论文部分内容阅读
森林资源对生态系统和人类生活有着十分重要的作用,获取准确的树木参数是森林资源调查的基本工作,也是开展农林生态研究和虚拟环境模拟的前提条件。侧视激光雷达(LiDAR)通过高精度侧视扫描的方式,能够快速获取树干、冠层表面和部分冠层内部结构的点云数据,十分利于单木尺度的树木科学研究和精确林木参数提取。从LiDAR数据中分割出单木点云,是进行单木参数提取和后续深入研究的前提条件,已经成为LiDAR技术研究的热点。 侧视LiDAR数据是空间离散的高密度三维点云,数据量庞大且无法存储空间拓扑信息,点云中存在许多因遮挡产生的间隙,加上不同树种、不同生长环境和不同物候状态下的树木形态差异较大,从侧视LiDAR数据中有效分离出单木点云存在较大难度。对此,论文提出了一套多层次单木点云分割技术,该技术以自适应八叉树结构为基础,用自适应八叉树叶节点代替LiDAR点云分别进行区域级、单木级和冠层级的分割,再根据叶节点与激光数据点的对应关系对原始LiDAR点云进行类别标记,从而实现单木点云的分割。具体研究内容如下: (1)自适应八叉树点云索引。侧视LiDAR数据拥有很高的激光点密度和数据冗余度,且无空间邻接关系,直接对其进行处理将在空间检索上耗费大量计算机资源,效率十分低下,因而建立高效的点云索引机制十分必要。既有点云索引方法中,八叉树在构建时间和检索效率上均有较好的表现,但结构中存在大量“虚胖”节点,叶节点位置精度较低,对原始点云的替代性不高;对此,研究通过对节点分裂规则进行修改,提出了一种自适应八叉树索引结构。利用LiDAR数据进行的索引构建结果表明,自适应八叉树索引与传统八叉树索引相比,索引构建效率略低,邻域检索效率相当,节点位置精度更高。 (2)多层次单木点云分割技术。针对侧视LiDAR数据,借助自适应八叉树结构,分别从区域级、单木级和冠层级进行自上而下的单木点云分割。首先对点云进行预处理操作,滤除地面点和建筑物立面点;然后进行区域级分割,对点云构建自适应八叉树,根据叶节点空间邻接关系对预处理后的LiDAR数据进行空间聚类,将离散点云聚类为局部区域的点集;接着进行单木级分割,对每个聚为一类的点集重新构建自适应八叉树,生成叶节点水平分布直方图,通过分析直方图局部形态特征进行树干检测提取,根据树干位置对水平空间进行Voronoi分割,得到树木核心区和冠层重叠区,并完成除重叠冠层以外的其余部分分割;最后进行冠层级分割,从数据结构、分割流程和图节点相似度上对传统归一化切分(Ncut)方法进行改进,然后使用改进的Ncut方法对相邻树木间的重叠冠层点云进行分割,将其划分到各自所属的树木点云中,实现单木点云的完整分割。 分别利用采集自不同环境下的一套地面LiDAR数据与一套车载LiDAR数据对研究提出的技术框架进行实验验证,结果表明,该技术框架能够对侧视LiDAR数据进行有效单木点云分割,两套LiDAR数据均达到了94%的总体分割精度。此外,单木级分割中,结合直方图形态特征和地面连通性的树干检测策略,能够同时适用于高密度树木区域和低密度树木区域,拓宽了方法的适用范围;冠层级分割中,改进的图结点相似度计算方法使得枝条末梢也有较好的分割结果,保障了分割结果的细节程度。