CN116310849A - 基于三维形态特征的树木点云单体化提取方法 - Google Patents

基于三维形态特征的树木点云单体化提取方法 Download PDF

Info

Publication number
CN116310849A
CN116310849A CN202310572775.5A CN202310572775A CN116310849A CN 116310849 A CN116310849 A CN 116310849A CN 202310572775 A CN202310572775 A CN 202310572775A CN 116310849 A CN116310849 A CN 116310849A
Authority
CN
China
Prior art keywords
point cloud
super
tree
point
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.)
Granted
Application number
CN202310572775.5A
Other languages
English (en)
Other versions
CN116310849B (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 CN202310572775.5A priority Critical patent/CN116310849B/zh
Publication of CN116310849A publication Critical patent/CN116310849A/zh
Application granted granted Critical
Publication of CN116310849B publication Critical patent/CN116310849B/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
    • G06V20/188—Vegetation
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了基于三维形态特征的树木点云单体化提取方法，方法包括：获取原始点云数据，通过统计滤波算法对原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类；对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，并根据主成分分析后的超体素聚类识别出切片点云中的树干结构，得到树干点云；根据树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。本发明以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。

Description

基于三维形态特征的树木点云单体化提取方法
技术领域
本发明涉及三维激光点云技术领域，尤其涉及的是基于三维形态特征的树木点云单体化提取方法。
背景技术
随着生态文明建设进程的不断加快，森林资源监测与保护变得越来越重要，树木是森林的基本单位，其空间结构和生物-物理-化学成分是森林资源调查和生态环境建模的关键因素。因此，获得关于森林中每棵树的准确结构信息对于实现林业资源管理现代化、开发适当的管理实践以及对全球碳储量进行定量估计具有重要意义。
近年来，激光雷达技术的发展为采集精确的单棵树分割数据创造了机会。激光雷达将激光脉冲入射到植被上，并接收包含所需信息的回波信号，例如树木的三维位置信息，然后，接收到的反射信号用于生成点云。由于具有高效率、高精度、高抗干扰能力等优点，三维激光点云成为获取森林树木结构信息的主要数据来源；因此，基于激光扫描技术的森林树木单体化提取方式是当前的研究热点及未来的发展趋势。然而，在森林中，树木的生长通常非常茂密，其树冠之间会存在较为明显的交叉重叠，而在面对此场景时，目前主流的树木点云单体化提取方法存在较为明显的过分割或欠分割问题，导致获取的树木结构信息与实际情况相比误差较大，因此如何在大范围粘连场景下实现单木点云高精度提取仍是一个具有挑战性的问题。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供基于三维形态特征的树木点云单体化提取方法，以解决现有的树木点云单体化提取方法在大范围粘连场景下精度低的技术问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供基于三维形态特征的树木点云单体化提取方法，包括：
获取原始点云数据，通过统计滤波算法对所述原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类；
对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，并根据主成分分析后的超体素聚类识别出所述切片点云中的树干结构，得到树干点云；
根据所述树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。
在一种实现方式中，所述通过统计滤波算法对所述原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类，包括：
遍历所述原始点云数据中的每个点，并根据最近邻算法查找每个点对应的K个紧邻点，并计算每个点到对应的K个紧邻点的第一平均距离；
根据所有第一平均距离计算得到第二平均距离，并根据各第一平均距离与所述第二平均距离的差值计算得到标准差；
根据所述第二平均距离和所述标准差，确定所述原始点云数据中的噪声点，并去除所确定的噪声点；
选取目标点云所在区域的其他点云作为训练数据集，对所述训练数据集进行分割并赋予地面语义标签和植被语义标签；
根据所述地面语义标签和所述植被语义标签进行语义分类，得到地面点云和植被点云。
在一种实现方式中，所述对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，包括：
将得到的植被点云在XY平面分割成若干个子空间，并将若干个所述子空间中的点按照Z值大小进行升序排列；
选取排列中的前M个作为地面点，并选取所有地面点中的最大Z值作为当前子空间的地面高度；
以所述地面高度为基础，采用直通滤波器对每个子空间点云进行Z维度上的直通滤波，获得每个子空间对应的点云切片。
在一种实现方式中，所述根据主成分分析后的超体素聚类识别出所述切片点云中的树干结构，得到树干点云，包括：
根据八叉树算法对每个子空间对应的切片点云进行体素化处理，并以均匀分布为准则在对应的切片点云中随机选取若干个体素作为种子体素；
计算各种子体素之间的特征距离，并根据所述特征距离进行聚类，生成若干个超体素点云簇；
根据主成分分析算法计算每个超体素的几何张量特征值；
计算每个超体素的几何结构，并分别计算所有面性超体素的法向量和线性超体素的主方向向量；
随机选取一个平面超体素作为种子超体素，查找所述种子超体素的空间相邻的K个超体素，并将K个所述超体素作为候选生长超体素进行聚类；
对生长后的所有线性超体素进行垂直性判断，并根据判断结果确定所述树干点云。
在一种实现方式中，所述将K个所述超体素作为候选生长超体素进行聚类，包括：
判断所述候选生长超体素与所述种子超体素之间的法向量之间的夹角是否小于第一阈值；
若小于所述第一阈值，则将满足生长条件的超体素合并成新的种子超体素。
在一种实现方式中，所述对生长后的所有线性超体素进行垂直性判断，并根据判断结果确定所述树干点云，包括：
判断各生长后的线性超体素的主方向向量与Z轴之间的夹角小于第二阈值；
若小于所述第二阈值，则将当前超体素设为树木的树干结构。
在一种实现方式中，所述根据所述树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，包括：
遍历所有树干点云，计算各树干点云的质心点，并查找各树干点云的K个邻域树干；
计算各树干点云与邻域树干间的平均距离，以各树干点云为原点，并根据预设半径对所述原点进行圆柱滤波，保留高于树干的若干点，得到粗提取的树冠点云；
计算所有候选树冠点云之间的最短距离，并根据所述最短距离判断粗提取的树冠点云之间是否存在重叠粘连；
若存在重叠粘连，则通过所述山谷结构特征精提取得到树冠。
在一种实现方式中，所述通过所述山谷结构特征精提取得到树冠，包括：
对于每个粗提取树冠，查找存在重叠粘连的其他粗提取树冠集合，并对于集合中的任意粘连树冠，计算当前粘连树冠和对应粗提取树冠中各点云的偏离程度；
根据所述偏离程度分别确定待重新分配的中间粘连区域点云和无需重新分配的点云；
将当前粘连树冠和对应粗提取树冠中待分配点云进行合并，并将合并后的点云与所述无需重新分配的点云中高程较低的树冠的边界点作为聚类种子点集合；
根据所述聚类种子点集合进行迭代优化，得到精提取的树冠。
第二方面，本发明提供一种计算机终端，包括：处理器以及存储器，所述存储器存储有基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被所述处理器执行时用于实现如第一方面所述的基于三维形态特征的树木点云单体化提取方法的操作。
第三方面，本发明提供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基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被处理器执行时用于实现如第一方面所述的基于三维形态特征的树木点云单体化提取方法的操作。
本发明采用上述技术方案具有以下效果：
本发明提供了一种基于三维形态特征的树木点云单体化提取方法，通过统计滤波算法对原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类，可以对语义分类得到的植被点云进行空间切片处理，并且获取包含树干的切片点云，从而根据主成分分析后的超体素聚类识别出切片点云中的树干结构，得到树干点云；进而，在得到树干点云的基础上，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。本发明以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1是本发明的一种实现方式中基于三维形态特征的树木点云单体化提取方法的流程图。
图2是本发明的一种实现方式中树木点云单体化提取步骤示意图。
图3是本发明的一种实现方式中超体素聚类流程示意图。
图4是本发明的一种实现方式中山谷结构特征示意图。
图5是本发明的一种实现方式中基于山谷结构的点云聚类原理图。
图6是本发明的一种实现方式中终端的功能原理图。
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
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
示例性方法
基于激光扫描技术的森林树木单体化提取方式是当前的研究热点及未来的发展趋势。然而，在森林中，树木的生长通常非常茂密，其树冠之间会存在较为明显的交叉重叠，而在面对此场景时，目前主流的树木点云单体化提取方法存在较为明显的过分割或欠分割问题，导致获取的树木结构信息与实际情况相比误差较大。
针对上述技术问题，本发明实施例提供基于三维形态特征的树木点云单体化提取方法，本发明实施例以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。
如图1所示，本发明实施例提供基于三维形态特征的树木点云单体化提取方法，包括以下步骤：
步骤S100，获取原始点云数据，通过统计滤波算法对所述原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类。
在本实施例中，所述基于三维形态特征的树木点云单体化提取方法应用于终端中，所述终端包括但不限于：计算机以及移动终端等设备。
本实施例面向森林三维点云数据，提出了一种基于三维形态特征的树木单体化提取方法，实现了复杂森林结构下单木点云的高精度提取，为后续的森林资源调查和生态环境建模提供了技术支持。
本实施例中涉及一种基于三维形态特征的树木点云单体化提取方法，旨在以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。该方法主要包括以下步骤：1）点云预处理；2）树干提取；3）树冠提取。该方法可以有效提高复杂森林场景下的单木点云的提取准确性。
如图2所示，点云预处理的主要内容为：通过统计滤波以及基于Rand_La Net网络（一种轻量级的高效大规模3D点云语义分割网络）的点云语义分类，去除原始点云中噪点并将原始点云分类为地面、植被两类，以降低树木单体化提取的复杂度。
具体地，本实施例的一种实现方式中，步骤S100（即点云预处理）包括以下步骤：
步骤S101，遍历所述原始点云数据中的每个点，并根据最近邻算法查找每个点对应的K个紧邻点，并计算每个点到对应的K个紧邻点的第一平均距离；
步骤S102，根据所有第一平均距离计算得到第二平均距离，并根据各第一平均距离与所述第二平均距离的差值计算得到标准差；
步骤S103，根据所述第二平均距离和所述标准差，确定所述原始点云数据中的噪声点，并去除所确定的噪声点；
步骤S104，选取目标点云所在区域的其他点云作为训练数据集，对所述训练数据集进行分割并赋予地面语义标签和植被语义标签；
步骤S105，根据所述地面语义标签和所述植被语义标签进行语义分类，得到地面点云和植被点云。
由于移动激光扫描仪器的工作原理，MLS（移动式激光雷达扫描）点云存在着大量的散乱噪声点，且在采集到城市道路MLS点云中地面里面包含了大量的原始点，这些原始点占据了很大的空间，且很容易将不同的对象类聚连接为一个点集，从而增加人造杆状物单体化提取的复杂程度。因此，本实施例中需要对数据进行预处理，以去除原始点云中的噪点以及地面点。
在本实施例中，先通过统计滤波算法对原始点云数据进行去噪处理，具体为：首先遍历点云中的每个点，并使用KDTREE方法（最近邻算法）找出该点的k个紧邻点，假设点云中有n个点，其中任意一点pi的k个紧邻点为
Figure SMS_1
，根据公式（1）计算出pi到其k个紧邻点的平均距离。然后根据公式（2）计算出点云中每个点到其近邻点的平均距离以及标准差。
如果di在
Figure SMS_2
范围之外则认为该点为点云中的噪声点进行去除，进而完成点云的去噪处理。其中/>
Figure SMS_3
是点云中每个点到其近邻点的平均距离，/>
Figure SMS_4
是标准差，std是标准差倍数。
Figure SMS_5
（1）
Figure SMS_6
（2）
在完成点云去噪之后，使用Rand_La Net网络对原始点云进行语义分类，为保证点云分类的准确性，本实施例中优先选取目标点云所在区域的其他点云作为训练数据集，并且对训练数据集进行人工分割并赋予地面、植被的语义标签，从而根据语义标签进行分类。
如图1所示，在本发明实施例的一种实现方式中，基于三维形态特征的树木点云单体化提取方法还包括以下步骤：
步骤S200，对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，并根据主成分分析后的超体素聚类识别出所述切片点云中的树干结构，得到树干点云。
如图2所示，树干提取的主要内容为：对语义分类得到的植被点云进行空间切片处理，以获取主要包含树干的切片点云并进行超体素分割处理，然后通过主成分分析后的超体素聚类识别出切片点云中的树干结构，完成树木的识别和定位。
具体地，本实施例的一种实现方式中，步骤S200（即树干提取）包括以下步骤：
步骤S201，将得到的植被点云在XY平面分割成若干个子空间，并将若干个所述子空间中的点按照Z值大小进行升序排列；
步骤S202，选取排列中的前M个作为地面点，并选取所有地面点中的最大Z值作为当前子空间的地面高度；
步骤S203，以所述地面高度为基础，采用直通滤波器对每个子空间点云进行Z维度上的直通滤波，获得每个子空间对应的点云切片。
在本实施例中，在完成原始点云数据预处理后，为提高单木点云的提取精度，采用了一种渐进式的提取方法，即首先通过识别植被点云中树干结构完成树木定位，再以此为依据完成树木点云的单体化提取。
本实施例中将预处理后的植被点云在XY平面进行分割，得到若干个子空间，其中，分割的规则为按照一定的分辨率进行分割；然后，将子空间中点按照Z值大小进行升序排列，取此序列中前2.5%的点作为地面点，取地面点中最大Z值为该子空间的地面高度ground，然后以地面高度ground为基础采用直通滤波器对子空间点云进行Z维度上的直通滤波，从而获得每个子空间对应的点云切片，其中直通滤波范围为
Figure SMS_7
。
具体地，本实施例的一种实现方式中，步骤S200还包括以下步骤：
步骤S204，根据八叉树算法对每个子空间对应的切片点云进行体素化处理，并以均匀分布为准则在对应的切片点云中随机选取若干个体素作为种子体素。
在本实施例中，使用八叉树算法对切片点云进行体素化处理，然后以均匀分布为准则在点云中随机选取若干个体素作为种子体素，再根据公式（3）作为计算体素之间的特征距离，并以此为依据进行k-means聚类，生成若干个超体素点云簇。其中，Dc是颜色空间中欧式距离，Ds空间距离，DHik是点特征直方图空间中的距离，m是一个归一化常数，
Figure SMS_8
、/>
Figure SMS_9
、/>
Figure SMS_10
分别是颜色、空间和法向量的权重。
Figure SMS_11
（3）
具体地，本实施例的一种实现方式中，步骤S200还包括以下步骤：
步骤S205，计算各种子体素之间的特征距离，并根据所述特征距离进行聚类，生成若干个超体素点云簇；
步骤S206，根据主成分分析算法计算每个超体素的几何张量特征值；
步骤S207，计算每个超体素的几何结构，并分别计算所有面性超体素的法向量和线性超体素的主方向向量。
在本实施例中，采用主成分分析方法计算每个的超体素的几何张量特征值，首先根据公式（4）计算每个超体素所包含原始点云的协方差矩阵M，计算M的特征值
Figure SMS_12
，即为超体素的几何张量特征值。其中，k是超体素所包含原始点云的点数，pi是原始点云中的某点，/>
Figure SMS_13
是超体素的质心点。
Figure SMS_14
（4）
根据公式（5）令
Figure SMS_15
计算每个超体素的几何结构，若/>
Figure SMS_16
则为线性，/>
Figure SMS_17
为面性，否则为体性，其中，/>
Figure SMS_18
是参数阈值，VL是超体素的几何结构。并分别计算所有面性超体素的法向量VN和线性超体素的主方向向量VP，其中，VN和VP分别是对应于M的最小和最大特征值的特征向量。
Figure SMS_19
（5）
具体地，本实施例的一种实现方式中，步骤S200还包括以下步骤：
步骤S208，随机选取一个平面超体素作为种子超体素，查找所述种子超体素的空间相邻的K个超体素，并将K个所述超体素作为候选生长超体素进行聚类。
具体为：步骤S208a，判断所述候选生长超体素与所述种子超体素之间的法向量之间的夹角是否小于第一阈值；步骤S208b，若小于所述第一阈值，则将满足生长条件的超体素合并成新的种子超体素。
步骤S209，对生长后的所有线性超体素进行垂直性判断，并根据判断结果确定所述树干点云；
具体为：步骤S209a，判断各生长后的线性超体素的主方向向量与Z轴之间的夹角小于第二阈值；步骤S209b，若小于所述第二阈值，则将当前超体素设为树木的树干结构。
如图3所示，在超体素分割后，对超体素进行聚类，其过程为：随机选取一个平面超体素作为种子体素，使用KDTREE算法找出其空间相邻的K个超体素，并将这些超体素作为候选生长超体素进行聚类，生长准则是：超体素与种子超体素之间的法向量VN之间的夹角小于阈值TN，将满足生长条件的超体素合并成新的种子超体素，按照上述生长准则进行生长，直到没有满足生长条件的超体素为止。
进一步地，令
Figure SMS_20
重新计算所有生长后的面性超体素的几何结构，然后类似的，随机选取线性超体素作为生长种子进行生长，但此时TN表示超体素与种子超体素之间的主方向向量VP之间的夹角；之后，对生长后的所有线性超体素进行垂直性判断，如果其主方向向量VP和Z轴之间的夹角小于指定阈值TV，则认为该超体素为树木的树干结构。
如图1所示，在本发明实施例的一种实现方式中，基于三维形态特征的树木点云单体化提取方法还包括以下步骤：
步骤S300，根据所述树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。
如图2所示，树冠提取的主要内容为：以获取的树干点云为基础，首先采用自适应半径圆柱滤波完成树冠粗提取，然后通过“山谷”结构特征完成树冠精提取。
具体地，本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，遍历所有树干点云，计算各树干点云的质心点，并查找各树干点云的K个邻域树干；
步骤S302，计算各树干点云与邻域树干间的平均距离，以各树干点云为原点，并根据预设半径对所述原点进行圆柱滤波，保留高于树干的若干点，得到粗提取的树冠点云；
步骤S303，计算所有候选树冠点云之间的最短距离，并根据所述最短距离判断粗提取的树冠点云之间是否存在重叠粘连；
步骤S304，若存在重叠粘连，则通过所述山谷结构特征精提取得到树冠。
具体为：步骤S304a，对于每个粗提取树冠，查找存在重叠粘连的其他粗提取树冠集合，并对于集合中的任意粘连树冠，计算当前粘连树冠和对应粗提取树冠中各点云的偏离程度；步骤S304b，根据所述偏离程度分别确定待重新分配的中间粘连区域点云和无需重新分配的点云；步骤S304c，将当前粘连树冠和对应粗提取树冠中待分配点云进行合并，并将合并后的点云与所述无需重新分配的点云中高程较低的树冠的边界点作为聚类种子点集合；步骤S304d，根据所述聚类种子点集合进行迭代优化，得到精提取的树冠。
在本实施例中，根据步骤S200获得的树干点云，通过自适应半径的圆柱滤波完成树冠粗提取，然后再通过“山谷”结构特征完成树冠精提取，其中，本实施例中的山谷结构的定义为：现实中相邻行道树中间重叠区域的表面点云往往存在一个的高程从高到低再由低到高的特征，其结构类似于地势之中的“山谷”，具体结构如图4所示。
对于树冠粗提取的过程，首先遍历所有树干点云，计算其的质心点
Figure SMS_23
并通过KDTREE找出其k个邻域树干，然后通过公式（6）计算该树干与邻域树干间的平均距离/>
Figure SMS_26
，其中/>
Figure SMS_28
是邻域树干的质心点，/>
Figure SMS_21
是点/>
Figure SMS_25
与/>
Figure SMS_27
之间的平面距离，通过公式（7）计算获得。再以/>
Figure SMS_29
为原点，以/>
Figure SMS_22
为半径在原始点云进行圆柱滤波并只保留其中高于树干的点，可以得到粗提取树冠点云/>
Figure SMS_24
。
Figure SMS_30
（6）
Figure SMS_31
（7）
通过公式（8）计算所有候选树冠点云之间的最短距离
Figure SMS_32
，如果
Figure SMS_33
则认为粗提取树冠/>
Figure SMS_34
之间存在重叠粘连，需要进行进一步精提取，其中/>
Figure SMS_35
为点/>
Figure SMS_36
的欧式距离。
Figure SMS_37
（8）
在本实施例中，对于每个粗提取树冠
Figure SMS_46
，首先找出与其存在重叠粘连的其他粗提取树冠集合/>
Figure SMS_39
，然后对于任意粘连树冠/>
Figure SMS_42
，通过公式（9）计算/>
Figure SMS_49
和
Figure SMS_53
中每个点的偏离程度/>
Figure SMS_55
，当/>
Figure SMS_56
时，该点被视为需要被重新分配的中间粘连区域点云/>
Figure SMS_50
，反之则被视为无需重新分配的点云/>
Figure SMS_54
。将/>
Figure SMS_38
和/>
Figure SMS_45
的待分配点云/>
Figure SMS_40
和
Figure SMS_43
合并为/>
Figure SMS_48
，并将/>
Figure SMS_52
与/>
Figure SMS_41
和/>
Figure SMS_44
中平均高程较低的树冠/>
Figure SMS_47
的边界点作为聚类种子点集合
Figure SMS_51
，并通过以下方式进行迭代优化：
如图5所示，首先从种子点集合
Figure SMS_74
（图中的边灰点）中选取最高点/>
Figure SMS_78
作为初始聚类种子点，然后通过KDTREE的R近邻算法，以该点/>
Figure SMS_81
为中心以/>
Figure SMS_58
为半径，找出该点在/>
Figure SMS_63
和/>
Figure SMS_67
中的近邻点/>
Figure SMS_71
(R-nearest neighbors，r最邻近)。若/>
Figure SMS_59
中属于/>
Figure SMS_64
的最高点/>
Figure SMS_68
高于/>
Figure SMS_72
中属于/>
Figure SMS_60
的最高点/>
Figure SMS_62
，且/>
Figure SMS_66
中/>
Figure SMS_70
到/>
Figure SMS_73
的最近距离/>
Figure SMS_76
小于2倍的
Figure SMS_79
中点之间的平均距离/>
Figure SMS_82
（根据公式（10）计算），则将该点加入/>
Figure SMS_57
，并将/>
Figure SMS_61
中的属于
Figure SMS_65
的点作为新的种子点加入到/>
Figure SMS_69
，最后将该种子点/>
Figure SMS_75
从/>
Figure SMS_77
中删去。从更新后的
Figure SMS_80
中重新选择最高点作为新的种子点，并按照上述方法进行聚类，重复以上步骤，直至
Figure SMS_83
中没有点为止。
其中，
Figure SMS_85
表示树冠点/>
Figure SMS_89
与树干/>
Figure SMS_91
的质心点/>
Figure SMS_86
之间的水平距离，/>
Figure SMS_88
表示点/>
Figure SMS_90
之间的三维空间距离，/>
Figure SMS_92
表示点/>
Figure SMS_84
到其n个近邻点的平均空间距离，/>
Figure SMS_87
代表点云p中所有点到其近邻点的平均距离。
Figure SMS_93
（9）
Figure SMS_94
（10）
本实施例中提出的基于主成分分析的超体素聚类方法，可以用于大尺度区域森林树木的树干结构提取，并且，基于“山谷”结构特征的点云聚类生长算法，可以用于大范围粘连场景下单颗行道树树冠的精确提取。
本实施例通过上述技术方案达到以下技术效果：
本实施例提供了一种基于三维形态特征的树木点云单体化提取方法，通过统计滤波算法对原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类，可以对语义分类得到的植被点云进行空间切片处理，并且获取包含树干的切片点云，从而根据主成分分析后的超体素聚类识别出切片点云中的树干结构，得到树干点云；进而，在得到树干点云的基础上，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。本实施例以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。
示例性设备
基于上述实施例，本发明还提供一种计算机终端，包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，所述处理器用于提供计算和控制能力；所述存储器包括存储介质以及内存储器；所述存储介质存储有操作系统和计算机程序；所述内存储器为所述存储介质中的操作系统和计算机程序的运行提供环境；所述接口用于连接外部设备，例如，移动终端以及计算机等设备；所述显示屏用于显示相应的信息；所述通讯模块用于与云端服务器或移动终端进行通讯。
所述计算机程序被所述处理器执行时用以实现基于三维形态特征的树木点云单体化提取方法的操作。
本领域技术人员可以理解的是，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机终端的限定，具体的计算机终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机终端，其中，包括：处理器和存储器，所述存储器存储有基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被所述处理器执行时用于实现如上所述的基于三维形态特征的树木点云单体化提取方法的操作。
在一个实施例中，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被所述处理器执行时用于实现如上所述的基于三维形态特征的树木点云单体化提取方法的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
综上，本发明提供了基于三维形态特征的树木点云单体化提取方法，方法包括：获取原始点云数据，通过统计滤波算法对原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类；对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，并根据主成分分析后的超体素聚类识别出切片点云中的树干结构，得到树干点云；根据树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。本发明以大范围区域森林点云数据作为数据来源，实现在复杂森林结构下单颗树木点云的高精度提取。
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。

Claims (10)

1.一种基于三维形态特征的树木点云单体化提取方法，其特征在于，包括：
获取原始点云数据，通过统计滤波算法对所述原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类；
对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，并根据主成分分析后的超体素聚类识别出所述切片点云中的树干结构，得到树干点云；
根据所述树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，以获得单体化的树木点云。
2.根据权利要求1所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述通过统计滤波算法对所述原始点云数据进行去噪处理，并通过点云语义分类网络进行语义分类，包括：
遍历所述原始点云数据中的每个点，并根据最近邻算法查找每个点对应的K个紧邻点，并计算每个点到对应的K个紧邻点的第一平均距离；
根据所有第一平均距离计算得到第二平均距离，并根据各第一平均距离与所述第二平均距离的差值计算得到标准差；
根据所述第二平均距离和所述标准差，确定所述原始点云数据中的噪声点，并去除所确定的噪声点；
选取目标点云所在区域的其他点云作为训练数据集，对所述训练数据集进行分割并赋予地面语义标签和植被语义标签；
根据所述地面语义标签和所述植被语义标签进行语义分类，得到地面点云和植被点云。
3.根据权利要求1所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述对语义分类得到的植被点云进行空间切片处理，获取包含树干的切片点云，包括：
将得到的植被点云在XY平面分割成若干个子空间，并将若干个所述子空间中的点按照Z值大小进行升序排列；
选取排列中的前M个作为地面点，并选取所有地面点中的最大Z值作为当前子空间的地面高度；
以所述地面高度为基础，采用直通滤波器对每个子空间点云进行Z维度上的直通滤波，获得每个子空间对应的点云切片。
4.根据权利要求1所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述根据主成分分析后的超体素聚类识别出所述切片点云中的树干结构，得到树干点云，包括：
根据八叉树算法对每个子空间对应的切片点云进行体素化处理，并以均匀分布为准则在对应的切片点云中随机选取若干个体素作为种子体素；
计算各种子体素之间的特征距离，并根据所述特征距离进行聚类，生成若干个超体素点云簇；
根据主成分分析算法计算每个超体素的几何张量特征值；
计算每个超体素的几何结构，并分别计算所有面性超体素的法向量和线性超体素的主方向向量；
随机选取一个平面超体素作为种子超体素，查找所述种子超体素的空间相邻的K个超体素，并将K个所述超体素作为候选生长超体素进行聚类；
对生长后的所有线性超体素进行垂直性判断，并根据判断结果确定所述树干点云。
5.根据权利要求4所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述将K个所述超体素作为候选生长超体素进行聚类，包括：
判断所述候选生长超体素与所述种子超体素之间的法向量之间的夹角是否小于第一阈值；
若小于所述第一阈值，则将满足生长条件的超体素合并成新的种子超体素。
6.根据权利要求4所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述对生长后的所有线性超体素进行垂直性判断，并根据判断结果确定所述树干点云，包括：
判断各生长后的线性超体素的主方向向量与Z轴之间的夹角小于第二阈值；
若小于所述第二阈值，则将当前超体素设为树木的树干结构。
7.根据权利要求1所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述根据所述树干点云，采用自适应半径圆柱滤波算法粗提取得到树冠，并通过山谷结构特征精提取得到树冠，包括：
遍历所有树干点云，计算各树干点云的质心点，并查找各树干点云的K个邻域树干；
计算各树干点云与邻域树干间的平均距离，以各树干点云为原点，并根据预设半径对所述原点进行圆柱滤波，保留高于树干的若干点，得到粗提取的树冠点云；
计算所有候选树冠点云之间的最短距离，并根据所述最短距离判断粗提取的树冠点云之间是否存在重叠粘连；
若存在重叠粘连，则通过所述山谷结构特征精提取得到树冠。
8.根据权利要求7所述的基于三维形态特征的树木点云单体化提取方法，其特征在于，所述通过所述山谷结构特征精提取得到树冠，包括：
对于每个粗提取树冠，查找存在重叠粘连的其他粗提取树冠集合，并对于集合中的任意粘连树冠，计算当前粘连树冠和对应粗提取树冠中各点云的偏离程度；
根据所述偏离程度分别确定待重新分配的中间粘连区域点云和无需重新分配的点云；
将当前粘连树冠和对应粗提取树冠中待分配点云进行合并，并将合并后的点云与所述无需重新分配的点云中高程较低的树冠的边界点作为聚类种子点集合；
根据所述聚类种子点集合进行迭代优化，得到精提取的树冠。
9.一种计算机终端，其特征在于，包括：处理器以及存储器，所述存储器存储有基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被所述处理器执行时用于实现如权利要求1-8中任意一项所述的基于三维形态特征的树木点云单体化提取方法的操作。
10.一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基于三维形态特征的树木点云单体化提取程序，所述基于三维形态特征的树木点云单体化提取程序被处理器执行时用于实现如权利要求1-8中任意一项所述的基于三维形态特征的树木点云单体化提取方法的操作。
CN202310572775.5A 2023-05-22 2023-05-22 基于三维形态特征的树木点云单体化提取方法 Active CN116310849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572775.5A CN116310849B (zh) 2023-05-22 2023-05-22 基于三维形态特征的树木点云单体化提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572775.5A CN116310849B (zh) 2023-05-22 2023-05-22 基于三维形态特征的树木点云单体化提取方法

Publications (2)

Publication Number Publication Date
CN116310849A true CN116310849A (zh) 2023-06-23
CN116310849B CN116310849B (zh) 2023-09-19

Family

ID=86803545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572775.5A Active CN116310849B (zh) 2023-05-22 2023-05-22 基于三维形态特征的树木点云单体化提取方法

Country Status (1)

Country Link
CN (1) CN116310849B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710717A (zh) * 2024-02-05 2024-03-15 法奥意威(苏州)机器人系统有限公司 超体聚类点云分割方法、装置、设备和存储介质
CN117726775A (zh) * 2024-02-07 2024-03-19 法奥意威(苏州)机器人系统有限公司 一种基于网格降采样的点云预处理方法及装置

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407925A (zh) * 2016-09-09 2017-02-15 厦门大学 基于局部区间极大值的激光扫描点云树木自动提取方法
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
CN107085710A (zh) * 2017-04-26 2017-08-22 长江空间信息技术工程有限公司(武汉) 一种基于多光谱LiDAR数据的单木自动提取方法
CN110223314A (zh) * 2019-06-06 2019-09-10 电子科技大学 一种基于树冠三维点云分布的单木分割方法
CN111145129A (zh) * 2020-04-03 2020-05-12 速度时空信息科技股份有限公司 基于超体素的点云去噪方法
CN111598915A (zh) * 2020-05-19 2020-08-28 北京数字绿土科技有限公司 点云单木分割方法、装置、设备及计算机可读介质
WO2020258314A1 (zh) * 2019-06-28 2020-12-30 西门子（中国）有限公司 点云模型的切割方法、装置和系统
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
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
US20210158016A1 (en) * 2018-04-17 2021-05-27 Nippon Telegraph And Telephone Corporation Three-dimensional point cloud label learning device, three-dimensional point cloud label estimating device, three-dimensional point cloud label learning method, three-dimensional point cloud label estimating method, and program
CN113313081A (zh) * 2021-07-27 2021-08-27 武汉市测绘研究院 融合车载三维激光点云与影像的道路交通杆状物分类方法
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN113538264A (zh) * 2021-06-30 2021-10-22 深圳大学 一种点云数据的去噪方法、装置及存储介质
CN113920360A (zh) * 2021-09-23 2022-01-11 南京师范大学 一种道路点云杆状物提取与多尺度识别方法
CN114241217A (zh) * 2021-11-25 2022-03-25 电子科技大学 一种基于圆柱特征的树干点云高效提取方法
CN114972377A (zh) * 2022-05-24 2022-08-30 厦门大学 基于移动最小二乘法与超体素的3d点云分割方法和装置
CN115063555A (zh) * 2022-07-12 2022-09-16 湖南科技大学 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN115205690A (zh) * 2022-09-14 2022-10-18 深圳大学 基于mls点云数据的行道树单体化提取方法及装置
CN115937226A (zh) * 2022-12-15 2023-04-07 华南农业大学 一种基于无人机Lidar点云数据的果树单木分割方法
CN116012600A (zh) * 2023-01-30 2023-04-25 西湾智慧(广东)信息科技有限公司 基于形态学提取点云局部曲面特征的方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407925A (zh) * 2016-09-09 2017-02-15 厦门大学 基于局部区间极大值的激光扫描点云树木自动提取方法
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
CN107085710A (zh) * 2017-04-26 2017-08-22 长江空间信息技术工程有限公司(武汉) 一种基于多光谱LiDAR数据的单木自动提取方法
US20210158016A1 (en) * 2018-04-17 2021-05-27 Nippon Telegraph And Telephone Corporation Three-dimensional point cloud label learning device, three-dimensional point cloud label estimating device, three-dimensional point cloud label learning method, three-dimensional point cloud label estimating method, and program
CN110223314A (zh) * 2019-06-06 2019-09-10 电子科技大学 一种基于树冠三维点云分布的单木分割方法
WO2020258314A1 (zh) * 2019-06-28 2020-12-30 西门子（中国）有限公司 点云模型的切割方法、装置和系统
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN111145129A (zh) * 2020-04-03 2020-05-12 速度时空信息科技股份有限公司 基于超体素的点云去噪方法
CN111598915A (zh) * 2020-05-19 2020-08-28 北京数字绿土科技有限公司 点云单木分割方法、装置、设备及计算机可读介质
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
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
CN113538264A (zh) * 2021-06-30 2021-10-22 深圳大学 一种点云数据的去噪方法、装置及存储介质
CN113313081A (zh) * 2021-07-27 2021-08-27 武汉市测绘研究院 融合车载三维激光点云与影像的道路交通杆状物分类方法
CN113920360A (zh) * 2021-09-23 2022-01-11 南京师范大学 一种道路点云杆状物提取与多尺度识别方法
CN114241217A (zh) * 2021-11-25 2022-03-25 电子科技大学 一种基于圆柱特征的树干点云高效提取方法
CN114972377A (zh) * 2022-05-24 2022-08-30 厦门大学 基于移动最小二乘法与超体素的3d点云分割方法和装置
CN115063555A (zh) * 2022-07-12 2022-09-16 湖南科技大学 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN115205690A (zh) * 2022-09-14 2022-10-18 深圳大学 基于mls点云数据的行道树单体化提取方法及装置
CN115937226A (zh) * 2022-12-15 2023-04-07 华南农业大学 一种基于无人机Lidar点云数据的果树单木分割方法
CN116012600A (zh) * 2023-01-30 2023-04-25 西湾智慧(广东)信息科技有限公司 基于形态学提取点云局部曲面特征的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANANDAKUMAR M. RAMIYA 等: "Individual tree detection from airborne laser scanning data based on supervoxels and local convexity", 《REMOTE SENSING APPLICATIONS: SOCIETY AND ENVIRONMENT》, vol. 15, pages 1 - 8 *
WEIXI WANG 等: "An Individual Tree Segmentation Method From Mobile Mapping Point Clouds Based on Improved 3-D Morphological Analysis", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 16, pages 277 - 2790 *
杨玉泽: "基于地基激光雷达的树木点云数据处理及三维建模", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 2021, pages 049 - 249 *
潘周: "基于三维点云的单株阔叶树可视化模拟研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 2021, pages 049 - 33 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710717A (zh) * 2024-02-05 2024-03-15 法奥意威(苏州)机器人系统有限公司 超体聚类点云分割方法、装置、设备和存储介质
CN117726775A (zh) * 2024-02-07 2024-03-19 法奥意威(苏州)机器人系统有限公司 一种基于网格降采样的点云预处理方法及装置

Also Published As

Publication number Publication date
CN116310849B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116310849B (zh) 基于三维形态特征的树木点云单体化提取方法
Lari et al. An adaptive approach for segmentation of 3D laser point cloud
CN111192284A (zh) 一种车载激光点云分割方法及系统
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
CN111915517B (zh) 适用于室内光照不利环境下rgb-d相机全局定位方法
CN115205690B (zh) 基于mls点云数据的行道树单体化提取方法及装置
CN113538264B (zh) 一种点云数据的去噪方法、装置及存储介质
Sun et al. Roads and intersections extraction from high-resolution remote sensing imagery based on tensor voting under big data environment
CN111611900B (zh) 一种目标点云识别方法、装置、电子设备和存储介质
CN116258857A (zh) 一种面向室外树木激光点云分割与提取方法
CN115049925A (zh) 田块田坎提取方法、电子设备及存储介质
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
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN112529044B (zh) 基于车载LiDAR的铁路接触网提取分类的方法
CN111860359B (zh) 一种基于改进随机森林算法的点云分类方法
CN112070787B (zh) 基于对立推理理论的航空三维点云平面分割方法
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN116977593A (zh) 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法
Wang et al. An individual tree segmentation method from mobile mapping point clouds based on improved 3-D morphological analysis
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
CN113658338A (zh) 点云树木单体分割方法、装置、电子设备及存储介质
Xu et al. Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data
CN113077473A (zh) 三维激光点云路面分割方法、系统、计算机设备及介质
CN116883431B (zh) 一种基于余弦相似度的图像分割方法

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