一种人工苗木林缺苗信息获取方法

技术领域

本发明涉及苗木缺苗信息获取技术领域，特别涉及一种人工苗木林缺苗信息获取方法。

背景技术

人工林苗木抚育期间，相比根据树木的地理坐标去找到树木所在位置，林业工作者更习惯于根据苗木所在行确定苗木位置，进行苗木补植。

桉树具有干直、速生、耐旱、丰产、适应性强特点，是纸浆的重要来源，得到广泛种植，面积已达450万公顷。实现桉树精细化管理，做到快速精准补植、减少资源浪费、提高产量的前提是快速准确进行桉树缺苗数量及位置的识别。传统获取桉树林缺苗信息是通过田间走访形式，费时费力。

随着技术的发展，无人机遥感近年来发展迅速得益于它成本低、数据获取实时性强，操作简单和高地面分辨率的特点。无人机遥感结合数字图像处理技术已经在林业单木识别和森林结构信息提取中展现了巨大优势，被越来越多的应用在苗木缺苗信息的获取中。

但是，桉树普遍存在一个树桩生长有多株树木的情况，树冠普遍存在交叉重叠现象，不适合采用分割提取树冠的方式提取获得株数信息从而间接获得缺苗数量，此外相比根据苗木的地理坐标找到树木的位置，农民们更习惯于按行查找苗木位置。

如何利用现代化的方式，对桉树缺苗信息进行获取，对保证桉树林生长质量，提高农民收入意义重大。

发明内容

(一)要解决的技术问题

本发明可以解决现有的苗木缺苗统计一般采用人工统计的方式进行，费时费力，且对单个树桩生长有多株树木类的苗木，无人机遥感难以进行统计的难题。

(二)技术方案

为了实现上述目的，本发明采用以下技术方案，一种人工苗木林缺苗信息获取方法，具体包括以下步骤：

S1：获取苗木的正射影像，对影像进行处理获得树冠二值化影像；

S2：利用网格算法计算苗木行倾斜角度，并根据倾斜角度的计算结果，顺时针旋转树冠二值化影像，使苗木行处于水平位置；

S3：采用中心线法计算每行缺苗数量与每行缺苗位置，获得每行缺苗数据；

S4：汇总每行缺苗数据，即获得整体缺苗数量与整体缺苗位置数据。

作为本发明的一种优选技术方案，所述S1中，获得树冠二值化影像的具体步骤为：

S101：采用无人机获取人工林场幼龄林的若干相邻可见光影像；

S102：将若干相邻可见光影像拼接生成正射影像，正射影像的地面分辨率为0.5cm-1.5cm；

S103：对原始正射图像进行去噪和图像特征分析处理；

S104：构建三层神经网络，将正射影像分为树冠、杂草、阴影、裸地和其他五个类别，经BP神经网络分类后提取出树冠，得到树冠图像；

S105：对树冠图像进行二值化处理，再经删除小面区域及空洞填充处理得到树冠二值化影像。

作为本发明的一种优选技术方案，所述S102中，将若干相邻可见光影像拼接生成正射影像，采用的工具为Pix4Dmapper软件；所述S103中，对原始正射图像进行去噪和图像特征分析处理，采用的工具为ENVI软件；所述S104中，构建三层神经网络，采用的工具为ENVI软件自带的NeuralNetClassification；所述S105中，对树冠图像进行二值化处理，采用的工具为MATLAB软件。

作为本发明的一种优选技术方案，所述S2中，计算苗木行倾斜角度的具体步骤为：

S201：在树冠二值化影像中，设想区域内有一组相互平行的水平网格，网格数记为Num；

S202：记每行网格内树冠像元个数为Ni，每行网格树冠像元平均数为N，并对树冠像元样本进行方差计算，衡量树冠像元分布均匀的程度，计算表达式为：

S203：在0°-180°内，将树冠二值化影像顺时针旋转某一个角度θ；

S204：统计树冠二值化影像中树冠像元最大X坐标，记为Xmax，最小X坐标，记为Xmin，将区间Xmin，Xmax划分成间隔为L的水平网格，区间个数为[Xmin，Xmin+L)，[Xmin+L，Xmin+2L)…[Xmin+(Num-1)*L，Xmax]；

S205：统计树冠像元落入S204中各个水平网格内的数量Ni，计算样本方差S

S206：重复步骤S203-S205直到树冠二值化影像旋转完180°，得到树冠二值化影像在不同方向时的树冠像元分布样本方差S

作为本发明的一种优选技术方案，所述步骤S201-S206中，计算过程中将每个树冠像元个数权重取为0.01。

作为本发明的一种优选技术方案，所述步骤S204中，网格间隔L取值为小于1倍行间空隙宽度。

作为本发明的一种优选技术方案，所述步骤S3中，获得每行缺苗数据的具体步骤为：

S301：在苗木行都处于水平状态下，将每个树冠像元投影到X轴上；

S302：利用K-means聚类得到每簇投影点在X轴上的各自中心点；

S303：在各中心点处画出水平的平行中心线；

S304：在平行中心线上查找每行缺苗位置和每行缺苗数量。

作为本发明的一种优选技术方案，所述S302中，K-means聚类的聚类数为苗木行总行数。

作为本发明的一种优选技术方案，所述步骤S304中，在平行中心线上查找每行缺苗位置和每行缺苗数量的具体步骤为：

S3041：从第一行树左端开始查找每列像元中距离该行树中心轴两侧小于D的像元中属于非植被像元的数量，如都不是植被像元，则认为该行在该处没有植被，否则认为是有植被的，并在非植被像元连续长度S达到某一阈值S0时判定该处位置缺苗；

S3042：阈值S0的取值按以下公式计算：

S

②式中R为树木株距，d为树冠直径；

S3043：计算每行连续非树冠像元的总长度ST，按如下公式即可得到每行缺苗数量：

③式中，R为树木株距。

(三)有益效果

1.本发明提供的人工苗木林缺苗信息获取方法，采用网格-方差法可以正确计算出苗木行倾斜角度，从而可以将苗木行倾斜的影像旋转到苗木行水平位置，方便林业工作者以行位置去查找树木，进而方便进行补苗，保证桉树林生长质量，提高农民收入。

2.本发明提供的人工苗木林缺苗信息获取方法，采用中心线法探测缺苗位置及数量，缺苗探测率在90％以上，达到良好的探测效果。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明的流程示意图；

图2是本发明的正射影像及测试区位置示意图；

图3是本发明的树冠二值化影像示意图；

图4是本发明的原始树冠影像网格化像元分布示意图；

图5是本发明的旋转倾斜角度后树冠像元分布示意图；

图6是本发明的苗木行倾斜角为90°时L取0.3倍行间空隙宽度时方差示意图；

图7是本发明的苗木行倾斜角为90°时L取0.6倍行间空隙宽度时方差示意图；

图8是本发明的苗木行倾斜角为90°时L取1倍行间空隙宽度时方差示意图；

图9是本发明的苗木行倾斜角为90°时L取1.3倍行间空隙宽度时方差示意图；

图10是本发明的苗木行倾斜角为90°时L取1.6倍行间空隙宽度时方差示意图；

图11是本发明的苗木行倾斜角为90°时L取2倍行间空隙宽度时方差示意图；

图12是本发明的对测试区一L取0.6倍行间空隙宽度时方差示意图；

图13是本发明的苗木行中心线位置示意图；

图14是本发明缺苗位置查找示意图；

图15是本发明的阈值S0的取值差示意图；

图16是本发明的第一个测试矩形区缺苗位置示意图；

图17是本发明的第二个测试矩形区缺苗位置示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“纵向”、“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例1

如图1至图16所示，一种人工苗木林缺苗信息获取方法，具体包括以下步骤：

S1：获取苗木的正射影像，对影像进行处理获得树冠二值化影像；

S2：利用网格算法计算苗木行倾斜角度，并根据倾斜角度的计算结果，顺时针旋转树冠二值化影像，使苗木行处于水平位置；

S3：采用中心线法计算每行缺苗数量与每行缺苗位置，获得每行缺苗数据；

S4：汇总每行缺苗数据，即获得整体缺苗数量与整体缺苗位置数据。

具体地，所述S1中，获得树冠二值化影像的具体步骤为：

S101：采用无人机获取人工林场幼龄林的若干相邻可见光影像；

S102：采用Pix4Dmapper软件，将若干相邻可见光影像拼接生成正射影像，正射影像的地面分辨率为0.5cm-1.5cm，并在正射影响中；

S103：采用ENVI软件，对原始正射图像进行去噪和图像特征分析处理；

S104：采用ENVI软件自带的NeuralNetClassification，构建三层神经网络，将正射影像分为树冠、杂草、阴影、裸地和其他五个类别，经BP神经网络分类后提取出树冠，得到树冠图像；

S105：对树冠图像进行二值化处理，再经删除小面区域及空洞填充处理得到树冠二值化影像。

需要说明的是，在本实施例中，选用轻型无人机大疆精灵4获取了某人工林场幼龄林的高分辨率可见光影像，该无人机搭载的可见光相机像素2000万，等效焦距24mm，拍摄航向重叠度80％，旁向重叠度75％，拍摄地地势平坦，拍摄高度100m，照片分辨率5472*3648。

具体地，所述S2中，计算苗木行倾斜角度的具体步骤为：

S201：在树冠二值化影像中，设想区域内有一组相互平行的水平网格，网格数记为Num；

S202：记每行网格内树冠像元个数为Ni，每行网格树冠像元平均数为N，并对树冠像元样本进行方差计算，衡量树冠像元分布均匀的程度，计算表达式为：

S203：在0°-180°内，将树冠二值化影像顺时针旋转某一个角度θ；

S204：统计树冠二值化影像中树冠像元最大X坐标，记为Xmax，最小X坐标，记为Xmin，将区间Xmin，Xmax划分成间隔为L的水平网格，区间个数为[Xmin，Xmin+L)，[Xmin+L，Xmin+2L)…[Xmin+(Num-1)*L，Xmax]；

S205：统计树冠像元落入S204中各个水平网格内的数量Ni，计算样本方差S

S206：重复步骤S203-S205直到树冠二值化影像旋转完180°，得到树冠二值化影像在不同方向时的树冠像元分布样本方差S

请参阅图2和图12，本实施例中，选择两个矩形区域作为测试区进行研究，在该矩形区域内考虑到树木是成行分布而不是在整个矩形区域中均匀分布，设想区域内有一组相互平行的水平网格，当影像旋转至不同方向时，树冠像元在网格内会呈现不同的分布状态，当影像中苗木行的方向与网格线平行时，则会出现部分网格内树冠像元很多，而部分网格内很少有甚至没有树冠像元的极端情况，即整个影像树冠像元在网格内的分布是极不均匀的，基于水平网格内树冠像元的分布分析，我们可以利用各个网格内树冠像元个数(记每行网格内树冠像元个数为Ni，每行网格树冠像元平均数为N)所组成的序列的样本方差，来衡量树冠像元分布是否均匀的程度。

由上述计算内容可知，水平网格的间隔大小L会影响本方法的有效性，间隔大小与行间空隙宽度相关(行间空隙宽度对应的像元数可以根据像元空间分辨率与行间空隙实际宽度的大小确定)，因此为了探究L取多大值合适，本申请对具有不同苗木行倾斜角度的树冠图像做了测试，对各影像L分别采用0.3倍行间空隙宽度、0.6倍行间空隙宽度、1倍行间空隙宽度、1.3倍行间空隙宽度、1.6倍行间空隙宽度及2倍行间空隙宽度时，分别计算0°-180°范围内不同旋转角度对应的样本方差S2，为使样本方差数值不至于过大，计算过程中将每个树冠像元个数权重取为0.01，根据实验结果，为使方差图在苗木行倾斜角度位置取得最大值，一般网格间隔L取值应为小于1倍行间空隙宽度。

具体地，所述步骤S3中，获得每行缺苗数据的具体步骤为：

S301：在苗木行都处于水平状态下，将每个树冠像元投影到X轴上；

S302：利用K-means聚类得到每簇投影点在X轴上的各自中心点；

S303：在各中心点处画出水平的平行中心线；

S304：在平行中心线上查找每行缺苗位置和每行缺苗数量。

具体地，所述S302中，K-means聚类的聚类数为苗木行总行数。

具体地，所述步骤S304中，在平行中心线上查找每行缺苗位置和每行缺苗数量的具体步骤为：

S3041：从第一行树左端开始查找每列像元中距离该行树中心轴两侧小于D的像元中属于非植被像元的数量，如都不是植被像元，则认为该行在该处没有植被，否则认为是有植被的，并在非植被像元连续长度S达到某一阈值S0时判定该处位置缺苗；

S3042：阈值S0的取值按以下公式计算：

S

②式中R为树木株距，d为树冠直径；

S3043：计算每行连续非树冠像元的总长度ST，按如下公式即可得到每行缺苗数量：

③式中，R为树木株距。

请参阅图13和图17，需要说明的是，在本实施例中，对两个矩形测试区域进行上述的运算，获取的信息如下表所述：

(1)测试区一每行树缺苗数量

(2)测试区二每行树缺苗数量

综上结果，总体缺苗数目检出率均大于90％

综上，本申请提出的网格-方差法可以正确计算出苗木行倾斜角度，从而可以将苗木行倾斜的影像旋转到苗木行水平位置，方便林业工作者以行位置去查找树木。网格-方差法计算行树倾斜角度直接受网格间距大小的影响。通过本文试验测试可知使用网格-方差法时网格大小宜取小于1倍行间空隙宽度，以期可以到较明显的样本方差峰值。另外，需要指出的是网格-方差法仅适合于树木成直线且平行排列的情况。

最后，应当说明的是，在行树旋转至水平状态下，本申请提出的中心线法可以正确探测到每行缺苗位置及数量。缺苗探测率在90％以上。探测结果依赖于区分树冠与背景的准确性，在本申请选取的桉树萌芽林研究区中，个别缺苗区未探测出是因为该处有草生长，且该草和树冠光谱特征极其相似，导致图像分类时被误判为树冠。因此在后期的研究中需要深入研究区分树冠与其他植被的方法以便更好的提取出树冠从而探测出更准确的缺苗区。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。