基于人工智能框架的航空影像图片的单株分割算法
1. 研究的目的及意义
在ITC分割中仍然存在许多突出的问题。
问题1ITC分割基于森林扫描点,野生横向的干扰导致严格的增长导致树枝冠没有明确的凸形状,很多丛树叶在树顶复杂树梢检测多个层高度的森林包括灌木、灌木和树木从而排除明显的结构表征,空间生长竞争导致树冠交叉严重
问题2不同品牌的扫描配置和激光雷达传感器规格的差异，严重影响了ITC对不同森林类型的分割精度。对于基于航空图像的ITC分割，在最终分割结果上仍然存在一些严重的偏差。
例如,树顶大小和形状的变化导致不均匀过滤面罩采用检测所有树冠航拍图像,明亮的像素出现不是最大高度的时候,而是在其他树顶区域暴露在阳光下,双方(即灰度。、阴影和太阳)的树顶不同太阳高度角与辐射和每天的时间,新种植的叶子部分分布在树顶的外观表现软弱的颜色和纹理,小树周围高大的树木在黑暗的颜色和不可见的形象特征,树展示不同的冠方鸟瞰由于不同倾斜角度，以及随气候变化而变化的树冠的外观，例如雪的覆盖范围。因此，在全球森林结构复杂、地理条件多样的情况下，很难提出一种适应性强、识别能力强的鲁棒ITC分割方法。虽然人们可以使用多个独立的特性并将一些模型合并在一起，但是仍然很难区分是否足以克服上面提到的所有这些已确定的限制。近十年来，深度学习已成功地应用于人脸识别、自主驾驶和基于内容的图像检索。这些应用程序的训练样本基本上与树信息识别无关。虽然自主驾驶训练样本数据集中包含了许多树木的侧边图像，但由于拍摄角度的不同，这些图像呈现的树木视觉信息与无人机拍摄的森林照片不同。因此，转换学习技术在这里无法从已有的相关深度学习网络中进行知识转移，而其他研究已经对其进行了训练。构建一个从航拍图像中自动识别单个树冠的深度学习框架是研究的一项新任务。
2. 国内外同类研究概况
近几十年来，ITC遥感数据分割方法取得了很大的进展。现有的基于处理数据的ITC分割方法可以分为两类。第一类是移动激光雷达传感器采集的扫描点，用来表征森林冠层的表型和结构特征[1]。利用点密度、扫描点几何性质和空间分布等一系列点特征[2]，从大量无序的扫描数据中识别单个树冠模型[3]。同时，将扫描点映射到冠层高度模型(CHM)的平面栅格中，并结合图像处理方法实现ITC分割。ITC分割的第二类是基于研究森林图的高清航空或卫星图像。从鸟瞰角度对这些森林照片应用了大量的图像处理算法，如均值漂移算法[4]、k均值聚类[5]、分水岭算法[6]、区域生长图割算法[7]等。虽然很多研究做了大量的工作，但我们不得不承认，在ITC分割中仍然存在许多突出的问题。
在全球森林结构复杂、地理条件多样的情况下，很难提出一种适应性强、识别能力强的鲁棒ITC分割方法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
