论文部分内容阅读
树高、胸径及冠幅是进行森林资源调查和信息化管理的重要测量因子。对立木因子的准确测量有助于立地质量评价与林木生长状况评估工作的展开。目前立木因子的测量仍存在测量效率不高、耗费劳动力及测量设备价格昂贵等缺点。因此,本文重点提出了基于智能手机的单目视觉的立木因子被动测量方法,该方法以智能手机为工具,采用单目视觉测量技术,探索自然场景下单幅图片中多株立木树高、胸径和冠幅的被动测量方法。本文主要研究内容包括:(1)采用一种多维特征自适应MeanShift算法对立木图像进行分割,从而提取立木因子测量特征点,同时通过改进的带有非线性畸变项的相机标定模型对相机进行标定,从而获取相机内部参数及非线性畸变参数,帮助获取更加精确的特征点像素值。(2)根据相机成像系统原理,构建深度提取模型,用于计算图像中各立木的深度信息。(3)构建立木因子自适应测量坐标系,确立各空间坐标系之间转换参数,包括旋转矩阵和平移矩阵的确定,进而研究各空间坐标系之间的转换关系。(4)构建立木因子测量模型,将立木因子测量关键点像素值代入立木因子测量模型,从而实现单幅图像中多株立木因子的胸径、树高和冠幅测量。本文基于智能手机进行立木胸径、树高和冠幅的测量系统研究。经验证,使用深度提取模型在距离为0.5~3 m内进行测距时,深度值测量相对误差不高于2.64%,在距离为3~10 m时,测量相对误差最大值为5.01%;通过立木因子测量模型测量胸径小于20 cm的树木,绝对误差小于0.237 cm,胸径大于或等于20 cm的树木,相对误差小于1.272%;树高测量相对误差小于4.65%,冠幅测量相对误差小于8.6%,能够满足国家森林资源连续清查的精度要求,可应用于森林资源调查。本研究的创新之处:(1)将普及率广、便携且计算能力逐渐增强的智能手机用于森林资源调查工作,实现图像中立木胸径、树高和冠幅的测量;(2)采用单目视觉测量技术和图像分割技术,实现单幅图像中多株立木因子的测量。(3)通过深度提取模型计算立木深度,避免了大范围场景的数据拟合误差,显著提升了测量精度。