一种基于分割几何特征的树林点云枝叶分离方法技术

本发明专利技术属于地面激光雷达点云数据处理技术领域，具体涉及一种基于分割几何特征的树林点云枝叶分离方法。本发明专利技术基于地面激光雷达获取的树林点云数据，经历DBSCAN粗分割和RANSAC细分割，建立用于区分树林点云枝叶组分的树林点云枝叶分离方法。本发明专利技术能够在较少人工干预的情况下快速分离树林点云的枝叶成分，且保持较高的分离精度。该方法简单、运行高效，能快速、准确地对大面积树林点云进行枝叶分离，为树林点云枝叶分离提供了一种新的思路，并可进一步应用于叶面积指数反演、木质体积估算、树木真实感三维建模等领域。木真实感三维建模等领域。木真实感三维建模等领域。

【技术实现步骤摘要】
一种基于分割几何特征的树林点云枝叶分离方法


[0001]本专利技术属于地面激光雷达点云数据处理
，具体涉及一种基于分割几何特征的树林点云枝叶分离方法。

技术介绍

[0002]近几十年来，光学遥感技术的发展和运用为传统的森林调查提供了便利，能够获取大范围森林生长参数和生态、环境信息，然而光学遥感技术受其自身技术特点的限制，难以获取树林三维结构参数。激光雷达(light detection and ranging，lidar)能够主动发射激光束，获取准确、高分辨率的森林点云数据，是定量林业研究中重要的数据来源，被认为是一种前景广阔的技术。激光雷达按其所搭载的平台不同，可大致分为航空激光雷达(Aerial Laser Scanning，ALS)和地面激光雷达(Terrestrial Laser Scanning，TLS)，它们在应用尺度、分辨率、精度、观察角度、数据采集能力上差异巨大。TLS能在单木、样地尺度能获取高分辨率、细节详细的树木立体结构数据，被用于叶面积指数反演、木质体积估算、树木真实感三维建模等。
[0003]以上应用离不开对枝干点云和树叶点云的精确分割。对于单棵树，手工分离能保证精度且不算耗时，而对于样地和森林，手工分离将费时耗力。为了能够自动、高效、精确的分离枝叶点云，近些年国内外出现了很多关于点云枝叶分离的研究。TLS提供了回波强度数据和三维坐标数据，二者均可用于点云分类。回波强度由于受到距离、入射角等因素影响且部分仪器采用的波段对枝叶的反射差异不明显，因此利用回波强度进行枝叶分离不具普适性。坐标数据是TLS的基本数据，其能反映枝叶的几何外形，因此可以利用枝叶的形态差异进行点云枝叶分离。根据形态差异所处的空间尺度，将当前方法用到的分类特征分为局部几何特征和分割几何特征。
[0004]局部几何特征由每个点的k邻域或半径邻域计算得到，枝干和叶片在局部区域的形态差异构成分类基础。云挺等(2018)获取每个激光点的法向量、结构张量特征、形状特征，结合高斯分类器实现了对橡胶林段的枝叶分离操作。马利霞(2015)利用局部几何特征选取不同类别的训练样本，基于期望最大化算法为每个类构建高斯混合模型，以此作为分类器对森林点云逐点分类，将森林点云分为地面、树枝和树干、树叶和灌丛三类。汪献义等(2019)使用xgboost树型分类器，基于6个分离性好的经验特征构建动态近邻特征和多尺度特征，取得了比定近邻特征更好的枝叶分离精度。
[0005]分割几何特征指枝干呈线性或圆柱形、叶片平坦、叶片离散分布、枝干连续分布等，可以利用这些特征对树木点云进行分割和识别。Tao等(2015)基于枝干点云的水平切面呈圆形或者椭圆形，而叶簇切面可以抽象为线段的特性分离树木的光合组分和非光合组分。Wang(2018)等人提出一种叫做动态分段合并的方法，利用密度和法向差异分割点云，基于枝干呈线性特征，实现对树木枝干点云的识别。Ferrara(2018)等人将单木点云体素化，并使用基于密度的空间聚类算法(DBSCAN)以区域增长的方式实现枝干与树叶点云的分离。Su(2019)等人提出一种分类与分割相结合的方法来提取单木枝干点云，该方法首先对树木
点云水平分层并在每层内聚类，然后利用随机采样一致性算法(RANSAC)实现了对每一类簇的分类以及分割出枝叶混合类簇中的枝干点云部分。
[0006]综上，基于几何邻域特征的方法能够用于单木和林地枝叶分离，然而这类方法以机器学习为主，需要人工训练数据，且对不同林地需要单独的训练，难以自动处理大规模数据集。基于分割几何特征的方法不依赖训练数据，但需要针对数据特点进行参数设置且计算量大，对林地的分类精度和速度均较低，目前主要用于单木尺度。

技术实现思路

[0007]针对上述存在问题或不足，为解决现有树林点云枝叶分离方法存在依赖训练数据、精度低、速度慢等问题，本专利技术提供了一种基于分割几何特征的树林点云枝叶分离方法。该方法通过DBSCAN粗分割和RANSAC细分割逐步分离枝叶点云，能够在较少人工干预的情况下快速分离树林点云的枝叶成分，且保持较高的分离精度。
[0008]一种基于分割几何特征的树林点云枝叶分离方法，包括以下步骤：
[0009]步骤1、粗分割：旨在通过简单快捷的方式对树林点云进行分割并提取细枝类簇点云、直立树干类簇点云。
[0010]1‑
1、对树林点云水平分层：目的是降低冠层复杂性，使枝干和叶片更易区分。每个点所属层号L
i
由以下公式确定：
[0011][0012]式中，dz为分层间距，取20～30cm；floor表示向下取整，Z
i
表示点i的坐标Z值，Z
min
表示所有点的最小坐标Z值，L
i
∈(0,1,2,3,
…
)。
[0013]1‑
2、逐层聚类：分层后，虽然枝干和叶片间间距明显，易于区分，然而它们在数据层面还是一个整体，需要通过聚类算法将它们分开。这里采用DBSCAN算法对每层点云进行聚类。DBSCAN算法包含两个参数：一个是Eps，用于指定聚类间的最小相邻距离；另一个是MinPts用于确定一个点是否为参与聚类的核心点。Eps取5～10cm，MinPts固定为1。
[0014]1‑
3、初始枝干类簇识别：对步骤1
‑
2聚类生成的所有类簇分别依次进行如下判断，以提取其中的细枝类簇、直立树干段类簇。
[0015]1‑3‑
1、尺寸滤波：如果当前类簇的外接立方体高度V
h
<0.75*dz，则判定为破碎叶片类簇并将其滤除；
[0016]1‑3‑
2、投影分类：如果当前类簇未被1
‑3‑
1滤除，则将当前类簇点云投影到平面格网，格网为边长5～10cm正方形构成的矩阵网格，当某个网格有数据点落入时，对该网格赋值1，否则赋值0。遍历网格，如果不存在3*3邻域中的网格的值均为1的情况，则判定该类簇为细枝类簇或直立树干段类簇并对其进行提取。
[0017]叶片和叶簇投影到水平面呈现大片密集的阴影，而细枝和直立树干段的投影面小而稀疏。利用这一差异，以分离细枝类簇和直立树干段类簇。
[0018]步骤2、对步骤1
‑
2聚类生成的所有类簇中未被识别为破碎叶片类簇、细枝类簇或直立树干段类簇的其余类簇分别进行如下操作，以提取其中的枝干成分。
[0019]目的是提取所有类簇中未被步骤1识别的枝叶混合类簇中的枝干成分，以及投影面较大的枝干类簇。由于这部分类簇中的枝干较粗且圆柱特征明显，因此采用RANSAC算法
进行圆柱分割和识别。
[0020]2‑
1、采用RANSAC算法对当前类簇进行圆柱分割，得到圆柱内点Inner和对应的圆柱模型C；用到的参数包括法线估算邻域半径r，最大迭代次数n，模型表面距离阈值d，其中r取0.5～2cm，n取100～1000，d取1～2cm。
[0021]2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分割几何特征的树林点云枝叶分离方法，其特征在于，包括以下步骤：步骤1、粗分割：对树林点云进行分割并提取细枝类簇点云、直立树干类簇点云；1
‑
1、对树林点云水平分层，每个点所属层号L
i
由以下公式确定：式中，dz为分层间距，取20～30cm；floor表示向下取整，Z
i
表示点i的坐标Z值，Z
min
表示所有点的最小坐标Z值，L
i
∈(0,1,2,3,
…
)；1
‑
2、采用DBSCAN算法将步骤1
‑
1分层后的每层点云分别进行聚类；DBSCAN算法包含两个参数：一个是Eps，用于指定聚类间的最小相邻距离；另一个是MinPts用于确定一个点是否为参与聚类的核心点，Eps取5～10cm，MinPts固定为1；1
‑
3、对步骤1
‑
2聚类生成的所有类簇分别依次进行如下判断，以提取其中的细枝类簇、直立树干段类簇；1
‑3‑
1、尺寸滤波：如果当前类簇的外接立方体高度V
h
<0.75*dz，则判定为破碎叶片类簇并将其滤除；1
‑3‑
...

【专利技术属性】
技术研发人员：李世华，田志林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：