技术领域
本发明涉及生态环境监测领域,具体涉及一种城市绿地树木识别系统及方法。
背景技术
城市绿地是城市生态系统的重要组成部分,发挥着改善空气质量、缓解热岛效应、调节微气候和水文过程等生态功能,树木作为城市绿地的重要组成部分,其分配、构成是优化城市绿地结构、提升城市绿地生态价值、评价城市绿地生态环境的重要参考依据,因此,设计一种基于高光谱遥感数据的、能够快速有效实现城市绿地树木识别的系统,对于城市绿地的高效管理、城市绿地生态评价具有重要意义。
现行的城市绿地树木识别主要依靠人工实地调查,需消耗大量的人力物力,效率较低且调查范围受限,亟需有效快速方便的方法实现城市绿地树木的精确识别。目前,遥感技术被广泛应用于城市绿地生态监测中,多光谱遥感数据已实现了植被参数、冠层特征等的估算与评价,但在识别方面,因光谱波段的限制,在相似性较高的识别中受到局限,识别精度往往不能达到应用要求。高光谱影像或数据相较于多光谱,具有高光谱分辨率的特点和优势,能够探测不同树木之间细微的光谱差异,从而实现树木的精确识别与分类。在基于高光谱数据基于上,构建树木识别的技术方法并研发实现系统构架,将为城市绿地树木精准识别提供有效途径。
中国专利文献CN 102288954 A记载了一种草地植被覆盖度遥感估测方法,包括野外试验数据采集及处理、MODIS卫星数据的下载和处理、数据分析建模及精度检验等步骤,通过地面高光谱试验建立预测植被覆盖度地面光谱模型和修正MODIS光谱模型,对于正确评价草原真实的生产状况和永续利用草场资源具有意义。但草地的形态固定,类别单一,且该专利仅就草地盖度进行了估测,并不能识别草地类别。城市绿地中树木的种类和结构相比草地植被来说更加复杂,且树木形态相似、颜色相近、种内区别度低,这都将导致树木自动识别存在更大难度。专利文献CN111507191A,记载了一种基于时间序列遥感影像及DTW的宜昌山区树种识别方法,通过分析光谱信息图像构建时间与地表温度的NDVI 时间序列,采用DTW方法得到区分宜昌山区树种的阈值,实现乔木、灌木的分类,但改专利仅实现了乔灌木的区分,对树木树种的识别分类尚未提出有效方法。本发明以城市绿地树木为对象,以高光谱遥感影像为数据基础,充分利用和发挥高光谱数据的优势,构建树种识别技术方法与系统,将在乔灌草的识别基础上,更有效实现树木自动精准识别,对城市绿地的高效管理、城市绿地生态评价具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种城市绿地树木识别系统及方法,以城市绿地高光谱遥感影像为数据支撑,在样本端元提取的基础上,将波谱库端元数据与待识别绿地树木光谱进行匹配,解决了多光谱遥感在树木识别中的应用局限,从而实现城市绿地树木的精确识别,节约了人力物力的同时,实现大范围城市绿地树木的快速识别。
为解决上述技术问题,本发明所采用的技术方案是:
城市绿地树木识别系统,包括高光谱影像采集系统、高光谱基础数据库系统和高光谱树木识别系统,高光谱影像采集系统包括无人机设备、遥感光谱成像仪和图像定位识别信标,高光谱基础数据库系统包括目标树木的高光谱图像库和高光谱波谱库,高光谱树木识别系统接收高光谱影像采集系统和高光谱基础数据库系统的数据输出并进行计算和处理;
上述的高光谱影像采集系统用于采集城市绿地树木冠层光谱信息和图像信息等并进行预处理;
上述的高光谱基础数据库系统用于处理并存储高光谱影像数据、样本数据及其光谱特征、纹理特征、空间特征、端元波谱数据;
上述的高光谱树木识别系统用于对图像特征进行拟合,获得城市绿地树木识别结果图。
上述的无人机设备为遥感光谱成像仪的载具,成像仪对目标区域进行高光谱影像数据采集,图像定位识别信标带有定位信息数据,识别信标上表面带有便于图像识别的图案;高光谱影像采集系统同时对原始高光谱影像进行预处理以供高光谱基础数据库系统和高光谱树木识别系统使用。
上述的高光谱图像库存储由高光谱影像采集系统获取的高光谱影像数据;对高光谱数据进行树木轮廓识别和树木样本选择,对所选样本高光谱影像提取光谱特征、纹理特征、空间特征并保存入库,图像库数据将作为后续树木识别的基础辅助数据;
上述的高光谱波谱库存储样本端元波谱数据,通过对样本数据进行波段选择、端元选取、多维可视化操作,利用波谱提取工具实现样本端元波谱提取,将提取的样本端元进行保存并入库,波谱库数据将作为后续树木识别的基础判别数据。
上述的高光谱树木识别系统在待识别区域高光谱数据中提取绿地范围,利用波谱角分类、波谱特征拟合的方法,调用波谱库中不同树木的端元波谱特征曲线与待识别绿地树木光谱进行匹配,对城市绿地未知树木进行树木计算机自动识别、分类和定位,实现树木识别。
使用上述的城市绿地树木识别系统的识别方法,识别的具体步骤为:
步骤一、在目标区域的定位点处放置图像定位识别信标,高光谱影像采集系统利用无人机设备搭载遥感光谱成像仪对目标区域的绿地树木冠层光谱信息和图像信息进行采集;
步骤二、高光谱影像采集系统对获取的高光谱数据进行预处理操作,包括辐射定标、大气校正、几何校正、镶嵌、拼接、坐标转换;
步骤三、高光谱基础数据库系统对预处理后的高光谱数据进行树木轮廓识别和样本选择,提取光谱特征、纹理特征、空间特征并保存形成图像库;
步骤四、高光谱基础数据库系统对样本数据进行波段选择、端元选取、多维可视化、光谱计算处理,实现样本端元波谱提取,将所选择的样本端元进行保存形成高光谱波谱库;
步骤五、高光谱树木识别系统对预处理后的高光谱数据进行基于NDVI的阈值分割计算,实现绿地区域中植被与非植被区域的识别与分离,仅对植被区域影像进行后续处理;
步骤六、高光谱树木识别系统对绿地区域高光谱数据进行步骤四,实现待识别树木端元波谱的提取;
步骤七、高光谱树木识别系统调用高光谱基础数据库系统中的高光谱波谱库数据,对待识别树木波谱与波谱库数据进行自动匹配分析,并对其进行精度验证,实现树木识别;
步骤八、对步骤七中的识别结果进行栅格转矢量、属性表计算操作,获得最终目标区域的绿地树木识别结果图,并获取绿地树木多样性、树木结构、绿化率、绿地结构数据。
上述的步骤三中基于索贝尔Sobel算子进行树木轮廓识别,具体过程为:
首先,设定Sobel算子,公式为:
其次,利用全色高分辨率影像的像元集合Z与A和B做平面卷积,分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算,公式如下:
最后,计算全色高分辨率影像的每一个像元的横向及纵向灰度大小,公式为:
使用近似值:
|f(G
设置阈值为h,像元值f(G
上述步骤四中波段选择可选用PCA变换或MNF变换。
PCA变换的过程为:
(1)计算协方差矩阵
计算选定树木样本区的高光谱影像数据集的协方差矩阵:A=(S
(2)求出A的特征值λ
A的前m个较大的特征值λ
F
主成分的方差(信息)贡献率用来反映信息量的大小,a
(3)选择主成分
最终要选择几个主成分,即F
当累计贡献率大于85%时,认为能足够反映原来变量的信息,对应的m即为抽取的前m个主成分;
(4)计算主成分载荷
主成分载荷是反映主成分F
(5)计算主成分得分
计算样品在m个主成分上的得分:
F
实际应用时,指标的量纲往往不同,所以在主成分计算之前应先消除量纲的影响。消除数据量纲的常用方法是原始数据标准化,即数据变换:
其中,
MNF变换的过程为:
首先,利用高通滤波器模板对选定树木样本区的高光谱影像数据集进行滤波处理,得到噪声协方差矩阵C
D
式中,D
I=P
式中,I为单位矩阵;P为变换矩阵。当P应用于影像数据X时,通过Y=PX变换,将原始影像投影到新的空间,产生的变换数据中的噪声具有单位方差,且波段间不相关;
其次,对噪声数据进行标准主成分变换,公式如下:
C
式中,C
D
式中,D
上述的端元选取可采用PPI算法,PPI算法的思想是基于凸面几何学理论,凸面几何学理论认为高光谱影像的所有像元在高维光谱特征空间中对应的样本点呈散点图分布,所有样本点包含在一个凸面单形体内部,那些纯净像元(端元) 位于凸面单形体的顶点处。利用端元位于凸面单形体顶点的特性,将所有像元点投影到特征空间中随机生成的直线上,统计像元投影在直线两端的次数作为纯像元指数来表示像元的纯度。通过纯度阈值范围,选择一定数量的像元作为代表点,统计其端元波谱特征;以二维空间为例,图4所示为像元在特征空间中的点云分布,以像元a
上述的维可视化可采用N-D可视化方法,N-D可视化端元提取是将MNF和PPI 的结果结合,用于定位、识别、聚类数据集中最纯的像元,从而获取纯净的端元波谱。
上述步骤五中基于NDVI的阈值分割方法为:计算NDVI:
NDVI=(ρ
式中,ρ
设NDVI影像数据的灰度级为L(G=1,2,3,…,L),处在灰度级i的像元个数用n
直方图归一化后为:
式中,p(i)表示图像中灰度级为i的像元出现的概率。
用T表示阈值,将归一化图像中的像元按灰度级T划分为两类:C
假设两类像元的均值分别为m
w
w
此时方差为:
δ
即:
δ
式中,δ
上述步骤七中,对待识别树木波谱与波谱库数据进行自动匹配分析采用波谱角分类方法,公式为:
式中:α为未知波谱空间向量t与样本波谱空间向量r之间的夹角对比结果, t
本发明提供的一种城市绿地树木识别系统及方法,采用无人机系统搭载高光谱成像仪遥感传感器,可实现大范围高光谱遥感数据的快速获取,城市绿地树木识别系统以高光谱遥感数据为基础数据,采用科学有效的技术方法,如PCA变换 /MNF变换、PPI计算、N-D可视化和端元选取操作,提取样本树木的高光谱数据和纯净端元数据,数据质量优越并建库存储,高质量大数据的获取及积累将在后续树木识别中发挥重要作用,本申请的技术方案充分发挥了高光谱数据的光谱优势,充分利用高光谱数据的精细信息,相对于多光谱遥感数据,使得树木精准识别成为可能,识别精度可达到相关领域应用要求。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明中城市绿地树木识别系统结构框图;
图2为PPI算法中像元在特征空间中的点分布示意图;
图3为本发明中城市绿地树木识别的N-D可视化界面;
图4为本发明中城市绿地树木识别结果示意图。
具体实施方式
如图1中所示,城市绿地树木识别系统,包括高光谱影像采集系统、高光谱基础数据库系统和高光谱树木识别系统,高光谱影像采集系统包括无人机设备、遥感光谱成像仪和图像定位识别信标,高光谱基础数据库系统包括目标树木的高光谱图像库和高光谱波谱库,高光谱树木识别系统接收高光谱影像采集系统和高光谱基础数据库系统的数据输出并进行计算处理;
如图1中所示,上述的高光谱影像采集系统用于采集城市绿地树木冠层光谱信息和图像信息等并进行预处理,主要包括无人机设备和遥感光谱成像仪和图像定位表示信标,无人机设备作为遥感光谱成像仪的载具,对目标区域进行高光谱影像数据采集,图像定位识别信标带有定位信息数据,识别信标上表面的图便于图像识别;
采用系统中的影像处理模块对影像进行拼接、校正、坐标投影变换预处理操作;
如图1中所示,上述的高光谱基础数据库系统用于处理并存储光谱特征、纹理特征、空间特征及端元波谱数据,包括目标树木的高光谱图像库(光谱特征、纹理特征、空间特征)和高光谱波谱库(端元波谱数据);
如图1中所示,高光谱图像库包括光谱特征、纹理特征、空间特征等数据,首先,对高光谱影像采集系统获取的高光谱数据进行树木轮廓识别和样本选择;其次,对所选样本高光谱影像提取光谱特征、纹理特征、空间特征并保存入库;提取的图像库数据将作为后续树木识别的基础辅助数据;
高光谱波谱库用于存储端元波谱曲线数据,首先,对样本数据进行PCA变换 /MNF变换、PPI计算、N-D可视化操作,实现样本端元波谱提取;其次,将所选择的样本端元进行保存并入库;提取的波谱库数据将作为后续树木识别的基础判别数据;
上述的高光谱树木识别系统用于对图像特征进行拟合,获得城市绿地树木识别结果图,主要利用波谱角分类、波谱特征拟合的方法,调用波谱库中不同树木的端元波谱特征与待识别绿地树木光谱进行匹配,对城市绿地待识别树木进行计算机自动识别、分类和定位,实现城市绿地树木识别。
使用上述的城市绿地树木识别系统的识别方法,识别的具体步骤为:
步骤一、在目标区域的定位点处放置图像定位识别信标,高光谱影像采集系统利用无人机设备搭载遥感光谱成像仪对目标区域的绿地树木冠层光谱信息和图像信息进行采集;
步骤二、高光谱影像采集系统对获取的高光谱数据进行拼接、校正、坐标投影变换等预处理操作;
步骤三、高光谱基础数据库系统对高光谱数据进行树木轮廓识别和各树木样本选择,提取光谱特征、纹理特征、空间特征并保存形成高光谱图像库;
步骤四、高光谱基础数据库系统对样本数据进行PCA变换/MNF变换、PPI计算、 N-D可视化操作,实现样本端元波谱提取,将所选择的样本端元进行保存形成高光谱波谱库;
步骤五、高光谱树木识别系统对预处理后的高光谱数据进行基于NDVI的阈值分割计算,实现绿地区域中植被与非植被区域的识别与分离,仅对植被区域影像进行后续处理;
步骤六、高光谱树木识别系统对绿地区域高光谱数据进行PCA变换/MNF变换、 PPI计算、N-D可视化和端元选取,实现待识别树木的波谱提取;
步骤七、高光谱树木识别系统调用高光谱基础数据库系统中的高光谱波谱库数据,对待识别树木波谱与波谱库数据进行自动匹配分析,并采用主次分析方法对其进行精度验证,若精度满足,则实现了树木识别,若精度不满足,则返回步骤六对待识别树木波谱进行重新提取;
步骤八、对步骤七中的识别结果进行栅格转矢量、属性表计算等操作,获得最终目标区域的绿地树木识别结果图,并获取绿地树木多样性、树木结构、绿化率、绿地结构等数据,如图4中所示。
上述的步骤三中树木轮廓识别具体过程为:
首先,设定Sobel算子,公式为:
其次,利用全色高分辨率影像的像元集合Z与A和B做平面卷积,分别实现经横向及纵向边缘检测的图像灰度值Gx和Gy的计算,公式如下:
最后,计算全色高分辨率影像的每一个像元的横向及纵向灰度大小,公式为:
使用近似值:
|f(G
设置阈值为h,像元值f(G
上述步骤四中波段选择可选用PCA变换或MNF变换。
PCA变换的过程为:
(1)计算协方差矩阵
计算选定树木样本区的高光谱影像数据集的协方差矩阵:A=(S
(2)求出A的特征值λ
A的前m个较大的特征值λ
F
主成分的方差(信息)贡献率用来反映信息量的大小,a
(3)选择主成分
最终要选择几个主成分,即F
当累计贡献率大于85%时,认为能足够反映原来变量的信息,对应的m即为抽取的前m个主成分;
(4)计算主成分载荷
主成分载荷是反映主成分F
(5)计算主成分得分
计算样品在m个主成分上的得分:
F
实际应用时,指标的量纲往往不同,所以在主成分计算之前应先消除量纲的影响。消除数据量纲的常用方法是原始数据标准化,即数据变换:
其中,
MNF变换的过程为时:
首先,利用高通滤波器模板对选定树木样本区的高光谱影像数据集进行滤波处理,得到噪声协方差矩阵C
D
式中,D
I=P
式中,I为单位矩阵;P为变换矩阵。当P应用于影像数据X时,通过Y=PX变换,将原始影像投影到新的空间,产生的变换数据中的噪声具有单位方差,且波段间不相关;
其次,对噪声数据进行标准主成分变换,公式如下:
C
式中,C
D
式中,D
如图2中所示,上述的端元选取可采用PPI算法,PPI算法的思想是基于凸面几何学理论,凸面几何学理论认为高光谱影像的所有像元在高维光谱特征空间中对应的样本点呈散点图分布,所有样本点包含在一个凸面单形体内部,那些纯净像元(端元)位于凸面单形体的顶点处。利用端元位于凸面单形体顶点的特性,将所有像元点投影到特征空间中随机生成的直线上,统计像元投影在直线两端的次数作为纯像元指数来表示像元的纯度。通过纯度阈值范围,选择一定数量的像元作为代表点,统计其端元波谱特征;以二维空间为例,图4所示为像元在特征空间中的点云分布,以像元a
如图3中所示,上述的维可视化可采用N-D可视化方法,N-D可视化端元提取是将MNF和PPI的结果结合,用于定位、识别、聚类数据集中最纯的像元,从而获取纯净的端元波谱。
上述步骤五中基于NDVI的阈值分割方法为:
计算NDVI:
NDVI=(ρ
式中,ρ
设NDVI影像数据的灰度级为L(G=1,2,3,…,L),处在灰度级i的像元个数用n
直方图归一化后为:
式中,p(i)表示图像中灰度级为i的像元出现的概率。
用T表示阈值,将归一化图像中的像元按灰度级T划分为两类:C
假设两类像元的均值分别为m
w
w
此时方差为:
δ
即:
δ
式中,δ
本发明实施具有以下有益效果:
1、城市绿地树木识别系统采用无人机系统搭载高光谱成像仪遥感传感器,可实现大范围高光谱遥感数据的快速获取,为大范围树木识别奠定了数据基础,节省了人力物力,提高了树木识别、树木结构评价、绿地生态评价工作效率;
2、城市绿地树木识别系统以高光谱遥感数据为基础数据,采用科学有效的技术方法,如PCA变换/MNF变换、PPI计算、N-D可视化和端元选取等操作,提取样本树木的高光谱数据和纯净端元数据,数据质量优越并建库存储,高质量大数据的获取级积累将在后续树木识别中发挥重要作用;
3、基于高光谱遥感数据城市绿地树木识别系统,充分发挥了高光谱数据的光谱优势,充分利用高光谱数据的精细信息,相对于多光谱遥感数据,使得树木精准识别成为可能,识别精度可达到相关领域应用要求。
机译: 一种通过主要沿树木中作用力的方向作用而在树木变形和根系分离的情况下减少必要的抓握力的方法,以及一种执行该方法的设备
机译: 一种记录介质,其配备有表单识别装置,表单识别系统,表单识别系统程序,表单识别系统控制方法和表单识别系统程序。
机译: 避免树木果实过早损失的方法,该树木包括施加含有环苯胺的组合物,一种延迟苹果成熟的方法。