基于不同特征自动分割的树木提取方法

1.本发明涉及机载lidar数据领域中的树木提取技术，具体为一种基于不同特征自动分割的树木提取方法。


技术实现要素：

2.机载激光扫描与测距系统(light detection and ranging，lidar)作为一种新兴主动式遥感技术，由激光扫描仪、可见光系统、全球定位系统和惯性导航系统等设备构成，可获取海量点云数据和正射影像数据，具有空间分辨率高、获取三维信息迅速等独特优势，广泛应用于森林树种分类，地物类别检测，三维城市建模和自然灾害救援等领域。
3.基于多源遥感数据的城市树木提取对城市资源调查、健康状况评估及科学化管理具有重要意义。传统的人工调查方法需要大量的现场调查，费时费力；现有的遥感技术手段虽然很多，但是利用单一的遥感数据准确提取树木的分布信息仍然具有挑战性。多源遥感信息数据融合作为一种信息综合处理与分析技术，其研究已成为遥感领域一个重要的研究方向。而基于特征级的融合方法研究能够从数据源中提取相关特征，并对特征进行综合处理与分析，信息处理速度快，并且能够提供决策级所需的特征信息。
4.现有基于机器学习的分类方法是目前较为成熟的遥感分类方法，包括支持向量机和随机森林，然而，此类方法需要设计大量合适特征，分类精度受到分类器的特性和性能的限制；基于神经网络的目标检测方法已经显示出优越的性能，但这些方法的性能严重依赖于大量的样本和手动标记，这既耗时又费力，且其泛化能力受到训练域的限制，算法精度尚可，但都难以在运行速度上满足用户的需求。
5.发明内容
6.本发明结合激光雷达数据和正射影像数据的优势，提出一种基于不同特征自动分割的树木提取方法。
7.本发明是采用如下的技术方案实现的：基于不同特征自动分割的树木提取方法，包括以下步骤：
8.s1：数据预处理；首先，对输入点云的每一个点，计算其到所有临近点的距离，并计算距离的平均值d
mean
和标准差d
s
；其次，利用计算的距离的平均值和标准差根据公式d
max
＝d
mean
+n*d
s
定义一个最大距离；最后，将一个点到其所有临近点的距离的平均值与定义的最大值进行比较，如果距离的平均值大于最大距离，则该点就被定义为离群值，并将其从原始点云数据中删除。
9.s2：多源遥感数据配准；经过预处理的点云以栅格格式逐点内插建立dsm,常用的内插方法有邻近距离插值法、三角网插值法、反距离加权插值法等。调整dsm图像像素分辨率大小，使其与航拍图像相一致。
10.s3：数据特征提取；基于植被在红光波段反射率低，近红外和绿光波段的反射率较高特征，以及草地建筑物区域熵值较小，树木区域熵值较大的特征，将航空正射影像数据反射光谱的归一化差异植被指数(ndvi)和激光雷达dsm数据的局部熵值结合在一起，作为数
据提取特征，用于树木候选区域的提取。
11.s4：阈值选取，结合直方图减法思想得到ndvi和dsm局部熵两种特征的特征阈值，通过两种特征阈值提取树木候选区域。
12.上述的基于不同特征自动分割的树木提取方法，还包括以下步骤：光照区域和阴影区域分离；基于光照区域和阴影区域分离思想，利用正射影像平均灰度值为亮度值，使用大津阈值法确定亮度阈值来划分正射影像中初始阴影区域和光照区域，再设定面积阈值ta，当某个初始阴影区域的阴影面积大于ta时就识别为最终阴影区域，当该初始阴影区域的阴影面积小于等于ta时就识别为最终光照区域，初始光照区域默认为就是最终光照区域；通过两种特征阈值在最终光照区域和阴影区域中提取树木候选区域。
13.上述的基于不同特征自动分割的树木提取方法，利用直方图减法思想得到特征阈值的具体步骤包括，首先做出ndvi和dsm局部熵这两种特征的初始直方图，其次针对ndvi特征初始直方图的每个区间，保留dsm局部熵初始直方图中对应区间高于当前ndvi区间值的dsm局部熵部分作为新的dsm局部熵特征直方图，然后利用新的dsm局部熵特征直方图除以dsm局部熵初始直方图得到该特征的保留直方图，最后各区间保留直方图相加得到该特征的减法变换直方图，利用公式th＝(1
‑
c)
×
valley+c
×
peak可以得到dsm局部熵特征的特征阈值，式中valley和peak分别为减法变换直方图波谷和波峰,c为0
‑
1范围内的一个参数，再次针对dsm局部熵初始直方图的每个区间，保留ndvi初始直方图中对应区间高于当前dsm区间值的ndvi部分作为新的ndvi特征直方图，然后利用新的ndvi特征直方图除以ndvi初始直方图得到该特征的保留直方图，最后各区间保留直方图相加得到该特征的减法变换直方图，利用公式th＝(1
‑
c)
×
valley+c
×
peak可以得到ndvi特征的特征阈值。
14.上述的基于不同特征自动分割的树木提取方法，通过两种特征阈值在最终光照区域和阴影区域中提取树木候选区域的过程为：首先利用ndvi特征阈值来划分光照区域和阴影区域的植被候选区域和非植被区域，高于阈值的是植被候选区域，低于阈值的为非植被区域；其次通过dsm局部熵特征阈值来对植被候选区域中的树木和草地植被进行划分，其中低于阈值的为草地，高于特征阈值的为树木候选区域。
15.上述的基于不同特征自动分割的树木提取方法，利用图像形态学开闭运算，对树木候选区域进行平滑处理，可以有效减少部分奇异点，提高树木区域的提取精度。
16.本发明提出一种融合机载激光雷达数据和航空正射影像的多源数据特征提取方法，克服了单一数据源提取树木准确率较低的问题。首先通过栅格化方法将去噪后lidar点云数据生成数字地表模型dsm，该模型包含地表建筑物、桥梁和树木等高度的地面高程模型，涵盖最真实地面起伏情况，常用于检测森林的生长情况和城市的发展情况；其次分别从dsm数据和航空正射影像中提取局部熵和归一化差异植被指数(ndvi)两种特征，结合这两种特征可以有效提取树木候选区域。
17.同时本发明还首次提出光照区域和阴影区域分离提取树木的思想，由于阴影区域亮度要少于光照区域，阴影区域接受的近红外波段的能量要比可见光少，因此阴影区域植被指数的指标值都很低，利用归一化差异植被指数也难以提取阴影区域植被，容易造成阴影区域植被的漏检。本发明创造性地提出光照区域和阴影区域分离思想，利用平均灰度值为亮度值，并使用大津阈值来划分初始阴影区域和光照区域，确定面积阈值ta，当阴影面积大于ta时就识别为阴影区，否则就为光照区。
18.本发明在光照区域和阴影区域分离的基础上，提出直方图减法思想对ndvi和dsm局部熵两个特征进行处理。首先对ndvi和dsm局部熵的直方图选择合适的区间划分；对每一个ndvi直方图区间，计算直方图大于该区间值对应图像的dsm局部熵直方图；将新得到直方图除以原直方图，得到dsm局部熵的保留直方图，分别计算dsm局部熵的各个保留直方图，将这些保留直方图相加，得到dsm局部熵的减法变换直方图，根据公式th＝(1
‑
c)
×
valley+c
×
peak得到最后的dsm局部熵阈值；对ndvi特征也做同样的处理，得到ndvi的阈值；从而得到不同特征的阈值来提取更为准确的树木候选区域。
19.多源遥感数据融合、特征提取和阈值分割都是本领域的技术人员所熟知的。
20.本发明与现有技术相比具有以下优点：
21.1.本发明在特征级融合级别上融合激光雷达数据和光谱数据进行树木区域的提取，树木提取准确率要远高于使用lidar点云或者航空遥感影像等单一数据源进行树木区域提取。从获取数据的可行性来看，融合lidar点云数据与影像数据在未来的地物分类和单一地物提取研究中占据主导地位。
22.2.本发明创造性提出光照区域和阴影区域的分离，与传统地物提取方法相比，不仅能够实现树木候选区域的并行提取，而且可以有效减少阴影区域树木漏检率，显著提高树木提取精度。
23.3.本发明构建两种不同特征，通过简单的直方图运算就可实现树木区域的提取，不需要样本训练或迭代，因此提取速度快，算法时间复杂度低，提取精度也能达到要求。
附图说明
24.图1为本发明的流程示意图。
25.图2为城区ndvi特征图。
26.图3为阴影区域植被ndvi特征图。
27.图4为近红外高光谱正射影像图。
28.图5为树木参考真实区域。
29.图6为本发明的树木提取区域结果图。
30.图7为评估结果图。
具体实施方式
31.基于不同特征自动分割的树木提取方法，包括以下步骤：
32.s1：数据预处理，包括高离群值和低离群值的去除；首先，对输入点云的每一个点，计算其到所有临近点的距离，并计算距离的平均值和标准差；其次，利用计算的距离的平均值和标准差根据公式d
max
＝d
mean
+n*d
s
定义一个最大距离，式中n表示临近点的个数；最后，将一个点到其所有临近点的距离的平均值与定义的最大值进行比较，如果距离的平均值大于最大距离，则该点就被定义为离群值，并将其从原始点云数据中删除。
33.s2：多源遥感数据配准；经过预处理的点云以栅格格式逐点内插建立dsm，常用的内插方法有邻近距离插值法、三角网插值法、反距离加权差值法等。调整dsm图像像素分辨率大小，使其与航拍图像相一致。
34.s3：数据特征提取；本发明中将正射影像数据反射光谱的归一化差异植被指数
(ndvi)和dsm的局部熵值结合在一起，作为树木提取特征。
35.s4：光照区域和阴影区域分离；基于光照区域和阴影区域分离思想，利用正射影像平均灰度值为亮度值，使用大津阈值法确定亮度阈值来划分正射影像中初始阴影区域和光照区域，再设定面积阈值ta，当某个初始阴影区域的阴影面积大于ta时就识别为最终阴影区域，当该初始阴影区域的阴影面积小于等于ta时就识别为最终光照区域，初始光照区域默认为就是最终光照区域。
36.s5：阈值选取；本发明结合直方图减法思想得到ndvi和dsm局部熵两种特征的特征阈值，通过两种特征阈值提取树木候选区域。其中利用直方图减法思想得到特征阈值的具体步骤包括，首先做出ndvi和dsm局部熵这两种特征的初始直方图，其次针对ndvi特征初始直方图的每个区间，保留dsm局部熵初始直方图中对应区间高于当前ndvi区间值的dsm局部熵部分作为新的dsm局部熵特征直方图，然后利用新的dsm局部熵特征直方图除以dsm局部熵初始直方图得到该特征的保留直方图，最后各区间保留直方图相加得到该特征的减法变换直方图，利用公式th＝(1
‑
c)
×
valley+c
×
peak可以得到dsm局部熵特征的特征阈值，式中valley和peak分别为减法变换直方图波谷和波峰,c为0
‑
1范围内的一个参数，再次针对dsm局部熵初始直方图的每个区间，保留ndvi初始直方图中对应区间高于当前dsm区间值的ndvi部分作为新的ndvi特征直方图，然后利用新的ndvi特征直方图除以ndvi初始直方图得到该特征的保留直方图，最后各区间保留直方图相加得到该特征的减法变换直方图，利用公式th＝(1
‑
c)
×
valley+c
×
peak可以得到ndvi特征的特征阈值。利用得到的ndvi特征阈值和dsm局部熵特征阈值可以对树木候选区域进行提取，首先利用ndvi特征阈值来划分光照区域和阴影区域的植被候选区域和非植被区域，高于阈值的是植被候选区域，低于阈值的为非植被区域；其次通过dsm局部熵特征阈值来对植被候选区域中的树木和草地等植被进行划分，其中低于阈值的为草地，高于特征阈值的为树木候选区域。综上，可以得到我们需要的树木候选区域。
37.s6：形态学优化：为抑制小噪声，利用图像形态学开闭运算，对划分的树木候选区域进行平滑处理，可以有效减少部分奇异点，提高树木区域的提取精度。
38.具体实施时，所选用lidar数据为国际摄影测量和遥感学会(isprs)的vaihingen开放数据集。获取数据时系统参数如下表：
39.数据获取系统参数lidar系统leicaals50飞行高度900m航带重叠率30％航带数10点密度中位值6.7points/m2单行带平均点密度4points/m240.本发明使用用户精度(ua)，包括p
t
和p
b
；生产者精度(pa)，包括u
t
和u
b
；总体精度(oa)和f1分数作为评价指标，来评价树木提取精度。定义如下：
41.[0042][0043][0044][0045][0046][0047]
其中：tp表示目标像素被正确判定为目标的数量，tn表示背景像素被正确判定为背景的数量，fp表示背景像素被误判为目标的数量，fn表示目标像素被误判为背景的数量。
[0048]
将本发明方法在数据集中不同区域进行树木提取，实验结果图如附图所示，其中图4为近红外高光谱正射影像图，图5为树木参考真实区域，图中黑色表示树木，白色表示非树木背景区域。图6为本发明的树木提取区域结果图，图7为评估结果图。评估结果图中，白色区域代表tp区域，即参考结果中的树木被正确识别为树木区域；浅灰区域代表fp区域，即参考结果中的背景区域被错误识别为树木区域；深灰区域代表fn区域，即参考结果中的树木区域被错误识别为背景区域。
[0049]
下表为本发明方法在数据集不同区域实验评估指标结果对比：
[0050]
areap
t
p
b
u
t
u
b
oaf1a0.93410.92910.90320.95220.93120.9184b0.95780.92470.84340.98100.93450.8970c0.92060.94310.85500.97020.93710.8866d0.90930.93590.86270.95880.92770.8854
[0051]
同时为验证本发明方法的有效性，在同一数据集上将本发明方法与其余方法进行了对比，结果如下表，从表中数据可以看出，本发明方法的树木提取精度高，可以达到93.7％，能够很好检测树木区域，且本文方法无需样本训练，算法时间复杂度低。
[0052]
methodsoaf1methodsoaf1xiangda0.8980.908chisheng0.8780.811hsn0.8880.883markus0.8920.823baseline0.9040.893nan0.8630.846c3net0.9130.903qiong0.8910.850marmanis0.9030.896proposed0.9370.901