System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于无人机激光雷达点云数据处理,更具体地,涉及一种基于树冠形态的无人机激光雷达点云单木分割方法。
技术介绍
1、森林是重要的陆地生态系统,森林树木信息在林业资源调查和制定森林管理策略中发挥着重要的作用。单木参数调查是森林资源精细调查的基础,因此单木的准确分割是林业参数调查的前提。由于传统的林业调查费事、费力且难以满足大面积的森林调查,遥感已成为大面积森林调查的最常用方法。机载激光雷达系统可以快速获取大面积的高精度三维点云信息,并且与传统的遥感手段相比,激光雷达作为一种主动遥感技术,可以穿透树冠,从而获取森林的内部结构信息。然而机载激光雷达高昂的设备和运营成本限制了其在森林资源调查中的应用。近年来,无人机激光雷达凭借其成本低、操作便捷、灵活性高等优势,已被广泛应用于林业资源调查。
2、基于无人机激光雷达点云数据的单木分割方法主要可以分为基于栅格和基于点的方法。基于栅格的方法通常首先使用高斯滤波器来对树木冠层高度模型(canopy heightmodel,chm)进行平滑处理,然后使用局部最大值滤波器搜索局部高度最大值作为树顶点,然后将树顶点作为种子点进行区域增长或进行分水岭分割。这种方法计算效率高,但是其准确率很大程度上取决于滤波窗口尺寸的设置,并且在插值生成chm的过程中存在信息丢失。基于点的方法根据点云的三维空间分布和垂直结构特征,采用区域增长、k-means、mean-shift等聚类算法完成分割。基于点的算法避免了点云插值生成chm过程中的信息丢失,具有较高的精度,但是其巨大的计算量和时间消耗限制了其
3、目前,一些学者提出了融合栅格和点的单木分割方法。这类方法的思路是首先通过基于栅格的方法得到初始的分割树,然后根据不同树的点云分布情况对错误分割树进行细化。但是目前还没有一种可以精准有效地识别出错误分割树并进行精细分割的方法。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此,需要一种基于树冠形态的无人机激光雷达点云单木分割方法,该方法具体是一种基于栅格的区域增长算法和基于密度信息引导的树冠形态学分割方法。
2、本申请提出一种基于树冠形态的无人机激光雷达点云单木分割方法,所述方法包括:
3、获取无人机激光雷达点云数据并对所述无人机激光雷达点云数据进行预处理得到树木冠层高度模型和点云密度模型;
4、基于所述树木冠层高度模型和点云密度模型,提取树冠区域;
5、根据每个树冠区域内的局部密度最大值点的数量确定正确分割树冠和错误分割树冠;
6、根据树冠的形态对错误分割树冠进行精细分割,得到更新后的树顶点集,并将更新后的树顶点作为种子点进行区域增长得到最终的单木分割结果。
7、进一步地,所述对所述无人机激光雷达点云数据进行预处理得到树木冠层高度模型和点云密度模型:
8、将所述无人机激光雷达点云数据进行地面点滤波,从原始点云中提取出地面点和非地面点,对非地面点进行归一化处理;
9、插值非地面点得到树木冠层高度模型,基于所述树木冠层高度模型中的每一个栅格单元gi,将所有投影点落在对应栅格单元内的点的数量记为该栅格单元的新值,生成点云密度模型。
10、进一步地,所述基于所述树木冠层高度模型和点云密度模型,提取树冠区域,具体包括:
11、对所述树木冠层高度模型和点云密度模型进行平滑处理,并分别搜索树木冠层高度模型和点云密度模型中的局部最大值点,将树木冠层高度模型的局部最大值点作为树顶点h,点云密度模型的局部最大值点表示点云的局部密度最大值点d;
12、所述树顶点h作为种子点在树木冠层高度模型上进行区域增长,满足设定条件的邻近栅格点被划分到对应的种子点所属的树冠ci中:
13、每个树冠ci作为一个独立的区域,且每个树冠有且仅有一个高度最大值作为树顶点。
14、进一步地,邻近栅格点被划分到对应的种子点所属的树冠ci中的设定条件为:
15、1)邻近栅格点的高度值高于种子点高度的60%;
16、2)邻近栅格点的高度值高于当前树冠平均高度的60%;
17、3)树冠的最大冠幅不超过10米。
18、进一步地,所述错误分割树冠包括过分割树冠和漏分割树冠,所述根据每个树冠区域内的局部密度最大值点的数量确定正确分割树冠和错误分割树冠,具体包括:
19、若一个树冠ci中只有一个局部密度最大值点d,则为正确分割树冠;
20、若一个树冠ci中没有任何的局部密度最大值点d,则为过分割树冠;
21、若一个树冠ci中有两个或两个以上的局部密度最大值点d,则为漏分割树冠;
22、每个错误树冠的树顶点h和局部密度最大值点d。
23、进一步地,所述根据树冠的形态对错误分割树冠进行精细分割,得到更新后的树顶点集,并将更新后的树顶点作为种子点进行区域增长得到最终的单木分割结果,具体包括:
24、将每个过分割树冠oci的所有点投影到xoy平面上,构成点集p={p1,p2,p3,……,pn},并计算协方差矩阵cov:
25、
26、其中表示p每个维度的均值,n表示过分割树冠oci的所有点的数量,t表示矩阵转置运算;
27、对协方差矩阵cov进行奇异值分解,得到两个特征值λ1、λ2和特征向量α1、α2,λ1对应椭圆长轴,λ2对应椭圆短轴;若满足λ1/λ2>3,则确定oci是正确的过分割树冠并将oci分配至最近的正确分割树冠,并将oci对应的树顶点hi从顶点集h中删除,若不否则λ1/λ2>3,则确定oci是正确分割树冠;
28、对于漏分割树冠uci,以树顶点h为参考点,寻找通过树顶点和局部密度最大值点di且垂直于xoy平面的竖直平面,并将所述竖直平面邻域0.2米内的点云投影到所述竖直平面,得到垂直剖面图;
29、提取所述垂直剖面图中的树冠表面点并使用多项式拟合得到树冠表面形态拟合函数,在所述树冠表面形态拟合函数的h点和di点之间存在一个极小值的情况下,确定di点是一棵未分割的树的顶点,并将di点添加到点集h中,在所述树冠表面形态拟合函数的h点和di点之间不存在一个极小值的情况下,确定di点不是顶点;
30、在所有的错误分割树冠完成分割后,得到树顶点集hf;
31、将树顶点集hf作为种子点进行区域增长得到最终的单木分割结果。
32、进一步地,所述将树顶点集hf作为种子点进行区域增长得到最终的单木分割结果,具体包括:
33、以树顶点集hf中的树顶点作为种子像素点,将种子像素点和周围邻域中的像素点进行比较,如果其满足设定条件,则将种子像素点和所述像素点合并,并指定合并后的像素点为新的种子像素点继续向外生长,直到没有满足设定条件的像素点为止。
34、本专利技术至少具有以下有益效果:
35、本专利技术可以充分利用树木点云中包本文档来自技高网...
【技术保护点】
1.一种基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述对所述无人机激光雷达点云数据进行预处理得到树木冠层高度模型和点云密度模型:
3.根据权利要求1所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述基于所述树木冠层高度模型和点云密度模型,提取树冠区域,具体包括:
4.根据权利要求3所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,邻近栅格点被划分到对应的种子点所属的树冠Ci中的设定条件为:
5.根据权利要求1所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述错误分割树冠包括过分割树冠和漏分割树冠,所述根据每个树冠区域内的局部密度最大值点的数量确定正确分割树冠和错误分割树冠,具体包括:
6.根据权利要求5所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述根据树冠的形态对错误分割树冠进行精细分割,得到更新后的树顶点集,并将更新后的树顶点作为种子点
7.根据权利要求4所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述将树顶点集Hf作为种子点进行区域增长得到最终的单木分割结果,具体包括:
...【技术特征摘要】
1.一种基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述对所述无人机激光雷达点云数据进行预处理得到树木冠层高度模型和点云密度模型:
3.根据权利要求1所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,所述基于所述树木冠层高度模型和点云密度模型,提取树冠区域,具体包括:
4.根据权利要求3所述的基于树冠形态的无人机激光雷达点云单木分割方法,其特征在于,邻近栅格点被划分到对应的种子点所属的树冠ci中的设定条件为:
5.根据权利要求1...
【专利技术属性】
技术研发人员:李世华,赵顺达,郭雨阳,罗富贵,行敏锋,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。