一种基于点云数据与多特征融合的树干信息提取方法技术

本发明专利技术公开了一种基于点云数据与多特征融合的树干信息提取方法，属于林地点云数据处理技术领域。该方法包括：采用三角剖分法提取树干区域的点云数据；选取聚类中心；计算每个点云数据的快速点特征直方图；计算每个点云数据到聚类中心的欧式距离和快速点特征直方图的相似度；根据欧氏距离和相似度，重新确定聚类中心；当聚类中心不再变，每类点云数据构成了一棵树干。本发明专利技术利用三角剖分法克服点云数据的非结构性、降低点云数据量，提高信息提取效率和精度；利用欧式距离和FPFH的相似度作为聚类准则，优化聚类效果，为树木点云数据的分类提供了一种简单有效的分类方法，有助于提高森林资源调查与监测的效率。森林资源调查与监测的效率。森林资源调查与监测的效率。

【技术实现步骤摘要】
一种基于点云数据与多特征融合的树干信息提取方法


[0001]本专利技术涉及林地点云数据处理
，具体涉及一种基于点云数据与多特征融合的树干信息提取方法。

技术介绍

[0002]三维扫描技术的快速发展使点云数据具备采集成本低、获取速度快与数据精度高等优势，这为三维点云的研究提供发展前提。目前，点云数据在森林监测、自动驾驶、轨道探测等领域都获得了广泛的应用。点云分类可有效提取点云语义信息，但由于其数据量大、非结构性和无序性等特点使得高效利用点云特征进行分类成为研究领域的热点问题。
[0003]林业调查研究，是林业资源管理和研究进程的重要支持。激光雷达扫描技术的发展，为林业调查研究提供了高效测量手段。激光雷达扫描获取的点云数据量大，区别于二维影像的三维坐标信息且包含扫描回波强度和颜色信息，可视化好。但点云数据空间呈不均匀离散化状态分布，不具备拓扑结构。因此，点云数据进一步处理具有一定难度。但目前多种点云处理软件的面世为点云数据的处理提供了便利手段，目前点云处理软件都可进行三维显示、基本预处理以及批处理等功能。但对于林地树木数量、胸径等基础数据一般都要在单木分割处理后才能获得，这为大面积林地基础数据获取带来不便。因此，如何快速、有效提取林地基础数据为大面积林地林业调查提供有效依据是需要解决的问题之一。

技术实现思路

[0004]本专利技术的目的就是为了克服上述背景下的问题，提供了一种基于点云数据与多特征融合的树干信息提取方法应用到林地树干点云分类领域，采用树干检测的方法为林地初步调查获取数据提供支持。
[0005]技术方案：为了解决上述技术问题，本专利技术采用的技术方案如下：
[0006]一种基于点云数据与多特征融合的树干信息提取方法，包括如下步骤：
[0007]步骤1：获取目标林地的三维点云数据，截取从地面到指定高度的点云数据，采用三角剖分法提取截取后的点云数据质心，组成点云数据集DS1；
[0008]步骤2：从DS1中随机选取N个点云数据，N为大于等于1的整数；
[0009]步骤3：以选取的N个点云数据作为N个聚类中心；
[0010]步骤4：计算所述N个聚类中心的快速点特征直方图；
[0011]步骤5：计算DS1中每个点云数据到N个聚类中心的欧氏距离，以及每个点云数据的快速点特征直方图；
[0012]步骤6：计算DS1中每个点云数据的快速点特征直方图与N个聚类中心快速点特征直方图的相似度；
[0013]步骤7：按照以下公式计算DS1中每个点云数据的N个分类特征值，
[0014][0015]其中，j＝1，2，
…
，N，是第i个点云数据与第j个聚类中心的分类特征值，是
第i个点云数据与第j个聚类中心的快速点特征直方图的相似度，ω为加权系数，第i个点云数据与第j个聚类中心的欧式距离；
[0016]步骤8：找出DS1中每个点云数据的N个分类特征值中的最大值，将该点云数据划分到该最大特征值对应的聚类中心那一类；
[0017]步骤9：重新计算DS1每类点云数据的中心，获得新的N个聚类中心；
[0018]步骤10：当新的聚类中心与原聚类中心一致时，树干信息提取完成，每一类点云数据构建一棵树干，否则继续执行步骤4。
[0019]优选的，所述指定高度为d1，树根到树冠之间的距离为d2，0.5d2≤d1≤0.8d2。
[0020]优选的，所述的三角剖分法是对林地点云数据构建三角网格，计算每个三角网格的点云质心，每个林地点云数据质心的公式如下：
[0021][0022]其中，P
C
是质心坐标，x
i
，y
i
，z
i
分别是点云数据的三维坐标值。
[0023]优选的，所述步骤4中计算每个聚类中心的快速点特征直方图时，设置领域参数k，计算每个聚类中心在k领域内的快速点特征直方图，快速点特征直方图即FPFH，计算公式如下：
[0024][0025]其中，SPFH是点的简化特征直方图，是第i个聚类中心，k是领域范围内的点数，ω
j
是聚类中心和领域点P
j
间的距离权重。
[0026]优选的，所述步骤6中点云数据和聚类中心的快速点特征直方图的相似性度计算公式如下：
[0027][0028]其中，H1，H2分别是样本点云数据和聚类中心点云数据的快速点特征直方图，M是直方图的维度。
[0029]优选的，所述步骤9中重新计算每类点云数据的聚类中心时，聚类中心可以是实际点云数据，也可以是构造的点云数据。
[0030]优选的，所述的构造的点云数据聚类中心，可以计算聚类后同一类中所有点云数据的坐标均值作为新的聚类中心，公式如下：
[0031][0032]其中，μ
i
是第i个聚类中心，m是该类别内所有点云数据的个数，x
e
，y
e
，z
e
是第e个点的三维坐标值。
[0033]优选的，所述实际点云数据的聚类中心，可以计算聚类后同一类中每个点云数据与其他所有点云数据的快速点特征直方图的相似度，其中相似度和最大的点云数据作为新
的聚类中心。
[0034]有益效益：
[0035]与现有技术相比，本专利技术具有以下优点：
[0036]1)、采用三角剖分算法对林地点云数据进行预处理，充分运用三角网格稳定、唯一的特点，对非结构性的点云数据构建三角网格，利用三角形质心计算完成降采样，三角剖分法克服点云数据的非结构性、降低点云数据量，提高信息提取效率和精度；
[0037]2)、将点云数据的几何特征FPFH的相似度与欧式距离相融合，改变了传统分类算法仅以距离作为聚类标准的形式，引入点云数据特征进行聚类，利用欧式距离和FPFH的相似度作为聚类准则，优化聚类效果。相较于一般聚类仅基于距离聚类，实现了对林地间树干、杂草等类别的聚类，聚类效果更好，且面对大面积林地时检测树干不仅可以快速得到树木数量，还可根据检测得到的树干以及单木胸径参数，之后可以利用单木胸径估算出单木材积，从而大致估算出林地蓄积量，对林地的初步监察具有实际意义，为树木点云数据的分类提供了一种简单有效的分类方法，有助于提高森林资源调查与监测的效率。
附图说明
[0038]图1是本专利技术实施例中原始杨树林地点云数据图；
[0039]图2是经过本专利技术三角剖分算法提取的杨树树干区域点云数据图；
[0040]图3三角剖分示意图。
具体实施方式
[0041]下面结合具体实施例，进一步阐明本专利技术，实施例在以本专利技术技术方案为前提下进行实施，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。
[0042]本实施了提供一种基于点云数据与多特征融合的树干信息提取方法，包括如下步骤：
[0043]步骤一：本实施案例使用的是具有18760170个点的江苏盐城一片杨树林地的点云数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云数据与多特征融合的树干信息提取方法，其特征在于，包括如下步骤：步骤1：获取目标林地的三维点云数据，截取从地面到指定高度的点云数据，采用三角剖分法提取截取后的点云数据质心，组成点云数据集DS1；步骤2：从DS1中随机选取N个点云数据，N为大于等于1的整数；步骤3：以选取的N个点云数据作为N个聚类中心；步骤4：计算所述N个聚类中心的快速点特征直方图；步骤5：计算DS1中每个点云数据到N个聚类中心的欧氏距离，以及每个点云数据的快速点特征直方图；步骤6：计算DS1中每个点云数据的快速点特征直方图与N个聚类中心快速点特征直方图的相似度；步骤7：按照以下公式计算DS1中每个点云数据的N个分类特征值，其中，j＝1，2，
…
，N，是第i个点云数据与第j个聚类中心的分类特征值，是第i个点云数据与第j个聚类中心的快速点特征直方图的相似度，ω为加权系数，第i个点云数据与第j个聚类中心的欧式距离；步骤8：找出DS1中每个点云数据的N个分类特征值中的最大值，将该点云数据划分到该最大特征值对应的聚类中心那一类；步骤9：重新计算DS1每类点云数据的中心，获得新的N个聚类中心；步骤10：当新的聚类中心与原聚类中心一致时，树干信息提取完成，每一类点云数据构建一棵树干，否则继续执行步骤4。2.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法，其特征在于，所述指定高度为d1，树根到树冠之间的距离为d2，0.5d2≤d1≤0.8d2。3.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法，其特征在于，所述的三角剖分法是对林地点云数据构建三角网格，计算每个三角网格的点云质心，每个林地点云数据质心的公式如下：其中，P
C
是质心坐标，x
i
，y
i

【专利技术属性】
技术研发人员：朱婷婷，冯倩，倪超，曹福亮，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：