La extracción del árbol de la corona de las áreas de datos de sensores remotos (imágenes visuales y LiDAR)

Question

Estoy buscando un método para procesar imágenes por percepción remota y extraer la corona de las áreas de los árboles individuales de la imagen.

Tengo tanto visual de la longitud de onda regional de imágenes, y datos lidar de la zona. La ubicación en cuestión es una zona desértica, por lo que la cobertura de los árboles no es tan densa como un área de bosque. La resolución de las imágenes aéreas es de 0,5 pies de largo por 0.5 pies. El lidar resolución es de aproximadamente 1 x 1 metros. Tanto la información visual y el lidar provienen de un Condado de Pima, Arizona conjunto de datos. Una muestra del tipo de imágenes aéreas que tengo es al final de este post.

Esta pregunta Solo la detección del Árbol parece ser el mismo problema, pero no parece ser una buena respuesta.

Puedo obtener una razonable clasificación de los tipos de vegetación (y la información sobre el porcentaje total de la cubierta) en el área mediante el uso de la Iso Clúster de clasificación en Arcmap, pero este ofrece poca información sobre los árboles individuales. El más cercano que tengo a lo que yo quiero es el resultado de pasar la salida de la isocluster de clasificación a través de la Trama de entidad Poligonal en Arcmap. El problema es que este método combina cerca de los árboles en un único polígono.

Edit: yo probablemente debería haber incluido algo más de detalle acerca de lo que tengo. El crudo de los conjuntos de datos que tengo son:

• Completa las de datos, y un tiff raster generado a partir de ella.
• Las imágenes visuales (como la imagen de ejemplo que se muestra, sino que abarca un área mucho más amplia)
• Manual de mediciones directas de un subconjunto de los árboles en la zona.

A partir de estas me han generado:

1. El suelo, la vegetación en las clasificaciones.
2. Los DEM/DSM rásteres.

Answer 1

Hay un cuerpo considerable de literatura sobre el individuo, la corona de detección espectral y datos lidar. Métodos sabio, tal vez comenzar con:

Falkowski, M. J., A. M. S. Smith, P. E. gessler y, A. T. Hudak, L. A. Vierling y J. S. Evans. (2008). La influencia de bosque de coníferas de la cubierta del dosel sobre la exactitud de dos de los árboles individuales, los algoritmos de medida a partir de datos lidar. Revista canadiense de Teledetección 34(2):338-350.

Smith, A. M. S., E. K. Strand, C. M. Steele, D. B. Hahn, S. R. Garrity, M. J. Falkowski, J. S. Evans (2008) la Producción de la vegetación espacial de la estructura de los mapas por objeto el análisis de enebro invasión en multi-temporal de las fotografías aéreas. Revista Canadiense De Teledetección 34(2):268-285

Si usted está interesado en el método de Wavelets (Smith et al., 2008), lo he codificado en Python, pero, es muy lento. Si usted tiene Matlab experiencia, aquí es donde se lleva a cabo en el modo de producción. Tenemos dos documentos donde se identificaron ~6 millones de hectáreas de enebro de la invasión en el sur de Oregon, utilizando el método de wavelets con NAIP RGB-NIR imágenes así, es bien demostrado.

Baruch-Mordo, S., J. S. Evans, J. Severson, J. D. Naugle, J. Kiesecker, J. Maestas, y M. J. Falkowski (2013) Ahorro de sage urogallo de los árboles: Un proactiva solución para reducir una amenaza clave para un candidato especies de la biología de la Conservación 167:233-241

Poznanovic, A. J., M. J. Falkowski, A. L. Maclean, y J. S. Evans (2014) Una Evaluación de la Exactitud de la Detección del Árbol de Algoritmos en Bosques de Enebro. De Fotogrametría Ingeniería Y Teledetección 80(5):627-637

Hay algunas ideas interesantes, en general objeto de la descomposición, de la matemática aplicada espacio de estado de la literatura el uso de varias resoluciones de Gauss procesos de descomponer las características del objeto a través de la escala. Yo uso estos tipos de modelos para describir la multi-escala de proceso en modelos ecológicos, pero también podría ser adaptado para descomponer la imagen características del objeto. Divertido, pero un poco esotérico.

Gramacy, R. B. y H. K. H. Lee (2008) Bayesiano sembrada de Gauss modelos de proceso con una aplicación de modelos de computadora. Revista de la Asociación Americana de Estadística, 103(483):1119-1130

Kim, H. M., B. K. Mallick, y C. C. Holmes (2005) Análisis de los no estacionarios de datos espaciales utilizando trozos de Gauss procesos. Revista de la Asociación Americana de Estadística, 100(470):653-668

Answer 2

el reconocimiento es el mejor software para eso, hice que el uso de otro software, pero el reconocimiento de su mejor. Aquí está la referencia a la literatura sobre el tema:

Karlson, M., Reese, H., & Ostwald, M. (2014). Árbol de la Corona de la Cartografía en Administrado Bosques (Parques) de Semi-Áridas de África Occidental Mediante WorldView-2 Imágenes y Geográfica Objeto Basado en el Análisis de la Imagen. Sensores, 14(12), 22643-22669.

por ejemplo, http://www.mdpi.com/1424-8220/14/12/22643

Además:

Zagalikis, G., Cameron, A. D., & Miller, R. D. (2005). La aplicación de fotogrametría digital y técnicas de análisis de imagen para derivar árbol y soporte de características. Revista canadiense de investigación forestal, 35(5), 1224-1237.

por ejemplo, http://www.nrcresearchpress.com/doi/abs/10.1139/x05-030#.VJmMb14gAA

Answer 3

Para crear un DHM restar el DEM de la DEM, esto se puede hacer en Esri Raster Calculator o GDAL_CALC. Esto le pone a todas sus elevaciones en un 'campo de juego'.

Sintaxis (Sustituto rutas completas para DEM, DSM Y DHM):

GDAL_CALC.py -A DSM -B DEM --outfile=DHM --CALC "A-B"

La DHM, será sobre todo a 0 (o lo suficientemente cerca), que hacen que su valor nodata. Con la Calculadora Ráster o GDAL_CALC puede extraer valores de más de un valor arbitrario, basado en la cantidad de ruido que se observa en el DHM. El objeto de esto es reducir el ruido y resaltar sólo las copas de la vegetación - en el caso en que dos "árboles" son adyacentes esto debe dividir en dos notas.

Sintaxis (Sustituto rutas completas para los Binarios y DHM y el valor observado de Valor):

GDAL_CALC.py -A DHM --outfile=Binary --calc "A*(A>Value)"

Ahora con GDAL_CALC o Esri IsNull crear un raster binario, que puede ser polygonized con GDAL_Polygonize o Esri Ráster Polígono.

Para refinar los polígonos quitar excesivamente pequeños polígonos y luego compararlas con las bandas RGB buscando firmas, en Esri el Zonal herramienta de Estadísticas le ayudará. A continuación, puede descartar los polígonos que claramente no tienen el derecho de estadísticas (basada en la experimentación y sus datos, no te puedo dar los valores).

Esto debería ir a alrededor del 80% de precisión en el trazado individual de coronas.

Answer 4

Estoy publicando esto como una respuesta debido a la longitud límite en el comentario, no hay esperanzas para los créditos:). Muy amplio pincel, proporcionando tienes DEM.

1. Extracto DEM individual para cada polígono a dem.
2. Definir los dem s extremos de la elevación
3. Conjunto de zCur+=-zStep. Paso a ser encontrado por iteraciones de antemano, por ejemplo, razonable caída de entre el 'árbol de la celda superior' de elevación y vecinos
4. A continuación=Con (dem => zCur, int (1))
5. El grupo de las regiones de más Abajo. Contar lo suficientemente grande, que son los 'árboles'. Definición de aquí requeridos por la inspección visual, la investigación preliminar?
6. Vaya al paso 3 si zCur> zMin, el paso 1 en caso contrario.

Número máximo de grupos en el proceso = árbol de contar dentro de cada uno de polígono. Criterios adicionales, por ejemplo, la distancia entre los 'árboles' en el interior de los polígonos podría ayudar... DEM suavizado el uso de kernel también una opción.