利用三维点云数据计算单木树冠体积的扇形分割算法

基于切片法提出了利用三维点云数据计算树冠体积的扇形分割算法,该方法能更好地顾及树冠轮廓形状.通过实例验证了方法的有效性,结果表明该方法计算的树冠体积值介于凸包法和体元法之间,有效克服了凸包法结果偏大和体元法结果偏小的问题.     

三维激光扫描数据的单木树冠体积精确计算

针对现存单木树冠体积计算方法不能剔除树冠外部较大空隙以及树冠边界提取粗糙的问题,该文在对生长算法改进的基础上,提出了基于过滤三角网的树冠边界精确提取算法,确定了树冠最优分层间距与过滤阈值,实现了树冠体积的准确计算。该方法在对扫描的单木树冠点云数据进行拼接和过滤后,进行等间隔分层处理获取其切片点云,然后采用过滤三角网算法生成符合树冠实际情况的边界,再通过计算的切片面积获取各层点云间的体积,最终累加各层点云体积得到树冠体积的精确值。对校内树冠三维激光扫描实测数据进行计算与分析,结果表明过滤三角网算法提取的树冠边界能顾及树冠外部存在的空隙现象,进而得到准确的树冠体积值;此外,过滤三角网算法对树冠点云数据的密度要求远低于体元法,具有较高的算法稳定性。     

一种用于建筑物立面边界特征点提取的凸包三角网算法

基于现存凸包算法较难提取建筑物立面点云中的边界特征点等问题，提出一种构建凸包三角网的建筑物立面边界特征点提取算法。首先利用k近邻搜索算法查找每个点的近邻点，并通过主成分分析方法估算各点的法向量。然后将各点的近邻点投影到局部拟合平面，使用罗德里格法进行旋转获得二维投影点。最后利用凸包算法在求解边界特征点的基础上构建凸包三角网，并获得各三角形中近邻点占地率并统计各三角形的顶角值，得到剩余边界特征点。采用模拟和实测点云数据进行试验，并与改进的凸包算法和基于点的算法进行对比，结果表明，该算法能够提高建筑立面边界特征点提取的准确性和完整性，具有较强的适用性。     

用地基激光雷达提取单木结构参数——以白皮松为例

以白皮松(Pinus bungeana Zucc)为研究对象,针对地基激光雷达TLS扫描的3维点云数据在单株木垂直方向的分布特征,提出了一种基于体元化方法的树干覆盖度变化检测方法,获取单木枝下高;然后根据获取的枝下高引入2维凸包算法获取垂直方向分层树冠轮廓,并计算树冠体积和冠幅;同时获取的单木参数还有胸径与树高。结果表明:单木枝下高的估测精度较高,R2与RMSE分别为0.97 m和0.21 m;胸径估测结果的R2与RMSE分别为0.79 cm和1.07 cm;采用逐步线性回归方法建立单木树冠体积与其他单木参数的相关关系,模型变量包括冠幅、叶子填充树冠长度和胸径,样本数为20,模型的R2与RMSE分别是0.967 m3和2.64 m3。本文方法能较准确地估测枝下高,TLS数据具有对树冠结构3维建模的潜力。     

利用无人机数码影像进行密植型果园单木分割

单木树冠提取对果树健康状态、营养成分、产量预测具有重要意义。无人机获取的高分辨率遥感影像作为低成本、低风险的数据源,为准确估计棵数、描绘树木冠层轮廓提供了新的技术手段。以往关于单木冠层轮廓提取的研究大多集中在森林或稀疏果园,以局部最大值滤波结果作为基于标记分水岭算法的种子点,该方法在密植型果园的表现并不理想。提出了一种适用于密植型果园、以区域型种子块作为标记的分水岭算法,通过最大似然法提取果树冠层生成冠层数字表面模型,利用高斯滤波结合形态学开运算及自适应阈值分割方法生成区域型种子块,并执行基于种子块标记的分水岭算法,实现密植型果园单木分割。实例研究结果表明,总体棵数查全率为95.22%,查准率为99.09%,得到单木轮廓提取总体准确率为93.45%,总体欠分割误差为5.87%,总体过分割误差为0.90%。与局部最大值种子点提取结果对比,总体准确度提高18.66%,精细树冠轮廓提取精度提高17.75%,可为地形平缓地区密植型果园单棵果树树冠提取提供参考。     

车载LiDAR点云相连行道树精细分割

针对车载激光雷达获取的行道树树冠点云相连问题,该文提出了基于树木生长模型的距离加权分割方法。首先通过等距原则将相连树粗分割为单株树木,采用求差和拟合算法获得树木高度、胸径等属性信息;再根据树木的理论和实际生长模型,计算得到树冠距离加权值;最后在此基础上对树冠进行迭代处理,实现邻接行道树点云的精确分割。经过不同树种试验验证,该算法能够实现对多棵相连树点云的进一步精确分割。     

基于共面条件的点云配准旋转角参数求解方法

针对目前LiDAR获取的点云数据配准中ICP算法迭代计算效率较低和使用标靶配准时精扫标靶费时费力等问题,提出利用扫描地物所包含的平面特征及点云数据的离散特性,通过拟合平面得到平面的单位法向量进行旋转角的求解.由于点云数据中含有误差,使用拟合平面的法向量不仅避免了对标靶的精细扫描,而且也消弱了点云误差对转换参数的影响.最后通过实例验证了本文方法的可行性与严密性.     

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。     

机载LiDAR点云数据的组合滤波算法研究

针对采用渐进式形态学滤波算法进行机载LiDAR点云滤波时存在的滤波效果不佳、地形特征保留不明显的问题,本文提出了一种改进不规则三角网的后处理滤波算法,构建组合式机载LiDAR点云滤波算法。该组合算法有效地结合了渐进式形态学滤波算法与改进TIN滤波算法的优势,首先采用渐进式形态学滤波算法对原始机载LiDAR点云数据进行处理,提取得到初始地面点;其次优化传统TIN滤波算法,以初始地面点及种子点构建TIN,通过连续迭代提取得到精细化地面点。为验证本文提出滤波算法的可靠性与优越性,选取宁波市某地2组机载LiDAR点云数据进行实验,结果表明,与较单一的渐进式形态学滤波算法、TIN滤波算法地面点提取结果相比较,本文改进滤波算法提取地面点的Ⅰ类误差、Ⅱ类误差及总误差均更低,且不受地形条件限制,具有较高的适应性,验证了本文提出改进滤波算法的可靠性与优越性。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据,首先通过点云数据的分类处理实现对树木点云数据的提取,将树木点云投影到水平面,采用DBSCAN密度聚类算法实现单根树木的提取;然后在数据密集区域存在树木树冠点云重叠的区域,本文结合树干几何特征提取树干的位置信息,计算所有点云到树干中心的欧氏距离,将所有点云归类到最近的树干进行粗分割;最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心,提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明,本文采用的树木分割方法能够实现单棵树木精确提取。