下载文档原格式
基于鲸鱼算法的森林火灾图像多阈值分割胡加鑫;贾鹤鸣;邢致恺;朱柏卓;张森;黄怡沁【期刊名称】《森林工程》【年(卷),期】2018(034)004【摘要】为监测森林火灾的实时火情,本文研究图像分割算法应用于林火图像的识别.由于林火图像背景复杂干扰目标多,采用单阈值Otsu方法对林火图像进行分割的精度较差,因此本文研究鲸鱼优化算法(WhaleOptimization Algorithm,WOA)对多阈值图像分割的最佳阈值进行寻优.鲸鱼优化算法是在寻找最优解的过程中效率较高的算法,该算法具有收敛速度快、精度高的特点.针对森林火灾图像中的火焰区域准确分割问题,应用WOA对Otsu的适应度函数进行寻优,在红绿蓝模式的林火数字图像上进行仿真试验.试验结果表明:提出的算法在森林火灾图像多阈值分割中优于传统单阈值的Otsu算法,可以获得更为准确的分割阈值和更高的分割效率,具有较强的工程实用性.【总页数】6页(P70-74,95)【作者】胡加鑫;贾鹤鸣;邢致恺;朱柏卓;张森;黄怡沁【作者单位】东北林业大学机电工程学院,哈尔滨,150040;东北林业大学机电工程学院,哈尔滨,150040;东北林业大学机电工程学院,哈尔滨,150040;东北林业大学机电工程学院,哈尔滨,150040;东北林业大学机电工程学院,哈尔滨,150040;东北林业大学机电工程学院,哈尔滨,150040【正文语种】中文【中图分类】S762;TP391.41【相关文献】1.基于改进遗传算法的最佳熵多阈值三维医学图像分割算法 [J], 王毅;牛奕龙;田沄;董建园;郝重阳2.基于改进的人工蜂群算法在医学图像上的多阈值图像分割法 [J], 孙晓亮;田力威;刘洋3.基于WQPSO算法的多阈值图像分割算法的研究 [J], 张天瑜4.基于多阈值算法和分水岭算法的图像分割 [J], 樊秋月5.基于改进麻雀搜索算法的森林火灾图像多阈值分割 [J], 贺航;马小晶;王宏伟;宋帆;刘寒因版权原因，仅展示原文概要，查看原文内容请购买。
基于分形维度的林业遥感图像树种分类识别
周晨;刘磊
【期刊名称】《计算机仿真》
【年(卷),期】2022(39)2
【摘要】传统的树种分类识别方法未进行最大池化操作,导致树种分类识别精度差。
现引入分形维度进行林业遥感图像树种分类识别。
通过ROI区域截取获取遥感树
种图像,利用直方图均衡化方法进行原始图像预处理,以便获得高质量与清晰度的林
业遥感图像;通过分形维度理论分析提取的林业遥感图像纹理特征,完成卷积神经网
络模型的优化构建;将林业遥感图像纹理特征输入卷积层,经卷积层的卷积操作并计
算特征数据,池化池通过最大池化操作卷积层输出的数据;通过Relu激活函数对林
业遥感图像树种纹理特征进行深度分析,利用Softmax分类器实现树种分类识别。
实验结果表明,上述方法预处理后的遥感图像质量高,且林业遥感图像树种分类识别
的效率高,分类识别的时间低至35.7ms,分类识别的准确率高达95.62%。
【总页数】5页(P212-216)
【作者】周晨;刘磊
【作者单位】西安科技大学测绘科学与技术学院;电子科技大学成都学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于特征的模糊神经网络遥感图像目标分类识别
2.基于高阶神经网络的遥感图像分类识别研究
3.基于光学遥感图像的目标检测与分类识别方法
4.基于光学遥感图像的目标检测与分类识别方法
5.基于高光谱遥感图像的树种(树种组)分类
因版权原因，仅展示原文概要，查看原文内容请购买。
利用光谱遥感技术进行林木种类研究与分类光谱遥感技术是一种非常有用的工具，可以帮助我们了解地球上不同地区的植被分布和种类。
在林木种类研究和分类方面，光谱遥感技术在提供高效准确的数据方面有着巨大的潜力。
本文将介绍利用光谱遥感技术进行林木种类研究与分类的方法和应用。
首先，光谱遥感技术可通过分析不同波段的反射率来识别和分类不同种类的林木。
不同种类的植物具有不同的光谱特性，这些特征能够以数字化形式记录在光谱数据中。
通过比较不同种类植物在不同波段的反射率变化，我们可以得到用于分类的重要特征。
在进行林木分类之前，我们需要采集大量的光谱数据。
这些数据可以通过航空或卫星遥感技术获取。
航空遥感技术使用搭载在航空器上的高分辨率光谱仪，可以获取更为详细和准确的光谱数据。
而卫星遥感技术则能够覆盖更大范围的地区。
通过对这些数据进行处理和分析，我们可以了解不同地区的植被类型和林木种类。
利用光谱遥感技术进行林木种类研究与分类需要一些先验知识。
在开始研究时，我们需要进行地面调查和数据采集，确定不同地区的林木种类和分布情况。
这些数据可以作为训练样本，用于开发分类算法和建立模型。
常用的光谱遥感技术中，最常使用的是多光谱遥感技术。
多光谱遥感数据包含了多个波段的信息，从可见光到红外波段。
这些波段各自对应着不同的光谱特征，可以提供丰富的信息用于分类分析。
通过对多光谱数据进行特征提取和处理，例如主成分分析、线性判别分析和神经网络等方法，可以提取出林木种类分类所需的信息。
除了多光谱数据，高光谱遥感数据也被广泛应用于林木种类研究与分类。
高光谱遥感数据包含更多的波段信息，通常涵盖了可见光和近红外波段。
这种数据可以提供更为详细和精确的光谱特征，能够更准确地识别和分类不同种类的林木。
在利用光谱遥感技术进行林木种类研究与分类时，建立一个准确的分类模型是至关重要的。
在模型的建立中，我们通常使用监督学习算法，例如支持向量机、随机森林和人工神经网络等方法。
这些方法能够根据已知的训练样本进行分类模型的训练和测试，然后将学习到的模型应用于未知数据进行林木种类的分类。
基于形态学阈值标记分水岭算法的高分辨率影像单木树冠提取郑鑫;王瑞瑞;靳茗茗【期刊名称】《中南林业调查规划》【年(卷),期】2017(036)004【摘要】随着遥感技术的不断发展,利用高空间分辨率遥感影像提取单木树冠,成为获取树冠信息的一种重要手段.结合数学形态学和最大类间方差法提取自适应的分割阈值,分别对前景和背景进行标记,以此构建了改进的分水岭分割方法.选取林区高分辨率的无人机影像为数据源,分别根据传统的分水岭方法和改进的分水岭方法进行实验分析,并从冠层面积、单木树冠分割的数量和质量方面进行精度评价.结果证明:基于形态学阈值标记的分水岭算法具有显著改善过分割的作用,树冠分割结果精度可达64.62％,表明该方法切实可行,且效果较好.【总页数】7页(P30-35,57)【作者】郑鑫;王瑞瑞;靳茗茗【作者单位】北京林业大学林学院,北京100083;中国地质大学(北京)地球科学与资源学院,北京100083;北京林业大学林学院,北京100083;北京林业大学林学院,北京100083;中国科学院大学,北京100049;中国科学院地理科学与资源研究所,北京100101【正文语种】中文【中图分类】TP392【相关文献】1.基于标记控制区域生长法的单木树冠提取 [J], 甄贞;李响;修思玉;赵颖慧;魏庆彬2.一种基于三维激光点云数据的单木树冠投影面积和树冠体积自动提取算法 [J], 徐伟恒;冯仲科;苏志芳;胥辉;焦有权;邓欧3.基于阈值标记的分水岭算法道路提取 [J], 黄登未;汪西原;王胜男;;;4.基于阈值标记的分水岭算法遥感图像道路提取 [J], 李杰;冯魁祥;朱玲玲;云海姣5.基于U-Net和分水岭算法的无人机单木树冠提取方法 [J], 金忠明;曹姗姗;王蕾;孙伟因版权原因，仅展示原文概要，查看原文内容请购买。
阈值法森林分类
阈值法（Thresholding Method）是图像处理中常用的一种方法，用于将灰度图像转换为二值图像。
该方法通过设定一个阈值来将图像的像素值分成两类：低于阈值的像素被置为一种值（通常是黑色），高于或等于阈值的像素被置为另一种值（通常是白色）。
这个阈值可以是固定的，也可以通过自适应的方式确定。
阈值法森林分类则是在遥感影像处理中的一个应用。
遥感影像通常具有多个波段，每个波段代表了不同的信息。
森林分类就是指根据遥感影像中的各种特征，将影像中的像元划分为不同的类别，其中之一可能是代表森林覆盖。
阈值法森林分类的过程通常包括以下步骤：
1.数据预处理：对遥感影像进行预处理，如辐射校正、大气校正、几何校正等，以确保影像质量和准确性。
2.特征提取：从遥感影像中提取各种特征，如像元的光谱特征、纹理特征、形状特征等，以便区分不同的地物类别。
3.阈值选择：根据提取的特征，选择适当的阈值来将影像中的像元分成不同的类别，其中之一可能是森林覆盖。
4.分类：根据选定的阈值，对影像进行像元分类，将其划分为不同的类别，其中包括森林类别和其他地物类别。
5.后处理：对分类结果进行后处理，如去除孤立的像元、填补空洞等，以提高分类精度和准确性。
6.结果验证：对分类结果进行验证，与实地调查或其他参考数据进行比较，评估分类的准确性和可信度。
阈值法森林分类是遥感影像处理中的一种常用方法，可以为森林资源管理、环境监测、生态研究等提供重要的数据支持和信息服务。
基于多源遥感数据的森林植被类型分类方法研究随着遥感技术的发展和应用日益广泛，森林植被类型的分类成为了一个重要的研究方向。
森林植被类型分类是指利用多源遥感数据对不同类型的森林植被进行区分和分类的过程，可以为保护森林资源、监测和评估森林生态环境提供重要的科学依据。
在这篇文章中，我将介绍一种基于多源遥感数据的森林植被类型分类方法的研究。
然后，我们需要进行预处理。
预处理包括大气校正、几何校正和辐射校正等。
大气校正是指根据大气光学特性将遥感数据转换为地物表面反射率，减少大气干扰。
几何校正是指将遥感数据的像素位置与地理坐标建立对应关系，保证数据的空间一致性。
辐射校正是指将遥感数据的辐射量转换为地物表面辐射率，消除不同传感器间的辐射差异。
接下来，我们需要提取特征。
特征提取是指从遥感数据中提取能够反映森林植被类型特征的信息。
常用的特征包括光谱特征、纹理特征和形态特征等。
光谱特征可以通过计算不同波段的反射率来获取，反映不同植被类型的光谱差异。
纹理特征可以通过利用图像的空间关系来描述图像的细节信息，反映不同植被类型的纹理差异。
形态特征可以通过计算图像的形状、大小和方向等来描述图像的形态特征，反映不同植被类型的形态差异。
最后，我们需要选择分类算法进行分类。
常用的分类算法包括最大似然分类法、支持向量机分类法和决策树分类法等。
最大似然分类法基于概率模型，根据统计学原理对每个类别进行分类。
支持向量机分类法通过找到最优超平面将不同类别的样本分隔开来。
决策树分类法通过建立树状结构对输入数据进行分类。
对于森林植被类型的分类，可以根据实际情况选择适合的分类算法。
综上所述，基于多源遥感数据的森林植被类型分类方法主要包括数据获取、预处理、特征提取和分类算法选择等步骤。
通过合理使用多源遥感数据和有效的分类算法，可以提高森林植被类型分类的精度和效果，为森林资源的保护与管理提供重要的支持。
基于颜色特征的自适应阈值林木树干识别研究作者：宋文龙莫冲王琢来源：《现代电子技术》2019年第16期摘; 要：树干颜色是进行林木树干识别的重要依据之一。
为实现不同颜色林木树干的识别，基于树干的颜色特征，提出一种自适应阈值的树干识别方法。
首先，依据不同颜色林木树干的颜色值分布特性来选定对树干图像分割的阈值区间;其次，在阈值区间内根据树干的图形特征自适应阈值对树干进行图像分割;最后，对分割结果采用RANSAC算法精确拟合树干边缘，实现树干的识别。
实验选取水曲柳、兴安落叶松和紫椴等树干颜色存在较大差异的树种，每一树种随机选取100棵树干进行识别，树干识别率分别达97%，91%和93%。
实验结果表明，对于颜色存在较大差异的林木树干，所提方法具有较高的树干识别率。
关键词：林木树干识别; 颜色特征; 图像分割; RANSAC; 精确拟合; 识别率中图分类号： TN911.73⁃34; TP391; ; ; ; ; ; ; ; ;文献标识码： A; ; ; ; ; ; ; ; ; ; 文章编号：1004⁃373X（2019）16⁃0144⁃050; 引; 言林木树干识别是林业领域的基础性研究内容之一，在森林资源调查、林木自动对靶施药、林地机器人自主导航等方面具有广泛的应用价值。
目前在二维图像方面针对树干识别的研究主要从树干的纹理特征和颜色特征来展开。
基于纹理特征的树干识别方法利用树干边缘整体呈竖直状态的特点来实现树干的识别。
陈金星等采用Canny边缘检测算法提取图像的边缘信息，然后在边缘图像中提取宽度最大的两条竖直线段当作树干的轮廓，实现了树干的边缘提取[1]。
鄂雪等采用改进的Ncut分割算法识别树干边缘[2]。
由于复杂环境下图像的纹理非常复杂，基于纹理特征的树干识别方法通常需要辅以人工或其他设备来将摄像头对准树干才能取得较好的识别效果，因此这类方法应用面较窄，主要应用于林木的胸径测量。
基于颜色特征的树干识别方法是利用树干本身特有的颜色特征来识别树干。
基于阈值分割的黑龙江省森林类型遥感识别袁玉娟1,2，尹云鹤1*，戴尔阜1，刘荣高3，吴绍洪1(1.中国科学院地理科学与资源研究所，中国科学院陆地表层格局与模拟重点实验室，北京100101；2.中国科学院大学，北京100049；3.中国科学院地理科学与资源研究所，资源与环境信息系统国家重点实验室，北京100101)摘要：全球变化背景下，准确获取森林覆盖是监测森林资源动态、实现林业可持续发展的重要基础。
为将省级尺度森林资源清查面积资料空间化，以黑龙江省为例，利用1999-2003年该省森林资源清查面积数据，结合2000年500m 分辨率的MODIS 数据，构建了基于阈值分割的森林类型遥感识别方法。
该方法利用不同地表覆被类型归一化植被指数时间序列的季节分异特征，以森林资源清查面积为标准，设定森林类型的划分阈值，识别了黑龙江省森林类型的空间分布。
最后，基于分层随机抽样和精度评价方法，表明森林类型识别结果与地面参考数据具有较高的一致性，总体分类精度为78.1%；特别是季节特征明显的落叶林，精度可达80%以上。
本文所构建的方法可将森林清查统计数据进行准确的空间定位，同时结合多期森林资源连续清查资料和遥感信息，可为识别并量化区域生态系统生物量和碳库变化等提供科技支撑。
关键词：森林资源清查；遥感；阈值；精度评价；黑龙江省1引言森林是陆地生态系统的关键组成部分，不仅能提供重要资源和栖息地，而且在调节全球及区域水循环和碳循环中起着关键作用(FAO,2010;Pan et al,2011;Fang et al,2014)。
森林空间分布可反映区域中的森林重要性，其变化通常由植树造林或砍伐毁林等导致(Shi et al,2011)。
陆地表层森林覆盖信息的准确识别是评估森林资源变化、辨识人类活动影响的重要基础(Erb et al,2007;Hansen et al,2013)。
因此，准确获取森林类型空间分布是全球变化研究的热点问题之一。
森林资源清查是基于地面调查数据获得森林资源信息的传统方法(肖兴威,2005)。
中国森林资源清查始于20世纪70年代，每五年开展一次，通常以行政区为统计单元发布森林面积、蓄积量及结构统计数据，为及时准确掌握森林资源现状和变化提供了科学依据(中国森林编辑委员会,1997)。
森林资源清查统计数据已广泛应用于估算森林生物碳储量和物种分布等研究(Schroeder et al,1997;Fang et al,2001;Guo et al,2010;Pan et al,2011;Hernández et al,2014)。
然而，目前可获取的森林清查数据通常以行政区为统计单元，但当前研究对空间精度要求越来越高。
遥感作为一种先进的对地观测手段得到普遍应用，可提供大范围、较高时空分辨率的森林空间分布(Myneni et al,2001;李虎等,2003;Jia et al,2014;夏浩铭等,2015)。
植被遥感指数，例如归一收稿日期：2015-05；修订日期：2016-04。
基金项目：国家科技支撑计划项目(2012BAC19B02)；国家自然科学基金项目(41571043)；国家自然科学基金重点项目(41530749)[Foundation:National Science and Technology Support Program of China,No.2012BAC19B02;National Natural Science Foundation of China,No.41571043;Key Program of the National Natural Science Foundation of China,No.41530749]。
作者简介：袁玉娟(1989-)，女，河北衡水人，硕士生，主要从事植被遥感研究，E-mail:yuanyj.12s@ 。
通讯作者：尹云鹤(1979-)，女，山东德州人，副研究员，硕导，主要从事气候变化影响与适应研究，E-mail:yinyh@。
655-663页第35卷第5期2016年5月地理科学进展Progress in GeographyV ol.35,No.5May 2016地理科学进展第35卷化植被指数(NDVI)，可有效地反映植物生长状况和生物量等，在土地覆盖分类中具有重要作用(Tuck-er,1979;Defries et al,1994;Viana et al,2012)。
为充分利用森林清查资料，将其与遥感数据相结合进行空间格局研究具有重要意义。
一方面可发挥遥感数据的空间定位准确的优势，另一方面能体现出地面详查资料定量准确的优势(刘双娜等,2012)。
近年来，森林清查资料与遥感数据相结合的技术在森林植被类型覆盖识别和森林植被碳源/汇的空间分布定量估算等方面得到较广泛应用(Päivin-en et al,2001;Kennedy et al,2002;刘双娜等,2012)。
目前，常见研究大致可分为以下两类：一是根据现有森林分布图和资源清查统计两者面积之间的比例关系，利用迭代算法调整森林分布，从而使森林面积与区域清查统计数据相一致或误差最小(Päivinen et al,2001,2003;Schuck et al,2003; Tröltzsch et al,2009)；二是融合土地利用图和统计资料，揭示区域或全球土地利用变化，具体算法包括最大似然估计和优度拟合(Hurtt et al,2006)、误差最小分配算法(Erb et al,2007)以及二分迭代法(Liu et al,2010)等。
总体上，目前研究多基于已有植被空间格局信息，而较少直接利用遥感影像数据进行基于两类数据结合的森林类型识别。
本文主要基于2000年MODIS遥感数据和1999-2003年省级尺度森林清查统计数据，利用NDVI时间序列的季节分异特征，明确森林类型划分阈值，识别森林类型的空间分布，并将本文结果与植被图和MODIS土地覆盖产品进行对比分析和精度评价。
本文主要目的是利用多时相遥感数据将森林清查面积数据进行空间化，进而为准确辨识人类活动对森林生态系统影响，监测森林资源动态，实现林业可持续发展及适应气候变化提供科技支撑。
2数据与方法2.1研究区概况本文以位于中国东北部温带气候区的黑龙江省为研究区(43°26′~53°33′N，121°11′~135°05′E)，土地总面积为4540万hm2(图1)。
该区属东亚季风气候，水热条件的季节变化和空间分布差异明显，年平均气温约为-4~5℃，年降水量约为400~650mm。
黑龙江省植被类型主要为森林、草原和农田，其中森林资源丰富，森林面积达1962万hm2，森林覆盖率达43.16%(国家林业局,2010)。
由于黑龙江省位于中高纬度地区，气候和植被的季节差异特征尤为明显，因此是进行森林类型遥感识别研究的理想区域。
天然林资源是黑龙江省森林资源的主体，主要分布在大兴安岭、小兴安岭、以及张广才岭和老爷岭等东部山地。
大兴安岭山地北部属寒温带落叶针叶林区，以兴安落叶松(Larix gmelinii)为优势树种，乔木层结构较为简单，还分布有樟子松(Pinus sylvestris)和红皮云杉(Picea koraiensisi)，但面积不大，伴生有白桦(Betula platyphylla)和山杨(Populus davidiana)等。
小兴安岭和东部山地属中温带针阔叶林区，针叶树种以红松(Pinus koraiensis)为主，阔叶树种有蒙古栎(Quercus mongolica)、紫椴(Tilia amurensis)、色木槭(Acer mono)等。
人类活动的不断加剧及火灾活动的频发导致樟子松逐渐减少，而且随着白桦等阔叶次生林的生长，逐步形成了针阔混交林(中国科学院中国植被图编辑委员会,2007)。
2.2研究数据2.2.1森林资源清查数据本文采用的黑龙江省森林面积数据来自《全国森林资源统计》(1999-2003年)(国家林业局森林资源管理司,2005)。
参考《国家森林资源清查主要技术规定》(国家林业局,2014)和《中国森林》(中国森林编辑委员会,1997)，将森林资源统计中的各乔木优势树种划分为4种类型，即常绿针叶林(ENF)、落叶针叶林(DNF)、落叶阔叶林(DBF)和混交林(MF)，其面积分别为83.82万hm2、394.89万hm2、1198.28万hm2和115.19万hm2。
图1研究区空间位置和边界示意图Fig.1Location and boundary of the study area656第5期袁玉娟等：基于阈值分割的黑龙江省森林类型遥感识别2.2.2MODIS NDVI数据研究区2000年的MODIS地表反射率数据(MOD09A1)为500m空间分辨率，8d合成的三级产品，通过NASA Land Processes Distributed ActiveArchive Center(LPDAAC)获取。
MOD09A1产品已经进行了云和气溶胶等校正(Vermote et al,2015)。
NDVI由红外反射率(ρRed)和近红外反射率(ρNIR)通过式(1)计算得到：NDVI=ρNIR-ρRedρNIR+ρRed(1)数据经过云检测、插值和统计，得到NDVI及近红外波段反射率的年最小值(NDVI n，NIR n)、NDVI最大值(NDVI x)、生长旺季(NDVI达最大值前后96d时段)NDVI均值(NDVI a)(Liu et al,2013)。
2.2.3MODIS土地覆盖数据本文采用2001年MODIS土地覆盖数据进行森林类型遥感识别结果的对比分析。
MODIS土地覆盖数据(MCD12Q1)空间分辨率为500m，同样来自NASA LPDAAC。
MCD12Q1是基于大量高精度训练数据，采用监督分类方法形成的，包括自2001年至今逐年土地覆盖数据(Friedl et al,2010)。
MCD12Q1的森林分类与植被图分类体系一致。
2.2.4中国植被图本文以1：100万中国植被图作为地面参考数据来评价森林类型遥感识别精度。
数据来自中国科学院资源环境科学数据中心(/ data.aspx?DATAID=122)。
该植被图基于大量野外调查，反映了20世纪90年代中国主要植被类型及其分布格局(中国科学院中国植被图编辑委员会, 2007)，与本文所识别的2000年森林类型时段相近。
本文将植被图中的森林分为常绿针叶林(ENF)、常绿阔叶林(EBF)、落叶针叶林(DNF)、落叶阔叶林(DBF)及混交林(MF)，并进行投影转换和栅格化，使之与MODIS空间分辨率相匹配。
