CN111814666B - 一种复杂林分下的单木参数提取方法、系统、介质及设备 - Google Patents

一种复杂林分下的单木参数提取方法、系统、介质及设备 Download PDF

Info

Publication number
CN111814666B
CN111814666B CN202010647602.1A CN202010647602A CN111814666B CN 111814666 B CN111814666 B CN 111814666B CN 202010647602 A CN202010647602 A CN 202010647602A CN 111814666 B CN111814666 B CN 111814666B
Authority
CN
China
Prior art keywords
trunk
target
point clouds
tree
point cloud
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
Application number
CN202010647602.1A
Other languages
English (en)
Other versions
CN111814666A (zh
Inventor
佃袁勇
王鹏程
周志翔
姚崇怀
徐永荣
周靖靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Ruisitu Technology Co ltd
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202010647602.1A priority Critical patent/CN111814666B/zh
Publication of CN111814666A publication Critical patent/CN111814666A/zh
Application granted granted Critical
Publication of CN111814666B publication Critical patent/CN111814666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种复杂林分下的单木参数提取方法、系统、介质及设备，其方法包括利用激光雷达获取目标单木的树干点云，并在垂直方向进行不同尺度的分层处理；对每种尺度分层处理后的每一层树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息。本发明实现对林分空间结构进行量化分析，在样地水平上描述林木在水平结构的分布以及垂直结构的分布，不受树种类型和人为主观经验影响，不受地域限制，能准确获取复杂林分下的单木参数信息提取精度较高。

Description

一种复杂林分下的单木参数提取方法、系统、介质及设备
技术领域
本发明涉及林业资源调查技术领域，尤其涉及一种复杂林分下的单木参数提取方法、系统、介质及设备。
背景技术
林木在空间内的分布能在一定程度上预测林分未来的生长变化，是森林经营管理中的一个重要因子。科学的分析林分的空间结构有利于为森林制定科学的经营方式，有利于森林的可持续发展。林分结构是指林木的分布格局及其属性在空间上的排列方式，是对林分发展过程中更新方式、竞争、自然稀疏和经历的干扰活动的综合反映，分析林分结构特征是分析林分功能的基础，探讨林分结构与林木生长变化之间的规律是解决一系列森林经营问题的理论基础。在评价森林经营中林分空间结构参数时，需要综合单木的结构参数进行科学评价，这也是现代森林经营发展方向。因此，如何快速精确的获取林分参数及单木参数成为现代林业的关键问题。现阶段获取单木参数的方法主要有以下几种：
1、样地调查。通过设置样地、实地调查，记录样地内林木的生长环境及逐棵调查并记录林木的参数，比如，胸径、树高及冠幅。但是，这种传统调查的方式费时费力，并且很大程度上受到人为因素的影响，并且由于地理区域的限制，有许多检测盲区，造成误差较大，所以很难快速准确的获取大面积区域森林的单木参数；
2、光学遥感技术调查。随着光学遥感技术的发展，在一定程度上也促进了生态学的进步，比如通过对高分辨率的遥感影像的解译确定林木生长的范围；从光学遥感影像的光谱信息中，获取森林分布的位置和面积，也能提供树种信息。但光学遥感易受天气影响，导致图像不准确；其次光学遥感只适用于地表可见的物质勘探与监控，无法获取林下结构信息，造成数据缺失，调查精度误差较大；
3、激光雷达技术调查。近年来随着激光雷达这一主动遥感技术的发展，对森林调查工作起着积极地推动作用。激光雷达对森林高度和垂直结构的探测能力强，在森林参数的定量测量和反演上取得了成功应用。目前利用激光雷达技术获取单木参数，主要针对简单林分，无法获取复杂林分下的单木参数；
综上所述，根据调查手段，过去的研究中获取单木参数的方法大致可分为样地调查、光学遥感调查和激光雷达技术调查三大类，这三大类单木参数的获取方法都存在一定的缺陷和问题，主要体现在：
a、选取样方对先验知识的要求高，人眼估测的主观性大， 野外地理区域限制较大，有许多检测盲区，造成误差较大；
b、调查方式以及数据处理方式费工费时；
c、光学遥感受天气影响较大，导致图像不准确；林下空间参数无法获取，造成信息缺失，准确度降低；
d、传统激光雷达技术调查方法，无法获取复杂林分下的单木参数。
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，提供一种复杂林分下的单木参数提取方法、系统、介质及设备。
本发明解决上述技术问题的技术方案如下：一种复杂林分下的单木参数提取方法，所述方法包括如下步骤：
利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息。
本发明的有益效果是：本发明的复杂林分下的单木参数提取方法，通过对获取的树干点云进行不同尺度的分层处理，再分别进行聚类并筛选出每类要素类别点云中的目标树干点云，再进行同一尺度的要素类别点云融合和不同尺度的目标树干点云，得到目标单木的单木参数信息，实现对林分空间结构进行量化分析，在样地水平上描述林木在水平结构的分布以及垂直结构的分布，不受树种类型和人为主观经验影响，不受地域限制，提取精度较高，能准确获取复杂林分下目标单木的单木参数信息，效率较高。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述对所述树干点云在垂直方向进行不同尺度的分层处理的具体实现为：
根据预设高度范围筛选出包含树干的所述树干点云；
按照预先设定的多个划分尺度分别对所述树干点云进行分层处理。
上述进一步方案的有益效果是：通过对所述树干点云进行多尺度的分层处理，可以对林分空间结构进行量化，并且多尺度划分可以有效减小树干点云的提取偏差，保证单木参数信息的提取精度。
进一步：所述针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云具体包括如下步骤：
对于聚类处理后的每类要素类别点云P中的任一点
Figure 47634DEST_PATH_IMAGE001
由周围邻域空间的n个点
Figure 433616DEST_PATH_IMAGE002
计算其均值向量和协方差矩阵，具体计算公式如下：
Figure 10091DEST_PATH_IMAGE003
其中，μ表示均值向量，Cp表示协方差矩阵；
对所述协方差矩阵进行特征值分解，并提取特征值
Figure 998776DEST_PATH_IMAGE004
和特征向量
Figure 547569DEST_PATH_IMAGE005
, 根据所述特征值
Figure 963507DEST_PATH_IMAGE004
和特征向量
Figure 699381DEST_PATH_IMAGE005
分别计算对应要素类别点云的平面度FL和Z轴法向量Z n ，具体计算公式如下：
Figure 491757DEST_PATH_IMAGE006
其中，
Figure 629477DEST_PATH_IMAGE007
表示特征向量
Figure 216316DEST_PATH_IMAGE008
对应的特征值，
Figure 439487DEST_PATH_IMAGE009
,
Figure 973237DEST_PATH_IMAGE010
表示点云最小方差的方向，
Figure 90097DEST_PATH_IMAGE011
表示点云最大方差的方向，
Figure 988783DEST_PATH_IMAGE012
;
根据所述平面度FL和Z轴的法向量Z n 判断所述树干点云是否符合树干特征，如果是，则确定所述树干点云为目标树干点云，否则，丢弃所述树干点云。
上述进一步方案的有益效果是：通过计算每一类聚类点云的均值向量和协方差矩阵，便于准确提取树干电源的特征值和对应的特征向量，从而可以准确计算出对应要素类别点云的平面度FL和Z轴法向量Z n ，这样即可根据所述平面度FL和Z轴的法向量Z n 筛选出符合要求的目标树干点云，从而便于后续准确构建树干圆柱体，以得到精确的单木参数信息。
进一步：所述根据所述平面度FL和Z轴法向量Z n 判断所述树干点云是否符合树干特征的具体实现为：
统计每类要素类别点云的平面度FL和Z轴法向量Z n ，绘制直方图，并利用最大类间方差法分别计算平面度阈值范围和Z轴法向量阈值范围，
将所述平面度FL和Z轴的法向量Z n 分别与对应的平面度阈值范围和法向量阈值范围进行比较，并在所述平面度FL和Z轴的法向量Z n 分别位于对应的预设平面度阈值范围和法向量阈值范围内时，确定所述树干点云符合树干特征。
上述进一步方案的有益效果是：通过统计每类要素类别点云的平面度FL和Z轴法向量Z n ，并绘制直方图，借助最大类间方差法即可准确确定平面度阈值范围和Z轴法向量阈值范围，从而可以从所述树干点云中准确筛选出符合要求的所述目标树干点云。
进一步：所述将同一尺度对应的不同层的所有目标树干点云进行融合具体包括如下步骤：
采用2D-3D转换方法将所述目标树干点云进行树干圆柱体拟合，且所述树干圆柱体的参数由下式确定：
Figure 823884DEST_PATH_IMAGE013
根据拟合后的所述树干圆柱体，剔除与所述树干圆柱体表面距离偏差超过预设偏差阈值的目标树干点云，并保留剩余的目标树干点云；
对剩余的所述目标树干点云进行融合；
其中，
Figure 567849DEST_PATH_IMAGE014
是圆柱体表面点的三维坐标，
Figure 804795DEST_PATH_IMAGE015
为圆柱体轴线上的点，r是圆柱体半径，a 表示单位长度上轴线的方向。
上述进一步方案的有益效果是：通过对所述目标树干点云进行树干圆柱体拟合，可以方便剔除偏差较大的点，使得最终的结果更加准确。
进一步：所述目标树干点云进行树干圆柱体拟合后，还包括如下步骤：
再次对所述目标树干点云进行树干圆柱体拟合，并判断相邻两次拟合得到的所述树干圆柱体之间的偏差值是否超过预设树干圆柱体偏差阈值，并在相邻两次拟合得到的所述树干圆柱体之间的偏差值超过预设树干圆柱体偏差阈值时，重新筛选出对应层符合树干特征的目标树干点云，并重新进行树干圆柱体拟合，直至相邻两次拟合得到的所述树干圆柱体之间的偏差值在预设树干圆柱体偏差阈值范围内，并保存当前的所述树干圆柱体。
上述进一步方案的有益效果是：通过对所述目标树干点云进行再次树干圆柱体拟合，可以判断相邻两次的拟合结果之间在形状、大小等方便是否相差过大，这样可以大大树干圆柱体的提高拟合精度。
进一步：所述对剩余的所述目标树干点云进行融合具体包括如下步骤：
确定同一尺度对应的所有目标树干点云的坐标关系方程，具体为：
Figure 608803DEST_PATH_IMAGE016
根据所述坐标关系方程确定树干的方向向量，生成树干模型，具体公式如下：
Figure 196780DEST_PATH_IMAGE017
选择所述树干模型中靠近地面的一层中的最高点作为种子点，并随着高度的增加更新所述种子点的三维坐标，直至高度大于或等于所述树干模型中最高层的底部，并得到同一尺度对应的不同层的所述目标树干点云的三维坐标，再将同一尺度对应的不同层的目标树干点云进行融合；更新所述种子点的坐标的公式如下：
Figure 744436DEST_PATH_IMAGE018
其中，x 、y和z分别为更新后的树干点云的X轴坐标、Y轴坐标和Z轴坐标，
Figure 835888DEST_PATH_IMAGE019
、
Figure 76377DEST_PATH_IMAGE020
和
Figure 620491DEST_PATH_IMAGE021
分别为更新前的树干点云的X轴坐标、Y轴坐标和Z轴坐标，A i 和B i 分别为方向参数，（T x ,T y ,T z ）为树干模型的X轴、Y轴和Z轴的方向向量。
上述进一步方案的有益效果是：通过建立目标树干点云的坐标关系方希，并确定树干模型，从而可以确定所述目标树干点云的三维坐标，这样便于统一尺度对应的不同层的所述目标树干点云进行融合。
进一步：所述将不同尺度对应的所有目标树干点云进行融合的具体实现为：
判断不同尺度对应的目标树干点云在所述树干圆柱体上的三维坐标偏差值和半径偏差值是否符合融合条件，如果是，则将不同尺度对应的目标树干点云进行融合，并得到目标单木的单木参数信息；所述融合条件为：不同尺度对应的目标树干点云在树干圆柱体上的三维坐标偏差值和半径偏差值分别对应小于对应的三维坐标偏差阈值和半径偏差阈值。
上述进一步方案的有益效果是：通过将符合融合条件的不同尺度对应的目标树干点云进行融合，这样可以在三维空间内准确得到目标单木的单木参数信息，实现复杂林分下的单木参数精确提取。
本发明还提供了一种复杂林分下的单木参数提取系统,所述系统包括：
获取分层模块，用于利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
聚类筛选模块，用于根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
融合模块，用于将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息。
本发明的复杂林分下的单木参数提取系统，通过对获取的树干点云进行不同尺度的分层处理，再分别进行聚类并筛选出每类要素类别点云中的目标树干点云，再进行同一尺度的要素类别点云融合和不同尺度的目标树干点云，得到目标单木的单木参数信息，实现对林分空间结构进行量化分析，在样地水平上描述林木在水平结构的分布以及垂直结构的分布，不受树种类型和人为主观经验影响，不受地域限制，提取精度较高，能准确获取复杂林分下目标单木的单木参数信息，效率较高。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现所述的方法。
本发明还提供了一种复杂林分下的单木参数提取设备,包括任一项所述的存储介质和处理器，所述处理器执行所述存储介质上的计算机程序时实现所述方法的步骤。
附图说明
图1为本发明一实施例的复杂林分下的单木参数提取方法流程示意图；
图2为本发明一实施例的复杂林分下的单木参数提取系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种复杂林分下的单木参数提取方法，所述方法包括如下步骤：
S11：利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
S12：根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
S13：将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息。
本发明的复杂林分下的单木参数提取方法，通过对获取的树干点云进行不同尺度的分层处理，再分别进行聚类并筛选出每类要素类别点云中的目标树干点云，再进行同一尺度的要素类别点云融合和不同尺度的目标树干点云，得到目标单木的单木参数信息，实现对林分空间结构进行量化分析，在样地水平上描述林木在水平结构的分布以及垂直结构的分布，不受树种类型和人为主观经验影响，不受地域限制，提取精度较高，能准确获取复杂林分下目标单木的单木参数信息，效率较高。
在本发明的一个或多个实施例中，所述对所述树干点云在垂直方向进行不同尺度的分层处理的具体实现为：
S21：根据预设高度范围筛选出包含树干的所述树干点云；
S22：按照预先设定的多个划分尺度分别对所述树干点云进行分层处理。
由于林分结构复杂，为了在一定程度上减少林下灌草和树冠树枝对树干检测的影响。根据实际需求、实地采集环境条件和数据质量等，设置合适的分层尺度。同时，为了提高单木参数的提取精度，应尽可能设置两个及以上的分层尺度（如5cm、15cm等），在垂直方向上对选择的树干点云进行分层。通过对所述树干点云进行多尺度的分层处理，可以对林分空间结构进行量化，并且多尺度划分可以有效减小树干点云的提取偏差，保证单木参数信息的提取精度。
在本发明的实施例中，对分层的树干点云，按照相邻的树干点云之间的欧式距离聚类，通过设定聚类的参数，将每一层树干点云进行聚类，并将结果都分别保存。
在本发明的一个或多个实施例中，所述针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云具体包括如下步骤：
S31：对于聚类处理后的每类要素类别点云P中的任一点
Figure 305593DEST_PATH_IMAGE022
, 由周围邻域空间的n个点
Figure 126918DEST_PATH_IMAGE023
计算其均值向量和协方差矩阵，具体计算公式如下：
Figure 662942DEST_PATH_IMAGE024
Figure 569718DEST_PATH_IMAGE025
其中，μ表示均值向量，Cp表示协方差矩阵；
S32：对所述协方差矩阵进行特征值分解，并提取特征值
Figure 583811DEST_PATH_IMAGE026
和特征向量
Figure 790801DEST_PATH_IMAGE027
, 根据所述特征值
Figure 497726DEST_PATH_IMAGE026
和特征向量
Figure 891798DEST_PATH_IMAGE027
分别计算对应要素类别点云的平面度FL和Z轴法向量Z n ，具体计算公式如下：
Figure 709581DEST_PATH_IMAGE028
其中，
Figure 239920DEST_PATH_IMAGE029
表示特征向量
Figure 117746DEST_PATH_IMAGE030
对应的特征值，
Figure 327010DEST_PATH_IMAGE031
,
Figure 823851DEST_PATH_IMAGE032
表示点云最小方差的方向，
Figure 598909DEST_PATH_IMAGE033
表示点云最大方差的方向，
Figure 257423DEST_PATH_IMAGE034
; 平面度是体现出树干点云分布的重要特征，平面度的值越大，表示越接近于平面，平面度的值越小，表示点云越复杂。
S33：根据所述平面度FL和Z轴的法向量Z n 判断所述树干点云是否符合树干特征，如果是，则确定所述树干点云为目标树干点云，否则，丢弃所述树干点云。
通过计算每一类聚类点云的均值向量和协方差矩阵，便于准确提取树干电源的特征值和对应的特征向量，从而可以准确计算出对应要素类别点云的平面度FL和Z轴法向量Z n ，这样即可根据所述平面度FL和Z轴的法向量Z n 筛选出符合要求的目标树干点云，从而便于后续准确构建树干圆柱体，以得到精确的单木参数信息。
在本发明的一个或多个实施例中，所述根据所述平面度FL和Z轴法向量Z n 判断所述树干点云是否符合树干特征的具体实现为：
S41：统计每类要素类别点云的平面度FL和Z轴法向量Z n ，绘制直方图，并利用最大类间方差法分别计算平面度阈值范围和Z轴法向量阈值范围，
S42：将所述平面度FL和Z轴的法向量Z n 分别与对应的平面度阈值范围和法向量阈值范围进行比较，并在所述平面度FL和Z轴的法向量Z n 分别位于对应的预设平面度阈值范围和法向量阈值范围内时，确定所述树干点云符合树干特征。
由于树干点一般都呈现出垂直分布形态，且相对集中，因此通过统计FL和Z n 值，绘制直方图，利用最大类间方差法计算FL和Z n 的阈值，计算最大的类间方差时所对应的值就是分割的阈值。通过统计每类要素类别点云的平面度FL和Z轴法向量Z n ，并绘制直方图，借助最大类间方差法即可准确确定平面度阈值范围和Z轴法向量阈值范围，从而可以从所述树干点云中准确筛选出符合要求的所述目标树干点云。
在本发明的一个或多个实施例中，所述将同一尺度对应的不同层的所有目标树干点云进行融合具体包括如下步骤：
S51a：采用2D-3D转换方法将所述目标树干点云进行树干圆柱体拟合，且所述树干圆柱体的参数由下式确定：
Figure 750722DEST_PATH_IMAGE035
S52：根据拟合后的所述树干圆柱体，剔除与所述树干圆柱体表面距离偏差超过预设偏差阈值的目标树干点云，并保留剩余的目标树干点云；
S53：对剩余的所述目标树干点云进行融合；
其中，
Figure 785674DEST_PATH_IMAGE036
是圆柱体表面点的三维坐标，
Figure 946397DEST_PATH_IMAGE037
为圆柱体轴线上的点，r是圆柱体半径，a 表示单位长度上轴线的方向。
单木的树干参数可由不同尺寸的圆柱或树干对应高度处拟合的圆环建模形成。本发明中，采用了稳健的2D-3D的圆柱体拟合和自适应增长策略来重建整个树干，通过对所述目标树干点云进行树干圆柱体拟合，再根据树干点圆柱拟合后的垂直分布状态和相对集中的两个特点，可以方便剔除偏差较大的点，使得最终的结果更加准确。
优选地，在本发明的一个或多个实施例中，所述目标树干点云进行树干圆柱体拟合后，还包括如下步骤：
S51b：再次对所述目标树干点云进行树干圆柱体拟合，判断相邻两次拟合得到的所述树干圆柱体之间的偏差值是否超过预设树干圆柱体偏差阈值，并在相邻两次拟合得到的所述树干圆柱体之间的偏差值超过预设树干圆柱体偏差阈值时，重新筛选出对应层符合树干特征的目标树干点云，并重新进行树干圆柱体拟合，直至相邻两次拟合得到的所述树干圆柱体之间的偏差值在预设树干圆柱体偏差阈值范围内，并保存当前的所述树干圆柱体。
通过对所述目标树干点云进行再次树干圆柱体拟合，可以判断相邻两次的拟合结果之间在形状、大小等方便是否相差过大，这样可以大大树干圆柱体的提高拟合精度。
在本发明的一个或多个实施例中，所述对剩余的所述目标树干点云进行融合具体包括如下步骤：
S61：假设在三维坐标系中，树干可以近似地用二次曲线表示。在公式中，树干的x和y坐标是高度z的函数，z是要确定的植物高度：
Figure 775812DEST_PATH_IMAGE038
为了更好的解释上述方程，用以下方程进行说明。假设树干在地面投影的两个端点分别为e和f，则可以得到关于线段
Figure 756407DEST_PATH_IMAGE039
的表达式
Figure 595050DEST_PATH_IMAGE040
式中，：
Figure 79121DEST_PATH_IMAGE041
其中，
Figure 672913DEST_PATH_IMAGE042
是参数；
当然，也可以表示为关于x和y的函数：
Figure 750590DEST_PATH_IMAGE043
或者，表示为x和y的线性方程：
Figure 517558DEST_PATH_IMAGE044
结合式（7）和式（10），可以确定同一尺度对应的所有目标树干点云的坐标关系方程，具体为：
Figure 997081DEST_PATH_IMAGE045
S62：接下来，树干的方向向量
Figure 558512DEST_PATH_IMAGE046
可以表示为式（6）的导数，即根据所述坐标关系方程确定树干的方向向量，生成树干模型，具体公式如下：
Figure 123486DEST_PATH_IMAGE047
S63：选择所述树干模型中靠近地面的一层中的最高点作为种子点，并随着高度的增加更新所述种子点的三维坐标，直至高度大于或等于所述树干模型中最高层的底部，并得到同一尺度对应的不同层的所述目标树干点云的三维坐标，再将同一尺度对应的不同层的目标树干点云进行融合；更新所述种子点的坐标的公式如下：
Figure 694144DEST_PATH_IMAGE048
其中，x 、y和z分别为更新后的树干点云的X轴坐标、Y轴坐标和Z轴坐标，
Figure 28174DEST_PATH_IMAGE019
、
Figure 778085DEST_PATH_IMAGE020
和
Figure 830354DEST_PATH_IMAGE021
分别为更新前的树干点云的X轴坐标、Y轴坐标和Z轴坐标，A i 和B i 分别为方向参数,
Figure 673545DEST_PATH_IMAGE049
为树干模型的X轴、Y轴和Z轴的方向向量。
通过建立目标树干点云的坐标关系方希，并确定树干模型，从而可以确定所述目标树干点云的三维坐标，这样便于统一尺度对应的不同层的所述目标树干点云进行融合。
为了提高复杂林分下的单木参数提取精度，本发明中设置了不同的尺度范围，进行树木点云的分层，所以对利用各个尺度范围分层的树木点云，分别进行上述步骤进行计算，即可得到每一种尺度对应的不同层的目标树干点云进行融合的后结果。
在本发明的一个或多个实施例中，所述将不同尺度对应的所有目标树干点云进行融合的具体实现为：
判断不同尺度对应的目标树干点云在所述树干圆柱体上的三维坐标偏差值和半径偏差值是否符合融合条件，如果是，则将不同尺度对应的目标树干点云进行融合，并得到目标单木的单木参数信息；所述融合条件为：不同尺度对应的目标树干点云在树干圆柱体上的三维坐标偏差值和半径偏差值分别对应小于对应的三维坐标偏差阈值和半径偏差阈值。
通过将符合融合条件的不同尺度对应的目标树干点云进行融合，这样可以在三维空间内准确得到目标单木的单木参数信息，实现复杂林分下的单木参数精确提取。
如图2所示，本发明还提供了一种复杂林分下的单木参数提取系统,所述系统包括：
获取分层模块，用于利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
聚类筛选模块，用于根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
融合模块，用于将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息。
本发明的复杂林分下的单木参数提取系统，通过对获取的树干点云进行不同尺度的分层处理，再分别进行聚类并筛选出每类要素类别点云中的目标树干点云，再进行同一尺度的要素类别点云融合和不同尺度的目标树干点云，得到目标单木的单木参数信息，实现对林分空间结构进行量化分析，在样地水平上描述林木在水平结构的分布以及垂直结构的分布，不受树种类型和人为主观经验影响，不受地域限制，提取精度较高，能准确获取复杂林分下目标单木的单木参数信息，效率较高。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现所述的方法。
本发明还提供了一种复杂林分下的单木参数提取设备,包括任一项所述的存储介质和处理器，所述处理器执行所述存储介质上的计算机程序时实现所述方法的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种复杂林分下的单木参数提取方法,其特征在于，所述方法包括如下步骤：
利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息；
所述对所述树干点云在垂直方向进行不同尺度的分层处理的具体实现为：
根据预设高度范围筛选出包含树干的所述树干点云；
按照预先设定的多个划分尺度分别对所述树干点云进行分层处理；
所述将不同尺度对应的所有目标树干点云进行融合的具体实现为：
判断不同尺度对应的目标树干点云在所述树干圆柱体上的三维坐标偏差值和半径偏差值是否符合融合条件，如果是，则将不同尺度对应的目标树干点云进行融合，并得到目标单木的单木参数信息；所述融合条件为：不同尺度对应的目标树干点云在树干圆柱体上的三维坐标偏差值和半径偏差值分别对应小于对应的三维坐标偏差阈值和半径偏差阈值。
2.根据权利要求1所述的复杂林分下的单木参数提取方法,其特征在于，所述针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云具体包括如下步骤：
对于聚类处理后的每类要素类别点云P中的任一点
Figure 594799DEST_PATH_IMAGE001
,由周围邻域空间的n个点
Figure 537085DEST_PATH_IMAGE002
计算其均值向量和协方差矩阵，具体计算公式如下：
Figure 894249DEST_PATH_IMAGE003
其中，μ表示均值向量，Cp表示协方差矩阵；
对所述协方差矩阵进行特征值分解，并提取特征值
Figure 307912DEST_PATH_IMAGE004
和特征向量
Figure 66921DEST_PATH_IMAGE005
,根据所述特征值
Figure 540628DEST_PATH_IMAGE004
和特征向量
Figure 385087DEST_PATH_IMAGE005
分别计算对应要素类别点云的平面度FL和Z轴法向量
Figure 336862DEST_PATH_IMAGE006
具体计算公式如下：
Figure 983001DEST_PATH_IMAGE007
其中，
Figure 627609DEST_PATH_IMAGE008
表示特征向量
Figure 959364DEST_PATH_IMAGE009
对应的特征值，
Figure 714830DEST_PATH_IMAGE010
,
Figure 182852DEST_PATH_IMAGE011
表示点云最小方差的方向，
Figure 998361DEST_PATH_IMAGE012
表示点云最大方差的方向，
Figure 817413DEST_PATH_IMAGE013
根据所述平面度FL和Z轴的法向量Z n 判断所述树干点云是否符合树干特征，如果是，则确定所述树干点云为目标树干点云，否则，丢弃所述树干点云。
3.根据权利要求2所述的复杂林分下的单木参数提取方法,其特征在于，所述根据所述平面度FL和Z轴法向量Z n 判断所述树干点云是否符合树干特征的具体实现为：
统计每类要素类别点云的平面度FL和Z轴法向量Z n ，绘制直方图，并利用最大类间方差法分别计算平面度阈值范围和Z轴法向量阈值范围，
将所述平面度FL和Z轴的法向量Z n 分别与对应的平面度阈值范围和法向量阈值范围进行比较，并在所述平面度FL和Z轴的法向量Z n 分别位于对应的预设平面度阈值范围和法向量阈值范围内时，确定所述树干点云符合树干特征。
4.根据权利要求1所述的复杂林分下的单木参数提取方法,其特征在于，所述将同一尺度对应的不同层的所有目标树干点云进行融合具体包括如下步骤：
采用2D-3D转换方法将所述目标树干点云进行树干圆柱体拟合，且所述树干圆柱体的参数由下式确定：
Figure 547209DEST_PATH_IMAGE014
根据拟合后的所述树干圆柱体，剔除与所述树干圆柱体表面距离偏差超过预设偏差阈值的目标树干点云，并保留剩余的目标树干点云；
对剩余的所述目标树干点云进行融合；
其中，
Figure 135316DEST_PATH_IMAGE015
是圆柱体表面点的三维坐标，
Figure 121727DEST_PATH_IMAGE016
为圆柱体轴线上的点，r是圆柱体半径，a 表示单位长度上轴线的方向。
5.根据权利要求4所述的复杂林分下的单木参数提取方法,其特征在于，所述目标树干点云进行树干圆柱体拟合后，还包括如下步骤：
再次对所述目标树干点云进行树干圆柱体拟合，并判断相邻两次拟合得到的所述树干圆柱体之间的偏差值是否超过预设树干圆柱体偏差阈值，并在相邻两次拟合得到的所述树干圆柱体之间的偏差值超过预设树干圆柱体偏差阈值时，重新筛选出对应层符合树干特征的目标树干点云，并重新进行树干圆柱体拟合，直至相邻两次拟合得到的所述树干圆柱体之间的偏差值在预设树干圆柱体偏差阈值范围内，并保存当前的所述树干圆柱体。
6.根据权利要求4所述的复杂林分下的单木参数提取方法,其特征在于，所述对剩余的所述目标树干点云进行融合具体包括如下步骤：
确定同一尺度对应的所有目标树干点云的坐标关系方程，具体为：
Figure 428074DEST_PATH_IMAGE017
Figure 525343DEST_PATH_IMAGE018
根据所述坐标关系方程确定树干的方向向量，生成树干模型，具体公式如下：
Figure 233536DEST_PATH_IMAGE019
选择所述树干模型中靠近地面的一层中的最高点作为种子点，并随着高度的增加更新所述种子点的三维坐标，直至高度大于或等于所述树干模型中最高层的底部，并得到同一尺度对应的不同层的所述目标树干点云的三维坐标，再将同一尺度对应的不同层的目标树干点云进行融合；更新所述种子点的坐标的公式如下：
Figure 125269DEST_PATH_IMAGE020
其中，x 、y和z分别为更新后的树干点云的X轴坐标、Y轴坐标和Z轴坐标，
Figure 437956DEST_PATH_IMAGE022
分别为更新前的树干点云的X轴坐标、Y轴坐标和Z轴坐标，A i 和B i 分别为方向参数，（T x ,T y ,T z ）为树干模型的X轴、Y轴和Z轴的方向向量。
7.一种复杂林分下的单木参数提取系统,其特征在于，所述系统包括：
获取分层模块，用于利用激光雷达获取目标单木的树干点云，并对所述树干点云在垂直方向进行不同尺度的分层处理；
聚类筛选模块，用于根据相邻树干点云之间的欧氏距离对每种尺度分层处理后的每一层所述树干点云分别进行云聚类处理，得到对应的要素类别点云，并针对每类要素类别点云筛选出对应层符合树干特征的目标树干点云；
融合模块，用于将同一尺度对应的不同层的所有目标树干点云进行融合，再将不同尺度对应的所有目标树干点云进行融合，得到目标单木的单木参数信息；
所述获取分层模块对所述树干点云在垂直方向进行不同尺度的分层处理的具体实现为：
根据预设高度范围筛选出包含树干的所述树干点云；
按照预先设定的多个划分尺度分别对所述树干点云进行分层处理；
所述融合模块将不同尺度对应的所有目标树干点云进行融合的具体实现为：
判断不同尺度对应的目标树干点云在所述树干圆柱体上的三维坐标偏差值和半径偏差值是否符合融合条件，如果是，则将不同尺度对应的目标树干点云进行融合，并得到目标单木的单木参数信息；所述融合条件为：不同尺度对应的目标树干点云在树干圆柱体上的三维坐标偏差值和半径偏差值分别对应小于对应的三维坐标偏差阈值和半径偏差阈值。
8.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述的方法。
9.一种复杂林分下的单木参数提取设备,其特征在于，包括权利要求8所述的存储介质和处理器，所述处理器执行所述存储介质上的计算机程序时实现如权利要求1至6任一项所述方法的步骤。
CN202010647602.1A 2020-07-07 2020-07-07 一种复杂林分下的单木参数提取方法、系统、介质及设备 Active CN111814666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010647602.1A CN111814666B (zh) 2020-07-07 2020-07-07 一种复杂林分下的单木参数提取方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010647602.1A CN111814666B (zh) 2020-07-07 2020-07-07 一种复杂林分下的单木参数提取方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN111814666A CN111814666A (zh) 2020-10-23
CN111814666B true CN111814666B (zh) 2021-09-24

Family

ID=72841889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010647602.1A Active CN111814666B (zh) 2020-07-07 2020-07-07 一种复杂林分下的单木参数提取方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN111814666B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116777909B (zh) * 2023-08-18 2023-11-03 德普数控(深圳)有限公司 基于点云数据的数控机床刀具刀尖快速定位方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488226A (zh) * 2008-01-16 2009-07-22 中国科学院自动化研究所 基于单次三维激光扫描的树木测量和重建方法
CN105719320A (zh) * 2016-01-25 2016-06-29 华中农业大学 一种基于彩色数字图像植被冠层覆盖度计算方法及系统
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
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
CN108764531A (zh) * 2018-04-28 2018-11-06 南京秀强信息科技有限公司 基于tls提取单木胸径的聚类圆拟合优化算法
CN109858571A (zh) * 2019-03-12 2019-06-07 湖南科技大学 基于正态分布和聚类的激光雷达点云电力线分类方法
CN110378909A (zh) * 2019-06-24 2019-10-25 南京林业大学 基于Faster R-CNN的面向激光点云的单木分割方法
CN110427956A (zh) * 2019-04-18 2019-11-08 中国林业科学研究院资源信息研究所 一种基于谱聚类算法的LiDAR点云数据单木提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103175484B (zh) * 2012-12-17 2016-01-13 谢鸿宇 一种基于三维激光扫描系统的树冠测量方法
WO2016074154A1 (zh) * 2014-11-11 2016-05-19 中国科学院深圳先进技术研究院 植物扫描与重建方法
SE541287C2 (en) * 2017-02-27 2019-06-11 Katam Tech Ab Forest surveying apparatus and method using video sequences to generate 3D models
CN106839987B (zh) * 2017-03-30 2019-03-15 信阳师范学院 一种基于树干曲面模型的树干材积获取方法
FI20186029A1 (en) * 2018-11-30 2020-05-31 Prefor Oy Procedure and system for creating forest data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101488226A (zh) * 2008-01-16 2009-07-22 中国科学院自动化研究所 基于单次三维激光扫描的树木测量和重建方法
CN105719320A (zh) * 2016-01-25 2016-06-29 华中农业大学 一种基于彩色数字图像植被冠层覆盖度计算方法及系统
CN105894044A (zh) * 2016-04-29 2016-08-24 武汉大学 一种基于车载激光扫描数据的单株树木点云自动提取方法
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
CN108764531A (zh) * 2018-04-28 2018-11-06 南京秀强信息科技有限公司 基于tls提取单木胸径的聚类圆拟合优化算法
CN109858571A (zh) * 2019-03-12 2019-06-07 湖南科技大学 基于正态分布和聚类的激光雷达点云电力线分类方法
CN110427956A (zh) * 2019-04-18 2019-11-08 中国林业科学研究院资源信息研究所 一种基于谱聚类算法的LiDAR点云数据单木提取方法
CN110378909A (zh) * 2019-06-24 2019-10-25 南京林业大学 基于Faster R-CNN的面向激光点云的单木分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic Stem Mapping Using Single-Scan Terrestrial Laser Scanning;Xinlian Liang 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20120229;第50卷(第2期);661-670 *
Detecting Stems in Dense and Homogeneous Forest Using Single-Scan TLS;Shaobo Xia等;《Forests》;20151231(第6期);第3.3节 *
复杂林分下的单木参数提取设备;赵灿灿;《中国优秀硕士学位论文全文数据库农业科技辑》;20200215;第2020年卷(第2期);第2.2.2节，第2.2.4-2.2.5节，第3.2节 *
赵灿灿.复杂林分下的单木参数提取设备.《中国优秀硕士学位论文全文数据库农业科技辑》.2020,第2020年卷(第2期), *

Also Published As

Publication number Publication date
CN111814666A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Jin et al. Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data
Rizeei et al. Oil palm counting and age estimation from WorldView-3 imagery and LiDAR data using an integrated OBIA height model and regression analysis
CN110378909B (zh) 基于Faster R-CNN的面向激光点云的单木分割方法
Holmgren et al. Prediction of stem attributes by combining airborne laser scanning and measurements from harvesters
US8537337B2 (en) Method and apparatus for analyzing tree canopies with LiDAR data
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN105809194B (zh) 一种sar影像翻译为光学影像的方法
Williams et al. 3D segmentation of trees through a flexible multiclass graph cut algorithm
US9064151B2 (en) Device and method for detecting plantation rows
Jiang et al. Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN111814666B (zh) 一种复杂林分下的单木参数提取方法、系统、介质及设备
CN109961510B (zh) 一种基于三维点云重构技术的高切坡地质快速编录方法
CN115512244B (zh) 一种单株树木碳储量确定方法及系统
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN115761303A (zh) 基于机载激光雷达点云和遥感影像数据的地物分类方法
CN113780144A (zh) 一种基于3d点云的作物株数及茎宽自动提取方法
Lalonde et al. Automatic three-dimensional point cloud processing for forest inventory
Miao et al. Measurement method of maize morphological parameters based on point cloud image conversion
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN117091706A (zh) 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法
CN116381700A (zh) 一种森林冠层高度遥感估测方法及计算机可读介质
Chen et al. A clustering-based automatic registration of UAV and terrestrial LiDAR forest point clouds
CN110554406B (zh) 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法
CN114283163A (zh) 一种多平台激光雷达大田玉米高通量茎叶分离方法

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
TR01 Transfer of patent right

Effective date of registration: 20230725

Address after: No. 703, 7th Floor, Building A, Building 1, Optics Valley IoT Port Park, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: WUHAN RUISITU TECHNOLOGY CO.,LTD.

Address before: 430070 Huazhong Agricultural University, No.1 Shizishan street, Hongshan District, Wuhan City, Hubei Province

Patentee before: HUAZHONG AGRICULTURAL University

TR01 Transfer of patent right