机载LiDAR数据提取单木树冠关键技术.pptxVIP

机载LiDAR数据和高分影像提取单木树冠的关键技术研究 答辩人：熊扬 指导老师：孙杰 答辩时间：2015.6.6 目录 研究背景和意义………………………………1 LiDAR技术……………………………………2 技术路线………………………………………3 CHM生成……………………………………4、5 基于面向对象方法的树冠提取 ……………6、7 分水岭变换的单木树冠提取…………………8 树冠提取结果分析…………………………9、10 总结……………………………………………11 研究背景和意义 森林资源是人类最重要的资源之一 遥感技术在森林资源检测中发挥着巨大的作用 早期的森林资源调查主要是通过航空像片与外业抽样调查相结合的方式进行的，后来又发展出了近红外遥感、高光谱遥感 传统光学遥感不足：易受光照、天气、观测角度等因素影响等 机载LiDAR技术 1 LiDAR技术 LiDAR技术是一种借助激光传感器，通过位置、距离、角度等观测数据直接获取对象表面点三维坐标的技术 森林参数有林分尺度参数和单木尺度参数 林分尺度森林参数描述的是森林整体的特征，如总生物量等 单木尺度森林参数：树高、枝下高、单木冠幅、生物量、郁闭度等 本论文用LiDAR点云数据结合高分影像提取单木树冠，并对其中的关键问题进行了讨论。 2 技术路线 3 CHM生成（1） CHM（Canopy Height Model） 即为冠层高度模型，一般可用DSM和DEM差值得到。 点云数据概况 论文实验所用点云数据为赫尔辛基大学校园点云数据，范围为250m*250m，点云密度为2.797points/㎡。 点云滤波 实验使用TerraSolid不规则三角网方法滤波得到地面点 生成DEM（TerraSolid、ENVI LiDAR） 地面点通过不规则三角网方法生成DEM栅格数据。 4 CHM生成（2） 生成DSM(不含建筑物) 对点云进行分类，得到树冠区域点，生成0.5m分辨率的树冠表面模型 CHM生成 由于DSM和DEM中各存在56.9%和0.5%的无效值，DSM减DEM得到CHM，使得CHM中有大量无效值，这些无效值绝大部分都是地面点，可以将它们赋值为0。可在ENVI中用下面公式去无效值。 (b1 lt 0)*0+(b1 ge 0)*b1 (b1 lt 4200)*b1+(b1 ge 4200)*0 CHM平滑 由于激光点云的密度只有2.797points/㎡，生成的0.5m分辨率栅格影像在植被区域可能有空洞，需要进行平滑处理，以利于后面的树冠提取。 5 基于面向对象方法的树冠提取（1） 6 基于面向对象方法的树冠提取（2） （3）level3（76,0.1,0.9） 目的：分割得到单木树冠 设置光谱因子为0.1，紧致度因子为0.9.设置不同的分割尺度，对整体进行观察，发现分割尺度在60-80之间，效果较好。 最终确定分割尺度为76时，树冠分割效果最好。 分割时加入CHM图层 chm图层标准差是红绿蓝波段的10倍多，分别设置红、绿、蓝、CHM权重为1、1、1、0.1，分割尺度、光谱因子、紧致度因子与上面最优分割相同分别为76、0.1、0.9进行分割。 树冠分割完整度变差 7 分水岭变换的单木树冠提取 直接对CHM使用分水岭算法 标记分水岭算法对CHM进行分割 （1）调整局部最小值，设置圆形结构要素半径为2，以减少局部极小值数量。 （2）标记前景、背景对象，前景对象即为树冠区域。 （3）对前景对象进行分水岭分割 对CCD影像进行标记分水岭分割，由于分辨率高，并且受光照阴影的影像，完全不能正确分割出树冠。 8 树冠提取结果分析（树冠分割数量分析） 选取一块样本区域，目视识别画出树冠边界矢量 样本区域树冠识别数目 多尺度分割 标记分水岭分割 目视识别 283 145 208 136% 70% 100% 多尺度分割结果过多： ①影像分辨率高，树冠面积大 ②受光照的影响，同一树冠内光谱特征，差异大 ③树冠间隙还有一些草地区由于面积很小，CHM精度不够，未被剔除 标记分水岭结果过少： ①点云密度不够高，生成CHM精度不够 ②树冠大小差异大，存在冠幅只有1~2m的小树冠 ③林木密度大，树冠存在重叠遮盖 9 树冠提取结果分析（树冠分割效果分析） 将手动分割矢量叠加到多尺度分割和分水岭分割的结果上 统计208个目视识别树冠被分割的情况 多尺度分割最多的部分是树冠被分在三个对象内。 原因一是因为此地区树木冠幅面积有很大的差异，二是由于此地区树木大都是针叶林，极易受太阳光照的影响，往往会从树顶处分割开。 分水岭分割存在最多的内就是多树冠被分为同一对象内。 原因一是由于激