CN110223314A - 一种基于树冠三维点云分布的单木分割方法 - Google Patents
一种基于树冠三维点云分布的单木分割方法 Download PDFInfo
- Publication number
- CN110223314A CN110223314A CN201910489877.4A CN201910489877A CN110223314A CN 110223314 A CN110223314 A CN 110223314A CN 201910489877 A CN201910489877 A CN 201910489877A CN 110223314 A CN110223314 A CN 110223314A
- Authority
- CN
- China
- Prior art keywords
- point
- tree
- point cloud
- crown
- points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012217 deletion Methods 0.000 claims abstract description 6
- 230000037430 deletion Effects 0.000 claims abstract description 6
- 238000012850 discrimination method Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims description 5
- 244000182264 Lucuma nervosa Species 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 33
- 239000002023 wood Substances 0.000 abstract description 24
- 238000012545 processing Methods 0.000 abstract description 9
- 240000002853 Nelumbo nucifera Species 0.000 abstract description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 abstract description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 10
- 238000000638 solvent extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于机载激光雷达点云数据处理技术领域,具体涉及一种基于树冠三维点云分布的单木分割方法。本发明通过利用机载激光雷达获取森林植被冠层三维激光点云数据,并根据树冠形状变化趋势,分析树冠的点云分布特征,根据点与点之间的关系,经历去噪与滤波、点云归一化、提取树冠轮廓点、趋势判别法和删除错误的分割树的处理,建立基于原始激光点云从森林中分割出单树的单木分割方法。本发明摆脱了单木分割对先验数据的依赖,克服因点云数量大所导致的运算复荷大的问题,且相比基于CHM的单木分割方法,避免了点云差值生成CHM所带来的误差以及分割处理时仅仅只是利用了每个栅格中高程的最大值造成的漏分割,分割效果很好。
Description
技术领域
本发明属于机载激光雷达点云数据处理技术领域,具体涉及一种基于树冠三维点云分布的单木分割方法。
背景技术
激光雷达(Light Detection And Ranging,LiDAR)是近年来发展十分迅速的主动遥感技术,主要通过测定传感器发出的激光在传感器与目标物体之间传播的距离,分析目标地物表面的反射能量大小以及反射波谱的幅度、频率和相位等信息,呈现目标物精确的三维结构信息。可以直接、快速、精确地获取研究对象的三维空间坐标,具有独特的优势。
森林是地球最大的陆地生态系统,森林结构参数是刻画森林生长、评价生态功能的重要指标,准确测量森林中单木的各个结构参数对于精确和可持续性地管理森林至关重要。常用的单木参数包括枝下高、胸径、树木位置、树高和树种等,这些参数是定量进行森林分析和生态系统管理所必需的。而所有的森林参数的测量都建立在精确的单木识别上,那么单木识别是其不可或缺的一部分。而单木分割是指从激光雷达点云数据中识别出每一棵树,是提取单木尺度森林数据的重要前提。近十几年来,单木分割一直是激光雷达林业应用研究的热点方向。利用单木分割技术,可以不用耗费大量劳动就能获取森林参数,这对森林管理具有非常重要的意义。
国内外学者利用机载激光雷达数据做了非常多的关于单木分割的研究,主要分为基于冠层高度模型(canopy height model,CHM)的单木分割算法和直接基于点云的单木分割算法两大类。
CHM是植被冠层顶部的激光雷达点使用差值的方法建立的。使用基于CHM的算法进行单木分割时,因为生成CHM的差值过程和仅仅利用了每个栅格中高程的最大值的特性,因此可能具有固有误差和不确定性。例如,在从点云到网格高度模型的插值过程中,可能引入空间误差;而在分割过程中对于森林垂直冠层中部及下层较矮树木,由于遮盖的原因就无法完全在CHM中表现出来,这会降低单木分割和相关测量的精度。
而基于点云的单木分割算法比基于CHM的算法更直接,是直接对原始激光点云数据进行分割,可以提升森林中下层受上层单木抑制的小树的探测可能性。比如Reitberger等(2009)基于机载全波形激光雷达数据,运用归一化方法分割林区冠层,因其利用树顶和树干作为先验知识,中下层的单木探测率得到显著提高,但树干的探测精度易受点云密度与冠层间隙率影响。
Lee等(2010)开发了一种自适应聚类方法,用于从松林的原始激光雷达三维点数据中分割出单株树木,该方法类似于分水岭分割的概念,但是它需要足够的训练数据用于监督学习,并且该方法在混合复杂森林中的分割性能还没得到认证。
Li等(2012)提出了一种区域增长结合阈值判断的方法,用于进行针阔混交林的单木分割,该方法充分利用了树木之间,特别是树的顶部存在一定的距离这一现象,首先假定最高点为树高点,从该点进行区域生长,分割出一棵树,以此迭代,每次分割出一棵树,直到所有的树全部分出。
苏练等(2017)提出了一种基于机载激光点云聚集关系的单木分割方法,该方法基于原始点云数据,根据单棵树内的机载激光点云在三维空间上的聚集关系以及邻近的树与树之间的点云在三维空间上的聚集关系进行单木分割,但该方法比较依赖先验知识,利用实测目标树木数据优势植被的最小冠幅作为初始分割的聚类标准。相比基于CHM的算法,该类算法避免了点云差值生成CHM这一过程所带来的误差但该类方法却存在因点云数量大所导致的运算复荷大、相应算法开发难度大且比较依赖先验知识才能较准确分割等问题。
发明内容
针对上述存在的问题或不足,本发明提供了一种基于树冠三维点云分布的单木分割方法,基于原始点云数据,根据树冠形状变化趋势,分析树冠的点云分布特征,摆脱对先验数据的依赖进行单木分割。
具体技术方案如下:
步骤1、去噪与滤波:
由于激光雷达扫描设备的精度、被测物体的特性以及周围的环境因素,使点云数据中经常包含着不合理的噪声点,影响后续的点云处理。所以首先将原始机载激光雷达点云数据进行去噪处理。激光点云数据中主要为植被冠层激光点、地面点以及少量的人工目标点(建筑物、房屋、电线杆等)。单木分割算法只是针对植被冠层点云数据,因此针对去噪后的点云数据进行滤波,将地面点与非地面点分离。
步骤2、点云数据归一化:
为了消除地形对点云数据处理过程的影响,去噪和滤波之后的点云数据需要进行归一化处理,即将去噪后的点云数据高程值z减去利用滤波所得的地面点生成的数字高程模型(DEM,Digital Elevation Model)的高度。归一化后,每个点的z值是点与地面的真实垂直距离,当点在树顶时,它的z值即为树高。
步骤三、提取树冠轮廓点:
对归一化后的植被冠层点云数据在X-Y平面以边长为a分块,a的大小由以下公式来得到:
式中,ρmax为最大点密度,Seffective为样方有效面积即有植被冠层点云的面积,Ntotal为样方植被冠层的总点数。提取每块中Z方向上的最高点,作为树冠轮廓点,去除其他点,即树木内部点(原理如图2)。减少树木内部点以及部分大枝丫的点云对本单木分割算法精度造成的影响,减少出现过分割的概率。
步骤四、趋势判别法:
(1)在未编码(默认编码为0)的树冠轮廓点中寻找坐标Z值最大的点z_max,将该点的编码设置为K(K≥1,不同的树的编码用不同的数字K,同一棵树的所有点用同一个数字K)。
(2)寻找离z_max最近的3~5颗点,依次判断这些点与z_max之间是否满足趋势判别原理(原理图如图3)。在满足趋势判别原理的点中找到中位点作为新的z_max点,然后再重复(2)直到遍历完所有的树冠轮廓点。
(3)根据(2)的遍历,将所有满足趋势判别原理条件的树冠轮廓点的编码设置为K,其余不满足条件的树冠轮廓点的编码保持不变。
(4)将已经编码过的点从树冠轮廓点中去除,防止它们参与下一次循环,并将树编码号变为K+1。
(5)当所有的树冠轮廓点的编码都不为0时,执行下一步,否则循环执行(1)至(4)。
步骤五、删除错误编码树:
如果属于同一编码号的树的点云数量不足X颗点,其中则将此树的点的编码修改为未编码状态,即编码号修改为零。当确定了所有的具有相同编码号的树,则结束分割算法。
步骤三和步骤四的所涉及的原理:
提取树冠轮廓点的原理:
主要是指对提取出的植被点在X-Y平面以边长为a分块。提取每块中Z方向上的最高点,作为树冠轮廓点,去除其他点,即树木内部点(如图2(a)和(c)所示),因为本发明是根据树冠的形状变化趋势进行分割,所以树木内部点对于本发明而言,属于冗余的数据,可将其去除,以提高计算效率;且去除这些点可以减少树木内部点以及部分大枝丫的点云对本单木分割算法精度造成的影响,减少出现过分割的概率。提取树冠轮廓点后,树的内部点没有了,但树冠的轮廓并未发生变化(如图2(b)和(d)所示)。
趋势判别原理:
对于单棵树而言,从最高点开始,无论哪个方向都是向下的趋势(如图3(a)所示)。而对于多棵树而言,从最高点开始,也是呈现向下的趋势,到两棵树的交汇处,会出现向上的趋势,则停止对这棵树的迭代搜索(如图3(b)所示)。
本发明首先对点云进行去噪和滤波处理,从原始机载激光雷达点云中分离出地面点与非地面点;再进行归一化高程处理,得到每个点与地面的真实垂直距离;然后对归一化后的植被冠层点云数据进行树冠轮廓提取,获得树冠轮廓点;再根据树冠形状变化趋势,利用树冠的点云分布特征进行单木分割,从而得到较为精确的分割结果;最后根据单棵树的点云数量关系删除错误分割树,从而提取出整片区域的树木,其流程如图1所示。
本发明通过利用机载激光雷达获取森林植被冠层三维激光点云数据,并根据树冠形状变化趋势,分析树冠的点云分布特征,根据点与点之间的关系,经历去噪与滤波、点云归一化、提取树冠轮廓点、趋势判别法和删除错误的分割树的处理,建立基于原始激光点云从森林中分割出单树的单木分割方法。
综上所述,本发明摆脱了单木分割对先验数据的依赖,克服因点云数量大所导致的运算复荷大的问题,且相比基于CHM的单木分割方法,避免了点云差值生成CHM所带来的误差以及分割处理时仅仅只是利用了每个栅格中高程的最大值造成的漏分割,分割效果很好。
附图说明
图1为本发明的流程示意图;
图2为提取树冠轮廓点的原理图;a.为单木提取前示意图;b.为单木提取后示意图;c.为多木提取前示意图;d.为多木提取后示意图;
图3为趋势判别原理图;a.为单木趋势判别原理图;b.为多木趋势判别原理图;
图4为单木分割结果位置与实测树木位置对比图;
具体实施方式
以下通过一个样方的实施例并结合附图对本发明作进一步详细说明:开发环境为PyCharm,编程语言为Python。
步骤1,以中国内蒙古呼伦贝尔和额尔古纳之间的上库里农场(120°36'至120°52'E,50°21'至52°24'N)为研究区域,并选取实地测量的六个样方作为单木分割验证区,利用Leica LAS60扫描获取该区域的机载激光雷达数据,航飞时间为2012年9月,具体系统参数参见表1。以下步骤为对样方编号为YF_4的单木分割详细步骤。
表1机载激光雷达系统参数
步骤2,根据技术方案步骤1所述,在获得原始机载激光点云之后进行点云去噪与滤波处理,去除点云数据中的噪点并从点云数据中分离出地面点与非地面点。
步骤3,根据技术方案步骤2所述,将样方中通过滤波所得的地面点采用普通克里金插值算法生成DEM,将去噪后的点云数据减去DEM的高度,对植被冠层激光点云数据进行高程归一化处理。
步骤4,根据技术方案步骤3所述,首先将样方内的植被冠层激光点云进行树冠轮廓点提取,本实例设置在X-Y平面以边长为1.55m分块,提取每块中Z方向上的最高点,作为树冠轮廓点,去除其他点。
然后在YF_4的树冠轮廓点中找到Z方向上的最高点z_max,然后寻找离z_max最近的3颗点,并依次判断这些点与z_max之间是否满足趋势判别原理,再在满足趋势判别原理的点中找到中位点作为新的z_max点,然后再重复此步骤直到遍历完所有的树冠轮廓点。以此循环下去,直到编码完所有的点。在YF_4中进行完此步骤一共分割出25棵树。
步骤5,根据技术方案步骤4所述,在趋势判别法得到的结果中,如果所识别的树包含的激光点数小于2个点,就把该棵树判定为错误编码树,最后通过删除错误编码树,得到分割出的树木棵树为21棵,而实测棵树为20棵。分割出树的位置与实测树木位置的对比如图4.d所示
根据本发明提出的方法,依照技术方案,对该研究区域的六块样方进行了单木分割,并对分割后的结果进行了两种方法的精度检验。一种是混淆矩阵与F-score的精度评价法(见表5所示),另一种是分割结果位置与实测树木位置对比法(见图4所示),都取得了较好的精度,充分说明该方法的可适用性。
图4中:a.为样方1编号为YF_1的单木分割结果位置与实测树木位置对比图;b.为样方2编号为YF_2的单木分割结果位置与实测树木位置对比图;c.为样方3编号为YF_3的单木分割结果位置与实测树木位置对比图;d.为样方4编号为YF_4的单木分割结果位置与实测树木位置对比图;e.为样方5编号为YF_5的单木分割结果位置与实测树木位置对比图;f.为样方6编号为YF_6的单木分割结果位置与实测树木位置对比图。
由总体精度可以看出,本发明更容易出现过分割,即分割出的树木数量略大于实际树木的数量。主要原因是因为单棵树有较大的枝丫,对趋势判别法造成较大的阻碍,容易将一棵树分割为多棵树,造成过分割。因此,本发明更适用于在植被不会过于密集的地方对没有过多大枝丫的树分割。综上所述,本发明所提出的单木分割方法简单实用,既避免了需要先验知识才能准确分割的局限性又避免了基于CHM的分割的缺点,此外,在提取树冠轮廓点后进行分割也大大提升了计算速度、相对减少了过分割的情况。
表5为单木分割结果的混淆矩阵与F-score的精度评价结果图;
Claims (2)
1.一种基于树冠三维点云分布的单木分割方法,具体步骤如下:
步骤1、去噪与滤波:
首先将原始机载激光雷达点云数据进行去噪处理,然后针对去噪后的点云数据进行滤波,将地面点与非地面点分离;
步骤2、点云数据归一化:
对去噪和滤波之后的点云数据进行归一化处理,即将去噪后的点云数据高程值z减去利用滤波所得的地面点生成的数字高程模型DEM的高度,归一化后,每个点的z值是点与地面的真实垂直距离,当点在树顶时,它的z值即为树高;
步骤3、提取树冠轮廓点:
对归一化后的植被冠层点云数据在X-Y平面以边长为a分块,a的大小由以下公式来得到:
式中,ρmax为最大点密度,Seffective为样方有效面积即有植被冠层点云的面积,Ntotal为样方植被冠层的总点数;提取每块中Z方向上的最高点,作为树冠轮廓点,去除其他点,即树木内部点;
步骤4、趋势判别法:
(1)在未编码的树冠轮廓点中寻找坐标Z值最大的点z_max,将该点的编码设置为K;其中K≥1,不同的树的编码用不同的数字K,同一棵树的所有点用同一个数字K;未编码即编码为0;
(2)寻找离z_max最近的3~5颗点,依次判断这些点与z_max之间是否满足趋势判别原理,在满足趋势判别原理的点中找到中位点作为新的z_max点,然后再重复(2)直到遍历完所有的树冠轮廓点;
(3)根据(2)的遍历,将所有满足趋势判别原理条件的树冠轮廓点的编码设置为K,其余不满足条件的树冠轮廓点的编码保持不变;
(4)将已经编码过的点从树冠轮廓点中去除,并将树编码号变为K+1;
(5)当所有的树冠轮廓点的编码都不为0时,执行下一步,否则循环执行(1)至(4);
步骤5、删除错误编码树:
如果属于同一编码号的树的点云数量不足X颗点,其中则将此树的点的编码修改为未编码状态,即编码号修改为零;当确定了所有的具有相同编码号的树,则结束分割算法。
2.如权利要求1所述基于树冠三维点云分布的单木分割方法,其特征在于:所述步骤4.2中选者离z_max最近的3颗点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489877.4A CN110223314B (zh) | 2019-06-06 | 2019-06-06 | 一种基于树冠三维点云分布的单木分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489877.4A CN110223314B (zh) | 2019-06-06 | 2019-06-06 | 一种基于树冠三维点云分布的单木分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223314A true CN110223314A (zh) | 2019-09-10 |
CN110223314B CN110223314B (zh) | 2021-09-24 |
Family
ID=67819667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489877.4A Active CN110223314B (zh) | 2019-06-06 | 2019-06-06 | 一种基于树冠三维点云分布的单木分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223314B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609290A (zh) * | 2019-09-19 | 2019-12-24 | 北京智行者科技有限公司 | 激光雷达匹配定位方法及装置 |
CN110895333A (zh) * | 2019-12-05 | 2020-03-20 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN110992375A (zh) * | 2019-11-29 | 2020-04-10 | 桂林理工大学 | 逐层LiDAR点云的弦角判别聚类单木分割方法 |
CN111428784A (zh) * | 2020-03-23 | 2020-07-17 | 湖南工学院 | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 |
CN112068153A (zh) * | 2020-08-24 | 2020-12-11 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
CN112837309A (zh) * | 2021-03-02 | 2021-05-25 | 华南农业大学 | 果树冠层靶标识别装置、方法、计算设备及存储介质 |
CN113009481A (zh) * | 2021-01-15 | 2021-06-22 | 扬州哈工科创机器人研究院有限公司 | 一种基于干涉sar雷达的森林地物成像反演方法 |
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN114022536A (zh) * | 2021-10-18 | 2022-02-08 | 电子科技大学 | 一种基于地基激光雷达点云数据的叶面积求解方法 |
CN114241217A (zh) * | 2021-11-25 | 2022-03-25 | 电子科技大学 | 一种基于圆柱特征的树干点云高效提取方法 |
WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
CN114743008A (zh) * | 2022-06-09 | 2022-07-12 | 西南交通大学 | 一种单株植被点云数据分割方法、装置及计算机设备 |
CN114862872A (zh) * | 2022-05-10 | 2022-08-05 | 桂林理工大学 | 一种基于Faster R-CNN的红树林单木分割方法 |
CN116310849A (zh) * | 2023-05-22 | 2023-06-23 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
CN118072029A (zh) * | 2024-04-24 | 2024-05-24 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
-
2019
- 2019-06-06 CN CN201910489877.4A patent/CN110223314B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN107832681A (zh) * | 2017-10-16 | 2018-03-23 | 福州大学 | 联合LiDAR点云和同步遥感影像的森林单木树高估算方法 |
CN109164459A (zh) * | 2018-08-01 | 2019-01-08 | 南京林业大学 | 一种结合激光雷达和高光谱数据对森林树种分类的方法 |
Non-Patent Citations (2)
Title |
---|
S. LI: "Segmentation of individual trees based on a point cloud clustering method using airborne lidar data", 《IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
X. LU: "A bottom-up approach to segment individual deciduous trees using leaf-off lidar point cloud data", 《ISPRS J PHOTOGRAMM》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609290A (zh) * | 2019-09-19 | 2019-12-24 | 北京智行者科技有限公司 | 激光雷达匹配定位方法及装置 |
CN110609290B (zh) * | 2019-09-19 | 2021-07-23 | 北京智行者科技有限公司 | 激光雷达匹配定位方法及装置 |
CN110992375A (zh) * | 2019-11-29 | 2020-04-10 | 桂林理工大学 | 逐层LiDAR点云的弦角判别聚类单木分割方法 |
CN110992375B (zh) * | 2019-11-29 | 2021-07-06 | 桂林理工大学 | 逐层LiDAR点云的弦角判别聚类单木分割方法 |
CN110895333B (zh) * | 2019-12-05 | 2022-06-03 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN110895333A (zh) * | 2019-12-05 | 2020-03-20 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
CN111428784A (zh) * | 2020-03-23 | 2020-07-17 | 湖南工学院 | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 |
CN112068153A (zh) * | 2020-08-24 | 2020-12-11 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
CN112068153B (zh) * | 2020-08-24 | 2022-07-29 | 电子科技大学 | 一种基于地基激光雷达点云的冠层间隙率估算方法 |
WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
CN112347894B (zh) * | 2020-11-02 | 2022-05-20 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN112347894A (zh) * | 2020-11-02 | 2021-02-09 | 东华理工大学 | 基于迁移学习和高斯混合模型分离的单株植被提取方法 |
CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
CN113009481A (zh) * | 2021-01-15 | 2021-06-22 | 扬州哈工科创机器人研究院有限公司 | 一种基于干涉sar雷达的森林地物成像反演方法 |
CN112837309B (zh) * | 2021-03-02 | 2023-10-20 | 华南农业大学 | 果树冠层靶标识别装置、方法、计算设备及存储介质 |
CN112837309A (zh) * | 2021-03-02 | 2021-05-25 | 华南农业大学 | 果树冠层靶标识别装置、方法、计算设备及存储介质 |
CN113222917A (zh) * | 2021-04-29 | 2021-08-06 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113591766B (zh) * | 2021-08-09 | 2022-10-11 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN113591766A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种无人机多源遥感的树种识别方法 |
CN114022536A (zh) * | 2021-10-18 | 2022-02-08 | 电子科技大学 | 一种基于地基激光雷达点云数据的叶面积求解方法 |
CN114022536B (zh) * | 2021-10-18 | 2023-03-10 | 电子科技大学 | 一种基于地基激光雷达点云数据的叶面积求解方法 |
CN114241217A (zh) * | 2021-11-25 | 2022-03-25 | 电子科技大学 | 一种基于圆柱特征的树干点云高效提取方法 |
CN114241217B (zh) * | 2021-11-25 | 2023-03-07 | 电子科技大学 | 一种基于圆柱特征的树干点云高效提取方法 |
CN114862872A (zh) * | 2022-05-10 | 2022-08-05 | 桂林理工大学 | 一种基于Faster R-CNN的红树林单木分割方法 |
CN114862872B (zh) * | 2022-05-10 | 2024-05-07 | 桂林理工大学 | 一种基于Faster R-CNN的红树林单木分割方法 |
CN114743008A (zh) * | 2022-06-09 | 2022-07-12 | 西南交通大学 | 一种单株植被点云数据分割方法、装置及计算机设备 |
CN116310849A (zh) * | 2023-05-22 | 2023-06-23 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
CN116310849B (zh) * | 2023-05-22 | 2023-09-19 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
CN118072029A (zh) * | 2024-04-24 | 2024-05-24 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
CN118072029B (zh) * | 2024-04-24 | 2024-07-19 | 山东科技大学 | 一种改进泰森多边形约束的车载点云单木分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110223314B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223314A (zh) | 一种基于树冠三维点云分布的单木分割方法 | |
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
CN107274417B (zh) | 一种基于机载激光点云聚集关系的单木分割方法 | |
CN106845399B (zh) | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 | |
Bienert et al. | A voxel-based technique to estimate the volume of trees from terrestrial laser scanner data | |
CN111428784B (zh) | 采用机载激光雷达对落叶林树级参数测定的鲁棒分割方法 | |
WO2022067598A1 (en) | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization | |
Bienert et al. | Voxel space analysis of terrestrial laser scans in forests for wind field modelling | |
CN109948106B (zh) | 一种利用激光点云计算林分高度累计百分比的方法 | |
Heinaro et al. | Airborne laser scanning reveals large tree trunks on forest floor | |
Itakura et al. | Estimating tree structural parameters via automatic tree segmentation from LiDAR point cloud data | |
CN115390040A (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN110992375B (zh) | 逐层LiDAR点云的弦角判别聚类单木分割方法 | |
Lin et al. | A multilevel slicing based coding method for tree detection | |
Sarıtaş et al. | Enhancing Ground Point Extraction in Airborne LiDAR Point Cloud Data Using the CSF Filter Algorithm | |
CN109409748B (zh) | 一种耕地质量评价指标关联性的检核方法及系统 | |
Deng et al. | Individual tree detection and segmentation from unmanned aerial vehicle-LiDAR data based on a trunk point distribution indicator | |
Marinelli et al. | Fusion of high and very high density lidar data for 3d forest change detection | |
Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method | |
CN112150479A (zh) | 基于高斯聚类的单木分割及树高和冠幅的提取方法 | |
Bucksch et al. | Skeleton-based botanic tree diameter estimation from dense LiDAR data | |
Su et al. | The estimation of tree height based on LiDAR data and QuickBird imagery | |
Yang et al. | Segmenting Individual Trees From Terrestrial LiDAR Data Using Tree Branch Directivity | |
CN114022536B (zh) | 一种基于地基激光雷达点云数据的叶面积求解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |