论文部分内容阅读
本文以自主研发的手持式测树仪的算法需求为研究基础,对通过互补金属氧化物半导体(CMOS)获取的立木图像基于图像处理技术和机器视觉技术提出了图像中树干两侧边缘像素距离提取的算法路线,并利用仪器搭载的测距传感器、倾角传感器获取测量参数建立了立木的胸径解算、上部直径解算、直径测量处高度测定、树高测量、冠幅测量和材积测算的方法体系。具体如下: (1)实现了立木数字图像中树干两侧边缘距离的提取。通过边缘检测算子进行了立木树干图像边缘特征提取,将提取的边缘特征点通过Hough变换映射到参数空间并设置筛选条件实现了边缘特征中直线提取,利用直线参数获取两侧直线在中央像素行的像素距离,并提出了一种将原始图像二值化、反向后的最大连通区域与边缘特征图像进行卷积剔除背景边缘的方法; (2)针对立木树干边缘检测和直线提取的效果进行了不同边缘检测算子和高斯滤波标准差的比较试验。通过五种边缘检测算子对立木图像检测效果与目视判读比较证明了Canny算子对于立木边缘检测有更好检出率和准确性;分别将Sigma=0.1、0.3、1.4和3的高斯滤波的立木图像进行边缘检测并将直径像素距离提取值与目视判读值进行比较,结果表明Sigma在0.3~1.4时的识别偏差较小; (3)通过传感器获取的参数实现了树高测量、冠幅测量,并结合获取的树干直径像素距离实现了胸径、上部直径测量及材积测算。通过对测量方法进行试验验证其精度,胸径、树高和冠幅的测量值与真值拟合程度均较高。在不同测量距离及测量倾角条件下,胸径测量的绝对误差±4cm之间,相对误差分布于±6.00%之间;上部直径测量的绝对误差在-1.5~0.8cm之间,相对误差在-15.25%~16.95%之间;胸高测定中误差为0.005m,最大误差为-0.01m;树高测量在-1.510~3.386m之间,相对误差在-9.10%~27.09%之间;冠幅测量的绝对误差在-0.300~0.260m之间,相对误差分布于-6.75%~3.50%;材积解算的绝对误差在-0.000105m3~0.001598m3之间,相对误差在-0.44%~1.95%之间。