CN115390040A - 一种基于分割几何特征的树林点云枝叶分离方法 - Google Patents
一种基于分割几何特征的树林点云枝叶分离方法 Download PDFInfo
- Publication number
- CN115390040A CN115390040A CN202210835301.0A CN202210835301A CN115390040A CN 115390040 A CN115390040 A CN 115390040A CN 202210835301 A CN202210835301 A CN 202210835301A CN 115390040 A CN115390040 A CN 115390040A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- cluster
- branch
- forest
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000000926 separation method Methods 0.000 title abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 239000002023 wood Substances 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241000218378 Magnolia Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 240000005819 Magnolia denudata Species 0.000 description 2
- 235000016094 Magnolia denudata Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- DEDOPGXGGQYYMW-UHFFFAOYSA-N molinate Chemical compound CCSC(=O)N1CCCCCC1 DEDOPGXGGQYYMW-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于地面激光雷达点云数据处理技术领域,具体涉及一种基于分割几何特征的树林点云枝叶分离方法。本发明基于地面激光雷达获取的树林点云数据,经历DBSCAN粗分割和RANSAC细分割,建立用于区分树林点云枝叶组分的树林点云枝叶分离方法。本发明能够在较少人工干预的情况下快速分离树林点云的枝叶成分,且保持较高的分离精度。该方法简单、运行高效,能快速、准确地对大面积树林点云进行枝叶分离,为树林点云枝叶分离提供了一种新的思路,并可进一步应用于叶面积指数反演、木质体积估算、树木真实感三维建模等领域。
Description
技术领域
本发明属于地面激光雷达点云数据处理技术领域,具体涉及一种基于分割几何特征的树林点云枝叶分离方法。
背景技术
近几十年来,光学遥感技术的发展和运用为传统的森林调查提供了便利,能够获取大范围森林生长参数和生态、环境信息,然而光学遥感技术受其自身技术特点的限制,难以获取树林三维结构参数。激光雷达(light detection and ranging,lidar)能够主动发射激光束,获取准确、高分辨率的森林点云数据,是定量林业研究中重要的数据来源,被认为是一种前景广阔的技术。激光雷达按其所搭载的平台不同,可大致分为航空激光雷达(Aerial Laser Scanning,ALS)和地面激光雷达(Terrestrial Laser Scanning,TLS),它们在应用尺度、分辨率、精度、观察角度、数据采集能力上差异巨大。TLS能在单木、样地尺度能获取高分辨率、细节详细的树木立体结构数据,被用于叶面积指数反演、木质体积估算、树木真实感三维建模等。
以上应用离不开对枝干点云和树叶点云的精确分割。对于单棵树,手工分离能保证精度且不算耗时,而对于样地和森林,手工分离将费时耗力。为了能够自动、高效、精确的分离枝叶点云,近些年国内外出现了很多关于点云枝叶分离的研究。TLS提供了回波强度数据和三维坐标数据,二者均可用于点云分类。回波强度由于受到距离、入射角等因素影响且部分仪器采用的波段对枝叶的反射差异不明显,因此利用回波强度进行枝叶分离不具普适性。坐标数据是TLS的基本数据,其能反映枝叶的几何外形,因此可以利用枝叶的形态差异进行点云枝叶分离。根据形态差异所处的空间尺度,将当前方法用到的分类特征分为局部几何特征和分割几何特征。
局部几何特征由每个点的k邻域或半径邻域计算得到,枝干和叶片在局部区域的形态差异构成分类基础。云挺等(2018)获取每个激光点的法向量、结构张量特征、形状特征,结合高斯分类器实现了对橡胶林段的枝叶分离操作。马利霞(2015)利用局部几何特征选取不同类别的训练样本,基于期望最大化算法为每个类构建高斯混合模型,以此作为分类器对森林点云逐点分类,将森林点云分为地面、树枝和树干、树叶和灌丛三类。汪献义等(2019)使用xgboost树型分类器,基于6个分离性好的经验特征构建动态近邻特征和多尺度特征,取得了比定近邻特征更好的枝叶分离精度。
分割几何特征指枝干呈线性或圆柱形、叶片平坦、叶片离散分布、枝干连续分布等,可以利用这些特征对树木点云进行分割和识别。Tao等(2015)基于枝干点云的水平切面呈圆形或者椭圆形,而叶簇切面可以抽象为线段的特性分离树木的光合组分和非光合组分。Wang(2018)等人提出一种叫做动态分段合并的方法,利用密度和法向差异分割点云,基于枝干呈线性特征,实现对树木枝干点云的识别。Ferrara(2018)等人将单木点云体素化,并使用基于密度的空间聚类算法(DBSCAN)以区域增长的方式实现枝干与树叶点云的分离。Su(2019)等人提出一种分类与分割相结合的方法来提取单木枝干点云,该方法首先对树木点云水平分层并在每层内聚类,然后利用随机采样一致性算法(RANSAC)实现了对每一类簇的分类以及分割出枝叶混合类簇中的枝干点云部分。
综上,基于几何邻域特征的方法能够用于单木和林地枝叶分离,然而这类方法以机器学习为主,需要人工训练数据,且对不同林地需要单独的训练,难以自动处理大规模数据集。基于分割几何特征的方法不依赖训练数据,但需要针对数据特点进行参数设置且计算量大,对林地的分类精度和速度均较低,目前主要用于单木尺度。
发明内容
针对上述存在问题或不足,为解决现有树林点云枝叶分离方法存在依赖训练数据、精度低、速度慢等问题,本发明提供了一种基于分割几何特征的树林点云枝叶分离方法。该方法通过DBSCAN粗分割和RANSAC细分割逐步分离枝叶点云,能够在较少人工干预的情况下快速分离树林点云的枝叶成分,且保持较高的分离精度。
一种基于分割几何特征的树林点云枝叶分离方法,包括以下步骤:
步骤1、粗分割:旨在通过简单快捷的方式对树林点云进行分割并提取细枝类簇点云、直立树干类簇点云。
1-1、对树林点云水平分层:目的是降低冠层复杂性,使枝干和叶片更易区分。每个点所属层号Li由以下公式确定:
式中,dz为分层间距,取20~30cm;floor表示向下取整,Zi表示点i的坐标Z值,Zmin表示所有点的最小坐标Z值,Li∈(0,1,2,3,…)。
1-2、逐层聚类:分层后,虽然枝干和叶片间间距明显,易于区分,然而它们在数据层面还是一个整体,需要通过聚类算法将它们分开。这里采用DBSCAN算法对每层点云进行聚类。DBSCAN算法包含两个参数:一个是Eps,用于指定聚类间的最小相邻距离;另一个是MinPts用于确定一个点是否为参与聚类的核心点。Eps取5~10cm,MinPts固定为1。
1-3、初始枝干类簇识别:对步骤1-2聚类生成的所有类簇分别依次进行如下判断,以提取其中的细枝类簇、直立树干段类簇。
1-3-1、尺寸滤波:如果当前类簇的外接立方体高度Vh<0.75*dz,则判定为破碎叶片类簇并将其滤除;
1-3-2、投影分类:如果当前类簇未被1-3-1滤除,则将当前类簇点云投影到平面格网,格网为边长5~10cm正方形构成的矩阵网格,当某个网格有数据点落入时,对该网格赋值1,否则赋值0。遍历网格,如果不存在3*3邻域中的网格的值均为1的情况,则判定该类簇为细枝类簇或直立树干段类簇并对其进行提取。
叶片和叶簇投影到水平面呈现大片密集的阴影,而细枝和直立树干段的投影面小而稀疏。利用这一差异,以分离细枝类簇和直立树干段类簇。
步骤2、对步骤1-2聚类生成的所有类簇中未被识别为破碎叶片类簇、细枝类簇或直立树干段类簇的其余类簇分别进行如下操作,以提取其中的枝干成分。
目的是提取所有类簇中未被步骤1识别的枝叶混合类簇中的枝干成分,以及投影面较大的枝干类簇。由于这部分类簇中的枝干较粗且圆柱特征明显,因此采用RANSAC算法进行圆柱分割和识别。
2-1、采用RANSAC算法对当前类簇进行圆柱分割,得到圆柱内点Inner和对应的圆柱模型C;用到的参数包括法线估算邻域半径r,最大迭代次数n,模型表面距离阈值d,其中r取0.5~2cm,n取100~1000,d取1~2cm。
2-2、内点识别,统计当前类簇中位于圆柱模型C内部的点数k,如果k<(0.5~0.6)*Inner,则内点Inner为枝干点。
目的是识别RANSAC圆柱分割出的内点Inner是否为枝干点。由于激光雷达只能扫描到枝干的表面,因此枝干在点云数据中是中空的,基于该特征对内点进行判断。
2-3、循环分割,当步骤2-2识别内点Inner为枝干点后,提取Inner并将其从当前类簇中分离出去,然后再从步骤2-1开始对该类簇重复分割,直到2-2识别内点Inner不为枝干点。
一个类簇中可能包含多个圆柱形枝干,循环分割以充分提取类簇中的枝干成分。
步骤1、步骤2涉及的原理:
DBSCAN算法原理(如图2所示):DBSCAN是一种基于距离和密度的一种聚类算法,当一个点的Eps半径邻域中的点数大于等于MinPts时,则该点为核心点,其具有合并其Eps半径邻域中其他点的资格,对合并点中的其他核心点执行同样的操作,直到没有新的核心点被合并,则形成一个类簇。本发明设置MinPts为1表示所有点都是核心点,因此聚类过程只考虑了距离因素。
RANSAC圆柱分割原理(如图3所示):从带法线点云中随机抽取法线不共线的两点便能计算出表面过这两点且轴线与这两点法线正交的圆柱模型,到该模型表面小于指定距离的点则为内点,通过在最大迭代次数内不断随机生成圆柱模型和相应内点,最终包含最多内点的圆柱模型即为最优圆柱模型。该算法具有随机性,当内点占比较小时,需要增大迭代次数才能保证稳健的估计。本发明将最大迭代次数设置为100~1000,可以在轻微损失分离精度的同时保持较高的处理效率。
本发明首先对树林点云进行粗分割,具体包括水平分层、逐层DBSCAN聚类、尺寸滤波、以及投影分类,实现对细枝类簇、直立树干类簇的提取。然后进行细分割,具体包括RANSAC圆柱分割、内点识别、以及循环分割,实现对枝叶混合类簇中的枝干成分以及水平投影面较大的纯枝干类簇的提取。经过两次分割提取得到树林枝干点云,其余则为叶片点云。由于本发明通过DBSCAN粗分割和RANSAC细分割逐步分离枝叶点云,因此能够在较少人工干预的情况下快速分离树林点云的枝叶成分,且保持较高的分离精度。流程如图1所示。
综上所述,本发明基于地面激光雷达获取的树林点云数据,经历DBSCAN粗分割和RANSAC细分割,建立用于区分树林点云枝叶组分的树林点云枝叶分离方法。该方法简单、运行高效,能快速、准确地对大面积树林点云进行枝叶分离,为树林点云枝叶分离提供了一种新的思路,并可进一步应用于叶面积指数反演、木质体积估算、树木真实感三维建模等领域。
附图说明
图1为本发明的流程示意图;
图2为RANSAC原理图,a.圆柱模型,b.模型内点;
图3为DBSCAN原理图;
图4为枝叶分离结果图;a.枝干点云,b.枝叶组合。
具体实施方式
以下通过一块玉兰样地数据的实施例并结合附图对本发明作进一步详细说明。开发环境为vs2013,编程语言为c++,用到的类库主要是PCL(Point Cloud Library)。
一种基于分割几何特征的树林点云枝叶分离方法,包括以下步骤:
步骤1、数据获取及预处理:数据采集区域为电子科技大学校园内的一片玉兰林,采集设备为Leica ScanStation C10。仪器架设在树林中一处通视性较好,遮挡较弱的位置,为了避免风吹动树枝造成测量误差,需要在无风或风较小的条件下进行扫描,扫描模式为单站360°×270°全景扫描。
完成扫描后,裁剪出一片大小为10m×10m的样方,样方地势起伏较小,测站大致在该样方的中心。其中共有23棵树,长势均匀,树木总体直立生长,形状比较规则,表面也比较光滑,平均树高6.5m,枝干直径最大13cm,叶片大小约10cm×5cm。数据采集完成并导出后,使用CloudCompare点云处理软件对数据进行去噪、降采样、地面点滤波处理。选择树干和树冠中的若干层进行人工枝叶分离,以此作为精度验证参考数据。
步骤2、按发明内容步骤1所述进行粗分割。
步骤3、按发明内容步骤2所述进行细分割。
步骤4、精度评价:
经过以上步骤1-3,得到玉兰样地的点云枝叶分离结果,如图4所示。由于单站扫描难以完整获取树木点云,导致结果中有较多缺失,这种缺失也增大了对枝叶点云进行分割和识别的难度,可以通过增加测站的方式解决该问题。
采用Bennett等人(2013)提出的精度评价指标从枝干提取精度反映枝叶分离整体效果。用到的指标为正确率(Correctness)和完整率(Completeness)。正确率表示正确分类为枝干点云的点数与全部分类为枝干点云的点数的比值,完整率表示正确分类为枝干点云的点数与实际枝干点云的点数的比值。
由于树林样方规模较大,因此选择具有代表性的几层来进行定量评价;它们分别是位于主干位置的第5层(0.8-1.0m),位于冠层下部的第15(2.8-3.0m)层,位于冠层中部的第20(3.8-4.0m)层,和位于冠层上部的第25(4.8-5.0m)层,以这四层的评估结果来代表整个树林样方的枝叶点云分离精度。
枝干点云分离精度见表1,树林样方下部主干提取正确率和完整率都是100%,提取非常完整。而位于冠层的下中上三层提取精度存在差异,正确率和完整率都随着高度的增加而下降,这主要是因为高处细枝较多、且遮挡严重,导致分割和识别困难。尽管如此,冠层上中下三层的平均正确率达到86%,平均完整率达到85%。
表1 枝干点云分离精度
通过以上实验数据可见,本实施例根据本发明方法,对单站扫描的玉兰样地点云数据进行处理。依照方法步骤,实现了玉兰样地点云枝叶分离。通过正确率和完整率来对分离结果进行定量精度评价,结果表明,本发明方法能够在较少人工干预的情况下快速分离树林点云的枝叶成分,且保持较高的分离精度。
Claims (1)
1.一种基于分割几何特征的树林点云枝叶分离方法,其特征在于,包括以下步骤:
步骤1、粗分割:对树林点云进行分割并提取细枝类簇点云、直立树干类簇点云;
1-1、对树林点云水平分层,每个点所属层号Li由以下公式确定:
式中,dz为分层间距,取20~30cm;floor表示向下取整,Zi表示点i的坐标Z值,Zmin表示所有点的最小坐标Z值,Li∈(0,1,2,3,…);
1-2、采用DBSCAN算法将步骤1-1分层后的每层点云分别进行聚类;DBSCAN算法包含两个参数:一个是Eps,用于指定聚类间的最小相邻距离;另一个是MinPts用于确定一个点是否为参与聚类的核心点,Eps取5~10cm,MinPts固定为1;
1-3、对步骤1-2聚类生成的所有类簇分别依次进行如下判断,以提取其中的细枝类簇、直立树干段类簇;
1-3-1、尺寸滤波:如果当前类簇的外接立方体高度Vh<0.75*dz,则判定为破碎叶片类簇并将其滤除;
1-3-2、投影分类:如果当前类簇未被1-3-1滤除,则将当前类簇点云投影到平面格网,格网为边长5~10cm正方形构成的矩阵网格,当某个网格有数据点落入时,对该网格赋值1,否则赋值0;遍历网格,如果不存在3*3邻域中的网格的值均为1的情况,则判定该类簇为细枝类簇或直立树干段类簇并对其进行提取;
步骤2、对步骤1-2聚类生成的所有类簇中未被识别为破碎叶片类簇、细枝类簇或直立树干段类簇的其余类簇分别进行如下操作,以提取其中的枝干成分;
2-1、采用RANSAC算法对当前类簇进行圆柱分割,得到圆柱内点Inner和对应的圆柱模型C;用到的参数包括法线估算邻域半径r,最大迭代次数n,模型表面距离阈值d,其中r取0.5~2cm,n取100~1000,d取1~2cm;
2-2、统计当前类簇中位于圆柱模型C内部的点数k,如果k<(0.5~0.6)*Inner,则内点Inner为枝干点;
2-3、当步骤2-2识别内点Inner为枝干点后,提取Inner并将其从当前类簇中分离出去,然后再从步骤2-1开始对该类簇重复分割,直到2-2识别内点Inner不为枝干点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835301.0A CN115390040B (zh) | 2022-07-15 | 2022-07-15 | 一种基于分割几何特征的树林点云枝叶分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835301.0A CN115390040B (zh) | 2022-07-15 | 2022-07-15 | 一种基于分割几何特征的树林点云枝叶分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115390040A true CN115390040A (zh) | 2022-11-25 |
CN115390040B CN115390040B (zh) | 2024-09-03 |
Family
ID=84116343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210835301.0A Active CN115390040B (zh) | 2022-07-15 | 2022-07-15 | 一种基于分割几何特征的树林点云枝叶分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115390040B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740101A (zh) * | 2023-05-16 | 2023-09-12 | 中国信息通信研究院 | 用于点云对象的平面分割算法 |
CN116893428A (zh) * | 2023-09-11 | 2023-10-17 | 山东省地质测绘院 | 基于激光点云的森林资源调查与监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
-
2022
- 2022-07-15 CN CN202210835301.0A patent/CN115390040B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN110110802A (zh) * | 2019-05-14 | 2019-08-09 | 南京林业大学 | 基于高阶条件随机场的机载激光点云分类方法 |
Non-Patent Citations (2)
Title |
---|
田志林: ""基于地基激光雷达数据的阔叶林单木分割与枝叶分离方法研究"", 《中国优秀硕士学位论文全文数据库农业科技辑》, 15 May 2024 (2024-05-15), pages 049 - 98 * |
骆钰波;黄洪宇;唐丽玉;陈崇成;张浩;: "基于地面激光雷达点云数据的森林树高、胸径自动提取与三维重建", 遥感技术与应用, no. 02, 20 April 2019 (2019-04-20) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740101A (zh) * | 2023-05-16 | 2023-09-12 | 中国信息通信研究院 | 用于点云对象的平面分割算法 |
CN116740101B (zh) * | 2023-05-16 | 2024-03-12 | 中国信息通信研究院 | 用于点云对象的平面分割方法 |
CN116893428A (zh) * | 2023-09-11 | 2023-10-17 | 山东省地质测绘院 | 基于激光点云的森林资源调查与监测方法及系统 |
CN116893428B (zh) * | 2023-09-11 | 2023-12-08 | 山东省地质测绘院 | 基于激光点云的森林资源调查与监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115390040B (zh) | 2024-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223314B (zh) | 一种基于树冠三维点云分布的单木分割方法 | |
CN112381861B (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 | |
CN107274417B (zh) | 一种基于机载激光点云聚集关系的单木分割方法 | |
CN105488770B (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN112819830B (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
CN115390040B (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
CN106845399B (zh) | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
CN109446986B (zh) | 一种面向树木激光点云的有效特征抽取与树种识别方法 | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN103871100B (zh) | 基于点云与数据驱动的树木模型重建方法 | |
Kim et al. | 3D classification of power-line scene from airborne laser scanning data using random forests | |
CN105389538B (zh) | 一种基于点云半球切片估算森林叶面积指数的方法 | |
CN112907520B (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
CN115018982B (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
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 | |
CN114241217B (zh) | 一种基于圆柱特征的树干点云高效提取方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
Marinelli et al. | An approach based on deep learning for tree species classification in LiDAR data acquired in mixed forest | |
Tan et al. | Discriminating forest leaf and wood components in TLS point clouds at single-scan level using derived geometric quantities | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
CN111709986A (zh) | 一种基于激光点云的输电线下林木统计方法 |
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 |