CN103324945B - 一种基于模式识别的森林点云分类方法 - Google Patents

Abstract

本发明提供了一种基于模式识别的森林点云分类方法，属于森林冠层结构参数获取方法的研究领域。其步骤为：森林的三维激光点云数据的获取；每个类别训练样本的选取，以及每个训练样本显著特征的计算；利用基于期望最大化算法得到高斯混合模型的算法程序对点云数据进行初始分类；利用滤波器对初始分类结果进行分类后处理。本发明与传统的以及目前常用的利用LIDAR求取冠层结构参数的方法相比，省时省力，不需要破坏森林冠层结构，而且适用性比较强，精度也比较高。

Description

一种基于模式识别的森林点云分类方法

一、技术领域

本发明是利用激光点云数据的空间三维几何信息对森林数据进行自动分类的方法，即通过局部点云数据特征值分布的差异，将森林点云数据分为散点类(叶子、草等)、线性类(细的树干、树枝等)、面状类(地面、粗的树干等)。

二、背景技术

森林植被冠层结构可定义为所有地上部分林冠元素的形状、大小、方向以及空间分布，其控制着陆地与大气之间的物质、能量传输，通过影响光合作用和蒸腾作用的速率和量级进行影响植被与环境间的物质和能量的交换，同时也为一些动植物提供了栖息地。因此，定量描述冠层结构是理解森林冠层结构并进而揭示森林生态系统长期演替规律的前提条件。定量描述植被冠层的生物物理参数主要包括叶面积指数(Leaf Area Index，LAI)，树高、胸径、冠幅大小、树冠体积、冠幅截面积(Basal Area，BA)等。然而，由于冠层结构的三维结构的复杂性，精确的定量描述仍然是个挑战。

传统的测量森林冠层结构的方法主要分为直接法和间接法两大类。直接法就是通过人工的方法直接对植被的器官进行测量，这种方法可以较为准确的测量出这些参数，但是费时费力，同时可能对植被也具有一定的破坏性。间接法是通过辐射测量的方法来估计冠层结构参数的，主要包括光谱法、孔隙率理论方法(gap fraction methods)和双向反射分布函数方法(BRDF：Bidirectional Reflectance Distribution Function)法。光谱法主要是依据树木各部分反射率不同来推算冠层结构参数，通常是建立一些相关关系来推算，但是这些相关关系通常不具有大范围的普适性。孔隙率理论方法是基于传输光束辐射的测量，为LAI和叶倾角的估算提供了有力的工具，但是这种方法是建立在叶子随机分布的前提下，同时在估算叶子相关参数的时候，没有区分树冠的光合部分和非光合部分。BRDF方法是利用入射方向和观测方向的亮度不同来获取冠层结构参数，但是这种方法在数据获取是存在着很大的困难。

LIDAR(light detection and ranging)技术的发展为森林冠层结构参数的获取提供了一种新的技术手段。近年来，也有人开始利用森林的激光点云数据提取冠层结构参数。比如，P.J.WATT and D.N.M.DONOGHUE在"Measuring forest structure with terrestrial laser scanning"一文中利用地面激光雷达获取的数据通过手动识别选取树干、冠幅，获取了树木的直径、树高等参数并与野外测量做了比较，发现利用地面激光雷达数据可以比较准确地获取到树木的形态进而较为准 确的提取到植被冠层结构参数。Feng Zhao等在"Measuring gap fraction，element clumping index and LAI in Sierra Forest stands using a full-waveform ground-based lidar.″中利用地面激光雷达获取的森林点云数据，根据孔隙率的理论求取了孔隙率、聚集度指数和叶面积，发现与半球形照片(hemispherical photos)测量的结果是具有较高的相关性的。Xiaoyuan Yang等在”three-dimensional forest reconstruction and structural parameter retrieval using a terrestrial full-waveform lidar instrument(Echidna(R))”文中利用地面全波激光雷达设备，根据树木不同组分对能量的反射强度不同，对树木的树干、树枝、树叶和地面分类，进行对树木进行三维重建，提取冠层结构参数，并与人工测量结果做比较，发现相关性都达到了0.70-0.90。

目前国内关于激光雷达在森林中的应用研究，特别是针对三维冠层结构的研究还处在起步和探索阶段，大部分研究主要集中在利用航空和地面激光雷达进行景观或样方尺度的森林的基本测树因子诸如树高、生物量、蓄积量等的估算。王佳在“利用轻小型飞机遥感数据建立人工林特征参数模型”一文中利用航空LIDAR系统反演了树高。王成等发展了一种利用航空激光雷达反演森林冠层高度的算法。赵峰等在“机载激光雷达和航空数码影像单木树高提取”一文中利用航空激光雷达和航空数码照片研究了单木树高的提取。黄克标在“基于ICESat GLAS的云南省森林地上生物量反演”一文中结合机载、星载激光雷达对GLAS(地球科学激光测高系统)光斑范围内的森林地上生物量进行估测。庞勇在“基于机载激光雷达的小兴安岭温带森林组分生物量反演”一文中使用小兴安岭温带森林机载遥感-地面观测同步试验获取的机载激光雷达点云数据和地面实测样地数据，估测了典型森林类型的树叶、树枝、树干、地上、树根和总生物量等组分的生物量。骆社周等在“机载激光雷达森林叶面积指数反演”中利用机载LIDAR基于beer定律反演LAI，研究结果表明机载LIDAR数据可以用来高精度反演森林LAI。刘丽娟等在“机载LiDAR和高光谱融合实现温带天然林树种识别”一文中将机载LIDAR与高光谱CASI数据融合，充分利用垂直结构信息和光谱信息进行温带森林树种分类。范士俊等在“基于随机森林的全波形点云数据分类研究”一文中针对机载全波形数据，提出了一种基于随机森林法的点云分类算法将森林点云分为植被，地面部分以及建筑物三类。

三、发明内容

本发明的目的是提供一套利用激光点云数据的三维空间信息对森林点云数据进行分类的算法，从而得到冠层各个结构的点云数据，进而提取冠层结构参数。

本发明的原理如下：

本发明利用激光雷达扫描系统获取森林的三维点云数据，根据局部点云数据的空间分布的不同，即通过计算局部点云数据的协方差矩阵得到三个维度的特征值(令λ₂≤λ₁≤λ₀)和特征 向量，可将点云数据分为三类。首先是随机分布的点云，其三个维度的特征值大致相等(λ₂≈λ₁≈λ₀)，对应于森林点云数据中的叶子、草丛等；其次是线性分布的点云，这种类型的点云是在一个维度上的特征值明显大于另外两个方向的(λ₂≈λ₁＜＜λ₀)，对应于森林点云数据中的树枝、细的树干等线性分布的点云；最后是面状分布的点云，这类点云是在两个方向上的特征值明显大于另外一个方向的(λ₂＜＜λ₁≈λ₀)，对应于森林点云数据中的地面、粗的树干等面状分布的点云。根据这一特点，找一个能区分这三个类别的一个指标来对点云数据进行划分，这个特征就是特征值的一些线性组合，即(λ₂，λ₀-λ₁，λ₁-λ₂)，称其为显著特征。

本发明用的分类方法是通过期望最大化算法计算每个类别的高斯混合模型作为分类器。根据统计学一般规律，高斯密度函数可以模拟大部分变量的概率密度函数；而混合高斯模型是利用几个高斯密度函数通过赋予其不同的权重来模拟变量的随机分布。在计算某一变量的高斯混合模型的时候，需要知道变量中的每一个样本属于混合高斯模型中的哪一个，也就是说需要知道每个样本的一个标签。期望最大化算法就是求取这个标签的算法过程。这个算法的推导基础是Jensen不等式，即如果f是凸函数，X为随机变量，那么E[f(x)]＞＝f(E_x)。给定训练样本{x₀，x₁，x₂...x_j)，并且各个样例之间相互独立，要想找到每个样本隐含的类别，使得p(x，z)最大，为了方便求得最大值，可以求取最大似然估计。期望最大化法主要分为两步，第一步是对极大似然函数取对数，第二步是对每个样例的可能类别z求联合分布概率和，由于z的存在使得高斯模型参数变得困难。期望最大化算法就是通过不断的建立似然函数的下界来优化下界，从而得到z，进而得到高斯混合模型的参数。

本发明的找固定点周围一定范围内的点的算法采用了效率比较高的KD-tree算法。KD-tree是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索。KD-tree算法可以分为两大部分，一部分是有关KD-tree本身这种数据结构建立的算法，另一部分是在KD-tree上如何进行最邻近查找的算法。KD-tree是一个二叉树，每个节点表示一个空间范围。

本发明的技术方案主要包括以下步骤：

(1)首先，利用地面激光雷达扫描系统，获取植被冠层的三维点云数据，其中包含了点云的空间位置信息和能量信息。

(2)训练样本的选取。手动选取每一类具有代表性的训练样本，选取是最好考虑到每类的各种情况。由于距离传感器不同距离点的密度是不同的，因此，选取训练样本的时候，距离传感器不同距离的训练样本都应该涉及到。对于散点类，需要选取到叶子、草丛等；对于线性类，就要选取到树干、树枝等；对于面状类，就要选取到各种起伏的地表点云。然后计算出每个类别的每个样本的显著特征。

(3)初始分类。将训练样本导入到基于期望最大化算法求高斯混合模型的程序中，进而得到每一类的高斯混合模型，把其当做分类器对未知点云进行逐点分类。逐点分类仍然是利用局部空间点云的几何特征，因此需要找出每个点周围一定范围的点进行特征值和特征向量的求取。为了分类的简单方便，选择了0.45m的半径作为找点的范围。利用KD-tree算法构建未分类点云的KD-tree，这样会提高找点效率。利用KD-tree找每个点周围一定范围内的点，然后计算出各自的显著特征，带入到每个类别的高斯混合模型中，会得到这个点属于每类的条件概率，选择条件概率最大的那一个类别赋给这个点，这样就完成了初始逐点分类。

(4)分类后处理。由于本发明所使用的分类方法是利用局部空间几何特征进行分类的，而这个局部点云是利用的球形搜索方法获取，必然会出现一些误分，例如面状类点云的边缘可能体现出线的特性，散点类点云表面可能体现出面的特性。因此，需要使用一些滤波器进行分类后处理。本发明采用了四个滤波器进行分类后处理。第一个滤波器是边缘滤波器：这个滤波器的作用就是将误分为线性类的面状类或者散点类的点云进行纠正，其原理是对每个初始分为线性类的点，搜索其一定半径范围内的点，计算该范围内每个类别点的个数，并将个数最多的类别赋予该线性类点。第二个滤波器是独立面状滤波器：这个滤波器的作用就是将误分为面状类的散点类或者线性类点云进行纠正，其原理是用于纠正误分为面状的点，对每个上一步中分为面状类的点，搜索其一定半径范围内的点，计算该范围内每个类别点的个数，并将个数最多的类别赋予该面状类点。第三个滤波器是孤立点去除滤波器：这个滤波器是为了去除一些不能判断类别的点，有一些点其周围点的个数很有限，不能根据局部空间点云特性来判断类别，那么就可以将这些点进行去除，其原理就是球形搜索某点周围一定范围内的点，当周围点的个数低于一定的阈值的时候就将其删掉。第四个滤波器是地面滤波器：这个滤波器的作用是恢复误分为其他类型的地面点，同时纠正被误分为地面点的其他类型的点。介于本分类方法是基于局部几何特征分类，当地面上方长草时，该地面点云可能会被误分为散点类，同时一些地面点由于具有线性类特征而被误分为线性类，因此对每个未被分为面状类的点设置开口向下的锥形搜索范围，当该搜索范围内点个数少于3时将该点类型改为面状。锥形开口的角度为10-20度。(此段修改)

四、说明书附图

图1为本发明的流程示意图；

图2为研究对象的分类前与后的点云数据示意图

a研究对象未分类的示意图；

b面状类的分类结果示意图；

c散点类的分类结果示意图；

d线性类的分类结果示意图。

五、具体实施方式

以下通过具体实例对本发明作进一步描述：

使用地面三维激光扫描仪Leica ScanStation2(其参数如表1所示)对样方进行扫描，然后选取一棵比较完整的树作为研究对象，为了点云能够较好的体现出研究对象的几何特性，选择的时候应尽量靠近仪器，这样遮挡效应会小一点，点云密度会大一点，最终得到的研究对象的点云数据如图2(a)所示：

表1三维激光扫描仪Leica ScanStation2参数

结合流程图，具体说明本算法实施方式。

首先利用三维激光扫描仪取得样方的点云数据，然后利用软件得到研究对象的点云数据。根据附图1所示，对研究对象的点云数据进行分类处理：第一步为训练样本的选取，第二步为分类器的构建，第三步为初始分类，第四步为分类后处理。

根据技术方案步骤(2)所述，首先选取训练样本，为了使得训练样本更加具有代表性，可以在样方的范围内选取。然后计算出每个类别每个样本的显著特征。

根据技术方案步骤(3)所述，将各个类别的训练样本的显著特征分别带入到利用期望最大化算法求取高斯混合模型的程序中，得到每一个类型的高斯混合模型，进而可以对未知点云 数据进行初始分类，即将每个点带入到各个类别的高斯混合模型中去，得到每个点属于各个类别的条件概率，选择条件概率最大的那个类别赋予这个点。这样就得到了初始分类的结果。

根据技术方案步骤(4)所述，对初始分类的点云数据进行分类后处理。最终的分类效果如图2所示，其中图2(b)为面状类的分类结果，主要是地面；图2(c)为散点类的分类结果，主要是叶子和一些灌草；图2(d)为线性类的分类结果，主要是树枝和细的树干。

Claims (2)

1.一种基于模式识别的森林点云分类方法，其主要包括以下步骤：

(1)基于地面激光雷达获取森林冠层的三维激光点云数据；

(2)手动选取面状类、散点类和线性类的训练样本，面状类训练样本为地面点集，散点类样本为冠层点集，线性类样本为树枝树干点集，分类基础是局部几何特征的异同；每个训练样本的点集P{P₀，P₁，P₂…P_n}，通过计算其协方差矩阵得到特征值即λ₂、λ₁、λ₀，设λ₂≤λ₁≤λ₀，不同类别的特征值具有不同的特点：地面类即面状类，特征值满足λ₂≤λ₁≈λ₀；冠层光合部分即散点类，特征值满足λ₂≈λ₁≈λ₀；冠层非光合部分即线性类，特征值满足λ₂≈λ₁≤λ₀，基于不同类别特征值之间的差别提出显著特征，即λ₂，λ₀-λ₁，λ₁-λ₂作为分类依据；

(3)根据各类别的训练样本构建各类别的高斯混合模型作为分类器：利用各个类别的训练样本的显著特征基于期望最大化算法分别求取各类别的高斯混合模型，各类别的高斯混合模型组成分类器；

(4)森林冠层点云初始分类：对于森林点云中的每个点p_i，i＝1，2...N，N为整个冠层点云的总点数，通过搜索点p_i0.45m半径范围的点集计算点p_i的显著特征，分别放入各类别的高斯混合模型中，得到点p_i属于每个类别的概率，概率最大的类别作为点p_i的类别，包括面状类、散点类、线性类；

(5)利用滤波器进行分类后处理，得到最终分类结果：

a.边缘滤波器：对每个初始分为线性类的点pl_i，i＝1，2...NL，NL为线性类点云的总点数，搜索点pl_i1m半径范围内的点，计算搜索范围内每个类别点的个数，并将个数最多的类别赋予点pl_i；

b.独立面状滤波器：使用过边缘滤波器后，对每个分为面状类的点pg_i，i＝1，2...NG，NG为面状类点云的总点数，搜索点pg_i1.5m半径范围内的点，计算搜索范围内每个类别点的个数，并将个数最多的类别赋予点pg_i；

c.孤立点去除滤波器：通过球形搜索每个点0.45m半径范围内点个数，当点个数少于5个时，将其删掉；

d.地面滤波器：对每个未被分为面状类的点po_i，i＝1，2...NO，NO为未被分为面状类点云的总点数，设置开口向下的锥形搜索范围，当搜索范围内点个数少于3时将点po_i类型改为面状类，锥形开口的角度为10-20度。

2.根据权利要求1所述的一种基于模式识别的森林点云分类方法，其特征在于步骤(2)(4)(5)，仅依据点云几何特征对地面激光雷达获取的森林冠层点云数据分类，并依次使用四个滤波器提高原始分类结果的精度，将冠层点云分为面状类即地面点云，散点类即光合部分点云，线性类即非光合部分点云。