CN110427956B - 一种基于谱聚类算法的LiDAR点云数据单木提取方法 - Google Patents
一种基于谱聚类算法的LiDAR点云数据单木提取方法 Download PDFInfo
- Publication number
- CN110427956B CN110427956B CN201910311744.8A CN201910311744A CN110427956B CN 110427956 B CN110427956 B CN 110427956B CN 201910311744 A CN201910311744 A CN 201910311744A CN 110427956 B CN110427956 B CN 110427956B
- Authority
- CN
- China
- Prior art keywords
- matrix
- similarity
- point
- point cloud
- sampling
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及激光雷达点云数据处理技术,尤其涉及一种基于谱聚类算法的LiDAR点云数据单木提取方法。
背景技术
激光雷达(Light Detecting and Ranging,LiDAR)技术是近20年来遥感领域最具革命性的成就之一。机载激光雷达作为一种主动遥感技术,能够较大范围地获取森林的空间结构特征,在森林关键参数的高精度提取等方面有着突出的优势。
目前从机载LiDAR点云数据中提取单木的算法有很多,主要可以分为基于冠层高度模型(Canopy Height Models,CHM)的表面模型方法和利用点云信息的3D方法,3D方法可以进一步分为聚类方法和基于体素的方法。聚类方法是对机载LiDAR点云数据进行单木分割的有效方法,并可以直接从分割结果中获取单木的三维结构参数。基于-谱聚类算法的机载LiDAR数据单木提取方法是指,使用基于的谱聚类算法从机载LiDAR点云数据中提取单木,并根据单木分割结果获取关键单木参数。目前,从机载LiDAR点云中提取单木的聚类方法主要包括k-means聚类、层次聚类等。但是,这些算法需要对单木株数进行假设,同时对数据的分布形式有一定要求,分割精度无法保证。
发明内容
本发明的目的是提供一种基于谱聚类算法的LiDAR点云数据单木提取方法,从而为大区域LiDAR点云数据单木分割提供有效稳定的结果,并从分割的单木结果中获取高精度的树高和冠幅参数。
本发明的目的通过以下技术方案来实现,一种基于谱聚类算法的LiDAR点云数据单木提取方法,无需设定分割株数、不限制林分类型,并且可以为大区域点云数据提供高效稳定的结果,具体步骤包括以下步骤:
步骤1、对机载LiDAR点云数据的高度信息进行归一化,并建立CHM;
步骤2、对步骤1中的归一化点云使用mean shift算法进行体素化;
步骤3、对步骤2中的体素点云使用高斯相似度函数构建相似图,并得到相似度矩阵;
步骤4、基于步骤3中的体素空间相似图,在体素空间中进行采样;
步骤6、基于步骤1中建立的CHM,在固定窗口中搜索局部最大值点,取点数的适当倍数为分割单木数上界;
步骤7、将步骤5中的特征值升序排序,在步骤6中确定的聚类数上界内寻找特征值间隔最大处,取其序号作为最终单木分割数k;
步骤8、将步骤5中前k个最小特征值对应的特征向量为列,构建特征向量矩阵;
步骤9、对步骤8中的特征向量矩阵的行元素进行归一化,然后使用k-means算法分割为k类;
步骤10、将步骤9得到的分割结果根据索引关系映射回原始点云空间,得到单木聚类结果;
步骤11、对步骤10得到的单木点云,根据三维空间信息提取树高和冠幅参数。
本发明的有益效果:首次将基于的谱聚类算法用于机载LiDAR点云数据单木分割中,同时结合基于mean shift的体素化过程,实现高效的单木识别。该发明使用局部最大值个数作为分割株数上界,并利用相似矩阵的特征值间隔确定分割的单木数,这样的选择无疑比对单木株数进行假设更为可靠。同时,谱聚类算法对数据分布没有限制,使得本发明可以在不同林分类型的数据中表面良好。因此,本发明提供的方法不仅可以在样地尺度对不同林分类型进行有效的单木分割,还可以为区域尺度提供稳定的分割结果,具有很强的实用价值。
附图说明
为了易于说明,本发明由下述的具体实施及附图作以详细描述。
图1为本发明实施例提供的一种方法流程图;
图3为本发明实施例提供的冠幅和树高测量示意图。
具体实施方式
下面将结合本发明实施例中对本发明技术方案进行清楚、完整地描述,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,本领域普通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。
实施例:
一种基于谱聚类算法的LiDAR点云数据单木提取方法,其实现方式如图1所示,包括如下操作:
步骤1、对机载LiDAR点云数据的高度信息进行归一化,并建立CHM;
步骤2、对步骤1中的归一化点云使用mean shift算法进行体素化;
Mean shift是一种聚类算法,它通过迭代地将每个点移向偏移均值点处来对点进行分组。它不需要对数据分布或聚类数目进行假设,是一种快速有效的分类器。本发明使用mean shift方法来完成体素化过程,每个体素由mean shift的聚类结果表示,体素位置由聚类点的坐标中心确定,体素权重等于其中的点数。
步骤3、对步骤2中的体素点云使用高斯相似度函数构建相似图,并得到相似度矩阵;
本发明选择k-近邻图,它很容易构造稀疏邻接矩阵,并且不易受到不良参数选择的影响。考虑树的形状和体素的属性,相似度函数构造如下
这里,knn表示k-近邻。和分别是两个体素xi和xj之间的水平和垂直欧式距离,其被分配不同的比例因子σxy和σz以满足树的椭球形状。两个加权因子ni和nj是体素xi和xj的权重,以维持体素空间与原始点云的一致性。
步骤4、基于步骤3构建的体素空间相似图,在体素空间中进行采样,以将体素点分为采样点和剩余点,同时构建采样点之间的相似度矩阵和采样点与剩余点之间的相似度矩阵,这里,假定矩阵A表示采样点间的相似度矩阵,矩阵B表示采样点与剩余点之间的相似度矩阵;
本发明基于空间邻域关系设计了KNNS(K-Nearest Neighbor based Sampling)方法。假定ID表示空间点索引,矩阵IDknn表示k近邻索引,矩阵SIMIknn存储k近邻相似度,IDsorted是按照相似度矩阵SIMIknn行和降序得到的结果。采样过程根据IDsorted中的索引顺序执行,所述的步骤4的具体步骤为:
步骤4-1、根据IDsorted索引顺序,将第一个没有被分配的点作为新的采样点放入采样点集,同时在IDknn和SIMIknn中获取其k近邻的索引和相似度;
步骤4-2、对于每个采样点的k近邻,存在三种可能的情况:
(a)若它已属于采样点集,则将其与该采样点的相似度放入矩阵A中相应的位置;
(b)若它已属于剩余点集,则将其与该采样点的相似度放入矩阵B中相应的位置;
(c)若它既不属于采样点集也不属于剩余点集,则将它分配给剩余点集,并将其与该采样点的相似度放入矩阵B中相应的位置;
步骤4-3、重复此过程,直到所有体素点都被分配给采样点集或剩余点集。
根据步骤4,可以得到采样点集和剩余点集,以及采样点之间的相似度矩阵和采样点与剩余点之间的相似度矩阵。根据方法,若矩阵A正定,定义S=A+A-1/2BBTA-1/2,且对其对角化为其中,US∈Rn×n且第i列为S的第i个特征向量,ΛS是对角元素为S特征值的对角矩阵。那么整个点云空间的相似度矩阵可以被对角化为且有
由此,得到点云空间的相似度矩阵的特征值为ΛS,对应的特征向量矩阵为V。
步骤6、基于步骤1中建立的CHM,在固定窗口中搜索局部最大值点,取点数的适当倍数为分割单木数上界;
这里,根据单木形态经验,选择2.5m×2.5m的固定窗口寻找局部最大值,将其点数的1.2倍定为分割的单木株数上界。这里,选择1.2倍是为了放宽局部最大值结果对算法的限制。
步骤7、将步骤5中的特征值升序排序,在步骤6中确定的聚类数上界内寻找特征值间隔最大处,取其序号作为最终单木分割数k;
根据特征值间隔启发式方法,令λ1,...,λn表示的特征值,即公式(2)中ΛS的对角元素,目标是选择k值使得特征值λ1,...,λk的值都非常小,而λk+1值相对较大,即在第k个和第k+1个特征值之间存在间隔,|λk+1-λk|比较大,该间隔表明数据集包含k个类。这种给定聚类数上界然后根据特征值间隔启发式确定聚类数的方式较直接给定聚类数而言是更为宽松的选择。
步骤8、将步骤5中前k个最小特征值对应的特征向量为列,构建特征向量矩阵;
步骤9、对步骤8中的特征向量矩阵的行元素进行归一化,然后使用k-means算法分割为k类;
这里,1表示单位列向量,ar,br分别表示矩阵A和B的行和向量,bc是矩阵B的列和向量。那么就可以将矩阵A和B归一化为
步骤10、将步骤9得到的分割结果根据索引关系映射回原始点云空间,得到单木聚类结果;
所述的步骤10的具体步骤为:
步骤10-1、k-means算法的直接分割对象是特征向量矩阵的归一化行元素,其得到的labels值索引与体素点一一对应,通过labels值的索引将结果映射回体素空间
步骤10-2、根据体素点的索引将结果映射回原始点云来获得单木的聚类点。
步骤11、对步骤10得到的单木点云,根据三维空间信息提取树高和冠幅参数。
对于得到的单木点云,单木参数直接从三维点云信息中获取,位置和树高由最高点的空间坐标来确定,x方向和y方向上垂直投影的平均值被视为冠幅(图3)。
通过上述操作,获得最终的单木分割结果。作为举例而非限定,可以将单木结果输出为矢量文件(*.shp)以供更方便的使用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种基于谱聚类算法的LiDAR点云数据单木提取方法,其特征在于:无需设定分割株数、不限制林分类型,并且可以为大区域点云数据提供高效稳定的结果,具体方法步骤为:
步骤1、对机载LiDAR点云数据的高度信息进行归一化,并建立CHM;
步骤2、对步骤1中的归一化点云使用mean shift算法进行体素化;
步骤3、对步骤2中的体素点云使用高斯相似度函数构建相似图,并得到相似度矩阵;
步骤4、基于步骤3中的体素空间相似图,在体素空间中进行采样;
步骤6、基于步骤1中建立的CHM,在固定窗口中搜索局部最大值点,取点数的适当倍数为分割单木数上界;
步骤7、将步骤5中的特征值升序排序,在步骤6中确定的聚类数上界内寻找特征值间隔最大处,取其序号作为最终单木分割数k;
步骤8、将步骤5中前k个最小特征值对应的特征向量为列,构建特征向量矩阵;
步骤9、对步骤8中的特征向量矩阵的行元素进行归一化,然后使用k-means算法分割为k类;
步骤10、将步骤9得到的分割结果根据索引关系映射回原始点云空间,得到单木聚类结果;
步骤11、对步骤10得到的单木点云,根据三维空间信息提取树高和冠幅参数;
采样结果基于点的局部近邻关系,在给定的相似图中可以快速得到最有代表性的采样点, 所述步骤4基于空间邻域关系设计了KNNS方法,假定ID表示空间点索引,矩阵IDknn表示k近邻索引,矩阵SIMIknn存储k近邻相似度,IDsorted是按照相似度矩阵SIMIknn行和降序得到的结果,矩阵A表示采样点间的相似度矩阵,矩阵B表示采样点与剩余点之间的相似度矩阵,采样过程根据IDsorted中的索引顺序执行,具体步骤为:
步骤4-1、根据IDsorted索引顺序,将第一个没有被分配的点作为新的采样点放入采样点集,同时在IDknn和SIMIknn中获取其k近邻的索引和相似度;
步骤4-2、对于每个采样点的k近邻,存在三种可能的情况:
(a)若它已属于采样点集,则将其与该采样点的相似度放入矩阵A中相应的位置;
(b)若它已属于剩余点集,则将其与该采样点的相似度放入矩阵B中相应的位置;
(c)若它既不属于采样点集也不属于剩余点集,则将它分配给剩余点集,并将其与该采样点的相似度放入矩阵B中相应的位置;
步骤4-3、重复此过程,直到所有体素点都被分配给采样点集或剩余点集。
2.根据权利要求1所述的一种基于谱聚类算法的LiDAR点云数据单木提取方法,所述步骤10的具体步骤为:
步骤10-1、k-means算法的直接分割对象是特征向量矩阵的归一化行元素,其得到的labels值索引与体素点一一对应,通过labels值的索引将结果映射回体素空间;
步骤10-2、根据体素点的索引将结果映射回原始点云来获得单木的聚类点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311744.8A CN110427956B (zh) | 2019-04-18 | 2019-04-18 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311744.8A CN110427956B (zh) | 2019-04-18 | 2019-04-18 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427956A CN110427956A (zh) | 2019-11-08 |
CN110427956B true CN110427956B (zh) | 2021-01-15 |
Family
ID=68408392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311744.8A Active CN110427956B (zh) | 2019-04-18 | 2019-04-18 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427956B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738086B (zh) * | 2020-05-22 | 2022-08-30 | 上海交通大学 | 用于点云分割的构图方法、系统及点云分割系统、装置 |
CN111814666B (zh) * | 2020-07-07 | 2021-09-24 | 华中农业大学 | 一种复杂林分下的单木参数提取方法、系统、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034405A1 (en) * | 2015-08-24 | 2017-03-02 | Yado Holding B.V. | Method for identifying individual trees in airborne lidar data and corresponding computer program product |
CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
CN108226894A (zh) * | 2017-11-29 | 2018-06-29 | 北京数字绿土科技有限公司 | 一种点云数据处理方法及装置 |
CN109376579A (zh) * | 2018-08-29 | 2019-02-22 | 浙江农林大学 | 基于无人机正射图像的银杏树冠生物量的预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346851B (zh) * | 2011-11-04 | 2013-01-23 | 西安电子科技大学 | 基于njw谱聚类标记的图像分割方法 |
CN103903258B (zh) * | 2014-02-27 | 2017-06-30 | 西安电子科技大学 | 基于次序统计量谱聚类的遥感图像变化检测方法 |
CN104732545B (zh) * | 2015-04-02 | 2017-06-13 | 西安电子科技大学 | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 |
US20170154246A1 (en) * | 2015-11-30 | 2017-06-01 | Seematics Systems Ltd | Apparatus and method for inferring information using a computer network |
CN106407898B (zh) * | 2016-08-29 | 2019-04-16 | 中国林业科学研究院资源信息研究所 | 一种激光雷达单木分块识别方法 |
SE541287C2 (en) * | 2017-02-27 | 2019-06-11 | Katam Tech Ab | Forest surveying apparatus and method using video sequences to generate 3D models |
WO2018201180A1 (en) * | 2017-05-02 | 2018-11-08 | PETRA Data Science Pty Ltd | Automated, real time processing, analysis, mapping and reporting of data for the detection of geotechnical features |
CN108171131B (zh) * | 2017-12-15 | 2022-01-14 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 |
CN108594262A (zh) * | 2018-07-05 | 2018-09-28 | 南京林业大学 | 一种结合无人机和地基激光雷达提取树高的方法 |
CN109166145B (zh) * | 2018-08-10 | 2020-12-11 | 中国农业大学 | 一种基于聚类分割的果树叶片生长参数提取方法及系统 |
CN109410225A (zh) * | 2018-08-30 | 2019-03-01 | 浙江工业大学 | 基于多层级树木结构分析的树木分割方法 |
CN109447100B (zh) * | 2018-08-30 | 2020-12-01 | 天津理工大学 | 一种基于b样条曲面相似性检测的三维点云识别方法 |
-
2019
- 2019-04-18 CN CN201910311744.8A patent/CN110427956B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034405A1 (en) * | 2015-08-24 | 2017-03-02 | Yado Holding B.V. | Method for identifying individual trees in airborne lidar data and corresponding computer program product |
CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
CN108226894A (zh) * | 2017-11-29 | 2018-06-29 | 北京数字绿土科技有限公司 | 一种点云数据处理方法及装置 |
CN109376579A (zh) * | 2018-08-29 | 2019-02-22 | 浙江农林大学 | 基于无人机正射图像的银杏树冠生物量的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110427956A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification | |
Zhang et al. | A multilevel point-cluster-based discriminative feature for ALS point cloud classification | |
Moustakidis et al. | SVM-based fuzzy decision trees for classification of high spatial resolution remote sensing images | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
CN104392250A (zh) | 一种基于MapReduce的图像分类方法 | |
Sun et al. | A multiscale spectral features graph fusion method for hyperspectral band selection | |
CN109446986B (zh) | 一种面向树木激光点云的有效特征抽取与树种识别方法 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
Sun et al. | Multi-structure KELM with attention fusion strategy for hyperspectral image classification | |
CN109543723B (zh) | 一种鲁棒的图像聚类方法 | |
CN110427956B (zh) | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 | |
He et al. | A Method of Identifying Thunderstorm Clouds in Satellite Cloud Image Based on Clustering. | |
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 | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN111126467B (zh) | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 | |
CN109241628B (zh) | 基于图谱理论和聚类的三维cad模型分割方法 | |
Liu et al. | Adaptive algorithm for automated polygonal approximation of high spatial resolution remote sensing imagery segmentation contours | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN113139556B (zh) | 基于自适应构图的流形多视图图像聚类方法及系统 | |
Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
CN111986223B (zh) | 一种基于能量函数的室外点云场景中树木提取方法 | |
Wang et al. | A Crown Guess and Selection Framework for Individual Tree Detection From ALS Point Clouds | |
Xu et al. | Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data | |
CN111091087A (zh) | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
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 |