科研之友
微信
新浪微博
Facebook
分享链接
摘要
当前，结合遥感图像和深度学习进行单木树冠检测已经成为一种趋势。RGB图像是检测中最常用的数据类型，但由于树冠的颜色和纹理一般比较接近，在树冠密度较高的区域，仅使用RGB图像的颜色和纹理信息难以区分不同个体的树冠。对此，本研究在RGB图像的基础上，叠加了高程信息，以提高单木树冠检测的精度。实验采用彩色图像RGB图像和数字表面模型DSM (Digital Surface Model)作为数据源，并分别利用波段组合和双源检测网络模型两种方法结合RGB和DSM进行单木树冠检测。在前一种方法中，对RGB和DSM进行波段组合，生成GBD、RGD和RBD 3类图像，并使用这3类图像分别进行网络的训练和测试。在后一种方法中，将RGB和DSM输入双源检测网络模型，并得到检测结果。本文使用FPN-Faster-R-CNN和Yolov3进行实验，相比于RGB方案（仅使用地物的颜色和纹理信息进行单木树冠检测，是对照方案），FPN-Faster-R-CNN在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了3.36%、2.45%和7.77%，在RGD方案中的平均精度下降了0.17%,Yolov3在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了0.72%、0.14%和5.71%，在RGD方案中的平均精度下降了0.98%。在两个网络下，双源检测网络方案都在各方案中取得了最佳的检测结果。并且相对于RGB方案，双源检测网络方案在平均精度上的提升幅度随着树冠密度的上升呈现出上升的趋势。对比分析实验结果可知，在基于深度学习的城市单木树冠检测任务中，妥善结合并利用地物的颜色、纹理信息和高程信息有利于提高任务性能。
- 单位
