虚拟冠层光辐射传输仿真系统设计

研究光在虚拟植被冠层中的辐射传输特性,是虚拟植物研究的一个难点和关键点。为了利用计算机仿真虚拟冠层中的光辐射传输过程,面向对象技术设计了一个虚拟冠层光辐射传输仿真系统(VPCRTS),采用基于混合式八叉树空间剖分技术的蒙特卡罗光线跟踪算法对光在植被冠层内的辐射传输过程进行了仿真。VPCRTS以一种可视化的直观方式展现了整个辐射传输过程,可以针对冠层的不同散射模型进行仿真和对比。VPCRTS系统仿真的结果具有一定的物理可靠性,为研究光在植被冠层中的辐射传输特性提供了一有效的工具。

树木的真实感建模与绘制综述

在一些娱乐以及虚拟现实等应用中需要对现实世界进行真实感地建模和绘制,从而提升自然场景的逼真度,使用户具有更佳的沉浸感.然而,由于树木在形态结构上所具有的复杂性和多样性,给真实感建模和绘制树木带来了诸多挑战.文中回顾了过去几十年中,在树木的枝干、树叶以及树皮的真实感建模和绘制方面所取得的主要成果.首先将树木枝干的建模工作分为四大类进行分析和讨论;然后介绍树叶和树皮在精确几何建模及真实感绘制方面的工作;最后总结这些工作各自的特点及主要适用的场合,并进一步探讨了当前存在的问题及今后的研究方向.

基于无人机影像的银杏单木胸径预估方法

胸径是立木测定的基本因子,自动获取胸径数据是准确高效计算森林蓄积量和生物量的关键。以银杏Ginkgobiloba为研究对象,通过无人机获得影像数据,利用运动恢复结构(SFM)方法生成数字表面模型和正射影像图,进而提取单株银杏的树冠面积(Ac),冠幅(Wc)及树高(H)。3个参数分别与胸径(DBH)建立一元回归模型(Ac-DBH,Wc-DBH,H-DBH),二元回归模型(Ac&Wc-DBH,Ac&H-DBH,Wc&H-DBH)和三元回归模型(Ac&Wc&H-DBH)。52组拟合样本的结果显示:Ac&Wc&H-DBH模型的决定系数(R^2)最高为0.8250,均方根误差(ERMS)最小为0.9591。19组检测样本的结果显示:Ac&Wc&H-DBH模型反演的胸径值误差率为4.20%,小于A类森林资源胸径因子允许的误差值(5%)。研究结果表明:通过无人机采集树冠面积、冠幅和树高3个参数,可计算得到较高精度的胸径值。

基于树木整体图像和集成迁移学习的树种识别

为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用AlexNet、VggNet-16、Inception V3及ResNet 50这4种在ImageNet大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——TreesNet,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99.15%,对于树木整体图像识别具有较好的效果。

基于无人机影像与Mask R-CNN的单木树冠检测与分割

对无人机遥感影像中单木树冠进行检测与分割并获取树冠冠幅与树冠面积参数,可以为城市中不同场景下的林业资源调查提供高效快捷的途径。以银杏树为研究对象,创建基于无人机遥感影像的银杏单木树冠数据集,并使用卷积神经网络Mask R-CNN算法结合正射影像图对城市中不同场景下的树冠进行检测和树冠边界勾绘以获取相关树冠参数。结果表明,加入无人机银杏树冠影像数据集训练后的网络模型,可以较好地适用于城市不同场景下的银杏单木树冠检测与分割。在4个测试场景下的86棵银杏单木树冠目标总体查准率达到93.90%,召回率达到89.53%,F1-score为91.66%,平均精度均值为90.86%,且可以提取到较为准确的银杏单木树冠的冠幅值与树冠面积,预测冠幅的平均相对误差与均方根误差分别为7.50%和0.55,预测树冠面积的平均相对误差与均方根误差分别为11.15%和2.48。将无人机影像与深度学习算法结合应用到城市林业资源调查中,可以得到较为准确的树冠检测与轮廓分割结果,有效地提高城市林业资源调查效率。

结合RGB-DSM图像和深度学习的城市樟树树冠检测

当前,结合遥感图像和深度学习进行单木树冠检测已经成为一种趋势。RGB图像是检测中最常用的数据类型,但由于树冠的颜色和纹理一般比较接近,在树冠密度较高的区域,仅使用RGB图像的颜色和纹理信息难以区分不同个体的树冠。对此,本研究在RGB图像的基础上,叠加了高程信息,以提高单木树冠检测的精度。实验采用彩色图像RGB图像和数字表面模型DSM (Digital Surface Model)作为数据源,并分别利用波段组合和双源检测网络模型两种方法结合RGB和DSM进行单木树冠检测。在前一种方法中,对RGB和DSM进行波段组合,生成GBD、RGD和RBD 3类图像,并使用这3类图像分别进行网络的训练和测试。在后一种方法中,将RGB和DSM输入双源检测网络模型,并得到检测结果。本文使用FPN-Faster-R-CNN和Yolov3进行实验,相比于RGB方案(仅使用地物的颜色和纹理信息进行单木树冠检测,是对照方案),FPN-Faster-R-CNN在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了3.36%、2.45%和7.77%,在RGD方案中的平均精度下降了0.17%,Yolov3在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了0.72%、0.14%和5.71%,在RGD方案中的平均精度下降了0.98%。在两个网络下,双源检测网络方案都在各方案中取得了最佳的检测结果。并且相对于RGB方案,双源检测网络方案在平均精度上的提升幅度随着树冠密度的上升呈现出上升的趋势。对比分析实验结果可知,在基于深度学习的城市单木树冠检测任务中,妥善结合并利用地物的颜色、纹理信息和高程信息有利于提高任务性能。

结合多光谱影像降维与深度学习的城市单木树冠检测

多光谱数据的降维处理对基于深度学习的单木树冠检测研究有重要意义,如何使用合适的降维方法以提高单木检测的精度却少有研究讨论。本文使用无人机搭载多光谱相机进行航拍作业,采集研究区内银杏树种多光谱影像。将原始多光谱影像通过特征波段选择、特征提取、波段组合的方法生成5种不同的数据集用于训练3种经典的深度学习网络FPN-Faster-R-CNN,YOLOv3,Faster R-CNN。其中由波段组合方法得到的近红外、红色、绿色波段组合在不同类型的目标检测网络中都有最好的检测结果,其中FPN-Faster-R-CNN网络对银杏树冠的检测精度最高为88.4%,由OIF指标得到的蓝色、红色、近红外波段组合信息量最高,但在所有网络中的平均检测精度最低,仅为79.3%。实验结果表明:在不同波段降维方法中,若降维后的影像中目标物体的色彩与背景差异较明显,且轮廓清晰,则深度学习网络对树冠的检测可获得较好的结果。而影像自身的信息量则对深度学习网络的树冠检测能力的提升作用有限。本研究中针对多光谱影像的降维方法分析,为基于深度学习的单木树冠检测研究提供了重要的实验参考。

基于无人机多光谱影像和OPT-MPP算法的水质参数反演

无人机多光谱遥感可用于监测多个水质参数,如悬浮物、浊度、总磷和叶绿素等,建立稳定和准确的水质参数反演模型是开展这一工作的前提.matching pixel-by-pixel(MPP)算法是一种针对无人机影像高分辨率特点的反演算法,但其存在运算量过大和过拟合的问题,基于此,提出optimize-MPP(OPT-MPP)算法,以克服运算量过大和过拟合的问题.本研究以浙江省杭州市青山湖作为研究区域,采集45个样本,分别构建悬浮物浓度(SS)与浊度(TU)的OPT-MPP算法反演模型.结果表明,最佳悬浮物反演模型的决定系数R^2达到0.7870,综合误差为0.1308;最佳浊度反演模型的决定系数R^2达到0.8043,综合误差为0.1503.最后利用分别建立的两个参数的最优模型,实现青山湖各实验区域的水质参数空间分布信息的反演.

改进残差网络的遥感图像场景分类

针对因常规残差网络(ResNet)结构缺少跨维度特征整合而导致遥感图像场景分类准确率不高的问题,该文提出了一种改进残差网络的遥感图像场景分类方法。首先,利用残差结构降低深层网络的复杂度,减少参数量,解决网络退化的问题;然后,采用1×1的卷积结构降低特征维度,增加网络的宽度,整合遥感图像的空间信息和纹理特征。在NWPU-RESISC45数据集上进行实验,准确率达到了93.63%,较集成卷积神经网络方法的分类精度提高了1.1%,体现了改进的残差网络在遥感图像场景分类中的有效性和可行性。