本發(fā)明涉及一種從激光雷達(dá)(LiDAR)點云中提取單木信息的方法，特別是應(yīng)用于復(fù)雜林分結(jié)構(gòu)中提取下層林木的方法，適用于機載激光雷達(dá)點云數(shù)據(jù)處理與信息提取，屬于激光雷達(dá)點云數(shù)據(jù)處理技術(shù)領(lǐng)域。

二、技術(shù)背景

激光雷達(dá)(Light Detection And Ranging，LiDAR)是一項通過由傳感器所發(fā)出的激光來測定傳感器和目標(biāo)物之間距離的主動遙感技術(shù)。由于LiDAR具有高穿透性，將LiDAR技術(shù)應(yīng)用于林業(yè)遙感工作，則可獲得大量包涵林分結(jié)構(gòu)信息的點云數(shù)據(jù)；通過對整體點云進(jìn)行單木分割，可進(jìn)一步獲取單木尺度的林分信息，將以快速高效的技術(shù)替代如森林資源二類清查等人工信息調(diào)查。因此，從整體點云中分離出單木并準(zhǔn)確提取信息具有重要意義。

目前已有的分割方法有分水嶺分割、區(qū)域增長法分割等，但是這些方法都有一個共通的問題，即依賴CHM進(jìn)行分割操作，因而從原始點云生成CHM的濾波效果極大的影響了最終的提取效果，并很可能引起信息的丟失。從原理上分析，基于CHM構(gòu)建并進(jìn)行分割的方法仍是基于表面模型信息進(jìn)行分割，往往是在對最上層點云進(jìn)行分割、劃分單株木位置和冠幅范圍后將下層點云與之疊加，通常情況下中下層點云利用率很低，數(shù)據(jù)信息沒有充分挖掘，復(fù)雜林分結(jié)構(gòu)條件下幾乎無法提取中下層林木，成果應(yīng)用范圍受到限制。如何準(zhǔn)確分割更多林木、尤其是下層林木，并準(zhǔn)確提取單木信息，是當(dāng)前很有挑戰(zhàn)性的主題。

當(dāng)前單木提取面臨的挑戰(zhàn)主要是：

(1)在林分密度大、林層結(jié)構(gòu)復(fù)雜的條件下，提取下層林木較為困難，可以提取的林木大致在實際的20-60％左右；如何提取更多林木成為挑戰(zhàn)之一；

(2)部分單木信息缺失，導(dǎo)致林分結(jié)構(gòu)的反演功能不健全。如何提升提取的有效性和功能性成為當(dāng)下研究的重點。

三、

技術(shù)實現(xiàn)要素：

針對現(xiàn)有單木提取方法對于下層林木提取功能的缺失，提出一種分層聚類的單木提取方法，適用于各種林型，尤其對復(fù)雜結(jié)構(gòu)的林分在單木提取的方面具有較大的優(yōu)勢。

本發(fā)明解決其技術(shù)問題采取的技術(shù)方案是：使用分層聚類方法從LiDAR中提取單木信息方法，其特征是，準(zhǔn)確提取林木80％以上，并可準(zhǔn)確反映林分結(jié)構(gòu)，所述方法包括以下步驟：

步驟一：對點云進(jìn)行水平切片；采用點云百分位高等分的方式對全部點云進(jìn)行水平切片，以保證各點云層所含點云數(shù)量相等；片層數(shù)量N依據(jù)林分郁閉度、林分結(jié)構(gòu)復(fù)雜程度進(jìn)行變化，單層人工林N可設(shè)置在3-5左右；天然林設(shè)置N在5-10左右；

步驟二：提取點云層的局部最大值位置；使用高斯平滑濾波器對點云進(jìn)行多次濾波以達(dá)到平滑的目的，再采用matlab中imregionalmax函數(shù)提取局部最大值點，它的原理是通過一系列腐蝕、膨脹運算，從1個點的26個鄰近點判斷該點是否為局部最大值；

步驟三：對點云進(jìn)行縱向壓縮；K均值算法適合于三維特征空間內(nèi)大體為球形、簇密度均勻的數(shù)據(jù)集的聚類分析，需根據(jù)研究區(qū)樹種形態(tài)對點云進(jìn)行縱向壓縮，即點云x、y坐標(biāo)不變，z坐標(biāo)縮小n倍；如有條件，可以根據(jù)特定樹種形態(tài)確定n，如未知樹種，可使用通用值n＝3；

步驟四：對每個點云層進(jìn)行聚類；計算每個縮放后的點云數(shù)據(jù)到每個聚類中心的歐氏距離，將點云歸于距離最近的一類，并重新計算聚類中心；重復(fù)這一步驟至聚類中心值不再變化，即完成了林木點云聚類，獲得了標(biāo)注不同類別屬性的點云簇；

步驟五：對隸屬不同點云層的點云簇進(jìn)行融合；對接近分割線且聚類中心距離滿足一定條件的點云簇進(jìn)行合并；合并順序為：從最上層開始，先合并1、2兩個點云層的點云簇，得到新的點云簇和聚類中心，再與第3層點云簇合并，以此類推；合并條件為：待合并的兩個點云簇均在分層界限處存在點云、并且兩個點云簇中心水平距離不超過d；d根據(jù)林分條件進(jìn)行設(shè)置，林分株數(shù)密度越大、分層越多，d越小，默認(rèn)值d＝0.5；合并完所有符合條件的點云簇后，重新計算點云簇中心，作為單木位置信息；

步驟六：在單木分類工作完成之后，獲得了標(biāo)注不同屬性值的點云，具有同一屬性值的點云為同一株單木的點云簇；對點云簇的x、y值進(jìn)行平均，作為單木的位置信息；提取點云簇中z值的最大值，作為單木樹高；在冠幅提取方面，如點云密度d大于5p/m²，可采用凸包算法提取冠幅面積；如點云密度小于該值，采用通過點云密度、數(shù)量計算冠幅面積的方式求得冠幅；即：

式(1)中c為冠幅，d為點云密度，n為點云簇中的點云個數(shù)。

本項發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：

①變革了點云單木分割的思路方法

傳統(tǒng)的點云單木分割是基于表面模型的分割，提取效率低，精度受濾波質(zhì)量影響嚴(yán)重，并引起了一定程度的信息缺失。本方法直接對點云進(jìn)行聚類，信息沒有丟失，單木樹高、冠幅精度和林分平均高等信息精度均有提升。

②提升了對下層林木的提取能力

采用分層聚類的方式解決下層林木樹頂難以探測的問題，相比現(xiàn)有技術(shù)，本發(fā)明更加關(guān)注下層林木的提取效果，使得整體的提取能力有大幅度提升，尤其是在林分結(jié)構(gòu)復(fù)雜的天然林、次生林等林型中更具有優(yōu)勢。

③擺脫了對地面人工調(diào)查數(shù)據(jù)的依賴

傳統(tǒng)的點云分割方式由于只能提取20-60％的林木，其余單木信息是缺失的，如想獲得整體林分信息，還需要地面實測數(shù)據(jù)進(jìn)行回歸建模，大幅度降低了遙感的優(yōu)勢和意義；而本發(fā)明可以提取80％以上的林木，并且這些林木可以直接代表林分平均高、樹高分布情況、水平結(jié)構(gòu)、垂直結(jié)構(gòu)等林分水平信息，擺脫對地面人工調(diào)查數(shù)據(jù)的依賴，極大提升了工作效率。

④實現(xiàn)了單木水平與林分水平信息的一次性獲取

傳統(tǒng)的LiDAR反演森林信息總體分為單木水平和林分水平，其中單木水平依靠分割CHM的方法，而林分水平與蓄積量、生物量、葉面積指數(shù)等信息則需要通過整體點云信息與地面實測信息進(jìn)行回歸建模而實現(xiàn)；本發(fā)明可通過提取單木的信息直接計算得出林分整體信息，提升了森林信息反演的工作速度和效率。

本發(fā)明在林業(yè)上意義重大、應(yīng)用廣泛，可擺脫林分調(diào)查對于地面實測數(shù)據(jù)的依賴；采用主動遙感的方式獲取單木尺度信息，快速、高效、精準(zhǔn)，受天氣、地形、人為等因素的影響較小，滿足林業(yè)調(diào)查類工作的基本要求；利用提取到的單木信息可以進(jìn)一步完成森林場景三維可視化建模、森林采伐、森林經(jīng)營管理等系列工作。

四、附圖說明

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。

圖1為使用分層聚類方式從LiDAR點云中提取單木信息的方法主要步驟設(shè)置

圖2為點云水平分層切片；

圖3為提取局部最大值示意圖；

圖4為聚類結(jié)果三維可視化模擬；

圖5為分別對樹高>15m、>10m、>5m和所有林木進(jìn)行聚類垂直投影；

圖6為樹高>15m、10-15m、5-10m、2-5m林層單木提取位置與實際位置比較

圖7為LiDAR提取樹高與地面實測樹高比較；

圖8為聚類結(jié)果及地面實測樹高分布情況對比；

五、具體實施方式：

為能清楚說明本方案的技術(shù)特點，下面通過具體實施方式，并結(jié)合其附圖，對本發(fā)明進(jìn)行詳細(xì)闡述。本發(fā)明：一種使用分層聚類方式從LiDAR點云中提取單木信息的方法，主要步驟設(shè)置如圖1所示，所述方法包括以下步驟：

步驟一：對點云進(jìn)行水平切片；采用點云百分位高等分的方式對全部點云進(jìn)行水平切片，以保證各點云層所含點云數(shù)量相等；片層數(shù)量N依據(jù)林分郁閉度、林分結(jié)構(gòu)復(fù)雜程度進(jìn)行變化，單層人工林N可設(shè)置在3-5左右；天然林設(shè)置N在5-10左右；切片效果如圖2所示；

步驟二：提取點云層的局部最大值位置；使用高斯平滑濾波器對點云進(jìn)行多次濾波以達(dá)到平滑的目的，再采用matlab中imregionalmax函數(shù)提取局部最大值點，它的原理是通過一系列腐蝕、膨脹運算，從1個點的26個鄰近點判斷該點是否為局部最大值；提取局部最大值效果如圖3所示，其中黑色標(biāo)記為局部最大值；

步驟三：對點云進(jìn)行縱向壓縮；K均值算法適合于三維特征空間內(nèi)大體為球形、簇密度均勻的數(shù)據(jù)集的聚類分析，需根據(jù)研究區(qū)樹種形態(tài)對點云進(jìn)行縱向壓縮，即點云x、y坐標(biāo)不變，z坐標(biāo)縮小n倍；如有條件，可以根據(jù)特定樹種形態(tài)確定n，如未知樹種，可使用通用值n＝3；

步驟四：對每個點云層進(jìn)行聚類；計算每個縮放后的點云數(shù)據(jù)到每個聚類中心的歐氏距離，將點云歸于距離最近的一類，并重新計算聚類中心；重復(fù)這一步驟至聚類中心值不再變化，即完成了林木點云聚類，獲得了標(biāo)注不同類別屬性的點云簇；

步驟五：對隸屬不同點云層的點云簇進(jìn)行融合；對接近分割線且聚類中心距離滿足一定條件的點云簇進(jìn)行合并；合并順序為：從最上層開始，先合并1、2兩個點云層的點云簇，得到新的點云簇和聚類中心，再與第3層點云簇合并，以此類推；合并條件為：待合并的兩個點云簇均在分層界限處存在點云、并且兩個點云簇中心水平距離不超過d；d根據(jù)林分條件進(jìn)行設(shè)置，林分株數(shù)密度越大、分層越多，d越小，默認(rèn)值d＝0.5；合并完所有符合條件的點云簇后，重新計算點云簇中心，作為單木位置信息；

步驟六：在單木分類工作完成之后，獲得了標(biāo)注不同屬性值的點云，具有同一屬性值的點云為同一株單木的點云簇；對點云簇的x、y值進(jìn)行平均，作為單木的位置信息；提取點云簇中z值的最大值，作為單木樹高；在冠幅提取方面，如點云密度d大于5p/m²，可采用凸包算法提取冠幅面積；如點云密度小于該值，采用通過點云密度、數(shù)量計算冠幅面積的方式求得冠幅；即：

式(1)中c為冠幅，d為點云密度，n為點云簇中的點云個數(shù)。

為了驗證使用分層聚類方式從LiDAR點云中提取單木信息方法的有效性，使用實驗區(qū)LiDAR點云數(shù)據(jù)及地面實測數(shù)據(jù)進(jìn)行處理分析，基本情況及結(jié)果如下：

(1)實驗區(qū)林分結(jié)構(gòu)概況

研究區(qū)森林類型為青海云杉(picea crassifolia)天然純林，為成熟林。沿著山坡走勢布設(shè)了一個超級樣地，樣地尺寸為100m*100m，形狀為正方形，照25m*25m尺寸劃分成16個子樣地。對超級樣地中林木進(jìn)行每木檢尺，獲得林木胸徑、樹高、冠幅、枝下高，通過全站儀獲得單木位置。樣地共調(diào)查了1435株樹，因此將相關(guān)基本統(tǒng)計量列表如下：

表1 超級樣地林分信息

(2)LiDAR反演林分信息概況

總體單木分離效果如圖4所示，不同顏色代表不同單木；為模擬正射投影效果，分別對樹高>15m、>10m、>5m和所有林木進(jìn)行聚類垂直投影效果如圖5，可以看出不同高度林層疊加的效果；圖6展示了LiDAR提取的單木與實際單木位置關(guān)系，其中LiDAR預(yù)測林木位置用+號表示，實際林木位置用·號表示，兩者連線為匹配情況，圓圈表示LiDAR提取冠幅。圖7展示了單木樹高的提取誤差。圖8展示了對林分樹高分布結(jié)構(gòu)的模擬情況。

針對同一塊研究區(qū)，使用聚類方法和分割CHM方法提取單木，具體精度比較如下：

表2 使用分層聚類、直接聚類和分割CHM方法提取單木信息準(zhǔn)確性比較

可見，本發(fā)明專利的方法針對復(fù)雜林分結(jié)構(gòu)的單木提取具有良好效果，可以實現(xiàn)對下層林木的提取，對于高林分密度的天然林有良好的適應(yīng)性。

以上所述只是本發(fā)明的優(yōu)選實施方式，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也被視為本發(fā)明的保護(hù)范圍。