CN112991300B - 一种基于邻域特征的单木骨架提取及可视化方法 - Google Patents

Abstract

一种基于邻域特征的单木骨架提取及可视化方法，属于计算机应用、计算机图形学研究中的林木生长可视化模拟技术领域，主要涉及到计算机科学中的可视化模拟技术。包括外业调查步骤：通过人工测量的方式获取树木实际树高、胸径和枝下高参数；包括单木点云处理步骤：多站式激光点云采集，骨架提取，树叶分离，骨架提取、连续、优化处理；结合外业调查步骤得到的参数验证和单木点云处理步骤的结果进行单木可视化重建。

Description

一种基于邻域特征的单木骨架提取及可视化方法

技术领域

本发明涉及一种基于邻域特征的单木骨架提取及可视化方法，属于计算机应用、计算机图形学研究中的林木生长可视化模拟技术领域，主要涉及到计算机科学中的可视化模拟技术。

背景技术

近年来，随着计算机图形学的日益深入，许多研究者利用计算机对树木进行三维可视化的研究。然而，越来越多的研究者并不满足于传统的、利用数值和简单的几何图形来模拟林木的生长，而是力求构造更通用的建模与可视化系统或工具进行实时地本真还原和科学模拟(或仿真)，以辅助森林经营管理及影响评价、了解森林生态系统动力学及其生理效应研究，以及景观和花园的计算机辅助设计等，最终生成自然客体的真实感模型，以便更好地理解自然。由于树木本身结构的多样性、不规则性和复杂性，真实地反应树木树冠形态、树叶形状等等难度较大，因此，树木三维可视化逐渐成为计算机图形学与林业研究中的一个热点。

树木三维可视化方法分类，可分为:基于规则和基于图像的方法。基于规则的方法，一般需要根据复杂的规则和语法作为驱动总则生成树木模型，尽管在视觉真实感和模型可编辑方面有所突破，但是该类型方法往往需要研究者具备一定的植物学知识，用于构建符合植物生长规律的规则。Prusinkiewicz等人对系统进行了改进，通过龟图法对产生的字符进行重写以得到植物模型。所有基于规则的树木建模方法背后的思想是树枝和树叶的空间形态和分布可以根据一系列的规则和参数进行预测和控制的。然而这些规则和参数一般都是很难建立的。另外，该类方法难以实现对真实树木对象的三维重建。基于图像的方法，是指通过对物体图像的分析处理，获得其三维几何信息的一种技术。严涛等人以自然树木图像为输入，采用改进的交互式图像分割算法提取树木骨架实现可视化。Anastacio等人设计出了一种基于草图的规则模型参数控制界面。但是这些方法都是从二维图像中粗糙的提取三维数据，导致最终可视化效果不够理想。

发明内容

为了克服现有技术的不足,本发明提供一种基于邻域特征的单木骨架提取及可视化方法。

近些年，地面激光扫描仪等设备的应用，让树木数据的获取变得更加精确、真实。利用点云数据进行重建，能够克服基于几何结构重建方法的较为不真实性和基于图像结构重建方法易受环境影响的缺点，更能实现较为准确和真实的三维可视化效果。

一种基于邻域特征的单木骨架提取及可视化方法，包括外业调查步骤：通过人工测量的方式获取树木实际树高、胸径和枝下高参数。

包括单木点云处理步骤：多站式激光点云采集，骨架提取，树叶分离，骨架提取、连续、优化处理。

结合外业调查步骤得到的参数验证和单木点云处理步骤的结果进行单木可视化重建。

本发明的优点是实现方式简单有效，充分考虑了树木叶片和枝干的不同形态特征的影响，相较一般的几何结构还原，单木可视化还原更加真实可靠，其精度完全符合基层林业应用需求。

附图说明

当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：

图1本发明总体技术流程图。

图2多站式激光扫描仪采集点云数据示意。

图3(a)单木点云数据示意，

图3(b)胸径以下作为初始聚类点云数据示意。

图4(a)枝叶点云邻近点拟合特征示意，叶片点云。

图4(b)枝叶点云邻近点拟合特征示意，叶片点云拟合面示意图。

图4(c)枝叶点云邻近点拟合特征示意，枝干点云。

图4(d)枝叶点云邻近点拟合特征示意，枝干点云圆柱面拟合示意图。

图5(a)将提取的骨架点云分成节点Bin示意图；将骨架点云分成若干个节点Bin。

图5(b)节点点云及圆柱拟合示意图；节点点云及圆柱拟合。

图5(c)节点点云及圆柱拟合示意图；节点点云及圆柱拟合。

图6(a)骨架中心点连接示意图；将骨架中心点按节点连接。

图6(b)B样条优化示意图；曲线优化示意图。

图6(c)B样条优化示意图；曲线优化示意图。

图7(a)广义圆柱示意图；由单木骨架构建的可视化枝干，邻近骨架中心点之间构建广义圆柱体拼接。

图7(b)可视化还原枝干，由单木骨架构建的可视化枝干，每一段圆柱体纹理贴图后的可视化骨架。

下面结合附图和实施例对本发明进一步说明。

具体实施方式

显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与所属领域中的普通技术人员的一般理解相同的意义。

为便于对实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对本发明的限定。

实施例1：如图1所示，一种基于邻域特征的单木骨架提取及可视化方法，包括外业调查步骤：通过人工测量的方式获取树木实际树高、胸径和枝下高参数。

包括单木点云处理步骤：多站式激光点云采集，骨架提取，树叶分离，骨架提取、连续、优化处理。

结合外业调查步骤得到的参数验证和单木点云处理步骤的结果进行单木可视化重建。

具体步骤如下：

步骤1、采用多站式地面激光扫描仪，较好获取树木形态点云参数，通过FAROSCENE配准三维点云。同时通过人工测量的方式获取树木实际树高、胸径和枝下高参数。

步骤1.1、通过合理规划确定站点。保证每棵树至少被三个站点视界范围内；

步骤1.2、通过人工卷尺、测高仪测量采集的每棵树实际树高、胸径和枝下高参数。

步骤2、通过KNN(K Nearest Neighbors)算法与邻近点表面邻域特征作为枝叶判断分类器，来判断点云是否为枝干点。

步骤2.1、获取的单木激光点云P，选择树木主干根茎处点云至树木胸径1.3m处点云作为初始聚类点云P₀；

步骤2.2、KNN算法中距离计算采用欧式距离，公式为：

D为(x,y,z)点至(x_i,y_i,z_i)直线距离。(x,y,z)为初始点坐标，(x_i,y_i,z_i)为目标点坐标。

步骤2.3、在KNN计算邻近点过程中，增设自适应阈值T，自适应调整系数k为0.001，使得每次聚类点云为2000-2500个点，0.05为自适应阈值T的初始值，a为自适应调整系数，公式为：

T＝0.05+k*a，

k为自适应调整系数，k＝0.001。

步骤2.4、对于每次获取的聚类点云P_i，采用KNN表面邻域分析进行特征提取。

步骤2.5、根据叶片点云和枝干点云的不同特征：叶片特征为平面拟合，枝干特征为圆柱拟合。因此计算每个聚类点及对应邻近点(数量设定为n＝20)到拟合圆柱的柱面(该聚类点及对应邻近点拟合柱面)的距离均方差方程作为枝叶分离指数ρ。

在拟合圆柱过程中，设定圆柱面半径阈值，

即圆柱面半径R≤R_DBH，(R_DBH为1.3m出树木胸径D的0.5倍)，

设定分离指数阈值ρ_T为初始聚类点云ρ均值的两倍，

当超过阈值(ρ＞ρ_T)时，判断该点为叶片点云，否则为骨架点云，

圆柱面轴线方程为r为圆柱面半径，(x_c，y_c，z_c)为该点(x，y，z)直线上的垂直点，

为圆柱面轴线方程，其中a,b,c为直线在X,Y,Z轴上截距，(m,n,l)为直线方向向量，(x,y,z)为初始点，(x_c,y_c,z_c)为从初始点做垂线至轴线的交点坐标。

步骤3、将获取的枝干点云提取骨架核心点及连接优化。

步骤3.1、通过最小二乘法获取骨架核心点。

步骤3.2、采用三维空间下的B样条优化曲线，由初始骨架点(x_g，y_g，z_g)优化得到(x_u，y_u，z_u)一系列新的骨架点，根据三维空间三次B样条基函数为：

U＝[u³，u²，u，1]，u＝[0，1]，

平滑曲线点转换公式为：

(x_u,y_u,z_u)为获取的新的平滑骨架曲线点，

[x_g,y_g,z_g]为曲线变换前坐标点矩阵，[x_u,y_u,z_u]为曲线变化后生成的新平滑曲线坐标点矩阵，B为转化矩阵，S为基函数系数矩阵，U为基函数阶数矩阵。

步骤4、通过广义圆柱进行单木可视化还原。对于每两个相邻骨架点之间拟合一个圆柱并附上纹理贴图。

步骤5、将最终获取的可视化还原树木的各项参数与实际参数比较。

实施例2：如图1、图2、图3(a)、图3(b)、图4(a)、图4(b)、图4(c)、图4(d)、图5(a)、图5(b)、图5(c)、图6(a)、图6(b)、图6(c)、图7(a)及图7(b)所示，一种基于邻域特征的单木骨架提取及可视化方法，弥补目前林木生长可视化模拟中无法直接采用点云提取树木骨架及可视化的缺点，为单木可视化模拟提供支持，为计算机通过点云数据进行场景还原的质量精准提升提供技术支撑。

一种基于邻域特征的单木骨架提取及可视化方法，主还包括考单木点云的骨架提取步骤和单木三维可视化模拟步骤，步骤如下：

(1)激光点云采集计算

为了采集到足够数量且较为精准的点云数据，选取每棵树至少3个方向架设激光扫描仪来分别采集该棵树的点云数据。同时通过人工测量的方式获取每棵树的实际树高、胸径(DBH)和枝下高(CBH)数据。激光采集方式如图2所示。

(2)基于KNN算法和邻近点特征的枝叶分离：

如图3(a)、图3(b)所示，在获取的单木激光点云P基础上，需要将树木主干骨架和叶片分离。选择树木主干根茎处点云至树木胸径1.3m处点云作为初始聚类点云P₀。

KNN算法中距离计算采用欧式距离：

(x，y，z)为起始点坐标，(x_i，y_i，z_i)为终点坐标，

树木点云为P，初始聚类点云为P₀，聚类规则是通过KNN算法，计算树木点云与已获取聚类点云(n为聚类总次数且n>1)对应点之间的距离关系，找出最相关的新点云，每次聚类获得新点云为P_i(i为聚类的次数，P_i表示第i次聚类获取的点云数据)，

在聚类过程中，将距离矩阵中元素归一化到[0-1]，设定聚类自适应阈值T，自适应调整系数为0.001，使得每次聚类点云为2000-2500个点，

T＝0.05+k*a

其中，0.05为自适应阈值T的初始值，a为自适应调整系数，k为自适应调整系数，k＝0.001。

对于每次获取的聚类点云P_i，进行特征提取和分析。采用KNN表面邻域分析，叶片点云和树干点云的特征是不同的。树干点云邻近特征符合圆柱拟合，叶片点云则无规则或者符合平面拟合的。

如图4(a)、图4(b)、图4(c)及图4(d)所示，计算每个聚类点及对应邻近点(数量设定为n＝20)到拟合圆柱的柱面(该聚类点及对应邻近点拟合柱面)的距离均方差方程作为枝叶分离指数ρ。

在拟合圆柱过程中，设定圆柱面半径阈值，

即圆柱面半径R≤R_DBH，(R_DBH为1.3m出树木胸径D的0.5倍)，

设定分离指数阈值ρ_T为初始聚类点云ρ均值的两倍，

当超过阈值(ρ＞ρ_T)时，判断该点为叶片点云，否则为骨架点云，

圆柱面轴线方程为r为圆柱面半径，(x_c，y_c，z_c)为该点(x，y，z)直线上的垂直点。

为圆柱面轴线方程，其中a,b,c为直线在X,Y,Z轴上截距，(m,n,l)为直线方向向量，(x,y,z)为初始点，(x_c,y_c,z_c)为从初始点做垂线至轴线的交点坐标。

(3)骨架核心点提取及连接优化:

如图5(a)、图5(b)及图5(c)所示，在获取的骨架点云基础上，将点云每一段分成一个节点(Bin)，将每个节点中的点云通过圆柱拟合，得到该节点点云的柱心点作为骨架核心点。

获取骨架节点中心点后依次连接如图6(a)所示，并采用三维空间下的B样条优化曲线如图6(b)、图6(c)所示，AO-OC线段由新的5段新线段代替，AO-OB线段由新的7段线段代替。获取的骨架点(x_g，y_g，z_g)，根据三维空间三次B样条基函数为：

U＝[u³，u²，u，1]，u＝[0，1]，

平滑曲线点转换公式为：

(x_u,y_u,z_u)为获取的新的平滑骨架曲线点。

(4)基于广义圆柱的单木可视化还原:

由骨架中心点构建广义圆柱如图7(a)及图7(b)，相邻两个骨架点之间构建一个圆柱台作为一个枝干元。通过若干个枝干元拼接最终实现可视化还原。

通过实际现场采集的参数作为验证表明，在可视化的树木骨架与实际树木之间的树高、胸径和枝下高参数误差不超过5％。

如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的变形例也全部包含在本发明的保护范围之内。

Claims (1)

1.一种基于邻域特征的单木骨架提取及可视化方法，其特征在于包括外业调查步骤：通过人工测量的方式获取树木实际树高、胸径和枝下高参数；

包括单木点云处理步骤：多站式激光点云采集，骨架提取，树叶分离，骨架提取、连续、优化处理；

结合外业调查步骤得到的参数验证和单木点云处理步骤的结果进行单木可视化重建，

单木点云处理步骤包括以下步骤：

步骤1、为了采集到足够数量且较为精准的点云数据，选取每棵树至少3个方向架设激光扫描仪来分别采集该棵树的点云数据，同时通过人工测量的方式获取每棵树的实际树高、胸径DBH和枝下高CBH数据，

步骤2、基于KNN算法和邻近点特征的枝叶分离：

在获取的单木激光点云P基础上，需要将树木主干骨架和叶片分离，选择树木主干根茎处点云至树木胸径1.3m处点云作为初始聚类点云P₀，

KNN算法中距离计算采用欧式距离：

(x，y，z)为起始点坐标，(x_i，y_i，z_i)为终点坐标，树木点云为P，初始聚类点云为P₀，聚类规则是通过KNN算法，计算树木点云与已获取聚类点云n为聚类总次数且n>1对应点之间的距离关系，找出最相关的新点云，每次聚类获得新点云为P_i，i为聚类的次数，P_i表示第i次聚类获取的点云数据，

在聚类过程中，将距离矩阵中元素归一化到[0-1]，设定聚类自适应阈值T，自适应调整系数为0.001，使得每次聚类点云为2000-2500个点，

T＝0.05+k*a

其中，0.05为自适应阈值T的初始值，a为自适应调整系数，k为自适应调整系数，k＝0.001，

对于每次获取的聚类点云P_i，进行特征提取和分析，采用KNN表面邻域分析，叶片点云和树干点云的特征是不同的，树干点云邻近特征符合圆柱拟合，叶片点云则无规则或者符合平面拟合的，

计算每个聚类点及对应邻近点数量设定为n＝20到拟合圆柱的柱面，该聚类点及对应邻近点拟合柱面的距离均方差方程作为枝叶分离指数ρ，

在拟合圆柱过程中，设定圆柱面半径阈值，

即圆柱面半径R≤R_DBH，R_DBH为1.3m出树木胸径D的0.5倍，

设定分离指数阈值ρ_T为初始聚类点云ρ均值的两倍，

当超过阈值(ρ＞ρ_T)时，判断该点为叶片点云，否则为骨架点云，

圆柱面轴线方程为r为圆柱面半径，(x_c，y_c，z_c)为该点(x，y，z)直线上的垂直点，

为圆柱面轴线方程，其中a,b,c为直线在X,Y,Z轴上截距，(m,n,l)为直线方向向量，(x,y,z)为初始点，(x_c,y_c,z_c)为从初始点做垂线至轴线的交点坐标，

步骤3、骨架核心点提取及连接优化：

在获取的骨架点云基础上，将点云每一段分成一个节点Bin，将每个节点中的点云通过圆柱拟合，得到该节点点云的柱心点作为骨架核心点，

获取骨架节点中心点后依次连接，并采用三维空间下的B样条优化曲线，AO-OC线段由新的5段新线段代替，AO-OB线段由新的7段线段代替，获取的骨架点(x_g，y_g，z_g)，根据三维空间三次B样条基函数为：

U＝[u³，u²，u，1]，u＝[0，1]，

平滑曲线点转换公式为：

(x_u,y_u,z_u)为获取的新的平滑骨架曲线点，

[x_g,y_g,z_g]为曲线变换前坐标点矩阵，[x_u,y_u,z_u]为曲线变化后生成的新平滑曲线坐标点矩阵，B为转化矩阵，S为基函数系数矩阵，U为基函数阶数矩阵；

步骤4、基于广义圆柱的单木可视化还原：

由骨架中心点构建广义圆柱，相邻两个骨架点之间构建一个圆柱台作为一个枝干元，通过若干个枝干元拼接最终实现可视化还原。