Skip to main content

Individual tree detection in digital aerial images by combining locally adaptive binarization and local maxima methods

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

Locating local maxima of grey levels in aerial images was used for individual tree detection in boreal, closed forest conditions in southern Finland. Image smoothing and binarization were used as preprocessing steps. Binarization was used to restrict the local maxima searching to the bright areas of the images, which were assumed to be tree crowns. Because brightness variations are typical of aerial images, both within and among images, locally adaptive methods were suggested for binarization. Aerial digital camera images and mapped tree data of eight stands in three field plots were used. Four adaptive binarization methods were compared. Differences in tree detection accuracy were small even though the appearance of the binarized images were different. Image smoothing improved the results of tree detection in the three stands that had the largest mean tree size. Tree detection worked fairly well in all seven stands with a density of less than 1500 trees/ha. In these stands, 70–95% of the trees were detected, whereas only 54% were detected in the last stand, which had a density of approximately 1900 trees/ha.

La localisation des maxima locaux dans les niveaux de gris a été utilisée pour la détection d'arbres individuels à partir de photographies aériennes de la forêt boréale fermée dans le sud de la Finlande. Le lissage des images ainsi que la binarisation ont été employés lors de l'étape du prétraitement. La binarisation a été utilisée pour limiter la recherche des maxima locaux aux zones brillantes des images, qu'on assume correspondre aux cimes des arbres. Étant donnée que les variations de brillance caractérisent les photographies aériennes autant à l'intérieur qu'entre les images, des méthodes localement adaptatives ont été suggérées pour la binarisation. Des photographies aériennes de caméra digitale et des données cartographiées de huit peuplements forestiers provenant de trois parcelles de terrain ont été utilisées. Quatre méthodes de binarisation adaptative ont été comparées. L'exactitude dans la détection des arbres variait peu même si l'apparence des images binarisées était différente. Le lissage des images a amélioré la détection des arbres pour les trois peuplements dont les arbres avaient la plus haute taille moyenne. La détection des arbres a fonctionné relativement bien pour les sept peuplements qui présentaient une densité de moins de 1500 arbres/ha. Dans ces peuplements, 70–95% des arbres pouvaient être détectés tandis que seulement 54% des arbres étaient détectés dans le dernier peuplement dont la densité approximative était de 1900 arbres/ha.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: May 1, 2001

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • ingentaconnect is not responsible for the content or availability of external websites
nrc/cjfr/2001/00000031/00000005/art00011
dcterms_title,dcterms_description,pub_keyword
6
5
20
40
5

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
ingentaconnect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more