顧及無人機影像點云特征的綠地信息分類方法

李佳, 王明果, 王云川, 詹順, 段平,*

顧及無人機影像點云特征的綠地信息分類方法

李佳1, 王明果2,3, 王云川1, 詹順1, 段平1,*

1. 云南師范大學地理學部, 昆明 650500 2. 云南省地質科學研究所, 昆明 650501 3. 云南省地礦測繪院, 昆明 650218

采用無人機影像進行綠地信息分類時, 常利用影像光譜、紋理、形狀等分類特征, 忽視了通過無人機影像生成點云構建的數字表面模型(Digital surface model, DSM)和數字高程模型(Digital elevation model, DEM)差異特征。基于此, 提出一種顧及無人機影像點云特征的綠地信息分類方法。方法首先基于攝影測量理論對研究區無人機影像進行空三計算, 并生成點云, 在此基礎上構建DSM、DEM和數字正射影像(Digital Orthophoto Map, DOM); 然后, 利用DSM和DEM模型構建地物高度差異模型(normalized Digital Surface Model, nDSM); 最后, 利用可見光波段差異植被指數(Visible-band difference vegetation index, VDVI)對DOM進行植被與非植被分類, 并結合nDSM對植被進行分類。以昆明市呈貢區白龍潭公園為研究區進行綠地信息分類,系數精度達到0.862, 實驗表明本文的方法對城市綠地調查具有實際意義。

綠地分類; 無人機; 可見光植被指數; 點云

0 前言

城市綠地分類是城市對綠地規劃、設計、建設、管理和統計的技術基礎[1]。城市綠地具有放氧、除塵、防噪、防風, 調節小氣候等重要生態功能[2], 是城市生態系統的重要組成部分。城市不同區域所要求和營造的綠地類型也各不相同[3]。因此, 根據不同的功能及生境掌握城市綠地信息類別對城市健康發展和提高城市生活環境具有重大意義。

傳統的城市綠地分類調查通常依賴于人工調查, 該方法內容詳細, 精度較高, 但需要大量的人力物力及財力[4]; 采用從天對地觀測技術, 利用遙感衛星進行地物調查不僅能提供準確、大面積的地面信息, 并且其具有多個波段信息, 為城市大面積綠地調查提供了方便[5-7]。但是遙感衛星存在獲取數據周期較長、易受云霧等天氣影響的問題。

無人機航空遙感作為近年來一種從低空對地觀測的技術, 具有機動性強、速度快、成像分辨率及精度高等優點, 為城市綠地信息提取提供了新方法[8-10]。大多數無人機僅搭載可見光相機, 無法獲取近紅外等可見光之外的波段信息, 因此無法直接構建如歸一化差值植被指數(normalized difference vegetation index, NDVI)等進行植被提取。對此, 眾多國內外學者根據綠色植物在可見光波段的光譜特征, 構建了多種可見光植被指數[11]。如根據可見光影像的特點提出了可見光波段差異植被指數(visible- band difference vegetation index, VDVI), 并對僅含可見光波段無人機遙感影像的健康綠色植被信息具有較好的提取效果[12-14]。利用無人機遙感影像進行地物識別主要集中于植被覆蓋度的提取[15-17], 即側重于分析無人機影像的光譜特征, 進行單一地物的識別, 而忽視了無人機影像重建點云的空間特征。無人機影像點云包含了各類地物的空間位置和高度特征, 面對同一區域的多種植被時, 根據不同植被種類利用其高度特征可有效對其進行提取與分類。以無人機高光譜數據和數字表面模型(Digital surface model, DSM)為數據源, 利用面向對象技術對紅樹林濕地進行植被識別, 并證明高度信息可有效分離光譜特征相似但平均高度不同的紅樹林物種[18]; 此外, 以巖溶濕地區域為主要研究對象, 利用無人機可見光影像結合研究區DSM進行植被識別, 結果表明DSM空間信息對巖溶濕地植被識貢獻率較大[19]。因此, 利用無人機可見光影像的光譜特征與空間特征進行植被的識別與分類, 在城市綠地分類中具有較好前景。

本文利用無人機獲取的可見光影像, 經空三加密、密集匹配、點云濾波、正射糾正等處理構建影像點云。根據點云生成數字高程模型(Digital elevation model, DEM)、DSM與數字正射影像(Digital Orthophoto Map, DOM), 采用差值運算構建地物高度差異模型(normalized Digital Surface Model, nDSM), 根據無人機影像的光譜特征構建VDVI提取植被信息, 結合nDSM中不同植被的高度信息對植被進行分類, 并對提取結果進行評價分析。

1 研究區及數據

1.1 研究區概況

研究區為昆明市呈貢區白龍潭公園, 如圖1所示。整個公園環白龍潭水庫而建, 綠地居多, 植被品種繁多, 水杉林居多, 栽培喬木、灌木、草地構成了層次感, 因此選此區域作為典型研究區。

1.2 實驗數據

選用大疆精靈4 pro為數據采集設備。航飛前, 在研究區內均勻布設9個控制點, 采用GPS-RTK的方式獲取其真實坐標, 用以進行絕對定位。數據采集當天多云微風, 光照適中, 有利于數據獲取。采用無人機正射影像采集的方式, 設置航向重疊率85%、旁向重疊率75%, 飛行高度為120米, 共獲取292幅影像。

2 顧及影像點云特征的綠地信息分類

綠地信息分類主要包括四個內容: (1)基于無人機可見光影像, 生成點云, 并在此基礎上構建DSM、 DEM和DOM; (2)根據點云差異特征構建nDSM; (3)VDVI可見光影像植被信息提取; (4)植被信息分類與精度評價。總體流程圖如圖2所示。

2.1 基于影像點云的DSM、 DEM與DOM構建

以無人機可見光影像為數據源, 構建DSM、DEM和DOM。首先針對無人機可見光影像進行空中三角測量[20], 即: 以無人機攝影瞬間的POS數據為初始外方位元素, 并結合實測控制點信息進行平差, 求解出每幅影像真實的空間位置與姿態, 以及關鍵連接點的地面坐標, 生成稀疏點云; 恢復每幅影像的真實姿態后, 在同名像對間利用CMVS和PMVS算法分別對影像表面計算, 識別出多幅影像間的同名點, 生成高密度點云[21]。

圖1 研究區域

Figure 1 Study area

圖2 總體流程圖

Figure 2 The overall flow chart

對生成的離散點云建立DSM即通過進行三角形構建[22], 組成一張能覆蓋整個區域的格網, 且構建的三角形不能相交, 每個三角形覆蓋的節點的面都被定義為已知信息, 建成三角形的所有點都受三角形的表面限制, 從而精確表達真實地面形態; 根據DSM 的三角網格具有幾何約束特點, 對其進行濾波[23], 剔除高于地面的喬木以及建筑物等地物信息, 僅保留地面點信息, 通過構建高程格網, 生成研究區DEM; 由于無人機航攝相機采用中心投影的方式獲取地面航空影像, 采用數字微分糾正, 結合研究區DSM, 按一定的數學模型用相關控制點解算, 從原始非正射投影的航攝影像獲取具有真實位置的正射影像, 完成單幅影像正射糾正后, 采用多視原理對正射影像重疊區域進行裁切與鑲嵌, 得到完整的研究區域DOM。

2.2 地物高度差異模型

DSM包含建筑物、植被等各種地表地物的高程信息, 而DEM是不包含建筑物、植被等各地表地物的高程信息。由于DSM與DEM在地物高程上具有顯著的差異特征, 通過差值分析獲取nDSM模型即從DSM中消除因地形起伏而造成的高度變化, 僅提取出建筑物、植被等各類地物高度信息, 為地物(喬木、灌木、草地、建筑物等)提取分類提供可靠依據。nDSM計算公式如下:

式中: DSM(,)為DSM在第行第列的高程值, DEM(,)為DEM在第行第列的高程值。利用無人機可見光影像實現密集點云的重建和DOM生成, 并對點云進行濾波與插值獲得研究區DEM與DSM模型, 對DEM格網與DSM格網進行求差分析, 得研究區nDSM模型, 研究區DEM、DSM、nDSM如圖3所示。

2.3 基于VDVI的植被信息提取

VDVI綜合利用了植被在綠光波段的反射及在紅光和藍光波段的吸收特性, 其形式與 NDVI 相似, 能較好地區分植被與非植被, 并且其植被與非植被閾值確定比較簡單, 在0值附近[12]。由于無人機影像僅包含可見光波段, 因此采用VDVI識別植被與非植被。VDVI計算公式如下:

式中:、、分別為DOM在紅、綠、藍三個波段處的像元值。VDVI值域為[-1,1]。根據計算出的VDVI, 利用灰度分割方法對綠地進行提取。

2.4 綠地信息分類規則構建

2.4.1 變異分析

由無人機影像記錄了采樣時的地物信息, 基于無人機攝影測量原理構建研究區實景三維模型, 從中隨機抽取喬木、灌木各30個樣本點, 測量其空間高度。根據該樣本數據分別計算喬木、灌木的標準差、均值及其變異系數, 結果如下表1所示。結合研究區實際情況與表1可知, 由于研究區內灌木種類較多, 其長勢差異較大, 抽樣中灌木最低高程為0.36 m, 最大高程為2.65 m, 因此導致研究區內灌木的變異系數值較高, 達到65%; 相比而言, 研究區內喬木長勢較為高大, 偶有高程較低的樣本, 其中喬木最低高程為2.23 m, 最大高程為6.45 m, 其變異系數為0.29。

2.4.2 基于決策樹的綠地信息分類

決策樹模型具有準確性高、無需先驗知識等優勢, 采用決策樹對無人機可見光影像進行植被分類, 根據地物的高度將植被分為喬木、灌木及草地。分類規則以地物光譜分析和nDSM模型為標準。首先，根據無人機可見光影像進行各地物類型采樣, 提取喬木、灌木和草地在VDVI和nDSM上的特征曲線圖; 然后根據特征曲線圖確定喬木、灌木和草地的提取閾值, 構建決策樹對研究區無人機DOM實現綠地信息分類; 最后利用混淆矩陣計算綠地信息分類精度與系數, 對綠地信息分類結果進行精度評價與驗證。

由VDVI提取出的綠地信息, 結合nDSM中不同植被的高度信息對其進行分類。結合研究區灌木、喬木抽樣調查結果可知, 灌木高程較離散, 難以通過閾值準確將其與草地、喬木剝離, 通過實驗分析, 將0.6 m與2 m分別設定為nDSM中灌木的高程下限與高程上限時, 研究區植被提取與分類效果最佳。同時, 設定nDSM<0.6 m提取為草地, nDSM>2 m的植被提取為喬木, 決策樹如圖4所示。

圖3 研究區無人機成果

Figure 3 UAV results in the study area

表1 研究區植被抽樣調查結果

3 結果與分析

3.1 植被信息提取結果

分類前對研究區進行樣本選擇, 樣本選擇要均勻分布, 具有代表性。基于感興趣區域(Region of Interest, ROI)選擇樣本, 選取實驗樣本用于光譜、空間分析, 選取驗證樣本用于后期精度評價。

圖4 決策樹

Figure 4 Decision tree

根據研究區DOM, 通過波段計算得到VDVI, 如下圖5所示, 其直方圖分布如下圖6所示。通過直方圖可以發現在0值和0.15值附近有兩個明顯波峰, 分別代表植被與非植被, 而其間的波谷則位于VDVI為0.05時, 因此選取該波谷處的VDVI值作為閾值, 進行植被與非植被的提取, 提取結果如下圖7所示。

3.2 植被分類結果

實驗中, 采用VDVI結合nDSM模型, 基于上述決策樹分類原則, 根據不同高度對植被進行提取分類, 結果如圖8所示, 喬木、灌木、草地等綠地信息被提取出來。

圖5 研究區VDVI

Figure 5 VDVI in the study area

圖6 研究區VDVI直方圖分布

Figure 6 VDVI histogram distribution in the study area

圖7 綠地提取結果

Figure 7 Greenbelt extraction results

3.3 精度分析

采用生產者精度(producer’s accuracy, pa)、用戶精度(user’s accuracy, ua)、總體精度(overall accuracy, oa)以及系數作為精度評價的指標。生產者精度表示某類別正確分類結果與該類別全部分類提取結果之比, 如下圖9中C/A; 用戶精度表示某類別正確分類結果與該類別全部實際情況之比, 如下圖9中C/B; 總體精度與系數常用以整體評價分類模型的效果, 四個精度評價指標的值域均處于[0,1], 值越大表示精度越高。

混淆矩陣是一種評價分類模型好壞的形象化展示工具, 可以統計一系列評價指標對分類提取結果進行評價。混淆矩陣的建立方式如表2所示,和分別表示被正確分類的喬木和非喬木像元,表示喬木被錯分至非喬木的像元,表示非喬木被錯分至喬木的像元。根據混淆矩陣, 生產者精度、用戶精度、總體精度以及系數計算公式如下式(1)—(4)所示。以實驗前選取的驗證樣本對實驗結果進行精度評價, 混淆矩陣見表3, 根據混淆矩陣計算得各類精度如表4所示。

圖8 植被提取分類結果

Figure 8 Vegetation extraction and classification results

圖9 精度計算示意圖

Figure 9 Calculation accuracy schematic

表2 混淆矩陣示意表

式中:為生產者精度,為用戶精度,為總體精度,P為偶然一致性的像元比例。

表3 混淆矩陣

表4 分類精度

從綠地分類結果和混淆矩陣中可以得知, 喬木、草地與其他類別提取精度較高, 灌木提取精度相對較低。其中, 草地與其他類別的生產者精度和用戶精度都較高, 均在0.88以上, 表明其基本不存在錯提和漏提; 喬木用戶精度為0.86, 低于其生產者精度, 說明其提取過程中存在一定的錯提現象, 灌木其生產者精度與用戶精度均偏低, 并且其生產者精度低于其用戶精度, 表明灌木存在漏提現象, 結合研究區內灌木變異系數可知, 研究區內灌木高度特征差異較大, 從而導致部分較高灌木被錯分至喬木, 以及部分較低灌木被錯分至草地。

總體而言, 根據植被的光譜特征和高度信息對其進行分類提取具有比較好的效果, 實驗總體分類精度達到91.26 %, Kappa系數為0.869, 綜上研究的分類提取方法與實際結果具有較高的一致性, 能夠反映真實情況。

4 討論

利用VDVI與nDSM中含有的空間特征相結合, 對無人機影像進行植被提取與分類, 選擇昆明市白龍潭公園為研究區。整個公園以綠地為主, 通過喬木、灌木、地被搭配栽種, 其中喬木占植物品種的80%, 常綠喬木又占喬木的80%, 植物種類豐富, 可代表大多數景觀類城市綠地。本研究區域主色調呈綠色, 缺少一定光譜特征有異于普通植被的植被, 并且研究區內建筑物較少, 在植被提取分類時帶來的干擾較小, 可能導致本文的方法存在一定的局限性, 尤其對于較為復雜的城市綠地區域。然而本研究方法在一般城市綠地植被提取與分類中精度較高, 仍具有較強的實用性。

VDVI充分利用了植被在綠光波段的反射以及在紅光和藍光波段的吸收特性, 其在不同地物背景下都能夠展現出較好的植被提取效果。目前已有相關學者證明VDVI在植被生長良好且與背景地物具有一定差異的農田、草地、林地以及礦山土坡等區域具有較好的提取效果[15,24], 也有學者發現存在少數植被, 如紫葉李, 其光譜特征不同于一般植被, 可能導致提取精度不高[14]; 同時, 利用VDVI提取植被應選擇夏季作為無人機可見光影像的主要時間段。對于大多數植被而言, 夏季往往是其生長最旺盛的時期, 其反映出來的光譜特征也最強烈, 可利用VDVI對其準確提取。

無人機可獲取研究區域的DEM和DSM，可真實地反映研究區域的地表形態, 空中三角測量作為航空攝影測量中最關鍵的一步, 其精度決定了DOM與DSM的可靠性。實驗共布設9個控制點, 其中5個作為像控點參與區域網平差, 4個點用以檢查實驗精度, 均采用“GPS-RTK”方式測量。通過計算4個檢查點的實測坐標與區域網平差得到的三維坐標之間的誤差, 來衡量空中三角測量加密結果的精度。計算得到空三結果其平面中誤差為0.062 m, 高程中誤差為0.034 m, 誤差遠小于《數字航空攝影測量空中三角測量規范》中規定的“1:2000平地地形測量平面中誤差不超過0.6 m, 高程中誤差不超過0.2 m”的要求, 說明本研究所用DOM及DSM產品具有較高幾何精度。然而無人機遙感仍存在一定不足, 如平臺穩定性不夠高、云臺相機分辨率不夠高等問題, 使無人機產品在邊界以及地物相交區域不夠精細, 存在一定的模糊、膨脹等現象, 可能會使一些較低的草地與裸土區分不夠細致, 從而降低植被提取精度; 目前激光雷達技術(Light Detection and Ranging, LiDAR)也廣泛應用于植被三維重建, 激光雷達點云數據量大、精度高, 其中地基式激光雷達技術獲取的點云甚至可達毫米級, 相較于無人機影像點云可更大限度地還原植被真實形態。但激光雷達點云表現為多個不連續的空間點, 難以實現對區域空間的無縫研究, 并且不具備豐富的光譜信息, 其實用性仍受到一定的限制。

本研究中, 喬木與草地因其獨特的空間高度特征而獲得了較好的提取效果, 與之相比, 灌木提取精度略低。其他類別主要為道路、建筑物以及裸土等地物, 其VDVI光譜特征與植被光譜特征差異明顯, 提取效果最好; 同時, 草地與道路及裸土等地物位置最近, 而其中長勢較低的草類與道路和裸土其高度也較相似, 由于無人機重建點云在地物邊界處不夠精確, 從而出現了少部分錯分的現象; 喬木在提取過程中存在一定的錯提現象, 原因是研究區內存在極少灌木其長勢高于研究區內高程較低喬木, 導致這部分灌木被錯提至喬木; 同時, 由于研究區內灌木種類較多, 長勢各不相同, 使灌木在空間特征上與喬木和草地存在一定的交錯現象, 從而導致灌木被錯分或漏分現象較顯著, 因此, 僅通過空間高程特征無法完全將其分類提取。現有研究中除DSM中包含的空間信息外, 有學者[25]充分利用均值、方差、協同性、相異性、熵等多種紋理特征建立分類規則, 在面對具有苔蘚、香蒲、裸地、莎草等情況復雜的濕地植被分類時取得了較好的提取效果, 可為本文后續提高提取精度提供研究參考。

5 結論

本文以輕小型無人機為實驗設備, 獲取研究區域內可見光影像, 綜合利用光譜特征構建無人機可見光影像VDVI來提取植被信息, 通過顧及DEM與DSM模型中點云的差異特征, 采用差值運算得到nDSM以獲取其空間特征, 基于決策樹對研究區進行植被信息的提取與分類。結果表明, 本文方法能夠有效提取出草地、灌木、喬木以及其他地物信息, 且具有較高精度。

[1] 王潔寧, 王浩. 新版《城市綠地分類標準》探析[J]. 中國園林, 2019, 35(4): 92–95.

[2] 王野. 基于資源三號衛星影像的城市綠地信息提取方法探討[J]. 測繪工程, 2014, 23(7): 65–67.

[3] 謝念斯, 劉勝華. 廣州市城市綠地空間格局及其關聯性分析[J]. 生態科學, 2019, 38(3): 55–63.

[4] 楊柳, 陳延輝, 岳德鵬, 等. 無人機遙感影像的城市綠地信息提取[J]. 測繪科學, 2017, 42(2): 59–64.

[5] 唐超, 邵龍義. 高光譜遙感地物目標識別算法及其在巖性特征提取中的應用[J]. 遙感技術與應用, 2017, 32(4): 691–697.

[6] 盧遙, 盧小平, 武永斌, 等. 綜合機載LiDAR與高分影像的煤礦區典型地物提取方法[J]. 測繪通報, 2015(12): 57–59.

[7] 王志波, 高志海, 王琫瑜, 等. 基于面向對象方法的沙化土地遙感信息提取技術研究[J]. 遙感技術與應用, 2012, 27(5): 770–777.

[8] 任澤茜, 丁麗霞, 劉麗娟, 等. 利用無人機遙感監測農作物種植面積[J]. 測繪通報, 2020(7): 76–81.

[9] 翟浩, 唐彬童, 辜彬. 基于無人機影像的邊坡植物物種分類[J]. 西北林學院學報, 2020, 35(3): 185–190+ 249.

[10] 魏青, 張寶忠, 魏征. 基于無人機多光譜影像的地物識別[J]. 新疆農業科學, 2020, 57(5): 932–939.

[11] 李鵬飛, 郭小平, 顧清敏, 等. 基于可見光植被指數的烏海市礦山排土場坡面植被覆蓋信息提取研究[J]. 北京林業大學學報, 2020, 42(6): 102–112.

[12] 汪小欽, 王苗苗, 王紹強, 等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報, 2015, 31(5): 152–157+159+158.

[13] 花蕊, 周睿, 王婷, 等. 基于無人機遙感的高寒草原沙化模型及等級劃分[J]. 中國沙漠, 2019, 39(1): 26–33.

[14] 李瑩, 于海洋, 王燕, 等. 基于無人機重建點云與影像的城市植被分類[J]. 國土資源遙感, 2019, 31(1): 149–155.

[15] 卞雪, 馬群宇, 劉楚燁, 等. 基于低空可見光譜的植被覆蓋率計算[J]. 水土保持通報, 2017, 37(5): 270–275.

[16] 趙靜, 楊煥波, 蘭玉彬, 等. 基于無人機可見光圖像的夏季玉米植被覆蓋度提取方法[J]. 農業機械學報, 2019, 50(5): 232–240.

[17] 徐朋, 徐偉誠, 羅陽帆, 等. 基于無人機可見光遙感影像的耕地精準分類方法研究[J]. 中國農業科技導報, 2019, 21(6): 79–86.

[18] CAO Jingjing, LENG Wanchun, Liu Kai, et al. Object-Based Mangrove Species Classification Using Unmanned Aerial Vehicle Hyperspectral Images and Digital Surface Models[J]. Remote Sensing, 2018, 10(2): 89.

[19] 耿仁方, 付波霖, 蔡江濤, 等. 基于無人機影像和面向對象隨機森林算法的巖溶濕地植被識別方法研究[J]. 地球信息科學學報, 2019, 21(8): 1295-1306.

[20] 姚永祥, 段平, 李佳, 等. 基于無人機影像的建筑物實景三維建模方法[J]. 全球定位系統, 2019, 44(5): 100–105.

[21] 姚永祥, 李佳, 段平, 等. 面向塔式建筑物的無人機環拍三維建模方法研究[J]. 地理與地理信息科學, 2019, 35(6): 38–43.

[22] 康帥, 季靈運, 焦其松, 等. 基于地基LiDAR點云數據插值方法的對比研究[J]. 大地測量與地球動力學, 2020, 40(4): 400–404.

[23] 喻龍華, 王雷光, 吳楠, 等. 復雜地形DSM的地面點識別及DEM提取[J]. 測繪通報, 2018(5): 59–64.

[24] 閆利, 莫楠, 費亮, 等. 傾斜影像整體變分模型陰影檢測算法改進[J]. 遙感信息, 2017, 32(2): 54?59.

[25] 肖武, 任河, 呂雪嬌, 閆皓月, 等. 基于無人機遙感的高潛水位采煤沉陷濕地植被分類[J]. 農業機械學報, 2019, 50(2): 177–186.

Vegetation information classification method considering UAV image point cloud characteristics

LI Jia1, WANG Mingguo2, 3, WANG Yunchuang1, ZHAN Shun1, DUAN Ping1,*

1. Department of Geography, Yunnan Normal University, Kunming 650500, China 2. Yunnan Institute of Geological Sciences, Kunming 650501, China 3. Geological Surveying and Mapping Institute of Yunnan Province, Kunming, Kunming 650218, China

When UAV images are used to classify vegetation information, classification features such as image spectrum, texture and shape are often used, while digital surface model(DSM) and digital elevation model(DEM)constructed by UAV image generation point cloud are ignored. A vegetation classification method considering the point cloud characteristics of UAV image is proposed in this paper. Firstly, based on the photogrammetry theory, the UAV images were calculated to generate image point cloud. DSM, DEM and Digital Orthophoto Map(DOM) were constructed. Then, the normalized Digital Surface Model(nDSM) is constructed by using DSM and DEM. Finally, the Visible band difference vegetation index (VDVI) is used to classify vegetation and non-vegetation in DOM. nDSM is used to distinguish different vegetation types. Taking Bailongtan Park in Chenggong District of Kunming City as the study area for green space information classification, theaccuracy is 0.862. The experimental results show that the method of this paper is of practical significance to the investigation of urban green space.

vegetation information classification; UAV; the Visible band difference vegetation index; point cloud

李佳, 王明果, 王云川, 等. 顧及無人機影像點云特征的綠地信息分類方法[J]. 生態科學, 2022, 41(5): 11–18.

LI Jia, WANG Mingguo, WANG Yunchuang, et al. Vegetation information classification method considering UAV image point cloud characteristics[J]. Ecological Science, 2022, 41(5): 11–18.

10.14108/j.cnki.1008-8873.2022.05.002

S157.2

A

1008-8873(2022)05-011-08

2020-08-25;

2020-10-22

國家自然基金項目(41961061); 云南省基礎研究計劃項目(2020FB059); 云南省教育廳科學研究基金(2021Y502); 云南師范大學2021年研究生科研創新基金(YJSJJ21-B82)

李佳(1984—), 女, 湖北公安人, 博士, 副教授, 博士生導師, 主要從事無人機影像處理與應用研究, E-mail: keguigiser@163.com

段平, 男, 博士, 副教授, 主要從事無人機影像處理與應用研究, E-mail: dpgiser@163.com