CN117197677A - 一种基于激光雷达点云数据的热带雨林乔灌分离方法 - Google Patents
一种基于激光雷达点云数据的热带雨林乔灌分离方法 Download PDFInfo
- Publication number
- CN117197677A CN117197677A CN202311423503.5A CN202311423503A CN117197677A CN 117197677 A CN117197677 A CN 117197677A CN 202311423503 A CN202311423503 A CN 202311423503A CN 117197677 A CN117197677 A CN 117197677A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- neighborhood
- arbor
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 7
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000003973 irrigation Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 230000002262 irrigation Effects 0.000 abstract description 2
- 244000025254 Cannabis sativa Species 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012549 training 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
本发明涉及一种基于激光雷达点云数据的热带雨林乔灌分离方法，属于地面激光雷达点云数据处理技术领域。首先对数据进行去噪、滤波、高程归一化、提取高度层数据的预处理，然后利用局部曲率特征进行粗略的分离，对小于阈值的点云进行2m×2m的分块，再基于法向量方向以及曲率大小对其进行生长分割，获取聚类簇对象，在此基础上根据分割后簇对象的点云数、高宽比和高度范围特征来识别乔木和灌草。相比于其他乔灌分离方法，本发明能够实现热带雨林复杂情景的高精度乔灌分离，同时在人工林中同样适用，算法鲁棒性强、效率高，有助于林业调查和生态研究。
Description
技术领域
本发明涉及一种基于激光雷达点云数据的热带雨林乔灌分离方法，属于地面激光雷达点云数据处理技术领域。
背景技术
乔灌是森林生态系统的基本组成部分，准确获取乔木的空间特征对于森林结构参数的提取、林分结构的空间分析、森林资源的调查和管理等方面具有关键意义。此外，乔灌分离研究也在生态学和环境科学领域扮演着重要的角色，它有助于深入探究森林林下植被的特性，以及对乔木的碳储量和生物量等方面的研究。传统的方法包括野外调查、地面测量、航空摄影和遥感等技术手段。
激光雷达技术是一种主动遥感技术，近20年来取得了迅猛发展。与被动光学遥感不同，激光雷达（LiDAR）具备显著的优势，能够有效获取森林植被的空间结构和地形信息，因此在森林参数的定量测量和反演方面取得了令人瞩目的成就。特别值得强调的是，激光雷达技术在探测森林垂直结构方面表现出了传统光学遥感数据难以匹敌的优越性。此外，激光雷达具备高精度测量、高分辨率数据采集、全天候性无光照限制以及三维信息获取的特点，因此已成为地理信息采集和环境监测领域的重要工具。在林业、地质、城市规划等领域的应用中，激光雷达不仅实现了精确的空间数据建模，还提高了数据采集效率，为科学研究和资源管理提供了有力的支持。
激光雷达技术根据其承载平台的差异可分为地基激光雷达（TLS）、机载激光雷达（ALS）和星载激光雷达。地基激光雷达，也称为地面激光雷达扫描仪，通常用于采集单一目标或小尺度精细三维数据。根据其工作方式，地基激光雷达可分为固定站式和移动式。固定站式激光雷达通过单站或多站扫描与拼接来覆盖整个测区，而移动式激光雷达，例如背包式和车载激光雷达系统，集成了激光雷达传感器、全球定位系统（GPS）、惯性测量单元（IMU）等硬件，以辅助自动拼接激光雷达数据。地基激光雷达具备提供高质量三维点云数据的能力，可详细而准确地获取目标的几何信息。这一特点有助于弥补其他观测手段的不足，使得地基激光雷达能够获取从单一树木到整个林分水平的高精度三维信息。因此，地基激光雷达为实现单木几何结构参数的自动获取和重建真实三维森林场景提供了可能；机载激光雷达以飞行器为平台，通常用于快速获取区域尺度的三维信息数据。其主要硬件包括激光雷达传感器、全球定位系统（GPS）和惯性测量单元（IMU）。这一技术为大面积森林清查和森林结构参数提取提供了一种创新的途径。目前，机载激光雷达系统已广泛应用于获取从景观到区域尺度的森林结构参数。星载激光雷达则以卫星平台为支撑，用于获取大尺度三维信息数据。其研制和应用逐渐成熟，始于20世纪90年代。相较于机载激光雷达，星载激光雷达具备高轨道高度和广阔的观测视野，理论上可提供全球范围的激光雷达数据。这些特点使其在地形测绘、环境监测和森林调查等领域具有独特的优势。然而，由于星载激光雷达的轨道高度和发射频率受到限制，其数据密度相对较低，难以实现连续的空间观测。
相对于机载和星载激光雷达，地基激光雷达具备独特的优势。其近距离操作能够提供更高分辨率和精度的数据，因此在需要详细细节测量的任务中表现出特殊的适用性。地面激光雷达在森林清查中扮演着重要的角色，可用于测量树木的高度、直径、冠层体积等参数。此外，它还可用于树种和植被类型的识别和分析，从而支持森林生物多样性的评估。通过测量树木的体积和生物量，地基激光雷达还有助于估算森林生态系统的碳储量。此技术还能获取地面高程和地形信息，有助于分析土壤特性、水分分布、坡度等因素，为林地管理和土地利用规划提供了数据支持。
同时，在乔灌分离和树干提取领域，地面激光雷达技术也得到了广泛的应用。目前，国内外学者采用的研究方法主要分为三类：基于聚类、基于空间特征和基于机器学习。基于聚类是利用激光雷达点云的分布来实现乔灌分离，通常情况下乔木具有较高的点云密度，而灌木点云密度相对较低，通过设置阈值或者使用密度聚类等技术可以实现分离，如DBSCAN、基于八叉树节点连接的空间聚类、K-Means、欧式聚类等，但该类方法需要设置的参数较多，聚类的速度也较为缓慢，因此许多学者逐渐提出一些新的聚类方法来弥补现有方法的不足。基于机器学习的方法是通过训练样本学习不同类别的特征，从而实现乔灌的识别，主要包括支持向量机（SVM）、随机森林（Random Forest）、深度学习等，如有学者使用iForest、CNN、PointNet、R-CNN、Boosting等机器学习方法来做植被或树干点云的分类；基于空间特征的方法主要是利用点云的三维尺度特征、基于树干点云垂直连续分布特征以及植被形态几何特征（如高度、形状、密度等）来进行乔灌分离。虽然以上方法可以提取相应场景下的乔木树干，但其在复杂的热带雨林场景下算法鲁棒性较差，精度较低，运行速度较慢，对于生长不均衡，胸径大小不一的情况并不适用。
发明内容
本发明要解决的技术问题是提供一种基于激光雷达点云数据的热带雨林乔灌分离方法，用以解决热带雨林复杂森林场景下的地面激光雷达点云数据高精度、高效率乔灌分离的问题。
本发明的技术方案是：一种基于激光雷达点云数据的热带雨林乔灌分离方法，首先对数据进行去噪、滤波、高程归一化、提取高度层数据的预处理，然后利用局部曲率特征进行粗略的分离，对小于阈值的点云进行2m×2m的分块，再基于法向量方向以及曲率大小对其进行生长分割，获取聚类簇对象，在此基础上根据分割后簇对象的点云数、高宽比和高度范围特征来识别乔木和灌木。
具体步骤为：
Step1：首先获取热带雨林乔灌的原始点云数据，并对所述原始点云数据进行预处理，获取5米以下的高度层点云数据。
Step2：基于K维树（K-Dimensional Tree，KD-Tree）对5米以下的高度层点云数据进行邻域搜索，再通过求解协方差矩阵计算点云数据局部曲率，根据局部曲率的区别特征对点云数据进行粗略分离。
Step3：根据点云邻域法向量夹角以及点云数据曲率大小对粗略分离后的点云数据进行区域生长分割，获取点云簇对象。
Step4：根据分割后的点云簇对象的点云数、高宽比和高度范围特征来识别乔木和灌木。
进一步的，所述Step1具体为：
Step1.1：通过裁剪、去噪、滤波和高程归一化的方式对原始点云数据进行预处理。
所述滤波为CSF滤波，其目的是提取去噪后点云数据的地面点来进行后续的高程归一化。
所述高程归一化可以消除掉地形起伏对植被点云数据的影响。
Step1.2：将树冠点云数据去掉，保留5米以下高度层的点云数据进行后续乔灌分离处理。
进一步的，所述Step2具体为：
Step2.1：在建立K维树索引的基础上，确定邻域半径r，然后以每个点云数据为圆心、r为半径建立球形邻域，将每个点云数据的球形邻域以内的点作为其邻域内点。
Step2.2：根据每个点云数据的邻域内点计算该点的协方差矩阵，设定pi=(xi,yi,zi)是3D点云空间中的点，Vr（pi）为pi点的球形邻域集合，通过主成分分析求解出球形邻域的协方差特征值，以所述协方差特征值作为点pi的局部特征，所述协方差矩阵为：
（1）
其中，Ccov为协方差矩阵，为球形邻域的质心，pi为3D点云空间中的点，k为球形
邻域内点云的个数，T为矩阵转置符号。
根据协方差矩阵分解计算其三个特征值为λ0、λ1、λ2，所述三个特征值需满足λ0≥λ1≥λ2。
（2）
为了将乔木和灌木进行分离，选取L-curvature的阈值T为0.2，将L-curvature小于0.2的点云数据分割成2m×2m的分块，进行下一步分离。
进一步的，所述Step3具体为：
Step3.1：基于局部拟合的方法来估计点云数据的法向量。
Step3.2：对点云数据的曲率大小进行计算。
Step3.3：基于点云数据的法向量和曲率大小进行区域生长分割，将点云数据分割聚类成多个点云簇对象。
进一步的，所述Step3.1具体为：
Step3.1.1：为点云数据中的每个点选取一个半径r来确定邻域范围，根据半径r利用K维树搜索邻域内点。
Step3.1.2：使用最小二乘法为邻域内点拟合一个局部平面，由于每个点与其邻域内点所构成的向量与拟合平面的法向量近似垂直，两个向量的点积接近于零，因此可以将这一问题转化为最小化一个以法向量作为待求参数的函数，拟合过程中的拟合函数为：
（3）
式中，m为邻域内点的质心，n为待求法向量，k为邻域内的点云个数。
Step3.1.3：通过对函数进行推导，得到协方差矩阵，然后根据主成分分析法求解所述协方差矩阵，因为三维空间数据协方差矩阵求解出的特征值只有三个，按从大到小进行了排序，获得协方差矩阵的最小特征值对应的特征向量，即为法向量。
进一步的，所述Step3.2具体为：
使用Step2.2中的方法结合公式（2）计算每个点云数据的曲率值L-curvature，以便对点云数据基于法向量和曲率来进行生长分割。
进一步的，所述Step3.3具体为：
Step3.3.1：首先根据曲率的大小对点云进行排序，并选择曲率最小的点作为初始种子点，将其添加到种子点集合中，
Step3.3.2：然后使用K维树索引在种子点的半径r内搜索邻域点，依次计算邻域点的法向量与种子点法向量的夹角，如果夹角小于阈值，并且该邻域点的曲率也小于阈值，那么将该点添加到当前区域点集合，并从原始点云中移除它。
Step3.3.3：不断重复上述步骤，获取多个符合条件的簇对象集合，直到剩余点云数小于设定的最小聚类点云数时，停止分割过程。
进一步的，所述Step4具体为：
Step4.1：因为乔木树干的簇多为圆柱形，相比于灌木点云数量较多，先求取每个簇对象的点云数，再通过式（5）计算各簇对象点云数的标准差来衡量乔灌点云数的离散程度，获取点云数大于标准差的簇对象。
（5）
式中，σ为点云数标准差，xi为各簇点云数，为各簇点云数的平均值，s为簇的个
数。
Step4.2：基于Step4.1获取的簇对象，结合公式（6）计算其高宽比和宽度范围，将高宽比小于1.5，宽度范围小于2m的簇对象识别为乔木：
（6）
R为簇的高宽比，H为簇的高度范围，W为簇的宽度范围，xmax为簇的坐标范围中最大的x坐标，xmin为簇的坐标范围中最小的x坐标，ymax为簇的坐标范围中最大的y坐标，ymin为簇的坐标范围中最小的y坐标。
本发明的有益效果是：本发明结合区域生长分割和乔灌木空间特征，实现了热带雨林高精度的乔灌分离，相比于基于主方向、基于聚类和拟合等现有技术能够精细提取乔木点云，并且在人工林样地同样适用，同时算法效率高，鲁棒性强，能应用于林业调查、参数提取、生态研究等诸多领域，对未来生物量、碳储量的研究具有重要意义。
附图说明
图1是本发明的流程示意图；
图2是本发明中试验区样地a点云数据图；
图3是本发明中试验区样地b点云数据图；
图4是本发明中试验区样地c点云数据图；
图5是本发明中试验区样地d点云数据图；
图6是本发明中试验区样地e点云数据图；
图7是本发明中试验区样地f点云数据图；
图8是本发明中乔灌高宽范围对比图；
图9是本发明中试验区样地a的乔灌分离结果图；
图10是本发明中试验区样地b的乔灌分离结果图；
图11是本发明中试验区样地c的乔灌分离结果图；
图12是本发明中试验区样地d的乔灌分离结果图；
图13是本发明中试验区样地e的乔灌分离结果图；
图14是本发明中试验区样地f的乔灌分离结果图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：本实施例采用由地面手持三维激光雷达SLAM 100获取样地数据，所获取的两块热带雨林和两块人工林样地数据如图2-5所示。其扫描方式为多站扫描，范围均为20×20m，本实施例开发环境Pycharm、Python3.6、Python3.7。
如图1所示，一种基于激光雷达点云数据的热带雨林乔灌分离方法，首先对数据进行去噪、滤波、高程归一化、提取高度层数据的预处理，然后利用局部曲率特征进行粗略的分离，对小于阈值的点云进行2m×2m的分块，再基于法向量方向以及曲率大小对其进行生长分割，获取聚类簇对象，在此基础上根据分割后簇对象的点云数、高宽比和高度范围特征来识别乔木和灌木。
具体步骤为：
Step1：首先通过手持激光雷达的方式获取热带雨林乔灌的原始点云数据，并对所述原始点云数据进行预处理，获取5米以下的高度层点云数据。
所述Step1具体为：
Step1.1：通过裁剪、去噪、滤波和高程归一化的方式对原始点云数据进行预处理。
所述滤波为CSF滤波，其目的是提取去噪后点云数据的地面点来进行后续的高程归一化。
所述高程归一化可以消除掉地形起伏对植被点云数据的影响。
Step1.2：将树冠点云数据去掉，保留5米以下高度层的点云数据进行后续乔灌分离处理。
Step2：基于K维树（K-Dimensional Tree，KD-Tree）对5米以下的高度层点云数据进行邻域搜索，再通过求解协方差矩阵计算点云数据局部曲率，根据局部曲率的区别特征对点云数据进行粗略分离。
所述Step2具体为：
Step2.1：在建立K维树索引的基础上，确定邻域半径r，所述邻域半径r设置为0.15m。然后以每个点云数据为圆心、r为半径建立球形邻域，将每个点云数据的球形邻域以内的点作为其邻域内点。
Step2.2：根据每个点云数据的邻域内点计算该点的协方差矩阵，设定pi=(xi,yi,zi)是3D点云空间中的点，Vr（pi）为pi点的球形邻域集合，通过主成分分析求解出球形邻域的协方差特征值，以所述协方差特征值作为点pi的局部特征，所述协方差矩阵为：
（1）
其中，Ccov为协方差矩阵，为球形邻域的质心，pi为3D点云空间中的点，k为球形
邻域内点云的个数，T为矩阵转置符号。
根据协方差矩阵分解计算其三个特征值为λ0、λ1、λ2，所述三个特征值需满足λ0≥λ1≥λ2。
（2）
为了将乔木和灌木进行分离，选取L-curvature的阈值T为0.2，将L-curvature小于0.2的点云数据分割成2m×2m的分块，进行下一步分离。
Step3：根据点云邻域法向量夹角以及点云数据曲率大小对粗略分离后的点云数据进行区域生长分割，获取点云簇对象。
所述Step3具体为：
Step3.1：基于局部拟合的方法来估计点云数据的法向量。
Step3.2：对点云数据的曲率大小进行计算。
Step3.3：基于点云数据的法向量和曲率大小进行区域生长分割，将点云数据分割聚类成多个点云簇对象。
所述Step3.1具体为：
Step3.1.1：为点云数据中的每个点选取一个半径r来确定邻域范围，根据半径r利用K维树搜索邻域内点。
Step3.1.2：使用最小二乘法为邻域内点拟合一个局部平面，由于每个点与其邻域内点所构成的向量与拟合平面的法向量近似垂直，两个向量的点积接近于零，因此可以将这一问题转化为最小化一个以法向量作为待求参数的函数，拟合过程中的拟合函数为：
（3）
式中，m为邻域内点的质心，n为待求法向量，k为邻域内的点云个数。
Step3.1.3：通过对函数进行推导，得到协方差矩阵，然后根据主成分分析法求解所述协方差矩阵，因为三维空间数据协方差矩阵求解出的特征值只有三个，按从大到小进行了排序，获得协方差矩阵的最小特征值对应的特征向量，即为法向量。
所述Step3.2具体为：
使用Step2.2中的方法结合公式（2）计算每个点云数据的曲率值L-curvature，以便对点云数据基于法向量和曲率来进行生长分割。
所述Step3.3具体为：
Step3.3.1：首先根据曲率的大小对点云进行排序，并选择曲率最小的点作为初始种子点，将其添加到种子点集合中，
Step3.3.2：然后使用K维树索引在种子点的半径r内搜索邻域点，依次计算邻域点的法向量与种子点法向量的夹角，如果夹角小于阈值，并且该邻域点的曲率也小于阈值，那么将该点添加到当前区域点集合，并从原始点云中移除它。
Step3.3.3：不断重复上述步骤，获取多个符合条件的簇对象集合，直到剩余点云数小于设定的最小聚类点云数时，停止分割过程。
本实施例中，法向量夹角阈值设置为5°，曲率阈值设置为5。
Step4：根据分割后的点云簇对象的点云数、高宽比和高度范围特征来识别乔木和灌木。
所述Step4结合三个新的空间特征：点云数、高宽比和高度范围，来分离乔木和灌木，相比于现有的技术，能够实现热带雨林复杂场景下高精度、高效率地乔灌分离，且在人工林中也适用，其具体为：
Step4.1：因为乔木树干的簇多为圆柱形，相比于灌木点云数量较多，先求取每个簇对象的点云数，再通过式（5）计算各簇对象点云数的标准差来衡量乔灌点云数的离散程度，获取点云数大于标准差的簇对象。
（5）
式中，σ为点云数标准差，xi为各簇点云数，为各簇点云数的平均值，s为簇的个
数。
Step4.2：如图8所示，灌木高度大多比乔木低矮，而宽度范围比乔木大得多，故基于Step4.1获取的簇对象，结合公式（6）计算其高宽比和宽度范围，将高宽比小于1.5，宽度范围小于2m的簇对象识别为乔木：
（6）
R为簇的高宽比，H为簇的高度范围，W为簇的宽度范围，xmax为簇的坐标范围中最大的x坐标，xmin为簇的坐标范围中最小的x坐标，ymax为簇的坐标范围中最大的y坐标，ymin为簇的坐标范围中最小的y坐标。
本发明利用提取精度accuracy作为评价标准，其计算方式为：
（7）
其中，num_res为去除灌木后的乔木树干数量；num_real为样地实际乔木数量。
在两块热带雨林样地的分离精度能够达到95%，两块人工林样地精度则能达到100%，其分离结果如图9-12所示，分离精度如表1所示。
本实施例根据本发明提出的方法，对两块热带雨林样地和两块人工林样地的地面激光雷达数据进行处理，依照方法步骤，使用相同的参数实现了四块样地的乔灌分离，并对分离的结果进行了精度验证，都取得了较高的精度，说明本发明在复杂情境下能得到较好的分离结果，在人工林中也同样适用，同时四块样地均在十分钟以内分离完毕，表明该方法效率高，鲁棒性也较强。
实施例2：本实施例采用由地面手持三维激光雷达SLAM 100获取样地数据，所获取的两块热带雨林样地数据如图6-7所示。其扫描方式为多站扫描，范围均为20×20m，本实施例开发环境Pycharm、Python3.6、Python3.7。
具体过程如实施例1所示，在实施例2的两块热带雨林的分离精度可以达到91%和98%，其分离结果如图13-14所示，分离精度如表2所示。
本实施例根据本发明提出的方法，对两块热带雨林样地的地面激光雷达数据进行处理，依照方法步骤，使用相同的参数实现了两块样地的乔灌分离，并对分离的结果进行了精度验证，都取得了较高的精度，说明本发明在复杂情境下能得到较好的分离结果，同时两块样地均在十分左右分离完毕，表明该方法效率高，鲁棒性也较强。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于：
Step1：首先获取热带雨林乔灌的原始点云数据，并对所述原始点云数据进行预处理，获取5米以下的高度层点云数据；
Step2：基于K维树对5米以下的高度层点云数据进行邻域搜索，再通过求解协方差矩阵计算点云数据曲率，根据点云数据曲率的区别特征对点云数据进行粗略分离；
Step3：根据点云邻域法向量夹角以及点云数据曲率大小对粗略分离后的点云数据进行区域生长分割，获取点云簇对象；
Step4：根据分割后的点云簇对象的点云数、高宽比和高度范围特征来识别乔木和灌木。
2.根据权利要求1所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step1具体为：
Step1.1：通过裁剪、去噪、滤波和高程归一化的方式对原始点云数据进行预处理；
Step1.2：将树冠点云数据去掉，保留5米以下高度层的点云数据进行后续乔灌分离处理。
3.根据权利要求1所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step2具体为：
Step2.1：在建立K维树索引的基础上，确定邻域半径r，然后以每个点云数据为圆心、r为半径建立球形邻域，将每个点云数据的球形邻域以内的点作为其邻域内点；
Step2.2：根据每个点云数据的邻域内点计算该点的协方差矩阵，设定pi=(xi,yi,zi)是3D点云空间中的点，Vr（pi）为pi点的球形邻域集合，通过主成分分析求解出球形邻域的协方差特征值，以所述协方差特征值作为点pi的局部特征，所述协方差矩阵为：
（1）；
其中，Ccov为协方差矩阵，为球形邻域的质心，pi为3D点云空间中的点，k为球形邻域中点云的个数，T为矩阵转置符号；
根据协方差矩阵分解计算其三个特征值为λ0、λ1、λ2，所述三个特征值需满足λ0≥λ1≥λ2；
（2）；
将L-curvature小于0.2的点云数据分割成2m×2m的分块，进行下一步分离。
4.根据权利要求3所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step3具体为：
Step3.1：基于局部拟合的方法来估计点云数据的法向量；
Step3.2：对点云数据的曲率大小进行计算；
Step3.3：基于点云数据的法向量和曲率大小进行区域生长分割，将点云数据分割聚类成多个点云簇对象。
5.根据权利要求4所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step3.1具体为：
Step3.1.1：为点云数据中的每个点选取一个半径r来确定邻域范围，根据半径r利用K维树搜索邻域内点；
Step3.1.2：使用最小二乘法为邻域内点拟合一个局部平面，拟合过程中的拟合函数为：
（3）；
式中，m为邻域内点的质心，n为待求法向量，k为邻域内的点云个数；
Step3.1.3：通过对函数进行推导，得到协方差矩阵，然后根据主成分分析法求解所述协方差矩阵，获得协方差矩阵的最小特征值对应的特征向量，即为法向量。
6.根据权利要求5所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step3.2具体为：
基于每个点云数据的邻域内点得出的协方差矩阵计算出协方差矩阵的三个特征值，从大到小排列分别为λ1、λ2、λ3，通过所述三个特征值计算每个点云数据的曲率值L-curvature：
（4）。
7.根据权利要求4所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step3.3具体为：
Step3.3.1：首先根据曲率的大小对点云进行排序，并选择曲率最小的点作为初始种子点，将其添加到种子点集合中，
Step3.3.2：然后使用K维树索引在种子点的半径r内搜索邻域点，依次计算邻域点的法向量与种子点法向量的夹角，如果夹角小于阈值，并且该邻域点的曲率也小于阈值，那么将该点添加到当前区域点集合，并从原始点云中移除它；
Step3.3.3：不断重复上述步骤，获取多个符合条件的簇对象集合，直到剩余点云数小于设定的最小聚类点云数时，停止分割过程。
8.根据权利要求1所述的基于激光雷达点云数据的热带雨林乔灌分离方法，其特征在于，所述Step4具体为：
Step4.1：先求取每个簇对象的点云数，再通过式（5）计算各簇对象点云数的标准差来衡量乔灌点云数的离散程度，获取点云数大于标准差的簇对象；
（5）；
式中，σ为点云数标准差，xi为各簇点云数，为各簇点云数的平均值，s为簇的个数；
Step4.2：基于Step4.1获取的簇对象，结合公式（6）计算其高宽比和宽度范围，将高宽比小于1.5，宽度范围小于2m的簇对象识别为乔木：
（6）；
式中，R为簇的高宽比，H为簇的高度范围，W为簇的宽度范围，xmax为簇的坐标范围中最大的x坐标，xmin为簇的坐标范围中最小的x坐标，ymax为簇的坐标范围中最大的y坐标，ymin为簇的坐标范围中最小的y坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423503.5A CN117197677A (zh) | 2023-10-31 | 2023-10-31 | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311423503.5A CN117197677A (zh) | 2023-10-31 | 2023-10-31 | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197677A true CN117197677A (zh) | 2023-12-08 |
Family
ID=89005591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311423503.5A Pending CN117197677A (zh) | 2023-10-31 | 2023-10-31 | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197677A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726886A (zh) * | 2024-02-08 | 2024-03-19 | 华侨大学 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
| CN111667529A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种植物点云叶片分割与表型特征测量方法 |
| CN115830042A (zh) * | 2022-12-07 | 2023-03-21 | 重庆理工大学 | 一种锚喷机器人隧道拱面复喷区域识别与定位方法 |
| CN116051841A (zh) * | 2023-01-20 | 2023-05-02 | 河南理工大学 | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 |
-
2023
- 2023-10-31 CN CN202311423503.5A patent/CN117197677A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101839701A (zh) * | 2010-05-27 | 2010-09-22 | 中国科学院自动化研究所 | 树木点云数据的自动分割方法 |
| CN111667529A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种植物点云叶片分割与表型特征测量方法 |
| CN115830042A (zh) * | 2022-12-07 | 2023-03-21 | 重庆理工大学 | 一种锚喷机器人隧道拱面复喷区域识别与定位方法 |
| CN116051841A (zh) * | 2023-01-20 | 2023-05-02 | 河南理工大学 | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726886A (zh) * | 2024-02-08 | 2024-03-19 | 华侨大学 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
| CN117726886B (zh) * | 2024-02-08 | 2024-05-14 | 华侨大学 | 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105184250B (zh) | 一种电力走廊机载LiDAR点云数据的地物分类方法 | |
| CN111649763B (zh) | 一种基于重力灯塔建立的潜艇导航方法及系统 | |
| Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
| KR101080985B1 (ko) | 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법 | |
| CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
| CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
| CN117197677A (zh) | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 | |
| CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
| CN114241217B (zh) | 一种基于圆柱特征的树干点云高效提取方法 | |
| 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 | |
| WO2023060632A1 (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
| CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
| CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| CN115390040A (zh) | 一种基于分割几何特征的树林点云枝叶分离方法 | |
| CN115100232A (zh) | 一种基于融合LiDAR点云数据的单木分割方法 | |
| CN114136208A (zh) | 一种无损估算立木材积的低成本树木结构自动重建方法 | |
| CN110569805A (zh) | 一种基于无人机影像点云的人工林单木提取及立地质量评价的方法 | |
| Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
| CN113205548A (zh) | 一种林区无人机和地基点云的自动化配准方法及系统 | |
| CN110807832B (zh) | 一种基于地面三维扫描仪的电力线自动提取方法 | |
| CN106023178B (zh) | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 | |
| CN111814666A (zh) | 一种复杂林分下的单木参数提取方法、系统、介质及设备 | |
| 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 |