基于无人机立体影像数据的森林结构参数调查研究
发布时间：2020-11-02 22:42
森林是陆地生态系统的主体,也是人类赖以生存的重要自然资源之一。森林空间结构信息在森林生态研究、资源监测等方面具有重要作用。传统的森林调查通过人工每木检尺来实现,劳动强度大、效率低。近几年无人机飞行平台快速发展,无人机遥感凭借着作业方式灵活、数据获取成本低的优势,正在引起不同行业部门的广泛关注。特别是基于计算机视觉技术的无人机影像处理技术不断成熟,为基于无人机影像的森林遥感研究提供了新的发展契机。本文主要研究了无人机立体影像数据在森林结构参数调查中的方法与技术,主要有四个方面的工作:(1)无人机立体影像数据获取与处理。使用无人机获取的内蒙古大兴安岭林区的森林影像数据,利用计算机视觉数据处理软件(Agisoft PhotoScan)对无人机影像进行处理,得到影像点云、数字正射影像(Digital Orthophoto Map,DOM)、数字表面模型(Digital Surface Model,DSM);通过对影像点云进行滤波处理,将点云分为地面点和非地面点,利用地面点生成数字高程模型(Digital Elevation Model,DEM),进而利用数字表面模型和数字高程模型获得冠层高度模型(Canopy Height Model,CHM)数据。(2)借鉴LiDAR点云数据的单木识别算法,针对目前单木识别研究中存在的单木错识别的现象,设计了一种基于无人机影像点云和“单木树冠结构分析”的单木识别算法。该算法通过对识别的单木树冠的垂直结构的分析,剔除掉伪单木,从而提高单木识别的准确率。(3)现有单木识别算法在密集林区存在较严重的单木漏识别的问题,我们利用数学形态学方法,提出了一种基于无人机正射影像(DOM)和数字表面模型(DSM)数据的单木识别算法研究。该算法综合运用DOM和DSM的光谱和几何信息进行单木树冠区域的提取,针对密集林区单木树冠交错重叠的问题,通过数学形态学腐蚀与膨胀操作以及连通区标记的方法,实现树冠相连单木的分离与识别,获得了准确的单木树冠中心,减少了单木的漏识别率。(4)单木结构参数(树高与树冠面积)的提取与单木胸径、生物量的反演。根据前面所识别单木的位置,利用冠层高度模型获取单木树高;而单木冠幅的获取是使用标记分水岭分割,将识别的单木位置作为标记,然后采用分水岭分割的方法,获得单木树冠的轮廓与面积。单木胸径是获得单木生物量的重要参数,由于遥感无法直接提取单木胸径,我们利用提取的单木树高与冠幅,通过建立胸径反演模型,获得单木胸径,然后通过生物量异速生长方程计算单木生物量,最终实现样地总生物量的反演。
【学位单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位年份】：2017
【中图分类】：S771.8
【部分图文】：
图 2-1 研究区地理位置究数据的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相实测数据。人机影像数据获取及其预处理机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像9089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人，可以看到影像清晰、纹理信息丰富。(a)(b)
图 2-1 研究区地理位置究数据文的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相应地实测数据。无人机影像数据获取及其预处理人机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大无人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像元.89089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像地为 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人机像，可以看到影像清晰、纹理信息丰富。(b)
图 2-1 研究区地理位置究数据文的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相应地实测数据。无人机影像数据获取及其预处理人机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大无人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像元.89089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像地为 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人机像，可以看到影像清晰、纹理信息丰富。(b)
【相似文献】
本文编号：2867682
【学位单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位年份】：2017
【中图分类】：S771.8
【部分图文】：
图 2-1 研究区地理位置究数据的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相实测数据。人机影像数据获取及其预处理机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像9089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人，可以看到影像清晰、纹理信息丰富。(a)(b)
图 2-1 研究区地理位置究数据文的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相应地实测数据。无人机影像数据获取及其预处理人机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大无人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像元.89089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像地为 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人机像，可以看到影像清晰、纹理信息丰富。(b)
图 2-1 研究区地理位置究数据文的研究数据包括获取的研究区的无人机普通 RGB 影像数据以及相应地实测数据。无人机影像数据获取及其预处理人机影像的获取时间为 2015 年 8 月 4 日到 2015 年 8 月 24 日，采用大无人机（图 2-2），搭载 Sony NEX-5T 相机，焦距为 16mm，CCD 像元.89089 4.89089um，行列数为 4912 3264，飞行高度为 300m，影像地为 8.6cm， 航向重叠度是 90%， 旁向重叠度为 60%，图 2-3 为无人机像，可以看到影像清晰、纹理信息丰富。(b)
【相似文献】
相关博士学位论文 前4条
1 刘笃晋;面向植被识别的无人机图像处理关键技术研究[D];成都理工大学;2016年
2 贾树葱;智能交通网络中资源竞争与合作机制研究[D];北京邮电大学;2017年
3 穆悦;戈壁表面多尺度砾石特征参数估算及其空间分布规律研究[D];中国林业科学研究院;2017年
4 袁建清;基于多尺度遥感的寒地水稻稻瘟病信息提取与识别研究[D];东北农业大学;2017年
相关硕士学位论文 前10条
1 刘见礼;基于无人机立体影像数据的森林结构参数调查研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年
2 李洪向;基于无人车和无人机协作的动态降落研究[D];哈尔滨工业大学;2017年
3 雷雨默;多旋翼无人机堆状体航空摄影测量[D];西安科技大学;2017年
4 魏江鹏;小型多功能无人机设计优化与控制[D];长安大学;2017年
5 郭倩倩;无人机天线自动跟踪系统的设计[D];杭州电子科技大学;2017年
6 莫德强;基于无人机平台的道路车辆违章超速行为检测算法研究[D];哈尔滨工业大学;2017年
7 张蕾;高压输电线路行波法故障测距及无人机清障装置研究[D];郑州大学;2017年
8 毕庆生;基于Onboard SDK的无人机自主飞行控制技术研究[D];西安石油大学;2017年
9 沈阳阳;基于ARM的四旋翼无人机自动驾驶系统的研究[D];长春理工大学;2017年
10 高想卓;降低无人机影像数据冗余度方法的研究[D];西安科技大学;2017年
本文编号：2867682
本文链接：https://www.wllwen.com/nykjlw/lylw/2867682.html
