一种基于梯度方向聚类的遥感数据中单棵树的检测方法

摘要

一种基于梯度方向聚类的遥感数据中单棵树的检测方法，专门应用于遥感领域的LIDAR数据中。发明方法包括以下步骤：1)LIDAR点云数据栅格化。2)根据梯度方向聚类。提取类似树冠的锥形形状来检测单棵树3)单棵树的筛选。考虑树的形状特征和密度特征。4)单棵树的中心点确定。本发明方法注重于锥形的树冠形状提取，依赖于各像素点的梯度方向，参数依赖性少，提取效率高。

说明书

技术领域

本发明涉及遥感技术领域，尤其是遥感图像中单棵树的检测方法。

背景技术

森林资源是地球上最重要的资源之一，它能够改善环境、维护生态平衡。为了能够充分利用森林资源和管理森林资源需要定时对森林资源进行调查和监测，以促进对其的了解和管理。传统的森林参数测定主要是依靠人工的实地测量，不仅费时、费力并且获得的数据量十分有限。20世纪60年代遥感技术兴起并发展迅速，各种遥感技术手段已被用于大区域森林制图、森林资源监测，灾害监测等方面。激光雷达(Light Detection And Ranging，LiDAR)是利用GPS(Global Position System)和IMU(Inertial Measurement Unit，惯性测量装置)机载激光扫描。其所测得的数据为数字表面模型(Digital Surface Model,DSM)的离散点表示，这些点云数据中含有空间三维信息和激光强度信息。LIDAR技术是现代对地观测的最新技术之一，在对地面的探测能力方面有着强大的优势，它可以快速准确地获取林地数字高程模型和森林高度信息，使遥感技术在林业邻域的应用登上新的台阶。目前，为了森林测绘、高精度森林管理、森林木材产量预测，国内外学者对单棵树的提取做了大量研究。

目前的方法主要有两类，第一类方法基于LIDAR点云数据计算得出的数字表面模型，在数字表面模型中需找高程最大值最为树尖。这一类方法十分依赖于参数的选择，并且在树林密集、遮挡严重的情况下容易产生误识别和漏识别。第二类方法是直接从LIDAR数据中提取单棵树。由于这种方法依赖点云数据在空间中的分布，因此可以识别被大树遮盖住的小树，但是在树林密集的区域这种方法容易误识别，此外由于在LIDAR数据中通常存在大量的点，算法在时间和空间上面临挑战。可以看出目前存在的方法都没有很好的将单棵树形状特征表达出来，没有充分的利用图像中纹理信息。

单棵树的提取主要难点有：1)树木较密集导致不容易识别；2)不同树种形态差别大，形状多样。3)现有的方法往往依赖科研人员的先验知识而设置的检测参数。

发明内容

为了克服现有的遥感图像中单棵树检测方法漏识率和误识率过高、过于依赖于参数的问题，本发明提出了一种基于梯度方向的聚类算法，意图通过提取类似树冠的锥形形状来检测单棵树。相比于目前提出的方法，本发明方法注重于普遍的锥形树冠模型的建立，依赖于各像素点的梯度方向，而不是依靠一系列参数来提取树冠模型。

本发明的具体技术方案如下：

1)LIDAR点云数据栅格化

1.1)计算数字表面模型(Digital Surface Model，DSM)。

1.2)计算数字地形模型(DTM,Digital Terrain Model，DTM)。

1.3)计算树林冠层高度模型(Canopy Height Model，CHM)。

2)根据梯度方向聚类

在栅格化的树林冠层高度模型图像中，根据每一个点的梯度方向，进行聚类。聚类结果中的每一类认为是一棵树。此时结果中的树噪声较多，粗糙的边界和细碎的小影像都对结果有较大影响，采用数学形态学方法进行腐蚀膨胀优化聚类结果。聚类结果中每一类认为是一棵树，加入单棵树备选集。

3)单棵树的筛选

对于单棵树备选集中影像对象应具有基本的类似正方形或圆形的多边形区域，通过定义密度参数特征和形状参数特征可以明显排除噪声区域。

4)单棵树的中心点确定

对于单棵树检测集中检测得到的树，计算每一棵树在树林冠层高度模型图像中的最小外接圆，以最小外接圆的圆心作为单棵树的中心点。

本发明的有益效果主要表现在：在应用遥感技术进行森林测绘、高精度森林管理、森林木材产量预测时，本发明可以提供快速、精确的单棵树检测结果。

附图说明

图1发明方法的具体流程

图2a表示本发明的四邻域聚类的一次聚类过程

图2b表示本发明的八邻域聚的一次聚类过程

具体实施方式

参照附图：

图1表示了具体实施方式流程。

1)LIDAR点云数据栅格化

点云数据往往把数据量巨大，对算法空间复杂度和时间复杂度都有巨大挑战，点云数据的栅格化可以有效克服上述问题。

1.1)计算数字表面模型(Digital Surface Model，DSM)。

差值方法是用来计算DSM的通用方法。通过已知点的高度可以用差值法来估计未知点的高度，在计算DSM过程中可以采用局部插值法。该方法的一般步骤如下：

i.定义需要插值的点的搜索区域。

ii.搜索插值的点的周围的点。

iii.选择一个合适的数学模型来拟合的选定区域的点的高度。

iv.用这个模型来估计指定的网格节点的高度。

通常可以用一些局部插值法，例如线性插值法，最邻近差值法，双线性插值法，卷积插值法等。

1.2)计算数字地面模型(DTM,Digital Terrain Model，DTM)。

采用数学形态学的方法可以剔除点云数据中除去地面外的其它信息得到数字地面模型。调整数学形态学中开操作的窗口大小不同可以剔除植被，建筑物等信息。用结构元素B对图像A进行开操作表示为：

式中Θ表示图像腐蚀操作，表示图像膨胀操作。

1.3)计算树林冠层高度模型(Canopy Height Model，CHM)。

对1.1计算得到的DSM和1.2中计算得到的DTM做差得到的就是树林冠层高度模型。

2)根据梯度方向聚类

考虑到在冠层高度模型中树冠都会呈现一个锥形形状，本发明设计的基于梯度方向的聚类算法结合冠层高度模型中点的高度值和局部纹理信息将同属一个树冠的锥形形状聚成一个簇来检测单棵树。参数说明：img矩阵表示冠层高度模型，img中每一个点的值img(x,y)即表示点(x,y)的高度值。label表示聚类过程中的标记矩阵，它的大小和img相同，label(x,y)的值相同的点即表示这些点是相同的一类。index是聚类过程中所用的索引。map＜x,y＞用来保存每一次聚类过程中的点，保存在map中的点必然属于同一类。

i.初始化参数设定：index＝1，label＝0。

ii.寻找点(x,y)，满足label(x,y)＝0并且清空map＜x,y＞。

iii.将(x,y)加入到map＜x,y＞中。

iv.检查label(x,y)＝0是否满足，如果满足则执行下一步。如果不满足则将map＜x,y＞中的所有点取出，并且令label中这些点的值为label(x,y)，回到步骤II。

v.找到点img(x,y)和该点上下左右四个点中的最大点。如果img(x,y)是最大的点则执行下一步。如果上下左右四个点中有一个是最大值则更新点(x,y)为找到的最大点，执行步骤III。

vi.将map＜x,y＞所有点取出，并且令label中这些点的值为index。

index＝index+1，执行步骤II。

最后得到的label矩阵中相同index的点为同一类。上述步骤中为四邻域(4-Neighbor，4-N)聚类，此方法还可以演变为八邻域(8-Neighbor，8-N)聚类，只需要在寻找最大值的时候从周围八个点中寻找。聚类的过程中从一个点出发直到终点结束，这个过程定义为一条路径，下图分别演示了在一幅相同图像中四邻域聚类过程和八邻域聚类过程中的一条路径。图2表示了两种聚类方法的一次聚类过程。

3)单棵树的筛选

经过聚类得到的影像对象粗糙的边界和细碎的小影像都对结果有较大影响，采用数学形态学方法进行腐蚀膨胀可以消除这些噪声。对于影像对象的形状特征完全不符合树木冠层形状的影像对象需要剔除。树冠模型应具有基本的类似正方形的多边形区域，通过定义密度参数可以明显排除噪声区域。密度d可以表示为影像对象面积除上它的半径。

$d=\frac{\sqrt{n}}{1+\sqrt{Var\left(X\right)+Var\left(Y\right)}}$

其中n是构成影像对象的像素数量，X是构成影像对象的所有像素的x坐标，Y是构成影像对象的所有像素的y坐标。使用密度来描述对象的紧致程度，在像素栅格的图像中理想的紧致形状是一个正方形。一个影像对象的形状类似于正方形，它的密度就越高。

形状指数是指影像对象的边界长度除上它的面积的平方根的4倍。

$s=\frac{e}{4\sqrt{A}}$

上式中e代表为此影像对象的边界总和。A代表影像对象的面积。影像对象越破碎，则它的形状指数s越大。

设置形状指数阈值Ts，密度指数阈值Td，当影像对象同时满足密度d＞Td，形状指数s＜Ts时才认为影像对象是树。

4)单棵树的中心点确定

对于单棵树检测集中检测得到的树，计算最小外接圆，以外接圆圆心作为树的中心点，并且以此点的高度作为树的高度。每一个检测结果中的树在栅格化的CHM中的都是一个点集，这个点集的最小外接圆就是这棵树得最小外接圆，具体计算步骤如下：

i.遍历所有的点，计算它与其它所有点的距离，返回其中距离最大的两个点A，B。

ii.将A，B所在线段作为直径，求圆。

i.计算其它所有点到圆心的距离，如果均小于等于圆的半径,则当前的圆就是最终需要的单棵树的最小外接圆。

iii.果有某些点到圆心的距离大于半径，找出其中最大的点C，求以点A，B，C作为顶点的三角形的最小外接圆。重复步骤III。