CN114219912A - 一种从地基激光雷达点云中自动重建树木结构的方法 - Google Patents
一种从地基激光雷达点云中自动重建树木结构的方法 Download PDFInfo
- Publication number
- CN114219912A CN114219912A CN202111388071.XA CN202111388071A CN114219912A CN 114219912 A CN114219912 A CN 114219912A CN 202111388071 A CN202111388071 A CN 202111388071A CN 114219912 A CN114219912 A CN 114219912A
- Authority
- CN
- China
- Prior art keywords
- tree
- vertex
- point cloud
- branches
- trunk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000008901 benefit Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 235000015097 nutrients Nutrition 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Image Generation (AREA)
Abstract
本发明提供了一个从地基激光雷达点云中自动重建树木枝干结构的方法，其特征是：为了从TLS点云中准确拟合树木枝干几何结构和拓扑关系，本发明基于图论方法，并结合先验假设建模和轻量化表达的优势重建了单木几何结构和拓扑，提出了通用性强、精度高的单木枝干精细几何结构重建方法。首先基于三维Delaunay完成对输入点云的三角剖分，基于Dijkstra算法计算了有向加权图的最短路径。然后以最小生成树(MST)算法框架提取树木初始骨架，设计多余顶点和边的合并算法，完成对初始骨架的简化和优化。最后基于树木骨架完成了单木枝干结构圆柱体拟合及其优化算法，重建了精细的单木枝干几何结构。
Description
一、技术领域
本发明涉及一种树木重建的方法，主要是从地基激光雷达点云中自动重建树木枝干结构的方法。
二、技术背景
随着激光雷达软硬件技术兴起和成本逐渐降低，不断的被森林生态领域深入研究与应用。激光雷达点云可以描述详细的树木几何形态信息，为高精度、真实感强和多层次细节表达的树木建模提供了数据基础。近些年，国内外一些研究人员在基于激光雷达点云的树木建模理论、方法和技术等方面进行了尝试和探索，并取得了比传统树木建模方法更具林业优势的成果。目前主要包括了聚类思想建模、图论方法建模、先验假设建模、拉普拉斯算子建模和轻量化表达建模。
基于聚类的方法按照点的邻域信息确定按距离划分的点集，通过聚类算法和近邻关系提取树木骨架。由于高度依赖于输入数据的质量，因此对于有质量问题(例如由于闭塞而导致异常值或数据丢失)的数据鲁棒性不足。聚类方法的时间复杂度与点云数量呈正相关，不适合扩展到大范围的树木点云建模。同时对点云缺失或者完整性非常敏感，影响枝干拓扑连接的正确性和聚类效果。基于图论的建模方法解决了TLS与MLS点云树冠精细建模问题，确保了枝干拓扑生成的正确性。该方法为解决MLS点云遮挡、ALS点云枝干建模等问题提供了新契机，八叉树和最小生成树及其改进方法都是图论体系下具有代表性的方法。基于图论知识组织点云、提取骨架、生成枝干拓扑等，输入点云与模型之间的吻合度比较高，建模算法对点云完整或者噪声的敏感性被减弱。基于图论的建模方法为点云管理和枝干拓扑生成提供了新参考，可以很好的适用于TLS、MLS和ALS等广义点云。该方法增强了模型算法的鲁棒性，存在着时间复杂度高、无法较好的处理枝干结构复杂的树木点云等问题。因此，最小生成树等方法的优化是图论建模的研究重点。先验假设建模方法将树木枝干假设为圆柱体。目前的一些研究已经证明圆柱体是拟合树木枝干非常稳定的几何图元，重建的模型将遵循这些先验约束条件。先验假设建模方法的优势在于对缺乏完整的树干或者树枝点云(ALS点云)，背面点云缺失(MLS和TLS点云)的树木都可以很好的重建，鲁棒性较强。但是先验假设建模方法受到假设限制，因为树木并非规则圆柱体。对于点云噪声比较敏感，采集点云时容易受到天气或者风速等因素影响而产生噪点。拉普拉斯算子建模方法基于点云邻域信息计算拉普拉斯矩阵，可以重建几何形态结构逼真的树木骨架。拉普拉斯算子建模方法可以适应树枝的自然生长，树木骨架表面蕴含了局部信息。由于对树木点云的噪声不敏感，可以应用于输入点云少量缺失的情况，也可以用于处理TLS与MLS点云。对包含较多冠层信息的ALS点云，拉普拉斯算子无法得到具有紧凑性的树木骨架。轻量化表达建模方法采用降维策略将树木的三维点云变换到二维平面。轻量化树木建模方法在保持一定模型精度的前提下，通过简化处理的方法可以提高模型表达的灵活性，适合用于大范围场景显示。由于对点云噪声或者点云完整性比较敏感，降维操作带来的树冠信息丢失将导致错误的枝干拓扑连接或者不完整的结构。
激光雷达技术可以直接获取树木枝干几何结构、树冠基部和高度等信息。总的来说，与传统树木建模方法相比，基于LiDAR点云的建模方法除了可以增强树木模型的真实感，几何重建的优势为定量分析枝干几何结构提供了可能。但是，目前一些基于激光雷达点云的树木建模研究的关注点是树木形态重建，对于树木结构定量提取需要进一步深入研究。这关乎到激光雷达技术对于森林植被结构参数的高精度提取，以及树木冠层构型的精细化处理。而精细森林植被结构的建模有助于加深对森林生态系统过程的认知，去进一步了解森林结构、功能和物种多样性之间相互影响的生态机理。
三、发明内容
针对现有的计算树木枝干结构重建方法存在的弊端和不足，本发明提供了一个从地基激光雷达点云中自动重建树木枝干结构的方法。实现本发明的目的是提供一种通用的激光雷达点云树木枝干结构自动重建方法。
主要发明内容：
1.一个从地基激光雷达点云中自动重建树木枝干结构的方法，其特征是：为了从TLS点云中准确拟合树木枝干几何结构和拓扑关系，本发明基于图论方法，并结合先验假设建模和轻量化表达的优势重建了单木几何结构和拓扑，提出了通用性强、精度高的单木枝干精细几何结构重建方法。首先基于三维Delaunay完成对输入点云的三角剖分，基于Dijkstra算法计算了有向加权图的最短路径。然后以最小生成树(MST)算法框架提取树木初始骨架，设计多余顶点和边的合并算法，完成对初始骨架的简化和优化。最后基于树木骨架完成了单木枝干结构圆柱体拟合及其优化算法，重建了精细的单木枝干几何结构。
2.所述的基于三维Delaunay完成对输入点云的三角剖分。Delaunay三角剖分作为计算机图形学和计算机视觉之间的“纽带”，在本发明中用于从离散树木点云中变现树木几何形状。它是本发明构造最小生成树的实现基础，因为最有效的方法是在点的Delaunay三角剖分中找到最小生成树，当树木的某些区域点云缺失或者分支不完整时，有助于恢复树木的完整性，从而保证了算法对质量较差点云的鲁棒性。
3.所述的基于Dijkstra算法计算了有向加权图的最短路径。在构建树木点云的Delaunay三角剖分图后，本发明使用欧几里德空间中定义的长度对三角网的所有边进行加权。本发明将树木LiDAR点云空间中两点的实际距离作为欧氏距离，标准欧式距离用于度量树木点云空间中向量的长度。针对简单欧氏距离的缺陷，它是一种改进的方案。给定一个三角剖分图G＝(V,E)，权重函数将每条边映射到欧几里德距离权重。路径p作为一个顶点序列p＝(v1,v2,…,vk)，使得每个相邻的顶点通过一条边连接，如公式(3-1)所示路径p的权重w(p)被定义为其组成边的权重之和：
最短路径的问题可以表示为：从源顶点u开始，在路径p的组成边
的权重最小的约束下求出到顶点v的路径。如果没有从顶点u延伸到顶点v的路径，则该最短路径的权重被视为∞。因此，最短路径权重w(p)计算如下：
4.以最小生成树(MST)算法框架提取树木初始骨架。本发明构造最小生成树图提取树木初始骨架，采用了图论中Dijkstra解决了单源最短路径计算的问题。因为考虑到了从树木三角剖分图中计算一个节点到其他所有节点的最短路径去获得树木水分养分运输途径，这与Dijkstra最短路径算法思想是一致的。为了生成高质量的树木骨架，采用集中主要分支点的策略去解决上述问题。树木分叉或分支(树枝)末端附近的点云密度经常急剧变化，单个分支内的点云密度更加稳定。本发明通过Mean Shift算法找到主要分支点，这些点云的邻域中有相对稳定的密度。
5.所述的骨架点和边合并策略，本发明在树木骨架简化过程中考虑树干形状的变化，最终的树木骨架将尽可能的接近树木枝干在自然界中的几何形态。这样做不仅保证了重建枝干几何结构后定量提取树木因子的精度，同时也增强了算法对树干点云突变(点云密度陡增或者骤减)或者生长不规则树木的鲁棒性。本发明去除冗余的顶点和边以达到简化树木初始骨架的目的。主要包括以下两个步骤：(1)给顶点和边分配权重值；(2)根据权重值去除小的噪声，通过迭代检查相邻顶点之间的接近度去合并顶点。根据子树的长度对每个顶点进行加权，该加权方法与局部点密度加权方法不同。将子树内所有边的长度相加作为顶点v的权重，一个给定顶点的子树由顶点自身及其子顶点和边组成。为了加权分支的边，本发明使用均方根平均值公式去计算两个末端顶点的子树长度的平均值。树冠上的顶点和边的权重一致较低，靠近树底部的较小树枝的权重与主干上的树枝相比要小得多，权重分布特点不仅有利于去除树干上的噪声树枝，而且保留了各等级的树枝或者树冠上细枝，使得重建的树木枝干几何结构模型具备多层次细节表达和高粒度等性质。通过迭代检查相邻顶点之间的相似度去简化相似的树枝，使用相似度指标α描述目标顶点之间的接近程度。这个过程中会出现当前顶点的子顶点存在一个或者多个的情况，当前顶点只有一个子顶点时，骨架简化问题就变成了直线简化问题。道格拉斯-普克(Douglas-Peucker)算法被认为是最直观有效的直线简化算法，本发明采用Douglas-Peucker方法简化线段。当前顶点与父顶点或者子顶点形成的线段越近，该顶点权重越低。相似度指标参数α计算如下：
d表示当前顶点与父顶点及其子顶点形成的线段之间的距离，r表示控制树木初始骨架简化过程中边的距离阈值。
当指标值α小于给定的阈值σ时，当前顶点对于树木骨架来说是不重要的，因此可以将其从骨架中移除。
α≤σ
当前顶点有多个子顶点时，相似度指标α的定义如下，它表示子顶点之间的距离：
l表示一个特定子顶点与其父顶点之间的边长，α是两条边之间的夹角，r表示控制树木初始骨架简化过程中边的距离阈值。
在从顶点v1到顶点v2或者顶点v2到顶点v1不同方向上有不同的指标值。本发明取两者中的最小值去评估相邻子顶点之间的接近度。指标值越小表示两个顶点越相似。如果α小于给定的阈值σ，则将两个顶点合并成一个新的顶点。通过计算两个旧顶点(v1和v2)的加权平均值获取合并后的新顶点位置。
其中pnew是新顶点的位置，p1和p2是两个旧顶点的位置，w代表特定顶点的权重，可以根据顶点的子树长度计算w。在v1和v2合并后，重新分配了之前连接到v1或v2的顶点之间的邻域关系。由于合并是一个小邻域内的局部操作，可以自动更新邻接信息。树木的结构被保留，因此不需要重建树木枝干结构。
6.所述的基于树木骨架完成了单木枝干结构圆柱体拟合及其优化算法，是指在实现平滑算法并获得树木最终骨架的基础上，结合树木生长规律基于圆柱体几何图元拟合树木枝干几何结构。结合前人的相关研究工作，圆柱体图元拟合树木枝干几何形状是最鲁棒稳定的可以用于有噪声或者孔洞的点云。与复杂的曲线拟合方法相比，圆柱体拟合在计算中相对容易和快捷。本发明使用一种基于优化的方法获得精确的树枝几何。首先，对点云密度相对均匀的树干进行分割和识别。在获得树干的N段点云后，基于聚类的方法计算待拟合的树干圆柱体的半径。然后，基于非线性最小二乘法对树干的初始圆柱体进行两次优化，执行过程中使用Levenberg-Marquardt算法解算非线性最小二乘问题。
第一次计算过程中初始圆柱体的各顶点不带权值，第二次各顶点带权值。优化后的圆柱即为拟合圆柱，用它的中轴线端点替换从根节点出发的边的两个端点，用它的半径作为树干的第一个圆柱体的新半径。最后，根据子树的长度及其权重计算后续用于拟合树枝的圆柱体半径。组成树干和所有树枝(主干或者所有分支)的每一个几何图元都可以被认为是未封闭的圆柱面。因此，还需要关闭主干和所有分支的末端。最终树木模型由一组广义圆柱面表示变成了由一个封闭的凸包多面体表示，该多面体的上下顶面都是凸多边形。
7.自动生成树木枝干3D结构模型。是指在以上步骤结束后，拟合了一系列圆柱体去近似树木枝干的几何结构。树木枝干几何结构模型是一组广义的圆柱面。第一次计算过程中初始圆柱体的各顶点不带权值，第二次各顶点带权值。优化后的圆柱即为拟合圆柱，用它的中轴线端点替换从根节点出发的边的两个端点，用它的半径作为树干的第一个圆柱体的新半径。最后，根据子树的长度及其权重计算后续用于拟合树枝的圆柱体半径。组成树干和所有树枝(主干或者所有分支)的每一个几何图元都可以被认为是未封闭的圆柱面。因此，还需要关闭主干和所有分支的末端。最终树木模型由一组广义圆柱面表示变成了由一个封闭的凸包多面体表示，该多面体的上下顶面都是凸多边形。
本项发明与现有方法相比具有以下优点：
1.本发明可以重建来自不同地域、不同种类、不同大小形状结构的树木。
2.本发明可以适用于不同扫描方式采集的多种点云(地基激光雷达，移动激光雷达和无人机激光雷达)，重建准确而详细的树木枝干几何结构。
3.本发明重建的树木结构模型具有更高的几何精度和拓扑保真度，枝干几何结构更加符合点云空间分布。模型重建了高精度的树木枝干几何结构和拓扑，建模结果忠于输入的点云并恢复了树木在自然界中的几何形态。重建枝干结构的优势将为树木因子定量提取奠定几何基础。
四、附图说明
下面结合附图和实例对本发明进一步说明。
图1——树木枝干几何结构自动重建示意图；
(a)按高度显示的单木分割后的点云；(b)将单木分割数据作为输入点云；(c)基于德罗内Delaunay三角网处理一棵树的输入点云，在点的Delaunay三角剖分的边缘之间找到最小生成树Minimum Spanning Tree(MST)。(d)提取单棵树的初始化骨架。在得到三角剖分图后，使用欧几里德空间中定义的边的长度对所有边进行加权。利用Dijkstra最短路径算法计算来自三角剖分的MST，预先确定和集中主分支点去提高骨架的质量；(e)对初始骨架进行简化。为顶点和边缘分配重要性值并根据该值去除小的噪点组成；(f)通过迭代检查相邻顶点之间的接近度并合并相邻的顶点，最后重建了轻量级的树木骨架；(g)使用圆柱体拟合枝干；(h)添加“虚拟”树叶以增强现实；(i)按照树枝等级进行渲染。
五、具体实施方式：
基于地基激光雷达点云自动重建树木枝干结构的方法，具体实施方式是：
1.对原始输入点云进行过滤和去噪。采用改进的渐近加密三角网滤波算法等方法分类地面点，通过不规则三角网插值算法建立数字地形模型，完成样地点云的归一化，使用单木分割方法获取单木实例。
2.将单木点云作为输入数据输入到模型中。
3.基于德罗内Delaunay三角网处理一棵树的输入点云，在点的Delaunay三角剖分的边缘之间找到最小生成树Minimum Spanning Tree(MST)。
4.提取单棵树的初始化骨架。在得到三角剖分图后，使用欧几里德空间中定义的边的长度对所有边进行加权。利用Dijkstra最短路径算法计算来自三角剖分的MST，预先确定和集中主分支点去提高骨架的质量。
5.对初始骨架进行简化。为顶点和边缘分配重要性值并根据该值去除小的噪点组成。
6.通过迭代检查相邻顶点之间的接近度并合并相邻的顶点，最后重建了轻量级的树木骨架。
7.使用圆柱体拟合枝干，按照树枝等级进行渲染。
Claims (7)
1.一个从地基激光雷达点云中自动重建树木结构的方法，其特征是：为了从TLS点云中准确拟合树木枝干几何结构和拓扑关系，本发明基于图论方法，并结合先验假设建模和轻量化表达的优势重建了单木几何结构和拓扑，提出了通用性强、精度高的单木枝干精细几何结构重建方法，首先基于三维Delaunay完成对输入点云的三角剖分，基于Diikstra算法计算了有向加权图的最短路径；然后以最小生成树(MST)算法框架提取树木初始骨架，设计多余顶点和边的合并算法，完成对初始骨架的简化和优化；最后基于树木骨架完成了单木枝干结构圆柱体拟合及其优化算法，重建了精细的单木枝干几何结构。
2.根据权利要求1所述的基于三维Delaunay完成对输入点云的三角剖分，Delaunay三角剖分作为计算机图形学和计算机视觉之间的“纽带”，在本发明中用于从离散树木点云中变现树木几何形状，它是本发明构造最小生成树的实现基础，因为最有效的方法是在点的Delaunay三角剖分中找到最小生成树，当树木的某些区域点云缺失或者分支不完整时，有助于恢复树木的完整性，从而保证了算法对质量较差点云的鲁棒性。
3.根据权利要求2所述的基于Diikstra算法计算了有向加权图的最短路径，在构建树木点云的Delaunay三角剖分图后，本节使用欧几里德空间中定义的长度对三角网的所有边进行加权，本发明将树木LiDAR点云空间中两点的实际距离作为欧氏距离，标准欧式距离用于度量树木点云空间中向量的长度，针对简单欧氏距离的缺陷，它是一种改进的方案，给定一个三角剖分图G＝(V，E)，权重函数将每条边映射到欧几里德距离权重，路径p作为一个顶点序列p＝(v1，v2，…，vk)，使得每个相邻的顶点通过一条边连接，如公式(3-1)所示路径p的权重w(p)被定义为其组成边的权重之和：
最短路径的问题可以表示为：从源顶点u开始，在路径p的组成边
的权重最小的约束下求出到顶点v的路径，如果没有从顶点u延伸到顶点v的路径，则该最短路径的权重被视为∞，因此，最短路径权重w(p)计算如下：
4.根据权利要求3以最小生成树(MST)算法框架提取树木初始骨架，本发明构造最小生成树图提取树木初始骨架，采用了图论中Dijkstra解决了单源最短路径计算的问题，因为考虑到了从树木三角剖分图中计算一个节点到其他所有节点的最短路径去获得树木水分养分运输途径，这与Diikstra最短路径算法思想是一致的，为了生成高质量的树木骨架，采用集中主要分支点的策略去解决上述问题，树木分叉或分支(树枝)末端附近的点云密度经常急剧变化，单个分支内的点云密度更加稳定，本发明通过Mean Shift算法找到主要分支点，这些点云的邻域中有相对稳定的密度。
5.根据权利要求4所述的骨架点和边合并策略，本发明在树木骨架简化过程中考虑树干形状的变化，最终的树木骨架将尽可能的接近树木枝干在自然界中的几何形态，这样做不仅保证了重建枝干几何结构后定量提取树木因子的精度，同时也增强了算法对树干点云突变(点云密度陡增或者骤减)或者生长不规则树木的鲁棒性，本发明去除冗余的顶点和边以达到简化树木初始骨架的目的，主要包括以下两个步骤：(1)给顶点和边分配权重值；(2)根据权重值去除小的噪声，通过迭代检查相邻顶点之间的接近度去合并顶点，根据子树的长度对每个顶点进行加权，该加权方法与局部点密度加权方法不同，将子树内所有边的长度相加作为顶点v的权重，一个给定顶点的子树由顶点自身及其子顶点和边组成，为了加权分支的边，本发明使用均方根平均值公式去计算两个末端顶点的子树长度的平均值，树冠上的顶点和边的权重一致较低靠近树底部的较小树枝的权重与主干上的树枝相比要小得多，权重分布特点不仅有利于去除树干上的噪声树枝，而且保留了各等级的树枝或者树冠上细枝，使得重建的树木枝干几何结构模型具备多层次细节表达和高粒度等性质，通过迭代检查相邻顶点之间的相似度去简化相似的树枝，使用相似度指标α描述目标顶点之间的接近程度，这个过程中会出现当前顶点的子顶点存在一个或者多个的情况，当前顶点只有一个子顶点时，骨架简化问题就变成了直线简化问题，道格拉斯-普克(Douglas-Peucker)算法被认为是最直观有效的直线简化算法，本发明采用Douglas-Peucker方法简化线段，当前顶点与父顶点或者子顶点形成的线段越近，该顶点权重越低，相似度指标参数α计算如下：
d表示当前顶点与父顶点及其子顶点形成的线段之间的距离，r表示控制树木初始骨架简化过程中边的距离阈值，
当指标值α小于给定的阈值σ时，当前顶点对于树木骨架来说是不重要的，因此可以将其从骨架中移除，
α≤σ
当前顶点有多个子顶点时，相似度指标α的定义如下，它表示子顶点之间的距离：
l表示一个特定子顶点与其父顶点之间的边长，α是两条边之间的夹角，r表示控制树木初始骨架简化过程中边的距离阈值，
在从顶点v1到顶点v2或者顶点v2到顶点v1不同方向上有不同的指标值，本发明取两者中的最小值去评估相邻子顶点之间的接近度，指标值越小表示两个顶点越相似，如果α小于给定的阈值σ，则将两个顶点合并成一个新的顶点，通过计算两个旧顶点(v1和v2)的加权平均值获取合并后的新顶点位置，
其中pnew是新顶点的位置，p1和p2是两个旧顶点的位置，w代表特定顶点的权重，可以根据顶点的子树长度计算w，在v1和v2合并后，重新分配了之前连接到v1或v2的顶点之间的邻域关系，由于合并是一个小邻域内的局部操作，可以自动更新邻接信息，树木的结构被保留，因此不需要重建树木枝干结构。
6.根据权利要求5所述的基于树木骨架完成了单木枝干结构圆柱体拟合及其优化算法，是指在实现平滑算法并获得树木最终骨架的基础上，结合树木生长规律基于圆柱体几何图元拟合树木枝干几何结构，结合前人的相关研究工作，圆柱体图元拟合树木枝干几何形状是最鲁棒稳定的可以用于有噪声或者孔洞的点云，与复杂的曲线拟合方法相比，圆柱体拟合在计算中相对容易和快捷，本发明使用一种基于优化的方法获得精确的树枝几何，首先，对点云密度相对均匀的树干进行分割和识别，在获得树干的N段点云后，基于聚类的方法计算待拟合的树干圆柱体的半径，然后，基于非线性最小二乘法对树干的初始圆柱体进行两次优化，执行过程中使用Levenberg-Marquardt算法解算非线性最小二乘问题。
7.根据权利要求6所述的最终生成的树木枝干结构模型，是指在以上步骤结束后，拟合了一系列圆柱体去近似树木枝干的几何结构，树木枝干几何结构模型是一组广义的圆柱面，第一次计算过程中初始圆柱体的各顶点不带权值，第二次各顶点带权值，优化后的圆柱即为拟合圆柱，用它的中轴线端点替换从根节点出发的边的两个端点，用它的半径作为树干的第一个圆柱体的新半径，最后，根据子树的长度及其权重计算后续用于拟合树枝的圆柱体半径，组成树干和所有树枝(主干或者所有分支)的每一个几何图元都可以被认为是未封闭的圆柱面，因此，还需要关闭主干和所有分支的末端，最终树木模型由一组广义圆柱面表示变成了由一个封闭的凸包多面体表示，该多面体的上下顶面都是凸多边形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111388071.XA CN114219912A (zh) | 2021-11-22 | 2021-11-22 | 一种从地基激光雷达点云中自动重建树木结构的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111388071.XA CN114219912A (zh) | 2021-11-22 | 2021-11-22 | 一种从地基激光雷达点云中自动重建树木结构的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219912A true CN114219912A (zh) | 2022-03-22 |
Family
ID=80697738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111388071.XA Pending CN114219912A (zh) | 2021-11-22 | 2021-11-22 | 一种从地基激光雷达点云中自动重建树木结构的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219912A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311418A (zh) * | 2022-10-10 | 2022-11-08 | 深圳大学 | 一种多细节层次树木模型单体化重建方法及装置 |
| CN115311434A (zh) * | 2022-10-10 | 2022-11-08 | 深圳大学 | 一种倾斜摄影和激光数据融合的树木三维重建方法及装置 |
| CN116663408A (zh) * | 2023-05-30 | 2023-08-29 | 昆明理工大学 | 一种三七最优入挖位姿的建立方法 |
| CN117522945A (zh) * | 2023-09-13 | 2024-02-06 | 武汉大学 | 提取树木枝干结构参数的方法、系统、计算机设备及介质 |
-
2021
- 2021-11-22 CN CN202111388071.XA patent/CN114219912A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311418A (zh) * | 2022-10-10 | 2022-11-08 | 深圳大学 | 一种多细节层次树木模型单体化重建方法及装置 |
| CN115311434A (zh) * | 2022-10-10 | 2022-11-08 | 深圳大学 | 一种倾斜摄影和激光数据融合的树木三维重建方法及装置 |
| CN116663408A (zh) * | 2023-05-30 | 2023-08-29 | 昆明理工大学 | 一种三七最优入挖位姿的建立方法 |
| CN116663408B (zh) * | 2023-05-30 | 2023-12-22 | 昆明理工大学 | 一种三七最优入挖位姿的建立方法 |
| CN117522945A (zh) * | 2023-09-13 | 2024-02-06 | 武汉大学 | 提取树木枝干结构参数的方法、系统、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114219912A (zh) | 一种从地基激光雷达点云中自动重建树木结构的方法 | |
| CN110992473B (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
| CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
| CN112257597B (zh) | 一种点云数据的语义分割方法 | |
| CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
| CN103065352B (zh) | 一种基于图像和扫描数据的植株三维重建方法 | |
| CN103871100B (zh) | 基于点云与数据驱动的树木模型重建方法 | |
| CN101783016B (zh) | 一种基于形状分析的树冠外形提取方法 | |
| CN111612896B (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
| Gold et al. | A one-step crust and skeleton extraction algorithm | |
| CN105574929A (zh) | 一种基于地面LiDAR点云数据的单株植被三维建模方法 | |
| WO2015149302A1 (zh) | 基于点云与数据驱动的树木模型重建方法 | |
| Li et al. | Tree point clouds registration using an improved ICP algorithm based on kd-tree | |
| CN106017472A (zh) | 全局路线规划方法、全局路线规划系统及无人机 | |
| CN109615581B (zh) | 一种融合扩展高斯球和颜色几何特征的三维碎片的拼接复原方法 | |
| CN107341837B (zh) | 基于影像金字塔的栅格-矢量数据转换及连续尺度表达方法 | |
| CN102930597A (zh) | 一种外存三维模型的处理方法 | |
| CN103745497A (zh) | 植物生长建模方法和系统 | |
| CN114119863A (zh) | 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法 | |
| CN111858810A (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
| CN115471634A (zh) | 一种城市绿植孪生的建模方法及装置 | |
| CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
| CN114241155A (zh) | 一种基于车载激光点云数据的城市树木三维可视化方法 | |
| CN115018982A (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
| Huang et al. | A 3D individual tree modeling technique based on terrestrial LiDAR point cloud data |
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 |