基于图像的方法又大致有6类方法：1) 基于局部最大值：Local Maximum Detection（最基本，但只能考虑固定尺寸）2) 基于分割：如Region Growing, Watershed （通用，但缺乏针对性）3) 基于模板匹配：Template Matching (TM) （考虑阴影和不同尺寸，但需要人工选择模板，可以并行化）4) 基于最优化理论：Markov Random Field (MRF), Marked Point Processes (MPP) （考虑阴影，且难以并行化，极耗时， 500×500 影像要30min）5) 基于尺度空间理论：Scale-Space (SS) （考虑不同尺寸，但耗时，可以并行化）6) 基于深度学习理论：Deep Learning （需要大量训练样本，并行后仍极耗时，但可能效果最好）大多数方法在具有固定行间距及树冠大小的森林中表现良好，但在复杂条件（例如不均匀混合森林）下，该方法可能产生不稳定的结果，需要仔细调整参数。 尺度空间（SS）分析方法能够在单一图像中进行多尺度分析。以这种方式，它能够在单个灰度图像中检测不同冠尺的树木。然而，这种方法存在问题：首先，尺度空间大多由灰度图像构成的，容易导致过度检测；其次，个别参数对于检测精度非常敏感。然而，顺序执行的执行时间可能只需要一分钟，使得交互式调参（如试错法）不切实际。 本研究中，我们对现有的方法和实现做了两点改进。首先，我们将SSF与Lab颜色转换相结合，以红-绿色彩图像代替原始亮度图像以减弱过度检测问题。第二，我们将四个最耗时的关键步骤改为GPU并行处理，以提高计算效率。特别是我们在文献中列举了首个基于2值组合的blob重叠修剪并行算法。 研究所提出的方法是使用PyCUDA实现的，它是可以通过Python语言的高级脚本访问NVIDIA的计算统一设备架构（computed unified device architecture, CUDA）。本研究开发了基于消费级无人机的林木提取算法。并针对木瓜和柠檬果树进行了提取测试，精度在95%以上。另外，将算法升级为GPU并行算法，计算速度提升20倍以上，处理时间在1s以内，达到实时速度。