CN106845399A - 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 - Google Patents

Abstract

本发明公开一种使用分层聚类方式从LiDAR中提取单木信息的方法，属LiDAR点云数据处理与信息提取范畴，关键技术要点包括：1.对点云进行水平分层；2.使用k均值聚类方式对每层点云进行分类并赋予不同属性值；3.对满足预设条件的点云进行融合；4.从属性值相同的点云中提取单木位置、树高、冠幅等信息，并通过单木信息计算林分结构信息。解决的关键性问题包括：1.实现林下层单木的提取，准确提取林分林木数量达80％以上；2.实现由LiDAR提取单木信息计算林分结构的功能；3.对点云密度无过高要求，已证实2p/m²密度的点云即可完成相关工作。该发明可应用于LiDAR反演信息的领域，尤其在结构复杂的林分条件下也可适用，可准确提取单木位置、树高、冠幅及林分结构参数等相关信息。

Description

一种使用分层聚类方式从LiDAR点云中提取单木信息的方法

一、技术领域

本发明涉及一种从激光雷达(LiDAR)点云中提取单木信息的方法，特别是应用于复杂林分结构中提取下层林木的方法，适用于机载激光雷达点云数据处理与信息提取，属于激光雷达点云数据处理技术领域。

二、技术背景

激光雷达(Light Detection And Ranging，LiDAR)是一项通过由传感器所发出的激光来测定传感器和目标物之间距离的主动遥感技术。由于LiDAR具有高穿透性，将LiDAR技术应用于林业遥感工作，则可获得大量包涵林分结构信息的点云数据；通过对整体点云进行单木分割，可进一步获取单木尺度的林分信息，将以快速高效的技术替代如森林资源二类清查等人工信息调查。因此，从整体点云中分离出单木并准确提取信息具有重要意义。

目前已有的分割方法有分水岭分割、区域增长法分割等，但是这些方法都有一个共通的问题，即依赖CHM进行分割操作，因而从原始点云生成CHM的滤波效果极大的影响了最终的提取效果，并很可能引起信息的丢失。从原理上分析，基于CHM构建并进行分割的方法仍是基于表面模型信息进行分割，往往是在对最上层点云进行分割、划分单株木位置和冠幅范围后将下层点云与之叠加，通常情况下中下层点云利用率很低，数据信息没有充分挖掘，复杂林分结构条件下几乎无法提取中下层林木，成果应用范围受到限制。如何准确分割更多林木、尤其是下层林木，并准确提取单木信息，是当前很有挑战性的主题。

当前单木提取面临的挑战主要是：

(1)在林分密度大、林层结构复杂的条件下，提取下层林木较为困难，可以提取的林木大致在实际的20-60％左右；如何提取更多林木成为挑战之一；

(2)部分单木信息缺失，导致林分结构的反演功能不健全。如何提升提取的有效性和功能性成为当下研究的重点。

三、发明内容

针对现有单木提取方法对于下层林木提取功能的缺失，提出一种分层聚类的单木提取方法，适用于各种林型，尤其对复杂结构的林分在单木提取的方面具有较大的优势。

本发明解决其技术问题采取的技术方案是：使用分层聚类方法从LiDAR中提取单木信息方法，其特征是，准确提取林木80％以上，并可准确反映林分结构，所述方法包括以下步骤：

步骤一：对点云进行水平切片；采用点云百分位高等分的方式对全部点云进行水平切片，以保证各点云层所含点云数量相等；片层数量N依据林分郁闭度、林分结构复杂程度进行变化，单层人工林N可设置在3-5左右；天然林设置N在5-10左右；

步骤二：提取点云层的局部最大值位置；使用高斯平滑滤波器对点云进行多次滤波以达到平滑的目的，再采用matlab中imregionalmax函数提取局部最大值点，它的原理是通过一系列腐蚀、膨胀运算，从1个点的26个邻近点判断该点是否为局部最大值；

步骤三：对点云进行纵向压缩；K均值算法适合于三维特征空间内大体为球形、簇密度均匀的数据集的聚类分析，需根据研究区树种形态对点云进行纵向压缩，即点云x、y坐标不变，z坐标缩小n倍；如有条件，可以根据特定树种形态确定n，如未知树种，可使用通用值n＝3；

步骤四：对每个点云层进行聚类；计算每个缩放后的点云数据到每个聚类中心的欧氏距离，将点云归于距离最近的一类，并重新计算聚类中心；重复这一步骤至聚类中心值不再变化，即完成了林木点云聚类，获得了标注不同类别属性的点云簇；

步骤五：对隶属不同点云层的点云簇进行融合；对接近分割线且聚类中心距离满足一定条件的点云簇进行合并；合并顺序为：从最上层开始，先合并1、2两个点云层的点云簇，得到新的点云簇和聚类中心，再与第3层点云簇合并，以此类推；合并条件为：待合并的两个点云簇均在分层界限处存在点云、并且两个点云簇中心水平距离不超过d；d根据林分条件进行设置，林分株数密度越大、分层越多，d越小，默认值d＝0.5；合并完所有符合条件的点云簇后，重新计算点云簇中心，作为单木位置信息；

步骤六：在单木分类工作完成之后，获得了标注不同属性值的点云，具有同一属性值的点云为同一株单木的点云簇；对点云簇的x、y值进行平均，作为单木的位置信息；提取点云簇中z值的最大值，作为单木树高；在冠幅提取方面，如点云密度d大于5p/m²，可采用凸包算法提取冠幅面积；如点云密度小于该值，采用通过点云密度、数量计算冠幅面积的方式求得冠幅；即：

式(1)中c为冠幅，d为点云密度，n为点云簇中的点云个数。

本项发明与现有技术相比具有以下优点：

①变革了点云单木分割的思路方法

传统的点云单木分割是基于表面模型的分割，提取效率低，精度受滤波质量影响严重，并引起了一定程度的信息缺失。本方法直接对点云进行聚类，信息没有丢失，单木树高、冠幅精度和林分平均高等信息精度均有提升。

②提升了对下层林木的提取能力

采用分层聚类的方式解决下层林木树顶难以探测的问题，相比现有技术，本发明更加关注下层林木的提取效果，使得整体的提取能力有大幅度提升，尤其是在林分结构复杂的天然林、次生林等林型中更具有优势。

③摆脱了对地面人工调查数据的依赖

传统的点云分割方式由于只能提取20-60％的林木，其余单木信息是缺失的，如想获得整体林分信息，还需要地面实测数据进行回归建模，大幅度降低了遥感的优势和意义；而本发明可以提取80％以上的林木，并且这些林木可以直接代表林分平均高、树高分布情况、水平结构、垂直结构等林分水平信息，摆脱对地面人工调查数据的依赖，极大提升了工作效率。

④实现了单木水平与林分水平信息的一次性获取

传统的LiDAR反演森林信息总体分为单木水平和林分水平，其中单木水平依靠分割CHM的方法，而林分水平与蓄积量、生物量、叶面积指数等信息则需要通过整体点云信息与地面实测信息进行回归建模而实现；本发明可通过提取单木的信息直接计算得出林分整体信息，提升了森林信息反演的工作速度和效率。

本发明在林业上意义重大、应用广泛，可摆脱林分调查对于地面实测数据的依赖；采用主动遥感的方式获取单木尺度信息，快速、高效、精准，受天气、地形、人为等因素的影响较小，满足林业调查类工作的基本要求；利用提取到的单木信息可以进一步完成森林场景三维可视化建模、森林采伐、森林经营管理等系列工作。

四、附图说明

下面结合附图和实施例对本发明进一步说明。

图1为使用分层聚类方式从LiDAR点云中提取单木信息的方法主要步骤设置

图2为点云水平分层切片；

图3为提取局部最大值示意图；

图4为聚类结果三维可视化模拟；

图5为分别对树高>15m、>10m、>5m和所有林木进行聚类垂直投影；

图6为树高>15m、10-15m、5-10m、2-5m林层单木提取位置与实际位置比较

图7为LiDAR提取树高与地面实测树高比较；

图8为聚类结果及地面实测树高分布情况对比；

五、具体实施方式：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。本发明：一种使用分层聚类方式从LiDAR点云中提取单木信息的方法，主要步骤设置如图1所示，所述方法包括以下步骤：

步骤一：对点云进行水平切片；采用点云百分位高等分的方式对全部点云进行水平切片，以保证各点云层所含点云数量相等；片层数量N依据林分郁闭度、林分结构复杂程度进行变化，单层人工林N可设置在3-5左右；天然林设置N在5-10左右；切片效果如图2所示；

步骤二：提取点云层的局部最大值位置；使用高斯平滑滤波器对点云进行多次滤波以达到平滑的目的，再采用matlab中imregionalmax函数提取局部最大值点，它的原理是通过一系列腐蚀、膨胀运算，从1个点的26个邻近点判断该点是否为局部最大值；提取局部最大值效果如图3所示，其中黑色标记为局部最大值；

步骤三：对点云进行纵向压缩；K均值算法适合于三维特征空间内大体为球形、簇密度均匀的数据集的聚类分析，需根据研究区树种形态对点云进行纵向压缩，即点云x、y坐标不变，z坐标缩小n倍；如有条件，可以根据特定树种形态确定n，如未知树种，可使用通用值n＝3；

步骤四：对每个点云层进行聚类；计算每个缩放后的点云数据到每个聚类中心的欧氏距离，将点云归于距离最近的一类，并重新计算聚类中心；重复这一步骤至聚类中心值不再变化，即完成了林木点云聚类，获得了标注不同类别属性的点云簇；

步骤五：对隶属不同点云层的点云簇进行融合；对接近分割线且聚类中心距离满足一定条件的点云簇进行合并；合并顺序为：从最上层开始，先合并1、2两个点云层的点云簇，得到新的点云簇和聚类中心，再与第3层点云簇合并，以此类推；合并条件为：待合并的两个点云簇均在分层界限处存在点云、并且两个点云簇中心水平距离不超过d；d根据林分条件进行设置，林分株数密度越大、分层越多，d越小，默认值d＝0.5；合并完所有符合条件的点云簇后，重新计算点云簇中心，作为单木位置信息；

步骤六：在单木分类工作完成之后，获得了标注不同属性值的点云，具有同一属性值的点云为同一株单木的点云簇；对点云簇的x、y值进行平均，作为单木的位置信息；提取点云簇中z值的最大值，作为单木树高；在冠幅提取方面，如点云密度d大于5p/m²，可采用凸包算法提取冠幅面积；如点云密度小于该值，采用通过点云密度、数量计算冠幅面积的方式求得冠幅；即：

式(1)中c为冠幅，d为点云密度，n为点云簇中的点云个数。

为了验证使用分层聚类方式从LiDAR点云中提取单木信息方法的有效性，使用实验区LiDAR点云数据及地面实测数据进行处理分析，基本情况及结果如下：

(1)实验区林分结构概况

研究区森林类型为青海云杉(picea crassifolia)天然纯林，为成熟林。沿着山坡走势布设了一个超级样地，样地尺寸为100m*100m，形状为正方形，照25m*25m尺寸划分成16个子样地。对超级样地中林木进行每木检尺，获得林木胸径、树高、冠幅、枝下高，通过全站仪获得单木位置。样地共调查了1435株树，因此将相关基本统计量列表如下：

表1 超级样地林分信息

(2)LiDAR反演林分信息概况

总体单木分离效果如图4所示，不同颜色代表不同单木；为模拟正射投影效果，分别对树高>15m、>10m、>5m和所有林木进行聚类垂直投影效果如图5，可以看出不同高度林层叠加的效果；图6展示了LiDAR提取的单木与实际单木位置关系，其中LiDAR预测林木位置用+号表示，实际林木位置用·号表示，两者连线为匹配情况，圆圈表示LiDAR提取冠幅。图7展示了单木树高的提取误差。图8展示了对林分树高分布结构的模拟情况。

针对同一块研究区，使用聚类方法和分割CHM方法提取单木，具体精度比较如下：

表2 使用分层聚类、直接聚类和分割CHM方法提取单木信息准确性比较

可见，本发明专利的方法针对复杂林分结构的单木提取具有良好效果，可以实现对下层林木的提取，对于高林分密度的天然林有良好的适应性。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (4)

1.一种使用分层聚类方式从LiDAR点云中提取单木信息的方法，其特征是：

使用分层K均值聚类的方式，根据研究区各个点云的位置信息，将隶属于同一株树的点云划分至同一点云簇中，再从每一点云簇中提取单木的树高、冠幅、位置等信息；以此方式从LiDAR数据中进行单木分割和信息提取，应用于LiDAR数据处理领域。

2.根据权利要求1所述的分层方法，其特征是：

对点云进行水平切片；采用点云百分位高等分的方式对全部点云进行水平切片，以保证各点云层所含点云数量相等；片层数量N依据林分郁闭度、林分结构复杂程度进行变化，单层人工林N可设置在3-5左右；天然林设置N在5-10左右。

3.根据权利要求1所述的K均值聚类方法，其特征是：①提取点云层的局部最大值位置：使用高斯平滑滤波器对点云进行多次滤波以达到平滑的目的，再采用imregionalmax函数提取局部最大值点；②对点云进行纵向压缩；需根据研究区树种形态对点云进行纵向压缩，即点云x、y坐标不变，z坐标缩小n倍；如有条件，可以根据特定树种形态确定n，如未知树种，可使用通用值n＝3；③对每个点云层进行聚类；计算每个缩放后的点云数据到每个聚类中心的欧氏距离，将点云归于距离最近的一类，并重新计算聚类中心；重复这一步骤至聚类中心值不再变化，即完成了林木点云聚类，获得了标注不同类别属性值的点云簇；④对隶属不同点云层的点云簇进行融合，对满足融合条件的点云簇赋予相同属性值。

4.根据权利要求3所述的点云簇融合方法，其特征是：对接近分割线且聚类中心距离满足一定条件的点云簇进行合并；合并顺序为：从最上层开始，先合并1、2两个点云层的点云簇，得到新的点云簇和聚类中心，再与第3层点云簇合并，以此类推；合并条件为：待合并的两个点云簇均在分层界限处存在点云、并且两个点云簇中心水平距离不超过d；d根据林分条件进行设置，林分株数密度越大、分层越多，d越小，默认值d＝0.5；合并完所有符合条件的点云簇后，重新计算点云簇中心，作为单木位置信息。