基于无人机图像分形特征的油松受灾级别判定

利用无人机采集油松样地图像,提取图像中的单株样本树图像,计算单株样本树图像的多个纹理特征值,对纹理特征值进行灾害分级,与地面基于失叶率调查的灾害分级进行比对,探索能准确描述油松受灾情况的无人机图像纹理特征。实验结果表明,受灾油松图像的三种分形特征,即分形维数、缝隙量及维数升降因子能较好地反映油松的失叶率状况,可作为油松受灾级别的图像判定特征,同时上述分形特征也适用于整块油松样地的受灾级别判定。

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。