[发明专利]一种基于无人机RGB相机的植被冠层高度快速提取方法

说明书

本发明具体是指一种基于无人机RGB相机的植被冠层高度快速提取方法，基于无人机沿设定航带飞行采集的正摄影像，采用运动结构算法生成三维密集点云，结合进取式两步滤波和Otsu分割(ExG‑ExR)指数得到的二值图实现地面点滤波，对地面点进行规则化网格处理，基于剖面线最小二乘二次拟合和预测的基本思想，对网格化地面点按照行和列分别进行快速插值以得到两个插值后的地面模型，将两个地面模型取平均得到最终地面模型，对原始密集点云进行相同分辨率的网格化处理，利用原始网格化点云减去最终地面模型得到植被冠层高度模型；本发明在地面点滤波中利用点云RGB信息简化了两步滤波的参数选择难度，提出的插值算法相比传统算法耗时更少但得到的精度相似。

技术领域

本发明涉及生态环境植被冠层提取技术领域，具体是指一种基于无人机RGB相机的植被冠层高度快速提取方法。

背景技术

植被作为生态系统中的重要组成部分，是生态系统的主要生产者，与其他要素(如土壤水和地下水)的联系最为密切，在抑制荒漠化和保护生物多样性等方面有着重要意义。植被冠层高度是评估区域植被生物量及健康状况的最常用的指标之一。

基于无人机的遥感测量客服了传统人工测量效率低的弊端，当前使用无人机获取植被高度的主要手段是光探测与测距(LiDAR)技术，进而导致地面滤波算法及插值算法也主要集中在LiDAR数据研究。近年来，计算机硬件性能和图像匹配软件的同步改进使得使用运动结构的立体图像密集匹配速度更快、精度更高。这些最新的技术发展使得摄影测量成为LiDAR的一个竞争性的替代品。

相比于LiDAR，SFM生成的三维点云格式虽然与LiDAR数据相似，但由于其生产原理，点云与LiDAR点云也有所差异，主要体现在：无法穿透密集的植被冠层，在复杂冠层结构的植被区域地面点较少，且分辨低矮植被的能力比LiDAR低；点云数量是LiDAR点云的几十倍甚至百倍以上，是真正的“密集点云”；点云附带RGB信息。而当前的地面滤波算法大多依赖精确的结构阈值参数设定，未考虑点云RGB信息；当非地面点没有被完全剔除时，残存的非地面点往往使基于一定邻域地面点的传统插值算法对植被区域地表的高估，进而造成冠层高度的低估；插值的高效算法尚未引入，计算复杂性是插值算法的一个常见问题，传统算法的效率显得过于低下，想快速获取区域冠层高度时变得尤为困难。

发明内容

本发明针对现有技术的不足，提供一种基于无人机RGB相机的植被冠层高度快速提取方法。

一种基于无人机RGB相机的植被冠层高度快速提取方法，包括以下步骤：

步骤1、基于无人机获取的影像数据，采用运动结构方法处理生成带有RGB波段信息的三维密集点云；

步骤2、基于进取式两步滤波对密集点云进行地面点滤波，同时计算点云(ExG-ExR)指数，基于Otsu分割(ExG-ExR)指数得到地面点，将进取式两步滤波和Otsu得到的地面点取交集得到地面点云；

步骤3、基于步骤2中得到的地面点云，进行规则网格化；

步骤4、基于步骤3中的规则网格化的地面点云，按照行和列方向提取剖面线，对每条剖面线进行最小二乘二次拟合和预测补齐所有地面空洞，得到按照行和列补全的两个面模型，对前述两个进行加权平均得到加权平均地面模型；

步骤5、对步骤1中得到的三维密集点云进行同步骤3相同的规则网格化得到原始地表模型，原始地表模型减去步骤4获得的加权平均地面模型，得到冠层结构模型。

进一步地，所述步骤1中，无人机获取影像数据的方法为：根据植被冠层高度区形状预设覆盖全区域的两组相互垂直的航带，航向和旁向重叠度均达到80％；

所述步骤1中，生成三维密集点云的方法为：基于SIFT算子和采样一致性算法RANSC进行特征点提取和匹配，采用光束法平差优化重建结果，最后基于面片的三维多视角立体视觉算法PMVS得到密集点云。