CN113205543A - 一种基于机器学习的激光雷达点云树干提取方法 - Google Patents

一种基于机器学习的激光雷达点云树干提取方法 Download PDF

Info

Publication number
CN113205543A
CN113205543A CN202110584803.6A CN202110584803A CN113205543A CN 113205543 A CN113205543 A CN 113205543A CN 202110584803 A CN202110584803 A CN 202110584803A CN 113205543 A CN113205543 A CN 113205543A
Authority
CN
China
Prior art keywords
point cloud
sample
point
trunk
cloud data
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.)
Pending
Application number
CN202110584803.6A
Other languages
English (en)
Inventor
孙心雨
花伟成
徐雁南
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry 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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202110584803.6A priority Critical patent/CN113205543A/zh
Publication of CN113205543A publication Critical patent/CN113205543A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于机器学习的激光雷达点云树干提取方法，包括以下步骤：1）使用地基激光雷达采集样地内样木的点云数据；2）对点云数据进行预处理，得到样地点云数据；3）基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；4）选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云；5）基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练。基于具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地。

Description

一种基于机器学习的激光雷达点云树干提取方法
技术领域
本发明涉及一种树干精确快速提取方法，具体为一种基于机器学习的激光雷达点云树干提取方法。
背景技术
树木主干作为树木养分吸收、传递的重要场所，具有强大的支撑力，是树木经济利用的主要部分。树干的精确提取是树高、树干材积精确计算的基础，对植被固碳量、生物量的估算具有重要意义。对树干的实时快速提取有利于及时评估树木出材量，可应用于家具制造、建筑材料的估算中。
传统树干资源主要采用人工实测的方法，这种方法需通过砍伐树木的方式得到树干部分，这对活立木造成一定的破坏性且破坏性不可逆，与此同时还存在工作量大、无法快速了解树干的基本情况等缺点。
近年来随着雷达技术的不断发展，激光雷达探测手段替代了传统人工采样的方法。激光雷达探测手段能快速获取树木详细结构信息，在植被可视化上具有巨大优势。激光雷达作为一种主动遥感工具，可快速采集高密度点云数据，稳定的采集平台确保了数据采集的精准性。通过选用合适的激光雷达扫描工具，能无损获取完整植被表面的详细覆盖信息，得到真实、详细的树木三维数据。目前，国内外学者常用地基激光雷达(terrestriallaser scanning，TLS)、移动激光扫描(moblie laser scanning，MLS)等工具来高效获取树木三维点云数据。
目前对于树木点云的处理上没有形成统一的方法，有学者选用深度学习的方法进行提取，这类方法通常需要较长的处理计算时间，前期还需要大量数据作为基础。还有学者选用聚类分类的手段，这类方法在树干上层的连续性较差，树干顶端的点云很难被提取。因此，如何利用点云数据快速、精确地提取树干点云是当前急需解决的技术难题。
发明内容
本发明的目的在于提供一种基于机器学习的激光雷达点云树干提取方法，基于具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。
为达到上述目的，根据本发明的一个方面，本发明提供如下技术方案：
一种基于机器学习的激光雷达点云树干提取方法，包括以下步骤：
1)使用地基激光雷达采集样地内样木的点云数据；
2)对点云数据进行预处理，得到样地点云数据；
3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；
4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云；
5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练；
6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据。
本发明进一步设置为：所述步骤1)使用地基激光雷达采集样地内样木的点云数据，具体为，
在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。
本发明进一步设置为：所述步骤2)对点云数据进行预处理，得到样地点云数据，其中的预处理包括去噪、点云归一化、裁剪。
本发明进一步设置为：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个。
本发明进一步设置为：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，具体为，
基于样地点云数据，通过KNN算法寻找任意一点p0周围最邻近的N个点，这N个点和任意一点p0构成集合P＝{pi|pi＝(xi,yi,zi),i＝0,1,2,...,N}，构建集合P的协方差矩阵D，计算矩阵D的特征值λ1,λ2,λ3与特征向量e1,e2,e3，然后，将每个点pi的特征值λi进行归一化操作得到
Figure BDA0003086757470000031
Figure BDA0003086757470000032
Figure BDA0003086757470000033
其中，λ1＞λ2＞λ3；
计算特征参数，
平坦度Flatness，
Figure BDA0003086757470000034
结构张量平面度k1，
Figure BDA0003086757470000035
“特征熵”k2，
Figure BDA0003086757470000041
线性特征k3，
Figure BDA0003086757470000042
临近点特征向量e1,e2,e3；
球域点法向量eq1,eq2,eq3，
以点pi为球心，n米(n∈R)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；
点法向量的分布c1,c2,c3，
将临近点特征向量组成N×3的矩阵并构建协方差矩阵Lp，进行特征值分解获得，
Figure BDA0003086757470000043
式中，ej表示第j个特征向量，
构建点pi的点云特征参数矩阵Spi，
Figure BDA0003086757470000044
本发明进一步设置为：所述步骤4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云，具体为，
手动裁剪样地内任意一棵样木Pi的全部点云，将样木Pi作为训练样本，并根据为主干点云和为非主干点云进行分类标记。
本发明进一步设置为：所述步骤5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练，具体为，
基于训练样本和特征矩阵Spi对样地点云数据进行机器学习，采用支持向量机分类器训练样地点云数据，判断样地点云数据中的各点云是否为主干点云，并初步提取主干点云。
本发明进一步设置为：所述步骤6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据，具体为，
6-1)将初步提取到的主干点云进行分组，设定不同分组的点之间的最小欧氏距离为n米，n的取值应根据树干分支的大小进行调整，若任意点到某个分组中任意一点的距离小于n米，则该点会分配到组内,反之则划分至其他组内；
6-2)统计每个分组内点云数量，保留所有点云数量大于指定数值的组，形成最终的主干点云数据。
本发明进一步设置为：所述步骤6-2)中的指定数值为100。
与现有技术相比，本发明具有的有益之处是：基于多个具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。
附图说明
图1为本发明一种基于机器学习的激光雷达点云树干提取方法的流程图；
图2为任取样地内三棵样木，主干点云个数图，其中斜柱为手扣的主干点云、视为真实值，点柱为通过本方法提取的点云，包括了主干点云和少量分支点云，实心柱为点柱基础上去除了分支点云的主干点云；
图3为任取样地内三棵样木的原始点云和最终主干提取结果，(a)、(c)、(e)为三棵样木原始点云，(b)、(d)、(f)为最终主干提取结果，其中(a)、(b)为样木1，(c)、(d)为样木2，(e)、(f)为样木3。
具体实施方式
下面结合说明书附图，对本发明作进一步的说明。
本发明提供了一种基于机器学习的激光雷达点云树干提取方法，与现有技术相比，基于多个具有代表性的特征向量，在判别树干点云和非树干点云上能做有效区分，单木的标记训练适用于整个样地；运用机器学习方法对树木点云进行提取，支持向量机对小样本具有良好的分类性能，分类速度快，为主干点云的高效提取提供支持。
一种基于机器学习的激光雷达点云树干提取方法，包括以下步骤：
1)使用地基激光雷达采集样地内样木的点云数据，
具体为，在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。
2)对点云数据进行去噪、点云归一化、裁剪等预处理，得到样地点云数据。
3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；
基于样地点云数据，通过KNN算法寻找任意一点p0(x0,y0,z0)周围最邻近的N个点，这N个点和任意一点p0构成集合P＝{pi|pi＝(xi,yi,zi),i＝0,1,2,...,N}，构建集合P的协方差矩阵D，计算矩阵D的特征值λ1,λ2,λ3与特征向量e1,e2,e3，然后，将每个点pi的特征值λi进行归一化操作得到
Figure BDA0003086757470000061
Figure BDA0003086757470000062
Figure BDA0003086757470000063
其中，λ1＞λ2＞λ3；
计算特征参数，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个，
平坦度Flatness，
Figure BDA0003086757470000071
结构张量平面度k1，
Figure BDA0003086757470000072
“特征熵”k2，
Figure BDA0003086757470000073
线性特征k3，
Figure BDA0003086757470000074
临近点特征向量e1,e2,e3；
球域点法向量eq1,eq2,eq3，
以点pi为球心，n米(n∈R)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；
点法向量的分布c1,c2,c3，
将临近点特征向量组成N×3的矩阵并构建协方差矩阵Lp，进行特征值分解获得，
Figure BDA0003086757470000081
式中，ej表示第j个特征向量，
构建点pi的点云特征参数矩阵Spi，
Figure BDA0003086757470000082
4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云，具体为，手动裁剪样地内任意一棵样木的全部点云，将该样木作为训练样本，并根据是否为主干点云标记，主干点云标记为1，非主干点云标记为0。
5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练，具体为，基于训练样本和特征矩阵Spi对样地点云数据进行机器学习，采用支持向量机分类器训练样地点云数据，判断样地点云数据中的各点云是否为主干点云，并初步提取主干点云。
6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据，具体为，
6-1)将初步提取到的主干点云进行分组，设定不同分组的点之间的最小欧氏距离为n米，n的取值应根据树干分支的大小进行调整，若任意点到某个分组中任意一点的距离小于n米，则该点会分配到组内,反之则划分至其他组内；
6-2)统计每个分组内点云数量，保留所有点云数量大于100的组，形成最终的主干点云数据。
采用本发明的一种基于机器学习的激光雷达点云树干提取方法，通过仿真实例来验证本发明的优化设计方法，流程如图1所示。
本实施例的样地位于江苏省东台市(32°33′～32°57′N，120°07′～120°53′E)黄海国家森林公园内。
选用RIEGL VZ-400i地面三维激光扫描仪对20m×20m样方内的杨树人工林进行采集，激光发射频率设置为100kHz，分别在四角及中心位置架设站点。对各站点的点云数据匹配对应的全景照片，并对点云进行RGB渲染，使点云着色。相邻站点间重叠的点云用于拼接，Riscan Pro 64bit v2.6.1软件将根据算法内允许的误差范围进行数据自动拼接，对于站点距离间隔较远或重叠点云数量较少的情况，手动寻找参照物进行拼接。
实施时，N设置为7，n取0.1；统计每个分组内点云数量时，保留所有点云数量大于100的组。通过本发明随机抽取样地内三棵杨树点云，总点云量分别为样木1-137622、样木2-323873、样木3-197776，手动扣取的主干点云量分别,样木1-84704、样木2-189335、样木3-126242。对每个点计算特征参数，组成特征参数矩阵，通过机器学习的方式，最终提取的主干点云量为样木1-81495、样木2-178256、样木3-120220，提取结果如图2中实心柱所示，提取的完整率分别为96.21％、94.15％、95.23％，图3为所随机抽取三棵杨树样木的原始点云和最终主干提取结果，其中(a)、(c)、(e)为三棵样木原始点云，(b)、(d)、(f)为最终主干提取结果，其中(a)、(b)为样木1，(c)、(d)为样木2，(e)、(f)为样木3。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于机器学习的激光雷达点云树干提取方法，其特征在于，包括以下步骤：
1)使用地基激光雷达采集样地内样木的点云数据；
2)对点云数据进行预处理，得到样地点云数据；
3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵；
4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云；
5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练；
6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据。
2.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤1)使用地基激光雷达采集样地内样木的点云数据，具体为，
在样地四角及中心位置设置站点，每个站点架设地基激光雷达设备，进行扫描，通过各站点云数据拼接得到样地内样木的点云数据，每个点具有三维空间坐标(x,y,z)。
3.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤2)对点云数据进行预处理，得到样地点云数据，其中的预处理包括去噪、点云归一化、裁剪。
4.根据权利要求1所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，其中特征参数包括平坦度、结构张量和法向量中的一个或多个，所述结构张量包括结构张量平面度、“特征熵”和线性特征中的一个或多个，所述法向量包括临近点特征向量和法向量的分布、球域点法向量中的一个或多个。
5.根据权利要求4所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于特征在：所述步骤3)基于样地点云数据，计算样地点云数据内任意一点的特征参数,并将特征参数组成特征矩阵，具体为，
基于样地点云数据，通过KNN算法寻找任意一点p0周围最邻近的N个点，这N个点和任意一点p0构成集合P＝{pi|pi＝(xi,yi,zi),i＝0,1,2,...,N}，构建集合P的协方差矩阵D，计算矩阵D的特征值λ1,λ2,λ3与特征向量e1,e2,e3，然后，将每个点pi的特征值λi进行归一化操作得到
Figure FDA0003086757460000021
Figure FDA0003086757460000022
Figure FDA0003086757460000023
其中，λ1＞λ2＞λ3；
计算特征参数，
平坦度Flatness，
Figure FDA0003086757460000024
结构张量平面度k1，
Figure FDA0003086757460000025
“特征熵”k2，
Figure FDA0003086757460000026
线性特征k3，
Figure FDA0003086757460000031
临近点特征向量e1,e2,e3；
球域点法向量eq1,eq2,eq3，
以点pi为球心，n米(n∈R)为半径围成的球内所有点组成点集合，构建协方差矩阵并进行特征值分解获得；
点法向量的分布c1,c2,c3，
将临近点特征向量组成N×3的矩阵并构建协方差矩阵Lp，进行特征值分解获得，
Figure FDA0003086757460000032
式中，ej表示第j个特征向量，
构建点pi的特征矩阵Spi，
Figure FDA0003086757460000033
6.根据权利要求5所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤4)选择样地内任意一棵样木，该样木涵盖的样地点云数据为训练样本，标记其主干点云和非主干点云，具体为，
手动裁剪样地内任意一棵样木Pi的全部点云，将样木Pi作为训练样本，并根据为主干点云和为非主干点云进行分类标记。
7.根据权利要求6所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤5)基于训练样本和特征矩阵，通过机器学习的方式对整块样地的样地点云数据进行分类训练，具体为，
基于训练样本和特征矩阵Spi对样地点云数据进行机器学习，采用支持向量机分类器训练样地点云数据，判断样地点云数据中的各点云是否为主干点云，并初步提取主干点云。
8.根据权利要求7所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤6)对样地内所有标记为主干点云数据进行欧氏距离分组判别，进一步提取主干点云，得到最终的主干点云数据，具体为，
6-1)将初步提取到的主干点云进行分组，设定不同分组的点之间的最小欧氏距离为n米，n的取值应根据树干分支的大小进行调整，若任意点到某个分组中任意一点的距离小于n米，则该点会分配到组内,反之则划分至其他组内；
6-2)统计每个分组内点云数量，保留所有点云数量大于指定数值的组，形成最终的主干点云数据。
9.根据权利要求8所述的一种基于机器学习的激光雷达点云树干提取方法，其特征在于：所述步骤6-2)中的指定数值为100。
CN202110584803.6A 2021-05-27 2021-05-27 一种基于机器学习的激光雷达点云树干提取方法 Pending CN113205543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110584803.6A CN113205543A (zh) 2021-05-27 2021-05-27 一种基于机器学习的激光雷达点云树干提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110584803.6A CN113205543A (zh) 2021-05-27 2021-05-27 一种基于机器学习的激光雷达点云树干提取方法

Publications (1)

Publication Number Publication Date
CN113205543A true CN113205543A (zh) 2021-08-03

Family

ID=77023382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110584803.6A Pending CN113205543A (zh) 2021-05-27 2021-05-27 一种基于机器学习的激光雷达点云树干提取方法

Country Status (1)

Country Link
CN (1) CN113205543A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893428A (zh) * 2023-09-11 2023-10-17 山东省地质测绘院 基于激光点云的森林资源调查与监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893428A (zh) * 2023-09-11 2023-10-17 山东省地质测绘院 基于激光点云的森林资源调查与监测方法及系统
CN116893428B (zh) * 2023-09-11 2023-12-08 山东省地质测绘院 基于激光点云的森林资源调查与监测方法及系统

Similar Documents

Publication Publication Date Title
CN112381861B (zh) 一种基于地基激光雷达的林地点云数据配准和分割方法
CN105469388B (zh) 基于降维的建筑物点云配准方法
CN112819830A (zh) 基于深度学习与机载激光点云的单株树冠分割方法
CN107833213A (zh) 一种基于伪真值自适应法的弱监督物体检测方法
CN109919930A (zh) 基于卷积神经网络yolo v3的树上果实数量的统计方法
CN110794413A (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN113269825B (zh) 基于地基激光雷达技术林木胸径值提取的方法
CN114241217B (zh) 一种基于圆柱特征的树干点云高效提取方法
CN107832849A (zh) 一种基于知识库的电力线廊道三维信息提取方法及装置
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN114241321A (zh) 高分遥感图像平顶建筑快速精准识别方法
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
Miao et al. Measurement method of maize morphological parameters based on point cloud image conversion
CN116486289A (zh) 一种多源数据和知识驱动下的燃气管道高后果区识别方法
CN105701856B (zh) 一种植被提取方法及系统
CN113205543A (zh) 一种基于机器学习的激光雷达点云树干提取方法
CN103617417A (zh) 植物自动识别方法和系统
CN117197677A (zh) 一种基于激光雷达点云数据的热带雨林乔灌分离方法
CN116258972B (zh) 一种基于深度学习的岩质高陡边坡结构面提取方法
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
CN116206210A (zh) 一种基于NAS-Swin的遥感影像农业大棚提取方法
CN115661446A (zh) 基于深度学习的指针式仪表示数自动读取系统及方法
Wang et al. Airborne lidar power line classification based on spatial topological structure characteristics
CN107869971A (zh) 一种基于三维激光扫描数据计算树冠表面积的方法
CN114005027A (zh) 一种基于无人机影像的城市单木检测系统及方法

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