一种基于树冠三维点云分布的单木分割方法与流程

本发明属于机载激光雷达点云数据处理技术领域，具体涉及一种基于树冠三维点云分布的单木分割方法。

背景技术：

激光雷达(lightdetectionandranging，lidar)是近年来发展十分迅速的主动遥感技术，主要通过测定传感器发出的激光在传感器与目标物体之间传播的距离，分析目标地物表面的反射能量大小以及反射波谱的幅度、频率和相位等信息，呈现目标物精确的三维结构信息。可以直接、快速、精确地获取研究对象的三维空间坐标，具有独特的优势。

森林是地球最大的陆地生态系统，森林结构参数是刻画森林生长、评价生态功能的重要指标，准确测量森林中单木的各个结构参数对于精确和可持续性地管理森林至关重要。常用的单木参数包括枝下高、胸径、树木位置、树高和树种等，这些参数是定量进行森林分析和生态系统管理所必需的。而所有的森林参数的测量都建立在精确的单木识别上，那么单木识别是其不可或缺的一部分。而单木分割是指从激光雷达点云数据中识别出每一棵树，是提取单木尺度森林数据的重要前提。近十几年来，单木分割一直是激光雷达林业应用研究的热点方向。利用单木分割技术，可以不用耗费大量劳动就能获取森林参数，这对森林管理具有非常重要的意义。

国内外学者利用机载激光雷达数据做了非常多的关于单木分割的研究，主要分为基于冠层高度模型(canopyheightmodel，chm)的单木分割算法和直接基于点云的单木分割算法两大类。

chm是植被冠层顶部的激光雷达点使用差值的方法建立的。使用基于chm的算法进行单木分割时，因为生成chm的差值过程和仅仅利用了每个栅格中高程的最大值的特性，因此可能具有固有误差和不确定性。例如，在从点云到网格高度模型的插值过程中，可能引入空间误差；而在分割过程中对于森林垂直冠层中部及下层较矮树木，由于遮盖的原因就无法完全在chm中表现出来，这会降低单木分割和相关测量的精度。

而基于点云的单木分割算法比基于chm的算法更直接，是直接对原始激光点云数据进行分割，可以提升森林中下层受上层单木抑制的小树的探测可能性。比如reitberger等(2009)基于机载全波形激光雷达数据，运用归一化方法分割林区冠层，因其利用树顶和树干作为先验知识，中下层的单木探测率得到显著提高，但树干的探测精度易受点云密度与冠层间隙率影响。

lee等(2010)开发了一种自适应聚类方法，用于从松林的原始激光雷达三维点数据中分割出单株树木，该方法类似于分水岭分割的概念，但是它需要足够的训练数据用于监督学习，并且该方法在混合复杂森林中的分割性能还没得到认证。

li等(2012)提出了一种区域增长结合阈值判断的方法，用于进行针阔混交林的单木分割，该方法充分利用了树木之间，特别是树的顶部存在一定的距离这一现象，首先假定最高点为树高点，从该点进行区域生长，分割出一棵树，以此迭代，每次分割出一棵树，直到所有的树全部分出。

苏练等(2017)提出了一种基于机载激光点云聚集关系的单木分割方法，该方法基于原始点云数据，根据单棵树内的机载激光点云在三维空间上的聚集关系以及邻近的树与树之间的点云在三维空间上的聚集关系进行单木分割，但该方法比较依赖先验知识，利用实测目标树木数据优势植被的最小冠幅作为初始分割的聚类标准。相比基于chm的算法，该类算法避免了点云差值生成chm这一过程所带来的误差但该类方法却存在因点云数量大所导致的运算复荷大、相应算法开发难度大且比较依赖先验知识才能较准确分割等问题。

技术实现要素：

针对上述存在的问题或不足，本发明提供了一种基于树冠三维点云分布的单木分割方法，基于原始点云数据，根据树冠形状变化趋势，分析树冠的点云分布特征，摆脱对先验数据的依赖进行单木分割。

具体技术方案如下：

步骤1、去噪与滤波：

由于激光雷达扫描设备的精度、被测物体的特性以及周围的环境因素，使点云数据中经常包含着不合理的噪声点，影响后续的点云处理。所以首先将原始机载激光雷达点云数据进行去噪处理。激光点云数据中主要为植被冠层激光点、地面点以及少量的人工目标点(建筑物、房屋、电线杆等)。单木分割算法只是针对植被冠层点云数据，因此针对去噪后的点云数据进行滤波，将地面点与非地面点分离。

步骤2、点云数据归一化：

为了消除地形对点云数据处理过程的影响，去噪和滤波之后的点云数据需要进行归一化处理，即将去噪后的点云数据高程值z减去利用滤波所得的地面点生成的数字高程模型(dem,digitalelevationmodel)的高度。归一化后，每个点的z值是点与地面的真实垂直距离，当点在树顶时，它的z值即为树高。

步骤三、提取树冠轮廓点：

对归一化后的植被冠层点云数据在x-y平面以边长为a分块，a的大小由以下公式来得到：

式中，ρmax为最大点密度，seffective为样方有效面积即有植被冠层点云的面积，ntotal为样方植被冠层的总点数。提取每块中z方向上的最高点，作为树冠轮廓点，去除其他点，即树木内部点(原理如图2)。减少树木内部点以及部分大枝丫的点云对本单木分割算法精度造成的影响，减少出现过分割的概率。

步骤四、趋势判别法：

(1)在未编码(默认编码为0)的树冠轮廓点中寻找坐标z值最大的点z_max，将该点的编码设置为k(k≥1，不同的树的编码用不同的数字k，同一棵树的所有点用同一个数字k)。

(2)寻找离z_max最近的3～5颗点，依次判断这些点与z_max之间是否满足趋势判别原理(原理图如图3)。在满足趋势判别原理的点中找到中位点作为新的z_max点，然后再重复(2)直到遍历完所有的树冠轮廓点。

(3)根据(2)的遍历，将所有满足趋势判别原理条件的树冠轮廓点的编码设置为k，其余不满足条件的树冠轮廓点的编码保持不变。

(4)将已经编码过的点从树冠轮廓点中去除，防止它们参与下一次循环，并将树编码号变为k+1。

(5)当所有的树冠轮廓点的编码都不为0时，执行下一步，否则循环执行(1)至(4)。

步骤五、删除错误编码树：

如果属于同一编码号的树的点云数量不足x颗点，其中则将此树的点的编码修改为未编码状态，即编码号修改为零。当确定了所有的具有相同编码号的树，则结束分割算法。

步骤三和步骤四的所涉及的原理：

提取树冠轮廓点的原理：

主要是指对提取出的植被点在x-y平面以边长为a分块。提取每块中z方向上的最高点，作为树冠轮廓点，去除其他点，即树木内部点(如图2(a)和(c)所示)，因为本发明是根据树冠的形状变化趋势进行分割，所以树木内部点对于本发明而言，属于冗余的数据，可将其去除，以提高计算效率；且去除这些点可以减少树木内部点以及部分大枝丫的点云对本单木分割算法精度造成的影响，减少出现过分割的概率。提取树冠轮廓点后，树的内部点没有了，但树冠的轮廓并未发生变化(如图2(b)和(d)所示)。

趋势判别原理：

对于单棵树而言，从最高点开始，无论哪个方向都是向下的趋势(如图3(a)所示)。而对于多棵树而言，从最高点开始，也是呈现向下的趋势，到两棵树的交汇处，会出现向上的趋势，则停止对这棵树的迭代搜索(如图3(b)所示)。

本发明首先对点云进行去噪和滤波处理，从原始机载激光雷达点云中分离出地面点与非地面点；再进行归一化高程处理，得到每个点与地面的真实垂直距离；然后对归一化后的植被冠层点云数据进行树冠轮廓提取，获得树冠轮廓点；再根据树冠形状变化趋势，利用树冠的点云分布特征进行单木分割，从而得到较为精确的分割结果；最后根据单棵树的点云数量关系删除错误分割树，从而提取出整片区域的树木，其流程如图1所示。

本发明通过利用机载激光雷达获取森林植被冠层三维激光点云数据，并根据树冠形状变化趋势，分析树冠的点云分布特征，根据点与点之间的关系，经历去噪与滤波、点云归一化、提取树冠轮廓点、趋势判别法和删除错误的分割树的处理，建立基于原始激光点云从森林中分割出单树的单木分割方法。

综上所述，本发明摆脱了单木分割对先验数据的依赖，克服因点云数量大所导致的运算复荷大的问题，且相比基于chm的单木分割方法，避免了点云差值生成chm所带来的误差以及分割处理时仅仅只是利用了每个栅格中高程的最大值造成的漏分割，分割效果很好。

附图说明

图1为本发明的流程示意图；

图2为提取树冠轮廓点的原理图；a.为单木提取前示意图；b.为单木提取后示意图；c.为多木提取前示意图；d.为多木提取后示意图；

图3为趋势判别原理图；a.为单木趋势判别原理图；b.为多木趋势判别原理图；

图4为单木分割结果位置与实测树木位置对比图；

具体实施方式

以下通过一个样方的实施例并结合附图对本发明作进一步详细说明：开发环境为pycharm，编程语言为python。

步骤1，以中国内蒙古呼伦贝尔和额尔古纳之间的上库里农场(120°36'至120°52'e，50°21'至52°24'n)为研究区域，并选取实地测量的六个样方作为单木分割验证区，利用leicalas60扫描获取该区域的机载激光雷达数据，航飞时间为2012年9月,具体系统参数参见表1。以下步骤为对样方编号为yf_4的单木分割详细步骤。

表1机载激光雷达系统参数

步骤2，根据技术方案步骤1所述，在获得原始机载激光点云之后进行点云去噪与滤波处理，去除点云数据中的噪点并从点云数据中分离出地面点与非地面点。

步骤3，根据技术方案步骤2所述，将样方中通过滤波所得的地面点采用普通克里金插值算法生成dem，将去噪后的点云数据减去dem的高度，对植被冠层激光点云数据进行高程归一化处理。

步骤4，根据技术方案步骤3所述，首先将样方内的植被冠层激光点云进行树冠轮廓点提取，本实例设置在x-y平面以边长为1.55m分块，提取每块中z方向上的最高点，作为树冠轮廓点，去除其他点。

然后在yf_4的树冠轮廓点中找到z方向上的最高点z_max，然后寻找离z_max最近的3颗点，并依次判断这些点与z_max之间是否满足趋势判别原理，再在满足趋势判别原理的点中找到中位点作为新的z_max点，然后再重复此步骤直到遍历完所有的树冠轮廓点。以此循环下去，直到编码完所有的点。在yf_4中进行完此步骤一共分割出25棵树。

步骤5，根据技术方案步骤4所述，在趋势判别法得到的结果中，如果所识别的树包含的激光点数小于2个点，就把该棵树判定为错误编码树，最后通过删除错误编码树，得到分割出的树木棵树为21棵，而实测棵树为20棵。分割出树的位置与实测树木位置的对比如图4.d所示

根据本发明提出的方法，依照技术方案，对该研究区域的六块样方进行了单木分割，并对分割后的结果进行了两种方法的精度检验。一种是混淆矩阵与f-score的精度评价法(见表5所示)，另一种是分割结果位置与实测树木位置对比法(见图4所示)，都取得了较好的精度，充分说明该方法的可适用性。

图4中：a.为样方1编号为yf_1的单木分割结果位置与实测树木位置对比图；b.为样方2编号为yf_2的单木分割结果位置与实测树木位置对比图；c.为样方3编号为yf_3的单木分割结果位置与实测树木位置对比图；d.为样方4编号为yf_4的单木分割结果位置与实测树木位置对比图；e.为样方5编号为yf_5的单木分割结果位置与实测树木位置对比图；f.为样方6编号为yf_6的单木分割结果位置与实测树木位置对比图。

由总体精度可以看出，本发明更容易出现过分割，即分割出的树木数量略大于实际树木的数量。主要原因是因为单棵树有较大的枝丫，对趋势判别法造成较大的阻碍，容易将一棵树分割为多棵树，造成过分割。因此，本发明更适用于在植被不会过于密集的地方对没有过多大枝丫的树分割。综上所述，本发明所提出的单木分割方法简单实用，既避免了需要先验知识才能准确分割的局限性又避免了基于chm的分割的缺点，此外，在提取树冠轮廓点后进行分割也大大提升了计算速度、相对减少了过分割的情况。

表5为单木分割结果的混淆矩阵与f-score的精度评价结果图；