CN107705344A - 激光扫描环境点云数据中树冠模型提取方法 - Google Patents

激光扫描环境点云数据中树冠模型提取方法 Download PDF

Info

Publication number
CN107705344A
CN107705344A CN201710891872.5A CN201710891872A CN107705344A CN 107705344 A CN107705344 A CN 107705344A CN 201710891872 A CN201710891872 A CN 201710891872A CN 107705344 A CN107705344 A CN 107705344A
Authority
CN
China
Prior art keywords
tree crown
point
crown
tree
radius
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710891872.5A
Other languages
English (en)
Inventor
刘立坤
王兴众
魏沁祺
彭玲
李宙恒
龙加军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Ship Development and Design Centre
Original Assignee
China Ship Development and Design Centre
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Ship Development and Design Centre filed Critical China Ship Development and Design Centre
Priority to CN201710891872.5A priority Critical patent/CN107705344A/zh
Publication of CN107705344A publication Critical patent/CN107705344A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种激光扫描环境点云数据中树冠模型提取方法，该方法由树冠分类建模、点云栅格化、栅格滤波、树冠窗口计算、轮廓勾画、及结果分类统计组成。使用LiDAR***进行树冠类型区分与提取时，由于激光点云的散乱性和大数据量等特性，需要针对大数据提取具有选择性的植被树冠特征，即对树冠扫描数据进行针对性滤波处理，该操作需要先对点云数据进行栅格化处理，然后对栅格数据进行树冠动态窗口计算，获得倾斜程度，借助边角空间关系计算出适宜的树冠轮廓勾画参数完成树冠轮廓勾画。可用于科考船航行过程中独立特征明显的常见大小植被目标识别，为科考船信息***环境感知提供方法指导。

Description

激光扫描环境点云数据中树冠模型提取方法
技术领域
本发明属于公务船信息获取与目标识别领域，尤其涉及一种激光扫描环境点云数据中树冠模型提取方法。
背景技术
随着我国海洋事务的蓬勃发展，对于岛礁、近岸环境的探测能力亟待加强，多型科考船的建造提供了众多的移动探测平台。船载直升机和无人机是非地基式传感器的优良搭载媒介，而基于以上平台的小型化机载激光扫描仪可以作为实现非接触式传感方式的信息获取设备。
近岸环境是全球经济发展的重要地区，特别是在我国利用远洋资源、开发离岸岛礁的背景下，科考船大多都已配置有多型航空平台，可以实现对地表对象的多重观测，采集丰富的信息来对周边环境进行数据获取和建模。其中，近岸区域植被是重要的环境信息，其对于地形环境勘测、林业资源调查、碳汇计算、潮汐海岸带保护等多种应用具有重要意义。而基于船载航空平台的激光探测相对于航空相片、卫星影像、雷达等传统探测方式，其产品激光扫描点云是内容丰富的真三维数据资源，包含获取地表植被信息的对象几何和光谱信息，这些是进行后续环境建模、态势判断和决策的重要依据。因此，需要研究从机载激光扫描点云中提取不同类型植被树冠的建模方法。
机载激光扫描技术(Light Detection And Ranging，LiDAR)是一种非接触式空间信息遥感主动探测获取技术手段。它通过发射和接收激光扫描束实现对一定距离内对象的测量与传感工作。其产品形态主要有离散型和连续型两种。离散型激光点云通过对环境对象的多次回波进行处理，获得特定观测对象的真三维信息及部分表面特性的强度信息。LiDAR技术对于可穿透的物体具有多次回波的特性，通过多次回波可以形成对观测对象的内部结构信息，从而为全方位的探测和目标识别提供丰富的数据。
发明内容
本发明所要解决的技术问题是，提供一种激光扫描环境点云数据中树冠模型提取方法，可用于科考船航行过程中独立特征明显的常见大小(林冠覆盖半径约为0.5米-3米)植被目标识别，为科考船信息***环境感知提供方法指导。
LiDAR***主要是通过红外波段的非可见光激光束进行对象外观扫描，该波段激光除了水体和镜面等物体外，大多数被扫描对象都存在漫反射、折射现象。因此，通过LiDAR***可以完成树冠目标对象的内外几何特征识别，是科考船进行海陆环境勘测、调查等任务的一种较好目标识别手段。本发明主要依托船载航空平台和机载扫描设备进行树冠对象目标的建模与识别。
本发明解决其技术问题所采用的技术方案是：提供一种激光扫描环境点云数据中树冠模型提取方法，包括以下步骤，步骤一，利用机载LiDAR***对观测对象进行离散化点云扫描，按照典型树冠类型进行树冠分类建模，将扫描获取的点云抽象外廓空间结构类型划归为锥形、半球形、半椭球形，并建立对应结构的内外表面模型；步骤二，采用0.5米-3米采样间隔对散乱点云进行影像栅格化处理，使其能够转换成可供后期对象识别、空间分析处理的二维影像；步骤三，针对不同的树冠横向面直径大小，选择动态可调的滤波计算窗口面向树冠覆盖范围半径小于3m的树冠平面进行筛选和划分；步骤四，在树冠面被筛选划分出来后，按照树干中心线和树冠剖面窗口斜率计算得到单一树冠的半径；步骤五，按照树干中心线和窗口计算得到的半径进行二维平面树冠圆形边缘勾画；步骤六，在不同类型树冠轮廓完成勾画后，统计结果中不同树冠计算窗口上的树冠分类数量，为统计、分析及后期建模做准备。
按上述技术方案，所述步骤四中，具体为在能量收敛计算迭代过程中寻找局部极值点进行比较，对树冠中心覆盖小于3米半径的极大值点标记为树冠点，然后以树冠点为中心对周边树冠表面点进行斜率计算，各不同的斜率可以通过垂直剖面计算其夹角，按照树冠表面点到树干中线水平距离的三角关系计算得到按照不同树冠模型在其最大覆盖投影面上的半径。
对于单一树种的林地，绝大多数具有类似的树冠大小，不过在自然状态下，植被具有不同的形态，独立特征明显的常见大小(林冠覆盖半径约为0.5米-3米)植被常见的树冠形态为圆锥形、半椭球形和半球形。如果采用固定窗口来进行树冠检测，则较小的窗口会导致大树冠被错误划分为若干个小树冠，较大的窗口则会导致小树冠被错误合并为单株大树冠。所以，采用可变窗口来计算不同树冠形态下的半径。因为激光点云数据具有高程维度数据信息。所以在局部最大值附近窗口就可以计算其斜率。
按上述技术方案，所述步骤五中，具体为采用检测掩膜计算3mx3m范围内的数据点，寻找树冠局部潜在极值区域，减小计算消耗，在每一掩膜内，按照固定斜率的方式确定搜索窗口，采用改进的基于能量收敛函数的自迭代均值漂移算法进行数据点聚类，获得树冠点；如果计算出聚类中心点与每一掩膜内的极值点一致，则标记为此处的树冠极值点，否则将该聚类点作为新的掩膜点带入下一次的聚类计算，直至迭代出的聚类中心点与掩膜极值点相同。
按上述技术方案，每一扫描点间的能量势能函数定义为单独各点的势能之和，各单独点的势能P(xi)为xj到xi各向同性的核函数G(xi)与带宽参数hxi构成，即由xi到xj的势能为P(i,j)＝S(hxi)(1-g(xi-xj)/hxi)，其中S(hxi)为势能约束系数，用来控制整个函数能够单调递增，g(xi)为核函数G(xi)的梯度，将xi到xj与xj到xi的相互势能求和，即是该点势能函数值P(xi)＝Σ(P(i,j)+P(j,i))。
均值漂移是无参数化数据聚类的优秀算法，广泛应用于图像分割、目标跟踪、视频分析等领域。本算法中，在使用均值漂移对数据点进行递归收缩时，带宽参数需要逐渐变化来贴合数据的离散分布性特点。特别选择选择使用以上定义的能量势能函数来对势能约束值较小的点进行快速合并，如对于变化较小且均一的分布扫描点可以通过规避小的计算来减少迭代过程。而且，比最大约束势能值小的点一般也是分布在对象的独家。这样，可以通过大势能的点(远离点)来推动扫描数据点聚集到局部极大值处，避免被周围的密集点聚类形成错误分布，同时，对于噪声异常扫描点的抑制作用也较好。
按上述技术方案，所述步骤一中，对应的三种树冠外廓空间形态的数学模型分别为：
圆锥体：fout＝R/tan(B)
半球体：fout＝[R2-(x2+y2)]1/2
半椭球体：fout＝e*[R2-(x2+y2)]1/2
其中，fout为扫描模型外轮廓面，B为树冠外廓面与垂直平面投影夹角，R为外廓面在投影平面上的空间投影圆形的半径，x为扫描点在投影平面上的横轴坐标，y为扫描点在投影平面上的纵轴坐标，e为椭球体的长短轴比值。
按上述技术方案，依据平面三角关系，完整树冠投影半径R＝r/[sin(180-2*A)]，r为当前预设计算窗口半径；A为树冠外廓面上任意扫描点到树干中心线的夹角。
树冠聚类计算如图4所示。所以，根据以上公式迭代收敛可以计算出对应的每一树冠的轮廓半径用以进行平面范围勾画。
本发明的原理是：离散式点云的特点在于激光扫描束在穿透普通非密致物体时，可以形成表面反射、内部折射的现象，经过信号收集***回收信息并处理后，可以为观测对象进行内外部全方位扫描提供多次回波数据。不同植被对象其内外形态不同，所以有必要针对不同空间形态的树冠类型进行针对性建模。使用LiDAR***进行树冠类型区分与提取是一种主动式遥感的手段，但由于激光点云的散乱性和大数据量等特性。故需要针对大数据提取具有选择性的植被树冠特征，即对树冠扫描数据进行针对性滤波处理，该操作需要先对点云数据进行栅格化处理，然后对栅格数据进行树冠动态窗口计算，获得倾斜程度，借助边角空间关系计算出适宜的树冠轮廓勾画参数完成树冠轮廓勾画。
本发明产生的有益效果是：(1)充分利用了科考船已配置的航空平台和扫描传感设备。利用了船载的航空平台***、机载激光扫描仪等航行传感测量设备，完善了对海岸植被的目标提取与识别能力。
(2)具备针对不同类型树冠识别与提取的能力。分析了不同空间分布形态的树冠模型，通过聚类算法计算局部极值点作为树冠顶点，然后依据边角关系计算树冠窗口斜率，得到树冠半径作为勾画树冠范围参数。
(3)计算处理复杂度小，适合硬件加速和并行化处理，利于在线数据处理，为科考船远海环境中岛礁、近岸信息获取与建模的实时处理提供支持，提高科考船植被对象识别的能力与效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例激光扫描环境点云数据中树冠模型提取方法的流程示意图；
图2本发明实施例中的树冠形态空间模型示意图；
图3本发明实施例中的树冠极值聚类流程图；
图4本发明实施例中的树冠半径剖面模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例中，提供一种激光扫描环境点云数据中树冠模型提取方法，包括以下步骤，步骤一，利用机载LiDAR***对观测对象进行离散化点云扫描，按照典型树冠类型进行树冠分类建模，将扫描获取的点云抽象外廓空间结构类型划归为锥形、半球形、半椭球形，并建立对应结构的内外表面模型；步骤二，采用0.5米-3米采样间隔对散乱点云进行影像栅格化处理，使其能够转换成可供后期对象识别、空间分析处理的二维影像；步骤三，针对不同的树冠横向面直径大小，选择动态可调的滤波计算窗口面向树冠覆盖范围半径小于3m的树冠平面进行筛选和划分；步骤四，在树冠面被筛选划分出来后，按照树干中心线和树冠剖面窗口斜率计算得到单一树冠的半径；步骤五，按照树干中心线和窗口计算得到的半径进行二维平面树冠圆形边缘勾画；步骤六，在不同类型树冠轮廓完成勾画后，统计结果中不同树冠计算窗口上的树冠分类数量，为统计、分析及后期建模做准备。
进一步地，所述步骤四中，具体为在能量收敛计算迭代过程中寻找局部极值点进行比较，对树冠中心覆盖小于3米半径的极大值点标记为树冠点，然后以树冠点为中心对周边树冠表面点进行斜率计算，各不同的斜率可以通过垂直剖面计算其夹角，按照树冠表面点到树干中线水平距离的三角关系计算得到按照不同树冠模型在其最大覆盖投影面上的半径。
对于单一树种的林地，绝大多数具有类似的树冠大小，不过在自然状态下，植被具有不同的形态，独立特征明显的常见大小(林冠覆盖半径约为0.5米-3米)植被常见的树冠形态为圆锥形、半椭球形和半球形。如果采用固定窗口来进行树冠检测，则较小的窗口会导致大树冠被错误划分为若干个小树冠，较大的窗口则会导致小树冠被错误合并为单株大树冠。所以，采用可变窗口来计算不同树冠形态下的半径。因为激光点云数据具有高程维度数据信息。所以在局部最大值附近窗口就可以计算其斜率。
进一步地，所述步骤五中，具体为在处理大量点云时，如何快速进行扫描数据点的特征点提取是整个目标提取计算的关键步骤。这也影响着整个计算的代价和效率。为了避免对栅格化点云影像的逐像素计算，采用检测掩膜计算3mx3m范围内的数据点，寻找树冠局部潜在极值区域，减小计算消耗，在每一掩膜内，按照固定斜率的方式确定搜索窗口，采用改进的基于能量收敛函数的自迭代均值漂移算法进行数据点聚类，获得树冠点；如果计算出聚类中心点与每一掩膜内的极值点一致，则标记为此处的树冠极值点，否则将该聚类点作为新的掩膜点带入下一次的聚类计算，直至迭代出的聚类中心点与掩膜极值点相同。
进一步地，每一扫描点间的能量势能函数定义为单独各点的势能之和，各单独点的势能P(xi)为xj到xi各向同性的核函数G(xi)与带宽参数hxi构成，即由xi到xj的势能为P(i,j)＝S(hxi)(1-g(xi-xj)/hxi)，其中S(hxi)为势能约束系数，用来控制整个函数能够单调递增，g(xi)为核函数G(xi)的梯度，将xi到xj与xj到xi的相互势能求和，即是该点势能函数值P(xi)＝Σ(P(i,j)+P(j,i))。
均值漂移是无参数化数据聚类的优秀算法，广泛应用于图像分割、目标跟踪、视频分析等领域。本算法中，在使用均值漂移对数据点进行递归收缩时，带宽参数需要逐渐变化来贴合数据的离散分布性特点。特别选择选择使用以上定义的能量势能函数来对势能约束值较小的点进行快速合并，如对于变化较小且均一的分布扫描点可以通过规避小的计算来减少迭代过程。而且，比最大约束势能值小的点一般也是分布在对象的独家。这样，可以通过大势能的点(远离点)来推动扫描数据点聚集到局部极大值处，避免被周围的密集点聚类形成错误分布，同时，对于噪声异常扫描点的抑制作用也较好。
进一步地，所述步骤一中，对应的三种树冠外廓空间形态的数学模型分别为：
圆锥体：fout＝R/tan(B)
半球体：fout＝[R2-(x2+y2)]1/2
半椭球体：fout＝e*[R2-(x2+y2)]1/2
其中，fout为扫描模型外轮廓面，B为树冠外廓面与垂直平面投影夹角，R为外廓面在投影平面上的空间投影圆形的半径，x为扫描点在投影平面上的横轴坐标，y为扫描点在投影平面上的纵轴坐标，e为椭球体的长短轴比值。
进一步地，依据平面三角关系，完整树冠投影半径R＝r/[sin(180-2*A)]，r为当前预设计算窗口半径；A为树冠外廓面上任意扫描点到树干中心线的夹角。
树冠聚类计算如图4所示。所以，根据以上公式迭代收敛可以计算出对应的每一树冠的轮廓半径用以进行平面范围勾画。
本发明的较佳实施例中，提供一种激光扫描环境点云数据中树冠模型提取方法，如图1所示，计算流程由树冠分类建模、点云栅格化、栅格滤波、树冠窗口计算、轮廓勾画、及结果分类统计六个环节组成。
树冠分类建模是按照典型树冠类型，将扫描获取的点云抽象空间结构类型划归为锥形、半球形、半椭球形，其理想分布形态和实际点云示例如图2所示，并建立对应结构的内外表面模型，不同类型树冠形态空间模型。之后，针对点云进行栅格化影像处理，采用0.5米-3米的采样间隔对散乱点云进行栅格化，使转换成可供后期对象识别、空间分析等处理的二维影像。
随后，栅格滤波选择动态可调的滤波计算窗口面向合适大小的树冠平面进行极值点聚类筛选和划分，示意图如图3所示。
树冠窗口计算是在树冠面被筛选划分出来后，按照树干中心线和树冠剖面窗口斜率，示意图如图4所示，计算得到单一树冠的半径。
将上步计算出的树冠半径，在每一计算得到的树冠极值点处进行轮廓勾画，按照树干中心线和窗口计算得到的半径进行二维平面树冠圆形边缘勾画。
最后，在不同类型树冠轮廓完成勾画后，统计结果中不同树冠计算窗口上的树冠分类数量，为统计、分析及后期建模做准备。
本发明利用科考船船载直升机或无人机搭载的航空激光三维扫描仪(LiDAR)***进行主动式目标识别，可以实现对船外空间如海岛/礁、近岸环境中的植被扫描数据的建模与提取；通过对相关植被信息的采集，实现对近岸环境的感知，提升科考船的空间探测与决策辅助能力；提出一套不同类型植被树冠模型，优化了滤波的过程与结果。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种激光扫描环境点云数据中树冠模型提取方法，其特征在于，包括以下步骤，步骤一，利用机载LiDAR***对观测对象进行离散化点云扫描，按照典型树冠类型进行树冠分类建模，将扫描获取的点云抽象外廓空间结构类型划归为锥形、半球形、半椭球形，并建立对应结构的内外表面模型；步骤二，采用0.5米-3米采样间隔对散乱点云进行影像栅格化处理，使其能够转换成可供后期对象识别、空间分析处理的二维影像；步骤三，针对不同的树冠横向面直径大小，选择动态可调的滤波计算窗口面向树冠覆盖范围半径小于3m的树冠平面进行筛选和划分；步骤四，在树冠面被筛选划分出来后，按照树干中心线和树冠剖面窗口斜率计算得到单一树冠的半径；步骤五，按照树干中心线和窗口计算得到的半径进行二维平面树冠圆形边缘勾画；步骤六，在不同类型树冠轮廓完成勾画后，统计结果中不同树冠计算窗口上的树冠分类数量，为统计、分析及后期建模做准备。
2.根据权利要求1所述的激光扫描环境点云数据中树冠模型提取方法，其特征在于，所述步骤四中，具体为在能量收敛计算迭代过程中寻找局部极值点进行比较，对树冠中心覆盖小于3米半径的极大值点标记为树冠点，然后以树冠点为中心对周边树冠表面点进行斜率计算，各不同的斜率可以通过垂直剖面计算其夹角，按照树冠表面点到树干中线水平距离的三角关系计算得到按照不同树冠模型在其最大覆盖投影面上的半径。
3.根据权利要求1或2所述的激光扫描环境点云数据中树冠模型提取方法，其特征在于，所述步骤五中，具体为采用检测掩膜计算3mx3m范围内的数据点，寻找树冠局部潜在极值区域，减小计算消耗，在每一掩膜内，按照固定斜率的方式确定搜索窗口，采用改进的基于能量收敛函数的自迭代均值漂移算法进行数据点聚类，获得树冠点；如果计算出聚类中心点与每一掩膜内的极值点一致，则标记为此处的树冠极值点，否则将该聚类点作为新的掩膜点带入下一次的聚类计算，直至迭代出的聚类中心点与掩膜极值点相同。
4.根据权利要求3所述的激光扫描环境点云数据中树冠模型提取方法，其特征在于，每一扫描点间的能量势能函数定义为单独各点的势能之和，各单独点的势能P(xi)为xj到xi各向同性的核函数G(xi)与带宽参数hxi构成，即由xi到xj的势能为P(i,j)＝S(hxi)(1-g(xi-xj)/hxi)，其中S(hxi)为势能约束系数，用来控制整个函数能够单调递增，g(xi)为核函数G(xi)的梯度，将xi到xj与xj到xi的相互势能求和，即是该点势能函数值P(xi)＝Σ(P(i,j)+P(j,i))。
5.根据权利要求1或2所述的激光扫描环境点云数据中树冠模型提取方法，其特征在于，所述步骤一中，对应的三种树冠外廓空间形态的数学模型分别为：
圆锥体：fout＝R/tan(B)
半球体：fout＝[R2-(x2+y2)]1/2
半椭球体：fout＝e*[R2-(x2+y2)]1/2
其中，fout为扫描模型外轮廓面，B为树冠外廓面与垂直平面投影夹角，R为外廓面在投影平面上的空间投影圆形的半径，x为扫描点在投影平面上的横轴坐标，y为扫描点在投影平面上的纵轴坐标，e为椭球体的长短轴比值。
6.根据权利要求5所述的激光扫描环境点云数据中树冠模型提取方法，其特征在于，依据平面三角关系，完整树冠投影半径R＝r/[sin(180-2*A)]，r为当前预设计算窗口半径；A为树冠外廓面上任意扫描点到树干中心线的夹角。
CN201710891872.5A 2017-09-27 2017-09-27 激光扫描环境点云数据中树冠模型提取方法 Pending CN107705344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710891872.5A CN107705344A (zh) 2017-09-27 2017-09-27 激光扫描环境点云数据中树冠模型提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710891872.5A CN107705344A (zh) 2017-09-27 2017-09-27 激光扫描环境点云数据中树冠模型提取方法

Publications (1)

Publication Number Publication Date
CN107705344A true CN107705344A (zh) 2018-02-16

Family

ID=61176205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710891872.5A Pending CN107705344A (zh) 2017-09-27 2017-09-27 激光扫描环境点云数据中树冠模型提取方法

Country Status (1)

Country Link
CN (1) CN107705344A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957476A (zh) * 2018-09-26 2018-12-07 中国计量大学 一种基于无人机的树径测量装置及树径测算方法
CN110070550A (zh) * 2019-04-26 2019-07-30 中国农业大学 林木的修整策略获取方法、装置与电子设备
CN111160236A (zh) * 2019-12-27 2020-05-15 北京林业大学 一种结合林区三维形态滤波的分水岭冠层自动分割方法
CN116862985A (zh) * 2023-09-01 2023-10-10 江苏中安建设集团有限公司 一种土地高精度定位电子信息化监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761744A (zh) * 2014-02-21 2014-04-30 哈尔滨工业大学 通用型二维点云分组方法
CN104849722A (zh) * 2015-05-08 2015-08-19 南京林业大学 一种LiDAR波形综合特征的单木识别方法
CN105046688A (zh) * 2015-06-23 2015-11-11 北京工业大学 一种三维点云中的多平面自动识别方法
US20160063754A1 (en) * 2014-08-26 2016-03-03 The Boeing Company System and Method for Detecting a Structural Opening in a Three Dimensional Point Cloud
CN105469098A (zh) * 2015-11-20 2016-04-06 中北大学 一种自适应特征权重合成的lidar数据地物精确分类方法
CN106077251A (zh) * 2016-06-27 2016-11-09 哈尔滨工业大学 一种交叉筋整体壁板的激光诱导自由成形方法及装置
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761744A (zh) * 2014-02-21 2014-04-30 哈尔滨工业大学 通用型二维点云分组方法
US20160063754A1 (en) * 2014-08-26 2016-03-03 The Boeing Company System and Method for Detecting a Structural Opening in a Three Dimensional Point Cloud
CN104849722A (zh) * 2015-05-08 2015-08-19 南京林业大学 一种LiDAR波形综合特征的单木识别方法
CN105046688A (zh) * 2015-06-23 2015-11-11 北京工业大学 一种三维点云中的多平面自动识别方法
CN105469098A (zh) * 2015-11-20 2016-04-06 中北大学 一种自适应特征权重合成的lidar数据地物精确分类方法
CN106077251A (zh) * 2016-06-27 2016-11-09 哈尔滨工业大学 一种交叉筋整体壁板的激光诱导自由成形方法及装置
CN106815847A (zh) * 2017-01-12 2017-06-09 非凡智慧（宁夏）科技有限公司 基于激光雷达点云的树木分割方法及单棵树提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, LIKUN: "Individual Tree Shape Modeling for Canopy Delineation from Airborne LiDAR Data", 《PROCEEDINGS OF SPIE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957476A (zh) * 2018-09-26 2018-12-07 中国计量大学 一种基于无人机的树径测量装置及树径测算方法
CN110070550A (zh) * 2019-04-26 2019-07-30 中国农业大学 林木的修整策略获取方法、装置与电子设备
CN110070550B (zh) * 2019-04-26 2021-09-28 中国农业大学 林木的修整策略获取方法、装置与电子设备
CN111160236A (zh) * 2019-12-27 2020-05-15 北京林业大学 一种结合林区三维形态滤波的分水岭冠层自动分割方法
CN116862985A (zh) * 2023-09-01 2023-10-10 江苏中安建设集团有限公司 一种土地高精度定位电子信息化监测方法
CN116862985B (zh) * 2023-09-01 2023-11-10 江苏中安建设集团有限公司 一种土地高精度定位电子信息化监测方法

Similar Documents

Publication Publication Date Title
Wu et al. Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests
CN112381861B (zh) 一种基于地基激光雷达的林地点云数据配准和分割方法
Yang et al. An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN105389538B (zh) 一种基于点云半球切片估算森林叶面积指数的方法
Allouis et al. Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals
CN113591766B (zh) 一种无人机多源遥感的树种识别方法
Zhou Digital elevation model and digital surface model
CN111612896B (zh) 一种基于机载激光雷达树点云重建三维树模型的方法
CN107705309A (zh) 激光点云中林木参数评估方法
CN107273902B (zh) 一种从机载LiDAR数据自动提取电塔点云的方法
CN106199557A (zh) 一种机载激光雷达数据植被提取方法
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN107705344A (zh) 激光扫描环境点云数据中树冠模型提取方法
CN112819830A (zh) 基于深度学习与机载激光点云的单株树冠分割方法
CN107479065B (zh) 一种基于激光雷达的林窗立体结构量测方法
Bienert et al. Voxel space analysis of terrestrial laser scans in forests for wind field modelling
CN107330422A (zh) 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法
CN109766824B (zh) 基于模糊证据理论的主被动遥感数据融合分类方法
Yan Pixel based and object oriented image analysis for coal fire research
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
Li et al. An iterative-mode scan design of terrestrial laser scanning in forests for minimizing occlusion effects
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
Ferraz et al. Canopy density model: A new ALS-derived product to generate multilayer crown cover maps
Liu et al. Individual tree identification using a new cluster-based approach with discrete-return airborne LiDAR data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180216