CN110992375A

CN110992375A - 逐层LiDAR点云的弦角判别聚类单木分割方法

Info

Publication number: CN110992375A
Application number: CN201911201113.7A
Authority: CN
Inventors: 周国清; 穆叶煊
Original assignee: Guilin University of Technology
Current assignee: Guilin University of Technology
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2020-04-10
Anticipated expiration: 2039-11-29
Also published as: CN110992375B

Abstract

本发明涉及到了森林遥感的LiDAR点云单木分割领域，公开了逐层LiDAR点云的弦角判别聚类单木分割方法，发明了几何关系判别聚类法，包括：1.机载LiDAR森林点云数据的回波信息处理，提取植被点云数据；2.逐层半弦值判别聚类分割，普遍适用于多木间单木分割；3.逐层半弦角辅助聚类分割，帮助2中局部重叠的两棵树进行分割；4.对3中存在“大盖小”的两棵树遮挡现象设定阈值，根据大树与小树高度关系聚类；5.联合判断分割出的单木，修正或删除错判ID单木。本发明为森林点云数据提供了一种基于圆形弦值和角度的几何判别聚类的分割方法，该发明较于CHM方法能够更快速、准确获取单木分割形状，减少错误分割单木，有助于林业研究的森林植被参数反演和建立林木3D模型。

Description

逐层LiDAR点云的弦角判别聚类单木分割方法

技术领域

本发明涉及到了森林遥感的LiDAR点云单木分割领域，具体用到了多回波提取植物点云数据和逐层弦角判别聚类的分割方法，从三个方面分析和解决多木聚类关系问题。

技术背景

近年来，随着我国一系列重点林业工程的实施，人工林面积已逐步接近全球人工林面积的30％。发展人工林能够有效解决森林消耗、木材供应不足和森林生态环境被破坏等问题，而且在提高森林碳汇、维持区域生态平衡和加快森林恢复方面也具有重要作用。当前，我国人工林经营已从单纯追求经济效益发展到注重多种效益相结合及可持续发展，其监测目的也从传统的森林资源利用转向保护生态环境、维持森林健康以及平衡森林碳储量等方面，高效和高精度的人工林森林资源监测越显重要。单木是构成森林的基本单元，其空间结构、生物物理和化学组分是森林资源调查、生态环境建模研究等所需的关键因子。LiDAR可快速、精确地获取单木信息，为森林资源监测与管理提供有效保障，合理利用各种单木分割算法，提高单木分割精度，可为精确获取单木空间位置、冠层结构以及掌握树木竞争和健康状况等提供重要的算法和技术支持。

目前，传统的单木分割通常采用人工实测法，且仅能获得点上的数据，难以获取区域或更大尺度的数据；而国际上最常用的单木分割方法是基于植被冠层的冠层高度模型(CHM)进行分割。获得CHM模型的大致过程是LiDAR点云数据对应的数字表面模型(DSM)与数字高程模型(DEM)做差值。之后定位局部CHM最大值，并以此在一定范围内识别出单棵树的冠幅，从而提取该棵树。利用CHM进行分割时往往造成错误分割以及不适当的形状分割。

为了确保点云后处理工作顺利进行和单木分割的正确率，有必要对以上出现的问题进行改进和完善。

发明内容

本发明的目的是提供一种LiDAR点云数据单木分割的方法，能够有效判别多木点云从属关系，提高单木分割正确率，避免错误分割的情况，为后期正确提取单木分割参数提供有力保证。

为了实现本发明的目的，本发明提出了一种基于弦角关系判别的多木聚类分割方法：以目标树和邻居树的最高点为顶点，建立目标树与邻居树之间的空间几何关系，以目标树的顶点为圆心、样本点与圆心连线为半径画圆，样本点距目标树顶点的水平距离为半弦长，则半弦对应该圆心角的1/2定义为半弦角，同理邻居树建立对应的弦角关系，从最高点到最低点用上述方法对两棵树逐层判别聚类。该方法适用于具有坡度的地形，点云数据归一化之后进行单木聚类分割。该方法在空间几何上对三维点云进行弦角判别聚类，为单木的正确分割提供了新思路。

树的生长状态依据地形等环境因素发生变化，本发明考虑了多木的邻树聚类关系中的3种情况：

情况1：逐层半弦值判别聚类分割，普遍适用于多木间单木分割；

情况2：逐层半弦角辅助聚类分割，帮助情况1分割下可能会存在特殊邻树关系继续分割，即局部重叠的两棵树其实为一棵树的情况；

情况3：压缩至二维聚类，忽略x(或y)方向的索引，对情况2单木分割出树进行阈值复判、由于情况2中可能会出现“大盖小”两棵临树判为一棵树的障碍物，因此该方法设定点云数量的最大阈值和最小阈，辅助方法2识别被覆盖的小树，这种情况下根据大树树干高度(h_A)与小树高度(H_B)的关系，判断样本点归属性。

本发明的有益效果是：采用基于弦角关系判别的多木聚类方法进行单木分割，主要包括提取植物点云和聚类判别两个部分；一方面，利用点云数据多次回波信息提取植被，不仅可以减少参与聚类的脚点数量，增强滤波效果；另一方面，利用三维点云的几何弦角判别聚类能够有效判别多木点云从属关系，提高单木分割正确率。

附图说明

图1是本发明的整体分割流程图

图2是多回波植被点云提取结果图

图3是半弦长判别聚类原理图

图4是半弦角判别聚类原理图

图5是高度阈值判别聚类原理图

图6是初始半弦值判别聚类结果图

图7是修正错误编码树后结果图

具体实施方案

步骤1.分析数据回波特点：

如图1流程图显示，本发明首先对数据的回波信息进行归纳，不同次数的回波可以反应不同的地物信息，根据森林地区的LiDAR点云多次回波特点，首次回波主要来自茂密高大的植物冠层和靠近冠层的树叶，中间次回波主要是高大植被的树枝或者低矮植被，末次回波多是地表反射得到的激光脚点。对于城区，单次回波数据主要来源于地表、人工建筑物(包括立交桥和横跨河流的桥梁)的顶面或墙面、少量植被点；首次回波来源于植被的冠层和人工建筑物(包括立交桥)的边缘；中间次回波主要来源于植被的枝叶和建筑物的立面；而末次回波则主要来源于地表，也有部分是来源于复杂的建筑物屋顶和植被低矮层面的枝叶。

步骤2.利用回波特点提取植被点：

本专利主要针对森林数据处理，本专利用到的森林LiDAR点云数据包含22019个点，该数据中一共包含4次回波。其中，首次回波的激光点有15365个，末次回波的激光点有1190个。之后使用LiDAR360软件根据点云的回波次数对LiDAR点云数据分类，根据本专利针对的森林LiDAR数据的回波特征。总结得出提取植被点云数据的方法，将其简化为一个植被点云提取公式，该公式表示如下：

植被点云＝首次回波点+中间次回波点-末次回波点

步骤3.多木之间进行半弦值判别聚类：

定义目标树的最高点为顶点A，邻居树的最高点为顶点B，以样本点分别与A和B的连线为半径画圆A和圆B，半弦分别为O₁C、O₂D，如图3所示。一般树干粗50mm，则冠径为1.5m；树干粗125mm，冠径为3m。因此，参照图3聚类原理，以目标树A的顶点为A、邻居树B顶点B开始迭代聚类。当点距离目标树顶点的水平距离x>3/2(即1.5m)时，直接将点判为树B点；当点距A水平距离x≤1.5/2(即0.75)时，直接判为树A点；当0.75＜x≤1.5时，则需要判断该点的水平距离更趋近于点A还是点B，如图4所示，树A的半弦角为θ₁，树2的半弦角为θ₂，如果样本点更趋近于树B，即O₂C＜O₁C，则该样本点属于树B，反之属于树A。

步骤4.半弦角辅助聚类：

在步骤3的基础上对0.75m＜x≤1.5m的情况进行补充，如图4所示，树A和树B出现局部重叠点，如果以A、B为顶点两个圆的半弦长关系为O₂C＜O₁C，有半弦角θ₂＞θ₁，并且树A和树B顶点的高程关系有H_A>>H_B，则判断树B属于树A。

步骤5.“大盖小”高度阈值判别聚类：

对步骤4单木分割出的树进行阈值复判、由于步骤4中可能会出现“大盖小”两棵临树判为一棵树的障碍物，因此该方法辅助步骤4识别被覆盖的小树。设定点云数量的最大阈值和最小阈，最小阈值为2137.505，最大阈值为2459.683，当大于最小阈值且小于最大阈时，则视为“大盖小”障碍物情况。这种情况下大树树干高度(h_A)与小树高度(H_B)的高度关系为h_A≥H_B，因此根据大树树干h_A设定阈值，高于该阈值的点归属于树A，低于该阈值的点归属于树B。

步骤6.清除、修正错误单木ID：

根据步骤3的方法对LiDAR点云进行单木聚类分割，分割完的结果如图6所示，图中部分ID树只有几个点表示，其顶点高程与周围ID树高程相差超过20m，并且水平距离(x)符合0.75m＜x≤1.5m，因此把这些树的ID清除，用步骤4的弦角判别聚类方法对这些清除ID的树重新聚类分割。

步骤7.计算分割正确率：

根据步骤6的错误ID树的清除与修正，得出图7的正确单木分割结果图，验证该发明准确性的森林实验数据中树木一共有61棵，用本发明提出的弦角判别聚类方法分割得到的单木棵树一共有59棵，因此本发明的分割正确率高达97％。所以本发明能够有效判别多木点云从属关系，提高单木分割正确率，避免错误分割的情况，可以为后期正确提取单木分割参数提供有力保证。

Claims

1.逐层LiDAR点云的弦角判别聚类单木分割方法，其特征在于具体步骤为：

1)结合森林地区LiDAR点云数据多次回波的特点，提取植被点云数据；

2)分析目标树与邻居树的空间几何关系，建立了3种单木聚类分割模型：多木之间进行半弦值判别聚类、半弦角辅助判别聚类、“大盖小”高度阈值判别聚类，3种聚类分割方法用于3种多木关系：普通林木关系、局部重叠林木关系、“大盖小”林木关系；

3)对错判就行修正，对错误的单木ID进行清除；

4)对比分割结果与样方数据林木数量，计算分割正确率。

2.根据权利要求1所述的方法，其特征在于所述步骤1)具体为：

利用森林地区的LiDAR点云多次回波特点提取树木点云，首次回波主要来自茂密高大的植物冠层和靠近冠层的树叶，中间次回波主要是高大植被的树枝或者低矮植被，末次回波多是地表反射得到的激光脚点，将提取植被点云归纳为以下公式：

植被点云＝首次回波点+中间次回波点-末次回波点

根据该回波特征公式提取植被点云数据。

3.根据权利要求1所述的方法，其特征在于所述步骤2)具体为：

(1)利用多木之间进行逐层半弦值判别聚类法分割，以目标树和邻居树的最高点为顶点，建立目标树A与邻居树B之间的空间几何关系，以目标树的顶点A为圆心、样本点与圆心连线为半径画圆，样本点距目标树顶点的水平距离为半弦值O₁C，半弦角为θ₁，同理，邻居树建立对应的半弦值(O₂D)和半弦角(θ₂)关系，对冠层从高到最低逐层判别聚类分割，根据经验值设定两个半弦值阈值，O₁C＞最大阈值时样本点判给邻居树，O₁C＜最小阈值时样本点判给目标树；

(2)利用逐层半弦角辅助聚类法分割，当最小阈值＜O₁C＜最大阈值时，则目标树A与邻居树B有局部重叠点，需要加入半弦角θ₁、θ₂的干预，对于统一样本点，当O₁C＞O₂D，θ₁＜θ₂时，且目标树与邻居树树高关系有H_A>>H_B，则局部该类样本点判给目标树，即这种情况下，邻居树B归属于目标树A；

(3)完成以上两个步骤的基础上，利用高度阈值判别聚类法对“大盖小”情况聚类分割，设定两棵树点云数量的最大阈值和最小阈，最小阈值为2137.505，最大阈值为2459.683，当最小阈值＜点云数量＜最大阈，则视为“大盖小”障碍物情况；这种情况下视大树为目标树A，树干高度为h_A，视小树为邻居树B，树高为H_B，高度关系为h_A≥H_B，因此根据大树树干hA设定阈值，高于该阈值的点归属于树A，低于该阈值的点归属于树B。

4.根据权利要求1所述的方法,其特征在于所述步骤3)具体为:

清除和修正错误单木ID方法，其特征在于，根据上述权利要求3中的逐层半弦值判别聚类法分割方法进行初始单木聚类分割，再利用权利要求3中的逐层半弦角辅助聚类法分割法和高度阈值判别聚类法进行辅助聚类分割，把权利要求3步骤(1)分割之后不符合阈值范围的树ID清除，用权利要求3中步骤(2)、(3)的弦角判别聚类法和高度阈值判别聚类法对这些清除ID的树重新聚类分割，之后，对错判ID树进行修正，对错误ID树进行删除。

5.根据权利要求1所述的方法,其特征在于所述步骤4)具体为:

根据权利要求4的错误ID树的清除与修正，得出正确分割完成之后正确的单木ID结果，将本发明方法下的结果与样方数据中林木数量作比值，可以计算出单木分割的正确率高达97％。