一种基于园林绿化的植被覆盖密度评估方法与流程

1.本发明涉及图像处理技术领域，具体涉及一种基于园林绿化的植被覆盖密度评估方法。


背景技术：

2.城市园林的绿植及其绿植覆盖率估算是对于城市生态以及居住环境的重要参考。早期利用常规技术进行树木株数及其树冠覆盖率的测算比较费工、费时。现有利用无人机遥感技术对城市园林绿化植被进行密度评估，这对于园林植被的养护、布局、生长监测等相关领域都具有重要意义。
3.无人机在高空拍摄园林遥感图像时，总会受到风力、光线等因素干扰，进而造成图像质量参差不齐，所以需要先进行一系列的预处理操作提高图像的可信度和清晰度，为后期的特征提取、分类等提供了更精确可靠的图像信息，但常规的滤波、均衡化等预处理操作存在丢失图像细节的问题，虽然对整体绿化覆盖率的评估结果影响不大，但对于不同种类绿植的覆盖密度进行评估时，图像细节丢失也会带来不同种类绿植之间层次感的丢失，对评估结果影响较大，使得评估结果并不准确。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于园林绿化的植被覆盖密度评估方法，所采用的技术方案具体如下：获取园林高空遥感图像，对该图像进行初步降噪，将初步降噪后的图像中的背景部分进行掩膜遮盖得到园林高空的初始遥感图像；获取初始遥感图像中所有闭合的连通域的面积，根据面积对所有闭合的连通域进行分类；根据分类结果中各类别内闭合的连通域的数量和面积得到类别特征值，根据最大类别特征值对应的类别内连通域的面积得到各闭合的连通域的评价特征值，根据所述评价特征值确定可疑噪声区域和非可疑噪声区域；根据可疑噪声区域内像素点到非可疑噪声区域边缘的最短距离得到可疑噪声区域内像素点对应的特征长度，根据特征长度确定像素点对应的最大窗口尺寸；在小于或等于最大窗口尺寸的范围内选择不同的尺寸，根据不同的尺寸对应的窗口内属于可疑噪声区域的像素点的数量确定最佳窗口尺寸；利用最佳窗口尺寸对初始遥感图像进行二次降噪，根据降噪后的图像获得植被的分布密度。
5.优选地，所述将初步降噪后的图像中的背景部分进行掩膜遮盖得到园林高空的初始遥感图像具体为：对初步降噪后的图像进行边缘检测，获取各闭合边缘的边缘像素点，并获取各边缘像素点的梯度方向，根据边缘像素点的梯度方向上相邻的边缘像素点之间的像素值差值得到边缘像素点的像素差异值，根据闭合边缘的边缘像素点对应的像素差异值确定背景区
域；对背景区域进行掩膜遮盖得到园林高空的初始遥感图像。
6.优选地，所述类别特征值的获取方法具体为：其中，表示类别对应的类别特征值，表示类别内闭合的连通域的总数量，表示类别内所有闭合的连通域的面积均值，表示所有类别中所有闭合的连通域的面积均值，表示类别内所有闭合的连通域的面积的方差，exp()表示以自然常数e为底的指数函数。
7.优选地，所述评价特征值的获取方法具体为：其中，表示第v个闭合的连通域的评价特征值，表示最大类别特征值对应的类别内所有闭合的连通域的面积均值，表示第v个闭合的连通域的面积。
8.优选地，所述根据所述评价特征值确定可疑噪声区域和非可疑噪声区域具体为：设置特征阈值，若闭合的连通域对应的评价特征值大于或等于特征阈值，则该闭合的连通域为可疑噪声区域，否则为非可疑噪声区域。
9.优选地，述根据特征长度确定该像素点对应的最大窗口尺寸具体为：若可疑噪声区域内像素点的特征长度的取值为奇数，则该像素点对应的最大窗口尺寸与特征长度相同；若可疑噪声区域内像素点的特征长度的取值为偶数，则该像素点对应的最大窗口尺寸为特征长度的取值加1。
10.优选地，所述最佳窗口尺寸的获取方法具体为：若可疑噪声区域内像素点对应的最大窗口尺寸的取值为3，则该像素点对应的最佳窗口尺寸的大小为3*3；若像素点可疑噪声区域内像素点对应的最大窗口尺寸的取值大于3，则在小于最大窗口尺寸的范围内选择不同的尺寸，计算不同的尺寸对应的窗口内属于可疑噪声区域内的像素点数量与窗口内像素点的总数量之间的比值，获取比值的最小值对应的尺寸记为像素点的最佳窗口尺寸。
11.本发明实施例至少具有如下有益效果：本发明在对园林高空遥感图像进行初步降噪后，将图像中的背景部分进行掩膜遮盖得到初始遥感图像，考虑到了背景部分对图像进行二次滤波降噪的影响，能够在一定程度避免出现二次滤波降噪时出现图像失真的问题；根据分类结果中各类别内闭合的连通域的数量和面积得到类别特征值，通过分析各类别内闭合的连通域的数量特征以及面积特征，能够筛选出符合噪声部分特征的类别，进而可以获取噪声部分对应的连通域面积特征，能够进一步确认图像中可能属于噪声的区域以及不可能属于噪声的区域；进而根据可疑噪声区域内像素点到非可疑噪声区域边缘的最短距离得到可疑噪声区域内像素点对应的特征长度，充分考虑对像素点进行滤波降噪时，自适应选择的尺寸对应的窗口内应当尽可能
多的包含非噪声部分，使得最终二次降噪时能够保留图像中细节纹理的同时，降噪效果更好，进而利用二次降噪后的图像获得植被的分布密度时，能够获得更加准确的评估结果。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1是本发明的一种基于园林绿化的植被覆盖密度评估方法的方法流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于园林绿化的植被覆盖密度评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.下面结合附图具体的说明本发明所提供的一种基于园林绿化的植被覆盖密度评估方法的具体方案。
17.实施例：本发明所针对的情景具体为：无人机在高空拍摄园林遥感图像时，总会受到风力、光线等因素干扰造成图像质量参差不齐，所以需要先进行一系列的预处理操作提高图像的可信度和清晰度，为后期的特征提取、分类等提供了更精确可靠的图像信息，但常规的滤波、均衡化等预处理操作存在丢失图像细节的问题，虽然对整体绿化覆盖率的评估结果影响不大，但对于不同种类绿植的覆盖密度进行评估时，图像细节丢失也会带来不同种类绿植之间层次感的丢失，对评估结果影响较大。
18.请参阅图1，其示出了本发明一个实施例提供的一种基于园林绿化的植被覆盖密度评估方法的方法流程图，该方法包括以下步骤：步骤一，获取园林高空遥感图像，对该图像进行初步降噪，将初步降噪后的图像中的背景部分进行掩膜遮盖得到园林高空的初始遥感图像；获取初始遥感图像中所有闭合的连通域的面积，根据面积对所有闭合的连通域进行分类。
19.首先，利用无人机在高空拍摄园林的图像，并对该图像进行灰度化处理得到园林高空遥感图像，对图像进行灰度化处理是为了减少过多色彩信息的干扰，并且在进行预处理操作时相较于彩色图像具有更快的速度。
20.需要说明的是，在遥感数据采集过程中，由于大气、光线、反射光等干扰因素，经常会导致园林高空遥感图像内含有大量椒盐噪声，因此在进行绿植覆盖密度分析之前需要对园林高空遥感图像进行噪声去除的操作。一般情况下，噪声是比较小的图斑，类似于在一张面饼上随机分布的椒盐，所以可以将其看作椒盐点去除。
21.一般中值滤波对椒盐噪声点的去除效果最佳，但是不同尺度下的滤波核去噪效果明显不同，滤波尺度较小会导致噪声点去除不完全，尺度过大则又会丢失图像原本的细节信息。并且由于种植密度、光线角度的不同，园林遥感图像上不同区域的光照程度存在差异，在绿植较密集的区域，地面阴影连成一片，使其呈现较低的灰度值区域，这部分区域极容易与绿植部分发生混淆，在对图像进行降噪处理时，若滤波核尺寸选择不当，则极易导致原始图像上较弱的纹理消失。因此，需要选择合适尺寸的滤波核对图像进行滤波处理，使得图像中的噪声能够被去除的同时不会丢失图像原始的细节纹理。
22.然后，为了避免滤波核尺寸选择不当使得图像失真，首先对园林高空遥感图像进行初步降噪处理，在本实施例中采用中值滤波对园林高空遥感图像进行初步降噪处理，由于滤波核尺寸过小可能会导致图像中的噪声去除不完全，滤波核尺寸过大可能会丢失图像中的细节纹理，因此在对园林高空遥感图像进行初步降噪时，选择最小的滤波核尺寸，即尺寸大小为3*3。利用该尺寸大小对园林高空遥感图像进行降噪处理时，可以将边缘平滑的影响程度降到最低，但是噪声不会被完全去除，得到一幅降噪效果并不理想的遥感图像，此时图像上大量噪声可以去除，但仍有噪声残留。进而需要选择合适的滤波核尺寸对初步降噪后的遥感图像进行二次滤波处理。
23.进一步的，获取初步降噪后的图像中的背景部分，将初步降噪后的图像中的背景部分进行掩膜遮盖得到园林高空的初始遥感图像。对图像中的背景部分进行掩膜遮盖，使得图像进行二次滤波时仅对图像中的前景部分进行处理，可以仅消除噪声，并且不对背景部分进行滤波进而避免出现前景部分的边缘过度平滑的问题，进而在一定程度上避免二次滤波时图像失真的问题。其中，对图像中的背景区域进行掩膜遮盖为公知技术，在此不再过多介绍。
24.具体地，对于园林绿植的遥感图像而言，所有植物的图像为前景信息，地面及其他背景部分属于背景信息。提取图像中的背景部分为公知技术，实施者可根据实际情况选择合适的方法进行获取。
25.在本实施例中，获取图像中的背景部分的方法具体为：对初步降噪后的图像进行边缘检测，获取各闭合边缘的边缘像素点，利用sobel算子对初步降噪后的图像进行梯度检测，获得各边缘像素点的梯度方向，其中，sobel算子是利用两个卷积核分别对图像水平和垂直方向进行卷积，并结合两个卷积结果求出每个边缘像素点的梯度方向。同时，利用sobel算子对图像进行边缘检测为公知技术，在此不再过多介绍。
26.由于图像中的前景部分相较于背景部分之间的差异较大，则前景部分的区域的边缘像素点的像素值，相对于背景部分的区域内的像素点的像素值，都是统一高于或统一低于背景部分的区域内的像素点的像素值，即闭合边缘上各边缘像素点与其梯度方向上相邻的像素点的灰度值差异性保持一致。故根据边缘像素点的梯度方向上相邻的边缘像素点之间的像素值差值得到边缘像素点的像素差异值，根据闭合边缘的边缘像素点对应的像素差异值的正负性是否统一确定背景区域，若统一，则对应的闭合边缘内的区域为前景区域，其他闭合边缘内的区域为背景区域。
27.最后，由于本实施例对园林中的植被图像进行预处理操作，则图像中的前景部分可能包含了多种植被，同时存在噪声点，则每个植被在图像中均对应一个局部最大的闭合的连通域，在植被对应的局部最大的闭合的连通域内，可能存在较多的噪声点，且噪声点表
现在图像中也为闭合的连通域，在本实施例中，以一个植被对应的局部最大的闭合的连通域为例进行说明，图像中所有植被对应的局部最大的闭合的连通域均作相同的处理。即首先获取初始遥感图像中的任意一个局部最大连通域。
28.具体地，所述局部最大连通域的获取方法具体为：判断闭合连通域的包含关系，当一个连通域无法被其余连通域所包含，则该连通域为初始遥感图像内部所包含的局部最大连通域。获取局部最大连通域中所有闭合的连通域的面积，根据面积对所有闭合的连通域进行分类，得到至少两个类别。其中，局部最大连通域内各闭合的连通域可能为噪声部分，也可能为植被的纹理部分。
29.步骤二，根据分类结果中各类别内闭合的连通域的数量和面积得到类别特征值，根据最大类别特征值对应的类别内连通域的面积得到各闭合的连通域的评价特征值，根据所述评价特征值确定可疑噪声区域和非可疑噪声区域。
30.首先，由于椒盐噪声具有随机分布、面积较小且均匀的特征，对各类别内闭合的连通域进行分析，若类别内闭合的连通域的面积越小、越均匀，且类别内闭合的连通域的数量相对较多，则该类别内各闭合的连通域越可能属于椒盐噪声。即可根据分类结果中各类别内闭合的连通域的数量和面积得到类别特征值，用公式表示为：其中，表示类别对应的类别特征值，表示类别内闭合的连通域的总数量，表示类别内所有闭合的连通域的面积均值，表示所有类别中所有闭合的连通域的面积均值，表示类别内所有闭合的连通域的面积的方差，exp()表示以自然常数e为底的指数函数。
31.表示类别内所有闭合的连通域的面积均值与所有类别中所有闭合的连通域的面积均值之间的比值，能够反应类别内所有闭合的连通域的面积均值与所有闭合的连通域的面积均值之间的差异关系，当类别内所有闭合的连通域的面积均偏小时，该比值的取值越小，对应的类别特征值的取值越大，说明该类别内各闭合的连通域越可能属于椒盐噪声，进而利用指数函数进行反比例归一化并矫正逻辑关系。
32.能够反应类别内所有闭合的连通域的面积的波动情况，该取值越小，说明类别内所有闭合的连通域的面积之间的波动越小，即差异越小，进而说明类别内所有闭合的连通域的面积越均匀，则对应的类别特征值的取值越大，说明该类别内闭合的连通域越符合椒盐噪声点分布具有普遍性、大小均匀的特征，该类别内闭合的连通域越可能属于椒盐噪声，而不同的前景图像的内部纹理是不具备普遍性，且面积可能各不相同，同时利用指数函数进行反比例归一化并矫正逻辑关系。
33.表示对类别内所有闭合的连通域的面积的
均值参数和方差参数进行l2范数的计算，该均值参数和方差参数均属于类别内闭合的连通域的面积的数值特征，因此利用l2范数进行整合。考虑到噪声点的分布数量比图像中纹理信息的分布数量较多的情况，当的取值越大时，说明类别内闭合的连通域的数量越多，则对应的类别特征值的取值越大，说明该类别越可能属于椒盐噪声。
34.由于椒盐噪声具有随机分布、面积较小且均匀，同时数量相对较多的特征，故当类别特征值的取值越大时，说明对应类别内闭合的连通域的面积越小且越均匀，闭合的连通域的数量越少，则该类别越可能为椒盐噪声所在类别，故选择所有类别中类别特征值最大的类别，该类别即为椒盐噪声所在类别，将该类别内所有闭合的连通域的面积均值作为判断噪声分布的可参考标准。
35.进一步的，将局部最大连通域内各闭合的连通域的面积分别与椒盐噪声所在类别内所有闭合的连通域的面积均值进行比较，当两者之间的差异越小时，则说明该闭合的连通域越可能属于椒盐噪声。基于此，根据最大类别特征值对应的类别内连通域的面积得到各闭合的连通域的评价特征值，用公式表示为：其中，表示第v个闭合的连通域的评价特征值，表示最大类别特征值对应的类别内所有闭合的连通域的面积均值，即噪声所在类别内所有闭合的连通域的面积均值，表示第v个闭合的连通域的面积。
36.表示椒盐噪声所在类别内所有闭合的连通域的面积均值与第v个闭合的连通域的面积之间的比值，该比值能够反应两者之间的相似程度，该比值的取值越接近于1，则说明第v个闭合的连通域的面积越符合噪声的面积特征，第v个闭合的连通域属于噪声的可能性越大。
37.表示数值1与两者之间相似程度的差异，该差异越小，说明第v个闭合的连通域属于噪声的可能性越大。表示第v个闭合的连通域的概率值，即所述差异越小，对应的闭合的连通域为噪声的概率值越大，即评价特征值的取值越大。
38.最后，按照上述方法获得所有闭合的连通域对应的评价特征值，设置特征阈值，若闭合的连通域对应的评价特征值大于或等于特征阈值，则该闭合的连通域为可疑噪声区域，否则为非可疑噪声区域。其中，非可疑噪声区域可能为图像中植被自身的纹理特征所在区域。
39.步骤三，根据可疑噪声区域内像素点到非可疑噪声区域边缘的最短距离得到可疑噪声区域内像素点对应的特征长度，根据特征长度确定该像素点对应的最大窗口尺寸；在小于或等于最大窗口尺寸的范围内选择不同的尺寸，根据不同的尺寸对应的窗口内属于可疑噪声区域的像素点的数量确定最佳窗口尺寸。
40.具体地，按照上述方法已经获得可疑噪声区域以及非可疑噪声区域，将非可疑噪
声区域进行掩膜遮盖处理，即认为这部分区域内不存在噪声点，则不需要对其进行二次滤波处理，仅对可疑噪声区域中的各像素点进行处理即可。其中，对图像中的区域进行掩膜遮盖为公知技术，在此不再过多介绍。
41.在对可疑噪声区域中的可疑噪声部分进行去除时，需要根据局部最大连通域内包含的非可疑噪声区域中的纹理信息，判断将不同的可疑噪声区域去除时需要的滤波核尺寸。由于在对图像进行滤波时，滤波核尺寸对应的窗口内属于非噪声的像素点越多，去除噪声的效果越好，滤波核尺寸对应的窗口内各种元素越复杂，即滤波核尺寸对应的窗口内既含有较多非噪声的像素点，也含有较多噪声的像素点，则通过滤波进行去除噪声的效果越差。
42.基于此，在对可疑噪声区域内像素点进行滤波处理时，所采用的滤波核尺寸对应的窗口内应该尽可能的包含较多的非噪声部分的像素点，同时，该窗口内应当尽可能的不包含植被自身纹理对应的像素点。由于非可疑噪声区域可能为植被自身的纹理特征所在区域，因此，通过可疑噪声区域内像素点到其周围非可疑噪声区域的边缘线的最短距离获得滤波核尺寸，在该滤波核尺寸对应的窗口内，尽可能的包含较多的非噪声部分的像素点，又不包含非可疑噪声区域内的像素点。
43.在本实施例中，获取非可疑噪声区域的边缘像素点，根据可疑噪声区域内像素点与非可疑噪声区域的边缘像素点之间的距离最小值得到可疑噪声区域内像素点对应的特征长度，用公式表示为：其中，表示可疑噪声区域内第c个像素点对应的特征长度，以图像左上角为原点建立以像素点为单位的直角坐标系。像素点的横坐标与纵坐标分别是在其图像中所在的列数与所在行数。和分别表示可疑噪声区域内第c个像素点在图像上的横坐标和纵坐标，和分别表示非可疑噪声区域的边缘像素点的横坐标和纵坐标，min()表示求最小值函数。
44.同时，实施者也可根据实际情况选择其他合适的方法获取可疑噪声区域内像素点到其周围非可疑噪声区域的边缘线的最短距离。
45.进一步的，由于中值滤波算法中滤波核的尺寸大小均为奇数，因此需要根据特征长度确定可疑噪声区域内像素点对应的最大窗口尺寸。具体地，若可疑噪声区域内像素点的特征长度的取值为奇数，则该像素点对应的最大窗口尺寸与特征长度相同；若可疑噪声区域内像素点的特征长度的取值为偶数，则该像素点对应的最大窗口尺寸为特征长度的取值加1。
46.在获取可疑噪声区域内像素点对应的最大窗口尺寸后，若像素点可疑噪声区域内像素点对应的最大窗口尺寸的取值为3，则该像素点对应的最佳窗口尺寸的大小为3*3。即当最大窗口尺寸的取值为3时，滤波核的尺寸大小此时最小，且仅能使用尺寸大小为3*3的滤波核进行滤波降噪处理。
47.若像素点可疑噪声区域内像素点对应的最大窗口尺寸的取值大于3，则在小于或等于最大窗口尺寸的范围内选择不同的尺寸，在各尺寸对应的窗口内，根据窗口内属于可
疑噪声区域内的像素点数量与窗口内像素点的总数量的比值，确定最佳窗口尺寸。
48.具体地，计算不同的尺寸对应的窗口内属于可疑噪声区域内的像素点数量与窗口内像素点的总数量之间的比值，获取比值的最小值对应的尺寸记为像素点的最佳窗口尺寸。即该比值表示不同尺寸对应的窗口内属于噪声部分所占窗口整体的比例，该比例越小，则说明在对应窗口内属于非噪声部分的像素点较多，则利用该尺寸进行滤波时的效果更好。
49.本实施例在满足可疑噪声区域内每个像素点的最大窗口尺寸内调整最终的滤波核尺寸，当某个滤波核尺寸对应的窗口内的可疑噪声部分的占比越小，则说明在该窗口内属于非噪声部分的像素点越多，则利用对应的滤波核尺寸进行降噪处理时的噪声去除效果越好。
50.步骤四，利用最佳窗口尺寸对初始遥感图像进行二次降噪，根据降噪后的图像获得植被的分布密度。
51.具体地，根据上述步骤获取的可疑噪声区域内像素点的最佳窗口尺寸对初始遥感图像进行二次降噪，在本实施例中利用中值滤波算法进行降噪处理。
52.需要说明的是，本发明首先通过二次去噪来避免单次去噪时滤波核尺寸选取不当的问题，其次通过分割前景、背景区域来避免二次分割造成图像细节大幅丢失的问题，然后对残留在前景区域内的噪声进行识别，并获取可疑噪声的分布、位置信息，并针对不同可疑噪声与非可疑噪声纹理的间隔距离获取自适应滤波核尺寸，利用中值滤波核进行去噪滤波，得到前景部分较为清晰的遥感图像，背景部分即使含有少量噪声，也不会对后续植被密度的评价结果产生影响。
53.进一步的，对二次降噪后的图像进行特征匹配，将其按照同类型的植物进行标记，以每个植物在图像中的质心点作为目标点，计算不同类型植物的分布密度，目标点的分布密度的获取方法为公知技术，在此不再过多介绍。
54.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。