CN113724343B - 一种基于结构感知的树木点云压缩方法 - Google Patents
一种基于结构感知的树木点云压缩方法 Download PDFInfo
- Publication number
- CN113724343B CN113724343B CN202110873525.6A CN202110873525A CN113724343B CN 113724343 B CN113724343 B CN 113724343B CN 202110873525 A CN202110873525 A CN 202110873525A CN 113724343 B CN113724343 B CN 113724343B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tree
- graph
- point
- full
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于结构感知的树木点云压缩方法,包括:步骤1:根据树木点云数据,构建点云全连接图;步骤2:根据点云全连接图,得到每个图顶点到根节点的测地距离,根据测地距离,得到基于树木枝干几何拓扑结构的集群;步骤3:根据基于树木枝干几何拓扑结构的集群,得到降采样点云。本发明的基于结构感知树木点云压缩方法,利用测地距离自适应聚类,顾及树木的骨架结构,自动感知树木的拓扑结构,能有效保留树木的细小枝干结构,实现全局和局部的特征保留。
Description
技术领域
本发明属于激光雷达技术领域,具体涉及一种基于结构感知的树木点云压缩方法。
背景技术
陆地森林植被生态系统分布广泛、结构组成复杂,物质资源丰富,对维护生态平衡、改善生态环境等有着重要作用。传统的森林普查依赖人工外业实地调查,伴随着遥感技术的发展,尤其是合成孔径雷达和激光雷达技术的逐渐成熟,大区域森林观测制图取得了突破性进展。尤其是激光雷达技术因其独特的高精度三维测绘能力,在森林环境监测发挥了重要作用。近年来,在计算机图形学、遥感、植物学等学科领域的共同推进下,随着点云智能处理算法的进展,单木完整三维重建已成为可能,极大地促进了数字植物学、数字林业、智慧城市等领域的发展。
近地面激光雷达点云通常数据量庞大,例如多站地面架站式激光雷达系统从多个角度对目标物扫面,配准后的点云往往密度极高,细节丰富,单棵树即可包含百万到千万个三维点,这为点云数据的有效存储和高效处理提出了高要求。针对树木结构参数提取,如此高密度的点云往往存在冗余,为降低数据量和提升数据处理效率,点云压缩或降采样是必要的处理步骤。
当前常用的点云压缩方法包括均匀采样和随机采样。均匀采样是指将目标点云分划分多个边长为L的体素,保留每个体素的中心点或者距其最近的点作为降采样之后的数据点。然而,对于树木等植物目标,其拓扑几何形状极为复杂,包含从粗到细不同尺度的枝干结构。均匀和随机采样均为全局采样方案,难以保留目标物的细节特征,尤其是空间尺度非常小的结构。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于结构感知的树木点云压缩方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种基于结构感知的树木点云压缩方法,其特征在于,包括:
步骤1:根据树木点云数据,构建点云全连接图;
步骤2:根据所述点云全连接图,得到每个图顶点到根节点的测地距离,根据所述测地距离,得到基于树木枝干几何拓扑结构的集群;
步骤3:根据所述基于树木枝干几何拓扑结构的集群,得到降采样点云。
在本发明的一个实施例中,所述步骤1包括:
步骤1.1:获取树木点云数据;
步骤1.2:根据所述树木点云数据,构建K近邻图;
步骤1.3:根据所述树木点云数据,构建德洛内三角网,将德洛内边按照长度从小到大排序,按顺序依次判断每一个德洛内边所连接的两个顶点是否被所述K近邻图连通,若否,则将该德洛内边加入所述K近邻图,得到所述点云全连接图。
在本发明的一个实施例中,在所述步骤2中,所述根节点为所述点云全连接图中最低的图顶点。
在本发明的一个实施例中,所述步骤2包括:
步骤2.1:利用迪杰斯特拉算法,计算所述点云全连接图中每个图顶点到根节点的最短图距离,作为测地距离;
步骤2.2:根据所述测地距离,对所述点云全连接图中的点进行分层,构建点云层级;
步骤2.3:对每一层级对应的点云子图进行连通区域分析,得到每一层级对应的点类集群,所述每一层级对应的点类集群组成基于树木枝干几何拓扑结构的集群。
在本发明的一个实施例中,所述步骤3包括:
对每一层级对应的点类集群,采用密度加权K均值算法进行降采样压缩,得到降采样点云。
与现有技术相比,本发明的有益效果在于:
本发明的基于结构感知树木点云压缩方法,利用测地距离自适应聚类,顾及树木的骨架结构,自动感知树木的拓扑结构,能有效保留树木的细小枝干结构,实现全局和局部的特征保留。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例提供的一种基于结构感知的树木点云压缩方法的示意图;
图2是本发明实施例提供的一种基于结构感知的树木点云压缩方法的流程图;
图3是本发明实施例提供的不同枝干点云压缩方法的结果对比图;
图4是本发明实施例提供的一种不同压缩比例对胸径测量精度的影响结果图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种基于结构感知的树木点云压缩方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
实施例一
请结合参见图1和图2,图1是本发明实施例提供的一种基于结构感知的树木点云压缩方法的示意图;图2是本发明实施例提供的一种基于结构感知的树木点云压缩方法的流程图。如图所示,本实施例的基于结构感知的树木点云压缩方法,包括:
步骤1:根据树木点云数据,构建点云全连接图;
其中,点云全连接图可以表示为G=(V,E,W),其中V表示图顶点,E表示由两个图顶点相连构成的图边,W表示图边的权重,即图边的欧式长度。
点云全连接图可由K近邻(KNN)图、德洛内三角网、R距离图等构建,由于K近邻图容易受数据密度分布不均以及噪声点影响,其构建的点云全连接图容易连接密度较大的区域,从而造成多个分裂的集群。德洛内(Delaunay)三角网可以构建完整连接的图,但其容易产生变成长度较大的边。
在本实施例中,步骤1具体地,包括:
步骤1.1:获取树木点云数据;
步骤1.2:根据树木点云数据,构建K近邻图;
在本实施例中,首先根据树木点云数据,构建K近邻图,作为初始点云图,具体地,对于每一个图顶点V,搜索其K个最邻近点Pv,去除其中边长大于均值加一个标准差的点,即,当Epv>mean(Epv)+std(Epv)时,去除该点。由于长边容易造成点云全连接图的断裂,通过此步骤可以有效剔除权重较大的图边(也就是长边)。
步骤1.3:根据树木点云数据,构建德洛内三角网,将德洛内边按照长度从小到大排序,按顺序依次判断每一个德洛内边所连接的两个顶点是否被K近邻图连通,若否,则将该德洛内边加入K近邻图,得到点云全连接图。
在本实施例中,通过优先建立K近邻图,然后再构建德洛内三角网,得到点云全连接图,即避免了错误的长边,又构建了完整的点云全连接图。
进一步地,步骤2:根据点云全连接图,得到每个图顶点到根节点的测地距离,根据测地距离,得到基于树木枝干几何拓扑结构的集群;
在本实施例中,根节点为点云全连接图中最低的图顶点。
具体地,步骤2包括:
步骤2.1:利用迪杰斯特拉算法,计算点云全连接图中每个图顶点到根节点的最短图距离,作为测地距离;
在本实施例中,测地距离反应了两点之间沿树木枝干拓扑结构到根部的最短路径,比欧氏距离更好地表示了目标树木的空间几何结构。
步骤2.2:根据测地距离,对点云全连接图中的点进行分层,构建点云层级;
具体地,以预设距离d作为分层间隔,对点云全连接图中的点进行分层,例如,测地距离为0-d的点为第一层,测地距离为d-2d为第二层,以此类推,构建点云层级。
其中,每一层级的中的点被切割为原点云全连接图的点云子图。需要说明的是,点云子图不一定是全连通图,因此需要对其进行连通区域分析。
步骤2.3:对每一层级对应的点云子图进行连通区域分析,得到每一层级对应的点类集群,每一层级对应的点类集群组成基于树木枝干几何拓扑结构的集群。
在本实施例中,每一层级对应的点类集群表示枝干的一部分,与其它聚类方法相比,本实施例的方法有效感知了树木枝干的几何结构,对后续的降采样提供了基础。
进一步地,步骤3:根据基于树木枝干几何拓扑结构的集群,得到降采样点云。
降采样的目的是获取原始点云的子集,使得该子集最大程度保留原始点云的几何特征,即降采样后的点云到原始点云的几何距离应最小。
在本实施例中,步骤3包括:
对每一层级对应的点类集群,采用密度加权K均值算法进行降采样压缩,得到降采样点云。
K均值算法(K-means)是经典的聚类算法之一,其核心思想是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。即:
其中,xi表示数据点,cj表示类中心。
但是,K-means算法本身没有考虑数据密度不均的情况,对于树木点云数据,由于遮挡等存在,密度分布差别很大。在降采样过程中,则希望尽可能保留数据较为稀疏部分的点,而稠密部分的点可以更多得去除。
因此,在本实施中加入反密度权重,采用加权K均值算法聚类。需要说明的是,该方法是密度反向加权,即,将降采样后的点云推向密度稀疏的区域,以最大限度保留原始点云的几何分布。
具体地,加权K均值算法聚类的具体步骤为:
a)设定类的个数K;
b)计算每个点的权重wi,
其中,ndi表示每个点到其最邻近点的距离。
在本实施例中,该权重赋予密集处的点较小的权重(因为ndi较小),稀疏处的点较大的权重。
c)初始化K个类的中心点;
d)以最近为规则将每个点xi分配到某一类:
其中,xi表示数据点,cj表示类中心。
e)对于每一个类中心cj,根据每个点的权重wi,重新计算类中心点的位置:
f)重复步骤d)-e),直到每个点的类别不再变化。
需要说明的是,上述加权K均值算法聚类,最终聚类的每个类中心点cj可被认为是降采样后的点。但是由于K均值算法的类中心点是均值计算而来,并不是原始点集中存在的点,因此,选取原始点云中与所述类中心点最临近的点作为最终的降采样点集。
本实施例的基于结构感知树木点云压缩方法,利用测地距离自适应聚类,顾及树木的骨架结构,自动感知树木的拓扑结构,能有效保留树木的细小枝干结构,实现全局和局部的特征保留。
实施例二
本实施例对实施例一的基于结构感知的树木点云压缩方法,进行了实验验证。
将基于结构感知的树木点云压缩方法与均匀采样和随机采样进行对比,其中,枝干点云被分为不同等级,第一等级枝干即为树干,依次类推,等级越高的树枝代表越细微的枝干结构。请参见图3,图3是本发明实施例提供的不同枝干点云压缩方法的结果对比图,如图所示,在相同的压缩比例下,基于结构感知的树木点云压缩方法更好地保留精细枝干的细节。例如,当压缩比例大于99%时,基于结构感知的树木点云压缩方法压缩后的点云较其它方法保留更多的高等级枝干,尤其是三级以上的枝干。随机采样遵循原始点云的密度分布,大量保留树干点而损失了细小树枝。均匀采样能够保留一定的细小树枝结构,与本实施例的基于结构感知的树木点云压缩方法具有相似的密度分布,但对于三级以上枝干的保留程度较差。
进一步地,测试分析了基于结构感知的树木点云压缩方法在不同压缩比例情况下对树木胸径提取精度的影响,以测定点云压缩算法对树木结构参数提取的影响。请参见图4,图4是本发明实施例提供的一种不同压缩比例对胸径测量精度的影响结果图,如图所示,与原始点云相比,本实施例的基于结构感知的树木点云压缩方法,在压缩比例达到99%以上时,胸径估测结果仍然非常稳定,相对误差低于1%。其中,胸径估测采样了圆拟合的方法,进一步证明了该基于结构感知的树木点云压缩方法在保留细小枝干几何特征的同时,能够有效保留树干的几何结构,并未损失树干的特征,同时保留全局和局部几何特征。
本实施例的基于结构感知的树木点云压缩方法,针对树木几何拓扑结构异常复杂的情况,提出了结构感知自适应压缩算法,与均匀采样和随机采样的对比试验证明该方法能有效保留树木的细小枝干结构,实现全局和局部的特征保留,同时,通过该方法压缩后的点云并未对树木结构参数测量产生精度影响。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于结构感知的树木点云压缩方法,其特征在于,包括:
步骤1:根据树木点云数据,构建点云全连接图;所述步骤1包括:
步骤1.1:获取树木点云数据;
步骤1.2:根据所述树木点云数据,构建K近邻图;
步骤1.3:根据所述树木点云数据,构建德洛内三角网,将德洛内边按照长度从小到大排序,按顺序依次判断每一个德洛内边所连接的两个顶点是否被所述K近邻图连通,若否,则将该德洛内边加入所述K近邻图,得到所述点云全连接图;
步骤2:根据所述点云全连接图,得到每个图顶点到根节点的测地距离,根据所述测地距离,得到基于树木枝干几何拓扑结构的集群;所述步骤2包括:
步骤2.1:利用迪杰斯特拉算法,计算所述点云全连接图中每个图顶点到根节点的最短图距离,作为测地距离;
步骤2.2:根据所述测地距离,对所述点云全连接图中的点进行分层,构建点云层级;
步骤2.3:对每一层级对应的点云子图进行连通区域分析,得到每一层级对应的点类集群,所述每一层级对应的点类集群组成基于树木枝干几何拓扑结构的集群;步骤3:根据所述基于树木枝干几何拓扑结构的集群,得到降采样点云;所述步骤3包括:
对每一层级对应的点类集群,采用密度加权K均值算法进行降采样压缩,得到降采样点云,其中,密度加权K均值算法为密度反向加权,密度加权K均值算法聚类的具体步骤为:
a)设定类的个数K;
b)计算每个点的权重wi
其中,ndi表示每个点到其最邻近点的距离;
c)初始化K个类的中心点;
d)以最近为规则将每个点xi分配到某一类:
其中,xi表示数据点,cj表示类中心,k表示第k类;
e)对于每一个类中心cj,根据每个点的权重wi,重新计算类中心点的位置:
其中,n表示第n个数据点;
f)重复步骤d)-e),直到每个点的类别不再变化。
2.根据权利要求1所述的基于结构感知的树木点云压缩方法,其特征在于,在所述步骤2中,所述根节点为所述点云全连接图中最低的图顶点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873525.6A CN113724343B (zh) | 2021-07-30 | 2021-07-30 | 一种基于结构感知的树木点云压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873525.6A CN113724343B (zh) | 2021-07-30 | 2021-07-30 | 一种基于结构感知的树木点云压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724343A CN113724343A (zh) | 2021-11-30 |
CN113724343B true CN113724343B (zh) | 2023-06-09 |
Family
ID=78674544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110873525.6A Active CN113724343B (zh) | 2021-07-30 | 2021-07-30 | 一种基于结构感知的树木点云压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924801B (zh) * | 2022-05-26 | 2023-09-15 | 中国人民解放军国防科技大学 | 基于缓存拓扑的多核处理器线程唤醒方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942838A (zh) * | 2014-05-13 | 2014-07-23 | 福州大学 | 基于点云数据的单树三维建模与形态参数提取的方法 |
KR102256913B1 (ko) * | 2018-12-03 | 2021-05-27 | 고려대학교 산학협력단 | 삼차원 동적 포인트 클라우드 압축방법 |
CN112802089B (zh) * | 2021-02-05 | 2023-09-01 | 重庆大学 | 一种基于分叉数量自动估计的点云骨架线提取方法及系统 |
-
2021
- 2021-07-30 CN CN202110873525.6A patent/CN113724343B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113724343A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
WO2021232467A1 (zh) | 点云单木分割方法、装置、设备及计算机可读介质 | |
CN112381861A (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 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN111649763B (zh) | 一种基于重力灯塔建立的潜艇导航方法及系统 | |
CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
CN115953607B (zh) | 一种使用点云数据的树干胸径的提取方法和系统 | |
CN113724343B (zh) | 一种基于结构感知的树木点云压缩方法 | |
CN113434736A (zh) | 一种面向遥感大数据的多维混合索引方法及系统 | |
Othmani et al. | A novel computer-aided tree species identification method based on burst wind segmentation of 3d bark textures | |
CN107818338A (zh) | 一种面向地图综合的建筑物群组模式识别的方法及系统 | |
CN113628339B (zh) | 一种基于局部保留投影的断层片提取方法 | |
CN116500703B (zh) | 一种雷暴单体识别方法和装置 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN111507194B (zh) | 一种基于分形维监督学习的地基LiDAR枝叶点云分离方法 | |
CN106023178B (zh) | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 | |
CN111860359A (zh) | 一种基于改进随机森林算法的点云分类方法 | |
Huang et al. | A 3D individual tree modeling technique based on terrestrial LiDAR point cloud data | |
CN116993555A (zh) | 国土空间规划重点区域识别的分区方法、系统及存储介质 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN115564989A (zh) | 面向土地利用分类的随机森林算法 | |
Liu et al. | Automated extraction of urban roadside trees from mobile laser scanning point clouds based on a voxel growing method | |
CN115187979A (zh) | 一种基于图论的单木点云枝叶分离方法 | |
CN113190633A (zh) | 一种基于双重距离的气候空间分区方法 |
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 |