文章信息
- 林志玮, 丁启禄, 涂伟豪, 林金石, 刘金福, 黄炎和
- LIN Zhiwei, DING Qilu, TU Weihao, LIN Jinshi, LIU Jinfu, HUANG Yanhe
- 基于多元HoG及无人机航拍图像的植被类型识别
- Vegetation type recognition based on multivariate HoG and aerial image captured by UAV
- 森林与环境学报,2018, 38(4): 444-450.
- Journal of Forest and Environment,2018, 38(4): 444-450.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2018.04.010
-
文章历史
- 收稿日期: 2018-02-25
- 修回日期: 2018-04-27
2. 福建农林大学林学院, 福建 福州 350002;
3. 福建农林大学资源与环境学院, 福建 福州 350002;
4. 福建省高校生态与资源统计重点实验室, 福建 福州 350002
2. College of Forestry, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China;
3. College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China;
4. Key Laboratory for Ecology and Resource Statistics of Fujian Province, Fuzhou, Fujian 350002, China
森林作为陆地生态系统的主体,具有丰富的物种,是许多生物的栖息地。森林是由大量不同或相同的植被所组成,大量研究表明森林植被分布信息为森林相关的研究提供了基本的决策信息,如森林多样性保护和监控[1-3],森林外来物种入侵的监控[4],可持续经验森林资源[5-6]等。森林的变化,如覆盖面积、植被数量、动物及微生物数量等,将对环境及生物生存产生巨大的影响。森林植被分布信息虽能有效监控和保护森林质量,但获得森林的植被分布信息非常困难,故提出一种操作方便、识别度较高的植被识别方式对森林的保护和监控具有重要意义。
当前,森林植被信息的获取方式主要通过人工识别法,即对森林进行实地考察,记录考察地点植被的分布信息。此方法主要存在两点不足,一是耗费大量人力和时间;二是不适用大面积森林植被分布信息获取。近年来,随着遥感技术的发展,研究者可利用遥感影像获得丰富的光谱信息,提取区域内植被的分布信息[7-9]。基于遥感影像分类,利用地物在遥感影像中的光谱信息特征,采用机器学习分类器,如BP神经网络、支持向量机等,建立的植被分类模型具有植被类型相对较少、精度相对较高的特点。ADELABU et al[10]采用支持向量机和随机森林分类算法对5种植被类型进行分类,最高精度达88.75%。ZHANG et al[11]结合树种遥感影像信息与地理经度信息,采用决策树算法对6种树种进行分类,最高精度达86%。刘怀鹏等[12]基于WorldView-2影像数据,采用支持向量机分类算法,对呼和浩特市主城区6种树种进行识别,最高精度达86.39%。利用遥感影像对树种识别,能获取较高的分类精度和解决人工调查费时费力的问题,但由于遥感影像存在同谱异物和同物异谱的现象,对于光谱接近的树种识别较为困难[13]。高光谱传感器能获取的波段更多、更精细,采用适当的分类算法,可较精确提取出森林中植被的分布信息[14-15]。FUNG et al[16]利用高光谱影像,采用神经网络算法,对25种树种进行识别,最高正确率达85%;刘丽娟等[17]将机载LiDAR与高光谱数据融合,采用支持向量机分类算法对5种温带森林树种进行分类,最高精度达83.88%。
采用高光谱进行森林植被识别可识别出光谱特性接近的植被,但高光谱和多光谱设备价格过于昂贵,应用于森林保护和监测的成本过高,在经费有限的条件下,较难推广使用。随着无人机航拍技术的兴起,其逐渐被应用于各个领域,如森林病虫害监测[18]、灾害应急救援[19]和农情监控[20]等。与光谱设备相比,光学相机仅获取树种红、绿、蓝3个波段信息,获取植被的信息较少,识别植被较为困难,但价格仅是光谱设备的几十分之一。目前,基于光学影像对植被类型进行识别的研究主要采用植被的局部图像,如树叶[21-23]、树干[24-25]等植被局部影像,这类方法虽能得到较高的分类精度,但难应用于大面积森林植被识别。故本文以光学相机代替光谱相机,结合无人机进行低空拍摄取样,并基于获取的光学图像,通过Gabor过滤器取得不同波长及角度的植被纹理资讯,使用方向梯度直方图等手段对植被纹理特征进行有效编码,采用随机森林算法建立植被识别模型,为植被识别提出一种新的识别手段。
1 研究地区与数据研究区选择福建省安溪县和长汀县,其中安溪县东经117°36′~118°17′,北纬24°50′~25°26′,地形以丘陵山地为主,土壤以红壤、黄壤和砖红壤性红壤为主;长汀县北纬25°18′~26°02′,东经116°00′~116°39′,地形以低山丘陵为主,土壤以红壤和黄壤为主。安溪县与长汀县由于自然因素和人为活动影响,地带性植被已被破坏,崩岗侵蚀现象严重。植被建设是有效防止与治理水土流失的有效手段之一[26],探讨该区植被类型、植被覆盖度以及植被生长状况,有助于分析土壤侵蚀区的植被恢复与演替规律,为土壤侵蚀治理提供依据。通过无人机载光学相机,对安溪县和长汀县山区进行巡航拍摄,获取其山体植被影像数据,其中航拍面积分别为2.95和3.09 hm2,采用的无人机型号为大疆inspire 1 raw,具体参数为:型号T600、四轴飞行器、旋转角速度俯仰轴300°·s-1以及航向轴150°·s-1;光学相机型号为zenmuseX5R,1 600万像素,照片分辨率为4 608×3 456。为了研究航拍高度对树种识别的影响,以无人机距地面起飞点垂直距离为高度测量标准,采样高度设置为20、30、40和50 m,对同一个地区分别拍摄不同高度的航拍影像,其单张航拍影像空间分辨率分别为0.49、0.94、1.50和1.86 cm2。由于原航拍影像分辨率较大,造成模型计算复杂度增高,故本文对航拍影像进行等比例放缩,采用1 152×648的航拍影像图。
无人机采用巡航方式进行航拍,每个取样点拍摄单张影像,不同取样点的航拍影像之间存在重叠,数据存在冗余,故剔除重叠率超过50%的影像。本研究使用单张航拍影像所建构的数据集进行训练与测试,未对其拼接,并对获取的图像进行人工标识,获得分类标签。航拍所获取的图像中,一张图像可能包含多种植被类别的树冠信息,且考虑到树冠人工识别的准确性对模型分类结果影响较大,故对图片中不同树种填涂不同的颜色。同时考虑到植物的生活型构成对提高植被的多样性、改善水土保持效果具有重要作用[27],故基于研究地区的物种的分布特征,根据《中国植被》[28]所提出的植被生活型划分为5种植被类型,即乔木、草本、灌木、藤本、禾本类草本。此外,由于植被枯萎与植被正常状态表现出较为明显的差异,与正常植被统一归类将增加对模型分类的难度,故将枯萎植物作为单独一类,共6种植被类型。根据无人机航拍光学图像绘制人工标注的植被分类标签图,并以宽、高像素的窗口作为一个单元格绘制单元格分类标签图(图 1)。图 1(b)中不同的植被采用不同的颜色区分,黄色表示不同植被间的边界,黑色为背景,其他颜色为植被。图 1(c)为以宽、高像素分别为16、12像素为例,由于采用像素区域的概念分类,故图 1(c)相对于图 1(b)存在较为明显的菱角,但其轮廓与图 1(b)基本保持一致,不影响识别的结果。
2 研究方法本文利用无人机载光学相机采集植被彩色影像,结合图像处理技术,运用机器学习算法对植被种类进行识别。主要流程为:(1)对植被彩色图像进行图像灰度化,HSV和Lab颜色空间转换处理;(2)对植被灰度化图像提取图像纹理(Gabor)特征;(3)对Gabor特征图,HSV和Lab颜色空间转换图进行方向梯度直方图(histogram of gradient,HoG)特征编码,形成多元HoG特征向量;(4)基于提取的多元特征向量,采用随机森林机器学习算法建构识别模型,进行植被分类。
2.1 图像颜色空间转换颜色空间是指颜色信息的描述方式,一般采用多维强度值来表示[29]。RGB颜色空间是以Red(红色)、Green(绿色)以及Blue(蓝色)3个通道构成,是目前运用最广的颜色系统之一,其他颜色空间均可通过RGB颜色空间转换而得,但其3个颜色通道具有较高的相关性,即某通道发生一定程度变换,该3个通道所形成的颜色将对应产生颜色的反应,对于通道的变化过于敏感。因此,本研究使用HSV颜色空间来描述植被特征[30]。除了使用HSV色彩空间,本研究进一步考虑Lab颜色空间。Lab颜色空间[31]是由CIE(国际照明委员会)制定的一种色彩模式,颜色空间大于RGB,其中L为亮度;a为正数代表红色,负数则代表绿色;b为正数代表黄色,负数则代表蓝色,具有颜色均匀性的优点。
2.2 纹理特征提取本研究采用无人机载光学相机进行研究区域航拍,航拍影像为俯视图,得到植被的树冠信息。树冠包含丰富的轮廓信息,针对这一特性,选择对图像进行纹理特征提取。图像的纹理特征是指图像中不连续灰度值的像素点集合,通过图像纹理特征可刻画出图像中物体的轮廓。Gabor过滤器是一个线性的滤波器,由于其可视为抽取空间局部的频域特征,故常用于图像纹理特征的提取。Gabor过滤器是由一个三角函数和高斯函数组合得到,其二维函数表达式如式(1):
$ g\left( {x,y;\;\lambda ,\theta ,\psi ,\sigma ,\gamma } \right) = \exp (\frac{{ - {{x'}^2} + {\gamma ^2}{{y'}^2}}}{{2{\sigma ^2}}})\exp [i(2\pi \frac{{x{\prime ^2}}}{\lambda } + \psi )] $ | (1) |
式中:x′=xcosθ+ysinθ;y′=-xsinθ+ycosθ,x,y为图片像素的水平及垂直位置;λ为Gabor函数的波长;θ为Gabor过滤器中平行条带的方向,其取值范围为0°~360°;ψ为相位偏移,其取值范围为-180°~180°;σ为Gabor函数中高斯函数的标准差,其值不能直接指定,须由带宽和波长计算而得;γ为空间纵横比,为设定Gabor过滤器的椭圆程度。首先,将彩色图片转为灰度图;其次,确定Gabor过滤器的函数波长以及特征方向;最后,采用的Gabor二维函数对图片进行过滤得到图像的纹理特征。在纹理提取阶段,取5组波长和10组特征方向,组成50组不同的Gabor过滤器。
2.3 局部特征编码树冠包含丰富的纹理信息,但在航拍图像中,不同植被间树冠存在交叉现象,以像素为分类单位将不能在航拍图像中有效的区分植被类别,故采用像素分块,即单元格的概念对植被进行分类。其优势主要有两点,一是相对于考虑单位像素信息,分块的概念考虑了小区域内全部像素的信息,获得的信息更加全面,更有助于分类;二是树冠本身的特点就是成片存在的,故以分块概率分类更符合树冠的生态属性。
梯度方向直方图特征检测算法[32]的主要思想是透过梯度或边缘的方向密度分布来描述图片中局部目标的纹理和形状特征,是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符。由于其提取到的特征具有较强的稳健性,故常被用于图像局部特征的提取。传统的梯度方向直方图特征检测算法主要步骤具体如下:(1)彩色图的灰度化;(2)计算图像每个像素梯度的方向与大小;(3)将图像像素进行分块,分为N个W×H的单元格(cell),然后对区域内所有像素的梯度方向统计其分布直方图;(4)将m个W×H的单元格组合成一个较大区域(block),将其特征串联并进行适当正规化;(5)将图像内的所有block的特征进行串联,获得图像特征向量。但传统的梯度方向直方图特征检测算法只计算图像的水平和垂直的梯度信息,不能有效反应树冠的信息。本研究考虑树种树冠梯度信息的多样性及航拍图中树冠视野大小的有效性,采用Gabor过滤器考虑多个方向梯度的信息,并结合HSV与LAB颜色空间转换提取树种颜色信息,修改传统梯度方向直方图特征检测算法。本研究中改进的梯度方向直方图特征检测算法主要步骤如下:(1)利用Gabor过滤器及HSV与Lab颜色空间提取树种纹理特征及颜色信息,产生纹理特征图及颜色信息特征图;(2)基于纹理和颜色信息,将特征图像像素进行分块,分为N个W×H的单元格(cell);(3)以单元格为分类单位,对其纹理特征和颜色特征进行编码,假设单元格由9个像素组成,单元格内数值分别表示该像素梯度的大小与方向,首先将π分为5个区间,每个区间间隔0.2π;其次,依据单元格像素的方向划分该单元格归属的区间,并将该像素所对应梯度的大小累加到该区间作为该区间的量;最后,依据各区间的量绘制直方图,并以此为特征向量。在纹理和颜色特征编码阶段,0°~360°共分为16个区间,平均每个区间间隔22.5°,构建方向梯度直方图,每个单元格共得到896[(50组Gabor过滤器+HSV+Lab)×16个区间=(50+3+3)×16=896]维特征向量。
2.4 分类及精度验证随机森林算法是一种众数的分类算法,它由许多的分类器(决策树)构成,在分类任务中经常表现出优异的分类结果,其主要分类思想为:通过多个决策树模型对分类问题分别做出决策,然后根据每棵树的决策结果进行投票,获得最终的分类结果。随机森林分类算法主要优势为:(1)随机性,由于其构建决策树阶段样本和特征的随机选择,减少模型过拟合的情况;(2)相对于支持向量机等其他分类算法,随机森林分类算法需要调整的参数较少;(3)模型训练的时间相对较快,可处理特征维度高的分类问题。由于梯度方向直方图将产生高维度的特征向量,故本文选取随机森林分类算法,建立植被类型识别模型。对于识别模型训练阶段,随机森林演算法中的决策树数量取150棵树。
对于模型识别结果评价主要采用定量的方式,把数据随机拆分为训练集合和测试集合,其中训练集为60%样本,根据分类的结果计算单张图的正确率和测试集中图片的平均分类正确率。
3 结果与分析 3.1 同一地区航拍影像分类结果采用安溪县山区航拍影像作为训练与测试数据,由于单元格大小与模型分类正确率有关,故选取3个不同大小的单元格,具体为8×6、16×12和32×24,建立植被类型识别模型,选出较为合适植被类型识别的单元格大小。此外,由于不同航拍高度拍摄的影像视野不同,故分别对20~50 m航拍高度,同一地区的航拍影像资料建立识别模型,分析航拍高度对识别精度的影响。每个高度的航拍影像资料统一选取30张作为数据集,其中60%(18张)作为训练数据,40%(12张)作为测试集。针对不同高度,并根据树种生活型和形态差异将树种分为6类,随机选取训练样本,建立植被类型识别模型,并采用测试集验证模型。模型分类结果见表 1,从不同航拍高度分类正确率分析,随着航拍影像高度的上升,分类正确率出现下降的现象,20 m的航拍分类正确率最高,8×6,16×12和32×24的单元划分方式正确率分别达到80.68%、82.44%和84.98%。随着航拍高度的上升,航拍影像的空间分辨率变低,20 m的空间解析度为0.49 cm2,50 m的空间解析度为1.86 cm2,导致航拍影像清晰度下降,一定程度上增加分类的难度。从不同单元格大小模型分类正确率分析,20~50 m的航拍影像识别结果,出现一致的现象,即随着单元格大小的增加,正确识别率呈现上升趋势,如16×12的单元划分方式,其在20~50 m的分类正确率分别为82.44%、78.80%、72.26%和71.15%。这主要因为随着单元格大小的增加,其窗口覆盖的实际面积增大,并导致一张图产生的单元格数量减少。本文采用航拍图大小为1 152×648,8×6、16×12和32×24的单元格窗口将分别产生15 552,3 888以及972个单元格。
航拍高度Aerial height/m | 8×6 | 16×12 | 32×24 |
20 | 80.68% | 82.44% | 84.98% |
30 | 76.77% | 78.80% | 80.51% |
40 | 69.65% | 72.26% | 74.51% |
50 | 69.00% | 71.15% | 72.98% |
随着单元格窗口大小的递增,影像所产生的单元格数显著减少,进而导致不同植被边界区域所占单元格数量比重下降,降低分类难度,提高分类正确率。但随着单元格窗口的增加,其单元格框内包含不同植被的比例也随之上升(图 2),图 2分别为8×6,16×12和32×24窗口下树种标签图,其中白色表示其单元格框中包含的不同植被。可见,8×6单元格窗口大小的白色区域最小,32×24单元格窗口大小的白色区域最大。由于单元格包含不同的植被,且分类以植被占比最大的类别为识别结果,故其识别本身存在一定的错误率。在保证一定识别正确率的前提下,为了减少单元格中包含不同的植被比例对识别正确率的影响。综上所述,本文选择航拍高度为20 m,单元格的窗口大小为16×12。
3.2 不同地区航拍影像分类结果为了验证模型对于不同地区植被类型识别的有效性,采用安溪县山区航拍数据为训练资料,长汀县山区航拍数据为测试资料,选择航拍高度为20 m航拍影像,单元格的窗口大小16×12,建立树种识别模型。仅采用安溪县训练数据,对长汀县数据进行识别,其分类正确率为65.53%,显著低于采用安溪县训练数据对安溪县数据进行识别的分类正确率(82.44%),两者相差近17%。造成此现象的原因为同一植被类型在不同地区,由于各种环境因素的影响,植被为了适应各自的环境而造成植被间形态的一些差异,如在长期的风作用下植物普遍矮化,冠幅减小[33];碱土植物的叶常覆盖着白色或灰色毛被,或者成叶小针状[34]。模型训练集中并未包含此类植被变化的形态,故导致模型不能有效识别植被。为此,加入少量长汀县数据与安溪县航拍数据一起作为训练集,减少不同地区植被间的差异对识别模型的影响,建立识别模型。模型的识别正确率为73.31%,有较为明显的提升,表明训练集中只需加入少量测试地点的航拍数据,模型即可对测试地区的植被类型识别达到较好的效果,证明模型对于不同地区航拍影像的识别效果具有稳健性。
3.3 植被与非植被识别结果将6种植被类型合并统一归为植被,采用20 m的航拍影像分别建立植被与非植被识别模型,其中单元格窗口大小选择16×12。首先采用安溪县训练数据对安溪县数据进行识别,分类正确率达到96.04%。其次,采用安溪县训练数据对长汀县数据进行识别,分类正确率达到89.25%。综上所述,对于植被与非植被的识别,模型的分类精度较高,同地区与不同地区的植被分类模型精度均达到89%以上,同一地区的分类精度高于不同地区的分类精度,与6种植被类型分类结果相一致。此外,植被与非植被的分类正确率显著高于6种植被类型的分类正确率,两者最高正确率相差13.6%,主要由两方面因素导致,首先从分类数量分析,植被与非植被仅为两类,类数显著低于6类,降低分类难度。其次,从训练数据分布分析,6种植被类型数据分布较为不均衡,导致其训练的模型偏向数量多的植被,忽略数据量少的植被类型,造成分类精度的下降。而将6种植被类型融合一类,有效缓解了6类中数据分布不均衡的问题,故分类正确率上升。
4 讨论与结论基于无人机载光学相机航拍获取植被彩色影像,结合Gabor滤波器及HSV与Lab颜色空间资讯,提取航拍光学影像的纹理及色彩特征;改进方向梯度直方图特征算法,构建植被特征向量;采用随机森林机器学习算法,建立植被类型识别模型。得出以下结论:
(1) 基于无人机载光学相机航拍获取的植被彩色影像,结合机器学习算法,建立自动识别模型具有可行性。对于6种植被类的分类正确率最高可达82.44%;对于植被与非植被的识别最高可达96.04%。此外,各类训练数据数量的分布将对模型的分类精度产生较大的影响。
(2) 不同航拍高度将对分类正确率产生影响。对20~50 m航拍高度影像分别训练识别模型可知,随着无人机航拍高度的升高,识别的正确率呈现下降趋势,20 m的航拍高度分类模型正确率最高。
(3) 模型对于不同地区航拍影像的识别具有较强的稳定性。通过采用安溪数据训练和安溪加少量长汀数据训练,测试长汀数据可知,两者分类精度差异明显,采用安溪与少量长汀数据训练的模型高于仅采用安溪数据的模型。
本研究提出的植被类型识别模型,采用普通光学相机即可获取数据,具有数据获取方便、所需费用较低和模型精度较高等特点。但模型仍存在以下几点不足:第一,未考虑季节因素的影响,由于随着季节的变化,植被会呈现出一些不同的形态,如树叶的颜色由绿色变为黄色等,这将对植被类型识别产生影响,未来将进一步探讨不同季节对于植被类型识别正确率的影响以及提出相对应的植被类型识别模型;第二,所使用的6种植被数据分布不均衡以及考虑的植被类型不够多,未来将扩充植被类型的数量,在保持模型正确率的前提下,可对更多植被类型进行识别。
[1] | 梁尧钦, 曾辉. 高光谱遥感在植被特征识别研究中的应用[J]. 世界林业研究, 2009, 22(1): 41–47. |
[2] | WANG K, FRANKLIN S E, GUO X L, et al. Remote sensing of ecology, biodiversity and conservation: a review from the perspective of remote sensing specialists[J]. Sensors, 2010, 10(11): 9647–9667. DOI:10.3390/s101109647 |
[3] | SHANG X, CHISHOLM L A. Classification of Australian native forest species using hyperspectral remote sensing and machine-learning classification algorithms[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2481–2489. DOI:10.1109/JSTARS.2013.2282166 |
[4] | BOSCHETTI M, BOSCHETTI L, OLIVERI S, et al. Tree species mapping with airborne hyper-spectral MIVIS data: the Ticino Park study case[J]. International Journal of Remote Sensing, 2007, 28(6): 1251–1261. DOI:10.1080/01431160600928542 |
[5] | FASSNACHT F E, NEUMANN C, FÖRSTER M, et al. Comparison of feature reduction algorithms for classifying tree species with hyperspectral data on three central European test sites[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2547–2561. DOI:10.1109/JSTARS.2014.2329390 |
[6] | FASSNACHT F E, LATIFI H, STEREN'CZAK K, et al. Review of studies on tree species classification from remotely sensed data[J]. Remote Sensing of Environment, 2016, 186: 64–87. DOI:10.1016/j.rse.2016.08.013 |
[7] | 林丽群, 汪正祥, 雷耘, 等. 神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征[J]. 生态学报, 2017, 37(19): 6534–6543. |
[8] | 魏晶昱, 毛学刚, 方本煜, 等. 基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J]. 北京林业大学学报, 2016, 38(11): 23–33. |
[9] | SASAKI T, IMANISHI J, IOKI K, et al. Object-based classification of land cover and tree species by integrating airborne LiDAR and high spatial resolution imagery data[J]. Landscape and Ecological Engineering, 2012, 8(2): 157–171. DOI:10.1007/s11355-011-0158-z |
[10] | ADELABU S, MUTANGA O, ADAM E, et al. Exploiting machine learning algorithms for tree species classification in a semiarid woodland using RapidEye image[J]. Journal of Applied Remote Sensing, 2013, 7(1): 073480. DOI:10.1117/1.JRS.7.073480 |
[11] | ZHANG K W, HU B X. Individual urban tree species classification using very high spatial resolution airborne multi-spectral imagery using longitudinal profiles[J]. Remote Sensing, 2012, 4(6): 1741–1757. DOI:10.3390/rs4061741 |
[12] | 刘怀鹏, 安慧君, 王冰, 等. 基于递归纹理特征消除的WorldView-2树种分类[J]. 北京林业大学学报, 2015, 37(8): 53–59. |
[13] | 游晓斌, 王蕾. 应用辅助信息提高森林分类和森林区划能力的研究[J]. 北京林业大学学报, 2003, 25(S1): 41–42. |
[14] | MAFANYA M, TSELE P, BOTAI J, et al. Evaluating pixel and object based image classification techniques for mapping plant invasions from UAV derived aerial imagery: Harrisia pomanensis as a case study[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 129: 1–11. DOI:10.1016/j.isprsjprs.2017.04.009 |
[15] | RICHTER R, REU B, WIRTH C, et al. The use of airborne hyperspectral data for tree species classification in a species-rich Central European forest area[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 52: 464–474. DOI:10.1016/j.jag.2016.07.018 |
[16] | FUNG T, MA H F Y, SIU W L, et al. Subtropical tree recognition with hyperspectral data analysis in Hong Kong[J]. Geocarto International, 2001, 16(3): 25–34. DOI:10.1080/10106040108542201 |
[17] | 刘丽娟, 庞勇, 范文义, 等. 机载LiDAR和高光谱融合实现温带天然林树种识别[J]. 遥感学报, 2013, 17(3): 679–695. |
[18] | 费运巧, 刘文萍, 骆有庆, 等. 森林病虫害监测中的无人机图像分割算法比较[J]. 计算机工程与应用, 2017, 53(8): 216–223. |
[19] | 雷添杰, 李长春, 何孝莹. 无人机航空遥感系统在灾害应急救援中的应用[J]. 自然灾害学报, 2011, 20(1): 178–183. |
[20] | 王利民, 刘佳, 杨玲波, 等. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报, 2013, 29(18): 136–145. DOI:10.3969/j.issn.1002-6819.2013.18.017 |
[21] | 陈明健, 陈志泊, 杨猛, 等. 叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法[J]. 北京林业大学学报, 2017, 39(2): 108–116. |
[22] | IWATA T, SAITOH T. Tree recognition based on leaf images[C]//Proceedings of 2013 SICE Annual Conference. Nagoya, Japan: IEEE, 2013: 2 489-2 494. |
[23] | KIM S J, KIM B W, KIM D P. Tree recognition for landscape using by combination of features of its leaf, flower and bark[C]//Proceedings of 2011 SICE Annual Conference. Tokyo, Japan: IEEE, 2011: 1 147-1 151. |
[24] | BERTRAND S, CERUTTI G, TOUGNE L. Bark recognition to improve leaf-based classification in didactic tree species identification[C]//Proceedings of the 12th International Conference on Computer Vision Theory and Applications. Porto, Portugal: VISAPP, 2017: 435-442. |
[25] | 孙伶君, 汪杭军, 祁亨年. 基于分块LBP的树种识别研究[J]. 北京林业大学学报, 2011, 33(4): 107–112. |
[26] | 何永涛, 郎海玲. 植被建设在黄土高原水土保持中的意义及其对策[J]. 水土保持研究, 2009, 16(4): 30–33, 38. |
[27] | 潘声旺, 袁馨, 雷志华, 等. 乡土植物生活型构成对川渝地区边坡植被水土保持效益的影响[J]. 生态学报, 2016, 36(15): 4654–4663. |
[28] | 中国植被编辑委员会. 中国植被[M]. 北京: 科学出版社, 1980. |
[29] | 滕升华, 沈怡平. 颜色空间在图像彩色化处理中的应用分析[J]. 计算机科学, 2009, 36(10): 277–279. DOI:10.3969/j.issn.1002-137X.2009.10.070 |
[30] | 顾明, 郑林涛, 尤政. 基于颜色空间转换的交通图像增强算法[J]. 仪器仪表学报, 2015, 36(8): 1901–1907. DOI:10.3969/j.issn.0254-3087.2015.08.028 |
[31] | 庞晓敏, 闵子建, 阚江明. 基于HSI和LAB颜色空间的彩色图像分割[J]. 广西大学学报(自然科学版), 2011, 36(6): 976–980. DOI:10.3969/j.issn.1001-7445.2011.06.018 |
[32] | DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]//Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA, USA: IEEE, 2005: 886-893. |
[33] | 张琳琳, 赵晓英, 原慧. 风对植物的作用及植物适应对策研究进展[J]. 地球科学进展, 2013, 28(12): 1349–1353. |
[34] | 刘南威. 自然地理学[M]. 北京: 科学出版社, 2000. |