基于激光雷达点云的树木分割方法及单棵树提取方法与流程

本发明涉及一种基于激光雷达点云的树木分割方法及单棵树提取方法，属于激光雷达点云数据处理技术领域。

背景技术：

机载激光雷达数据一般用于城市场景以及自然环境的三维模型重建。然而，目前基于激光雷达数据的三维重建方法需要繁重的人工干预。而自动算法产生的模型会产生许多错误，也需要人工进行修正。

在基于激光雷达数据的树模型三维重建的过程中，其中最困难的部分之一是如何准确地在激光雷达点云中识别并提取单个树木，以便于后续进行树木的建模。而精确的树模型不仅仅关系到高度还原城市以及自然场景，对于森林、农业等行业的应用也有着至关重要的意义。例如，在准确地单棵树识别与建模的基础上，可以得到精确的树木总量，并从中计算出树木高度、胸径、树冠、体积等参数。进而可以提高估算森林生物量、树木年龄分布的准确度。这样，可以指导经济树种的砍伐，提高产量，保证林业生产和木材采伐的可持续性。并有利于森林资源的集约利用以及可持续发展，对生态环境保护也产生重要的作用。

然而，目前传统方法很难满足精确识别单棵树的需求，尽管这些方法可以较准确地区分树和建筑物等其它地物。但是受点云密度影响，这些方法都不能很好地将单棵树的点云从一群树的点云中分割出来。特别地，在树冠茂密，树叶互相重叠的情况下，传统方法会造成多棵树被认作为一棵树，由此造成最终树木参数的计算结果不准确。

技术实现要素：

针对现有技术的不足，本发明提出了一种基于激光雷达点云的树木分割方法及单棵树提取方法，其通过树木分割能够精确识别出单棵树。

本发明解决其技术问题采取的技术方案是：基于激光雷达点云的树木分割方法，其特征是，它通过图像初始分割和过分割点云融合处理来对激光雷达点云中的树木进行分割。

进一步地，所述树木分割过程包括以下步骤：

1）从原始的激光雷达点云中将树的点云分离出来；

2）将三维的原始激光雷达点云投影到二维平面，并利用图像分割算法对树的点云进行初始分割；

3）将二维的初始分割结果转到三维网格环境下，首先确定每个分割组块的根网格和树枝网格，然后利用3D网格融合算法将过分割的点云进行融合。

进一步地，在步骤1）中，树的点云的分离过程是通过滤波方法先将原始激光雷达点云分为地面点和非地面点，再利用分类方法将非地面点分为树的点云和非树点云。

进一步地，所述将原始激光雷达点云分为地面点和非地面点的过程包括以下步骤：

1）选取初始种子点构建初始TIN：确定点云的边界，并以最大建筑物尺寸为网格大小，构建网格，选取每个网格中的最低点作为种子点，四个角点的高程等于距离该角点最近的种子点高程，剩下的点则定义为待定点；

2)TIN迭代加密：对待定点进行判定是否为地面点并且刷新三角网，根据待定点的坐标位置，确定待定点所在的三角面片，计算其与所在三角面片的角度和距离，如果角度和距离均小于给定阈值则定义为地面点；否则计算三角面片的坡度，如果坡度小于阈值则判定该点为非地面点；否则，对该点的镜像点判断是否为地面点，如果是则该点为地面点，否则为非地面点；

3)将新增的地面点加入TIN，并重复TIN迭代加密过程，直到将所有地面点加入TIN为止。

进一步地，所述将非地面点分为树的点云和非树点云的过程就是通过获取点云数据的DSM和DEM进行构建nDSM来确定树的点云和非树点云。

进一步地，在步骤2）中，利用分水岭分割算法，以二维图像作为输入参数，通过区域增长对雷达点云进行图像分割。

进一步地，将三维的原始激光雷达点云投影到二维平面的过程就是将激光雷达点云划分在规则三维网格中的过程。

进一步地，所述根网格和树枝网格的确定是通过以下两个标准来实现的，对于每一个分割组块及其邻接分割组块：

1）每个分割组块中，具有最小高程的格网为根网格；

2）按照每个分割组块为单位，直接或间接连接到根网格的网格均为树枝网格。

进一步地，利用3D网格融合算法将过分割的点云进行融合的过程包括以下步骤：

1）如果一个分割组块的根网格与其邻接分割组块的根网格之间的二维距离超过规定的阈值时则不进行融合，否则进入下一步；

2）如果该分割组块的根网格与其邻近分割组块的树枝网格之间的二维或者三维距离超过规定的阈值时则不进行融合，否则进入下一步；

3）如果该分割组块的每个树枝网格与其邻近分割组块的树枝网格之间的二维或者三维距离超过规定阈值时则不进行融合，否则将该分割组块与其邻接分割组块进行融合；

4）重复上述步骤继续对两个相邻分割组块进行融合。

本发明还提供了一种基于激光雷达点云的单棵树提取方法，其特征是，包括以下过程：

利用上述所述的基于激光雷达点云的树木分割方法对激光雷达点云进行树木分割；

建立单棵树的三维模型；

利用单棵树的三维模型提取出单棵树并获取每棵树的高度、体积和树冠面积。

进一步地，利用LOD2数据来建立单棵树的三维模型。

本发明的有益效果如下：

本发明提出了一种基于激光雷达点云的树木分割方法及单棵树提取方法，利用图像分割算法获取初始分割结果，然后通过3D网格融合算法对过度分割进行融合，并利用单棵树的三维模型提取出单棵树并获取每棵树的高度、体积和树冠面积。

采用本发明的方法可以修正传统图像分割算法中出现的过度分割问题，提供准确的单木提取结果，而且不受点云密度的限制，极大地减少了人工干预。此外，根据分割结果建立的三维树模型，可以获取相应的森林参数，为森林应用提供较为准确的树木生长参考数据。

附图说明

图1是本发明的树木分割方法流程图；

图2是本发明的单棵树提取方法流程图；

图3是本发明基于激光雷达点云的树木分割及单棵树提取的方法流程图；

图4是3D网格融合算法的流程图；

图5是两个邻接分割组块在三维网格中的示例；

图6-a是组块1的根网格和叶子网格；

图6-b是三维网格搜索邻接网格的方向；

图7是三维网格中根网格和树枝网格的分布图；

图8-a是测试数据的侧面图；

图8-b是测试数据的顶视图；

图9-a是分水岭分割算法初始分割结果的侧视图；

图9-b是分水岭分割算法初始分割结果的顶视图；

图10-a是3D网格融合算法分割结果的侧视图；

图10-b是3D网格融合算法分割结果的顶视图；

图11为将三维体划分成很多个小的网格的示意图；

图12为单棵树的三维模型示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，本发明的一种基于激光雷达点云的树木分割方法，它通过图像初始分割和过分割点云融合处理来对激光雷达点云中的树木进行分割，所述树木分割过程包括以下步骤：

1）从原始的激光雷达点云中将树的点云分离出来；

2）将三维的原始激光雷达点云投影到二维平面，并利用图像分割算法对树的点云进行初始分割；

3）将二维的初始分割结果转到三维网格环境下，首先确定每个分割组块的根网格和树枝网格，然后利用3D网格融合算法将过分割的点云进行融合。

如图2所示，本发明的一种基于激光雷达点云的单棵树提取方法，它包括以下过程：

利用本发明所述的基于激光雷达点云的树木分割方法对激光雷达点云进行树木分割；

建立单棵树的三维模型；

利用单棵树的三维模型提取出单棵树并获取每棵树的高度、体积和树冠面积。

本发明针对传统分割方法存在的过分割现象以及受点云密度限制而导致多棵树被认作为一棵树的问题，将三维点云投影到二维平面，利用基于图像的分割算法获取初始分割；将初始分割结果转到三维环境下，利用3D网格融合算法，判断相邻分割是否需要进行融合，以此来解决过度分割问题；此外，根据最终的分割结果，通过构建单棵树的三维模型，可以获取相应的树高、体积以及树冠面积等参数。

如图3所示，本发明基于激光雷达点云的树木分割及单棵树提取的具体过程如下：

一、从原始的激光雷达点云中将树的点云分离出来

激光雷达数据经过滤波先被分为地面点以及非地面点云；再用分类算法将非地面点云分为树的点云和非树点云。

本发明区分地面点（可以采用开源的lastool进行实现），主要采用了渐进三角网滤波方法：

1）选取初始种子点构建初始TIN（triangular irregular network，不规则三角网）：确定点云的边界，并以最大建筑物尺寸为网格大小，构建网格，选取每个网格中的最低点作为种子点，四个角点的高程等于距离该角点最近的种子点高程，剩下的点则定义为待定点。

2)TIN迭代加密：对待定点进行判定是否为地面点并且刷新三角网。根据待定点的坐标位置，确定待定点所在的三角面片，计算其与所在三角面片的角度和距离，如果角度和距离均小于给定阈值则定义为地面点；否则计算三角面片的坡度，如果坡度小于阈值则判定该点为非地面点；否则，对该点的镜像点（镜像点为当前点以所在面片三个顶点中的最高点为基准来确定的）判断是否为地面点，如果是则该点为地面点，否则为非地面点；最终将新增的地面点加入三角网，并刷新，重复上述过程。

用分类算法将非地面点云分为树的点云和非树点云的过程为：由于森林地区，建筑较少，可以通过构建nDSM来确定。即获取测区的DSM(Digital Surface Model，数字表面模型)和DEM(Digital Elevation Model，数字高程模型)，二者差值即为nDSM（Normalized Digital Surface Model，归一化数字表面模型）。

如图8-a和图8-b所示，激光雷达数据是由一定数量的点组成，每一个点都包括有三维坐标（长，宽，高），即X，Y，Z坐标。用滤波方法将激光雷达数据分为地面点和非地面点。地面点可以进行后期处理用于其他应用，如建立地面模型等。接下来将非地面点分类为树的点云和非树木点云。树的点云是由一棵或者多棵树的点组成。非树木点云可以继续处理用于其他应用，如房屋建模、桥梁建模、电力网建模等。

二、将三维的原始激光雷达点云投影到二维平面，并利用图像分割算法对树的点云进行初始分割

将三维的原始激光雷达点云投影到二维平面，即激光雷达点云被划分在规则三维网格中，每个网格(像素)的值是相应落在网格里点云的平均、最大、或者最小高程值。规则三维格网根据激光雷达数据预先计算得出长、宽、高。如果网格中有激光雷达点云数据，则此格网数值不为零。每个三维格网大致为5-50 cm。比如，树点云整体的长为100m, 高为20m, 宽为100m, 按照每个格网长宽高各50 cm，来划分格网。一般情况下，优先选择正方体格网，也可以是长方体格网。

三维点云本身就是具有x ,y,z三个基本的坐标信息，划分网格其实就是以一个格网大小为单元，将这个三维体划分成很多个小的网格，如图11所示。

基于图像分割的算法对树的点云进行初始分割，并确定每个分割组块的根网格和树枝网格。该算法来源于遥感图像分割和识别不同物体的算法。在激光雷达领域中，多用此种算法来进行分割提取单棵树。但是，此种算法具有很多缺陷。特别是传统图像分割算法会导致过度分割的问题，即原本是一棵树的点云在采用这类图像算法计算后，会被过度分割，识别为几颗小树的点云，如此导致单棵树提取过程中的错误。

基于图像的分割方法，主要是利用分水岭分割算法，以二维图像作为输入参数，通过区域增长，分割出特定的类别。分水岭算法是图像分割算法中用的比较多的方法，效果较佳。

三、将二维的初始分割结果转到三维网格环境下，首先确定每个分割组块的根网格和树枝网格，然后利用3D网格融合算法将过分割的点云进行融合。

确定根网格和树枝网格的过程即根据初始分割的结果，将二维分割结果转到三维网格下，确定每个分割组块的根网格和树枝网格。如图5所示，两个相邻接的分割组块1（自下而上斜线）和2（自上而下的斜线）各自包含一定数量的点，当某些网格没有点落入时定义为空白网格，其值为0。如同6-a所示，定义网格下面具有相同组块编号，且非零的网格被称为“直接父亲网格”；则以分割组块1为例，网格A下方没有直接的父亲网格，则查看其邻接网格B有没有直接父亲网格。在此例中，网格B下方也没有直接的父亲网格，则再查看与其邻接的网格C有无直接父亲网格，因此网格D是网格C的直接父亲网格，则此网格D是网格A、B的间接父亲网格，以此来确定每个分割组块的根网格和树枝网格；图6-b表示搜索邻接网格的方向，包括垂直朝下的方向共有九个方向；如图7所示为三维网格环境下，最终确定的根格网和树枝格网，这里定义非零网格内具有最小高度值的格网作为根网格，其他点则为树枝网格。根网格没有直接或者间接父亲网格，叶子网格是非零值并且含有组块最大高程值的一组网格，因此先是通过确定树枝网格后，才最终确定根网格。

基于图像分割算法出现的过分割现象，本发明利用基于图像分割算法对树的点云进行初始分割的结果，并在此基础上，根据确定的根网格和树枝网格，利用3D网格融合算法将过分割的点云进行融合，以此来改进和修正过度分割的错误。

利用3D网格融合算法将过分割的点云进行融合的过程为：如果两个相邻分割组块判定为融合，则两个组块并为一类，继续与周边进行比较判断。比如，得到组块A,B,C。B是A的邻接组块，C与B邻接。使用步骤3D融合算法进行第一次迭代后，判定A与B融合，并得到新的组块A’。在下一次迭代时，则使用新的组块A’与组块C进行判断。利用3D网格融合算法将过分割的点云进行融合，解决了图像分割算法中出现的过分割问题。

如图4所示，利用3D网格融合算法对过分割的组块否与邻接组块融合的过程如下，对于相邻接的两个分割组块1和2，首先判断第一组块与第二组块根网格之间的二维距离是否超过给定阈值1，若超过则不进行融合；否则进入下一个判别条件，判断第一组块的根网格与第二组块的树枝格网之间的二维和三维距离是否超过给定阈值2，若满足条件则不进行融合；否则进入到下一个判别条件，判断第一组块的每一树枝网格与第二组块的每一树枝网格之间的二维与三维距离是否超过给定阈值3，若满足条件则不进行融合；否则判定分割组块1与分割组块2进行融合。即具有组块编号1的所有点云与具有组块编号2的所有点云融合为新的组块。若上述三个判定条件中有任意判定不被满足，则第一组块与第二组块将不会融合。

如图8-a和8-b所示，为两棵邻接树的点云分布图，分水岭分割算法造成的过分割现象如图9-a和9-b所示，图10-a和10-b为经过3D网格融合算法后的分割结果，最后组块所对应的是实际中的单棵树的点云组块。

四、单棵树提取

根据最终的分割结果，通过建立单棵树的三维模型来获取单棵树的树高、蓄积量以及树冠面积等参数。

单棵树的三维模型是利用LOD2（简单粗模）来建立的，由于提取出单棵树的时候，每棵树的信息是可以获得的，如树高，树冠范围等，可以根据树木的生长关系计算获得胸径，这样可以根据基本的胸径和冠径以及树的顶点来确定模型，如图12所示。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。