CN115272733B - 一种基于点云数据与多特征融合的树干信息提取方法 - Google Patents

一种基于点云数据与多特征融合的树干信息提取方法 Download PDF

Info

Publication number
CN115272733B
CN115272733B CN202210915266.3A CN202210915266A CN115272733B CN 115272733 B CN115272733 B CN 115272733B CN 202210915266 A CN202210915266 A CN 202210915266A CN 115272733 B CN115272733 B CN 115272733B
Authority
CN
China
Prior art keywords
point cloud
cloud data
clustering
point
center
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.)
Active
Application number
CN202210915266.3A
Other languages
English (en)
Other versions
CN115272733A (zh
Inventor
朱婷婷
冯倩
倪超
曹福亮
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202210915266.3A priority Critical patent/CN115272733B/zh
Publication of CN115272733A publication Critical patent/CN115272733A/zh
Application granted granted Critical
Publication of CN115272733B publication Critical patent/CN115272733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761Proximity, similarity or dissimilarity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/188Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于点云数据与多特征融合的树干信息提取方法,属于林地点云数据处理技术领域。该方法包括:采用三角剖分法提取树干区域的点云数据;选取聚类中心;计算每个点云数据的快速点特征直方图;计算每个点云数据到聚类中心的欧式距离和快速点特征直方图的相似度;根据欧氏距离和相似度,重新确定聚类中心;当聚类中心不再变,每类点云数据构成了一棵树干。本发明利用三角剖分法克服点云数据的非结构性、降低点云数据量,提高信息提取效率和精度;利用欧式距离和FPFH的相似度作为聚类准则,优化聚类效果,为树木点云数据的分类提供了一种简单有效的分类方法,有助于提高森林资源调查与监测的效率。

Description

一种基于点云数据与多特征融合的树干信息提取方法
技术领域
本发明涉及林地点云数据处理技术领域,具体涉及一种基于点云数据与多特征融合的树干信息提取方法。
背景技术
三维扫描技术的快速发展使点云数据具备采集成本低、获取速度快与数据精度高等优势,这为三维点云的研究提供发展前提。目前,点云数据在森林监测、自动驾驶、轨道探测等领域都获得了广泛的应用。点云分类可有效提取点云语义信息,但由于其数据量大、非结构性和无序性等特点使得高效利用点云特征进行分类成为研究领域的热点问题。
林业调查研究,是林业资源管理和研究进程的重要支持。激光雷达扫描技术的发展,为林业调查研究提供了高效测量手段。激光雷达扫描获取的点云数据量大,区别于二维影像的三维坐标信息且包含扫描回波强度和颜色信息,可视化好。但点云数据空间呈不均匀离散化状态分布,不具备拓扑结构。因此,点云数据进一步处理具有一定难度。但目前多种点云处理软件的面世为点云数据的处理提供了便利手段,目前点云处理软件都可进行三维显示、基本预处理以及批处理等功能。但对于林地树木数量、胸径等基础数据一般都要在单木分割处理后才能获得,这为大面积林地基础数据获取带来不便。因此,如何快速、有效提取林地基础数据为大面积林地林业调查提供有效依据是需要解决的问题之一。
发明内容
本发明的目的就是为了克服上述背景下的问题,提供了一种基于点云数据与多特征融合的树干信息提取方法应用到林地树干点云分类领域,采用树干检测的方法为林地初步调查获取数据提供支持。
技术方案:为了解决上述技术问题,本发明采用的技术方案如下:
一种基于点云数据与多特征融合的树干信息提取方法,包括如下步骤:
步骤1:获取目标林地的三维点云数据,截取从地面到指定高度的点云数据,采用三角剖分法提取截取后的点云数据质心,组成点云数据集DS1;
步骤2:从DS1中随机选取N个点云数据,N为大于等于1的整数;
步骤3:以选取的N个点云数据作为N个聚类中心;
步骤4:计算所述N个聚类中心的快速点特征直方图;
步骤5:计算DS1中每个点云数据到N个聚类中心的欧氏距离,以及每个点云数据的快速点特征直方图;
步骤6:计算DS1中每个点云数据的快速点特征直方图与N个聚类中心快速点特征直方图的相似度;
步骤7:按照以下公式计算DS1中每个点云数据的N个分类特征值,
其中,j=1,2,…,N,是第i个点云数据与第j个聚类中心的分类特征值,/>是第i个点云数据与第j个聚类中心的快速点特征直方图的相似度,ω为加权系数,/>第i个点云数据与第j个聚类中心的欧式距离;
步骤8:找出DS1中每个点云数据的N个分类特征值中的最大值,将该点云数据划分到该最大特征值对应的聚类中心那一类;
步骤9:重新计算DS1每类点云数据的中心,获得新的N个聚类中心;
步骤10:当新的聚类中心与原聚类中心一致时,树干信息提取完成,每一类点云数据构建一棵树干,否则继续执行步骤4。
优选的,所述指定高度为d1,树根到树冠之间的距离为d2,0.5d2≤d1≤0.8d2
优选的,所述的三角剖分法是对林地点云数据构建三角网格,计算每个三角网格的点云质心,每个林地点云数据质心的公式如下:
其中,PC是质心坐标,xi,yi,zi分别是点云数据的三维坐标值。
优选的,所述步骤4中计算每个聚类中心的快速点特征直方图时,设置领域参数k,计算每个聚类中心在k领域内的快速点特征直方图,快速点特征直方图即FPFH,计算公式如下:
其中,SPFH是点的简化特征直方图,是第i个聚类中心,k是领域范围内的点数,ωj是聚类中心/>和领域点Pj间的距离权重。
优选的,所述步骤6中点云数据和聚类中心的快速点特征直方图的相似性度计算公式如下:
其中,H1,H2分别是样本点云数据和聚类中心点云数据的快速点特征直方图,M是直方图的维度。
优选的,所述步骤9中重新计算每类点云数据的聚类中心时,聚类中心可以是实际点云数据,也可以是构造的点云数据。
优选的,所述的构造的点云数据聚类中心,可以计算聚类后同一类中所有点云数据的坐标均值作为新的聚类中心,公式如下:
其中,μi是第i个聚类中心,m是该类别内所有点云数据的个数,xe,ye,ze是第e个点的三维坐标值。
优选的,所述实际点云数据的聚类中心,可以计算聚类后同一类中每个点云数据与其他所有点云数据的快速点特征直方图的相似度,其中相似度和最大的点云数据作为新的聚类中心。
有益效益:
与现有技术相比,本发明具有以下优点:
1)、采用三角剖分算法对林地点云数据进行预处理,充分运用三角网格稳定、唯一的特点,对非结构性的点云数据构建三角网格,利用三角形质心计算完成降采样,三角剖分法克服点云数据的非结构性、降低点云数据量,提高信息提取效率和精度;
2)、将点云数据的几何特征FPFH的相似度与欧式距离相融合,改变了传统分类算法仅以距离作为聚类标准的形式,引入点云数据特征进行聚类,利用欧式距离和FPFH的相似度作为聚类准则,优化聚类效果。相较于一般聚类仅基于距离聚类,实现了对林地间树干、杂草等类别的聚类,聚类效果更好,且面对大面积林地时检测树干不仅可以快速得到树木数量,还可根据检测得到的树干以及单木胸径参数,之后可以利用单木胸径估算出单木材积,从而大致估算出林地蓄积量,对林地的初步监察具有实际意义,为树木点云数据的分类提供了一种简单有效的分类方法,有助于提高森林资源调查与监测的效率。
附图说明
图1是本发明实施例中原始杨树林地点云数据图;
图2是经过本发明三角剖分算法提取的杨树树干区域点云数据图;
图3三角剖分示意图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施了提供一种基于点云数据与多特征融合的树干信息提取方法,包括如下步骤:
步骤一:本实施案例使用的是具有18760170个点的江苏盐城一片杨树林地的点云数据(图1),采用三角剖分算法进行降采样,采集得到原始点云数据后,树根到树冠之间的距离为d2,截取指定高度d1,d1=0.8d2,构建了一尺寸为40×40×40的立方体,立方体内的点云数据即为林地内自地面至树干的林地点云数据,截取后的树干部分点云数据如图2所示,此操作可避免树干向上区域内树枝等点云数据为后续点云数据处理带来的过量数据量,截取后点云数据为3992519个点。
经过截取的点云数据根据三角剖分算法构建三角网格,三角剖分算法将离散点云转换为具有拓扑结构的三角网模型,三角剖分指点云三角化,即输入为离散点云数据输出为连续三角网格,三角剖分是将点云数据集中的点用直线连接,形成由三角形网格组成的凸包,如图3所示。点云数据构建三角网格后对每一个三角形计算质心,以质心替代点云数据,构建点云数据集DS1。计算公式如下:
其中,PC是质心坐标,xi,yi,zi分别是点的三维坐标值。
步骤二:从点云数据集DS1中选取N个点云数据;
步骤三:以选取的N个点云数据作为N个聚类中心;
步骤四:计算这N个聚类中心的快速点特征直方图(FPFH)。此外,采用Kd-tree近邻搜索方式计算FPFH,其中设置FPFH特征估计的半径为0.02,领域参数k设为100,即半径内最多取100个点云数据,计算聚类中心与其领域内点云数据之间的/>以此类推,确定聚类中心/>领域内每个点云的SPFH(Pj),融合聚类中心和领域内点云的SPFH来计算聚类中心的/>本实施例对聚类中心点云数据求FPFH公式如下:
其中,SPFH是点的简化特征直方图,是第i个聚类中心,i为1至N之间的整数;100是领域范围内的点数,ωj是聚类中心/>和领域点Pj间的距离权重。
计算每个样本点云数据到聚类中心点云数据的欧式距离,以及每个样本点云数据的FPFH。本实施例计算3992519个样本点云数据到N个聚类中心点云数据的欧氏距离,计算公式如下:
其中,Pi是第i个样本点,是第j个聚类中心。
同时,计算出3992519个样本点云数据与N个聚类中心的FPFH的相似度,相似度计算公式为
其中,H1,H2分别是样本点云数据和聚类中心点云数据的FPFH,M是直方图的维度,这里取33。
然后,计算DS1中每个点云数据的N个分类特征值,
其中,j=1,2,…,N,是第i个点云数据与第j个聚类中心的分类特征值,/>是第i个点云数据与第j个聚类中心的FPFH的相似度,ω为加权系数,/>第i个点云数据与第j个聚类中心的欧式距离。
找出DS1中每个点云数据的N个分类特征值中的最大值,将该点云数据划分到该最大特征值对应的聚类中心那一类,完成一次聚类。
一次聚类后计算更新聚类中心,采用点云数据坐标均值进行更新,计算公式如下:
其中,μi是第i个聚类中心,m是该类别内所有点云数据的个数,xe,ye,ze是第e个点的三维坐标值。
比较更新后的聚类中心与更新前聚类中心。若更新后聚类中心与更新前的聚类中心不同则对新聚类中心跳到步骤四;若更新前后聚类中心不变,则完成点云数据聚类。可视化后显示本方法分出的N个点云数据类别。
本发明提供的方法得出的聚类结果,相较于一般聚类仅基于距离聚类,实现了对林地间树干、杂草等类别的聚类,聚类效果更好,且面对大面积林地时检测树干不仅可以快速得到树木数量,还可根据检测得到的树干以及单木胸径参数,之后可以利用单木胸径估算出单木材积,从而大致估算出林地蓄积量,对林地的初步监察具有实际意义。
以上仅是本发明的优选实施方式,应当指出,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,这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,包括如下步骤:
步骤1:获取目标林地的三维点云数据,截取从地面到指定高度的点云数据,采用三角剖分法提取截取后的点云数据质心,组成点云数据集DS1;
步骤2:从DS1中随机选取N个点云数据,N为大于等于1的整数;
步骤3:以选取的N个点云数据作为N个聚类中心;
步骤4:计算所述N个聚类中心的快速点特征直方图;
步骤5:计算DS1中每个点云数据到N个聚类中心的欧氏距离,以及每个点云数据的快速点特征直方图;
步骤6:计算DS1中每个点云数据的快速点特征直方图与N个聚类中心快速点特征直方图的相似度;
步骤7:按照以下公式计算DS1中每个点云数据的N个分类特征值,
其中,j=1,2,…,N,是第i个点云数据与第j个聚类中心的分类特征值,/>是第i个点云数据与第j个聚类中心的快速点特征直方图的相似度,ω为加权系数,/>是第i个点云数据与第j个聚类中心的欧式距离;
步骤8:找出DS1中每个点云数据的N个分类特征值中的最大值,将该点云数据划分到该最大值对应的聚类中心那一类;
步骤9:重新计算DS1每类点云数据的中心,获得新的N个聚类中心;
步骤10:当新的聚类中心与原聚类中心一致时,树干信息提取完成,每一类点云数据构建一棵树干,否则继续执行步骤4。
2.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述指定高度为d1,树根到树冠之间的距离为d2,0.5d2≤d1≤0.8d2
3.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述的三角剖分法是对林地点云数据构建三角网格,计算每个三角网格的点云质心,每个林地点云数据质心的公式如下:
其中,PC是质心坐标,xi,yi,zi分别是点云数据的三维坐标值。
4.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述步骤4中计算每个聚类中心的快速点特征直方图时,设置领域参数k,计算每个聚类中心在k领域内的快速点特征直方图,快速点特征直方图即FPFH,计算公式如下:
其中,SPFH是点的简化特征直方图,是第i个聚类中心,k是领域范围内的点数,ωj是聚类中心/>和领域点Pj间的距离权重。
5.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述步骤6中点云数据和聚类中心的快速点特征直方图的相似度计算公式如下:
其中,H1,H2分别是样本点云数据和聚类中心点云数据的快速点特征直方图,M是直方图的维度。
6.根据权利要求1所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述步骤9中重新计算每类点云数据的聚类中心时,聚类中心是实际点云数据或者构造的点云数据。
7.根据权利要求6所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述构造的点云数据的聚类中心,是计算聚类后同一类中所有点云数据的坐标均值作为新的聚类中心,公式如下:
其中,μi是第i个聚类中心,m是类别内所有点云数据的个数,xe,ye,ze是第e个点的三维坐标值。
8.根据权利要求6所述的一种基于点云数据与多特征融合的树干信息提取方法,其特征在于,所述实际点云数据的聚类中心,是计算聚类后同一类中每个点云数据与其他所有点云数据的快速点特征直方图的相似度,其中相似度和最大的点云数据作为新的聚类中心。
CN202210915266.3A 2022-07-29 2022-07-29 一种基于点云数据与多特征融合的树干信息提取方法 Active CN115272733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210915266.3A CN115272733B (zh) 2022-07-29 2022-07-29 一种基于点云数据与多特征融合的树干信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210915266.3A CN115272733B (zh) 2022-07-29 2022-07-29 一种基于点云数据与多特征融合的树干信息提取方法

Publications (2)

Publication Number Publication Date
CN115272733A CN115272733A (zh) 2022-11-01
CN115272733B true CN115272733B (zh) 2024-02-23

Family

ID=83746302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210915266.3A Active CN115272733B (zh) 2022-07-29 2022-07-29 一种基于点云数据与多特征融合的树干信息提取方法

Country Status (1)

Country Link
CN (1) CN115272733B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
CN113628262A (zh) * 2021-08-17 2021-11-09 南京航空航天大学 一种基于轮廓特征约束配准的飞机蒙皮检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381861A (zh) * 2020-09-18 2021-02-19 南京航空航天大学 一种基于地基激光雷达的林地点云数据配准和分割方法
CN113628262A (zh) * 2021-08-17 2021-11-09 南京航空航天大学 一种基于轮廓特征约束配准的飞机蒙皮检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张荠匀等.《激光与光电子学进展》.2021,0228005-1至0228005-6. *
梁雪.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2020,第C029-18页. *

Also Published As

Publication number Publication date
CN115272733A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN107563381B (zh) 基于全卷积网络的多特征融合的目标检测方法
CN109993748B (zh) 一种基于点云处理网络的三维网格物体分割方法
CN110363861B (zh) 基于激光雷达点云的田地作物三维重构方法
CN109325993B (zh) 一种基于类八叉树索引的显著性特征强化采样方法
CN107369161A (zh) 一种基于改进欧式聚类的散乱工件点云分割方法
CN106886980B (zh) 一种基于三维激光雷达目标识别的点云密度增强的方法
CN106157309A (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN108320293A (zh) 一种结合改进粒子群算法的快速点云边界提取技术
CN108961294A (zh) 一种三维点云的分割方法及装置
CN103336970B (zh) 基于多子树的分布式图像训练及检索方法
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
CN114387288A (zh) 基于车载激光雷达点云数据的单立木三维信息提取方法
He et al. A Method of Identifying Thunderstorm Clouds in Satellite Cloud Image Based on Clustering.
CN115205690A (zh) 基于mls点云数据的行道树单体化提取方法及装置
CN114973191A (zh) 基于点云密度和间距的动态阈值确定方法及欧式聚类方法
Fawzia Rahim et al. Highly accurate tomato maturity recognition: combining deep instance segmentation, data synthesis and color analysis
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN115100232A (zh) 一种基于融合LiDAR点云数据的单木分割方法
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法
CN108629315B (zh) 一种针对三维点云的多平面识别方法
CN110910435A (zh) 建筑物点云提取方法、装置、计算机设备及可读存储介质
CN112070787B (zh) 基于对立推理理论的航空三维点云平面分割方法
Wang et al. Application of improved DBSCAN clustering method in point cloud data segmentation
Li et al. Saliency cuts based on adaptive triple thresholding
CN115272733B (zh) 一种基于点云数据与多特征融合的树干信息提取方法

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
GR01 Patent grant
GR01 Patent grant