CN115205690B - 基于mls点云数据的行道树单体化提取方法及装置 - Google Patents

基于mls点云数据的行道树单体化提取方法及装置 Download PDF

Info

Publication number
CN115205690B
CN115205690B CN202211115280.1A CN202211115280A CN115205690B CN 115205690 B CN115205690 B CN 115205690B CN 202211115280 A CN202211115280 A CN 202211115280A CN 115205690 B CN115205690 B CN 115205690B
Authority
CN
China
Prior art keywords
point cloud
crown
mls
trunk
voxel
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
Application number
CN202211115280.1A
Other languages
English (en)
Other versions
CN115205690A (zh
Inventor
王伟玺
汤圣君
范宇航
李晓明
李游
谢林甫
郭仁忠
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202211115280.1A priority Critical patent/CN115205690B/zh
Publication of CN115205690A publication Critical patent/CN115205690A/zh
Application granted granted Critical
Publication of CN115205690B publication Critical patent/CN115205690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Abstract

本发明公开了一种基于MLS点云数据的行道树单体化提取方法及装置，方法包括，采用滤波方法对原始MLS点云进行预处理，得到预处理后的MLS点云；对预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对切片点云进行识别提取，得到树干点云；对预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，体素化后的MLS点云采用体素区域生长算法进行体素区域生长，得到初步的树冠点云；基于高程变化的聚类方法对初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将精确的树冠点云与对应的树干点云合并，得到完整的单颗行道树点云；本发明提高了行道树的识别精度以及提高了行道树个体提取结果。

Description

基于MLS点云数据的行道树单体化提取方法及装置
技术领域
本发明涉及MLS点云数据处理领域，尤其涉及一种基于MLS点云数据的行道树单体化提取方法及装置。
背景技术
行道树作为道路环境的重要组成部分其在景观功能、生态功能和意向功能等方面起着积极的作用。因此，行道树信息的自动化快速提取是智慧城市建设中不可或缺的环节。随着移动激光扫描技术（MLS）的快速发展，由移动激光扫描获得的点云被广泛用于表达道路环境要素的三维表面信息。其中单颗行道树的MLS点云可以被广泛应用于道路扩建规划、行道树3D建模、行道树修剪、城市气候研究、行路树生长监测、行车道树参数提取和生物量估计等领域，从侧面证明了从MLS点云中单独提取行道树的重要性和实用性。
在过去几年中，研究人员已经提出了许多方法来从MLS点云中单独提取街道树，但这些方法只能在树冠和其他附近对象之间有少量重叠或没有重叠的大树间隔的简单场景中获得满意的结果。然而面对树冠之间或树冠与相邻杆状物体之间有较大重叠或接触较大的分割场景时，现有方法的识别精度较低，个体提取结果较差。
发明内容
鉴于上述现有技术的不足，本申请的目的在于提供一种基于MLS点云数据的行道树单体化提取方法及装置，旨在解决在如何提高识别精度以及提高个体提取结果的问题。
为解决上述技术问题，本申请实施例第一方面提供了一种基于MLS点云数据的行道树单体化提取方法，所述方法包括：
采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
作为进一步改进技术方案，所述采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云包括：
采用布料滤波方法将所述原始MLS点云中的地面点云去掉，得到去除地面的第一MLS点云；
采用法线滤波方法去除所述第一MLS点云中的建筑立面点云，得到所述预处理后的MLS点云。
作为进一步改进技术方案，所述对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云包括：
对所述预处理之后的MLS点云进行高程归一化处理，得到高程归一化后的MLS点云；
对所述高程归一化后的MLS点云进行Z值维度的直通滤波，得到包含行道树树干的切片点云；
对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云。
作为进一步改进技术方案，所述对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云包括：
对所述切片点云进行欧式聚类，得到若干个包含行道树树干的第一聚类点云簇；
对所述第一聚类点云簇进行点云体素化处理，得到若干层的体素；
将每一层的体素按照是否相邻原则聚类成若干个体素簇，将体素个数最少的层视为树干种子所在层，将所述树干种子所在层对应的体素簇作为候选树干种子；
计算所有候选树干种子对应体素簇的非离散度参数，将非离散度参数大于0.8的体素簇作为树干种子；
基于预设生长规则以及基于凸包面积变化率的体素区域生长算法对树干种子对应的体素簇进行体素区域生长，依次对树干种子对应的体素簇进行向上生长和向下生长，得到完整树干点云，将所述完整树干点云中的最低点坐标作为对应行道树的位置坐标。
作为进一步改进技术方案，所述对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云包括：
将所述完整树干点云从所述预处理后的MLS点云中剔除，得到包含行道树的树枝点云和树冠点云的树干剔除点云；
在所述树干剔除点云中对预设高度的点进行欧式聚类，得到第二聚类点云簇，计算每个第二聚类点云簇的最小包围盒体积，将最小包围盒体积大于阈值的第二聚类点云簇作为潜在树冠；
对所述潜在树冠对应的点云簇进行体素化处理，获得体素点云，遍历每个所述树干点云，找到每个所述树干点云在体素点云中的相邻体素，若所述相邻体素对应的原始MLS点云和树干点云之间的空间距离小于1.5倍分辨率，则将每个树干的相邻体素合并为一个种子体素簇，将种子体素簇作为行道树树冠初始生长种子；
将所述种子体素簇对应的所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云。
作为进一步改进技术方案，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长包括：
将所述体素点云中所述行道树树冠初始生长种子所在层中与种子体素簇相邻的体素视为新增树冠体素，并将所述新增树冠体素作为新的水平生长种子进行下一轮水平生长，重复进行水平生长直至所述行道树树冠初始生长种子所在层中没有新增树冠体素为止，将所有新增树冠体素和种子体素簇合并作为所述行道树树冠初始生长种子所在层的水平生长结果体素；
遍历所述行道树树冠初始生长种子所在层上一层中的所有体素，若所述体素和所述行道树树冠初始生长种子所在层的水平生长结果体素存在相同行和列，则将所述体素作为所述上一层的树冠体素，将所有上一层的树冠体素作为所述上一层的垂直生长结果体素，将所述垂直生长结果体素作为所述上一层水平邻域生长的初始种子，依次对体素点云每一层进行遍历直到达到体素点云的最高层或体素点云中不存在满足要求的树冠体素，合并所有水平生长结果体素和垂直生长结果体素，完成树冠点云的实例化分割，其中，若体素点云中同时包含多个行道树树冠初始生长种子，则首先让最底层的行道树树冠初始生长种子进行树冠生长，层较高的行道树树冠初始生长种子在生长到所属层之前不进行树冠生长，若两个不同的标记树在同层水平生长时搜索到相同体素，则使用最小增量规则进行重叠体素分配，所述最小增量规则通过比较加入体素前后树冠水平凸包面积变化量的大小决定体素的归属。
作为进一步改进技术方案，所述基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云包括：
根据对称性原则找出初步的树冠点云中过分割树冠点云，基于过分割树冠点云找出所有的过分割树冠和对应的欠分割树冠，使用基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云；
将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
本申请实施例第二方面提供了一种基于MLS点云数据的行道树单体化提取装置，包括：
预处理模块，用于采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
树干提取模块；用于对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
树冠提取模块，用于对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
合并模块，用于基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于MLS点云数据的行道树单体化提取方法中的步骤。
本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于MLS点云数据的行道树单体化提取方法中的步骤。
有益效果：相较于现有技术本发明的基于MLS点云数据的行道树单体化提取方法包括，采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云；本发明采用上述方法后，提高了行道树的识别精度以及提高了行道树个体提取结果。
附图说明
图1是本发明的基于MLS点云数据的行道树单体化提取方法的流程图。
图2是本发明提供的终端设备的结构原理图。
图3是本发明提供的装置结构框图。
图4是本发明提取方法的行道树单体化提取整体流程示意图。
图5是本发明提取方法的欧式聚类流程示意图。
图6是本发明提取方法的树干单体化提取流程示意图。
图7是本发明提取方法的树冠单体化提取流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。
发明人经过研究发现，现有技术存在以下问题：
（1）在过去几年中，研究人员已经提出了许多方法来从MLS点云中单独提取街道树，但这些方法只能在树冠和其他附近对象之间有少量重叠或没有重叠的大树间隔的简单场景中获得满意的结果。然而面对树冠之间或树冠与相邻杆状物体之间有较大重叠或接触较大的分割场景时，现有方法的识别精度较低，个体提取结果较差。
为了解决上述问题，下面结合附图，详细说明本申请的各种非限制性实施方式。
如图1所示，本申请实施例提供的一种基于MLS点云数据的行道树单体化提取方法，包括以下步骤：
S1，采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
具体的，点云预处理的主要内容就是采用布料滤波以及法线滤波从MLS点云中去除地面点云以及建筑立面点云从而降低行道树单体化提取的复杂度。
其中，所述采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云包括以下步骤：
S101，采用布料滤波方法将所述原始MLS点云中的地面点云去掉，得到去除地面的第一MLS点云；
S102，采用法线滤波方法去除所述第一MLS点云中的建筑立面点云，得到所述预处理后的MLS点云。
具体的，在采集到城市道路原始MLS点云中地面和建筑物里面包含了大量的原始点而且占据了很大的空间，而且地面和建筑物的原始点很容易将不同的对象在聚类过程中连接为一个点集从而增加行道树单体化提取的复杂程度，因此，需要对原始MLS点云进行预处理将地面点云以及建筑立面点云从原始点中删除。
首先使用布料滤波方法将原始MLS点云中的地面点去掉，布料滤波方法主要原理是首先把点云进行翻转，然后假设有一块布料受到重力从上方落下，则最终落下的布料就可以代表当前地形，其中采用的模拟布料的定义公式为式（1）：
Figure 815380DEST_PATH_IMAGE001
其中公式（1）中，X代表“布料”中的粒子在
Figure 14412DEST_PATH_IMAGE002
时刻的位置，
Figure 325307DEST_PATH_IMAGE003
代表外部驱动因素（重力，碰撞等），
Figure 517254DEST_PATH_IMAGE004
代表内部驱动因素（粒子间的内部联系）。
在进行布料滤波之后，还需对去除地面的第一MLS点云进行法线滤波以去除原始MLS点云中的建筑物立面，法线滤波方法的具体原理为：假设点云
Figure 862785DEST_PATH_IMAGE005
有n个点组成，首先通过构建KD-TREE找出点云中每个点
Figure 419668DEST_PATH_IMAGE006
的K个近邻点
Figure 234171DEST_PATH_IMAGE007
，将这些紧邻点合并为一个点云并计算点云的法线作为点
Figure 964230DEST_PATH_IMAGE006
的法线特征，然后以点在空间上相邻（算法采用的距离阈值为0.2）且法向量之间的角度小于指定阈值（算法采用角度阈值为20）的为生长规则进行区域生长，得到若个点云簇
Figure 164267DEST_PATH_IMAGE008
，然后计算每个点云簇
Figure 892052DEST_PATH_IMAGE009
的法线
Figure 177540DEST_PATH_IMAGE010
，若
Figure 199372DEST_PATH_IMAGE010
和水平面之间夹角小于指定阈值（算法采用角度阈值为20）的且该点云簇的投影面积大于指定阈值（算法采用面积阈值为
Figure 519495DEST_PATH_IMAGE011
）,则该点云簇
Figure 480498DEST_PATH_IMAGE009
被认为是建筑物立面结构从MLS点云中去除。
S2，对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
具体的，首先对树干进行提取，得到树干点云，树干提取的主要内容是首先对预处理之后的MLS点云进行高程归一化处理以去除地形起伏的影响，然后对高成归一化后的点云进行Z值维度的直通滤波，以获取主要包含行道树树干的切片点云，然后对切片点云进行欧氏聚类、点云体素化、基于凸包面积变化率的体素区域生长以及非离散度滤波处理，从切片点云中识别并提取出行道树的树干部分，完成行道树的识别和定位。
其中，所述对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云包括以下步骤：
S201，对所述预处理之后的MLS点云进行高程归一化处理，得到高程归一化后的MLS点云；
S202，对所述高程归一化后的MLS点云进行Z值维度的直通滤波，得到包含行道树树干的切片点云；
S203，对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云。
其中，所述对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云包括以下步骤：
S2031，对所述切片点云进行欧式聚类，得到若干个包含行道树树干的第一聚类点云簇；
S2032，对所述第一聚类点云簇进行点云体素化处理，得到若干层的体素；
S2033，将每一层的体素按照是否相邻原则聚类成若干个体素簇，将体素个数最少的层视为树干种子所在层，将所述树干种子所在层对应的体素簇作为候选树干种子；
S2034，计算所有候选树干种子对应体素簇的非离散度参数，将非离散度参数大于0.8的体素簇作为树干种子；
S2035，基于预设生长规则以及基于凸包面积变化率的体素区域生长算法对树干种子对应的体素簇进行体素区域生长，依次对树干种子对应的体素簇进行向上生长和向下生长，得到完整树干点云，将所述完整树干点云中的最低点坐标作为对应行道树的位置坐标。
具体的，在对MLS点云进行预处理后，为了进一步突出树干的几何特征以及减少计算数据量，需要根据树干的高程特征对MLS点云进行Z值维度的直通滤波（一般选取0.2~3.0作为直通滤波的取值范围）来获取包含树干主体部分的切片点云，但Z值维度的直通滤波对于地形起伏十分敏感，因此为了获取更准确的滤波结果需要先对MLS点云进行高程归一化处理，首先将布料滤波获取的地面点云在XY平面上进行按照一定的分辨率分割来获得该区域的DEM数据，将每个DEM网格中的点按照Z值大小记性升序排列，取此序列中前50%的点作为网格的地面代表点，该点的Z值作为DEM网格代表的地面高度
Figure 456544DEST_PATH_IMAGE012
，然后遍历MLS点云中的所有点，将每个点的Z值都减去其对应的DEM网格的地面高度值
Figure 262826DEST_PATH_IMAGE012
，即可完成高程归一化。
在对目标点云空间分割处理之后还需要对目标切片点云进行欧式聚类和体素区域生长来识别和提取树干点云，具体步骤如下：
A1，首先对切片点云进行欧式聚类，获得若干个包含行道树树干的聚类点云簇，其中，欧式聚类的主要目的是根据欧几里得距离将无组织的点云排序为有组织的点云
Figure 453767DEST_PATH_IMAGE013
；
A2，为有效管理点云，对于任意聚类点云簇
Figure 320092DEST_PATH_IMAGE014
按照特定的分辨率
Figure 580172DEST_PATH_IMAGE015
进行体素化处理，即将点云组织成三维体素，并将这些体素进一步按层组织自下而上（第0层
Figure 393407DEST_PATH_IMAGE016
；第1层
Figure 422543DEST_PATH_IMAGE017
；第2层
Figure 476081DEST_PATH_IMAGE018
；…）进行处理。
A3，将每一层的体素按照是否相邻原则聚类成若干个体素簇，将体素个数最少的层视为树干种子所在层
Figure 223457DEST_PATH_IMAGE019
，并将层
Figure 637121DEST_PATH_IMAGE019
的体素簇作为候选树干种子；
A4，候选树干种子对应的体素簇为候选树干种子体素簇，根据公式（2）计算所有候选树干种子体素簇的非离散度参数
Figure 520763DEST_PATH_IMAGE020
，将
Figure 197732DEST_PATH_IMAGE020
大于0.8的候选树干种子体素簇作为树干种子，公式（2）：
Figure 917558DEST_PATH_IMAGE021
公式（2）中，
Figure 134912DEST_PATH_IMAGE022
、
Figure 341903DEST_PATH_IMAGE023
、
Figure 986511DEST_PATH_IMAGE024
是对体素簇对应原始MLS点云进行主成分（PCA）分析所获得的协方差矩阵特征值；
A5，树干种子对应的体素簇为树干种子体素簇，确定树干种子体素簇后先进行向上生长，生长规则为遍历树干种子所在层的上一层
Figure 442900DEST_PATH_IMAGE025
（
Figure 946169DEST_PATH_IMAGE026
）层的所有体素簇，并找出和树干种子体素簇在XY维度上相邻的体素簇作为候选树干，其中，相邻判断标准是体素簇对应原始MLS点云之间的水平距离小于
Figure 804403DEST_PATH_IMAGE027
。
将所有的属于候选树干的体素簇进行合并，得到该层生长所得的体素簇，并计算层生长所得的体素簇水平凸包
Figure 619913DEST_PATH_IMAGE028
，若水平凸包的面积
Figure 766860DEST_PATH_IMAGE029
小于指定阈值
Figure 326018DEST_PATH_IMAGE030
（本方案阈值
Figure 55070DEST_PATH_IMAGE030
采用
Figure 775902DEST_PATH_IMAGE031
）且水平凸包和种子体素簇的水平凸包的面积
Figure 410145DEST_PATH_IMAGE032
比值
Figure 507414DEST_PATH_IMAGE033
小于指定阈值
Figure 605820DEST_PATH_IMAGE034
（本方案阈值
Figure 248285DEST_PATH_IMAGE034
取值为2 ）则将该层的生长所得的体素簇视为树干的一部分，并将其作为新的生长种子用于之后的上生长，重复以上步骤，若生长过程中不再满足上述面积约束和比值约束或则种子层达到最高层
Figure 369825DEST_PATH_IMAGE035
则停止生长，生长完成后得到向上生长结果，比值
Figure 270785DEST_PATH_IMAGE036
计算公式（3）：
Figure 958118DEST_PATH_IMAGE037
A6，按照步骤A5的生长规则进行向下生长，向下生长时
Figure 286332DEST_PATH_IMAGE038
取值为2，
Figure 629588DEST_PATH_IMAGE039
取值取值为1.5，生长完成后得到向下生长结果，将向上生长结果与向下生长结果进行合并获得完整树干点云。
A7，对A6步骤获得的完整树干点云进行相交检验，检验方法为：
假设两树干点云为
Figure 84971DEST_PATH_IMAGE040
和
Figure 892390DEST_PATH_IMAGE041
，找出
Figure 594767DEST_PATH_IMAGE042
对应的最大xyz值（
Figure 222058DEST_PATH_IMAGE043
）和最小xyz值(
Figure 730399DEST_PATH_IMAGE044
)，
Figure 704627DEST_PATH_IMAGE041
对应的最大
Figure 577905DEST_PATH_IMAGE045
值（
Figure 692491DEST_PATH_IMAGE046
）和最小xyz值(
Figure 473365DEST_PATH_IMAGE047
),若
Figure 255377DEST_PATH_IMAGE048
，
Figure 581447DEST_PATH_IMAGE049
且
Figure 448909DEST_PATH_IMAGE050
，则点云
Figure 33474DEST_PATH_IMAGE040
和
Figure 607675DEST_PATH_IMAGE041
对应的最小包围盒（BondingBox）相交，则将
Figure 619493DEST_PATH_IMAGE051
和
Figure 459404DEST_PATH_IMAGE041
合并为一个树干点云，在获取行道树完整树干点云之后，找到该点云中的最低点
Figure 847660DEST_PATH_IMAGE052
，则该点坐标为其对应行道树的位置坐标。
S3，对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
具体的，对树冠进行提取，得到初步的树冠点云，树冠提取的主要内容是首先对预处理后的MLS点云进行欧式聚类和体素化处理，然后根据上一步获得树干点云使用基于最小增量规则的体素区域生长算法完成树冠点云的实例化分割。
其中，所述对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云包括以下步骤：
S301，将所述完整树干点云从所述预处理后的MLS点云中剔除，得到包含行道树的树枝点云和树冠点云的树干剔除点云；
S302，在所述树干剔除点云中对预设高度的点进行欧式聚类，得到第二聚类点云簇，计算每个第二聚类点云簇的最小包围盒体积，将最小包围盒体积大于阈值的第二聚类点云簇作为潜在树冠；
S303，对所述潜在树冠对应的点云簇进行体素化处理，获得体素点云，遍历每个所述树干点云，找到每个所述树干点云在体素点云中的相邻体素，若所述相邻体素对应的原始MLS点云和树干点云之间的空间距离小于1.5倍分辨率，则将每个树干的相邻体素合并为一个种子体素簇，将种子体素簇作为行道树树冠初始生长种子；
S304，将所述种子体素簇对应的所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云。
所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长包括：
将所述体素点云中所述行道树树冠初始生长种子所在层中与种子体素簇相邻的体素视为新增树冠体素，并将所述新增树冠体素作为新的水平生长种子进行下一轮水平生长，重复进行水平生长直至所述行道树树冠初始生长种子所在层中没有新增树冠体素为止，将所有新增树冠体素和种子体素簇合并作为所述行道树树冠初始生长种子所在层的水平生长结果体素；
遍历所述行道树树冠初始生长种子所在层上一层中的所有体素，若所述体素和所述行道树树冠初始生长种子所在层的水平生长结果体素存在相同行和列，则将所述体素作为所述上一层的树冠体素，将所有上一层的树冠体素作为所述上一层的垂直生长结果体素，将所述垂直生长结果体素作为所述上一层水平邻域生长的初始种子，依次对体素点云每一层进行遍历直到达到体素点云的最高层或体素点云中不存在满足要求的树冠体素，合并所有水平生长结果体素和垂直生长结果体素，完成树冠点云的实例化分割，其中，若体素点云中同时包含多个行道树树冠初始生长种子，则首先让最底层的行道树树冠初始生长种子进行树冠生长，层较高的行道树树冠初始生长种子在生长到所属层之前不进行树冠生长，若两个不同的标记树在同层水平生长时搜索到相同体素，则使用最小增量规则进行重叠体素分配，所述最小增量规则通过比较加入体素前后树冠水平凸包面积变化量的大小决定体素的归属。
具体的，在完成行道树树干识别之后，已经可以确定该区域内行道树的位置与个数，根据这些信息使用本方案所提出的基于最小增量规则的体素区域生长算法可以进一步完成单颗树冠点云的实例化分割，具体步骤：
B1,将所述完整树干点云从所述预处理后的MLS点云中剔除，得到包含行道树的树枝点云和树冠点云的树干剔除点云；
B2，从树干剔除点云中选择距离地面一定高度（例如高度为1.5m）的点进行欧式聚类，并计算每个聚类点云簇的BondingBox，将BondingBox体积大于阈值
Figure 276367DEST_PATH_IMAGE053
（本方案阈值
Figure 459087DEST_PATH_IMAGE053
采用
Figure 301141DEST_PATH_IMAGE054
）的点云簇作为潜在树冠，在潜在树冠选择之后，可以有效地移除与树冠不相连的非树冠对象；
B3，对潜在树冠点云簇同样进行体素化处理，且由于树冠点相对稀疏，形状多样，分布广泛，因此使用分辨率比
Figure 978241DEST_PATH_IMAGE055
大1.5倍的体素对潜在树冠点云进行体素化处理，获得体素点云
Figure 261455DEST_PATH_IMAGE056
，以避免体素中的点太少；
B4，遍历每个所述树干点云，找出每个树干点云在体素点云
Figure 880655DEST_PATH_IMAGE057
中的相邻体素，相邻体素指的是
Figure 944426DEST_PATH_IMAGE056
中体素对应的原始MLS点云和树干点云之间的空间距离小于1.5
Figure 877747DEST_PATH_IMAGE055
，将每个树干的相邻体素合并为一个种子体素簇，将种子体素簇作为行道树树冠初始生长种子，用于后续的区域生长；
B5,获取行道树树冠初始生长种子后，找到行道树树冠初始生长种子所属的体素点云
Figure 812205DEST_PATH_IMAGE056
进行基于最小增量规则的体素区域生长，最小增量规则进行体素区域生长的主要包括垂直向上生长和当前层水平邻域生长两部分，具体的生长规则如下：
B501，首先在获得行道树树冠初始生长种子之后，将当前层也就是行道树树冠初始生长种子所在层（假设为
Figure 615688DEST_PATH_IMAGE058
）中和种子体素簇相邻的体素视为新增树冠体素，并将这些新增树冠体素作为新的水平生长种子进行下一轮水平生长，重复该步骤直到没有新增树冠体素体素为止，水平邻域生长结束后将
Figure 901176DEST_PATH_IMAGE058
层所有新增树冠体素和种子体素簇合并作为该层的水平生长结果；
B502，遍历
Figure 372609DEST_PATH_IMAGE059
层中的所有体素，如果该体素和
Figure 427153DEST_PATH_IMAGE058
层的水平生长结果体素存在相同行和列，则将该体素是为
Figure 653735DEST_PATH_IMAGE059
层的树冠体素，找出
Figure 364202DEST_PATH_IMAGE059
层所有满足此要求的体素作为
Figure 186795DEST_PATH_IMAGE059
层的垂直生长结果，并将其作为
Figure 627004DEST_PATH_IMAGE059
层水平邻域生长的初始种子；
B503，重复B501、B502步直到达到
Figure 493329DEST_PATH_IMAGE060
的最高层或生长层不存在满足要求的树冠体素，合并所有水平生长结果体素和垂直生长结果体素，完成树冠点云的实例化分割；
其中，若体素点云
Figure 753409DEST_PATH_IMAGE060
中同时包含多个行道树树冠初始生长种子，首先让最底层的行道树树冠初始生长种子进行树冠生长，层较高的行道树树冠初始生长种子在生长到其所属层之前不进行树冠生长；
在树冠生长过程中，一旦两个不同的标记树在同层水平生长时搜索到相同体素，就需要使用最小增量规则来进行重叠体素分配，最小增量规则的原理是通过比较加入该体素前后树冠水平凸包面积变化量的大小来决定该体素的归属，即对于每个被重复生长的体素，通过公式（4）计算加入该体素前后树冠水平凸包面积变化量，公式（4）：
Figure 566644DEST_PATH_IMAGE061
其中
Figure 346512DEST_PATH_IMAGE062
是水平凸包面积变化量，
Figure 649318DEST_PATH_IMAGE063
是加入该体素之前树冠的水平凸包面积，
Figure 396694DEST_PATH_IMAGE064
是加入该体素之后树冠的水平凸包面积；
假设存在两颗行道树
Figure 13620DEST_PATH_IMAGE065
和
Figure 897262DEST_PATH_IMAGE066
，二者在进行某一层进行水平生长时同时搜索到体素
Figure 387281DEST_PATH_IMAGE067
，而
Figure 356374DEST_PATH_IMAGE068
和
Figure 511411DEST_PATH_IMAGE069
分别为
Figure 780719DEST_PATH_IMAGE070
加入
Figure 159747DEST_PATH_IMAGE065
和
Figure 819399DEST_PATH_IMAGE066
前后的凸包面积变化量，如果
Figure 328527DEST_PATH_IMAGE071
则该体素属于
Figure 452341DEST_PATH_IMAGE066
，反之属于
Figure 267851DEST_PATH_IMAGE065
。
S4，基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
其中，所述基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云包括以下步骤：
S401，根据对称性原则找出初步的树冠点云中过分割树冠点云，基于过分割树冠点云找出所有的过分割树冠和对应的欠分割树冠，使用基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云；
S402，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
具体的，完成树冠实例分割后，根据对称性原则找出过分割树冠点云，具体找出过分割树冠点云的判断标准如下：
设
Figure 414798DEST_PATH_IMAGE065
和
Figure 973955DEST_PATH_IMAGE066
为两颗树冠存在重叠的行道树，
Figure 437429DEST_PATH_IMAGE072
与
Figure 627102DEST_PATH_IMAGE073
为
Figure 58083DEST_PATH_IMAGE065
和
Figure 420931DEST_PATH_IMAGE066
的单体化提取树冠，
Figure 988179DEST_PATH_IMAGE074
与
Figure 348753DEST_PATH_IMAGE075
为
Figure 17763DEST_PATH_IMAGE065
和
Figure 918723DEST_PATH_IMAGE066
的位置坐标，连接点
Figure 606056DEST_PATH_IMAGE074
与
Figure 137532DEST_PATH_IMAGE075
并将其投影到水平面上得到水平直线
Figure 277526DEST_PATH_IMAGE074
Figure 998488DEST_PATH_IMAGE075
以及二维向量
Figure 743591DEST_PATH_IMAGE076
，将，
Figure 242705DEST_PATH_IMAGE077
中的所有点投影到直线
Figure 135575DEST_PATH_IMAGE074
Figure 112758DEST_PATH_IMAGE075
上，找出所有位于线段
Figure 977946DEST_PATH_IMAGE074
Figure 395764DEST_PATH_IMAGE075
上的点并计算其到点
Figure 775930DEST_PATH_IMAGE074
的最远水平距离作为
Figure 760067DEST_PATH_IMAGE078
粘连侧冠径
Figure 276498DEST_PATH_IMAGE079
，再找出所有位于线段
Figure 382995DEST_PATH_IMAGE074
Figure 735610DEST_PATH_IMAGE075
外的点并计算其到点
Figure 523437DEST_PATH_IMAGE074
的最远水平距离作为
Figure 159955DEST_PATH_IMAGE078
非粘连侧冠径
Figure 171773DEST_PATH_IMAGE080
，根据公式（5）计算其两侧冠径比值
Figure 995373DEST_PATH_IMAGE081
，同理计算出
Figure 586891DEST_PATH_IMAGE082
的两侧冠径冠径比值
Figure 828648DEST_PATH_IMAGE083
，若自身两侧冠径比值大于第一指定阈值（本方案第一指定阈值采用1.3）或重叠树冠的两侧冠径比值大于第一指定阈值小于第二指定阈值（本方案第二指定阈值采用0.7）则该树冠为过分割树冠，例如若
Figure 11367DEST_PATH_IMAGE084
则
Figure 791105DEST_PATH_IMAGE065
为过分割树冠，
Figure 717472DEST_PATH_IMAGE066
为欠分割树冠，公式（5）：
Figure 63003DEST_PATH_IMAGE085
找出所有的过分割树冠以及与之对应的欠分割树冠，使用基于高程变化的聚类方法来优化其树冠边缘，具体聚类方法原理如下：设
Figure 432936DEST_PATH_IMAGE065
为过分割树冠
Figure 434390DEST_PATH_IMAGE066
为与其粘连的欠分割树冠，首先找出两颗树中间的重叠区域点云
Figure 898869DEST_PATH_IMAGE086
，并将
Figure 364485DEST_PATH_IMAGE086
从
Figure 154587DEST_PATH_IMAGE065
和
Figure 377758DEST_PATH_IMAGE066
中去掉，对剩余的
Figure 653451DEST_PATH_IMAGE065
和
Figure 973574DEST_PATH_IMAGE066
进行高度比较，找出低位行道树的树冠
Figure 872259DEST_PATH_IMAGE087
与
Figure 645043DEST_PATH_IMAGE086
的粘连点云作为聚类种子点，找出聚类种子点在
Figure 716905DEST_PATH_IMAGE087
与
Figure 642266DEST_PATH_IMAGE086
的R近邻点，如果R近邻点中属于
Figure 774171DEST_PATH_IMAGE087
的最高点高于如果R近邻点中属于
Figure 768671DEST_PATH_IMAGE086
的最高点则该种子点被分配到低位行道树树冠中，并将R近邻点中属于
Figure 644223DEST_PATH_IMAGE086
点作为新的种子点进行之后的聚类，重复该步骤直到没有新的种子点产生，聚类结束后将
Figure 876622DEST_PATH_IMAGE086
剩余的点归属到高位行道树的树冠，至此完成行道树树冠的提取与边缘优化。
最后将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
基于上述基于MLS点云数据的行道树单体化提取方法，本实施例提供了一种基于MLS点云数据的行道树单体化提取装置，包括：
预处理模块1，用于采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
树干提取模块2；用于对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
树冠提取模块3，用于对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
合并模块4，用于基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
此外值得说明，本实施例提供的基于基于MLS点云数据的行道树单体化提取装置的工作过程与上述基于MLS点云数据的行道树单体化提取方法的工作过程相同，具体可以参照基于MLS点云数据的行道树单体化提取方法的工作过程，这里就不再赘述。
基于上述基于MLS点云数据的行道树单体化提取方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于MLS点云数据的行道树单体化提取方法中的步骤。
如图2所示，基于上述基于MLS点云数据的行道树单体化提取方法，本申请还提供了一种终端设备，其包括至少一个处理器（processor）20；显示屏21；以及存储器（memory）22，还可以包括通信接口（Communications Interface）23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
相较于现有技术本发明的基于MLS点云数据的行道树单体化提取方法包括，采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云；本发明采用上述方法后，提高了行道树的识别精度以及提高了行道树个体提取结果。
通过采用基于凸包面积变化率的体素区域生长算法来识别和定位具有复杂几何形状树干的行道树，通过采用基于最小增量规则的体素区域生长算法，对大范围粘连场景下行道树树冠的实例分割，实现了复杂道路环境下单颗行道树点云的高精度识别和提取。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
当然，本发明上述实施例的描述较为细致，但不能因此而理解为对本发明的保护范围的限制，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围，本发明的保护范围以所附权利要求书为准。

Claims (9)

1.一种基于MLS点云数据的行道树单体化提取方法，其特征在于，包括：
采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云；
其中，对所述切片点云进行识别提取，得到树干点云，包括：
所述对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云；
其中，所述对切片点云依次进行欧氏聚类、点云体素化及体素邻域分析、初始种子选取和体素区域生长，得到树干点云包括：
对所述切片点云进行欧式聚类，得到若干个包含行道树树干的第一聚类点云簇；
对所述第一聚类点云簇进行点云体素化处理，得到若干层的体素；
将每一层的体素按照是否相邻原则聚类成若干个体素簇，将体素个数最少的层视为树干种子所在层，将所述树干种子所在层对应的体素簇作为候选树干种子；
计算所有候选树干种子对应体素簇的非离散度参数，将非离散度参数大于0.8的体素簇作为树干种子；
基于预设生长规则以及基于凸包面积变化率的体素区域生长算法对树干种子对应的体素簇进行体素区域生长，依次对树干种子对应的体素簇进行向上生长和向下生长，得到完整树干点云，将所述完整树干点云中的最低点坐标作为对应行道树的位置坐标；
其中，所述候选树干种子对应的体素簇为候选树干种子体素簇，根据公式（2）计算所有候选树干种子体素簇的非离散度参数
Figure 20652DEST_PATH_IMAGE001
，将
Figure 171011DEST_PATH_IMAGE001
大于0.8的候选树干种子体素簇作为树干种子，公式（2）：
Figure 749629DEST_PATH_IMAGE002
公式（2）中，
Figure 292737DEST_PATH_IMAGE003
、
Figure 23932DEST_PATH_IMAGE004
、
Figure 394127DEST_PATH_IMAGE005
是对体素簇对应原始MLS点云进行主成分分析所获得的协方差矩阵特征值。
2.根据权利要求1所述的一种基于MLS点云数据的行道树单体化提取方法，其特征在于，所述采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云包括：
采用布料滤波方法将所述原始MLS点云中的地面点云去掉，得到去除地面的第一MLS点云；
采用法线滤波方法去除所述第一MLS点云中的建筑立面点云，得到所述预处理后的MLS点云。
3.根据权利要求2所述的一种基于MLS点云数据的行道树单体化提取方法，其特征在于，所述对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云包括：
对所述预处理之后的MLS点云进行高程归一化处理，得到高程归一化后的MLS点云；
对所述高程归一化后的MLS点云进行Z值维度的直通滤波，得到包含行道树树干的切片点云。
4.根据权利要求3所述的一种基于MLS点云数据的行道树单体化提取方法，其特征在于，所述对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云包括：
将所述完整树干点云从所述预处理后的MLS点云中剔除，得到包含行道树的树枝点云和树冠点云的树干剔除点云；
在所述树干剔除点云中对预设高度的点进行欧式聚类，得到第二聚类点云簇，计算每个第二聚类点云簇的最小包围盒体积，将最小包围盒体积大于阈值的第二聚类点云簇作为潜在树冠；
对所述潜在树冠对应的点云簇进行体素化处理，获得体素点云，遍历每个所述树干点云，找到每个所述树干点云在体素点云中的相邻体素，若所述相邻体素对应的原始MLS点云和树干点云之间的空间距离小于1.5倍分辨率，则将每个树干的相邻体素合并为一个种子体素簇，将种子体素簇作为行道树树冠初始生长种子；
将所述种子体素簇对应的所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云。
5.根据权利要求4所述的一种基于MLS点云数据的行道树单体化提取方法，其特征在于，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长包括：
将所述体素点云中所述行道树树冠初始生长种子所在层中与种子体素簇相邻的体素视为新增树冠体素，并将所述新增树冠体素作为新的水平生长种子进行下一轮水平生长，重复进行水平生长直至所述行道树树冠初始生长种子所在层中没有新增树冠体素为止，将所有新增树冠体素和种子体素簇合并作为所述行道树树冠初始生长种子所在层的水平生长结果体素；
遍历所述行道树树冠初始生长种子所在层上一层中的所有体素，若所述体素和所述行道树树冠初始生长种子所在层的水平生长结果体素存在相同行和列，则将所述体素作为所述上一层的树冠体素，将所有上一层的树冠体素作为所述上一层的垂直生长结果体素，将所述垂直生长结果体素作为所述上一层水平邻域生长的初始种子，依次对体素点云每一层进行遍历直到达到体素点云的最高层或体素点云中不存在满足要求的树冠体素，合并所有水平生长结果体素和垂直生长结果体素，完成树冠点云的实例化分割，其中，若体素点云中同时包含多个行道树树冠初始生长种子，则首先让最底层的行道树树冠初始生长种子进行树冠生长，层较高的行道树树冠初始生长种子在生长到所属层之前不进行树冠生长，若两个不同的标记树在同层水平生长时搜索到相同体素，则使用最小增量规则进行重叠体素分配，所述最小增量规则通过比较加入体素前后树冠水平凸包面积变化量的大小决定体素的归属。
6.根据权利要求5所述的一种基于MLS点云数据的行道树单体化提取方法，其特征在于，所述基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云包括：
根据对称性原则找出初步的树冠点云中过分割树冠点云，基于过分割树冠点云找出所有的过分割树冠和对应的欠分割树冠，使用基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云；
将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
7.一种基于MLS点云数据的行道树单体化提取装置，所述装置应用于权利要求1所述基于MLS点云数据的行道树单体化提取方法，其特征在于，包括：
预处理模块，用于采用滤波方法对原始MLS点云进行预处理，去除所述原始MLS点云中的地面点云以及建筑立面点云，得到预处理后的MLS点云；
树干提取模块；用于对所述预处理后的MLS点云进行滤波处理，得到包含行道树树干的切片点云，对所述切片点云进行识别提取，得到树干点云；
树冠提取模块，用于对所述预处理后的MLS点云依次进行欧式聚类和体素化处理，得到体素化后的MLS点云，所述体素化后的MLS点云采用基于最小增量规则的体素区域生长算法进行体素区域生长，完成树冠点云的实例化分割，得到初步的树冠点云；
合并模块，用于基于高程变化的聚类方法对所述初步的树冠点云中树冠边缘进行优化，得到精确的树冠点云，将所述精确的树冠点云与对应的所述树干点云合并，得到完整的单颗行道树点云。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任意一项所述的基于MLS点云数据的行道树单体化提取方法中的步骤。
9.一种终端设备，其特征在于，包括：处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于MLS点云数据的行道树单体化提取方法中的步骤。
CN202211115280.1A 2022-09-14 2022-09-14 基于mls点云数据的行道树单体化提取方法及装置 Active CN115205690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211115280.1A CN115205690B (zh) 2022-09-14 2022-09-14 基于mls点云数据的行道树单体化提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211115280.1A CN115205690B (zh) 2022-09-14 2022-09-14 基于mls点云数据的行道树单体化提取方法及装置

Publications (2)

Publication Number Publication Date
CN115205690A CN115205690A (zh) 2022-10-18
CN115205690B true CN115205690B (zh) 2022-12-06

Family

ID=83573472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211115280.1A Active CN115205690B (zh) 2022-09-14 2022-09-14 基于mls点云数据的行道树单体化提取方法及装置

Country Status (1)

Country Link
CN (1) CN115205690B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880354B (zh) * 2023-03-02 2023-05-30 成都工业学院 一种基于点云自适应切片的计算树冠体积的方法
CN116309566B (zh) * 2023-05-17 2023-09-12 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备
CN116310849B (zh) * 2023-05-22 2023-09-19 深圳大学 基于三维形态特征的树木点云单体化提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833244A (zh) * 2017-11-02 2018-03-23 南京市测绘勘察研究院股份有限公司 一种基于车载激光雷达数据的行道树属性自动识别方法
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN109461207A (zh) * 2018-11-05 2019-03-12 胡翰 一种点云数据建筑物单体化方法及装置
CN109492563A (zh) * 2018-10-30 2019-03-19 深圳大学 一种基于无人机高光谱影像和LiDAR点云的树种分类方法
CN112396133A (zh) * 2021-01-20 2021-02-23 深圳大学 基于多尺度空间的城市区域空地一体融合点云分类方法
CN112819830A (zh) * 2021-01-24 2021-05-18 南京林业大学 基于深度学习与机载激光点云的单株树冠分割方法
CN114119863A (zh) * 2021-11-09 2022-03-01 南京市测绘勘察研究院股份有限公司 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932462B (zh) * 2017-05-27 2021-07-16 华为技术有限公司 驾驶意图确定方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833244A (zh) * 2017-11-02 2018-03-23 南京市测绘勘察研究院股份有限公司 一种基于车载激光雷达数据的行道树属性自动识别方法
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN109492563A (zh) * 2018-10-30 2019-03-19 深圳大学 一种基于无人机高光谱影像和LiDAR点云的树种分类方法
CN109461207A (zh) * 2018-11-05 2019-03-12 胡翰 一种点云数据建筑物单体化方法及装置
CN112396133A (zh) * 2021-01-20 2021-02-23 深圳大学 基于多尺度空间的城市区域空地一体融合点云分类方法
CN112819830A (zh) * 2021-01-24 2021-05-18 南京林业大学 基于深度学习与机载激光点云的单株树冠分割方法
CN114119863A (zh) * 2021-11-09 2022-03-01 南京市测绘勘察研究院股份有限公司 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于分层聚合的行道树点云树干检测方法;徐景中等;《激光与光电子学进展》;20220725;第1-15页 *

Also Published As

Publication number Publication date
CN115205690A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN115205690B (zh) 基于mls点云数据的行道树单体化提取方法及装置
CN106815847B (zh) 基于激光雷达点云的树木分割方法及单棵树提取方法
Lari et al. An adaptive approach for segmentation of 3D laser point cloud
CN110363861B (zh) 基于激光雷达点云的田地作物三维重构方法
CN107292276B (zh) 一种车载点云聚类方法及系统
CN101944239B (zh) 三维模型分割方法、装置以及包含该装置的图像处理系统
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
CN112070769A (zh) 一种基于dbscan的分层点云分割方法
CN111986322B (zh) 一种基于结构分析的点云室内场景布局重建方法
CN106918311A (zh) 基于车载激光点云数据的单株树树冠投影面积自动计算方法
CN108564650B (zh) 基于车载2D LiDAR点云数据的行道树靶标识别方法
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
CN113920134B (zh) 一种基于多线激光雷达的斜坡地面点云分割方法及系统
CN114926699B (zh) 一种室内三维点云语义分类方法、装置、介质及终端
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN114332366A (zh) 数字城市单体房屋点云立面3d特征提取方法
CN109215112B (zh) 一种单侧点云模型的标注方法
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN111340822B (zh) 一种多尺度自适应机载LiDAR点云建筑物单体化分割方法
CN107918953B (zh) 基于三维空间的激光扫描电力线点云的提取方法及装置
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
CN116310849B (zh) 基于三维形态特征的树木点云单体化提取方法
CN111754618A (zh) 一种面向对象的实景三维模型多层次解译方法及系统
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
CN116258857A (zh) 一种面向室外树木激光点云分割与提取方法

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