于區(qū)域分割,而Kmeans跟Otsu算法只是比較了各個像素點的大小關系,而沒有考慮到空間關系當圖像的灰度差異不明顯即圖像比較復雜時分割效果比較差。本文提出的方法類似區(qū)域生長的分割方法,按區(qū)域?qū)傩蕴卣饕恢碌臏蕜t決定每個像素的區(qū)域歸屬,將屬性接近的連通像素聚集為同一個區(qū)域。但對于復雜圖像的處理使用區(qū)域生長方法會產(chǎn)生過分割現(xiàn)象,因為分裂的每個小區(qū)域需要一定的規(guī)則將小區(qū)域合并成大區(qū)域達到分割圖像的目的而各個小區(qū)域過于分散會造成圖像過度分割,還需要其他方法來將分裂的小區(qū)域整理成更好的的區(qū)域結構來避免過分割。

表1 不同分割方法平均分割精度對比

注:*標記控制分水嶺算法。

3.2 算法性能評價指標

為定量分析該方法的優(yōu)劣,參考文獻[11]的評價體系來對算法圖像分割與手動圖像分割面積進行對比如表1所示。評測指標公式如下:

從數(shù)據(jù)可以看出Otsu跟Kmeans方法檢準率較低而檢全率高,側(cè)面反映出手動分割和本方法分割的面積較上訴算法分割的大且本方法分割的面積較手動分割的小,而從Otsu跟Kmeans分割后的二值化圖中也能直觀的看出來白色像素部分比手動分割的少。

3.3 郁閉度測量結果驗證

圖10為不同地塊的原圖和控制分水嶺算法分割后的效果圖(順序相互對應)。

圖10 不同地塊原圖與分割后效果對比

Figure 10 Comparison on result of original photo and that after image segmentation

對5塊樣地中的每組4張正射影像圖按照上訴方法流程計算郁閉度以及實際測量的數(shù)據(jù)記錄如表2。

表2 通過算法計算的郁閉度與實際測定對比

注:誤差=(手動分割-×控制分水嶺算法分割)/手動分割。

統(tǒng)計結果如表3和圖11,其中圖11a橫坐標為實測郁閉度,縱坐標為樹冠分割相對誤差均值,圖11b橫坐標為實測郁閉度,縱坐標為標準差,圖11c為計算郁閉度與實際郁閉度對比圖,圖11(d,e,f)以測量的郁閉度均值為軸,實際郁閉度為軸,分別用線性關系、二次多項式、三次多項式對它們之間的關系進行擬合。

由圖11a可以看出,當郁閉度比較大時樹冠分割的誤差較郁閉度較小時分割的誤差小,可以看出樣地樹木密集程度與分割誤差成反比,即越密集算法越容易區(qū)分前后背景。

由表3得4號樣地計算郁閉度均值較實測郁閉度小且相差較大,其主要原因可以從圖10(4)發(fā)現(xiàn),即樹木分布不均勻?qū)蔷€上分布較少導致計算的郁閉度偏小。

表3 不同地塊郁閉度均值方差與實測值大小比較

由圖11b可知,實際郁閉度越大,計算的郁閉度標準差越小,精度更高。圖11(c)曲線中除去4號樣地的異常數(shù)據(jù)(藍線在紅線以下部分)可知計算值與實際值接近或偏大,當林分郁閉度較小時即0.5以下時(樣地3,5)標準差較大,計算值比實測值偏大,當郁閉度較大時(樣地1,2),標準差較小,計算值比實測值稍大,較為接近。

圖11 統(tǒng)計圖

Figure 11 Statistical chart

從擬合結果圖11d,e,f來看3種不同的擬合方式的相關系數(shù)R2都在0.97以上,且三種擬合相關系數(shù)都較為接近,可以看出本方法測量的郁閉度與實際郁閉度有顯著的相關性,隨著擬合方程次數(shù)的提高相關系數(shù)變大,表明兩者存在正相關性。

總體上來看,郁閉度較小時即0.5以下時,控制分水嶺算法計算的郁閉度比抬頭望法計算的郁閉度大。當郁閉度在0.5 ~ 0.9時,計算的郁閉度比抬頭望法偏大或接近。其原因如下:控制分水嶺算法是計算對角線上樹冠的像素比上總的長度像素,但是實際計算郁閉度時不能忽略樹葉之間的空隙即陽光正照射下來的亮斑,按理論是本文計算所得要比實際的偏大。當樣地比較稀疏時,使用抬頭望法根據(jù)目視判斷樣點是否被樹冠擋住來測郁閉度,稀疏的林地更會讓測量人員判斷被擋住的樣點偏少使得抬頭望法測得的郁閉度比實際的郁閉度偏小,相反林地稀疏使得樹冠與樹冠之間的距離遠大于樹葉空隙,減小了空隙帶來的誤差,所以郁閉度較小時的結果為:本研究樣線法≥實地樣線法>抬頭望法。當郁閉度較大時,因為樹木密集容易判斷,抬頭望法計算的遮蓋樣點更準確,同時樹冠與樹冠之間基本上是挨著的,這樣使得空隙的誤差不能忽略,但是因為比較密集相對于稀疏的樹葉來說空隙較少,所以得出的結論為郁閉度較大時本文樣線法≥實地樣線法≈抬頭望法。

當郁閉度0.9以上時,通過試驗此時正射影像圖上的對角線基本上被樹冠所覆蓋,計算后的郁閉度接近于1但實際的郁閉度可能在0.9 ~ 1.0之間,因為該情況下無人機是拍不出地面和非樹葉部分的,此時不能忽略樹葉之間的空隙,所以此情況下誤差將可能變大。

結合上述分析:本研究理想的郁閉度測量范圍為0.5 ~ 0.9,在此條件下本研究測量的郁閉度比實際郁閉度偏大或接近,兩者差值在0.01以內(nèi);當郁閉度<0.5時,本研究測量值比實際值偏大,兩者差值在0.05以內(nèi);當郁閉度>0.9時,經(jīng)過實驗測定本文測量值接近于1,且兩者差值在0.1左右,產(chǎn)生的誤差較大。

4 結論與討論

本研究結果表明,通過無人機拍攝使用圖像處理技術來測量郁閉度是可行的,在0.9郁閉度以下具有較高的精度,其計算結果為偏大或接近。其中誤差產(chǎn)生原因為:(1)樹木的高度會產(chǎn)生誤差。無人機上空拍攝時,對最上層的樹冠拍攝的最為清楚,若下層樹冠被上層樹冠直接遮擋或者陰影遮擋,該圖層就會被認為地塊,會直接當作背景給處理,而實際上是這部分有樹冠的。(2)樣點的位置以及樹木的位置也會帶來誤差。稀疏的林地分布不均勻,即對角線上分布的跟其他位置分布的差別很大,若稀疏的林地樹冠都分布在對角線上則計算比實際偏大,相反則偏小,選樣地時盡量避免這種情況,但是對于密集分布的林地則影響較小了。(3)無人機拍攝時最好避免陽光,盡量陰天拍攝,拍出的照片光線要均勻。(4)地面植被旺盛同時樹木稀疏的地塊,這種樣張會很難區(qū)分前景跟背景,肉眼雖然能識別但是圖像處理時樹葉跟植被幾乎是一樣的綠色,前景跟背景容易混在一起,帶來分割難度。而樹木密集地塊,雖說上層樹冠遮擋住了植被,但是樹葉空隙被下層綠色植被填滿了,也會有誤差,相對于稀疏地塊來得小。所以根據(jù)上面分析得出理想樣地的條件為:若為稀疏地塊,則地面綠色植被要少,樹木分布要均勻;若為樹木密集地塊,樹高差距不能過大,郁閉度過大誤差也會增大;拍攝條件光線要均勻,拍攝高度不能過高,最好相對于樹高5 ~ 10 m。

[1] 李永寧,張賓蘭,秦淑英,等. 郁閉度及其測定方法研究與應用[J]. 世界林業(yè)研究,2008(01):40-46.

[2] 劉菊. 基于GIS的林地郁閉度測定方法研究[J]. 山西林業(yè)科技,2015(02):33-35.

[3] 劉芳,楊廣斌. 基于魚眼照片的森林郁閉度快速提取方法研究[J]. 西南林業(yè)大學學報,2013(02):71-74.

[4] 杜曉明,蔡體久,琚存勇. 采用偏最小二乘回歸方法估測森林郁閉度[J]. 應用生態(tài)學報,2008(02):273-277.

[5] 郭昱杉,劉慶生,劉高煥,等. 基于標記控制分水嶺分割方法的高分辨率遙感影像單木樹冠提取[J]. 地球信息科學學報,2016(09):1259-1266

[6]王國權,周小紅,蔚立磊. 基于分水嶺算法的圖像分割方法研究. 計算機仿真[J],2009(05):265-268.

[7] 楊恒伏,孫光田,祖?zhèn)? 基于HVS特性的自適應K近鄰均值濾波算法[J]. 計算機工程與應用,2009(10):179-181.

[8] 陸宗騏,梁誠. 用Sobel算子細化邊緣[J]. 中國圖象圖形學報,2000(06):5.

[9] 韓思奇,王蕾. 圖像分割的閾值法綜述[J]. 系統(tǒng)工程與電子技術,2002(06):91-94,102.

[10] 陳延梅,吳勃英. 基于數(shù)學形態(tài)學的圖像增強方法[J]. 哈爾濱工業(yè)大學學報,2006(06):906-908.

[11] 金茜,汪偉. 基于改進控制標記符分水嶺的牙體硬組織分割[J]. 計算機應用研究,2018(12):8.

Canopy Density of Broad-leaved Forest by Watershed Segmentation Algorithm

YAN Yu1,WANG Yong-zhong2,YANG Lai-bang1,LOU Xiong-wei1

(1. School of Information Engineering, Zhejiang A & F University, Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology, Hangzhou 311300, China; 2. Hangzhou Ganzhi Software Company of Zhejiang, Hangzhou 311300 ,China)

Four groups were photographed at different height and distance on 5 sample plots of broad-leaved forest with 50 m×70 m in Linan, Zhejiang province by unmanned aerial vehicle. They were made into orthophotoquad, which were pretreated by gray level and median filter, tree canopy was extracted by improved tag-control watershed segmentation algorithm, and compared with that by manual one. The experiment showed that algorithm had higher accuracy, and the error was about 5%. Canopy density was calculated by line transect method on canopy estrated, and the results demonstrated that the canopy density between 0.5 and 0.9 was accurate.

unmanned aerial vehicle; watershed segmentation algorithm; canopy density;broad-leaved forest

S757

A

1001-3776(2019)06-0053-010

10.3969/j.issn.1001-3776.2019.06.009

2019-03-26 ;

2019-09-30

浙江省科技重點研發(fā)計劃項目(2018C02013),浙江省科技計劃項目(2017C02044)資助

嚴羽,研究生,從事計算機在農(nóng)林業(yè)上的應用研究;E-mail:875082356@qq.com。

樓雄偉,副教授,博士,從事模式識別、林業(yè)信息化研究;E-mail:123000811@qq.com。

猜你喜歡
分水嶺郁閉度樹冠
選 擇
樹冠羞避是什么原理?
不同郁閉度馬尾松林下種植射干的生長效果分析
榕樹
和龍林業(yè)局管理區(qū)域喬木林地郁閉度分布現(xiàn)狀及特點
樹冠
郁閉度與七指毛桃生長的相關性分析
一個早晨
人生有哪些分水嶺
基于形態(tài)學重建和極大值標記的分水嶺分割算法