CN104915958A - 一种从机载激光点云数据识别植被的方法 - Google Patents

Abstract

本发明涉及一种从机载激光点云数据识别植被的方法，步骤包括：对LiDAR数据进行形态学滤波获得地物点数据集合；利用区域增长方法分割所述地物点数据集合，得到若干个单独的地物点集；获取每个地物点集的空间形态指标；空间形态指标介于1.68至1.92之间的地物点集判定为植被点，并进行提取。本发明利用三维区域分割，设计了用来描述地物空间形态特征的“空间形态指标”，进而根据空间形态指标提出了一种从机载激光点云数据识别植被的方法。该方法利用点云滤波、区域增长分割、空间形态指标评价、植被地物识别提取等手段，较为完整和准确地获取LiDAR植被点。本方法在提取完整度、精度、速度上均能较好地满足实际的需要。

Description

一种从机载激光点云数据识别植被的方法

技术领域

本发明涉及一种从从机载激光点云数据识别植被的方法，属于LiDAR数据地物提取处理技术的方法领域。

背景技术

LiDAR（Light Detection And Ranging）是一种新兴的对地观测技术，其提供了一种能够快速、高精度、实时地获取地表三维信息的技术手段，与传统的观测技术不同，LiDAR获取的是三维空间里的大量地表特征点，能够准确地提供地面及地物的空间位置信息，现在已经广泛地应用于数字测绘、林业监测、资源普查等多个方面。由于LiDAR获取的是整个观测区域的点云数据，所以LiDAR点云的属性解析和类别辨别对于LiDAR的应用效果有着重要的意义，因此地物提取成为了LiDAR后续处理中的重要内容，而植被的提取和分析是其中的一个研究热点。准确并且完整地获取植被数据在在许多学科邻域都有着非常重要的地位，其被广泛应用于生物量和碳量的估计、都市生态评估等诸多方面，所以如何有效地从原始LiDAR数据中准确、有效地获取植被点具有重要的理论价值和实际价值。

目前，LiDAR植被信息获取的研究多集中在以下几个方面：(1)利用遥感、航空影像等空间数据作为辅助手段，与LiDAR点云相融合进行植被的提取；(2)将LiDAR点云插值为栅格图像，然后利用遥感影像分类的方法处理，间接达到LiDAR点云植被信息提取的效果；(3)以LiDAR的某些特性作为依据，用机器学习的方法进行地物分类，或者利用全波性、多回波LiDAR的特殊性质，挖掘其作为植被获取依据的可行性。以上大多数植被提取方法的核心思想其实是借鉴了遥感影像的分类技术，然后应用在LiDAR这种离散的点集上，这些方法都忽略了LiDAR本身所拥有的特殊的三维空间分布的特征，而且大多数LiDAR数据往往都不具有全波形和多回波的特性，无法利用特殊性质对LiDAR点云植被进行提取，所以现有的方法用于LiDAR植被的获取存在诸多缺陷，无法满足实际应用的要求。

发明内容

本发明要解决的技术问题是：克服上述现有技术中存在的不足，提出一种从机载激光点云数据识别植被的方法，能够准确且高效的从LiDAR数据中提取植被。

为了解决以上技术问题，本发明提供的一种从机载激光点云数据识别植被的方法，包括以下步骤：

第1步、对LiDAR数据进行形态学滤波，去除地面点后获得地物点数据集合；

第2步、利用区域增长的方法分割所述地物点数据集合，得到若干个单独的地物点集；

第3步、按照以下方法获取每个地物点集的空间形态指标：

a、使用尺寸相同的立方体以叠加的方式去覆盖地物点集；

b、先使用较大边长的立方体去覆盖地物点集；

c、不断缩小立方体的尺寸，直到每个立方体内只容纳一个LiDAR点；

d、根据内部含有LiDAR点的立方体数量和立方体的边长r，计算logN/logr作为该地物点集的空间形态指标；

第4步、空间形态指标介于1.68至1.92之间的地物点集判定为植被点，并进行提取。

本发明的创新点在于，首先通过LiDAR数据的滤波预处理，将原始的LiDAR数据分离为地面点的集合和地物点的集合，在原始的三维点集合中，为了对特定的地物进行提取，需要从点云数据中区分出地形点子集和地物点子集。通过LiDAR滤波排除地面点，可以获得只包含地物点的数据集合，在地物点集合的基础上对特定地物点进行提取分析，然后采用三维区域划分和空间形态描述相结合的方式，对LiDAR点云地物本身所固有的三维空间特征进行评价，先利用区域分割分离出每个地物，得到一个个地物点聚集团，然后计算地物的“空间形态指标”，分析地物的三维空间形态进而确定地物的类别分辨出植被类型的点云，从而实现从LiDAR点云中快速和较为准确地提取出植被地物信息。

在传统的LiDAR植被提取方法中，往往需要遥感、航拍影像等辅助数据的支持或者要求LiDAR点云数据具有全波形等特性，限制了适用范围，而且计算过程中，这些方法通常需要构建三角网、栅格格网等数据结构对点云进行重新组织和通过SVM等机器学习辅助提取，计算过程较为复杂，使得运算量巨大、耗时长，难以满足实际数据处理的需要。

而本发明正是通过三维区域分割并设计一种描述分割后地物形态特征的“空间形态指标”的方式来进行地物类型的判别从而提取出植被的LiDAR点。通过该“空间形态指标”能够较为准确地表述各种种类地物的空间形态特征，不同地物的空间形态指标值基本上都有着自己的分布范围，这是与该类地物所特有的空间分布形态相匹配的。特征明显的地物之间，其空间形态指标值区间互不交叉，有着很好的区分识别条件，而且形态越复杂的地物其空间形态指标区间分布越大。植被作为一种形态比较复杂的地物，其空间形态指标有着较为固定的区间范围，能够较为准确并完整地分辨出来，而且本方法只使用了LiDAR点云本身所固有的三维坐标属性，没有利用额外的属性和信息，大大拓宽了在LiDAR点云中适用范围，具有较强的适用性。

本发明第1步中，分离LiDAR地面点和地物点的形态学滤波算法是：首先遍历所有点，对以该点为中心的窗口范围内的点做形态学腐蚀运算；若经过腐蚀运算后的点的高程小于其原始高程，则用同样大小的窗口进行一次形态学膨胀运算；计算每一点经过腐蚀和膨胀运算后的高程与原始高程的差值，如果差值大于预定的阈值，则判定该点为地物点；不断重复上述步骤直到分辨出所有的地面点和地物点。

本发明第2步中，区域增长的方法步骤是：首先将整个地物点集区域按照设定的边长进行三维立方体剖分，形成地物点集的层次包围盒；选定某个非空的包围盒作为种子，然后向其领域进行扩张，若邻域包围盒也是非空，则认为邻域包围盒中的点也是单个地物的点，并加入该地物的点集合；以新加入的包围盒作为新的种子，循环的重复上述步骤，直到没有新的点加入。

本发明第3步的具体实现方法如下：

Ⅰ、设定立方体的初始边长等于地物点集***尺寸，并使用该立方体覆盖地物点集；

Ⅱ、将所有立方体等分为8个尺寸相同的立方体，统计包含有LiDAR点的立方体数量，如果包含有LiDAR点的立方体数量未发生改变，则转至步骤Ⅲ；否则重复本步骤；

Ⅲ、根据最近一次分割前的立方体半径r与内部含有LiDAR点的立方体数量计算地物点集的空间形态指标，空间形态指标为logN/logr。

综上，本发明利用三维区域分割，设计了用来描述地物空间形态特征的“空间形态指标”，进而根据空间形态指标提出了一种从机载激光点云数据识别植被的方法。该方法利用点云滤波、区域增长分割、空间形态指标评价、植被地物识别提取等手段，较为完整和准确地获取LiDAR植被点。实验结果表明，本方法无论是在提取完整度、精度还是速度上均能较好地满足实际的需要。

附图说明

下面结合附图对本发明作进一步的说明：

图1是本发明使用形态学滤波分离地面点和地物点，获得地物点集合示意图。

图2是本发明对地物点数据集合进行区域增长分割的示意图。

图3是本发明对地物计算空间形态指标进行形态评价的示意图。

图4是本发明对植被地物标识和提取的示意图。

具体实施方式

下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。

本实施例从机载激光点云数据识别植被的方法，包括以下步骤:

第1步、将原始LiDAR数据通过形态学滤波算法进行LiDAR点云滤波排除地面点，获得只包含地物点的数据集合（见图1）。

LiDAR点云是在空间上呈现随机分布的三维点的聚集，通过LiDAR滤波排除地面点，可以获得只包含地物点的数据集合，在地物点集合的基础上对特定地物点进行提取分析，大大提高了提取的准确性和完整性，所以LiDAR点云数据的预处理对于LiDAR地物的提取是非常必要的。目前有许多滤波算法，而形态学滤波算法是比较典型一种，形态学滤波算法对粗差点和大部分地物都能有效地分离出来，所以采用基于形态学梯度的滤波能够满足LiDAR点云数据预处理的要求。通过形态学梯度滤波处理后获得了下面步骤需要的地物点集合。

分离LiDAR地面点和地物点的形态学滤波算法是：首先遍历所有点，对以该点为中心的窗口范围内的点做形态学腐蚀运算；若经过腐蚀运算后的点的高程小于其原始高程，则用同样大小的窗口进行一次形态学膨胀运算；计算每一点经过腐蚀和膨胀运算后的高程与原始高程的差值，如果差值大于预定的阈值，则判定该点为地物点；不断重复上述步骤直到分辨出所有的地面点和地物点。

第2步、利用区域增长的方法分割所述地物点数据集合，得到若干个单独的地物点集，如图2所示。

区域增长的方法步骤是：将整个地物点集区域按照设定边长（本例中取LiDAR点云平均点距的2倍）进行三维立方体剖分，然后随机选定某个非空的包围盒作为种子，然后向其26领域进行扩张，若邻域包围盒也是非空，则认为邻域包围盒中的点也是属于这个单个地物的点，不断进行扩展直到没有新的点加入，此时就获得了一个单独的地物，将该地物赋予一个单独的编号。当所有的地物都标识完后就停止区域增长分割。

第3步、通过第二步的区域增长分割标明每个地物后，对每个地物分别计算其“空间形态指标”，根据计算得到的空间形态指标判别各个地物的类型属性将其归类。

本步骤中，在计算每个地物的空间形态指标时，为了计算便利，是利用大小相同的立方体去覆盖地物的，先用较大边长立方体去覆盖地物，然后不断缩小立方体的尺寸，直到每个立方体刚刚容纳一个三维LiDAR点，此时记录不为空的立方体数目N和立方体边长r，计算logN/logr作为这个地物的空间形态指标。本实施例中的具体实现方法如下：

Ⅰ、设定立方体的初始边长等于地物点集***尺寸，并使用该立方体覆盖地物点集；

Ⅱ、将所有立方体等分为8个尺寸相同的立方体，统计包含有LiDAR点的立方体数量，如果包含有LiDAR点的立方体数量未发生改变，则转至步骤Ⅲ；否则重复本步骤；

Ⅲ、根据最近一次分割前的立方体半径r与内部含有LiDAR点的立方体数量计算地物点集的空间形态指标，空间形态指标为logN/logr。

第4步、根据每个地物空间形态指标，将空间形态指标介于1.68至1.92之间的地物点集标注为植被，将标识为植被的地物提取出来从而获得植被点，见图4。

不同类型地物的空间形态指标有着不同的区间范围，根据各自的指标值归属于不同的类别，在本例中，对于空间形态指标介于1.68至1.92之间的地物就认为是植被，而不在这个区间内的就标识为非植被地物。

通过上一步骤，已经将每个地物都标识了其所属的类别，在所有地物中进行遍历，一旦发现有标识为植被的地物，就将这个地物中的LiDAR输出，遍历完毕后就到的完整的植被地物点。

经过上述处理，可以得到最终的LiDAR植被点云。图1-图4为运用本方法，对一块LiDAR数据进行植被提取处理得到的各步骤效果图。可以看到，各步骤处理过程都很好地围绕LiDAR植被提取展开，没有出现明显偏离。因此，最终得到结果符合具有较好完整性和准确性，符合LiDAR植被提取的要求。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (5)

1. 一种从机载激光点云数据识别植被的方法，包括以下步骤：

第1步、对LiDAR数据进行形态学滤波，去除地面点后获得地物点数据集合；

第2步、利用区域增长的方法分割所述地物点数据集合，得到若干个单独的地物点集；

第3步、按照以下方法获取每个地物点集的空间形态指标：

a、使用尺寸相同的立方体以叠加的方式去覆盖地物点集；

b、先使用较大边长的立方体去覆盖地物点集；

c、不断缩小立方体的尺寸，直到每个立方体内只容纳一个LiDAR点；

d、根据内部含有LiDAR点的立方体数量和立方体的边长r，计算logN/logr作为该地物点集的空间形态指标；

第4步、空间形态指标介于1.68至1.92之间的地物点集判定为植被点，并进行提取。

2. 根据权利要求1所述的从机载激光点云数据识别植被的方法，其特征在于：所述第3步的具体实现方法如下：

Ⅰ、设定立方体的初始边长等于地物点集***尺寸，并使用该立方体覆盖地物点集；

Ⅱ、将所有立方体等分为8个尺寸相同的立方体，统计包含有LiDAR点的立方体数量，如果包含有LiDAR点的立方体数量未发生改变，则转至步骤Ⅲ；否则重复本步骤；

Ⅲ、根据最近一次分割前的立方体半径r与内部含有LiDAR点的立方体数量计算地物点集的空间形态指标，空间形态指标为logN/logr。

3. 根据权利要求1所述的从机载激光点云数据识别植被的方法，其特征在于：第1步中，分离LiDAR地面点和地物点的形态学滤波算法是：首先遍历所有点，对以该点为中心的窗口范围内的点做形态学腐蚀运算；若经过腐蚀运算后的点的高程小于其原始高程，则用同样大小的窗口进行一次形态学膨胀运算；计算每一点经过腐蚀和膨胀运算后的高程与原始高程的差值，如果差值大于预定的阈值，则判定该点为地物点；不断重复上述步骤直到分辨出所有的地面点和地物点。

4. 根据权利要求1所述的从机载激光点云数据识别植被的方法，其特征在于：第2步中，区域增长的方法步骤是：首先将整个地物点集区域按照设定的边长进行三维立方体剖分，形成地物点集的层次包围盒；选定某个非空的包围盒作为种子，然后向其领域进行扩张，若邻域包围盒也是非空，则认为邻域包围盒中的点也是单个地物的点，并加入该地物的点集合；以新加入的包围盒作为新的种子，循环的重复上述步骤，直到没有新的点加入。

5. 根据权利要求4所述的从机载激光点云数据识别植被的方法，其特征在于：所述设定的边长等于2倍的LiDAR点云平均点距。