发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于激光雷达点云数据的树种分类方法,本基于激光雷达点云数据的树种分类方法结合树木结构特征参数、树木纹理特征参数和树冠特征参数进行树种分类,使用多类特征值参数对分类结果有很好的提升作用,树种识别程度较高。
为实现上述技术目的,本发明采取的技术方案为:
一种基于激光雷达点云数据的树种分类方法,包括以下步骤:
步骤1:通过激光雷达传感器获取林段点云数据;
步骤2:基于梯度下降算法和分水岭分割算法对林段点云数据进行单株树分割;
步骤3:手动提取完整的单株树点云数据。
步骤4:删除多余杂点;
步骤5:根据单株树的结构特征、纹理特征以及冠形特征推导出单株树的结构特征参数、纹理特征参数以及冠形特征参数;
步骤6:选取分离的多棵单株树作为样本集,将单株树的结构特征参数、纹理特征参数以及冠形特征参数的混淆矩阵作为单个样本的特征向量,将样本集分为训练样本集和验证样本集,用训练样本集的特征向量对SVM分类器进行训练,训练完成后,用验证样本集的特征向量对SVM分类器进行验证,进而得到性能优化的SVM分类器,将被测单株树的结构特征参数、纹理特征参数以及冠形特征参数的混淆矩阵输入到性能优化的SVM分类器中从而实现树种分类。
作为本发明进一步改进的技术方案,所述的步骤5中结构特征参数包括:单株树的所有激光点云的高度zi值的均值、单株树的所有激光点云的高度zi值的标准偏差、单株树的所有激光点云的高度zi值的偏度、单株树的所有激光点云的高度zi值的峰度、树高0~20%之间的激光点云的数量与表示树的所有点云的数量之比、树高20%~40%之间的激光点云的数量与表示树的所有点云的数量之比、树高40%~60%之间的激光点云的数量与表示树的所有点云的数量之比、树高60%~80%之间的激光点云的数量与表示树的所有点云的数量之比以及树高80%~100%之间的激光点云的数量与表示树的所有点云的数量之比;
其中:
单株树的所有激光点云的高度zi值的标准偏差D:
单株树的所有激光点云的高度zi值的偏度S:
单株树的所有激光点云的高度zi值的峰度K:
树高0~20%之间的激光点云的数量与表示树的所有点云的数量之比R1:
R1=num[pi(xi,yi,zi)]/n,其中zi∈(0,Htree×20%);
树高20%~40%之间的激光点云的数量与表示树的所有点云的数量之比R2:
R2=num[pi(xi,yi,zi)]/n,其中zi∈(Htree×20%,Htree×40%);
树高40%~60%之间的激光点云的数量与表示树的所有点云的数量之比R3:
R3=num[pi(xi,yi,zi)]/n,其中zi∈(Htree×40%,Htree×60%);
树高60%~80%之间的激光点云的数量与表示树的所有点云的数量之比R4:
R4=num[pi(xi,yi,zi)]/n,其中zi∈(Htree×60%,Htree×80%);
树高80%~100%之间的激光点云的数量与表示树的所有点云的数量之比R5:
R5=num[pi(xi,yi,zi)]/n,其中zi∈(Htree×80%,Htree);
其中zi是目标树第i个激光点云的z值,n是单株树总共的激光点云数量,Htree是单株树z 轴方向上的最大值,num表示规定树高内的点云数量总和,pi(xi,yi,zi)为单株树的x,y,z轴值分别减去该树x,y,z方向的最小值,i表示树中的第i个点云。
作为本发明进一步改进的技术方案,所述的步骤5中纹理特征参数的推导方法为:
(1)通过所有LiDAR点云的最大x轴值xmax、最大y轴值ymax和最大z轴值zmax以及最小x轴值xmin、最小y轴值ymin和最小z轴值zmin确定给定单株树的三维边界框的边长wx,wy和wz值,即:wx=xmax-xmin,wy=ymax-ymin,wz=zmax-zmin;
(2)将三维边界框内的单株树细分为体素边长l为0.5米的正方形体素结构,产生空间中 e个体素,其中e=ceil(wx/0.5)×ceil(wy/0.5)×ceil(wz/0.5),ceil表示向上取整,统计每个体素内的LiDAR点云数量na,b,c,并将na,b,c值表示为对应体素的灰度值,灰度级k=max(na,b,c),其中a={1,2,3…,ceil(wx/l)},b={1,2,3…,ceil(wy/l)},c={1,2,3…,ceil(wz/l)},三维空间中距离度量参数d被设置为1体素;
(3)根据体素的灰度值并依据空间的13个方向构建三维灰度共生矩阵G:
其中
Φ表示集合中的元素数量,ω=1,2, 3…13,表示空间的13个方向,d
1为中心体素的x轴值减去不同ω方向对应的相邻体素的x 轴值,d
1为0或1,d
2为中心体素的y轴值减去不同ω方向对应的相邻体素的y轴值,d
2为 0或-1或1,d
3为中心体素的y轴值减去不同ω方向对应的相邻体素的y轴值,d
3为0或-1或1。
(4)根据三维灰度共生矩阵G计算纹理特征参数,所述的纹理特征参数包括角二阶矩、对比度、相关性、平方和、逆差矩、总和平均值、总和方差、总和熵、熵、差异方差、差异熵、相关性信息量一、相关性信息量二和最大相关性系数;
其中:
角二阶矩f1:
对比度f2:
相关性f3:
平方和f4:
逆差矩f5:
总和平均值f6:
总和熵f7:
总和方差f8:
熵f9:
差异方差f10:
差异熵f11:
相关性信息量一f12:
相关性信息量二f13:
最大相关性系数f14:
其中G(m1,m2,ω)表示三维灰度共生矩阵G的第ω个方向的第m1行、第m2列的值,k是三维灰度共生矩阵G中的灰度级,μ是三维灰度共生矩阵G中所有元素的平均值,Var表示方差,eigenvalue2(Q)表示Q的第二大特征值;
作为本发明进一步改进的技术方案,所述的步骤5中冠形特征参数的推导方法为:
(1)对单株树木点云进行枝叶分离,获得树冠点云数据;
(2)在边界框内,树冠被细分为体素大小为
的体素结构,产生
个体素
其中
表示树冠三维边界框的边长,
(3)用垂直剖分的方式从树顶向下将树冠平均分为8个分段,t来表示每个分段,其中 t=1,2,3…8,统计每个体素内的点云总数进而计算冠形特征参数,所述的冠形特征参数包括8 个分段内的体素等效中心的高度与冠长之间的比值、8个分段内体素的等效中心半径与冠半径的比值、超过1/3树冠的激光点覆盖体素与树冠体素之比、所有体素内的激光点的最大密度、所有8个垂直分段的
的标准偏差、所有8个垂直分段的
的标准偏差、枝干空间的体素数和树的所有体素之比、所有8个垂直分段的体素数量的标准偏差、8个相邻分段之间的偏差与冠的所有体素之间的差的比率、树冠的投影面积与树冠的凸包体积之比、两个对角分段之间的非空体素数量相关系数之和与两个相邻分段之间的非空体素数量相关系数之和的比以及
和
之比;
其中:
8个分段内的体素等效中心的高度与冠长之间的比值:
8个分段内体素的等效中心半径与冠半径的比值:
超过1/3树冠的激光点覆盖体素与树冠体素之比:
所有体素内的激光点的最大密度:
枝干空间的体素数和树的所有体素之比:
所有8个垂直分段的体素数量的标准偏差:
8个相邻分段之间的偏差与冠的所有体素之间的差的比率:
树冠的投影面积与树冠的凸包体积之比:
两个对角分段之间的非空体素数量相关系数之和与两个相邻分段之间的非空体素数量相关系数之和的比:
其中u
t为第t个分段内的非空体素数量,f
t,j为第t个分段内的第j个非空体素内的点云数量,z
t,j,i是第t个分段的第j个非空体素内的第i个点云的高度值,cl为目标树的冠幅,H
treecrown为目标树的冠高,r
t,j,i是第t个分段的第j个非空体素内的第i个点云的等效中心半径,即该体素到冠中心点的垂直投影距离,Cor表示相关系数;num(Voxel
branch)为枝干空间的体素数, num(Voxel
tree)为树的所有体素,
为树冠的投影面积,
为树冠的凸包体积。
本发明的有益效果为:本发明结合树木结构特征参数、树木纹理特征参数和树冠特征参数进行树种分类,采用该三类特征参数可以明显改善分类精度,分类准确率更高。本发明提出的分类方法和算法可以作为一个综合而有效的框架进行机载LiDAR数据的树种分类,为激光雷达在树种识别和分类中提供了有利的技术支撑。
具体实施方式
下面根据图1至图5对本发明的具体实施方式作出进一步说明:
树种分类对林学的研究至关重要,对森林资源的监测、森林可持续发展以及生物多样性研究都有重要意义。利用三维激光雷达(LIDAR)点云数据可获取不同林木的精细点云数据,但如何从点云数据中抽取有效的特征便于树种分类是待研究的问题。
本实施例选取亚热带地区杭州钱江新城森林公园和温带大陆性气候的新疆阿克苏地区红旗坡农场作为分类区域,杭州钱江新城森林公园(30°14'N,120°13'E),该公园总占地面积16.7公顷,是钱江新城内品质最好、面积最大的公共绿地。地处于亚热带季风区,气候四季分明,雨量充沛。全年平均气温17.8℃,平均相对湿度70.3%,年降水量1454毫米,年日照时数1765小时。夏季气候炎热、湿润,冬季寒冷,干燥。春秋两季气候宜人。新疆阿克苏地区红旗坡农场(41°17'N,80°18'E),阿克苏地处北半球的中纬度地带,属于暖温带大陆性气候,这里降雨稀少,气候干燥,但密布水系,水流量和光热资源非常丰富,年均气温7℃-8℃,非常适宜苹果树的生长,这里的阿克苏冰糖心苹果世界闻名。
本实施例采用的树种主要有水杉、柳树、女贞树、竹子、苹果树5类优势树种为分类对象,用Velodyne HDL-32E激光雷达传感器获取林段点云数据,根据需求,最终选取了300棵树,包括54棵水杉、42棵柳树、60棵女贞树、81棵竹子和63棵苹果树,同时进行了现场检查,对目标树种进行肉眼鉴定。基于地基LIDAR系统扫描得到的这5类植株点云样例数据如图1所示,基本结构特征的统计资料见表1。
表1.样地树木参数统计表:
树种 |
树木数量 |
树平均高度(m) |
平均冠幅(m) |
平均冠积(m) |
平均点数 |
水杉 |
54 |
25.09±2.36 |
6.67±0.64 |
468.85±38.49 |
42884 |
柳树 |
42 |
12.97±1.17 |
9.11±1.18 |
430.24±36.34 |
39861 |
女贞树 |
60 |
10.31±1.08 |
5.26±0.63 |
131.22±12.45 |
12854 |
竹子 |
81 |
12.95±1.53 |
2.42±0.41 |
33.37±3.36 |
4324 |
苹果树 |
63 |
8.76±0.74 |
7.62±0.86 |
233.97±21.17 |
24339 |
本实施例的流程图如图2所示,对于原始的点云林分数据基于梯度下降算法和分水岭分割算法进行单株树分割,共可得到2211份单株木数据,通过大量观察和手动切割进行基本的预处理,筛选出5类共300棵优势树种的点云数据,利用相关的点云三维坐标
j表示第j棵树,i表示第j棵树中的第i个点云,分别进行各个单株木的特征提取。本实施例设计了3种类型的LIDAR特征:(1)结构特征,(2)纹理特征,(3)冠形特征。最终可以得到一系列特征值,整合为特征值矩阵。接下来,对于每种类型的特征,将其特征参数作为输入值进行分类,并且比较所得到的精度。然后,再将整体特征值矩阵作为输入值进行分类,计算并比较每类树种的个体分类精度,最后评估树种分类的总体分类精度,做算法总结和性能比较。
本实施例提供的一种基于激光雷达点云数据的树种分类方法具体包括:
(一)通过激光雷达传感器获取林段点云数据。
(二)点云数据预处理:
本实施例原始数据来源于2个林段,本实施例基于CloudCompare软件对原始的点云数据做预处理。基本步骤如下:
(2.1)单株分离:基于梯度下降算法和分水岭分割算法对林段点云数据进行单株树分割;
(2.2)数据筛选:由于数据实际采集中存在遮挡等问题,因此需要手动提取较完整的单株点云数据;
(2.3)删除多余杂点。
(三)单株特征提取:根据单株树的结构特征、纹理特征以及冠形特征推导出单株树的结构特征参数、纹理特征参数以及冠形特征参数。
在本实施例中,3种类型的LIDAR特征组为:树的结构特征(structure features,SF),树的纹理特征(texture features,TF),树的冠形特征(crown features,CF)。
为了便于计算和设定一个统一的度量,本实施例先将原始的点云单株数据归并到(0,0,0) 原点,即所有单株树的x,y,z轴值分别减去该树x,y,z方向的最小值,用新的坐标值带入计算。
(3.1)其中结构特征参数的推导:
点云的分布规律可以明确表征树种的结构。虽然使用的LIDAR点云不能够重建树木的详细结构,但它在统计意义上反映了不同树种的结构特征,最明显的特征便是激光点由于树冠的光线阻挡而自上往下逐渐减少,这种减少的程度往往是因不同的树种而异。也就是说,对于不同的树种,不同树冠层激光点数的比例可能不同。因此,除了点高度类型的共同特征参数外,位于不同高度分位数的激光点数也被选为功能参数。表2中列出了所有的结构特征参数,并阐明了它们的定义和公式。
表2,结构特征参数列表:
其中zi是目标树第i个激光点的z值,n是单株树总共的激光点云数量,Htree是单株树z轴方向上的最大值,num表示规定树高内的点云数量总和,pi(xi,yi,zi)为单株树的x,y,z轴值分别减去该树x,y,z方向的最小值,i表示树中的第i个点云。
(3.2)纹理特征参数的推导:
树木的3D空间中的各个体素可以表达该树的纹理特征。本实施例使用由三维灰度共生矩阵(GLCM)计算的统计度量来表征树的3D纹理,这些统计度量基于三个步骤,即单棵树的体素表示,三维GLCM的计算和纹理特征计算:
通过计算所有LiDAR点的最大和最小x轴、y轴和z轴值可以确定某给定单株树的三维边界框的边长wx,wy和wz值,即wx=xmax-xmin,wy=ymax-ymin,wz=zmax-zmin。首先将给定树木内的LiDAR点分配到相应的体素中,离散形式的点云以体素的形式存储在计算机三维阵列中,其中a={1,2,3…,ceil(wx/l)},b={1,2,3…,ceil(wy/l)}, c={1,2,3…,ceil(wz/l)},ceil表示向上取整。将三维边界框内的树细分为体素边长为0.5米的正方形体素结构,即l=0.5米,产生空间中e个体素,其中 e=ceil(wx/0.5)×ceil(wy/0.5)×ceil(wz/0.5),统计每个体素va,b,c内的LiDAR点云数量na,b,c,并将na,b,c值表示为该体素的灰度值ga,b,c,灰度级k=max(na,b,c)。三维空间中距离度量参数d被设置为1体素,对于每个体素,最多可以有26个方向上的体素与其满足距离参数要求,但为了避免冗余,只考虑在3D空间中应用13个方向,如图3所示。对于每个方向,分别计算距离间隔为d=1的两个体素(体素对)的灰度值的出现的次数生成k×k×13规格的3DGLCM矩阵,本文用G表示3DGLCM矩阵,13为空间中的13个方向。
综上所述,灰度共生矩阵G可表示为:
Φ表示集合中的元素数量,ω=1,2,3…13,表示空间的13个方向,d1为中心体素的x 轴值减去不同ω方向对应的相邻体素的x轴值,d1为0或1,d2为中心体素的y轴值减去不同ω方向对应的相邻体素的y轴值,d2为0或-1或1,d3为中心体素的y轴值减去不同ω方向对应的相邻体素的y轴值,d3为0或-1或1。不同ω方向上的d1、d2、d3值参见表3。
Φ标识每一个体素对,如果该体素对中没有0个点云数量的体素,则
例如
这2个体素对中的点云数量都不为0,那么
通过公式2从整个扫描树的剖分的体素结构(3.2.2节的前半部分)中找寻对应方向ω的体素对,且符合该对点云数量为6和13并进行计数,其计数值放入进灰度共生矩阵G的第
行和第
列与第ω维中。也就是公式(2)表达的含义。
表3:13个扫描方向上d1、d2、d3的对应关系
空间方向 |
d<sub>1</sub>(x方向) |
d<sub>2</sub>(y方向) |
d<sub>3</sub>(z方向) |
ω=1 |
1 |
0 |
0 |
ω=2 |
0 |
1 |
0 |
ω=3 |
1 |
1 |
0 |
ω=4 |
1 |
-1 |
0 |
ω=5 |
0 |
0 |
1 |
ω=6 |
0 |
1 |
1 |
ω=7 |
0 |
1 |
-1 |
ω=8 |
1 |
0 |
-1 |
ω=9 |
1 |
0 |
1 |
ω=10 |
1 |
-1 |
-1 |
ω=11 |
1 |
1 |
1 |
ω=12 |
1 |
1 |
-1 |
ω=13 |
1 |
-1 |
1 |
接下来根据表4中提出的14个纹理特征参数进行计算,最后再分别求这些纹理特征参数对应的13个方向的平均值做为最终的TF参数计算结果。这14个纹理特征参数分是角二阶矩、对比度、相关性、平方和、逆差矩、总和平均值、总和方差、总和熵、熵、差异方差、差异熵、相关性信息量一、相关性信息量二和最大相关性系数。表4中列出了所有的纹理参数,并阐述了它们的公式。
表4:纹理特征参数列表
其中,G(m1,m2,ω)表示3DGLCM的第ω个方向的第m1行、第m2列的值,k是3DGLCM 中的灰度级,μ是GLCM中所有元素的平均值,Var表示方差,eigenvalue2(Q)表示Q的第二大特征值,
(3.3)冠形特征参数的推导:
树木的地上部由主干(乔木)、主枝、侧枝、结果枝、新梢等着生叶片构成,称为树冠。树冠是林木重要的地上组成部分,也是林木进行光合作用的主要场所,树冠分析对于研究森林的生长情况和动态变化具有非常重要的意义,一直都是林学上的一个研究热点。本文对欧几里得簇分割算法进行了改进,引入空间索引的概念。首先,对树木点云进行枝叶分离,获得树冠点云数据。基于LiDAR的冠层表征的综合分析表明,对于不同的分支组织模式,点云显示出不同的空间分布模式。根据这些理论,本文提出了冠形特征参数及其定义和公式,如表5所示。其次,在边界框内,树冠被细分为体素大小为
的体素结构,产生
个体素
其中
表示树冠三维边界框的边长,
最后,用垂直剖分的方式从树顶向下将树冠平均分为8个分段,本实施例用t来表示每个分段,其中t=1,2,3…8,统计每个体素内的点云总数,根据提出的冠形特征参数进行具体的计算。参见图4,图4为树木枝叶分离及树木体素八分段划分示意图。图4中的(a)为LIDAR点云样本树示例,图4中的(b)为样本树枝叶分离后的树冠LIDAR点云;图4中的(c)为单株树点云的体素划分透视图;图4中的(d)为单株树点云的体素8分段划分顶视图;图4中的(e) 为8分段中的第1个分段和第8个分段图。
表5:冠形特征参数列表
其中u
t为第t个分段内的非空体素数量,f
t,j为第t个分段内的第j个非空体素内的点云数量,z
t,j,i是第t个分段的第j个非空体素内的第i个点云的高度值,cl为目标树的冠幅,H
treecrown为目标树的冠高,r
t,j,i是第t个分段的第j个非空体素内的第i个点云的等效中心半径(即该体素到冠中心点的垂直投影距离),Cor表示相关系数;num(Voxel
branch)为枝干空间的体素数, num(Voxel
tree)为树的所有体素,
为树冠的投影面积,
为树冠的凸包体积。
(四)在支持向量机(Support vector machine,SVM)LIBSVM工具包的基础上完成树种分类:本实施例选取分离的多棵单株树作为样本集,将单株树的结构特征参数、纹理特征参数以及冠形特征参数的混淆矩阵作为单个样本的特征向量,将样本集分为训练样本集和验证样本集,用训练样本集的特征向量对SVM分类器进行训练,训练完成后,用验证样本集的特征向量对SVM分类器进行验证,进而得到性能优化的SVM分类器,将被测单株树的结构特征参数、纹理特征参数以及冠形特征参数的混淆矩阵输入到性能优化的SVM分类器中从而实现树种分类。
本实施例对SF、TF、CF、SF+TF、SF+CF、TF+CF和SF+TF+CF这7种组合参数分别进行试验,证明结合3类特征参数可以明显改善分类精度。
本实验利用5类共300棵树作为样本集,按照分层采样的思想从每类样本中随机选出2/3 作为训练样本,剩余的1/3作为验证样本,训练样本与验证样本分布见表6,采用SVM算法对样本建立分类模型并进行验证。
表6:本实验树种分类中训练样本与验证样本数量分布
树种 |
训练样本 |
验证样本 |
合计 |
水杉 |
36 |
18 |
54 |
柳树 |
28 |
14 |
42 |
女贞树 |
40 |
20 |
60 |
竹子 |
54 |
27 |
81 |
苹果树 |
42 |
21 |
63 |
合计 |
200 |
100 |
300 |
(4.1)结合SF参数和SVM的树种分类:
首先,对分离的300棵单株木与其相应的人工现场识别的树种进行匹对,进行树种分类分析。首先对5类树种分别编号,水杉A、柳树B、女贞树C、竹子D和苹果树E,基于SF参数,运用线性核函数、二次多项式核函数、三次多项式核函数、RBF核函数的SVM分类器分别对其树种分类进行分析,并于原始树种进行精度评定。通过对比分类前后的标记,统计错判率和漏判率,发现使用三次多项式核函数的SVM分类器进行分类时,错判率和漏判率相对较低,结合SF参数计算的混淆矩阵见表7。
表7.结合SF参数的5类树种的分类结果:
表7中数据表明,结合SF参数分类结果总体精度为58%,水杉、柳树、竹子、苹果树分类精度均在55%以上,漏判率均低于50%。其中柳树的分类精度最高,但是错判率同样最高,与之相反的是,女贞树的分类精度最低,只有30%,但是错判率却相对较低,只有33.33%。这个结果表明,并不一定分类精度高就表示分类结果较优,这需要基于研究区中分离单木的识别程度。结合分析结果,可以初步得出结论,结合SF参数进行树种分类是可行的,但是还需要加入其他参数来进一步提高分类精度、降低漏判率和错判率。
(4.2)结合TF参数和SVM的树种分类:
结合TF参数的混淆矩阵分类结果见表8。
表8:结合TF参数的5类树种的分类结果
结果表明,分类结果总体精度为64%,和结合SF参数计算的混淆矩阵结果作对比,发现结合TF参数总体精度略有提高,虽然水杉、柳树、竹子、苹果树的分类精度有升有降,但是女贞树的分类精度却大有提高,为55%,从错判率的结果来看,柳树的错判率依旧很高,为 59.09%,可见,柳树和女贞树之间容易产生误判。根据分析结果,可知结合TF参数对分类的结果尤其对女贞树的分类精度有较好的修正。
(4.3)结合CF参数和SVM的树种分类:
结合CF参数的混淆矩阵分类结果见表9。
表9:结合CF参数的5类树种的分类结果:
结果表明,结合CF参数的分类结果总体精度为60%,总体分类精度较SF参数的分类结果高,但是比TF参数的分类结果低。5类树种的分类精度较TF参数的分类结果稍有下降,从错判率上来看,依然存在柳树和女贞树错判率较高的问题,这可能是由于使用小型固定翼无人机从空中向地面扫描,配准的精度可能相对较低,以及树木遮挡、林下矮小灌木丛等因素影响造成的个别区域点云密度不高,造成单木识别和树种配对结果的偏差。根据上面的结果,可见结合CF参数对树种进行分类是可行的,但依旧存在分类的错判率需要降低的问题。
(4.4)结合SF、TF参数和SVM的树种分类:
下面开始对结合两类参数的分类结果进行研究,结合SF、TF参数的混淆矩阵分类结果见表10。
表10.结合SF、TF参数的5类树种的分类结果
通过结合SF、TF两类参数,从整体统计结果上来看,总体分类精度有了较大的提高,正确率为73%。单个树种分类精度比使用一类参数进行分类平均要高出10%以上,漏判率和错判率均进一步下降,柳树和女贞树错判率的问题也有所缓解。实验表明,通过结合SF、TF两类参数,较只结合一类参数对分类结果而言是有益的,但是还需要进一步研究其他参数的配对对分类结果的影响。
(4.5)结合SF、CF参数和SVM的树种分类:
结合SF、CF参数的混淆矩阵分类结果见表11。
表11.结合SF、CF参数的5类树种的分类结果:
结果表明,结合SF、CF参数的分类结果总体精度为70%,总体分类精度较结合SF、TF 参数的分类结果略低,但是依然比使用一类参数进行分类的分类结果高,同样的,漏判率和错判率较一类参数分类有所下降。
(4.6)结合TF、CF参数和SVM的树种分类:
最后一种结合TF、CF参数的混淆矩阵分类结果见表12。
表12.结合TF、CF参数的5类树种的分类结果:
结果显示,结合TF、CF参数的混淆矩阵分类结果在两类参数分类中达到最优,总体分类精度为77%。单个树种分类精度比使用一类参数进行分类平均要高出15%以上,说明了多参数组合对分类效果的积极作用。漏判率和错判率也达到了一个较低的值,柳树和女贞树错判的问题得到基本解决。下面将结合所有的三类参数对树种做最后的分类实验。
(4.7)结合SF、TF、CF参数和SVM的树种分类:
结合SF、TF、CF所有三类参数的混淆矩阵分类结果见表13。
表13.结合所有参数的5类树种的分类结果:
最终的分类结果显示,结合SF、TF、CF所有三类参数的混淆矩阵的分类结果达到最优,为85%,Kappa系数为0.81。结合漏判率和错判率进行分析,可见本实验对水杉、竹子和苹果树这三类树种的分类效果最好,分类精度均在80%以上。其中,对竹子的分类精度最好,达到92.59%,这是由于竹子这类植株无论从结构分布还是纹理特征及冠形特征上都和其他树种有较大的差别,因此对竹子分类的效果一直比较好。对柳树分类的错判率也降低到可以令人满意的数值,可见多类参数对树种分类结果有较好的作用。分类效果相对最差的是女贞树,精度为75%,这可能是由于这类树种特征上和其他树种比较相似,特征不是太明显,很多女贞树被漏判为其他树种。
参见图5,图5为总体分类精度结果示意图,结合SF、TF、CF、SF+TF、SF+CF、TF+CF 和SF+TF+CF这7种组合特征,针对5种类不同树种的分类的整体精度分别为58%、64%、60%、73%、70%、77%和85%。
总结:本实施例设计了3种类型的点云特征:(1)树的结构特征(SF),根据点云空间分布规律推导出高度值的均值、标准偏差、偏度、峰度等9种SF参数。(2)树的纹理特征(TF),通过对点云进行划分统计每个体素内点云数量作为灰度值,依据空间中的13个方向分别求算灰度共生矩阵,逐个计算每个方向矩阵的角二阶矩、对比度、相关性、平方和等14个TF参数,并以这13个方向的统计测量值的平均值做为最终的TF参数值。(3)树的冠形特征(CF),将树冠划分为20×20×20的体素,用垂直剖分的方法从树顶向下将树冠平分为8个分段,提出了基于体素参数的标准偏差、比率等12个特征为CF特征。整合SF、TF、CF特征为特征值矩阵,按照分层采样的思想从每类样本树中随机选出2/3作为训练样本,剩余的1/3作为验证样本,在使用支持向量机的基础上分别结合SF、TF、CF、SF+TF、SF+CF、TF+CF和SF+TF+CF 这7种组合参数完成树种分类,研究3种特征参数对树种分类精度的影响情况。最终研究表明,结合SF、TF、CF、SF+TF、SF+CF、TF+CF和SF+TF+CF这7种组合参数,5种类的植株被分类的整体精度分别为58%、64%、60%、73%、70%、77%和85%。实验证明采用多类特征参数可以明显改善分类精度,结合3类特征参数,5类植株最终被正确分类的整体精度为85%,Kappa 系数为0.81。综上所述,本实施例提出的分类方法和算法可以作为一个综合而有效的框架进行机载LiDAR数据的树种分类,为激光雷达在树种识别和分类中提供了有利的技术支撑。
本实施例通过激光探测及测距系统获取的高分辨率数据,提出了一种结合树木结构特征参数(SF)、树木纹理特征参数(TF)和树冠特征参数(CF)的新的方法,基于支持向量机(SVM) 分类器,逐步采用一类、两类和所有三类特征参数对5类不同树种进行分类,并进行了研究和分析。主要结论如下:
1)本实施例提出的结合树木结构特征参数(SF)、树木纹理特征参数(TF)和树冠特征参数 (CF)的分类方法和算法可以作为一个综合而有效的框架进行机载LiDAR数据的树种分类。
2)分别采用一类、两类和所有三类特征参数对树种进行分类,分类总正确率获得逐步提高,说明了只依靠单类特征值参数进行树种分类是不可行的,使用多类特征值参数对分类结果有很好的提升作用,同时也说明了本本实施例提出的算法的有效性。
由于使用小型固定翼无人机从空中向地面扫描,配准的精度可能相对较低,以及树木遮挡、林下矮小灌木丛等因素影响造成的个别区域点云密度不高,造成单木识别和树种配对结果的偏差,以及本实施例提出的算法计算上可能造成的误差,使得个别树种分类结果没有达到最优,从得出的上述初步结果看出还存在需要解决的诸多问题,需要在以后的工作中完成。辟如提高激光扫描的分辨率,采用更有效的算法进行单株木分离。结合树木结构特征参数、树木纹理特征参数和树冠特征参数的树种分类,也需要更多的试验区和树种信息来不断提高算法的鲁棒性。
本发明的保护范围包括但不限于以上实施方式,本发明的保护范围以权利要求书为准,任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。