CN117522945A - 提取树木枝干结构参数的方法、系统、计算机设备及介质 - Google Patents
提取树木枝干结构参数的方法、系统、计算机设备及介质 Download PDFInfo
- Publication number
- CN117522945A CN117522945A CN202311188592.XA CN202311188592A CN117522945A CN 117522945 A CN117522945 A CN 117522945A CN 202311188592 A CN202311188592 A CN 202311188592A CN 117522945 A CN117522945 A CN 117522945A
- Authority
- CN
- China
- Prior art keywords
- point
- branch
- tree
- trunk
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 9
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000000481 breast Anatomy 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computer Graphics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Image Processing (AREA)
Abstract
本发明属于三维激光扫描技术领域,公开了一种提取树木枝干结构参数的方法、系统、计算机设备及介质,利用点云数据自动提取树木枝干结构参数,突破了传统枝干参数的获取方法;采用分段直线拟合的干曲线滤波,有效消除了错误树干中心点的干扰,实现了干曲线的精确拟合;本发明有效地提高了树干过滤的效果,很好地保留了树枝的信息,有效提取了树木枝干的拓扑结构参数;提出了一种根据平滑度分解树枝聚簇的方法,有效克服了点云聚类中出现的欠分割问题;提出了一种基于距离和角度的树枝连接方式,有效克服了树枝因遮挡等因素造成的树枝断裂问题;提出了一种树木枝干的骨架化方法有效实现了树枝枝长的结构参数提取。
Description
技术领域
本发明属于三维激光扫描技术领域,尤其涉及一种提取树木枝干结构参数的方法、系统、计算机设备及介质。
背景技术
目前,林业调查中常需要获得树木的各项结构参数,传统林业调查依赖人工进入实地手动测量树木的几何结构参数,如:树干位置、胸径、树高等。该方法外业工作量大、效率低,且常常无法深入林地内部,所获得的结构参数也较为粗糙,无法获得更微观的枝干结构参数,如:树枝的数量、位置、长度、与树干的夹角等。
三维激光扫描技术在近年来飞速发展,因其可以高精度、海量、快速地获取目标物体空间三维信息的优势,被广泛运用在测绘、林业、国防、建筑等行业,但是获取到的点云数据是离散、无序的,没有直接的拓扑关系,因此无法直接从点云数据中提取树木的枝干结构参数。现有的枝干结构提取方法如最小覆盖集法往往无法处理树叶过多的情形,尤其是树叶过多而导致多个树枝连成一片时,现有方法得到的结果并不可靠。此外,现有技术需要树木点云具有良好的扫描情况,面对样地级别的森林点云数据,样地边缘的树木由于扫描角度的限制及树木互相之间的遮挡效应,导致这些地方的点云在空间上无法连续,极大的限制了参数的提取正确性。
通过上述分析,现有技术存在的问题及缺陷为:现有的枝干结构提取方法因树叶过多而导致多个树枝连成一片时,得到的结果可靠性较差,并且现有的枝干结构提取方法需要良好的扫描结果,往往无法处理大尺度、样地级别的海量点云数据。
发明内容
针对现有技术存在的问题,本发明提供了一种提取树木枝干结构参数的方法、系统、计算机设备及介质。
本发明是这样实现的,一种提取树木枝干结构参数的方法,包括:
测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;联合树枝树叶点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
依据S的拓扑特征对树枝树叶点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长结构参数。
进一步,所述提取树木枝干结构参数的方法,包括以下步骤:
步骤一,分站测量采集目标树木的点云数据,利用标靶坐标计算相邻两站之间的坐标转换参数,进而进行点云配准和去噪;
步骤二,对点云数据进行截取,得到单株树的原始点云;
步骤三,从原始点云中提取初始干曲线;
步骤四,对步骤三得到的初始干曲线进行过滤,剔除掉错误的树干中心;
步骤五,利用贝塞尔曲线对步骤四得到的初始干曲线进行加密,得到最终的树木干曲线;
步骤六,对原始点云中的每个点从干曲线中寻找对应高度的树干中心,并将其投影至极坐标系中,得到局部极坐标(θ,ρ),最终将原始点云中所有的点投影到柱面坐标系(θ,z,ρ),得到柱面坐标系下的树木点云;
步骤七,对柱面坐标系下的树木点云进行滤波去除掉树干点,找到树枝树叶点,并投影至直角坐标系,得到树枝树叶点云;
步骤八,根据局部几何特征对树枝树叶点云进行过滤,得到树枝点云;
步骤九,联合树枝点云和干曲线建立带权无向图G,利用克鲁斯卡尔算法对G求其最小生成树S;
步骤十,根据最小生成树S的拓扑特征,将树枝点云中的点进行聚类得到点云聚簇集合B1,B1中每个聚簇中包含一个树枝所有的点;
步骤十一,对树枝聚簇集合B1中的不同树枝根据方向夹角和距离进行连接,得到最终的树枝聚簇集合B2,B2中的聚簇个数即为该树的一级枝个数;
步骤十二,对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝数量及枝长等结构参数;
步骤十三,输出树高、胸径、一级枝个数、一级枝枝长参数。
进一步,所述步骤一中在目标树木周围均匀地布置靶标球,再将地面三维激光扫描仪分站架设在树木的四周采集点云数据,确保两站之间至少有四个共同标靶;
步骤三中包含以下子步骤:
3-1,选取高于树根30cm范围的点云,沿垂直方向投影至xoy平面,利用RANSAC算法拟合圆,得到圆心坐标(xo,yo),取P1中z坐标的最小值zmin,即得到树木的底部中心坐标(xo,yo,zmin);
3-2,利用空间殖民法进行干曲线提取,即从给定起点及给定方向向前搜索一定的距离,利用搜索得到的点进行最小二乘圆柱拟合,得到新的起点及方向,重复以上过程直到前方搜索不到点;
步骤四中,干曲线滤波包含以下步骤:
4-1,从干曲线中高度最低的点开始,依次选取K个点;
4-2.利用步骤4-1中的K个点采用最小二乘算法拟合空间直线;
4-3,根据步骤4-2中的直线设定距离阈值,剔除掉参与直线拟合的K个点中的外点;
4-4,从下一个点开始依次选取K个点,重复步骤4-1至步骤4-3,直到处理完所有的树干点。
进一步,所述步骤五中包含以下子步骤:
5-1,先对步骤四中得到的初始干曲线进行四次曲线拟合,即干曲线的坐标满足以下关系:
构建方程如下:
L=BX;
其中,根据最小二乘准则,可得:
X=(BTB)-1BTL;
代入点云数据P1中的最高点和最低点,得到相应的树干中心点,加入到粗糙的干曲线离散点;
5-2,对干曲线使用贝赛尔曲线进行加密,贝赛尔曲线的形式为:
其中
步骤六中,将点云坐标从直角坐标系投影到柱面坐标系下主要包含以下子步骤:
6-1,根据待转换点的z值从干曲线中寻找其所在的树干中心区间[a,b],且满足za≤z≤zb;
6-2,利用线性插值得到待转换点所属的树干中心及对应直径(xc,yc,zc,dc);
6-3,重心化,即用待转换点的(xi,yi)坐标减去树干中心的(xc,yc)坐标,保持z值不变,得到重心化后的坐标(xi,g,yi,g,zi);
6-4,利用公式及/>得到数据点在以树干点为中心的极坐标系坐标系下的坐标(θi,g,ρi,g);
6-5,利用公式以及/>得到转换后的坐标(θpol,z,ρpol),所有点转换后得到柱面坐标系下的树木点云;
步骤七包含以下子步骤:
7-1,对柱面坐标系下的树木点云进行滤波,由于在柱面坐标系下树干部分已较为平坦,直接过滤掉高程方向大于10cm的部分,得到粗糙的树干部分;
7-2,对步骤7-1得到的粗糙树干部分采用格网化的选权迭代曲面拟合法进行精细化过滤,得到所有的非树干部分,即树枝树叶点;
7-3,对步骤7-2得到的所有的树枝树叶点投影到直角坐标系下。
进一步,所述步骤八包含以下子步骤:
8-1,利用PCA算法对直角坐标系下的树枝树叶点云中的每个点p计算局部特征矩阵的三个特征值λ1≥λ2≥λ3,然后计算每个点的线性特征FLine和FPlanar,计算方式为:
8-2,判断FLine的值是否大于线性阈值σLine,若FLine>σLine,则先确定这样一条直线:以特征值λ1对应的特征向量为方向向量并且穿过局部重心的直线lp,然后计算点p到直线lp的距离disp,若disp<σdis,则认为点p是主要的线性点,并将点p加入到点集Pmain中,若disp>σdis,则认为点p是次要的线性点,并将点p加入到点集Ptwig中;若FL<σL,则转步骤8-3;
8-3,判断FPlanar的值是否大于面性阈值σPlanar,若FPlanar>σPlanar,则将点p投影到以局部重心为原点,三个特征向量为坐标轴的局部坐标系中,得到新的投影坐标为p′=(x′,y′,z′),计算p′在局部坐标系xoy平面上的投影到原点的距离disp′=sqrt(x′*x′+y′*y′),若disp′<σdis,则认为点p是主要的面性点,并将点p加入到点集Pmain中,disp′>σdis,则认为点p是次要的面性点,并将点p加入到点集Ptwig中;若FPlanar<σPlanar,则将点p加入到点集Ptwig中;
8-4,遍历树枝树叶点云中的每一个点并重复执行步骤8-1到步骤8-3;
8-5,对Pmain进行欧式聚类,并删除点数特别少的聚簇,得到树枝点云;
步骤九包含以下子步骤:
9-1,联合树枝点云和干曲线,查询每个点的K近邻点,以欧氏距离为权建立无向连通图G;
9-2,利用克鲁斯卡尔算法对G求其最小生成树S。
进一步,所述步骤十包含以下子步骤:
10-1,选S中一点p,以p为起点,查询该点到S中第一个点的最短路径,若最短路径距离小于阈值dis_Th,则认为该点属于直接与树干相连接的部分;若距离大于阈值dis_Th,则认为该点属于不与树干相连接的部分;
10-2,对步骤10-1中得到的所有直接与树干相连接的点,删去该点与树干连接的边;
10-3,根据连通性得到此时S中所有的子连通路径,每一个子连通路径即为一个树枝聚簇,将这些树枝聚簇输出为B1。
进一步,所述步骤十一包含以下子步骤:
11-1,对每个树枝聚簇提取两个端点,距离树干近的端点标签为1,距离树干远的端点标签为2;
11-2,对每个树枝聚簇标签为2的端点进行最近邻点查询,若最近邻点标签为1,且不属于同一树枝聚簇,则判断此两端点间距离和夹角,若小于相应的阈值,则将两树枝聚簇进行合并;
11-3,重复步骤11-1和步骤11-2,直到聚簇集合没有可以进行连接的树枝,得到树枝聚簇集合B2;
步骤十二包含以下子步骤:
12-1,对B2中的每个树枝聚簇建立全连通图,任取其中一个点q作为起点,利用迪杰斯特拉算法找到距离点q最短路径最长的点s,再以点s为起点,找到距离点s最短路径最长的点e,取出由点s到点e最短路径上的点,此即为该点云聚簇上最长的一条连通路径;
12-2,利用道格拉斯普克算法对步骤12-1得到的连通路径进行简化,得到该树枝聚簇的骨架点;
12-3,遍历骨架点,计算相邻两点距离,相加可得树枝的枝长。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述提取树木枝干结构参数的方法。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述提取树木枝干结构参数的方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述提取树木枝干结构参数的方法。
本发明的另一目的在于提供一种基于所述提取树木枝干结构参数的方法的提取树木枝干结构参数的系统,所述提取树木枝干结构参数的系统包括:
坐标系建立模块,用于测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
数据处理模块,用于对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;联合树枝树叶点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
数据集合获取模块,用于依据S的拓扑特征对树枝树叶点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长结构参数。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一、本发明中提出的干曲线滤波通过渐进迭代拟合空间直线方法去除初始干曲线中的粗差,该方法的理论基础是,树干的干曲线遵从树木(尤其是有明显主干的乔木)生长的自然规律,即树干横截面的圆心在竖直方向上的水平位置变化较小,所以连续的树干中心应近似处在同一条空间直线上,选取连续的树干中心拟合空间直线,离拟合得到的空间直线距离超过阈值的树干中心点即判断为粗差点。经过干曲线滤波,干曲线中的树干中心点更加可靠,更能反映树干的生长情况,为后续的干曲线加密以及树枝连接提供可靠的基础。
本发明提出的树干滤除算法首次创新性地将直角坐标系下的点云转换到柱面坐标系下,在直角坐标系下,即便有干曲线的先验知识,但仍难有可靠的几何特征来区分树干和非树干部分。而在柱面坐标系下,非树干的部分则可以当作地物,树干部分可以当作地面,并且是一个相对平坦的地面,利用地面滤波算法可以十分轻松地区分出树干和非树干部分。经过该算法滤除树干部分后,可以有效地打断树枝与树枝之间的连通性,为后续的单个树枝提取提供极大的便利。
本发明的枝叶分离算法创新性地结合了点云的局部几何特征来判断一个点是否为树枝点,该算法的理论基础是,对于细枝上的点,其线性特征较为明显,对于树干以及粗枝上的点,其面状特征较为明显,而对于树叶点,其无明显特征,既有可能表现出线性特征,又有可能体现出面性特征。因此,对于线性特征特别明显的点,需要进一步结合其局部几何特征进行考察,即对该点选取其最近邻的K个点,拟合空间直线,若该点距离拟合得到的空间直线小于阈值,则说明该点处在细枝的主要方向上,可以确定为树枝点,反之则为树叶点;对于面性特征特别明显的点,需要进一步结合其局部特征进行考察,即对该点选取其最近邻的K个点,进行PCA分析,然后将其投影到局部坐标系中,若该点在局部坐标系中到坐标原点的距离小于阈值,则可以确定其为树枝点,反之则为树叶点。该算法可以有效地滤除掉树叶,极大地消除了树叶部分对树枝结构参数提取的负面影响,是对目前现有的技术一个极大的补充。
本发明通过联合树枝点和干曲线建立无向图,然后通过其最小生成树提取树木骨架拓扑结构的方法可以有效地提取出树木骨架的拓扑信息,再结合干曲线的先验知识即可根据连通性将每一根树枝上的点都聚为同一类。理论上,此时每一个聚簇中的点都为完整的树枝,但是由于遮挡等因素,导致同一根树枝上的点可能会被分为多个聚簇,本发明通过判断聚簇与聚簇之间的方向夹角和距离来合并多个聚簇,其基本设想是即便树枝被分为了多个聚簇,聚簇与聚簇之间应存在空间上的相关性和相似性,即树枝的方向应该是大致连续的,即聚簇与聚簇之间的方向夹角应当小于阈值。通过树枝连接算法可以有效地复原树枝的原本拓扑结构,提供更加准确可靠的结构参数。本发明提出的树枝骨架化方法通过两次深度优先遍历,获取树枝点中的最长连通路径方法,符合植物的一般生长规律,并通过道格拉斯普克算法平滑该最长路径,可以有效地消除掉路径中的迂回和曲折,使平滑后的路径在几何特征上更符合树枝原貌,提取的枝长参数更加可靠。
第二,本发明利用点云数据自动提取树木枝干结构参数,突破了传统枝干参数的获取方法;采用分段直线拟合的干曲线滤波,有效消除了错误树干中心点的干扰,实现了干曲线的精确拟合;提出了一种新的树干过滤方式,有效地提高了树干过滤的效果,很好地保留了树枝的信息;提出了一种基于连通图的树枝结构提取方法,有效提取了树木枝干的拓扑结构参数;提出了一种基于距离和角度的树枝连接方式,有效克服了树枝因遮挡等因素造成的树枝断裂问题;提出了一种树木枝干的骨架化方法有效实现了树枝枝长的结构参数提取。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明可以为样地级别的森林点云数据提供可靠的枝干结构参数提取,为森林经理提供依据,其次提取的树枝结构参数可以用于评估木材质量,为木材加工提供依据,并且枝干结构参数可以用于估计森林地上生物量,从而进一步评估森林碳汇能力,助力碳金融、碳交易。
(2)本发明的技术方案填补了国内外业内技术空白:
本发明的技术方案首次提出了干曲线滤波的概念,填补了国内外在该方面的技术空白,为干曲线提取提供了可靠的理论基础。
本发明的技术方案首次创新性地提出将树木点云由直角坐标系投影到柱面坐标系下,并利用地面滤波进行树干的滤除,取得了良好的效果,填补了国内外在该方面的空白。
(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题:
传统的技术方案需要森林点云具有良好的扫描结果,并且无法克服树叶过多以及遮挡效应的影响,从而不能适应大规模、样地级别的海量点云数据,本发明的技术方案可以从样地级别的森林点云数据中提取可靠的枝干结构参数,解决了上述的技术难题。
第四,本发明实施例提供的提取树木枝干结构参数的方法,取得了以下显著的技术进步:
1.通过测量采集树木的点云数据,进行点云配准和去噪,实现了点云数据的准确提取和预处理,提高了后续处理的准确性和可靠性。
2.通过提取初始干曲线并利用贝塞尔曲线进行加密,得到了最终的树木干曲线,实现了树木主干曲线的精确提取,为后续树枝的分离和聚类提供了重要的参考依据。
3.通过将原始点云数据从直角坐标系投影至柱面坐标系,将树干这一在直角坐标系中的复杂实体转化为柱面坐标系下的“地面”,降低了树干滤除的难度,极大程度地提升了树干滤除的精度和效率。
4.利用局部几何特征进行枝叶分离,实现了树枝和树叶的有效分离,提高了树枝结构参数提取的准确性和效率。
5.通过联合树枝点和干曲线建立加权连通图,并利用克鲁斯卡尔算法求最小生成树,实现了树枝连接关系的准确判断,为后续树枝聚类和骨架化提供了重要的基础。
6.通过依据最小生成树的拓扑特征对树枝点聚类,实现了树枝的有效聚类,为最终的树枝结构参数提取提供了重要的聚类结果。
7.通过根据方向夹角和距离对树枝进行连接,实现了因遮挡而没有归为一簇的树枝的合并,进一步提高了树枝结构参数提取的准确性和可靠性。
8.通过骨架化最终的树枝聚簇集合,实现了树枝枝长等结构参数的精确提取,为树木生长和生态研究提供了重要的数据支持。
本发明实施例提供的提取树木枝干结构参数的方法取得了多项显著的技术进步,为树木生长和生态研究提供了重要的技术支持。
附图说明
图1是本发明实施例提供的提取树木枝干结构参数的方法流程图;
图2是本发明实施例提供的提取树木枝干结构参数的方法原理图一;
图3是本发明实施例提供的树木点云数据示意图;
图4是本发明实施例提供的树木初始干曲线的示意图;
图5是本发明实施例提供的树木干曲线滤波结果示意图;
图6是本发明实施例提供的加密后的干曲线示意图;
图7是本发明实施例提供的柱面坐标系下点云数据示意图;
图8是本发明实施例提供的柱面坐标系下精细树干示意图;
图9是本发明实施例提供的直角坐标系下的树枝树叶点云;
图10是本发明实施例提供的过滤后的树枝点;
图11是本发明实施例提供的树枝聚簇集合;
图12是本发明实施例提供的树枝连接示意图;
图13是本发明实施例提供的树枝骨架点;
图14是本发明实施例提供的提取树木枝干结构参数的方法原理图二。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
如图1所示,本发明实施例提供的提取树木枝干结构参数的方法,包括以下步骤:
S101:测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
S102:对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;结合每个点的局部几何特征进行枝叶分离,找到树枝点;联合树枝点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
S103:依据S的拓扑特征对树枝点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长等结构参数。
实施例1:
本发明实施例提供的提取树木枝干结构参数的方法,包括以下步骤:
步骤一,分站测量采集目标树木的点云数据,利用标靶坐标计算相邻两站之间的坐标转换参数,进而进行点云配准和去噪;
步骤二,对点云数据进行截取,得到单株树的原始点云;
步骤三,从原始点云中提取初始干曲线;
步骤四,对步骤三得到的初始干曲线进行过滤,剔除掉错误的树干中心;
步骤五,利用贝塞尔曲线对步骤四得到的初始干曲线进行加密,得到最终的树木干曲线;
步骤六,对原始点云中的每个点从干曲线中寻找对应高度的树干中心,并将其投影至极坐标系中,得到局部极坐标(θ,ρ),最终将原始点云中所有的点投影到柱面坐标系(θ,z,ρ),得到柱面坐标系下的树木点云;
步骤七,对柱面坐标系下的树木点云进行滤波去除掉树干点,找到树枝树叶点,并投影至直角坐标系,得到树枝树叶点云;
步骤八,根据局部几何特征对树枝树叶点云进行过滤,得到树枝点云;
步骤九,联合树枝点云和干曲线建立带权无向图G,利用克鲁斯卡尔算法对G求其最小生成树S;
步骤十,根据最小生成树S的拓扑特征,将树枝点云中的点进行聚类得到点云聚簇集合B1,B1中每个聚簇中包含一个树枝所有的点;
步骤十一,对树枝聚簇集合B1中的不同树枝根据方向夹角和距离进行连接,得到最终的树枝聚簇集合B2,B2中的聚簇个数即为该树的一级枝个数;
步骤十二,对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝数量及枝长等结构参数;
步骤十三,输出树高、胸径、一级枝个数、一级枝枝长等参数。
在本发明的实施例中,在步骤一中在目标树木周围均匀地布置靶标球,再将地面三维激光扫描仪分站架设在树木的四周采集点云数据,确保两站之间至少有四个共同标靶。
在本发明的实施例中,在步骤三中包含以下子步骤:
3-1,选取高于树根30cm范围的点云,沿垂直方向投影至xoy平面,利用RANSAC算法拟合圆,得到圆心坐标(xo,yo),取P1中z坐标的最小值zmin,即得到树木的底部中心坐标(xo,yo,zmin);
3-2,利用空间殖民法进行干曲线提取,即从给定起点及给定方向向前搜索一定的距离,利用搜索得到的点进行最小二乘圆柱拟合,得到新的起点及方向,重复以上过程直到前方搜索不到点。
在本发明的实施例中,在步骤四中,干曲线滤波主要包含以下步骤:
4-1,从干曲线中高度最低的点开始,依次选取K个点;
4-2.利用步骤4-1中的K个点采用最小二乘算法拟合空间直线;
4-3,根据步骤4-2中的直线设定距离阈值,剔除掉参与直线拟合的K个点中的外点;
4-4,从下一个点开始依次选取K个点,重复步骤4-1至步骤4-3,直到处理完所有的树干点。
在本发明的实施例中,在步骤五中包含以下子步骤:
5-1,由于贝塞尔曲线只能加密给定区间的控制点,而步骤四中得到的初始干曲线可能无法覆盖树木的全部高度,因此先对步骤四中得到的初始干曲线进行四次曲线拟合,即假设干曲线的坐标满足以下关系:
构建方程如下:
L=BX;
其中,根据最小二乘准则,可得:
X=(BTB)-1BTL;
代入点云数据P1中的最高点和最低点,得到相应的树干中心点,加入到粗糙的干曲线离散点;
5-2,对干曲线使用贝赛尔曲线进行加密,贝赛尔曲线的形式为:
其中
在本发明的实施例中,在步骤六中,将点云坐标从直角坐标系投影到柱面坐标系下主要包含以下子步骤:
6-1,根据待转换点的z值从干曲线中寻找其所在的树干中心区间[a,b],且满足za≤z≤zb;
6-2,利用线性插值得到待转换点所属的树干中心及对应直径(xc,yc,zc,dc);
6-3,重心化,即用待转换点的(xi,yi)坐标减去树干中心的(xc,yc)坐标,保持z值不变,得到重心化后的坐标(xig,yi,g,zi);
6-4,利用公式及/>得到数据点在以树干点为中心的极坐标系坐标系下的坐标(θi,g,ρi,g);
6-5,利用公式以及/>得到转换后的坐标(θpol,z,ρpol),所有点转换后得到柱面坐标系下的树木点云。
在本发明的实施例中,在步骤七包含以下子步骤:
7-1,对柱面坐标系下的树木点云进行滤波,由于在柱面坐标系下树干部分已较为平坦,直接过滤掉高程方向大于10cm的部分,得到粗糙的树干部分;
7-2,对步骤7-1得到的粗糙树干部分采用格网化的选权迭代曲面拟合法进行精细化过滤,得到所有的非树干部分,即树枝树叶点;
7-3,对步骤7-2得到的所有的树枝树叶点投影到直角坐标系下。
在本发明的实施例中,步骤八包含以下子步骤:
8-1,利用PCA算法对直角坐标系下的树枝树叶点云中的每个点p计算局部特征矩阵的三个特征值λ1≥λ2≥λ3,然后计算每个点的线性特征FLine和FPlanar,计算方式为:
8-2,判断FLine的值是否大于线性阈值σLine,若FLine>σLine,则先确定这样一条直线:以特征值λ1对应的特征向量为方向向量并且穿过局部重心的直线lp,然后计算点p到直线lp的距离disp,若disp<σdis,则认为点p是主要的线性点,并将点p加入到点集Pmain中,若disp>σdis,则认为点p是次要的线性点,并将点p加入到点集Ptwig中;若FL<σL,则转步骤8-3;
8-3,判断FPlanar的值是否大于面性阈值σPlanar,若FPlanar>σPlanar,则将点p投影到以局部重心为原点,三个特征向量为坐标轴的局部坐标系中,得到新的投影坐标为p′=(x′,y′,z′),计算p′在局部坐标系xoy平面上的投影到原点的距离disp′=sqrt(x′*x′′+y′*y′),若disp′<σdis,则认为点p是主要的面性点,并将点p加入到点集Pmain中,disp′>σdis,则认为点p是次要的面性点,并将点p加入到点集Ptwig中;若FPlanar<σPlanar,则将点p加入到点集Ptwig中;
8-4,遍历树枝树叶点云中的每一个点并重复执行步骤8-1到步骤8-3;
8-5,对Pmain进行欧式聚类,并删除点数特别少的聚簇,得到树枝点云。
在本发明的实施例中,步骤九包含以下子步骤:
9-1,联合树枝点云和干曲线,查询每个点的K近邻点,以欧氏距离为权建立无向连通图G;
9-2,利用克鲁斯卡尔算法对G求其最小生成树S。
在本发明的实施例中,步骤十包含以下子步骤:
10-1,选S中一点p,以p为起点,查询该点到S中第一个点的最短路径,若最短路径距离小于阈值dis_Th,则认为该点属于直接与树干相连接的部分;若距离大于阈值dis_Th,则认为该点属于不与树干相连接的部分;
10-2,对步骤10-1中得到的所有直接与树干相连接的点,删去该点与树干连接的边;
10-3,根据连通性得到此时S中所有的子连通路径,每一个子连通路径即为一个树枝聚簇,将这些树枝聚簇输出为B1。
在本发明的实施例中,步骤十一包含以下子步骤:
11-1,对每个树枝聚簇提取两个端点,距离树干近的端点标签为1,距离树干远的端点标签为2;
11-2,对每个树枝聚簇标签为2的端点进行最近邻点查询,若最近邻点标签为1,且不属于同一树枝聚簇,则判断此两端点间距离和夹角,若小于相应的阈值,则将两树枝聚簇进行合并;
11-3,重复步骤11-1和步骤11-2,直到聚簇集合没有可以进行连接的树枝,得到树枝聚簇集合B2。
在本发明的实施例中,步骤十二包含以下子步骤:
12-1,对B2中的每个树枝聚簇建立全连通图,任取其中一个点q作为起点,利用迪杰斯特拉算法找到距离点q最短路径最长的点s,再以点s为起点,找到距离点s最短路径最长的点e,取出由点s到点e最短路径上的点,此即为该点云聚簇上最长的一条连通路径;
12-2,利用道格拉斯普克算法对步骤12-1得到的连通路径进行简化,得到该树枝聚簇的骨架点;
12-3,遍历骨架点,计算相邻两点距离,相加可得树枝的枝长。
实施例2:
如图2和图14所示,本实施例所提供的基于点云数据快速提取树木枝干结构参数的方法包括以下步骤:
步骤1.采用徕卡RTC360三维激光扫描仪对一片树林样地进行扫描后,利用标靶坐标计算两站之间的坐标转换参数,对获取的点云数据进行拼接、建立索引和点云可视化;
步骤2.利用裁剪工具将目标树木裁剪成单独的点云数据,如图3所示;
步骤3.如图4的(a)所示,取高于树根30cm的部分投影到点云底部,拟合圆心,红色加粗点即为干曲线起点,以搜索距离30cm进行干曲线生长,所得干曲线离散点如图4的(b)所示;
步骤4.对步骤3所得干曲线离散点进行干曲线滤波,选取的K为5,阈值为5cm,如图5所示,红色点为被滤除掉的错误树干中心点;
步骤5.对粗糙的干曲线离散点进行加密,所得精细干曲线如图6所示;
步骤6.将原始的树木点云数据根据精细干曲线投影到柱面坐标系下,所得结果如图7所示;
步骤7.对柱面坐标系下的树木点云进行类地面滤波,格网尺寸大小为15cm,所得精细的树干部分如图8所示;
步骤8.将柱面坐标系除树干部分的点逆投影回直角坐标系下,结果如图9所示;
步骤9.对步骤8得到的点云进行树叶过滤,得到较为干净的树枝点云,如图10所示;
步骤10.对树枝点云建立最小生成树后根据拓扑性质划分为不同的聚簇,如图11所示;
步骤11.对树枝聚簇进行聚簇连接,连接前的树枝聚簇如图12的(a)所示,设定距离阈值为30cm,角度阈值45°进行连接,所得结果如图12的(b)所示;
步骤12.对树枝聚簇进行骨架化,所得骨架点如图13所示,此时的骨架点是有序的,因此对每个聚簇计算相邻两点之间的距离,然后相加即可得树枝的枝长。
由图4和图5可以看出,本发明提出的干曲线滤波可以有效地识别干曲线离散点中的粗差点,为后续生产精细的干曲线提供了良好的初始控制。
由图6可以看出:本发明提出的干曲线加密方法可以有效地弥补干曲线离散点的劣势,使树木的树干细节特征更加丰富。
由图8和图9可以看出,本发明提出的将树木点云投影到柱面坐标系下进行树干过滤的方案可以十分有效地提取出树干成分,可以更多地保留树枝的细节特征。
由图10可以看出,本发明提出的树叶过滤方法可以十分有效地过滤掉大部分的树叶,并且能十分安全地保留树枝成分。
由图11可以看出,本发明提出的根据邻接性的点云聚类方法可以有效地客服树枝连成一片导致的欠分割问题。
由图12可以看出,本发明提出的树枝聚簇连接方法可以十分有效地解决树木点云由于遮挡而造成的断裂。
由图13可以看出,本发明提出的骨架化策略得到的骨架点结果可以很好地契合原始点云,计算的枝长参数十分可靠。
本发明实施例提供的提取树木枝干结构参数的系统,包括:
坐标系建立模块,用于测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
数据处理模块,用于对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;联合树枝树叶点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
数据集合获取模块,用于依据S的拓扑特征对树枝树叶点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长等结构参数。
为了对比本方法与现有方法的效果,使用本发明提供的方法和TreeQSM算法对同一棵树进行树枝结构参数提取。TreeQSM是目前使用较广泛的一个树木结构参数提取算法,其基本思想是用最小覆盖集将整棵树分割为一个一个没有分叉的小聚簇,然后对每个小聚簇拟合圆柱来重建树木的枝干结构。相比较TreeQSM而言,本发明提供的方法可以有效减少错误识别的树枝点,并且本发明提供的方法还可以识别出树干底部的细小树枝,而TreeQSM算法无法剔除错误识别的树枝点,并且无法有效识别树干下部的细小树枝。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种提取树木枝干结构参数的方法,其特征在于,包括:
测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;联合树枝树叶点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
依据S的拓扑特征对树枝树叶点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长结构参数。
2.如权利要求1所述的提取树木枝干结构参数的方法,其特征在于,所述提取树木枝干结构参数的方法,包括以下步骤:
步骤一,分站测量采集目标树木的点云数据,利用标靶坐标计算相邻两站之间的坐标转换参数,进而进行点云配准和去噪;
步骤二,对点云数据进行截取,得到单株树的原始点云;
步骤三,从原始点云中提取初始干曲线;
步骤四,对步骤三得到的初始干曲线进行过滤,剔除掉错误的树干中心;
步骤五,利用贝塞尔曲线对步骤四得到的初始干曲线进行加密,得到最终的树木干曲线;
步骤六,对原始点云中的每个点从干曲线中寻找对应高度的树干中心,并将其投影至极坐标系中,得到局部极坐标(θ,ρ),最终将原始点云中所有的点投影到柱面坐标系(θ,z,ρ),得到柱面坐标系下的树木点云;
步骤七,对柱面坐标系下的树木点云进行滤波去除掉树干点,找到树枝树叶点,并投影至直角坐标系,得到树枝树叶点云;
步骤八,根据局部几何特征对树枝树叶点云进行过滤,得到树枝点云;
步骤九,联合树枝点云和干曲线建立带权无向图G,利用克鲁斯卡尔算法对G求其最小生成树S;
步骤十,根据最小生成树S的拓扑特征,将树枝点云中的点进行聚类得到点云聚簇集合B1,B1中每个聚簇中包含一个树枝所有的点;
步骤十一,对树枝聚簇集合B1中的不同树枝根据方向夹角和距离进行连接,得到最终的树枝聚簇集合B2,B2中的聚簇个数即为该树的一级枝个数;
步骤十二,对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝数量及枝长等结构参数;
步骤十三,输出树高、胸径、一级枝个数、一级枝枝长参数。
3.如权利要求2所述的提取树木枝干结构参数的方法,其特征在于,所述步骤一中在目标树木周围均匀地布置靶标球,再将地面三维激光扫描仪分站架设在树木的四周采集点云数据,确保两站之间至少有四个共同标靶;
步骤三中包含以下子步骤:
3-1,选取高于树根30cm范围的点云,沿垂直方向投影至xoy平面,利用RANSAC算法拟合圆,得到圆心坐标(xo,yo),取P1中z坐标的最小值zmin,即得到树木的底部中心坐标(xo,yo,zmin);
3-2,利用空间殖民法进行干曲线提取,即从给定起点及给定方向向前搜索一定的距离,利用搜索得到的点进行最小二乘圆柱拟合,得到新的起点及方向,重复以上过程直到前方搜索不到点;
步骤四中,干曲线滤波包含以下步骤:
4-1,从干曲线中高度最低的点开始,依次选取K个点;
4-2.利用步骤4-1中的K个点采用最小二乘算法拟合空间直线;
4-3,根据步骤4-2中的直线设定距离阈值,剔除掉参与直线拟合的K个点中的外点;
4-4,从下一个点开始依次选取K个点,重复步骤4-1至步骤4-3,直到处理完所有的树干点。
4.如权利要求2所述的提取树木枝干结构参数的方法,其特征在于,所述步骤五中包含以下子步骤:
5-1,先对步骤四中得到的初始干曲线进行四次曲线拟合,即干曲线的坐标满足以下关系:
构建方程如下:
L=BX;
其中,根据最小二乘准则,可得:
X=(BTB)-1BTL;
代入点云数据P1中的最高点和最低点,得到相应的树干中心点,加入到粗糙的干曲线离散点;
5-2,对干曲线使用贝赛尔曲线进行加密,贝赛尔曲线的形式为:
其中
步骤六中,将点云坐标从直角坐标系投影到柱面坐标系下主要包含以下子步骤:
6-1,根据待转换点的z值从干曲线中寻找其所在的树干中心区间[a,b],且满足za≤z≤zb;
6-2,利用线性插值得到待转换点所属的树干中心及对应直径(xc,yc,zc,dc);
6-3,重心化,即用待转换点的(xi,yi)坐标减去树干中心的(xc,yc)坐标,保持z值不变,得到重心化后的坐标(xi,g,yi,g,zi);
6-4,利用公式及/>得到数据点在以树干点为中心的极坐标系坐标系下的坐标(θi,g,ρi,g);
6-5,利用公式以及/>得到转换后的坐标(θpol,z,ρpol),所有点转换后得到柱面坐标系下的树木点云;
步骤七包含以下子步骤:
7-1,对柱面坐标系下的树木点云进行滤波,由于在柱面坐标系下树干部分已较为平坦,直接过滤掉高程方向大于10cm的部分,得到粗糙的树干部分;
7-2,对步骤7-1得到的粗糙树干部分采用格网化的选权迭代曲面拟合法进行精细化过滤,得到所有的非树干部分,即树枝树叶点;
7-3,对步骤7-2得到的所有的树枝树叶点投影到直角坐标系下。
5.如权利要求2所述的提取树木枝干结构参数的方法,其特征在于,所述步骤八包含以下子步骤:
8-1,利用PCA算法对直角坐标系下的树枝树叶点云中的每个点p计算局部特征矩阵的三个特征值λ1≥λ2≥λ3,然后计算每个点的线性特征FLine和FPlanar,计算方式为:
8-2,判断FLine的值是否大于线性阈值σLine,若FLine>σLine,则先确定这样一条直线:以特征值λ1对应的特征向量为方向向量并且穿过局部重心的直线lp,然后计算点p到直线lp的距离disp,若disp<σdis,则认为点p是主要的线性点,并将点p加入到点集Pmain中,若disp>σdis,则认为点p是次要的线性点,并将点p加入到点集Ptwig中;若FL<σL,则转步骤8-3;
8-3,判断FPlanar的值是否大于面性阈值σPlanar,若FPlanar>σPlanar,则将点p投影到以局部重心为原点,三个特征向量为坐标轴的局部坐标系中,得到新的投影坐标为p′=(x′,y′,z′),计算p′在局部坐标系xoy平面上的投影到原点的距离disp′=sqrt(x′*x′+y′*y′),若disp′<σdis,则认为点p是主要的面性点,并将点p加入到点集Pmain中,disp′>σdis,则认为点p是次要的面性点,并将点p加入到点集Ptwig中;若FPlanar<σPlanar,则将点p加入到点集Ptwig中;
8-4,遍历树枝树叶点云中的每一个点并重复执行步骤8-1到步骤8-3;
8-5,对Pmain进行欧式聚类,并删除点数特别少的聚簇,得到树枝点云;
步骤九包含以下子步骤:
9-1,联合树枝点云和干曲线,查询每个点的K近邻点,以欧氏距离为权建立无向连通图G;
9-2,利用克鲁斯卡尔算法对G求其最小生成树S。
6.如权利要求2所述的提取树木枝干结构参数的方法,其特征在于,所述步骤十包含以下子步骤:
10-1,选S中一点p,以p为起点,查询该点到S中第一个点的最短路径,若最短路径距离小于阈值dis_Th,则认为该点属于直接与树干相连接的部分;若距离大于阈值dis_Th,则认为该点属于不与树干相连接的部分;
10-2,对步骤10-1中得到的所有直接与树干相连接的点,删去该点与树干连接的边;
10-3,根据连通性得到此时S中所有的子连通路径,每一个子连通路径即为一个树枝聚簇,将这些树枝聚簇输出为B1。
7.如权利要求2所述的提取树木枝干结构参数的方法,其特征在于,所述步骤十一包含以下子步骤:
11-1,对每个树枝聚簇提取两个端点,距离树干近的端点标签为1,距离树干远的端点标签为2;
11-2,对每个树枝聚簇标签为2的端点进行最近邻点查询,若最近邻点标签为1,且不属于同一树枝聚簇,则判断此两端点间距离和夹角,若小于相应的阈值,则将两树枝聚簇进行合并;
11-3,重复步骤11-1和步骤11-2,直到聚簇集合没有可以进行连接的树枝,得到树枝聚簇集合B2;
步骤十二包含以下子步骤:
12-1,对B2中的每个树枝聚簇建立全连通图,任取其中一个点q作为起点,利用迪杰斯特拉算法找到距离点q最短路径最长的点s,再以点s为起点,找到距离点s最短路径最长的点e,取出由点s到点e最短路径上的点,此即为该点云聚簇上最长的一条连通路径;
12-2,利用道格拉斯普克算法对步骤12-1得到的连通路径进行简化,得到该树枝聚簇的骨架点;
12-3,遍历骨架点,计算相邻两点距离,相加可得树枝的枝长。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~7任意一项所述提取树木枝干结构参数的方法。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~7任意一项所述提取树木枝干结构参数的方法。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~7任意一项所述提取树木枝干结构参数的方法。
11.一种基于权利要求1~7任意一项所述提取树木枝干结构参数的方法的提取树木枝干结构参数的系统,其特征在于,所述提取树木枝干结构参数的系统包括:
坐标系建立模块,用于测量采集树木的点云数据,进行点云配准和去噪;截取单株树,得到原始点云数据;从原始点云数据中提取初始干曲线,并利用贝塞尔曲线进行加密,得到最终的树木干曲线;对原始点云数据中的每个点从干曲线中查找到对应高度的树干中心,将原始点云数据从直角坐标系投影至柱面坐标系;
数据处理模块,用于对柱面坐标系下的点云进行滤波,找到树枝树叶点并转换回直角坐标系;联合树枝树叶点和干曲线建立加权连通图G,利用克鲁斯卡尔算法求G的最小生成树S;
数据集合获取模块,用于依据S的拓扑特征对树枝树叶点聚类得到聚簇集合B1;对树枝聚簇集合B1中的树枝根据方向夹角和距离进行连接,使因遮挡而没有归为一簇的树枝变为同一个树枝,得到最终的树枝聚簇集合B2;对树枝聚簇集合B2中的每个树枝进行骨架化,最终得到树枝枝长结构参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188592.XA CN117522945A (zh) | 2023-09-13 | 2023-09-13 | 提取树木枝干结构参数的方法、系统、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188592.XA CN117522945A (zh) | 2023-09-13 | 2023-09-13 | 提取树木枝干结构参数的方法、系统、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522945A true CN117522945A (zh) | 2024-02-06 |
Family
ID=89750136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188592.XA Pending CN117522945A (zh) | 2023-09-13 | 2023-09-13 | 提取树木枝干结构参数的方法、系统、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522945A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032495A1 (ja) * | 2008-09-16 | 2010-03-25 | 株式会社アドイン研究所 | 樹木情報計測方法、樹木情報計測装置、プログラム |
CN104794750A (zh) * | 2015-04-10 | 2015-07-22 | 西北农林科技大学 | 一种基于空间殖民算法的树点云三维重建方法 |
CN114219912A (zh) * | 2021-11-22 | 2022-03-22 | 北京林业大学 | 一种从地基激光雷达点云中自动重建树木结构的方法 |
CN115187979A (zh) * | 2022-06-08 | 2022-10-14 | 电子科技大学 | 一种基于图论的单木点云枝叶分离方法 |
CN116071653A (zh) * | 2023-02-16 | 2023-05-05 | 浙江农林大学 | 基于自然图像的树木多级枝干结构自动提取方法 |
-
2023
- 2023-09-13 CN CN202311188592.XA patent/CN117522945A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010032495A1 (ja) * | 2008-09-16 | 2010-03-25 | 株式会社アドイン研究所 | 樹木情報計測方法、樹木情報計測装置、プログラム |
CN104794750A (zh) * | 2015-04-10 | 2015-07-22 | 西北农林科技大学 | 一种基于空间殖民算法的树点云三维重建方法 |
CN114219912A (zh) * | 2021-11-22 | 2022-03-22 | 北京林业大学 | 一种从地基激光雷达点云中自动重建树木结构的方法 |
CN115187979A (zh) * | 2022-06-08 | 2022-10-14 | 电子科技大学 | 一种基于图论的单木点云枝叶分离方法 |
CN116071653A (zh) * | 2023-02-16 | 2023-05-05 | 浙江农林大学 | 基于自然图像的树木多级枝干结构自动提取方法 |
Non-Patent Citations (3)
Title |
---|
唐丽玉;张浩;黄洪宇;陈崇成;: "基于点云数据的树木三维重建方法改进", 农业机械学报, no. 02, 28 February 2017 (2017-02-28), pages 186 - 194 * |
李巍岳;刘春;吴杭彬;孙伟伟;: "一种稀疏点云环境下的单株树骨架提取算法", 遥感信息, no. 06, 31 December 2014 (2014-12-31), pages 84 - 89 * |
赵艳妮;郭华磊;: "一种树枝点云的骨架提取方法", 计算机与数字工程, no. 07, 20 July 2016 (2016-07-20), pages 1333 - 1337 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
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 | |
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN112990976B (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
Li et al. | An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner | |
CN106845399A (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 | |
CN109816664A (zh) | 一种三维点云分割方法及装置 | |
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 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN109002418B (zh) | 基于体素生长和地面激光点云的树木胸径自动计算方法 | |
CN107832849A (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN115953607A (zh) | 一种使用点云数据的树干胸径的提取方法和系统 | |
CN115205690A (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
Tan et al. | Discriminating forest leaf and wood components in TLS point clouds at single-scan level using derived geometric quantities | |
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 | |
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 | |
Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
CN117522945A (zh) | 提取树木枝干结构参数的方法、系统、计算机设备及介质 | |
CN102062860A (zh) | 基于单木位置与地表信息的地基激光雷达数据配准方法 | |
CN115661398A (zh) | 一种用于实景三维模型的建筑物提取方法、装置及设备 | |
CN115631136A (zh) | 基于3d点云图像的木荷苗表型参数快速测量方法 | |
CN116109500A (zh) | 一种输电线路的点云修复方法、装置及存储介质 | |
CN115187979A (zh) | 一种基于图论的单木点云枝叶分离方法 |
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 |