CN108764531A - 基于tls提取单木胸径的聚类圆拟合优化算法 - Google Patents

Abstract

本发明一种基于TLS提取单木胸径的聚类圆拟合优化算法，属于点云数据处理领域。其步骤为：利用地面激光雷达扫描样地获得点云数据；数据抽稀，降噪，高程归一化；截取胸径点并用模糊聚类算法将胸径点聚类；使用圆拟合算法提取单木胸径；回归分析，评价算法精度。实践证明该算法能够通过TLS单站数据有效地提取单木胸径，得到满意结果，且算法效率高，节省了数据存储空间，能够为科学有效地森林经营决策提供依据。

Description

基于TLS提取单木胸径的聚类圆拟合优化算法

【技术领域】

本发明涉及一种基于TLS提取单木胸径的聚类圆拟合优化算法。

【背景技术】

森林是生态***的重要组成部分，研究森林的垂直结构分布对于林分生物量反演具有重要意义。树高、胸径、冠幅、郁闭度等是描述林分的几何结构的重要参数。地面激光雷达(TLS，Terrestrial Laser Scanner)是近年来国际发展十分迅速的主动雷达探测技术，广泛的应用于工程设计、林业、农业、矿产、交通、城市规划、灾害监测和遗产记录等领域。TLS的工作机理区别于光学遥感，主要是通过测量测站与被测物体之间的相对距离来描述林分之间的相对关系，是一种非破坏性的冠层高分辨率三维测量手段，并为实现单木几何结构参数的自动获取和重建三维真实结构森林场景提供了可能。

近年来许多学者致力于TLS提取单木胸径的研究。当前胸径的提取算法主要有Hough变换算法，聚类圆拟合算法，和圆柱体拟合算法，快速凸包算法。常规聚类圆拟合提取胸径分为两步：首先确定单木位置，然后在胸径处截取一定厚度的点云并将其投影到XY平面内，将所有点与胸径点中心距离均值的2倍视为胸径。常规聚类圆拟合算法存在两个问题：1、单木位置的确定需要将各测站数据配准，配准的精度对胸径提取的精度影响明显且数据量较大对计算机性能要求较高；2、本方法通过计算胸径点与单木位置距离的均值提取胸径，所以单木位置确立的精度对胸径提取影响较大。

由此可见，提供一种改进的基于TLS提取单木胸径的聚类圆拟合优化算法是本领域亟需解决的问题。

【发明内容】

本发明针对上述问题，提供一种基于TLS提取单木胸径的聚类圆拟合优化算法，该优化算法提高了精准度，节省了数据存储空间，提高了算法效率的。

为了解决上述问题，本发明提供一种人防风量测量装置，所述风量检测装置连接至要测量的通风管中，人防风量测量装置具有显示部、自所述显示部向下延伸的测量部、连接在所述测量部上的管路部，所述管路部连接至通风管中，测量部为均速管流量计，均速管流量计采用多点打孔取平均的方式测量风量，所述风量检测装置还具有变送器，变送器将均速管流量计的风量值变为标准模拟量输送到显示部，所述显示部具有LED数码管，标准模拟量的值实时输出至LED数码管上，所述显示部与所述测量部、管路部为一体式结构。

进一步的，所述管路部为圆环状，所述测量部穿透所述管路部的表面并延伸至管路部的内部，所述测量部穿过所述管路部的中心。

进一步的，所述风量检测装置具有远程数据传输装置，将所述风量实时地传送至总控制中心。

进一步的，所述管路部为圆环状，所述管路部具有位于所述圆环两端圆周的通孔，所述通孔与标准人防专用手电动密闭阀门法兰连接至通风管中。

进一步的，人防风量测量装置具有4-20ma输出端口、0-10V输出端口中的一个。

进一步的，人防风量测量装置具有RS485通讯功能。

进一步的，人防风量测量装置具有报警模块，当所述检测装置检测到的风量值大于额定值时，启动报警功能。

再者，本发明利用平面内任意两两不共线的3点确定圆的思想提出一种基于TLS单站点云数据的聚类圆拟合优化算法提取单木胸径算法。本方法有效地避免了数据配准影响单木胸径提取精度与数据存储空间大的问题，且算法效率高。通过聚类圆拟合优化算法提取单木胸径的研究与分析，得到的主要结论如下：

常规聚类圆拟合算法需要多站拼接的完整胸径点数据，且在拟合圆之前需要确定单木位置。改进算法胸径点不需要构成完整的圆且在拟合圆之前不需要确定单木位置。

本发明利用单站扫描数据按照平面内任意两两不共线的3点确定圆的思想拟合圆。本方法只需要单站测量数据，不需要将多站数据拼接，免去了因配准的误差而降低单木胸径提取精度，且算法效率较高。

本发明拟合胸径的R²为0.95，RMSE为0.69cm，说明通过聚类圆拟合优化算法提取胸径是一个切实有效的方法。

综上，本发明利用TLS单站扫描数据，采用模糊聚类算法快速将单木胸径点聚类而后通过圆拟合的方法获得单木胸径。实践证明，该方法能够有效的提取单木胸径，得到满意结果，具有高精度高效率的特点。

【附图说明】

图1是本发明基于TLS提取单木胸径的聚类圆拟合优化算法的流程图。

图2是本发明的单木聚类中心图。

图3是本发明的圆拟合图。

图4是本发明的回归分析图。

【具体实施方式】

原理：TLS点云数据以(x，y，z)三维坐标记录每一个待测物体某一反射点的位置。通过模糊聚类算法将单木胸径点聚类。林分单木胸径大多呈圆形生长，依据同一平面内两两不在同一直线的3点确定圆的思想在每一个单木胸径类别中随机选择3个点拟合圆以达到确定单木胸径的目的。

模糊聚类算法由一个目标函数(1)和约束条件(2)定义：

式中：c为类别数，n为样本数，u_ij为隶属度矩阵，m为隶属度因子，c_i为聚类中心。

经推导得：

程序开始时随机将u_ij或c_i赋值并输入待分类个数，反复迭代直到目标函数J的值趋于稳定，说明目标函数收敛。在隶属度矩阵u_ij中，每个点隶属于所有类别的隶属度之和为1，依据某一点隶属度的最大值判断该点所属类别，最终达到将胸径点分类的目的。

一种基于TLS提取单木胸径聚类圆拟合优化算法，包括以下步骤(具体的步骤流程图见图1)：

步骤1：在研究区布设样地，用地面激光雷达(TLS)扫描获取林分点云单站扫描数据，并用胸径尺测量研究对象的单木胸径。

步骤2：将点云分割成多个立方体的体元，若某体元内数据点少于阈值个数，即将该体元内的点剔除。

步骤3：依据点云的(x，y)坐标将所有点划归到一定大小的栅格中并获取每个栅格中z坐标的最小值zmin。将每个栅格的点z坐标减去所在栅格z坐标的最小值。

步骤4：截取胸径点处的点云，获取所有点的(x，y)坐标，采用模糊类算法将胸径点聚类。

步骤5：在每个类别中随机选取3个点拟合圆，所得圆的直径即为单木胸径。

步骤6：将提取单木胸径与实际测得单木胸径进行回归分析。

步骤1中采用的是单站扫描数据与常规聚类圆拟合算法需要多站拼接数据不同，本发明所需数据量相对较小，算法效率高。

步骤3中生成地点DTM，利用DTM达到高程归一化的目的。点云的栅格尺寸会对高程归一化精度产生影响。

步骤4中目标函数收敛确定分类别之后需要判断是否将所有的单木胸径点正确分类。如果没有正确分类继续步骤4，直到正确分类。

步骤6中回归分析中检验R²是否大于0.85。

本发明利用Trimble GX 3D扫描获得点云数据，并同时用胸径尺测量研究区的单木胸径。采用MATLAB编程语言实现整个单木胸径提取的过程。数据的分割采用RealWorks实现。

结合图1至图3，对本发明基于TLS提取单木胸径的聚类圆拟合优化算法做具体说明。基于TLS提取单木胸径的聚类圆拟合优化算法主要由六个步骤组成：数据获取、降噪、高程归一化、模糊聚类、圆拟合、回归分析。

步骤一：数据获取。利用Trimble GX 3D扫描获得5个样地的单站点云数据。将数据导入RealWorks，截取所需数据并根据需要适当抽稀。

步骤二：降噪。目的：去除噪声点。

读取数据：将RealWorks处理后的点云导入MATLAB中，以矩阵的形式存储每个点的三维坐标。

降噪：将点云分割成10*10*10cm的体元，若某体元内数据点少于10个，即将该体元内的点剔除。最终到达降噪的目的。

步骤三：高程归一化。目的：使地面点处于同一水平面，有利于同时截取所有单木的胸径点。

利用降噪后的数据，依据点云的(x，y)坐标将所有点划归到5*5cm的栅格中，并获取每个栅格中z坐标的最小值zmin。将每个栅格的z坐标减去所在栅格z坐标的最小值。最终达到高程归一化的目的。

高程归一化的核心代码如下：

xmin＝floor(min(R(:,1)))；

ymin＝floor(min(R(:,2)))；

temp＝zeros(size(R,1),2)；

for i＝1:size(R,1)

temp(i,:)＝[ceil((R(i,1)-xmin)/d),ceil((R(i,2)-ymin)/d)]；％存储对应点所属栅格

end

[C,ia,ic]＝unique(temp,'rows')；

voxel＝cell(1,size(C,1))；％体元

for j＝1:size(C,1)

a＝find(ic＝＝j)；％原矩阵属于同一体元的点的行号

aa＝zeros(size(a,1),3)；

for k＝1:size(a,1)

aa(k,:)＝R(a(k),:)；

end

voxel{1,j}＝aa；

end

GR＝[]；

for k＝1:size(voxel,2)

b＝voxel{1,k}；

hmin＝min(b(:,3))；

if hmin>h

GR＝[GR；b]；

else

bb＝[b(:,1:2),(b(:,3)-hmin*ones(size(b,1),1))]；

GR＝[GR；bb]；

end

end

GR即为高程归一化后的点云。

步骤四：模糊聚类。目的：将所有胸径点按所属单木分类。

1)模糊聚类：调用MATLAB模糊聚类函数，输入GR与类别数c。当目标函数收敛时，返回聚类中心矩阵C和隶属度矩阵U。依据得到的隶属度矩阵U将胸径点分类。

2)分类精度鉴别：调用MATLAB绘制所有聚类中心(见图2)，通过目视的方法判断是否所有的胸径点都落在单木胸径点内。若聚类中心没有覆盖所有单木位置则重复步骤四。

模糊聚类核心代码如下：

point＝[]；n0＝0；

for i＝1:size(R,1)

if R(i,3)<1.32&&R(i,3)>1.28

n0＝n0+1；

point(n0,1:3)＝R(i,:)；

end

end

A＝point(:,1:2)；

[center,U,obj_fcn]＝fcm(A,n)；

maxu＝max(U)；

temp＝cell(1,n)；

for i＝1:size(U,1)

indexu＝find(U(i,:)＝＝maxu)；

for j＝1:size(indexu,2)

temp{1,i}＝[temp{1,i}；A(indexu(j),:)]；

end

end

scatter(A(:,1),A(:,2),3)；hold on

scatter(center(:,1),center(:,2),'r*')

步骤五：圆拟合(见图3)。目的：获取单木胸径。

在上述每个类别中随机选取3个两两不在同一平面的点拟合圆，依据拟合圆半径获得单木胸径。

圆拟合核心代码如下：

RR即返回的单木胸径。

第六步：回归分析。目的：判断提取单木胸径精度。

将通过本算法提取的单木胸径值与实测胸径值线性回归，通过R²与RMSE判断本算法提取单木胸径精度。本实例中R²为0.95，RMSE为0.69cm(见图4)。

结果表明本发明提出的基于TLS提取单木胸径的聚类圆拟合优化算法能够实现较高精度的单木胸径提取，且算法精度较高。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于TLS提取单木胸径的聚类圆拟合优化算法，包括以下步骤：

步骤1：在研究区布设样地，用地面激光雷达(TLS)扫描获取林分点云单站扫描数据，并用胸径尺测量研究对象的单木胸径。其中每一个点用(x,y,z)表示一个扫描点是三维坐标。

步骤2：采用体元化法对点云进行降噪处理。将点云分割成多个立方体的体元。若某体元内数据点少于阈值数，即将该体元内所有点视为噪声点并将其剔除。

步骤3：依据点云的(x，y)坐标将所有点划归到5*5cm的栅格中并获取每个栅格中所有点z坐标的最小值zmin。将每个栅格的所有点z坐标减去所在栅格z坐标的最小值，最终实现点云高程归一化。

步骤4：截取胸径点处的点云，获取所有点的(x，y)坐标，采用模糊类算法将胸径点聚类。最终实现同一单木的所有胸径点归类到一个类别中。

模糊聚类算法由一个目标函数(1)和约束条件(2)定义：

式中：c为类别数，n为样本数，u_ij为隶属度矩阵，m为隶属度因子，c_i为聚类中心。

经推导得：

程序开始时随机将u_ij或c_i赋值并输入待分类个数，反复迭代直到J的值趋于稳定，说明目标函数收敛。最终依据得到的隶属度矩阵u_ij将胸径点分类。

步骤5：在每个类别中随机选取3个点拟合圆，所得圆的直径即为单木胸径。

拟合圆的公式为：(x-a)²+(y-b)²＝R² (3)

式中：a、b为圆心坐标，R为圆半径。

步骤6：将提取单木胸径与实际测得单木胸径进行回归分析。当R²>0.85即认为该方法是可取的。

2.根据权利要求1所述的基于TLS提取单木胸径的聚类圆拟合优化算法，其特征在于，步骤5随机选取的3个点两两不在同一直线上。

3.根据权利要求1所述的基于TLS提取单木胸径的聚类圆拟合优化算法，其特征在于，步骤4中目标函数收敛确定分类别之后需要判断是否将所有的单木胸径点正确分类。如果没有正确分类继续步骤4，直到正确分类。

4.根据权利要求1所述的基于TLS提取单木胸径的聚类圆拟合优化算法，其特征在于，步骤1中利用Trimble GX 3D扫描获得5个样地的单站点云数据。将数据导入RealWorks，截取所需数据并抽稀。

5.根据权利要求1或4中任一所述的基于TLS提取单木胸径的聚类圆拟合优化算法，其特征在于，步骤2中将RealWorks处理后的点云导入MATLAB中，以矩阵的形式存储每个点的三维坐标。

6.根据权利要求5所述的基于TLS提取单木胸径的聚类圆拟合优化算法，其特征在于，将点云分割成10*10*10cm的体元，若某体元内数据点少于10个，即将该体元内的点剔除。