CN113658338A - 点云树木单体分割方法、装置、电子设备及存储介质 - Google Patents
点云树木单体分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113658338A CN113658338A CN202110982203.5A CN202110982203A CN113658338A CN 113658338 A CN113658338 A CN 113658338A CN 202110982203 A CN202110982203 A CN 202110982203A CN 113658338 A CN113658338 A CN 113658338A
- Authority
- CN
- China
- Prior art keywords
- point
- clustering
- point set
- sets
- points
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种点云树木单体分割方法、装置、电子设备及存储介质,包括:根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,其中,第一点集合中的点的z坐标值大于预设高度,第二点集合中的点的z坐标值小于预设高度;采用预设聚类算法,对第二点集合进行处理,获取n个聚类点集合;将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,根据比较结果将第一点集合中的点进行划分,获取n个目标分割结果。通过上述步骤,可以首先通过对树干上的点进行聚合分类,再将树冠层的点云数据按照树干上的点的聚类集合进行分割,可以充分适应树木的生长特点,使得对点的分类足够准确,从而使得点云树木单体分割的结果更加精准。
Description
技术领域
本申请涉及点云数据处理技术领域,具体而言,涉及一种点云树木单体分割方法、装置、电子设备及存储介质。
背景技术
点云数据,是指在一个三维坐标系统中的一组向量的集合,这些向量通常以X,Y,Z三维坐标的形式表示,一般主要用来代表一个物体的外表面形状。点云数据除了代表物体上点的位置信息外,还可以表示点的RGB颜色、灰度值、深度以及分割结果等。激光雷达点云数据,是由激光探测与测量(Light Detection And Ranging,简称LiDAR),也即激光雷达,扫描获取而得到的。激光雷达点云数据可以用来进行三维树木模型的建立,而一般通过激光雷达获得的树木的点云数据,都是一片树木或者森林区域的点云数据,如何准确地在点云数据中,识别并提取树木单体,是后续进行单个树木建模的基础。
现有的树木单体分割的过程,通常采用临近搜索算法或者区域生长算法,即,由一个随机点出发,寻找其周围的点与之相比,通过判断距离或者判断法线方向是否相近而决定是否进行归类,通过判断曲率值来决定是否作为种子点,再寻找种子点周围的点进行重复判断,直至种子点不再出现,则完成一团点云数据的分割。
但是,针对树木的点云数据存在的一些特点,例如:树龄较长的树木在树冠层存在枝叶重叠交叉现象、树干层底部也往往存在较多的噪声点等,会导致存在点分类不够精准,噪声点难以排除,从而导致最终的分割结果不够准确的问题。
发明内容
有鉴于此,本申请的目的在于,针对上述现有技术中的不足,提供一种点云树木单体分割方法、装置、电子设备及存储介质,以便解决现有技术中,存在的在基于点云数据进行树木单体分割的过程中,点分类不够精准,噪声点难以排除,从而导致最终的分割结果不够准确的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种点云树木单体分割方法,所述方法包括:
根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,所述第一点集合中的点的z坐标值大于所述预设高度,所述第二点集合中的点的z坐标值小于所述预设高度;
采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,其中n为大于0的整数,n用于标识所述原始树木点云数据中所包含树木的数量;
将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,其中,所述第一点为每个所述聚类点集合中z坐标值最大的点。
作为一种可能的实现方式,所述采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,包括:
采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数;
将所述初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取所述n个聚类点集合。
作为一种可能的实现方式,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,包括:
将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,确定与所述第一点集合中各点最接近的2个待归类集合,其中,所述待归类集合属于所述n个聚类点集合;
将所述第一点集合中各点与对应的所述待归类集合中目标范围的点进行比较,确定最终划分的集合,获取n个目标分割结果,其中,所述待归类集合中目标范围的点包括:与2个所述待归类集合中最高点的z坐标值相差第二预设阈值的点,其中,所述最高点为所述待归类集合中z坐标值最大的点。
作为一种可能的实现方式,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,确定与所述第一点集合中各点最接近的2个待归类集合,包括:
根据各所述聚类点集合中的第一点在沿z轴方向的投影、所述第一点集合中各点在沿z轴方向的投影,计算获取所述第一点集合中各点与所述聚类点集合中的第一点之间的距离;
根据所述第一点集合中各点与所述聚类点集合中的第一点之间的距离,确定所述第一点集合中各点最接近的2个待归类集合。
作为一种可能的实现方式,所述采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,包括:
采用预设聚类算法,计算所述第二点集合中各点之间的距离;
根据所述第二点集合中各点之间的距离,将满足预设条件的点聚类于同一初始聚类点集合,获取m个初始聚类点集合。
作为一种可能的实现方式,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果之前还包括:
对所述第一点集合和所述第二点集合中的点,按照z坐标值从小到大进行排序。
第二方面,本申请实施例还提供了一种点云树木单体分割装置,所述装置包括:
划分模块,用于根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,所述第一点集合中的点的z坐标值大于所述预设高度,所述第二点集合中的点的z坐标值小于所述预设高度;
处理模块,用于采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,其中n为大于0的整数,n用于标识所述原始树木点云数据中所包含树木的数量;
获取模块,用于将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,其中,所述第一点为每个所述聚类点集合中z坐标值最大的点。
作为一种可能的实现方式,所述处理模块具体用于:
采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数;将所述初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取所述n个聚类点集合。
作为一种可能的实现方式,所述获取模块具体用于:
将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,确定与所述第一点集合中各点最接近的2个待归类集合,其中,所述待归类集合属于所述n个聚类点集合;将所述第一点集合中各点与对应的所述待归类集合中目标范围的点进行比较,确定最终划分的集合,获取n个目标分割结果,其中,所述待归类集合中目标范围的点包括:与2个所述待归类集合中最高点的z坐标值相差第二预设阈值的点,其中,所述最高点为所述待归类集合中z坐标值最大的点。
本申请的有益效果是:
本申请实施例提供的一种点云树木单体分割方法、装置、电子设备及存储介质,该方法包括:根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,其中,第一点集合中的点的z坐标值大于预设高度,第二点集合中的点的z坐标值小于预设高度;采用预设聚类算法,对第二点集合进行处理,获取n个聚类点集合;将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,根据比较结果将第一点集合中的点进行划分,获取n个目标分割结果,其中,第一点为每个聚类点集合中z坐标值最大的点。通过上述步骤,可以首先通过对树干上的点进行聚合分类,找到每棵树木的种子点集合,也就可以确定树木的数量,再将树冠层的点云数据,按照树干上的点的聚类集合进行分割,以此,可以充分适应树木的生长特点,使得对点的分类足够准确,从而使得点云树木单体分割的结果更加精准。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种点云树木单体分割方法的流程示意图;
图2为本申请实施例提供的一种点云树木单体分割方法的另一流程示意图;
图3为本申请实施例提供的一种点云树木单体分割方法的另一流程示意图;
图4为本申请实施例提供的一种点云树木单体分割方法的另一流程示意图;
图5为本申请实施例提供的一种点云树木单体分割方法的另一流程示意图;
图6为本申请实施例提供的一种点云树木单体分割方法的对点云数据进行分类后的两个点集合的可视化效果图;
图7为本申请实施例提供的一种点云树木单体分割方法的整体分割步骤的可视化效果;
图8为本申请实施例提供的一种点云树木单体分割装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
目前,在基于点云数据,进行树木单体分割的过程中,一般采用临近搜索或区域生长算法,但是,由于树木的点云数据存在的树龄较长的树木在树冠层存在枝叶重叠交叉现象、树干底层也往往存在较多的噪声点,因此,采用现有技术,在进行树木单体分割的过程中,会存在点分类不够准确,噪声点难以排除,而导致最终的分割结果不够准确的问题。
基于此,本申请实施例提出一种点云树木单体分割方法,抛弃现有技术中,采用从随机点出发通过对各种参数的判断来进行归类,而采用从多点出发,按照树木自下而上的生长区域进行单木分割,即,首先通过对树干上的点进行聚类,来找到每棵树木的种子点集合,再将树冠层的点云数据按照树干上的点的聚类集合进行分割。
请参见图1,是本申请实施例提供的一种点云树木单体分割方法的流程示意图,如图1所示,该方法包括:
步骤S101,根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合。
其中,第一点集合中的点的z坐标值大于预设高度,第二点集合中的点的z坐标值小于或者等于预设高度。其中,原始树木点云数据,可以指,需要进行分割的树木所对应的点云数据,第一预设高度可以为1米、1.5米、2米、3米、5米等,实际中,可以根据需要分割的树木的生长情况进行设定,主要是为了确定出独立的树干避免遇到树木上层分叉的情况,以准确确定树木的数量,以先划分出独立的树干,本申请在此不做具体限制。
例如,将需要进行分割的树木所对应的点云数据集合称为p,并假设预设高度为1米,则可以按照集合p中,各个点的z坐标值的大小,将集合p分为第一点集合p1和第二点集合p2,其中,第一点集合p1中的点的z坐标值大于1米,第二点集合p2中的点的z坐标值小于或者等于1米。
步骤S102,采用预设聚类算法,对第二点集合进行处理,获取n个聚类点集合。
其中,预设聚类算法可以为基于KDtree的Dbscane密度聚类算法,采用该聚类算法,对第二点集合进行聚类算法分类,聚类最终获得n个聚类点集合,其中,n为大于0的整数,n用于标识原始树木点云数据中所包含的树木的数量。
继续上述的举例,假设采用聚类算法,对第二点集合p2进行聚类算法分类后,得到了5个聚类点集合,则表示原始树木点云数据中,即,需要进行分割的树木所对应的点云数据中包含了5棵树。
步骤S103,将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,根据比较结果将第一点集合中的点进行划分,获取n个目标分割结果,其中,各聚类点集合中的第一点,为每个聚类点集合中z坐标值最大的点。
具体的,将各聚类点集合中的z坐标值最大的点,分别与第一点集合中的各个点进行比较,并根据比较结果将第一点集合中的点进行划分,即,根据比较结果,将第一点集合中的各点划分至n个聚类点集合中的各聚类点集合中,得到n个目标分割结果。
继续上述的举例,假设通过聚类算法得到了5个聚类点集合n1、n2、n3、n4、n5,集合n1中的第一点为Pn1,集合n2中的第一点为Pn2,集合n3中的第一点为Pn3,集合n4中的第一点为Pn4,集合n5中的第一点为Pn5,分别将Pn1、Pn2、Pn3、Pn4、Pn5与第一点集合p1中的各点进行比较,根据比较结果,将p1中的各点分别划分至n1、n2、n3、n4、n5中,得到5个目标分割结果。
综上所述,本申请实施例提供的一种点云树木单体分割方法,包括:根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,其中,第一点集合中的点的z坐标值大于预设高度,第二点集合中的点的z坐标值小于预设高度;采用预设聚类算法,对第二点集合进行处理,获取n个聚类点集合;将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,根据比较结果将第一点集合中的点进行划分,获取n个目标分割结果,其中,第一点为每个聚类点集合中z坐标值最大的点。通过上述步骤,可以首先通过对树干上的点进行聚合分类,找到每棵树木的种子点集合,也就可以确定树木的数量,再将树冠层的点云数据,按照树干上的点的聚类集合进行分割,以此,可以充分适应树木的生长特点,使得对点的分类足够准确,从而使得点云树木单体分割的结果更加精准。
为了剔除噪声点,可以对通过聚类算法得到的聚类点集合进行预处理,请参见图2,是本申请实施例提供的一种点云树木单体分割方法的另一流程示意图,如图2所示,上述步骤S102包括:
步骤S201,采用预设聚类算法,对第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数。
步骤S202,将初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取n个聚类点集合。
具体的,在采用预设聚类算法,对第二点集合进行处理,获取m个初始聚类点集合之后,将各初始聚类点集合中,点的总数小于第一预设阈值的集合抛弃,可以假设第一预设阈值为100,即,将m个初始聚类点集合的各集合中,点的总数小于100的集合抛弃,最终得到n个有效的聚类点集合,可以理解的是,n小于或者等于m。需要说明的是,第一预设阈值可以根据实际情况进行设置,本申请在此不做具体限制。
通过将初始聚类集合中,点的总数小于第一预设阈值的集合剔除,能够实现剔除噪声点,从而减小噪声点对于最终分类结果的影响。
请参见图3,是本申请实施例提供的一种点云树木单体分割方法的另一流程示意图,如图3所示,上述步骤S103包括:
步骤S301,将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,确定与第一点集合中各点最接近的2个待归类集合。其中,待归类集合属于n个聚类点集合。
具体的,将n个聚类点集合中的第一点,分别与第一点集合中的各个点进行比较,确定与第一点集合中的各个点最接近的2个待归类集合,其中,待归类集合可以指,将第一点集合中的各点划分至的聚类点集合中,与第一点集合中的各点最接近的聚类点集合。
继续上述步骤的举例,假设第一点集合p1中的第一个点为p1_a,其中,p1_a为从第一点集合p1中按照某种规则取出的一个点,该规则只需要保证将第一点集合p1中的所有点都能取出即可。
进一步的,将5个聚类点集合n1、n2、n3、n4、n5中的第一点分别与p1_a进行比较,确定与p1_a最接近的2个待归类集合,假设分别为n2和n3,即表示,p1_a最有可能划分至n2或者n3中。
重复上述操作,不断地将第一点集合p1中的各个点取出,将5个聚类点集合n1、n2、n3、n4、n5中的第一点分别与每次取出的点进行比较,以确定第一点集合p1各个点的最接近的2个待归类集合。
步骤S302,将第一点集合中各点与对应的待归类集合中目标范围的点进行比较,确定最终划分的集合,获取n个目标分割结果。
具体的,将第一点集合中各个点与对应的待归类集合中,目标范围内的点进行比较,确定第一点集合中各个点最终划分的聚类集合,得到n个目标分割结果。其中,待归类集合中目标范围的点包括:与2个待归类集合中最高点的z坐标值相差第二预设阈值的点,其中,最高点为待归类集合中z坐标值最大的点。
继续步骤S301的举例,在得到第一点集合p1中的点p1_a的2个待归类集合n2和n3后,即,在确定了点p1_a最有可能被划分至聚类结合n2和n3后,需要进一步确定,将p1_a最终划分至n2还是n3。可以通过将p1_a与n2和n3中,目标范围内的点进行比较,最终确定将p1_a划分至n2或者n3,其中,目标范围内的点,可以指,与待归类集合n2和n3中的最高点的z坐标值相差第二预设阈值的点,其中,n2和n3中的最高点为n2或者n3中z坐标值最大的点,第二预设阈值可以根据实际情况进行设定,例如可以为0.2米,以能够达到更准确的分类结果为目的,本申请在此不做具体限制。
请参见图4,是本申请实施例提供的一种点云树木单体分割方法的另一流程示意图,如图4所示,上述步骤S301包括:
步骤S401,根据各聚类点集合中的第一点在沿z轴方向的投影、第一点集合中各点在沿z轴方向的投影,计算获取第一点集合中各点与聚类点集合中的第一点之间的距离。
具体的,将各聚类点集合中的第一点以及第一点集合中的各点,沿z轴方向进行投影,在平面上计算第一点集合中的各点与各聚类点集合中的第一点与之间的距离。
步骤S402,根据第一点集合中各点与聚类点集合中的第一点之间的距离,确定第一点集合中各点最接近的2个待归类集合。
具体的,根据第一点集合中各点与聚类点集合中的第一点之间的距离,找到与第一点集合中的点最近的两个第一点,该最近的两个第一点所在的两个聚类点集合,即为第一点集合中的点最接近的2个待归类集合。
继续上述的举例,将第一点集合p1中的点p1_a以及各聚类点集合n1、n2、n3、n4、n5中的第一点,假设分别为n1_p1、n2_p1、n3_p1、n4_p1、n5_p1,分别沿z轴方向进行投影,在平面上分别计算p1_a与n1_p1、p1_a与n2_p1、p1_a与n3_p1、p1_a与n4_p1、p1_a与n5_p1之间的距离,假设,计算结果为p1_a与n2_p1之间的距离最小,p1_a与n3_p1之间的距离为次小,那么,则将n2_p1所在的聚类集合n2以及将n3_p1所在的聚类结合n3,作为与p1_a最接近的2个待归类集合。
重复上述操作,可以为第一点集合p1中的各个点均找到最接近的2个待归类集合。
请参见图5,是本申请实施例提供的一种点云树木单体分割方法的另一流程示意图,如图5所示,上述步骤S201包括:
步骤S501,采用预设聚类算法,计算第二点集合中各点之间的距离。
具体的,采用预设的聚类算法,计算第二点集合中各点之间的距离,之后再进行聚类。
步骤S502,根据第二点集合中各点之间的距离,将满足预设条件的点聚类于同一初始聚类点集合,获取m个初始聚类点集合。
具体的,根据第二点集合中,各点之间的距离,将满足预设条件的点使用预设的聚类算法聚类于同一初始聚类点集合,获取m个初始聚类点集合。
该预设的聚类算法可以为使用基于k-d Tree的密度聚类算法,算法首先对需要聚类的点集合构建k-d Tree,用于高效计算点间的距离,然后使用密度聚类算法进行聚类,找到簇间距离相近的n个子集。聚类算法的具体步骤如下:
具体的,聚类算法的输入为:样本集D=(x1,x2,…,xz),以及邻域参数(∈,MinPts)。其中,D为包含z个对象的数据集合,x1、x2、…、xz为D中的各样本。在本申请实施例中,由于是要对第二点集合进行聚类,因此,本申请实施例中的样本集D即为第二点集合。
邻域参数(∈,MinPts)用来描述邻域样本的分布紧密程度,∈描述了某一样本的邻域距离阈值,MinPts描述了某一样本的距离为∈的邻域中样本个数的阈值,称为邻域密度阈值。
聚类算法的输出为:基于密度的簇划分C。
步骤(1),初始化核心对象集合初始化聚类簇数k=0,初始化未访问样本集合Γ=D,簇划分其中,核心对象集合为所有核心对象组成的结合,而核心对象可以为,若对于任一样本xj∈D,如果其∈-邻域对应的N∈(xj)至少包含MinPts个样本,则xj为核心对象。
步骤(2),对于j=1,2,...,z,按下面的步骤找出所有的核心对象:
a)通过距离度量方式,找到样本xj的∈-邻域子样本集N∈(xj);
b)如果子样本集样本个数满足|N∈(xj)|≥MinPts,将样本xj加入核心对象样本集合:Ω=Ω∪{xj}。
步骤(4),在核心对象集合Ω中,随机选择一个核心对象o,初始化当前簇核心对象队列Ωcur={o},初始化类别序号k=k+1,初始化当前簇样本集合Ck={o},更新未访问样本集合Γ=Γ-{o}。
步骤(6),在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(o′),令Δ=N∈(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤(5)。
输出结果为:簇划分C={C1,C2,...,Ck}。
可以理解的是,在本申请实施例中,在对第二点集通过聚类算法进行划分后,获取的m个初始聚类点集合,即对应上述簇划分C,其中,k的取值在本申请实施例中为m。
可选的,上述步骤S103之前,该方法还包括:对第一点集合和第二点集合中的点,按照z坐标值从小到大进行排序。
请参见图6,是本申请实施例提供的一种点云树木单体分割方法的对点云数据进行分类后的两个点集合的可视化效果图,如图6所示,p1为第一点集合,p2为第二点集合,其中,第一点集合p1中的点的z坐标值大于预设高度,第二点集合p2中的点的z坐标值小于或者等于预设高度。
请参见图7,是本申请实施例提供的一种点云树木单体分割方法的整体分割步骤的可视化效果,如图7所示,首先得到树干,依次得到树冠底部,再得到树冠中部,最后得到树冠顶部的聚类分割图。
基于同一发明构思,本申请实施例中还提供了与该点云树木单体分割方法对应的一种点云树木单体分割装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述点云树木单体分割方法相似,因此,装置的实施可以参见方法的实施,重复之处不再赘述。
请参见图8,是本申请实施例提供的一种点云树木单体分割装置的结构示意图,如图8所示,该装置包括:
划分模块801,用于根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,第一点集合中的点的z坐标值大于预设高度,第二点集合中的点的z坐标值小于预设高度。
处理模块802,用于采用预设聚类算法,对第二点集合进行处理,获取n个聚类点集合,其中n为大于0的整数,n用于标识原始树木点云数据中所包含树木的数量。
获取模块803,用于将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,根据比较结果将第一点集合中的点进行划分,获取n个目标分割结果,其中,第一点为每个聚类点集合中z坐标值最大的点。
在一种可能的实施方式中,处理模块802具体用于:
采用预设聚类算法,对第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数;将初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取n个聚类点集合。
在一种可能的实施方式中,获取模块803具体用于:
将各聚类点集合中的第一点,分别与第一点集合中的点进行比较,确定与第一点集合中各点最接近的2个待归类集合,其中,待归类集合属于n个聚类点集合;将第一点集合中各点与对应的待归类集合中目标范围的点进行比较,确定最终划分的集合,获取n个目标分割结果,其中,待归类集合中目标范围的点包括:与2个待归类集合中最高点的z坐标值相差第二预设阈值的点,其中,最高点为待归类集合中z坐标值最大的点。
在一种可能的实施方式中,获取模块803还具体用于:
根据各聚类点集合中的第一点在沿z轴方向的投影、第一点集合中各点在沿z轴方向的投影,计算获取第一点集合中各点与聚类点集合中的第一点之间的距离;根据第一点集合中各点与聚类点集合中的第一点之间的距离,确定第一点集合中各点最接近的2个待归类集合。
在一种可能的实施方式中,处理模块802还具体用于:
采用预设聚类算法,计算第二点集合中各点之间的距离;根据第二点集合中各点之间的距离,将满足预设条件的点聚类于同一初始聚类点集合,获取m个初始聚类点集合。
上述装置用于执行前述实施例提供的方法,关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个数字处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
本申请实施例还提供了一种电子设备900,如图9所示,是本申请实施例提供的电子设备900的结构示意图,包括:处理器901、存储器902、和总线903。存储器902存储有处理器901可执行的机器可读指令,当电子设备900运行时,处理器901与存储器902之间通过总线903通信,机器可读指令被处理器901执行时执行上述点云树木单体分割方法实施例中的方法步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述点云树木单体分割方法实施例中的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述点云树木单体分割方法实施例。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种点云树木单体分割方法,其特征在于,所述方法包括:
根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,所述第一点集合中的点的z坐标值大于所述预设高度,所述第二点集合中的点的z坐标值小于所述预设高度;
采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,其中n为大于0的整数,n用于标识所述原始树木点云数据中所包含树木的数量;
将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,其中,所述第一点为每个所述聚类点集合中z坐标值最大的点。
2.根据权利要求1所述的方法,其特征在于,所述采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,包括:
采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数;
将所述初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取所述n个聚类点集合。
3.根据权利要求1所述的方法,其特征在于,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,包括:
将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,确定与所述第一点集合中各点最接近的2个待归类集合,其中,所述待归类集合属于所述n个聚类点集合;
将所述第一点集合中各点与对应的所述待归类集合中目标范围的点进行比较,确定最终划分的集合,获取n个目标分割结果,其中,所述待归类集合中目标范围的点包括:与2个所述待归类集合中最高点的z坐标值相差第二预设阈值的点,其中,所述最高点为所述待归类集合中z坐标值最大的点。
4.根据权利要求3所述的方法,其特征在于,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,确定与所述第一点集合中各点最接近的2个待归类集合,包括:
根据各所述聚类点集合中的第一点在沿z轴方向的投影、所述第一点集合中各点在沿z轴方向的投影,计算获取所述第一点集合中各点与所述聚类点集合中的第一点之间的距离;
根据所述第一点集合中各点与所述聚类点集合中的第一点之间的距离,确定所述第一点集合中各点最接近的2个待归类集合。
5.根据权利要求2所述的方法,其特征在于,所述采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,包括:
采用预设聚类算法,计算所述第二点集合中各点之间的距离;
根据所述第二点集合中各点之间的距离,将满足预设条件的点聚类于同一初始聚类点集合,获取m个初始聚类点集合。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果之前还包括:
对所述第一点集合和所述第二点集合中的点,按照z坐标值从小到大进行排序。
7.一种点云树木单体分割装置,其特征在于,所述装置包括:
划分模块,用于根据预设高度,将原始树木点云数据划分为第一点集合和第二点集合,所述第一点集合中的点的z坐标值大于所述预设高度,所述第二点集合中的点的z坐标值小于所述预设高度;
处理模块,用于采用预设聚类算法,对所述第二点集合进行处理,获取n个聚类点集合,其中n为大于0的整数,n用于标识所述原始树木点云数据中所包含树木的数量;
获取模块,用于将各所述聚类点集合中的第一点,分别与所述第一点集合中的点进行比较,根据比较结果将所述第一点集合中的点进行划分,获取n个目标分割结果,其中,所述第一点为每个所述聚类点集合中z坐标值最大的点。
8.根据权利要求7所述的装置,其特征在于,所述处理模块具体用于:
采用预设聚类算法,对所述第二点集合进行处理,获取m个初始聚类点集合,其中,m为大于0的整数;将所述初始聚类点集合中点总数小于第一预设阈值的集合剔除,获取所述n个聚类点集合。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行时执行如权利要求1-6任一项所述的点云树木单体分割方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-6任一项所述的点云树木单体分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982203.5A CN113658338A (zh) | 2021-08-25 | 2021-08-25 | 点云树木单体分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982203.5A CN113658338A (zh) | 2021-08-25 | 2021-08-25 | 点云树木单体分割方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658338A true CN113658338A (zh) | 2021-11-16 |
Family
ID=78481973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110982203.5A Pending CN113658338A (zh) | 2021-08-25 | 2021-08-25 | 点云树木单体分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475151A (zh) * | 2023-11-08 | 2024-01-30 | 中南林业科技大学 | 一种结合树顶树干检测与林木模型的机载点云分割方法 |
-
2021
- 2021-08-25 CN CN202110982203.5A patent/CN113658338A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475151A (zh) * | 2023-11-08 | 2024-01-30 | 中南林业科技大学 | 一种结合树顶树干检测与林木模型的机载点云分割方法 |
CN117475151B (zh) * | 2023-11-08 | 2024-04-30 | 中南林业科技大学 | 一种结合树顶树干检测与林木模型的机载点云分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434721A (zh) | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 | |
KR20190082062A (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
CN110378175B (zh) | 道路边沿的识别方法和装置 | |
CN106919957B (zh) | 处理数据的方法及装置 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
Bastani et al. | Machine-assisted map editing | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN116310849A (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
Bergamasco et al. | A graph-based technique for semi-supervised segmentation of 3D surfaces | |
CN113658338A (zh) | 点云树木单体分割方法、装置、电子设备及存储介质 | |
Wang et al. | Scalable individual tree delineation in 3D point clouds | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN114913330B (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
CN113903016B (zh) | 分岔点检测方法、装置、计算机设备和存储介质 | |
JP5928240B2 (ja) | 3次元形状解釈装置及びプログラム | |
WO2022037452A1 (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
JP7310932B2 (ja) | 3次元点群識別装置、学習装置、3次元点群識別方法、学習方法、及びプログラム |
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 |