CN105701856B - 一种植被提取方法及系统 - Google Patents
一种植被提取方法及系统 Download PDFInfo
- Publication number
- CN105701856B CN105701856B CN201610028156.XA CN201610028156A CN105701856B CN 105701856 B CN105701856 B CN 105701856B CN 201610028156 A CN201610028156 A CN 201610028156A CN 105701856 B CN105701856 B CN 105701856B
- Authority
- CN
- China
- Prior art keywords
- point
- vegetation
- data
- scene
- echo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 241001269238 Data Species 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012790 confirmation Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 239000012141 concentrate Substances 0.000 claims description 8
- 239000000284 extract Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000002592 echocardiography Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000012010 growth Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种植被提取方法及系统。一种植被提取方法包括:从扫描场景得到的回波数据中提取中间回波,其中,所述中间回波为激光雷达点云中具有穿透特性的波形数据,所述回波数据为通过所述多回波激光扫描系统得到的;获取场景三维点云数据,将所述中间回波对应的场景三维点云数据中的中间回波点作为植被点;根据所述植被点从场景三维点云数据中提取全部植被点云数据。本发明解决了激光点云数据中植被主要特征难以获取的问题,有效地提高了植被提取的质量,从而进行了植被树干及树冠的快速定位,其定位结果精确高效。
Description
技术领域
本发明涉及植被提取领域,尤其涉及一种植被提取方法及系统。
背景技术
目前,植被作为城市绿化的重要组成元素,在精准林业、计算机动画游戏、数字城市、古树名木保护管理等众多领域中发挥着不可替代的作用。从大的尺度来说,地球植被的分布模式是由气候所决定的。一方面需要分析植被的宏观结构,以获得植被的生态特征,体现在群落的垂直结构、组成群落的植物种类等;另一方面,在智慧城市中,城市路标、城市建筑提取,大规模测绘中,植被会产生遮挡。因此,交通管制部门和智能交通系统急需一种快速、实时的用于提取城区植被的系统,从而保证交通的安全性和智能驾驶的可靠性以及智慧城市建设的便利性。
目前,植被的提取主要基于高分影像、航空相片以及雷达数据等。主要方法以面向对象多尺度分割技术为主,兼有专家分类、三维扫描、BP神经网络等方法。常见的遥感植被提取方法有:射线法、多尺度分割法、基于颜色纹理特征、基于统计和驱动扩散法。基于航空影片的方法有:多尺度树冠分割、专家分类法、谷地跟踪法等。
近几年,地面激光扫描技术发展十分迅速。其快速、精确获取地面三维空间信息的能力,越来越受到人们的高度重视。利用三维激光扫描系统获取树冠信息的方法在一定程度上能够减少人为影响,提高测量精度。地面激光扫描系统不仅具备机载激光扫描系统能够采集大范围数据的特性,而且可以达到机载激光扫描系统所具备的数据精度和点密度。因此,地面激光扫描系统逐渐成为城市空间信息采集的一种重要技术手段。
然而,如何从高密度、高精度的海量激光扫描点云数据(场景三维点云数据)中分离出植被点云,是业界亟需解决的问题。
发明内容
本发明提供了一种植被提取方法,用于解决从场景三维点云数据中分离出植被点云数据的问题。
本发明实施例采用以下技术方案:
本发明提供了一种植被提取方法,该方法包括:
从扫描场景得到的回波数据中提取中间回波,其中,所述中间回波为激光雷达点云中具有穿透特性的波形数据,所述回波数据为通过所述多回波激光扫描系统得到的;
获取场景三维点云数据,将所述中间回波对应的场景三维点云数据中的中间回波点作为植被点;
a:在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点;
b:遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集;
通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量;
c:确定预先获取的所述植被点的局部几何特征向量与预先获取的所述邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则所述邻近数据点为植被点;
d:判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则所述属于植被点的所述邻近数据点重新执行步骤a至步骤d,若不是,则整合所有植被点作为全部植被点云数据。
优选的,通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量,具体包括:
获取通过局部数据集构建的协方差矩阵的特征值;
对所述特征值进行归一化,得到所述局部数据集中各数据点的局部几何特征向量。
优选的,所述遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集,具体包括:
在预设的半径区间中采样得到的预设数量待选半径;
遍历所述场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点在所述待选半径内的待选局部数据集;
获取各待选局部数据集对应的待选局部几何特征向量;
各数据点对应熵值最小的所述待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
本发明还提供了一种植被提取系统,该系统包括:
中间回波获取单元,用于从扫描场景得到的回波数据中提取中间回波,其中,所述中间回波为激光雷达点云中具有穿透特性的波形数据,所述回波数据为通过所述多回波激光扫描系统得到的;
植被点获取单元,连接所述中间回波获取单元,用于获取场景三维点云数据,将所述中间回波对应的场景三维点云数据中的中间回波点作为植被点;
邻近数据点获取模块,连接植被点获取单元的输出端,用于在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点;
局部数据集获取模块,连接所述植被点获取单元,用于遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集;
局部几何特征向量获取模块,连接局部数据集获取模块的输出端和确认模块的输入端,用于通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量;
确认模块,连接所述邻近数据点获取模块的输出端,用于确定预先获取的所述植被点的局部几何特征向量与预先获取的所述邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则所述邻近数据点为植被点;
判断模块,连接所述确认模块的输出端和所述邻近数据点获取模块输入端,用于判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则将所述属于植被点的所述邻近数据点输入所述邻近数据点获取模块的输入端,若不是,则整合所有植被点作为全部植被点云数据。
优选的,所述局部几何特征向量获取模块,包括:
特征值获取子模块,连接局部数据集获取模块的输出端,用于获取通过局部数据集构建的协方差矩阵的特征值;
归一化子模块,连接所述特征值获取子模块的输出端和所述确认模块的输入端,用于对所述特征值进行归一化,得到所述局部数据集中各数据点的局部几何特征向量。
优选的,所述局部数据集获取模块,包括:
待选半径采样子模块,用于在预设的半径区间中采样得到的预设数量待选半径;
待选局部数据集获取子模块,连接场景三维点云数据获取模块和待选半径采样子模块,用于遍历所述场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点在所述待选半径内的待选局部数据集;
局部几何特征向量子模块,连接待选局部数据集获取子模块,用于获取各待选局部数据集对应的待选局部几何特征向量;
局部数据集获取子模块,连接局部几何特征向量子模块,用于将各数据点对应熵值最小的所述待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
与现有技术相比,本发明提供的一种植被提取方法,具有以下有益效果:
本发明通过对获得的多回波激光扫描系统采集的回波数据进行回波分类并定义,优化了点云数据本身的单一性,解决了单一激光点云数据植被主要特征难以获取的问题,有效地提高了植被提取的质量;通过对回波数据所对应中间回波点进行提取,获得了植被的一致性初始特征,从而进行了植被树干及树冠的快速定位,其定位结果精确高效;基于有效的主成分分析(Principal Component Analysis,PCA)三维特征,通过对中间回波点进行生长处理,有效地提高了提取速度,最终实现植被自动提取,大大降低了数据处理的时间及劳动成本;从场景三维点云数据中直接进行提取,相比从图像数据中提取,保留了植被的整体三维结构信息,增加了实用性及精度。
附图说明
图1是本发明提供的一种植被提取方法的第一个实施例的方法流程图。
图2是本发明提供的一种植被提取方法的第二个实施例的方法流程图一。
图3是本发明提供的一种植被提取方法的第二个实施例的方法流程图二。
图4是本发明提供的一种植被提取系统的第一个实施例的结构框图。
图5是本发明提供的一种植被提取系统的第二个实施例的结构框图一。
图6是本发明提供的一种植被提取系统的第二个实施例的结构框图二。
图7是本发明提供的一种植被提取系统的第二个实施例的结构框图三。
图8a是本发明提供的一种植被提取方法及系统第二个实施例的场景三维点云数据立体测绘图。
图8b是本发明提供的一种植被提取方法及系统第二个实施例中场景三维点云数据立体测绘图中提取的中间回波点。
图8c是本发明提供的一种植被提取方法及系统第二个实施例中提取植被点云数据后的场景三维点云数据立体测绘图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出根据本发明提供的一种植被提取方法第一个实施例的方法流程图。本实施例的一种植被提取方法主要由全波形激光扫描仪以及带有处理器的电子设备来执行,电子设备可以为计算机、嵌入式系统、专业的植被提取仪器等。该方法包括以下步骤:
S11:从扫描场景得到的回波数据中提取中间回波,其中,中间回波为激光雷达点云中具有穿透特性的波形数据,回波数据为通过多回波激光扫描系统得到的。
其中,多回波激光扫描系统可以为全波形激光扫描仪,通过多回波数字处理技术,可以将回波数据分为首次回波、单次回波、末次回波和其它回波四类。该发明所定义的中间回波即其它回波或加上首次回波的组合。中间回波为激光雷达点云中具有穿透特性的波形数据,即当全波形激光扫描仪发射的激光打到植被的缝隙边缘时,激光的一部分穿透,激光的另一部分被反射回来,反射回来的这部分的回波数据则为中间回波。
S12:获取场景三维点云数据,将中间回波对应的场景三维点云数据中的中间回波点作为植被点。
其中,场景三维点云数据为由很多三维点坐标组成的集合,场景三维点云数据为通过地面多回波激光点云系统测绘得到的场景中的物体点云数据,包括全部植被点云数据。通过上述电子设备根据中间回波对应得到场景三维点云数据中的中间回波点,将中间回波点作为植被点。例如,中间回波点可以通过RIEGL公司的大距离静态激光扫描系统VZ1000提取得到的。该系统具备高速、高分辨率、高精度三维测量的特点。通过对设备的操作得到场景三维点云数据,通过该系统所配备的软件系统RiSCAN PRO读取场景三维点云数据,扫描文件中有该点云的属性,属性的下级选择中关于回波的属性,共有四种选项,显示单个回波、显示首次回波、显示其它回波、显示末次回波,而该发明所定义的中间回波即由其它回波或加上首次回波的组合,可以通过本系统得出场景三维点云数据提取中间回波点。
由于中间回波为激光雷达点云中具有穿透特性的波形数据,本步骤中得到的植被点一般为植被树干及树冠部分。通过对回波数据所对应中间回波点进行提取,获得了植被的一致性初始特征,从而进行了植被的树干及树冠的快速定位,其定位结果精确高效。
S13:根据植被点从场景三维点云数据中提取全部植被点云数据。
上述植被点构成的植被点云数据,一般为植被的树干及树冠部分,可以进一步根据一些高维空间索引结构搜索计算,提取全部植被点云数据。
综上,通过对获得的多回波激光扫描系统采集的回波数据进行回波分类并定义,优化了场景三维点云数据本身的单一性,解决了单一激光点云数据中植被主要特征难以获取的问题,有效地提高了植被提取的质量,从而进行了植被树干及树冠的快速定位,其定位结果精确高效。
图2和图3示出根据本发明提供的一种植被提取方法第二个实施例的方法流程图。本实施例的一种植被提取方法主要由全波形激光扫描仪以及带有处理器的电子设备来执行,电子设备可以为计算机、嵌入式系统、专业的植被提取仪器等。本实施例相比于一种植被提取方法第一个实施例,区别在于,对S13进行了进一步限定,其中S13中包括S13a、S13b和S13c,如图2所示。
S13a:在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点。
具体的,该KD-tree结构为场景三维点云数据的KD-tree结构,本步骤中通过KD-tree结构获取在场景三维点云数据中以植被点为圆心,搜索预设数量的邻近数据点,例如,搜索距离植被点最近的m个点作为邻近数据点(待生长点),m可以取20。
S13b:确定预先获取的植被点的局部几何特征向量与预先获取的邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则邻近数据点为植被点。
例如,判断植被点Ps与Ps的邻近数据点(待生长点)Pk之间的局部几何特征向量的余弦相似度是否满足f(Ps,Pk)<Tg,若满足,则邻近数据点(待生长点)为植被点。
其中“·”为点乘运算符,Tg为生长阈值,常取Tg=0.3,vs为Ps的局部几何特征向量,vk为Pk的局部几何特征向量,通过判断植被点与待生长点的几何相似度从而决定待生长点是否是植被点。
S13c:判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则对属于植被点的邻近数据点进行步骤S13a至步骤S13c,若不是,则整合所有植被点作为全部植被点云数据。
例如,判断属于植被点的邻近数据点的局部集合特征向量v=(a1,a2,a3)T是否满足a2<Ts,其中Ts为第二阈值,可以取Ts=0.4,若满足则纳入植被点中的叶节点中,表明该点所在邻域结构为非平面,很有可能为树枝或树叶等线性或体积结构几何体,继续进行步骤S13a至步骤S13c不断迭代生长,直到无适合的植被点中的叶节点进行生长而停止,且整合所有植被点作为全部植被点云数据,如附图8a-8c所示,图8a为场景三维点云数据立体测绘图,图8b为场景三维点云数据立体测绘图中的中间回波点,图8c中M部分为最终提取的全部植被点云数据。
优选的,S13b之前还包括S13e和S13f来获取植被点的局部几何特征向量和邻近数据点的局部几何特征向量,其中S13e和S13f与S13a之间不限定先后顺序,如图2所示。
S13e:遍历场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取各数据点在场景三维点云数据中的局部数据集。
具体的,遍历场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取各数据点在场景三维点云数据中以各数据点为圆心以预设邻域半径为半径的区域中的数据点作为局部数据集。
S13f:通过对局部数据集进行主成分分析,得到各数据点的局部几何特征向量。
其中,具体的,对局部数据集进行主成分分析即为获取通过局部数据集构建的协方差矩阵的特征值;对特征值进行归一化,得到局部数据集中各数据点的局部几何特征向量,例如通过协方差矩阵C1得到特征值λ1,λ2,λ3。
特征值λ1,λ2,λ3中,λ1≥λ2≥λ3,由大到小代表局部几何的主方向,次方向和法线方向的点分布情况。对获取的特征值进行归一化,从而获取各数据点的待选局部数据集A1的局部几何特征向量:
v为局部集合特征向量。
较佳的,在实际操作中,为了后续获得更加精确的局部几何特征,通常通过设置多个邻域搜索大小的待选邻域半径,取其中熵值最小的半径作为邻域半径,具体的,S13e具体包括S131e至S134e,如图3所示。
S131e:在预设的半径区间中采样得到的预设数量待选半径。例如,预设的半径区间为(a,b),预设数量为3,在半径区间中间隔采样得到R1、R2、R3作为3个待选半径。
S132e:遍历场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点待选半径内的待选局部数据集。
其中,该KD-tree结构为场景三维点云数据的KD-tree结构,本步骤中通过KD-tree结构获取场景三维点云数据中以各数据点为圆心,距离各数据点待选半径的邻域内的数据点集作为待选局部数据集,如上例,通过KD-tree结构得到数据点n有三个待选局部数据集A1、A2、A3。
S133e:获取各待选局部数据集对应的局部几何特征向量。
具体的,先获取通过待选局部数据集构建的协方差矩阵的特征值。对特征值进行归一化,得到各数据点的待选局部数据集中局部几何特征向量。
例如,先利用该待选局部数据集A1、A2、A3分别构建协方差矩阵C1、C2、C3,并对协方差矩阵进行特征值分解,从而获取协方差矩阵的特征值和特征向量,每个协方差矩阵分别得到特征值,例如C1得到特征值λ1,λ2,λ3。
特征值λ1,λ2,λ3中,λ1≥λ2≥λ3,由大到小代表局部几何的主方向,次方向和法线方向的点分布情况。对获取的特征值进行归一化,从而获取各数据点的待选局部数据集A1的待选局部几何特征向量:
v为局部集合特征向量。
S134e:将各数据点对应熵值最小的待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
S13e具体包括S131e至S134e时,此时,S13f则可以直接将局部数据集对应的待选局部几何特征向量作为该数据点的局部几何特征向量。
综上所述,基于有效的主成分分析三维特征,通过对中间回波点进行生长处理,有效地提高了提取速度,最终实现植被自动提取,大大降低了数据处理的时间及劳动成本;从场景三维点云数据中直接进行提取,相比从图像数据中提取,保留了植被的整体三维结构信息,增加了实用性及精度,且通过判定阈值的方式迭代生成全部植被点云数据,提取速度更快。
图4示出根据本发明提供的一种植被提取系统方法第一个实施例的方法流程结构框图。本实施例的一种植被提取系统主要用于实现上述一种植被提取方法第一个实施例,主要由全波形激光扫描仪以及带有处理器的电子设备来执行,电子设备可以为计算机、嵌入式系统、专业的植被提取仪器等。该系统包括中间回波获取单元21、植被点获取单元22和植被点云获取单元23。
中间回波获取单元21,用于从扫描场景得到的回波数据中提取中间回波,其中,中间回波为激光雷达点云中具有穿透特性的波形数据,回波数据为通过多回波激光扫描系统得到的。
其中,多回波激光扫描系统可以为全波形激光扫描仪,通过多回波数字处理技术,可以将回波数据分为首次回波、单次回波、末次回波和其它回波四类。该发明所定义的中间回波即其它回波或加上首次回波的组合。中间回波为激光雷达点云中具有穿透特性的波形数据,即当全波形激光扫描仪发射的激光打到植被的缝隙边缘时,激光的一部分穿透,激光的另一部分被反射回来,反射回来的这部分的回波数据则为中间回波。
植被点获取单元22,连接中间回波获取单元21,用于获取场景三维点云数据,将中间回波对应的场景三维点云数据中的中间回波点作为植被点。
其中,场景三维点云数据为由很多三维点坐标组成的集合,场景三维点云数据为通过地面多回波激光点云系统测绘得到的场景中的物体点云数据,包括全部植被点云数据。通过上述电子设备根据中间回波对应得到场景三维点云数据中的中间回波点,将中间回波点作为植被点。例如,中间回波点可以通过RIEGL公司的大距离静态激光扫描系统VZ1000提取得到的。该系统具备高速、高分辨率、高精度三维测量的特点。通过对设备的操作得到场景三维点云数据,通过该系统所配备的软件系统RiSCAN PRO读取场景三维点云数据,扫描文件中有该点云的属性,属性的下级选择中关于回波的属性,共有四种选项,显示单个回波、显示首次回波、显示其它回波、显示末次回波,而该发明所定义的中间回波即由其它回波或加上首次回波的组合,可以通过本系统得出场景三维点云数据提取中间回波点。
由于中间回波为激光雷达点云中具有穿透特性的波形数据,植被点获取单元22中得到的植被点一般为植被树干及树冠部分。通过对回波数据所对应中间回波点进行提取,获得了植被的一致性初始特征,从而进行了植被的树干及树冠的快速定位,其定位结果精确高效。
全部植被点云获取单元23,连接植被点获取单元22,用于根据植被点从场景三维点云数据中提取全部植被点云数据。
上述植被点构成的植被点云数据,一般为植被的树干及树冠部分,可以进一步根据一些高维空间索引结构搜索计算,提取全部植被点云数据。
综上,通过对获得的多回波激光扫描系统采集的回波数据进行回波分类并定义优化了场景三维点云数据本身的单一性,解决了单一激光点云数据中植被主要特征难以获取的问题,有效地提高了植被提取的质量,从而进行了植被树干及树冠的快速定位,其定位结果精确高效。
图5至图7示出根据本发明提供的一种植被提取系统第二个实施例的方法流程图。本实施例相比于一种植被提取方法第一个实施例,区别在于,对全部植被点云获取单元23进行了进一步限定,其中植被点云获取单元23中包括邻近数据点获取模块231、确认模块232和判断模块233,如图5所示。
邻近数据点获取模块231,连接植被点获取单元22的输出端,用于在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点。
具体的,该KD-tree结构为场景三维点云数据的KD-tree结构,本步骤中通过KD-tree结构获取在场景三维点云数据中以植被点为圆心,搜索预设数量的邻近数据点,例如,搜索距离植被点最近的m个点作为邻近数据点(待生长点),m可以取20。
确认模块232,连接邻近数据点获取模块231的输出端,用于确定预先获取的植被点的局部几何特征向量与预先获取的邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则邻近数据点为植被点。
例如,判断植被点Ps与Ps的邻近数据点(待生长点)Pk之间的局部几何特征向量的余弦相似度是否满足f(Ps,Pk)<Tg,若满足,则邻近数据点(待生长点)为植被点。
其中“·”为点乘运算符,Tg为生长阈值,常取Tg=0.3,vs为Ps的局部几何特征向量,vk为Pk的局部几何特征向量,通过判断植被点与待生长点的几何相似度从而决定待生长点是否是植被点。
判断模块233,连接确认模块232的输出端和邻近数据点获取模块231输入端,判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则将属于植被点的邻近数据点输入邻近数据点获取模块231的输入端,若不是,则整合所有植被点作为全部植被点云数据。
例如,判断属于植被点的邻近数据点的局部集合特征向量v=(a1,a2,a3)T是否满足a2<Ts,其中Ts为第二阈值,可以取Ts=0.4,若满足则纳入植被点中的叶节点中,表明该点所在邻域结构为非平面,很有可能为树枝或树叶等线性或体积结构几何体,将属于植被点的邻近数据点输入邻近数据点获取模块232的输入端。继续依次邻近数据点获取模块232、确认模块233和判断模块234进行处理,直到不再满足上述第二阈值的判决,即无适合的叶节点进行生长了,则整合所有植被点作为全部植被点云数据,如附图8a-8b所示,图8a为场景三维点云数据立体测绘图,图8b为场景三维点云数据立体测绘图中的中间回波点,图8c中M部分为最终提取的全部植被点云数据。
优选的,全部植被点云获取单元23中还包括局部数据集获取模块234和局部几何特征向量获取模块235来获取植被点的局部几何特征向量和邻近数据点的局部几何特征向量。
局部数据集获取模块234,连接植被点获取单元231,用于遍历场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取各数据点在场景三维点云数据中的局部数据集。
具体的,遍历场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取各数据点在场景三维点云数据中以各数据点为圆心以预设邻域半径为半径的区域中的数据点作为局部数据集。
局部几何特征向量获取模块235,连接局部数据集获取模块234的输出端和所述确认模块232的输入端,用于通过对局部数据集进行主成分分析,得到各数据点的局部几何特征向量。
具体的,局部几何特征向量获取模块235包括特征值获取子模块2351和归一化子模块2352,如图6所示。
特征值获取子模块2351,连接局部数据集获取模块234的输出端,用于取得通过局部数据集构建的协方差矩阵的特征值。
归一化子模块2352,连接特征值获取子模块2351的输出端和确认模块232的输入端,用于对特征值进行归一化,得到所述局部数据集中各数据点的局部几何特征向量。
例如通过协方差矩阵C1得到特征值λ1,λ2,λ3。特征值λ1,λ2,λ3中,λ1≥λ2≥λ3,由大到小代表局部几何的主方向,次方向和法线方向的点分布情况。对获取的特征值进行归一化,从而获取各数据点的待选局部数据集A1的局部几何特征向量:
v为局部集合特征向量。
较佳的,在实际操作中,为了后续获得更加精确的局部几何特征,通常通过设置多个邻域搜索大小的待选邻域半径,取其中熵值最小的半径作为邻域半径,具体的,局部数据集获取模块234具体包括待选半径采样子模块2341、待选局部数据集获取子模块2342、局部几何特征向量子模块2343和局部数据集获取子模块2344,如图7所示。
待选半径采样子模块2341,用于在预设的半径区间中采样得到的预设数量待选半径。例如,预设的半径区间为(a,b),预设数量为3,在半径区间中间隔采样得到R1、R2、R3作为3个待选半径。
待选局部数据集获取子模块2342,连接植被点获取单元22和待选半径采样子模块2341,用于遍历场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点待选半径内的待选局部数据集。
其中,该KD-tree结构为场景三维点云数据的KD-tree结构,本步骤中通过KD-tree结构获取场景三维点云数据中,以各数据点为圆心,距离各数据点待选半径的邻域内的数据点集作为待选局部数据集,如上例,通过KD-tree结构得到数据点n有三个待选局部数据集A1、A2、A3。
局部几何特征向量子模块2343,连接待选局部数据集获取子模块2342,用于获取各待选局部数据集对应的局部几何特征向量。
具体的,先获取通过待选局部数据集构建的协方差矩阵的特征值。对特征值进行归一化,得到各数据点的待选局部数据集中局部几何特征向量。
例如,先利用该待选局部数据集A1、A2、A3分别构建协方差矩阵C1、C2、C3,并对协方差矩阵进行特征值分解,从而获取协方差矩阵的特征值和特征向量,每个协方差矩阵分别得到特征值,例如C1得到特征值λ1,λ2,λ3。
特征值λ1,λ2,λ3中,λ1≥λ2≥λ3,由大到小代表局部几何的主方向,次方向和法线方向的点分布情况。对获取的特征值进行归一化,从而获取各数据点的待选局部数据集A1的待选局部几何特征向量:
v为局部集合特征向量。
局部数据集获取子模块2344,连接局部几何特征向量子模块2343,用于将各数据点对应熵值最小的待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
局部数据集获取模块234包括待选半径采样子模块2341、待选局部数据集获取子模块2342、局部几何特征向量子模块2343和局部数据集获取子模块2344时,此时,局部几何特征向量获取模块235则可以用于直接将局部数据集对应的待选局部几何特征向量作为该数据点的局部几何特征向量。
综上所述,基于有效的主成分分析三维特征,通过对中间回波点进行生长处理,有效地提高了提取速度,最终实现植被自动提取,大大降低了数据处理的时间及劳动成本;从场景三维点云数据中直接进行提取,相比从图像数据中提取,保留了植被的整体三维结构信息,增加了实用性及精度,且通过判定阈值的方式迭代生成全部植被点云数据,提取速度更快。
上述实施例仅说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种植被提取方法,其特征在于,包括:
从扫描场景得到的回波数据中提取中间回波,其中,所述中间回波为激光雷达点云中具有穿透特性的波形数据,所述回波数据为通过多回波激光扫描系统得到的;
获取场景三维点云数据,将所述中间回波对应的场景三维点云数据中的中间回波点作为植被点;
a:在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点;
b:遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集;
通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量;
c:确定预先获取的所述植被点的局部几何特征向量与预先获取的所述邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则所述邻近数据点为植被点;
d:判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则所述属于植被点的所述邻近数据点重新执行步骤a至步骤d,若不是,则整合所有植被点作为全部植被点云数据。
2.如权利要求1所述的方法,其特征在于,所述通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量,具体包括:
获取通过局部数据集构建的协方差矩阵的特征值;
对所述特征值进行归一化,得到所述局部数据集中各数据点的局部几何特征向量。
3.如权利要求1所述的方法,其特征在于,所述遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集,具体包括:
在预设的半径区间中采样得到的预设数量待选半径;
遍历所述场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点在所述待选半径内的待选局部数据集;
获取各待选局部数据集对应的待选局部几何特征向量;
各数据点对应熵值最小的所述待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
4.一种植被提取系统,其特征在于,包括:
中间回波获取单元,用于从扫描场景得到的回波数据中提取中间回波,其中,所述中间回波为激光雷达点云中具有穿透特性的波形数据,所述回波数据为通过多回波激光扫描系统得到的;
植被点获取单元,连接所述中间回波获取单元,用于获取场景三维点云数据,将所述中间回波对应的场景三维点云数据中的中间回波点作为植被点;
邻近数据点获取模块,连接植被点获取单元的输出端,用于在场景三维点云数据中,通过预设的KD-tree结构以植被点为圆心搜索预设数量的邻近数据点;
局部数据集获取模块,连接所述植被点获取单元,用于遍历所述场景三维点云数据中的各数据点,同时通过预设的KD-tree结构获取所述各数据点在所述场景三维点云数据中的局部数据集;
局部几何特征向量获取模块,连接局部数据集获取模块的输出端和确认模块的输入端,用于通过对所述局部数据集进行主成分分析,得到各数据点的局部几何特征向量;
确认模块,连接所述邻近数据点获取模块的输出端,用于确定预先获取的所述植被点的局部几何特征向量与预先获取的所述邻近数据点的局部几何特征向量的余弦度在预设第一阈值内,则所述邻近数据点为植被点;
判断模块,连接所述确认模块的输出端和所述邻近数据点获取模块输入端,用于判断属于植被点的所述邻近数据点的局部几何特征向量的第二维度分量是否在预设第二阈值内,若是,则将所述属于植被点的所述邻近数据点输入所述邻近数据点获取模块的输入端,若不是,则整合所有植被点作为全部植被点云数据。
5.如权利要求4所述的系统,其特征在于,所述局部几何特征向量获取模块,包括:
特征值获取子模块,连接局部数据集获取模块的输出端,用于获取通过局部数据集构建的协方差矩阵的特征值;
归一化子模块,连接所述特征值获取子模块的输出端和所述确认模块的输入端,用于对所述特征值进行归一化,得到所述局部数据集中各数据点的局部几何特征向量。
6.如权利要求4所述的系统,其特征在于,所述局部数据集获取模块,包括:
待选半径采样子模块,用于在预设的半径区间中采样得到的预设数量待选半径;
待选局部数据集获取子模块,连接场景三维点云数据获取模块和待选半径采样子模块,用于遍历所述场景三维点云数据中的各数据点,通过预设的KD-tree结构获取距离各数据点在所述待选半径内的待选局部数据集;
局部几何特征向量子模块,连接待选局部数据集获取子模块,用于获取各待选局部数据集对应的待选局部几何特征向量;
局部数据集获取子模块,连接局部几何特征向量子模块,用于将各数据点对应熵值最小的所述待选半径对应的待选局部数据集作为该数据点的局部数据集,其中Er为熵值,ai,r为待选局部几何特征向量分量,i为维度编号,r为待选半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028156.XA CN105701856B (zh) | 2016-01-15 | 2016-01-15 | 一种植被提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028156.XA CN105701856B (zh) | 2016-01-15 | 2016-01-15 | 一种植被提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701856A CN105701856A (zh) | 2016-06-22 |
CN105701856B true CN105701856B (zh) | 2018-10-19 |
Family
ID=56227459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610028156.XA Expired - Fee Related CN105701856B (zh) | 2016-01-15 | 2016-01-15 | 一种植被提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701856B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194913B (zh) * | 2017-04-21 | 2020-02-14 | 北京农业信息技术研究中心 | 一种作物群体最适研究尺度检测方法及装置 |
CN109613552B (zh) * | 2018-12-07 | 2020-11-10 | 厦门大学 | 一种用于tls多回波点云植被遮挡目标的探测和分析方法 |
CN111060922B (zh) * | 2019-12-11 | 2023-04-18 | 电子科技大学 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
CN111985496B (zh) * | 2020-07-13 | 2024-01-05 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374431B2 (en) * | 2010-07-27 | 2013-02-12 | Aerotec, Llc | Method and apparatus for direct detection, location, analysis, identification, and reporting of vegetation clearance violations |
-
2016
- 2016-01-15 CN CN201610028156.XA patent/CN105701856B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393180A (zh) * | 2011-10-19 | 2012-03-28 | 中国林业科学研究院资源信息研究所 | 一种从LiDAR点云数据中自动提取林分上层树木参数的方法 |
CN104820830A (zh) * | 2015-05-08 | 2015-08-05 | 南京林业大学 | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
Non-Patent Citations (2)
Title |
---|
基于多次回波地面激光扫描的地面滤波和植被成像;Francesco Pirotti 等;《地壳构造与地壳应力》;20131215(第02期);25-35 * |
基于随机森林的机载激光全波形点云数据分类方法;范士俊 等;《中国激光》;20130910;第40卷(第9期);第1、2.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105701856A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
CN112381861A (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
CN105701856B (zh) | 一种植被提取方法及系统 | |
Chen et al. | Rapid urban roadside tree inventory using a mobile laser scanning system | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
Xu et al. | A new clustering-based framework to the stem estimation and growth fitting of street trees from mobile laser scanning data | |
CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
Xiao et al. | 3D urban object change detection from aerial and terrestrial point clouds: A review | |
Chang et al. | A two-stage approach for individual tree segmentation from TLS point clouds | |
Liu et al. | Land Use and Land Cover Mapping in China Using Multi-modal Fine-grained Dual Network | |
Zheng et al. | YOLOv4-lite–based urban plantation tree detection and positioning with high-resolution remote sensing imagery | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
Kim et al. | Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images | |
CN113724400A (zh) | 一种面向倾斜摄影的多属性融合建筑物点云提取方法 | |
Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
Lin et al. | Noise point detection from airborne lidar point cloud based on spatial hierarchical directional relationship | |
CN114862872A (zh) | 一种基于Faster R-CNN的红树林单木分割方法 | |
Tang et al. | Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data | |
Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method | |
Zhao et al. | Robust shape extraction for automatically segmenting raw LiDAR data of outdoor scenes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 |
|
CF01 | Termination of patent right due to non-payment of annual fee |