CN116704333B - 一种基于激光点云数据的单株林木检测方法 - Google Patents
一种基于激光点云数据的单株林木检测方法 Download PDFInfo
- Publication number
- CN116704333B CN116704333B CN202310567755.9A CN202310567755A CN116704333B CN 116704333 B CN116704333 B CN 116704333B CN 202310567755 A CN202310567755 A CN 202310567755A CN 116704333 B CN116704333 B CN 116704333B
- Authority
- CN
- China
- Prior art keywords
- tree
- point
- crown
- grid
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000007773 growth pattern Effects 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于激光点云数据的单株林木检测方法，涉及林木检测技术领域，其技术方案要点是：具体包括以下步骤：S1：通过采用基于半径滤波方法对点云数据去噪，并将实验区域少量非植被对象剔除；S2：将采用线性样条有限元插值方法生成的DSM与已有的DEM做差生成初始树冠高度模型；S3：对S2中树冠高度模型采用中值滤波法去除影像噪声，然后采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点；S4：针对不同树种类型的数据设置相邻树间距、树冠半径和最小树种高度来限制增长的条件，将增长点与极值点标记相同记号；S5：分割得到单株植被点云。该方法大大提高了检测精度，同时对数据质量、密度和树段的完整性要求不高，有利于推广应用。
Description
技术领域
本发明涉及林木检测技术领域，更具体地说，它涉及一种基于激光点云数据的单株林木检测方法。
背景技术
单株林木的检测和统计在林木相关的应用中变得越来越重要。例如，在输电领域，精确的估计不仅有利于线路路径规划，而且有利于后期线路运维安全。在准确地单株树木识别的基础上，可以得到精确的树木总量，并从中计算出树木位置、高度和冠径等参数，圈定林场范围等。这些参数的获得与范围的圈定对输电线路的规划和运维等方面具有重要的应用价值。
目前，从激光雷达(light detecting and ranging，LiDAR)点云中提取单株树木的方法主要有基于栅格的单木分割和直接基于点云的单木分割。基于栅格的单木分割算法的共同之处在于，它们使用激光衍生的冠层高度模型(canopy height model，CHM)分割单独的树木，CHM是由描述植被冠层顶部的激光雷达点插值的栅格图像。例如，Popescu和Wynne(2004)使用了局部最大滤波技术来定位和测量单株树木。Tiede等人(2005)使用了类似的局部最大值算法来识别树顶，然后开发了一种区域生长算法来描绘树冠。Chen等人(2006)提出了一种标记控制的分水岭分割方法来隔离单独的树木；采用局部极大值识别的树顶作为标记，以提高精度。Koch等人(2006)结合浇筑算法、基于知识的树木形状假设和最终检测树冠，描绘了树冠。Korpela等人(2007)使用多尺度模板匹配方法进行树木检测和测量，使用椭圆形和其他形状的模板来表示树木模型。Falkowski等人(2006)还提出了空间小波分析，以根据激光雷达数据自动确定单个树木的位置、高度和树冠直径。基于CHM模型的算法快速高效，但容易产生过分割和漏分割错误。CHM模型的分辨率及枝干交错、冠层重叠的树木直接影响了树冠识别的精度，临近或矮小的树木会因被高大的树木遮挡无法识别。
直接从点云中提取单株树木包括将点云分割成代表单树的点段。在自下而上的方法中，原始点云首先被分割成点段或对象实例。然后，通过树结构的固定假设将它们组装成完整的树，或者使用机器学习方法将它们分类为树。例如，Yao和Fan(2013)提出利用局部形状描述符将植被点段进一步分类为单个树。Yu et al.(2014)利用欧氏距离聚类将植被点聚类成一组聚类。然后，采用基于体素的归一化切割(Ncut)分割方法分离包含多个实例的聚类。最后，提出了一种基于模板匹配的单株树提取策略。总的来说，自下而上的方法过于依赖人工特征分析，导致自动化程度较低。同时，固定树形结构的假设限制了它们的泛化能力。在自上向下的方法中，第一步是提取树点。一般采用二值分类器将原始点云分类为树点和非树点。然后，将树点分组为孤立的簇，其中包含多棵树的簇进一步分离为独立的树。直接对三维点云数据进行单木分割能够探测出森林中下层中受上层单木抑制的小树，克服单木遗漏分割，提高单木分割精度，从而衍生出更为准确的单木结构参数，为森林生物物理参数的估计提供更多变量选择。但在更复杂的多树重叠情况下往往失败，不能准确地确定树冠的边界。此外，它们通常对数据质量有严格的要求，如点密度、树段的完整性等。
发明内容
本发明的目的是提供一种基于激光点云数据的单株林木检测方法，该方法解决了背景技术中提到的技术问题。
本发明的上述技术目的是通过以下技术方案得以实现的：一种基于激光点云数据的单株林木检测方法，具体包括以下步骤：
S1：通过激光雷达设备采样点云，然后进行数据预处理，通过采用基于半径滤波方法对点云数据去噪，并将实验区域少量非植被对象剔除；
S2：通过建立虚拟格网进行格网插值，快速建立三角网，将采用线性样条有限元插值方法生成的DSM(数字地表模型)与已有的DEM(数字高程模型)做差生成初始树冠高度模型；
S3：对S2中树冠高度模型采用中值滤波法去除影像噪声，然后采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点；
S4：对每个局部极值进行增长，针对不同树种类型的数据设置相邻树间距、树冠半径和最小树种高度来限制增长的条件，将增长点与极值点标记相同记号；
S5：使用边缘检测算法描绘单株林木树冠轮廓，分割得到单株植被点云。
进一步的，所述S2中格网差值的具体步骤为：
S1-1：建立虚拟格网，并确定格网的边长；
S1-2：判断格网中是否存在一点，如果存在，进行保留，如果不存在则进行插值；
S1-3：通过离散点数以及离散度分布的面积情况来计算每个点平均的面积，以此作为每个格网的面积；
S1-4：根据临近点的信息，虚拟出插值点的信息。
进一步的，所述S2中生成树冠高度模型的具体步骤为：
S2-1：选取格网内数据点高程值序列的中位数，连接相邻4个格网中的点，得到相交或相离的对角线；
S2-2：当对角线相离且点位于主对角线的同侧，则连接副对角线；当对角线相离且点位于副对角线的同侧，则连接主对角线；当两条对角线相交，选择使最小角最大化的情况连接其中的一条对角线，构成两个三角形，并依次处理每一个格网区域生成初始的三角网；基于此计算生成一个粗略的地形拟合面；
S2-3：计算每点与粗略拟合面之间的方向距离及每点的残差值，针对每一点的残差值来赋予其权值；
S2-4：重复S2-2和S2-3直至拟合面逼近真实地表面，从而生成DSM；
S2-5：将生成的DSM与DEM做差即生成树冠高度模型。
进一步的，所述S3中采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点的具体步骤为：
S3-1：对树冠高度模型影像数据进行形态学腐蚀运算处理，选取5×5的内核滤波器在图像上移动，腐蚀内核覆盖的高亮部分，消融树冠轮廓边界得到影像数据腐蚀结果；
S3-2：对树冠高度模型影像数据进行减去影像数据腐蚀结果的相减处理，得到影像数据相减结果；
S3-3：根据影像数据相减结果，确定位于正值区域中的最大值；
S3-4：将与最大值对应的点确定为用于作为局部极值点的植被顶冠点。
进一步的，所述S4的具体步骤为：
S4-1：将局部极大值作为初始种子，划定树冠生长范围；
S4-2：基于所给数据的树信息计算出一组阈值，通过设置多个参数圈定树冠实际半径；
S4-3：增长算法是以一种循环的方式绕着初始种子行走，当达到最大树冠半径时，原始实现中的四边形生长模式会导致在边缘处出现块状树冠，描绘树冠的轮廓并标记相应记号；
S4-4：绘制完所有树冠轮廓后，检查树冠位置与树冠平均地面高程相比下坡是否大于1标准差；确定完所有正确的树顶点和树冠轮廓后，将其坐标进行投影变换；
S4-5：遍历原始点云并判断其是否在轮廓内部，获取分割后的单株植被点云，获得单株植被的位置、高度和冠径等信息。
综上所述，本发明具有以下有益效果：
1、本发明通过建立虚拟格网进行格网插值，在线性时间内快速建立初始三角网(triangulated irregular network，TIN)，然后对初始三角网中局部少量数据优化得到最终的TIN，再对数据进行冗余处理和密集处理，构造了高分辨率DSM；前述DSM与已有的DEM做差生成CHM。本发明方法将点云数据转换成栅格影像进行处理，生成精度较高的CHM，大大提高了检测精度；同时该方法对数据质量、密度和树段的完整性要求不高，有利于推广应用。
2、本发明方法对CHM进行形态学腐蚀运算，原始CHM减去腐蚀结果，通过求取正值区域的中心得到局部极值点，即树冠顶点；结合数据实际情况，确定增长的条件，如树高、增长范围以及相邻树竞争点等条件限制，根据每个局部极值的增长结果分割出单株林木的点云数据，可以极大地减少过分割和漏分割错误，提高林木检测的准确率。
附图说明
图1是本发明实施例中一种基于激光点云数据的单株林木检测方法整体路线图；
图2是本发明实施例中已知点A(x,y)与待插格网；
图3是本发明实施例中平原地区冠层高度模型；
图4是本发明实施例中陡峭地区冠层高度模型；
图5是本发明实施例中基于极值点进行单株树分割流程图；
图6是本发明实施例中边缘检测得到轮廓结果图；
图7是本发明实施例中分割可视化结果图；
图8是本发明实施例中两个试验样地分割结果图；
图9是本发明实施例中实验区一的数据图(a为原始点云图，b为分割结果图)；
图10是本发明实施例中实验区二的数据图(a为原始点云图，b为分割结果图)；
图11是本发明实施例中实验区三的数据图(a为原始点云图，b为分割结果图)。
具体实施方式
以下结合附图1-11对本发明作进一步详细说明。
实施例：一种基于激光点云数据的单株林木检测方法，具体包括以下步骤：
S1：通过激光雷达设备采样点云，然后进行数据预处理，通过采用基于半径滤波方法对点云数据去噪，并将实验区域少量非植被对象剔除；
S2：通过建立虚拟格网进行格网插值，快速建立三角网，将采用线性样条有限元插值方法生成的DSM与已有的DEM做差生成初始树冠高度模型；
本实施例优选的，S2中数据预处理的具体步骤为：
S2-1：建立虚拟格网，并确定格网的边长，本实施例的虚拟格网都是正方形，只需要确定格网的边长；
S2-2：判断格网中是否存在一点，如果存在，进行保留，如果多于一个则只保留一个点，如果不存在则进行插值；
S2-3：由于激光雷达系统在采样时候的特性是随机性，从而不可能获得完全均匀的数据分布，通过离散点数以及离散度分布的面积情况来计算每个点平均的面积，以此作为每个格网的面积，这样可以减少信息的损失和冗余；
S2-4：根据临近点的信息，虚拟出插值点的信息；
对于格网中某一点A(x,y)的函数值可由其所在网格的4个顶点的函数值ci，j，ci+1，j，ci，j+1，ci+1，j+1按照一次样条函数表示为：
结合图2，式中Δx，Δy是以网络边长为单位时点A(x,y)相对于点pij的坐标增量。
对于已知点pi，j(x,y,z)，pi+1，j(x,y,z)，pi，j+1(x,y,z)，pi+1，j+1(x,y,z)，则待插入点p(x,y,z)的高程值为：
公式中，d为格网尺寸。
本实施例优选的，S2中生成树冠高度模型的具体步骤为：
S2-1：对于每个空格网插值数据点，防止噪声的影响，把这些点投影到二维平面上；选取格网内数据点高程值序列的中位数，连接相邻4个格网中的点，得到相交或相离的对角线；
S2-2：当对角线相离且点位于主对角线的同侧，则连接副对角线；当对角线相离且点位于副对角线的同侧，则连接主对角线；当两条对角线相交，选择使最小角最大化的情况连接其中的一条对角线，构成两个三角形，并依次处理每一个格网区域生成初始的三角网；基于此计算生成一个粗略的地形拟合面，该拟合面介于地面点和非地面点之间；
S2-3：计算每点与粗略拟合面之间的方向距离及每点的残差值，针对每一点的残差值来赋予其权值；通常地表点具有负差值，而非地表点具有正差值，根据各自的差值，每点具有不同权值，对应地表的数据点具有负差值，赋予较高的权值，而对应与非地表的数据点具有正差值，赋予较低的权值；
S2-4：重复S2-2和S2-3直至拟合面逼近真实地表面，从而生成DSM；
S2-5：将生成的DSM与DEM做差即生成树冠高度模型，如图3和图4所示。
S3：对S2中树冠高度模型采用中值滤波法去除影像噪声，然后数学形态学的方法寻找树冠高度模型影像中每棵树的顶点；
本实施例优选的，S3中采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点的具体步骤为：
S3-1：对树冠高度模型影像(CHM)数据进行形态学腐蚀运算处理，选取5×5的内核滤波器在图像上移动，腐蚀内核覆盖的高亮部分(极大值区域)，消融树冠轮廓边界得到影像数据腐蚀结果；
S3-2：对树冠高度模型影像数据进行减去影像数据腐蚀结果的相减处理，得到影像数据相减结果；
S3-3：根据影像数据相减结果，确定位于正值区域中的最大值；
S3-4：将与最大值对应的点确定为用于作为局部极值点的植被顶冠点。
本实施例的S3-1中，由于腐蚀操作是将图像(或图像的一小部分区域)与核(此核大小可设定为5×5的正方形)进行卷积，使得平滑的地形表面不会受到影响，而突出的局部会因为腐蚀而被削去凸出部分，因此通过前述相减处理，可以保留凸出的植被顶冠部分(即正值区域)，进而可将与位于正值区域中的最大值对应的点确定为用于作为局部极值点的植被顶冠点。
S4：对每个局部极值进行增长，针对不同树种类型的数据设置相邻树间距、树冠半径和最小树种高度来限制增长的条件，将增长点与极值点标记相同记号。
本实施例优选的，S4的具体步骤如图5所示，
S4-1：将局部极大值作为初始种子，划定树冠生长范围；
S4-2：基于所给数据的树信息计算出一组阈值，通过设置4个参数圈定树冠实际半径；其中四个参数分别为：
(1)邻近像素种子高度×0.7；
(2)相邻像素高于当前平均树高度×0.55；
(3)邻近像素低于种子高度×1.05；
(4)与种子的最大距离为6m(树冠半径)
本实施例除了参数(1)外，还使用了itcSegment和lidR的标准设置。后者从标准0.45提高到0.7，许多圈定的树冠超出了它们的实际半径。本实施例没有选择特定于单个树种的参数，以保持一个合适的通用树冠生长规则集，因为这些林木的冠层包含了多种树种的混合物。
S4-3：增长算法是以一种循环的方式绕着初始种子行走，当达到最大树冠半径时，原始实现中的四边形生长模式会导致在边缘处出现块状树冠，描绘树冠的轮廓并标记相应记号，轮廓检测结果如图6所示；
S4-4：绘制完所有树冠轮廓后，检查树冠位置与树冠平均地面高程相比下坡是否太远(大于1标准差)；确定完所有正确的树顶点和树冠轮廓后，将其坐标进行投影变换；
S4-5：遍历原始点云并判断其是否在轮廓内部，获取分割后的单株植被点云，获得单株植被的位置、高度和冠径等信息，如图7所示。
S5：使用边缘检测算法描绘单株林木树冠轮廓，分割得到单株植被点云。
实验结果：
本实验采用了3组不同环境的数据集对本文提出的方法进行验证分析，3组不同环境分别是平坦地区某学校主干道、某湿地公园以及复杂山区某林地，在对点云数据进行单株林木提取时，首先需要使用CloudCompare软件将数据进行地面滤波处理。针对不同地形数据特点，尤其是山地地形复杂陡峭以及森林树木郁闭度高，极容易造成点云的过分割和漏分割。为了更加准确的评价单株植被的分割效果，本实验设置坡度等更多的阈值条件来筛选出已分割的植被，并剔除地面上的点，消除陡峭斜坡和其他方面的明显的分割错误的部分。并通过求出分割后的每棵单株植被的面积、高差、平均坡度、周长等具体信息并列成表格来对分割的结果进行进一步分析，进一步设置成阈值筛选已分割的单株植被。
实验结果如图9-图11所示；针对不同区域的植被极值点提取进行量化分析，三种不同区域的植被极值点整体提取精度分别为87.5％、80.4％、82.9％，说明本实施例的方法能够取得较高的单株林木检测精度。
表1样地单株林木提取定量结果
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于激光点云数据的单株林木检测方法，其特征是：具体包括以下步骤：
S1：通过激光雷达设备采样点云，然后进行数据预处理，通过采用基于半径滤波方法对点云数据去噪，并将实验区域少量非植被对象剔除；
S2：通过建立虚拟格网进行格网插值，快速建立三角网，将采用线性样条有限元插值方法生成的DSM与已有的DEM做差生成初始树冠高度模型；
S3：对S2中树冠高度模型采用中值滤波法去除影像噪声，然后采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点；
S4：对每个局部极值进行增长，针对不同树种类型的数据设置相邻树间距、树冠半径和最小树种高度来限制增长的条件，将增长点与极值点标记相同记号；
S5：使用边缘检测算法描绘单株林木树冠轮廓，分割得到单株植被点云；
所述S2中格网插值的具体步骤为：
S1-1：建立虚拟格网，并确定格网的边长；
S1-2：判断格网中是否存在一点，如果存在，进行保留，如果不存在则进行插值；
S1-3：通过离散点数以及离散度分布的面积情况来计算每个点平均的面积，以此作为每个格网的面积；
S1-4：根据临近点的信息，虚拟出插值点的信息，包括
对于格网中某一点A(x,y)的函数值可由其所在网格的4个顶点的函数值ci，j，ci+1，j，ci，j+1，ci+1，j+1按照一次样条函数表示为：
式中Δx，Δy是以网络边长为单位时点A(x,y)相对于点pij的坐标增量；
对于已知点pi，j(x,y,z),pi+1，j(x,y,z),pi，j+1(x,y,z),pi+1，j+1(x,y,z)，则待插入点p(x,y,z)的高程值为：
公式中，d为格网尺寸；
所述S2中生成树冠高度模型的具体步骤为：
S2-1：选取格网内数据点高程值序列的中位数，连接相邻4个格网中的点，得到相交或相离的对角线；
S2-2：当对角线相离且点位于主对角线的同侧，则连接副对角线；当对角线相离且点位于副对角线的同侧，则连接主对角线；当两条对角线相交，选择使最小角最大化的情况连接其中的一条对角线，构成两个三角形，并依次处理每一个格网区域生成初始的三角网；基于此计算生成一个粗略的地形拟合面；
S2-3：计算每点与粗略拟合面之间的方向距离及每点的残差值，针对每一点的残差值来赋予其权值；
S2-4：重复S2-2和S2-3直至拟合面逼近真实地表面，从而生成DSM；
S2-5：将生成的DSM与DEM做差即生成树冠高度模型。
2.根据权利要求1所述的一种基于激光点云数据的单株林木检测方法，其特征是：所述S3中采用数学形态学的方法寻找树冠高度模型影像中每棵树的顶点的具体步骤为：
S3-1：对树冠高度模型影像数据进行形态学腐蚀运算处理，选取5×5的内核滤波器在图像上移动，腐蚀内核覆盖的高亮部分，消融树冠轮廓边界得到影像数据腐蚀结果；
S3-2：对树冠高度模型影像数据进行减去影像数据腐蚀结果的相减处理，得到影像数据相减结果；
S3-3：根据影像数据相减结果，确定位于正值区域中的最大值；
S3-4：将与最大值对应的点确定为用于作为局部极值点的植被顶冠点。
3.根据权利要求1所述的一种基于激光点云数据的单株林木检测方法，其特征是：所述S4的具体步骤为：
S4-1：将局部极大值作为初始种子，划定树冠生长范围；
S4-2：基于所给数据的树信息计算出一组阈值，通过设置多个参数圈定树冠实际半径；
S4-3：增长算法是以一种循环的方式绕着初始种子行走，当达到最大树冠半径时，原始实现中的四边形生长模式会导致在边缘处出现块状树冠，描绘树冠的轮廓并标记相应记号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567755.9A CN116704333B (zh) | 2023-05-19 | 2023-05-19 | 一种基于激光点云数据的单株林木检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567755.9A CN116704333B (zh) | 2023-05-19 | 2023-05-19 | 一种基于激光点云数据的单株林木检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116704333A CN116704333A (zh) | 2023-09-05 |
| CN116704333B true CN116704333B (zh) | 2024-03-12 |
Family
ID=87838401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567755.9A Active CN116704333B (zh) | 2023-05-19 | 2023-05-19 | 一种基于激光点云数据的单株林木检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704333B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100857529B1 (ko) * | 2007-06-29 | 2008-09-08 | 세종대학교산학협력단 | 라이다 자료로부터 건물 경계의 추출방법 |
| CN106918311A (zh) * | 2017-01-20 | 2017-07-04 | 山东科技大学 | 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 |
| CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
| CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
| CN114663787A (zh) * | 2022-03-28 | 2022-06-24 | 北京林业大学 | 一种融合无人机chm和rgb影像的单木分割方法 |
| CN114743008A (zh) * | 2022-06-09 | 2022-07-12 | 西南交通大学 | 一种单株植被点云数据分割方法、装置及计算机设备 |
-
2023
- 2023-05-19 CN CN202310567755.9A patent/CN116704333B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100857529B1 (ko) * | 2007-06-29 | 2008-09-08 | 세종대학교산학협력단 | 라이다 자료로부터 건물 경계의 추출방법 |
| CN106918311A (zh) * | 2017-01-20 | 2017-07-04 | 山东科技大学 | 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 |
| CN111091030A (zh) * | 2018-10-24 | 2020-05-01 | 中国测绘科学研究院 | 树种的识别方法、装置、计算机设备和可读存储介质 |
| WO2022067598A1 (en) * | 2020-09-30 | 2022-04-07 | Nanjing Maoting Information Technology Co., Ltd. | Method of individual tree crown segmentation from airborne lidar data using novel gaussian filter and energy function minimization |
| CN112669333A (zh) * | 2021-01-11 | 2021-04-16 | 四川测绘地理信息局测绘技术服务中心 | 一种单木信息提取方法 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| CN114663787A (zh) * | 2022-03-28 | 2022-06-24 | 北京林业大学 | 一种融合无人机chm和rgb影像的单木分割方法 |
| CN114743008A (zh) * | 2022-06-09 | 2022-07-12 | 西南交通大学 | 一种单株植被点云数据分割方法、装置及计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于LIDAR数据的森林参数反演方法研究;何祺胜;陈尔学;曹春香;刘清旺;庞勇;;地球科学进展(07);全文 * |
| 基于无人机多源遥感的输电线下树冠分割方法研究;孙鸿博;杨扬;郭可贵;谭弘武;于旭宅;王瑞瑞;;中南林业调查规划(02);全文 * |
| 基于机载激光扫描的林木信息提取与建模方法探讨;童淑君;孟叶锋;;山东工业技术(03);第2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116704333A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
| CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
| CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
| CN105551028B (zh) | 一种基于遥感影像的地理空间数据动态更新的方法及系统 | |
| Lin et al. | A multi-level morphological active contour algorithm for delineating tree crowns in mountainous forest | |
| CN112396128B (zh) | 一种铁路外部环境风险源样本自动标注方法 | |
| WO2014054042A1 (en) | Device and method for detecting plantation rows | |
| CN106157309A (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
| 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 | |
| CN111783721A (zh) | 一种激光点云的车道线提取方法及电子设备 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| 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 | |
| CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
| CN111814715A (zh) | 一种地物分类方法及装置 | |
| Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
| CN114283213A (zh) | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 | |
| He et al. | Progressive filtering of airborne LiDAR point clouds using graph cuts | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
| CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
| CN114743008B (zh) | 一种单株植被点云数据分割方法、装置及计算机设备 | |
| CN116805413A (zh) | 一种基于三维点云的油茶苗期表型特征自动计算方法 | |
| CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 |
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 |