CN113657216A - 基于形状特征的点云场景树木树冠及木质点分离方法 - Google Patents

基于形状特征的点云场景树木树冠及木质点分离方法 Download PDF

Info

Publication number
CN113657216A
CN113657216A CN202110879122.2A CN202110879122A CN113657216A CN 113657216 A CN113657216 A CN 113657216A CN 202110879122 A CN202110879122 A CN 202110879122A CN 113657216 A CN113657216 A CN 113657216A
Authority
CN
China
Prior art keywords
point
points
crown
wood
value
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.)
Withdrawn
Application number
CN202110879122.2A
Other languages
English (en)
Inventor
郝雯
汪洋
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110879122.2A priority Critical patent/CN113657216A/zh
Publication of CN113657216A publication Critical patent/CN113657216A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开的基于形状特征的点云场景树木树冠及木质点分离方法，包括以下步骤：计算每点的特征值和特征向量，计算每个点的几何特征，构造分类所需的16维特征，提取每点多个尺度的几何特征；使用支持向量机将点云场景分为四类，提取其中的散状点，对散状点进行分割，提取场景中的树冠点云数据；构造单个树冠的最小包围盒，对最小包围盒向xOy平面映射，提取候选点；依据候选点的高度和候选点间的邻近关系，对候选木质点的分解；去非木质点和噪声点完成场景中树冠与木质点的分离。本发明解决了现有树木分割方法缺少对大型点云场景中多棵树冠和木质点分离和无法对多棵树木进行树干分离的缺陷。

Description

基于形状特征的点云场景树木树冠及木质点分离方法
技术领域
本发明属于计算机视觉与计算机图形学相结合的交叉学科技术领域，具体涉及一种基于形状特征的点云场景树木树冠及木质点分离方法。
背景技术
点云场景中树木的木叶分离问题，一直以来都是三维点云处理中一个重要的研究环节。树木是城市场景中的重要组成部分，由于其生长姿态的多样性以及树冠与木质点的邻近性，使得分离城市场景中的树冠与木质点仍有很大的困难。
目前，已有的木质结构与树冠分离算法大多是针对单棵树，完成树木的木材以及树叶的分离。但是对于场景应用而言，单棵树木的树冠与木材的分离，并不能满足当前的应用需求。且相较于二维的图像处理，点云由于其自身三维坐标的特点，能够很好的保留树木的结构特性，且不受光照阴影等环境的影响，具有很高的研究价值。
目前，点云树冠与木质结构分离的算法主要有基于模型拟合的分割方法和基于几何特征的分割方法：
1、基于模型拟合的分割方法
基于模型拟合的分割方法的主要思想是通过对比点的局部几何形状信息来完成树冠与木质点的分离。
随机采样一致(RANSAC)算法是一种典型的基于几何特征的分割方法，是Fischler与Bolles于1981年提出的基于对模型的假设与选择的方法。Su等人对树木点云数据进行水平切分的基础上，利用K-means和RANSAC算法，将树木点云分为木质点、树叶点以及混合点(包括木质点以及树叶点)。然后利用RANSAC算法对木质点以及混合点进行柱面分割，完成树木点云木材成分进行精确提取。Xu等人在利用高程直方图移除地面点的基础上，通过圆拟合的方法对树干的投影点进行圆拟合；最后，利用动态规划算法求解树干生长的最优路径，完成树干的提取。此类方法适用于简单场景的单木分割，但由于复杂场景中存在许多非树木特征，产生的模型和拟合效果差，导致分割效果不准确。
2、基于几何特征的分割方法
基于局部特征的分割方法的主要思想是通过对点与点之间的局部特征相似度，完成对树木的分割操作。
James在1967年提出的无监督k-means聚类算法，通过对给定样本之间的距离大小，将数据划分为不同的点簇完成分割。Tan等人分别利用K-means算法，基于点的强度和密度完成单棵树树叶和木质点的分离。并提出了一种基于连通聚类算法根将剩余叶点分离出来。最后将每次提取的叶点合并，完成最终叶点和木质点的分离。
大型场景中的树木点云数据相对于对单棵树木进行扫描得到的点云数据而言，数据量大，且包含较多的噪声。同时，场景中包含的其它物体容易对树木树冠与木质点的分离造成干扰，因此已有的方法不适用于点云场景中的多棵树木的树冠及木质点分离。
发明内容
本发明的目的在于提供一种基于形状特征的点云场景树木树冠及木质点分离方法，解决了现有方法无法在复杂街道场景中分离多棵树木树冠与木质点的问题。
本发明所采用的技术方案是：基于形状特征的点云场景树木树冠及木质点分离方法，包括以下步骤：
步骤1、利用主元分析法计算每点的特征值和特征向量，根据所求得的特征值与特征向量，计算每个点的几何特征相关信息，构造分类所需的16维特征，提取每点多个尺度的几何特征以提高分类准确性；
步骤2、对步骤1所得点的多尺度几何特征，使用支持向量机将点云场景分为地面点、地面上的面状点、散状点和线状点四类，提取其中的散状点，利用欧式距离聚类方法对散状点进行分割，提取场景中的树冠点云数据；
步骤3、对步骤2提取的每一个树冠点云，构造单个树冠的最小包围盒，对最小包围盒向xOy平面映射，并将包含在投影四边形中的平面点和线状点提取出来作为木质结构的候选点；
步骤4、根据步骤3中得到的木质结构候选点，依据候选点的高度和候选点间的邻近关系，基于点间连通性的分割方法完成对候选木质点的分解；
步骤5、根据树木的结构特性对步骤4中分解后的木质点进行筛选，去除其中的非木质点和噪声点，完成场景中树冠与木质点的分离。
本发明的特点还在于，
步骤1的具体实施步骤为：
步骤1.1、利用主元分析法计算每点的特征值和特征向量
对于点云中的任意一点p，找到点p的k个邻近点
Figure BDA0003188918320000031
Figure BDA0003188918320000032
得到点p的三阶协方差矩阵M为：
Figure BDA0003188918320000041
式(1)中，
Figure BDA00031889183200000412
为点p的k个邻近点的平均位置，
Figure BDA0003188918320000042
通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ1>λ2>λ3>0和特征值所对应的向量v1,v2,v3，点p的法向量为最小特征值λ3所对应的特征向量
Figure BDA0003188918320000043
步骤1.2、计算点云场景中点的几何特征
根据步骤1.1中点p的特征值λ1>λ2>λ3>0，计算任意点p的几何特征相关信息：
1)线状指数特征用来表示点的几何特征中的线性属性
Figure BDA0003188918320000044
2)点的面状指数特征为
Figure BDA0003188918320000045
3)点的散状指数特征为
Figure BDA0003188918320000046
4)各向同性表示点的几何性质与方向的无关度大小：
Figure BDA0003188918320000047
5)各向异性表示点的几何性质与方向的相关度大小：
Figure BDA0003188918320000048
6)特征值的熵为
Figure BDA0003188918320000049
7)特征值之和为f7＝λ1+λ2+λ3；
8)点的局部表面特征变化率为
Figure BDA00031889183200000410
9)局部点密度
Figure BDA00031889183200000411
其中R为点p与第k个点pk的距离；
10)高度特征
Figure BDA0003188918320000051
Zmax与Zmin对应场景中z值的最大值和最小值，Zi为点p在z轴上的坐标值；
除上述特征外，还引入特征向量v1,v2,v3与单位向量
Figure BDA00031889183200000511
所成角度的余弦值来提高线状点与面状点的分类准确性，分别为：
11)v1与单位向量
Figure BDA0003188918320000052
的余弦值
Figure BDA0003188918320000053
12)v2与单位向量
Figure BDA0003188918320000054
的余弦值
Figure BDA0003188918320000055
13)v3与单位向量
Figure BDA0003188918320000056
的余弦值
Figure BDA0003188918320000057
再结合法向量
Figure BDA0003188918320000058
的三个坐标值作为点特征值
Figure BDA0003188918320000059
Figure BDA00031889183200000510
构成点p的16维特征；
步骤1.3、计算测试场景数据中每个点的特征集，并赋予0作为初始分类标签label的值；
步骤1.4、对步骤1.1中的k值分别取不同的值，即k＝30、50、80时，计算每点在不同k值下的特征集合，并对训练数据中的地面点设置分类标签为1，地面上的面状点设置分类标签为2，线状点设置分类标签为3，散状点设置分类标签为4。
步骤2的具体实施步骤为：
步骤2.1、基于支持向量机的点云场景分类
使用步骤1.4中构造的训练数据，对测试场景数据分为4类：地面点、地面上的面状点、散状点和线状点，并赋予相应的分类标签；
步骤2.2、基于欧式距离聚类的散状点分割
根据步骤2.1的分类结果，提取出地面上的散状点，利用欧式距离聚类的方法对散状点进行分割，其中点间的距离公式如式(3)所示：
Figure BDA0003188918320000061
步骤2.3、提取分割结果后的树冠点
对分割后的点云簇进行筛选时，设置当点云簇符合以下条件，则将其归为树冠：1)分割点云簇的投影面积大于3.5m2；2)最低点离地高度大于1.5m；3)根据单个树冠在xOy平面的投影，其最小外接四边形的长宽比小于1.4或者满足：当多个树冠邻接时，则设置当点簇的点数目大于5000。
步骤2.2中利用欧式距离聚类的步骤为：
步骤2.2.1、对于任意点p，搜索距离最近的k个点，并通过距离公式(3)筛选出距离小于阈值的点，将这些点加入一个局部点云数据集Q；
步骤2.2.2、在数据集Q中选择除p以外的任意点作为新的点p，并重复步骤2.2.1再次搜索；
步骤2.2.3、直到不再有新的点加入Q，则此点簇聚类完成；
步骤2.2.4、在余下的点云数据中再寻找一个新的点作为任意点p，重复步骤2.2.1至步骤2.2.3直至有所的点都被遍历，则聚类完成。
步骤3的具体实施步骤为：
步骤3.1、计算树冠的最小包围盒
首先利用点云的归一化协方差矩阵A来求解特征值与特征向量，A的表达式见下式(4)，式(4)中cov(x,x)表示代表协方差，如式(5)所示，式(5)中E(x)＝(x1+x2+...+xi)/i，xi表示树冠中第i个点的x坐标值，式(5)中E(xx)＝(x1x1+x2x2+...+xixi)/i；最后将矩阵A对角化，求解出的即为该点云对应的特征值与特征向量；
Figure BDA0003188918320000071
cov(x,x)＝E(xx)-E(x)E(x) (5)
最大特征值所对应的方向即为包围盒的主方向，校正将包围盒方向与场景坐标系一致；计算包围盒的质心点坐标和包围盒的长宽高，最终得树冠点云簇的最小有向包围盒；
步骤3.2、提取木质结构候选点
将位于树冠xOy平面投影范围内的所有线状点和面状点提取出来作为木质结构的候选点。
步骤4的具体实施步骤为：
步骤4.1、对所有木质结构候选点按高度f10进行排序，并给每个点设置一个生长标签label，初始值设为0；
步骤4.2、设置下映射点中f10值最小且生长标签值为0的点作为初始生长点p0，以k近邻的搜索方式寻找距离此点最近的k个点，若点pi(i＝0,1…k)与p0的距离少于生长阈值distance，即pi与p0的最大距离，则将此点与生长点归为一类，并将生长标签值设为当前的聚类值label；
步骤4.3、再以pi中f10值最高的点作为生长点，重复这一步骤，直至点簇不再增加新的点，则此木质结构候选点簇生长完毕，并将label值加1作为下一新点簇的标签值；
步骤4.4、重复步骤4.2和步骤4.3直至所有点的生长标签都不为0，则代表此树冠的下映射点生长完毕。
步骤5中筛选步骤4分解后的木质点具体为：对于获取到的点簇，以最高点作为搜索点p，搜索当前树冠点簇中距离点p最近的点p0，若点p0与点p的距离小于设定阈值0.05，则将此点簇即为木质点簇。
本发明的有益效果是：本发明基于形状特征的点云场景树木树冠及木质点分离方法，解决了现有树木分割方法缺少对大型点云场景中多棵树冠和木质点分离和无法对多棵树木进行树干分离的缺陷。
附图说明
图1是本发明基于形状特征的点云场景树木树冠及木质点分离方法的整体过程示意图；
图2是本发明点云场景物体识别中点云场景数据图；
图3是本发明基于形状特征的点云场景树木树冠及木质点分离方法对场景树冠的提取结果；
图4是本发明基于形状特征的点云场景树木树冠及木质点分离方法所获取的场景中某一树冠下的木质结构点；
图5是本发明基于形状特征的点云场景树木树冠及木质点分离方法所得树冠与木质点分离结果图；
图6是本发明对于单棵树木树冠及木质点分离结果与DBSCAN方法的分离结果对比图。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
本发明提供了一种基于形状特征的点云场景树木树冠及木质点分离方法，如图1所示，包括以下步骤：
步骤1、利用主元分析法计算如图2所示点云场景数据每点的特征值和特征向量，根据所求得的特征值与特征向量，计算每个点的几何特征相关信息，构造分类所需的16维特征，提取每点多个尺度的几何特征以提高分类准确性，具体实施步骤为：
步骤1.1、利用主元分析法计算每点的特征值和特征向量
对于点云中的任意一点p，找到点p的k个邻近点
Figure BDA0003188918320000091
Figure BDA0003188918320000092
得到点p的三阶协方差矩阵M为：
Figure BDA0003188918320000093
式(1)中，
Figure BDA0003188918320000094
为点p的k个邻近点的平均位置，
Figure BDA0003188918320000095
通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ1>λ2>λ3>0和特征值所对应的向量v1,v2,v3，点p的法向量为最小特征值λ3所对应的特征向量
Figure BDA0003188918320000096
步骤1.2、计算点云场景中点的几何特征
根据步骤1.1中点p的特征值λ1>λ2>λ3>0，计算任意点p的几何特征相关信息：
1)线状指数特征用来表示点的几何特征中的线性属性
Figure BDA0003188918320000097
2)点的面状指数特征为
Figure BDA0003188918320000098
3)点的散状指数特征为
Figure BDA0003188918320000099
4)各向同性表示点的几何性质与方向的无关度大小：
Figure BDA00031889183200000910
5)各向异性表示点的几何性质与方向的相关度大小：
Figure BDA0003188918320000101
6)特征值的熵为
Figure BDA0003188918320000102
7)特征值之和为f7＝λ1+λ2+λ3；
8)点的局部表面特征变化率为
Figure BDA0003188918320000103
9)局部点密度
Figure BDA0003188918320000104
其中R为点p与第k个点pk的距离；
10)高度特征
Figure BDA0003188918320000105
Zmax与Zmin对应场景中z值的最大值和最小值，Zi为点p在z轴上的坐标值；
除上述特征外，还引入特征向量v1,v2,v3与单位向量
Figure BDA0003188918320000106
所成角度的余弦值来提高线状点与面状点的分类准确性，分别为：
11)v1与单位向量
Figure BDA0003188918320000107
的余弦值
Figure BDA0003188918320000108
12)v2与单位向量
Figure BDA0003188918320000109
的余弦值
Figure BDA00031889183200001010
13)v3与单位向量
Figure BDA00031889183200001011
的余弦值
Figure BDA00031889183200001012
再结合法向量
Figure BDA00031889183200001013
的三个坐标值作为点特征值
Figure BDA00031889183200001014
Figure BDA00031889183200001015
构成点p的16维特征；
步骤1.3、计算测试场景数据中每个点的特征集，并赋予0作为初始分类标签label的值；
步骤1.4、对步骤1.1中的k值分别取不同的值，即k＝30、50、80时，计算每点在不同k值下的特征集合，并对训练数据中的地面点设置分类标签为1，地面上的面状点设置分类标签为2，线状点设置分类标签为3，散状点设置分类标签为4。
步骤2、通过观察发现，由于树木生长的对称性，单个树木的树冠在xOy平面的长宽比趋近于1，多个树冠点重叠时则其外接矩形在xOy平面的面积很大且包含的点数目较多，根据形状特征和点的数量可以对聚类后的散状点结果进行筛选得到准确的树冠点分割结果，使用支持向量机将点云场景分为地面点、地面上的面状点、散状点和线状点四类，提取其中的散状点，利用欧式距离聚类方法对散状点进行分割，并利用先验知识，提取场景中的树冠点云数据，具体实施步骤为：
步骤2.1、基于支持向量机的点云场景分类
使用步骤1.4中构造的训练数据，对测试场景数据分为4类：地面点、地面上的面状点、散状点和线状点，并赋予相应的分类标签；
步骤2.2、基于欧式距离聚类的散状点分割
根据步骤2.1的分类结果，提取出地面上的散状点，利用欧式距离聚类的方法，对散状点进行聚类，其中点间的距离公式如式(3)所示：
Figure BDA0003188918320000111
利用欧式距离聚类的步骤为：
步骤2.2.1、对于任意点p，搜索距离最近的k个点，并通过距离公式(3)筛选出距离小于阈值的点，将这些点加入一个局部点云数据集Q；
步骤2.2.2、在数据集Q中选择除p以外的任意点作为新的点p，并重复步骤2.2.1再次搜索；
步骤2.2.3、直到不再有新的点加入Q，则此点簇聚类完成；
步骤2.2.4、在余下的点云数据中再寻找一个新的点作为任意点p，重复步骤2.2.1至步骤2.2.3直至有所的点都被遍历，则聚类完成。
步骤2.3、基于先验知识，提取分割结果后的树冠点
场景中除了树冠点被分为散状点，还有一些不规则的建筑面和其他杂乱点也被归类为散状点，导致聚类结果中有部分点簇并不属于树冠点，因此需要对这些点簇进行筛选。
由于树木生长的对称性，单个树冠在xOy平面的投影后，其最小外接四边形的长宽比趋近于1；而对于一些多个树冠点邻接的情况，此时树冠点在xOy平面的投影面积较大且点簇包含的点数目较多；同时根据树叶远离地面的特性，树冠的最低点要高于地面点一定距离。
基于这些先验知识，在对分割后的点云簇进行筛选时，本发明设置当点云簇符合以下条件，则将其归为树冠：1)分割点云簇的投影面积大于3.5m2；2)最低点离地高度大于1.5m；3)根据单个树冠在xOy平面的投影，其最小外接四边形的长宽比小于1.4或者满足：当多个树冠邻接时，则设置当点簇的点数目大于5000。场景树冠分割结果如图3所示。
步骤3、对步骤2提取的每一个树冠点云，构造单个树冠的最小包围盒，对最小包围盒向xOy平面映射，并将包含在投影四边形中的平面点和线状点提取出来作为木质结构的候选点，具体实施步骤为：
步骤3.1、计算树冠的最小包围盒
为了获取每个树冠下对应的杆状点，需要构造树冠点云簇的最小包围盒。首先利用点云的归一化协方差矩阵A来求解特征值与特征向量，A的表达式见下式(4)，式(4)中cov(x,x)表示代表协方差，如式(5)所示，式(5)中E(x)＝(x1+x2+...+xi)/i，xi表示树冠中第i个点的x坐标值，式(5)中E(xx)＝(x1x1+x2x2+...+xixi)/i；最后将矩阵A对角化，求解出的即为该点云对应的特征值与特征向量；
Figure BDA0003188918320000131
cov(x,x)＝E(xx)-E(x)E(x) (5)
最大特征值所对应的方向即为包围盒的主方向，校正将包围盒方向与场景坐标系一致；计算包围盒的质心点坐标和包围盒的长宽高，最终得树冠点云簇的最小有向包围盒；
步骤3.2、提取木质结构候选点
将位于树冠xOy平面的投影范围内的所有线状点和面状点提取出来。因为在分类过程中，有一些树干点被分为了面状点，因此在提取木质结构候选点时，将树冠下的面状点和线状点都提取出来。
步骤4、根据步骤3中得到的木质结构候选点，依据候选点的高度和候选点间的邻近关系，基于区域生长的思想，提出一种基于点间连通性的分割方法完成对候选木质点的分解，具体实施步骤为：
步骤4.1、对所有木质结构候选点按高度f10进行排序，并给每个点设置一个生长标签label，初始值设为0；
步骤4.2、设置下映射点中f10值最小且生长标签值为0的点作为初始生长点p0，以k近邻的搜索方式寻找距离此点最近的k个点，若点pi(i＝0,1…k)与p0的距离少于生长阈值distance，即pi与p0的最大距离，则将此点与生长点归为一类，并将生长标签值设为当前的聚类值label；
步骤4.3、再以pi中f10值最高的点作为生长点，重复这一步骤，直至点簇不再增加新的点，则此木质结构候选点簇生长完毕，并将label值加1作为下一新点簇的标签值；
步骤4.4、重复步骤4.2和步骤4.3直至所有点的生长标签都不为0，则代表此树冠的下映射点生长完毕。
步骤5、根据树木的结构特性对步骤4中分解后的木质点进行筛选，去除其中的非木质点和噪声点，完成场景中树冠与木质点的分离，具体为：树冠点向下映射过程中，并没有完全去除非木质点和噪声点，因此需要对生长完的点簇进行筛选。由树木木质结构的生长特性可知，木制结构点的顶端总是与树冠点相连接。根据这一特性，对于获取到的点簇，以最高点作为搜索点p，搜索当前树冠点簇中距离点p最近的点p0，若点p0与点p的距离小于设定阈值0.05，则将此点簇即为木质点簇，如图4为某一树冠下的木质点提取结果。最终场景的树冠与木质点分离结果如图5所示，从中可以看出，单个树木的树冠能被完整的分割出来并赋予不同的灰度值；对于多个树冠邻接的情况，则将邻接的多个树冠归为一个树冠点簇；每个树冠点簇所对应的木质点都被很好的提取出来，且对组成同一树干的不同树枝进行分解操作，为树木的重建以及参数估计奠定基础。图6左图为利用本发明得到的分离结果，图6右图为利用DBSCAN算法得到的分离结果，该方法没有将两个矩形所框的树干点提取出来。本发明相较于DBSCAN方法而言，对于单棵树木的树冠及木质点分离准确度更高，且适用于街道等复杂场景的树木树冠及木质点分离。
通过上述方式，本发明基于形状特征的点云场景树木树冠及木质点分离方法，解决了现有树木分割方法缺少对大型点云场景中多棵树冠和木质点分离和无法对多棵树木进行树干分离的缺陷。

Claims (7)

1.基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，包括以下步骤：
步骤1、利用主元分析法计算每点的特征值和特征向量，根据所求得的特征值与特征向量，计算每个点的几何特征相关信息，构造分类所需的16维特征，提取每点多个尺度的几何特征以提高分类准确性；
步骤2、对步骤1所得点的多尺度几何特征，使用支持向量机将点云场景分为地面点、地面上的面状点、散状点和线状点四类，提取其中的散状点，利用欧式距离聚类方法对散状点进行分割，提取场景中的树冠点云数据；
步骤3、对步骤2提取的每一个树冠点云，构造单个树冠的最小包围盒，对最小包围盒向xOy平面映射，并将包含在投影四边形中的平面点和线状点提取出来作为木质结构的候选点；
步骤4、根据步骤3中得到的木质结构候选点，依据候选点的高度和候选点间的邻近关系，基于点间连通性的分割方法完成对候选木质点的分解；
步骤5、根据树木的结构特性对步骤4中分解后的木质点进行筛选，去除其中的非木质点和噪声点，完成场景中树冠与木质点的分离。
2.如权利要求1所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤1的具体实施步骤为：
步骤1.1、利用主元分析法计算每点的特征值和特征向量
对于点云中的任意一点p，找到点p的k个邻近点
Figure FDA0003188918310000011
Figure FDA0003188918310000012
得到点p的三阶协方差矩阵M为：
Figure FDA0003188918310000021
式(1)中，
Figure FDA0003188918310000022
为点p的k个邻近点的平均位置，
Figure FDA0003188918310000023
通过奇异值分解对点p的三阶协方差矩阵M进行特征值分解，得到协方差矩阵M的特征值λ1>λ2>λ3>0和特征值所对应的向量v1,v2,v3，点p的法向量为最小特征值λ3所对应的特征向量
Figure FDA0003188918310000024
步骤1.2、计算点云场景中点的几何特征
根据步骤1.1中点p的特征值λ1>λ2>λ3>0，计算任意点p的几何特征相关信息：
1)线状指数特征用来表示点的几何特征中的线性属性
Figure FDA0003188918310000025
2)点的面状指数特征为
Figure FDA0003188918310000026
3)点的散状指数特征为
Figure FDA0003188918310000027
4)各向同性表示点的几何性质与方向的无关度大小：
Figure FDA0003188918310000028
5)各向异性表示点的几何性质与方向的相关度大小：
Figure FDA0003188918310000029
6)特征值的熵为
Figure FDA00031889183100000210
7)特征值之和为f7＝λ1+λ2+λ3；
8)点的局部表面特征变化率为
Figure FDA00031889183100000211
9)局部点密度
Figure FDA00031889183100000212
其中R为点p与第k个点pk的距离；
10)高度特征
Figure FDA0003188918310000031
Zmax与Zmin对应场景中z值的最大值和最小值，Zi为点p在z轴上的坐标值；
除上述特征外，还引入特征向量v1,v2,v3与单位向量
Figure FDA0003188918310000032
所成角度的余弦值来提高线状点与面状点的分类准确性，分别为：
11)v1与单位向量
Figure FDA0003188918310000033
的余弦值
Figure FDA0003188918310000034
12)v2与单位向量
Figure FDA0003188918310000035
的余弦值
Figure FDA0003188918310000036
13)v3与单位向量
Figure FDA0003188918310000037
的余弦值
Figure FDA0003188918310000038
再结合法向量
Figure FDA0003188918310000039
的三个坐标值作为点特征值
Figure FDA00031889183100000310
Figure FDA00031889183100000311
构成点p的16维特征；
步骤1.3、计算测试场景数据中每个点的特征集，并赋予0作为初始分类标签label的值；
步骤1.4、对步骤1.1中的k值分别取不同的值，即k＝30、50、80时，计算每点在不同k值下的特征集合，并对训练数据中的地面点设置分类标签为1，地面上的面状点设置分类标签为2，线状点设置分类标签为3，散状点设置分类标签为4。
3.如权利要求2所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤2的具体实施步骤为：
步骤2.1、基于支持向量机的点云场景分类
使用步骤1.4中构造的训练数据，对测试场景数据分为4类：地面点、地面上的面状点、散状点和线状点，并赋予相应的分类标签；
步骤2.2、基于欧式距离聚类的散状点分割
根据步骤2.1的分类结果，提取出地面上的散状点，利用欧式距离聚类的方法对散状点进行分割，其中点间的距离公式如式(3)所示：
Figure FDA0003188918310000041
步骤2.3、提取分割结果后的树冠点
对分割后的点云簇进行筛选时，设置当点云簇符合以下条件，则将其归为树冠：1)分割点云簇的投影面积大于3.5m2；2)最低点离地高度大于1.5m；3)根据单个树冠在xOy平面的投影，其最小外接四边形的长宽比小于1.4或者满足：当多个树冠邻接时，则设置当点簇的点数目大于5000。
4.如权利要求3所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤2.2中利用欧式距离聚类的步骤为：
步骤2.2.1、对于任意点p，搜索距离最近的k个点，并通过距离公式(3)筛选出距离小于阈值的点，将这些点加入一个局部点云数据集Q；
步骤2.2.2、在数据集Q中选择除p以外的任意点作为新的点p，并重复步骤2.2.1再次搜索；
步骤2.2.3、直到不再有新的点加入Q，则此点簇聚类完成；
步骤2.2.4、在余下的点云数据中再寻找一个新的点作为任意点p，重复步骤2.2.1至步骤2.2.3直至有所的点都被遍历，则聚类完成。
5.如权利要求4所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤3的具体实施步骤为：
步骤3.1、计算树冠的最小包围盒
首先利用点云的归一化协方差矩阵A来求解特征值与特征向量，A的表达式见下式(4)，式(4)中cov(x,x)表示代表协方差，如式(5)所示，式(5)中E(x)＝(x1+x2+...+xi)/i，xi表示树冠中第i个点的x坐标值，式(5)中E(xx)＝(x1x1+x2x2+...+xixi)/i；最后将矩阵A对角化，求解出的即为该点云对应的特征值与特征向量；
Figure FDA0003188918310000051
cov(x,x)＝E(xx)-E(x)E(x) (5)
最大特征值所对应的方向即为包围盒的主方向，校正将包围盒方向与场景坐标系一致；计算包围盒的质心点坐标和包围盒的长宽高，最终得树冠点云簇的最小有向包围盒；
步骤3.2、提取木质结构候选点
将位于树冠xOy平面投影范围内的所有线状点和面状点提取出来作为木质结构的候选点。
6.如权利要求5所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤4的具体实施步骤为：
步骤4.1、对所有木质结构候选点按高度f10进行排序，并给每个点设置一个生长标签label，初始值设为0；
步骤4.2、设置下映射点中f10值最小且生长标签值为0的点作为初始生长点p0，以k近邻的搜索方式寻找距离此点最近的k个点，若点pi(i＝0,1…k)与p0的距离少于生长阈值distance，即pi与p0的最大距离，则将此点与生长点归为一类，并将生长标签值设为当前的聚类值label；
步骤4.3、再以pi中f10值最高的点作为生长点，重复这一步骤，直至点簇不再增加新的点，则此木质结构候选点簇生长完毕，并将label值加1作为下一新点簇的标签值；
步骤4.4、重复步骤4.2和步骤4.3直至所有点的生长标签都不为0，则代表此树冠的下映射点生长完毕。
7.如权利要求6所述的基于形状特征的点云场景树木树冠及木质点分离方法，其特征在于，所述步骤5中筛选步骤4分解后的木质点具体为：对于获取到的点簇，以最高点作为搜索点p，搜索当前树冠点簇中距离点p最近的点p0，若点p0与点p的距离小于设定阈值0.05，则将此点簇即为木质点簇。
CN202110879122.2A 2021-07-30 2021-07-30 基于形状特征的点云场景树木树冠及木质点分离方法 Withdrawn CN113657216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110879122.2A CN113657216A (zh) 2021-07-30 2021-07-30 基于形状特征的点云场景树木树冠及木质点分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110879122.2A CN113657216A (zh) 2021-07-30 2021-07-30 基于形状特征的点云场景树木树冠及木质点分离方法

Publications (1)

Publication Number Publication Date
CN113657216A true CN113657216A (zh) 2021-11-16

Family

ID=78490169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110879122.2A Withdrawn CN113657216A (zh) 2021-07-30 2021-07-30 基于形状特征的点云场景树木树冠及木质点分离方法

Country Status (1)

Country Link
CN (1) CN113657216A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315488A (zh) * 2023-11-03 2023-12-29 云南师范大学 一种基于点云特征和形态学特征的城市行道树提取方法
CN117496359A (zh) * 2023-12-29 2024-02-02 浙江大学山东(临沂)现代农业研究院 基于三维点云的植物种植布局监测方法及系统
CN117934564A (zh) * 2024-01-05 2024-04-26 南京农业大学 一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法
CN117315488B (zh) * 2023-11-03 2024-07-05 云南师范大学 一种基于点云特征和形态学特征的城市行道树提取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315488A (zh) * 2023-11-03 2023-12-29 云南师范大学 一种基于点云特征和形态学特征的城市行道树提取方法
CN117315488B (zh) * 2023-11-03 2024-07-05 云南师范大学 一种基于点云特征和形态学特征的城市行道树提取方法
CN117496359A (zh) * 2023-12-29 2024-02-02 浙江大学山东(临沂)现代农业研究院 基于三维点云的植物种植布局监测方法及系统
CN117496359B (zh) * 2023-12-29 2024-03-22 浙江大学山东(临沂)现代农业研究院 基于三维点云的植物种植布局监测方法及系统
CN117934564A (zh) * 2024-01-05 2024-04-26 南京农业大学 一种基于体素分割法向量算法的小麦冠层叶倾角分布自动估算方法

Similar Documents

Publication Publication Date Title
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
Lalitha et al. A survey on image segmentation through clustering algorithm
CN105574063B (zh) 基于视觉显著性的图像检索方法
JP5567448B2 (ja) 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
CN109034065B (zh) 一种基于点云的室内场景物体提取方法
CN104850822B (zh) 基于多特征融合的简单背景下的叶片识别方法
Alsmadi et al. Fish recognition based on robust features extraction from color texture measurements using back-propagation classifier
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
CN113657216A (zh) 基于形状特征的点云场景树木树冠及木质点分离方法
Lin et al. Image retrieval system based on adaptive color histogram and texture features
CN113112498B (zh) 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN106874421A (zh) 基于自适应矩形窗口的图像检索方法
CN106446925A (zh) 一种基于图像处理的海豚身份识别的方法
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
CN111414958B (zh) 一种视觉词袋金字塔的多特征图像分类方法及系统
Alnihoud Content-based image retrieval system based on self organizing map, fuzzy color histogram and subtractive fuzzy clustering.
CN115512123A (zh) 一种海鲜菇多时期关键生长特征提取及时期分类方法
JP5464739B2 (ja) 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
CN111091071A (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
CN116824379A (zh) 一种基于多维特征的激光点云建筑物轮廓渐进优化方法
CN109299295B (zh) 蓝印花布图像数据库搜索方法
CN113627531B (zh) 基于支持向量机分类算法测定梨树轮纹病抗性的方法
JP4285644B2 (ja) オブジェクト識別方法および装置ならびにプログラム

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211116