摘 要

最近的研究已经证明了激光雷达衍生方法在植物生态学和林业中的潜力。这些方法的一个限制是访问点云的信息内容，从中可以检索树级度量。目前，这是通过费力和耗时的手动分割来自大面积点云的树级点云进行的，这种努力在数千个茎上是不切实际的。在这里，我们使用树冠分离法来实现单株分离。该方法利用通用点云处理技术，包括欧几里德聚类，主成分分析，基于区域的分割，形状拟合和连通性测试。这种数据驱动方法几乎不使用树结构的先验假设，并且激光雷达仪器的可转移性仅受数据质量要求的限制。我们在这里展示了树冠分离算法，该算法是从结构简单的开阔森林和复杂的热带森林中获取的数据。在这些数据中，我们成功地分别自动提取了96％和70％的树，其余的需要一些简单的手动分割。树冠分离算法允许随时快速访问激光雷达点云中包含的树级信息，更有助于广泛的采用激光雷达衍生方法，应用范围从碳储量的估算到植物形态和功能的描述。

关键词：激光探测与测量；点云；图像分割

Single Plant Separation Algorithm Based on Topological Structure

ABSTRACT

Recent research has demonstrated the potential of laser radar-derived methods in plant ecology and forestry. One limitation of these methods is accessing the information content of the point cloud from which tree-level metrics can be retrieved. Currently, this is done by laborious and time-consuming manual segmentation of tree-level point clouds from large-area point clouds, an effort that is impractical on thousands of stems. Here, we introduce treeseg, an open source software that automates this task. The method utilizes general point cloud processing techniques, including Euclidean clustering, principal component analysis, region-based segmentation, shape fitting, and connectivity testing. This data-driven approach uses almost no a priori assumptions of tree structure, and the transferability of lidar instruments is limited only by data quality requirements. Here we present the treeseg algorithm, which is derived from simple open forests and complex tropical forests. In these data, we successfully extracted 96% and 70% of the trees automatically, and the rest required some simple manual segmentation. Treeseg allows quick access to tree-level information contained in the lidar point cloud at any time. Treeseg should contribute to the wider adoption of lidar-derived methods, ranging from estimates of carbon stocks to descriptions of plant morphology and function.

Key Words：LIDAR；Point Cloud；Segmentation

目 录

第一章 绪论 1

1.1 研究背景 1

1.2 研究意义 2

1.3 国内外研究概况 3

第二章 相关方法技术 5

2.1 拓扑模式识别 5

2.2 开发工具 6

2.3 数据获取 6

2.3.1 LIDAR技术 6

2.3.2点云数据 7

2.4 拓扑模式认知机理 7

2.5 图像预处理 8

2.5.1读取图像 8

2.5.2灰度图转化为二值图像 10

2.5.3 梯度幅值图像 11

2.5.4 预测并提出背景 12

2.5.5 计算背景标记 15

2.6 图像降噪处理 17

2.6.1噪声的产生及分类 17

2.6.2椒盐噪声 17

2.6.3中值滤波 18

2.6.4 最大值最小值滤波 18

2.7 点云数据处理 19

2.7.1 最近邻距离 19

2.7.2 下采样 19

2.7.3 欧几里德聚类 20

2.7.5 表面线法 20

2.7.6 基于区域的划分 21

2.7.7 形状匹配 21

第三章 实验结果 23

3.1大区域点云数据 23

3.2识别树 24

3.3树干分段 25

3.4树干分割 26

第四章 总结与展望 27

4.1结论 27

4.2展望 28

致 谢 29

参考文献 30

第一章 绪论

1.1 研究背景

森林是植物群落大量聚集的区域，这些植物群落遍布世界各地，起到维持二氧化碳平衡，保护物种多样性，调节水文湍流以及减缓土壤固结等重要作用，作为生物圈的一个重要角色，是地球不可或缺的存在。它是地球上的基因库、油碳库、储水库和能源库，这对于维持整个地球的生态平衡起着至关重要的作用，是人类赖以生存和发展的家园和基石。传统的森林资源调查方法由于人为因素的限制，不但消耗了大量的人力和物力，还因为长周期，低时效性的缺点使得调查费时费力并且取得的效果不尽人意。但随着航天遥感技术的发展，在森林资源调查与研究时拥有了先进的技术支持，突破了传统森林资源估测技术的界限，在一定程度上实现了大尺度时空上高时效、高精度的森林资源估测，极大程度上提升了工作的效率，促进了森林资源调查事业的发展。

针对树点云数据的分割和特征提取，一些专家学者从不同的角度进行了相关研究。主要方法有:(1)特征空间聚类方法，该方法利用点云空间分布的局部几何特征对建筑物、地面、树木等不同特征进行分类识别并通过训练样本提取;(2)的点云的特征的图像分析方法，其生成云图像的特征，并充分利用图像处理，其提取一个目标的建筑物或树的边界的阈值分割的;(3)层网格点密度的方法，该方法将激光光斑的树状层投影到规则网格上，并逐级计算点密度网格，提取出单个树状点的激光光斑;(4)几何特征的方法，该方法采用自顶向下的搜索策略，它通过收集树冠的抛物面拟合特征，以树冠为起始点搜索整棵树的树体，采用自下而上的方法^[1-3]。