CN104794750A - 一种基于空间殖民算法的树点云三维重建方法 - Google Patents

Abstract

本发明公开了一种基于空间殖民算法的树点云三维重建方法，以激光扫描设备获取自然环境中树的点云数据作为输入，采用空间殖民算法自动生成树三维骨架，并通过对提取骨架后处理完成树点云三维重建。重建结果表明，该方法能对多种类型的三维点云进行重建，重建后的三维模型与初始三维点云吻合度高，能较好地体现树的拓扑结构关系，且重建效率较高，对于3万以下的测试点云，重建时间在1分钟之内。该方法可为虚拟植物、景观设计和植物拓扑结构分析等提供重要参考。

Description

一种基于空间殖民算法的树点云三维重建方法

技术领域

本发明涉及三维重建技术领域，特别是涉及一种基于空间殖民算法的树点云三维重建方法。

背景技术

树是自然界最常见的景观之一，其结构复杂，在三维游戏、三维动画等虚拟场景中，通过引入真实树的三维模型，可极大增加场景的真实感；另一方面，构建树的三维模型和模拟树的生长过程对探索植物生长规律具有重要意义。然而真实环境中树的几何结构复杂，使得其三维重建一直是计算机图形学研究中的挑战性问题。

目前对于树的建模可归纳为以下几类：基于规则的建模、基于草图的建模、基于图像的建模和基于点云的建模。基于规则的建模参考了树的生长规律以及外在表现等几何规则建模。基于规则的方法能快速产生真实感较高的树模型，但需要使用者具有植物学、生态学等方面的知识，参数调整复杂。基于草图的方法即根据用户勾勒的树枝或树冠草图，推算出树的三维结构。该方法只需用户绘制树冠轮廓或者绘制树枝即可重建其三维模型。但是基于草图的建模只能反映树的单面特征，树枝内部结构需根据模型库生成，且重建模型树冠与真实模型树冠相似度低。基于图像的树建模主要利用真实照片、视频采集图像等恢复出树的三维几何模型。该方法基于高真实感的树图像，能较好的重建真实树的三维几何结构，但是在图像采集、树的器官分割及特征匹配等方面较为复杂。基于三维点云的方法直接在激光扫描获取的树点云上实现树的三维重建。Xu等提出由树的单面扫描点云通过构建采样点的完全图连通图采用最短路径算法建立完全图的最小生成树提取树骨架，进而重建树三维模型。Livny等提出多轮全局优化方法对有覆盖与遮挡的多棵树点云同时进行重建。Xu等和Livny等方法重建三维模型外观真实，树形结构合理，但是上述方法均需构建复杂的图，而且会出现树枝穿插等不合理树枝。Livny等提出基于Lobe的树重建方法，简化非主树枝细节，将树冠表示为多个Lobe。该方法简化了对树冠树枝细节的要求，但仍然需要根据模型库合成Lobe内部树枝，且对输入点云要求能从其中提取主树干和主树枝。

发明内容

本发明所要解决的技术问题是提供一种基于空间殖民算法的树点云三维重建方法，以克服上述现有技术的缺陷，可为虚拟植物、景观设计和植物拓扑结构分析提供重要参考。

本发明所要解决的技术问题是通过以下技术方案来实现的：

本发明提供了所述一种基于空间殖民算法的树点云三维重建方法，包括以下步骤：

1、数据获取；

2、空间殖民算法；

所述空间殖民算法包括：

(1)把空白空间点与距离所述空白空间点最近的骨架点连接，用集合S(p)表示影响骨架点p的空白空间点集合；

(2)找到每个骨架点对应可生长空白空间点集合S(p)；计算骨架点到受影响的空白空间点间的方向向量；

(3)计算每一个骨架点受影响空白空间点集合S(p)中所有元素由(2)求得向量的和向量并标准化，所述和向量即该骨架点新生长方向；

(4)每一骨架点的S(p)集合的单位化和向量用于确定新树枝的生长方向，即新骨架点的方向向量；

所述新骨架点的位置p_n定义为：

p_n＝D_s×nv

其中，D_s表示骨架点距离。

(5)删除处于竞争状态的空白空间点；检测新骨架点与空白空间点间的距离，若小于等于预先设定的删除阈值Td，则删除空白空间点q；若空白空间点未被新骨架点影响，则保留；

所述对应关系如下：

|p-p_n|≤T_d

(6)按照上述流程继续进行下一次迭代；

(7)进行多轮迭代；

所述多轮迭代包括：

1)程序执行前，选择树生长方向上的基骨架点；保存所述基骨架点到迭代骨架点集合中；

2)执行一次空间殖民算法迭代；

3)保留步骤2中迭代过程中新添加的骨架点；

4)删除迭代骨架点集合中骨架点的S(p)为0的骨架点；合并新添加的骨架点到迭代骨架点集合，所述骨架点为步骤3保留的骨架点；

5)新迭代骨架点集合从步骤b开始继续下一次迭代；

(8)当达到用户指定的迭代次数时，迭代结束，生成完整的三维骨架。

3、对上述三维骨架进行后处理，完成三维模型重建；

所述数据获取中，树点云的获取精度为0.15-0.25m；

所述空间殖民算法的步骤(1)中，空白空间点与骨架点之间的关联条件为生长点与骨架点间的距离小于用户预先设定的半径值，且该骨架点相比其他骨架点离空白空间点更近；

所述空白空间点与骨架点之间具体关系可表示为：

|p-q|<T_i,

|p-q|＝min{|p-q_x|,q_x∈M}

其中q为空白空间点的坐标，p为距离q最近的骨架点坐标，M为未删除空白空间点集合，T_i为影响半径；

所述影响半径取值为1.0-1.7；

所述空间殖民算法的步骤(2)中，方向向量n的计算方法为：

n＝p-q

其中n为方向向量，q为空白空间点的坐标，p为距离q最近的骨架点坐标；

所述空间殖民算法的步骤(3)中，和向量nv的计算方法为：

$\mathrm{nv}=\frac{\mathrm{dv}}{\left|\right|\mathrm{dv}\left|\right|},\mathrm{dv}=\underset{p\&Element;S\left(p\right)}{\mathrm{\&Sigma;}}\frac{p-q}{\left|\right|p-q\left|\right|}$

其中，nv为单位化后的和向量；

所述空间殖民算法的步骤(4)中的骨架点距离为0.08-0.3；

所述空间殖民算法的步骤(7)中，删除阈值为0.3-0.7；

所述空间殖民算法的步骤(10)中，迭代次数为210。

本发明采用上述技术方案以后具有的有益效果：

1、本发明以真实树点云作为输入对象，采用空间殖民算法实现了自动提取树点云对应的三维骨架与树模型三维重建，从树点云到最终模型渲染用户干预少，重建流程简单；

2、本发明实现的树点云三维重建方法，采用竞争生长空间资源的思想，以及资源的唯一性特点，避免了重建树模型树枝间穿插等不合理外观，减少了对重建模型的后处理。

3、本发明将树枝长度小于4倍骨架点距离的树枝删除或者合并，减少细小树枝数量并合并多分节树干，使树形更加平滑，解决了树冠点云较密，树冠末端细枝较多，部分树干呈现多分节、多瘤等现象影响外观的问题；

4、本发明对树点云质量要求低，以稀疏或者稠密树点云作为输入对象，通过迭代生成树点云对应的三维骨架。算法3个参数作为控制对象，对重建模型拓扑结构真实性有重要影响。实验结果表明，对于点云数量小于1万的模型，能在10s能完成重建，对于3万左右的树点云，也能在1min内完成重建。对多种类型的树点云进行了测试，均能重建高吻合度的三维模型。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为激光扫描设备获取的树林彩色点云数据。

图2为空间殖民算法中部分骨架点与空白空间点。

图3为空间殖民算法中计算空白空间点的最近骨架点。

图4为空间殖民算法中计算空白空间点与最近骨架点的方向向量。

图5为空间殖民算法中计算骨架点的生长方向。

图6和图7为空间殖民算法中沿骨架点生长方向添加新骨架点。

图8为空间殖民算法中删除被竞争到的空白空间点。

图9为空间殖民算法中一次迭代后骨架点与空白空间点分布情况。

图10为空间殖民算法中进行下一次迭代。

图11为空间殖民算法提取的树点云。

图12为空间殖民算法提取的树点云对应骨架。

图13为基于空间殖民算法三维重建的树点云。

图14为基于空间殖民算法三维重建模型与原点云对比。

图15为PovRay中渲染效果。

图16为Tree2对应重建结果。

图17为Tree3对应重建结果。

图18为Tree5对应重建结果。

图19为删除阈值为0.4的树的形态结构。

图20为删除阈值为0.3的树的形态结构。

图21为骨架点距离为0.2的树的形态结构。

图22为骨架点距离为0.3的树的形态结构。

图23为优化之前的树枝形态。

图24为优化之后的树枝形态。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的实施方式做进一步的详细描述。

1、数据获取

首先，通过航空激光扫描设备获取树的点云，并对点云进行分割等预处理。树点云数据获取采用全波段航空激光雷达及航空摄影系统。图1是2013年采用上述系统在澳大利亚昆士兰采集的小片树林彩色点云数据，其中数据采集高度约为550m，采集精度为0.2m。获取数据后，采用Graph-Cut图割法实现了树的分割。然后，对分割后的单棵树采用下述空间殖民算法提取骨架。

2、空间殖民算法

如图2所示，假设当前树的骨架结构由13个骨架点组成，蓝色实心圆表示，同时有17个空白空间点，黑色空心圆表示。如图3所示，首先，把空白空间点与距离该点最近的骨架点连接。一个空白空间点只影响离其最近的骨架点，但一个骨架点可能受多个生长点影响，我们用集合S(p)表示影响骨架点p的空白空间点集合。空白空间点与骨架点之间的关联条件为生长点与骨架点间的距离小于用户预先设定的半径值，且该骨架点相比其他骨架点离空白空间点更近，具体关系可表示为：

其中q为空白空间点的坐标，p为距离q最近的骨架点坐标，M为未删除空白空间点集合，Ti为影响半径。

如图4中黑色箭头所示，找到每个骨架点对应可生长空白空间点集合S(p)后，再计算骨架点到其受影响的空白空间点间的方向向量：

n＝p-q

然后对每一个骨架点受影响空白空间点集合S(p)计算每一元素求得的n和向量并标准化，最终和向量即该骨架点新生长方向：

$\mathrm{nv}=\frac{\mathrm{dv}}{\left|\right|\mathrm{dv}\left|\right|},\mathrm{dv}=\underset{p\&Element;S\left(p\right)}{\mathrm{\&Sigma;}}\frac{p-q}{\left|\right|p-q\left|\right|}$

其中，nv为单位化后的和向量。

如图5所示，每一骨架点的S(p)集合的单位化和向量用于确定新树枝的生长方向。红色箭头是各骨架点S(p)集合对应的和方向向量，也是新骨架点的方向向量。

新骨架点的位置pn定义为：

p_n＝D_s×nv

其中，Ds表示骨架点间的距离，简称骨架点距离。生成的新的树骨架点如图6和图7所示，新骨架点扩展3个主枝，同时初始化1个侧枝。添加新骨架点后，接下来删除处于竞争状态的空白空间点，对于新添加的骨架点，检测其与空白空间点间的距离，如果小于等于预先设定的删除阈值Td，则删除空白空间点q。对应公式如下：

|p-p_n|≤T_d

图8用粗红色圆圈标出的空白空间点与新添加骨架点的距离小于阈值Td，该空白空间点将会被删除；细红色圆圈标出的空白空间点未被新添加骨架点影响，仍然保留。如图10所示，按照上述流程继续进行下一次迭代，其中图9为一次迭代后树骨架和空白空间点分布情况。

如图11和图12所示，采用上述算法经过210次迭代后生成树点云对应的三维骨架。

对骨架进行后处理完成三维模型重建。

3、结果与分析

本发明在CPU时钟频率2.5GHz，内存4G，显存610M的笔记本上运行测试。以点云数量为26,786的树点云(表1中tree7)作为代表测试用例，设定空间殖民算法参数迭代次数为210次，影响半径1.5，删除阈值0.5，骨架点距离0.1后的程序运行结果如图4所示。对应输入点云如图13所示，图14是重建树模型与原点云的对比，可见重建后的树骨架模型能够较好地与输入点云相吻合。图15为重建模型在PovRay中渲染效果图。如图16-18所示，额外选取的不同三棵树点云对应的重建模型，图16对应表1中Tree2，图17对应表1中Tree3，图18对应表1中Tree5。见表1：

表1不同规模点云与耗时关系耗时

                                                                     单位：ms

表1对应为不同规模点云的重建时间，可以发现，对不同规模的测试点云能在1min内重建其三维模型。对于本文用到的测试数据，小规模点云能在1s内完成重建，1万以内点云能在20s内完成重建，3万左右点云能在1min内完成重建。本文实现算法中，为减少程序迭代时间，在每次迭代最后删除本次迭代骨架点集合中其S(p)大小为0的骨架点，减少下一次迭代过程中骨架点的数量，提高空间殖民算法的运行速度。具体步骤为：

(1)程序执行前，选择树生长方向上的基骨架点，将该点保存到迭代骨架点集合中；

(2)执行一次空间殖民算法迭代；

(3)将本次迭代中新添加的骨架点保留；

(4)删除迭代骨架点集合中骨架点的S(p)为0的骨架点，同时将新添加的骨架点(步骤3保留的骨架点)合并到迭代骨架点集合；

(5)新迭代骨架点集合从步骤(2)开始继续下一次迭代。

利用上述思想，将在一次迭代中无空白空间点影响的骨架点从下一次迭代骨架点集合中移除，而将有空白空间点影响的骨架点以及新添加的骨架点留在下一次迭代骨架点集合中，继续进行下一次迭代，从而减少迭代中骨架点数量，提高算法执行效率。

4、讨论

本发明以Runions等提出的空间殖民算法作为基础，能对输入的多种类型树点云数据重建真实度高的树模型。空间殖民算法结束条件的设定是有效提取树骨架的关键，经过大量测试表明，迭代终止条件设为迭代次数较合适，设定迭代次数为210，但是对于较大规模点云，需设定较多迭代次数。

空间殖民算法的3个参数“影响半径”、“删除阈值”和“骨架点距离”控制着重建后树的形态结构。这3个参数需根据输入点云的特征选取，在本发明测试中，影响半径取值范围为[1.0,1.7]，删除阈值取值为[0.3,0.7]，骨架点距离取值为[0.08,0.3]。在这3个参数中，影响半径的取值对算法时间效率的影响不大，但对提取骨架的形态却有一定影响。删除阈值的选取将影响最终对应树枝的数量，图19和图20为不同删除阈值条件下生成的树模型，可以看出，随着删除阈值的减少，树的枝干数量将增多，尤其是树冠细枝会明显增多，树在外观上显得不自然，呈现出多节、多瘤现象。骨架点距离对树形结构的影响比删除阈值而言要相对要弱，但不合理的骨架点距离选择仍然会导致树形的不自然。图21和图22给出了不同骨架点距离下生成的树形，注意骨架点距离为0.3时重建的树模型在某些地方呈现树枝扭曲等非自然形态。

采用空间殖民算法重建树模型不存在Livny方法中树枝交叉和重叠等不合理分支，但重建模型因树冠点云较密，树冠末端细枝较多；部分树干呈现多分节、多瘤等现象影响外观。针对该问题，本发明提出了一种简单的优化策略，即将树枝长度小于4倍骨架点距离的树枝删除或者合并，减少细小树枝数量，合并多分节树干，使树形更加平滑。图23和图24展示了重建模型优化前后的对比。

Claims (10)

1.一种基于空间殖民算法的树点云三维重建方法，包括以下步骤：

(1)数据获取；

(2)空间殖民算法；

所述空间殖民算法包括：

(1)把空白空间点与距离所述空白空间点最近的骨架点连接，用集合S(p)表示影响骨架点p的空白空间点集合；

(2)找到每个骨架点对应可生长空白空间点集合S(p)；计算骨架点到受影响的空白空间点间的方向向量；

(3)计算每一个骨架点受影响空白空间点集合S(p)中所有元素由(2)求得向量的和向量并标准化，所述和向量即该骨架点新生长方向；

(4)每一骨架点的S(p)集合的单位化和向量用于确定新树枝的生长方向，即新骨架点的方向向量；

所述新骨架点的位置p_n定义为：

p_n＝D_s×nv

其中，D_s表示骨架点距离。

(5)删除处于竞争状态的空白空间点；检测新骨架点与空白空间点间的距离，若小于等于预先设定的删除阈值T_d，则删除空白空间点q；若空白空间点未被新骨架点影响，则保留；

所述对应关系如下：

|p-p_n|≤T_d

(6)按照上述流程继续进行下一次迭代；

(7)进行多轮迭代；

所述多轮迭代包括：

1)程序执行前，选择树生长方向上的基骨架点；保存所述基骨架点到迭代骨架点集合中；

2)执行一次空间殖民算法迭代；

3)保留步骤2中迭代过程中新添加的骨架点；

4)删除迭代骨架点集合中骨架点的S(p)为0的骨架点；合并新添加的骨架点到迭代骨架点集合，所述骨架点为步骤3保留的骨架点；

5)新迭代骨架点集合从步骤b开始继续下一次迭代；

(8)当达到用户指定的迭代次数时，迭代结束，生成完整的三维骨架。

2.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述数据获取中，树点云的获取精度为0.15-0.25m。

3.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤1)中，空白空间点与骨架点之间的关联条件为生长点与骨架点间的距离小于用户预先设定的半径值，且该骨架点相比其他骨架点离空白空间点更近。

4.根据权利要求3所述的一种基于空间殖民算法的树点云三维重建方法，所述空白空间点与骨架点之间具体关系可表示为：

|p-q|<T_i,

|p-q|＝min{|p-q_x|,q_x∈M}

其中q为空白空间点的坐标，p为距离q最近的骨架点坐标，M为未删除空白空间点集合，T_i为影响半径。

5.根据权利要求4所述的一种基于空间殖民算法的树点云三维重建方法，所述影响半径取值为1.0-1.7。

6.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤2)中，方向向量n的计算方法为：

n＝p-q

其中n为方向向量，q为空白空间点的坐标，p为距离q最近的骨架点坐标。

7.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤3)中，和向量nv的计算方法为：

$\mathrm{nv}=\frac{\mathrm{dv}}{\left|\right|\mathrm{dv}\left|\right|},\mathrm{dv}=\underset{p\&Element;S\left(p\right)}{\mathrm{\&Sigma;}}\frac{p-q}{\left|\right|p-q\left|\right|}$

其中，nv为单位化后的和向量。

8.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤4)中的骨架点距离为0.08-0.3。

9.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤7)中，删除阈值为0.3-0.7。

10.根据权利要求1所述的一种基于空间殖民算法的树点云三维重建方法，所述空间殖民算法的步骤10)中，迭代次数为100-300。