一种基于半径扩展的层次级单棵树木提取方法技术

本发明专利技术公开了一种基于半径扩展的层次级单棵树木提取方法，包括对场景进行分类，提取出其中的树点并利用滤波算法进行去噪；通过建立局部坐标参考系来确定投影方向，从投影点中找到局部极大值平滑差值的正负交叉点，通过设置高度阈值找到潜在树顶点，通过欧式距离对潜在树顶点进行合并优化；利用点云数据与圆的关系进行自顶向下逐层分割实现单棵树木的提取。本发明专利技术解决了提取结果受噪声干扰、场景复杂性以及数据不完整性等因素影响的问题。以及数据不完整性等因素影响的问题。以及数据不完整性等因素影响的问题。

【技术实现步骤摘要】
一种基于半径扩展的层次级单棵树木提取方法


[0001]本专利技术属于计算机视觉及人工智能
，涉及一种基于半径扩展的 层次级单棵树木提取方法。

技术介绍

[0002]树木作为室外场景中的重要元素之一，对于当地的气候条件、空气质量 和生态系统具有十分重要的作用，间接影响着居民的健康和生活质量。单棵 树木提取已被广泛用于各种应用中，例如监视树木的生长与健康、车辆和行 人的导航和定位、大规模室外场景的3D建模，以及城市绿量估计。因此， 对于树木的检测和提取是十分必要的。而MLS技术的快速发展也为我们带 来了更加丰富的树木结构信息，为树木提取提供了更多方法。
[0003]目前，国内外学者对于树木的处理方式主要分为两种：基于栅格化数据 的方法和基于点云数据的方法。基于栅格化数据的方法通常是把点云转换为 树冠高度模型(canopy height model,CHM)，然后使用模板匹配、区域生长和 分水岭等2D图像处理技术进行单棵树木的提取。其中，分水岭算法是一种 传统的基于拓扑理论的图像分割算法，通过在相邻集水盆的汇合处建立分水 岭能够很好地实现单棵树冠分割。Koch等通过固定窗口检测出局部极大值， 然后利用分水岭进行树木检测，但是检测结果往往取决于窗口大小。考虑到 树木提取结果很大程度上依赖于局部极大值的检测，Chen等提出了一种基 于标记点控制的分水岭算法，根据树冠和树高设置窗口大小，通过将动态窗 口提取的种子点作为标记进行分水岭法来实现更加精细的单棵树木分割。 Mongus等通过使用局部拟合曲面检测CHM中的树顶点，然后将树顶点作 为分水岭算法的标记，并基于高度、面积和形状进行区域合并来减少过分割 问题。Li等提出一种多尺度的局部极大值算法，以提高不同空间分辨率下获 得的局部极大值的精度，从而将激光雷达点云分割成单棵树。因此，虽然分 水岭算法的分割结果比较稳定，但是容易产生多个局部极值引起过分割现 象。而且在生成CHM的过程中，会对原始点云数据进行平滑移除等操作， 只保留表面高程信息，导致无法充分利用点云的三维信息。
[0004]基于点云数据的方法主要依赖于点云数据特有的信息，包括属性特征、 局部几何特征和全局特征，并结合树木结构特点来完成检测。国内外学者主 要采用两种策略提取树木：1)基于聚类分类的策略；2)基于形状拟合的策 略。Morsdorf等使用聚类方法完成树木的分割，将通过数字表面模型(DSM) 获得的局部极大值作为k均值聚类的种子点进行单树提取，但该方法适用于 均匀分布的点云数据。Li等通过在树干上选取合适的种子点进行双重生长分 别提取出树干与树冠部分。Zhong等分析八叉树节点的水平直方图来检测树 干，利用改进Ncut方法对重叠树冠进行分割。Fan等首先从场景中提取杆状 物体，接着计算全局和局部特征，利用随机森林进行分类实现单棵树木的提 取。上述三种方法在提取树木之前首先均需要根据地面检测算法剔除地面， 其次在提取单棵树木时需要利用树木与其他物体的特征差异去除干扰物体。 但是由于这些特征的表达能力往往依赖于点云数据的质量且难以表示场景 整体的语义特征，因此在复杂场景中的应用效果有限。近年来，深度学
习在 点云领域取得了突破性进展，其中PointNet第一个应用在点云数据上的端到 端网络，它通过引入空间变换网络和最大池化分别解决了点云数据的置换不 变性和无序性问题。Luo等人利用语义分割网络从原始点云中分割树点，并 提出了PDE
‑
Net网络预测每个树簇指向树中心的方向来实现单棵树木的提 取。因此，基于深度学习的语义分割方法有效克服了点云数据的非结构化、 不均匀性等固有特性，为从原始点云中提取树点提供了有效的解决方案。

技术实现思路

[0005]本专利技术的目的是提供一种基于半径扩展的层次级单棵树木提取方法，解 决了树点提取不准确的问题。
[0006]本专利技术所采用的技术方案是，一种基于半径扩展的层次级单棵树木提取 方法，具体按照如下步骤实施：
[0007]步骤1，使用主成分分析算法PCA获取原始场景中每个点的维度特征， 通过将这些特征输入到PointNet网络来对场景进行分类，提取出其中的树点 并利用滤波算法进行去噪；
[0008]步骤2，对于去噪后的树点，通过建立局部坐标参考系来确定投影方向， 从投影点中找到局部极大值平滑差值的正负交叉点，通过设置高度阈值找到 潜在树顶点，通过欧式距离对潜在树顶点进行合并优化；
[0009]步骤3，确定树顶点的位置后，基于距离进行初步聚类来获得每个簇的 矩形和圆所在的区域，利用点云数据与圆的关系进行自顶向下逐层分割实现 单棵树木的提取。
[0010]本专利技术的特点还在于，
[0011]步骤1具体为：
[0012]步骤1.1，维度特征提取，将维度特征引入到语义分割中；
[0013]步骤1.2，基于语义分割的树木检测，在获得维度特征后，使用PointNet 网络对原始场景的点云数据进行分割；
[0014]步骤1.3，分割结果优化，依语义分割结果提取出所有的树点，使用PCL 中的直通滤波器和统计滤波器进行噪声点和离群点的剔除。
[0015]步骤1.1具体为：
[0016]步骤1.1.1，给定点云数据集P＝{p1,p2,...p
N
}，N为点云数据的个数，给 定邻域点的范围[k
min
,k
max
]，然后将邻域k
i
初始化为k
min
；
[0017]步骤1.1.2，从三维点云中选取点p
i
局部邻域点并构建协方差矩阵，依据 PCA算法计算得到其特征值λ1、λ2、λ3，λ1≥λ2≥λ3；
[0018]步骤1.1.3，利用特征值计算三个不同维度特征的值，
[0019][0020]式(1)中，pro
1D
、pro
2D
、以及pro
3D
分别表示该点属于线状点、平面点 和散乱点的概率；
[0021]步骤1.1.4，计算点p
i
的香农熵值Entropy：
[0022]Entropy＝
‑
pro
1D
ln(pro
2D
)
‑
pro
2D
ln(pro
2D
)
‑
pro
3D
ln(pro
3D
),
ꢀꢀ
(2)
[0023]记录此时的熵值，熵值越小，代表该点包含的信息越小，维度特征越单 一；
[0024]步骤1.1.5，如果k
i
＜k
max
，转到步骤1.1.2，令k
i
＝k
i
+Δk，Δk为邻域k
i
的 增量，值为1，计算对应p
i
维度特征，否则，转到步骤1.1.6；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半径扩展的层次级单棵树木提取方法，其特征在于，具体按照如下步骤实施：步骤1，使用主成分分析算法PCA获取原始场景中每个点的维度特征，通过将这些特征输入到PointNet网络来对场景进行分类，提取出其中的树点并利用滤波算法进行去噪；步骤2，对于去噪后的树点，通过建立局部坐标参考系来确定投影方向，从投影点中找到局部极大值平滑差值的正负交叉点，通过设置高度阈值找到潜在树顶点，通过欧式距离对潜在树顶点进行合并优化；步骤3，确定树顶点的位置后，基于距离进行初步聚类来获得每个簇的矩形和圆所在的区域，利用点云数据与圆的关系进行自顶向下逐层分割实现单棵树木的提取。2.根据权利要求1所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤1具体为：步骤1.1，维度特征提取，将维度特征引入到语义分割中；步骤1.2，基于语义分割的树木检测，在获得维度特征后，使用PointNet网络对原始场景的点云数据进行分割；步骤1.3，分割结果优化，依语义分割结果提取出所有的树点，使用PCL中的直通滤波器和统计滤波器进行噪声点和离群点的剔除。3.根据权利要求2所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤1.1具体为：步骤1.1.1，给定点云数据集P＝{p1,p2,...p
N
}，N为点云数据的个数，给定邻域点的范围[k
min
,k
max
]，然后将邻域k
i
初始化为k
min
；步骤1.1.2，从三维点云中选取点p
i
局部邻域点并构建协方差矩阵，依据PCA算法计算得到其特征值λ1、λ2、λ3，λ1≥λ2≥λ3；步骤1.1.3，利用特征值计算三个不同维度特征的值，式(1)中，pro
1D
、pro
2D
、以及pro
3D
分别表示该点属于线状点、平面点和散乱点的概率；步骤1.1.4，计算点p
i
的香农熵值Entropy：Entropy＝
‑
pro
1D
ln(pro
2D
)
‑
pro
2D
ln(pro
2D
)
‑
pro
3D
ln(pro
3D
), (2)记录此时的熵值，熵值越小，代表该点包含的信息越小，维度特征越单一；步骤1.1.5，如果k
i
＜k
max
，转到步骤1.1.2，令k
i
＝k
i
+Δk，Δk为邻域k
i
的增量，值为1，计算对应p
i
维度特征值，否则，转到步骤1.1.6；步骤1.1.6，统计不同邻域半径下的维度特征对应的熵值，将熵值最小时的维度特征值作为点p
i
的最佳特征值。4.根据权利要求2所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤1.2具体为：步骤1.2.1，将点云数据的空间坐标和维度特征组合成六维数据(x，y，z，pro
1D
，pro
2D
，pro
3D
)数据输入到网络中，经过一个共享多层感知机MLP和两个T
‑
Net将N*6维的数据转变为利于分割N*64维的数据，得到点云数据的局部特征；
步骤1.2.2，通过一个共享MLP得到N*1024的高维数据，并利用maxpool 得到1*1024的全局特征；步骤1.2.3，将64维的局部特征和1024维的全局特征进行拼接，得到N*1088的数据，再经过一个共享的MLP，得到表示每个点属于树点和非树点的概率的N*2维矩阵，完成场景语义分割，将点云数据分为树点和非树点。5.根据权利要求2所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤1.3中直通滤波器和统计滤波器进行噪声点和离群点的剔除具体为：直通滤波器通过确定点云数据X轴,Y轴,Z轴的范围，快速去除离群点；统计滤波器通过计算每个点到临近点的平均距离，并与给定均值和方差对比剔除掉噪声点。6.根据权利要求4所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤2具体为：步骤2.1，根据局部坐标参考系确定投影方向，利用PCA算法计算得到投影点簇的最大的三个特征值和特征向量，选取X轴和Z轴所在平面作为投影方向；步骤2.2，对噪声点进行处理，剔除投影后的重复点，基于去噪的数据提取局部极大值，根据局部极大值定位潜在树顶点，计算所有潜在峰值点之间的欧式距离，将峰值点之间的距离按升序排序，重新计算峰值点对之间的距离并进行距离评估，直到所有峰值点之间的距离均不小于距离阈值时合并结束。7.根据权利要求6所述的一种基于半径扩展的层次级单棵树木提取方法，其特征在于，所述步骤2.1具体为：步骤2.1.1，根据局部坐标参考系确定投影方向：假设检测到的树点集合T＝{t
i
|i＝1,2,...,N
t
}，N
t
为树点个数；定义平面模型ax+by+cz+d＝0，其中a＝b＝d＝0，c＝1；将T中的点云数据进行水平面投影；步骤2.1.2，利用PCA算法计算得到投影点簇的最大的三个特征值和特征向量，将最大特征值对应的特征向量v1所在方向作为X轴，中间特征值对应的特征向量v2所在方向作为Y轴，最小特征值对应的特征向量v3所在方向作为Z轴来建立局部坐标参考系；步骤2.1.3，选取X轴和Z轴所在平面作为投影方向，将场景数据沿着Y轴进行投影，对所有的树点计算质心，式(3)中，n是所有投影点的质心点；将质心n所在的XOZ平面作为投影平面，则投影平面的法向量为v2，坐标为(a,b,c)，设投影后的数据集为T'＝{t
i
'|i＝1,2,...N
t
}，t
i<...

【专利技术属性】
技术研发人员：宁小娟，马一舒，侯媛媛，金海燕，隋连升，石争浩，王映辉，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：