点云单木分割自动分类方法与流程

1.本发明涉及点云数据分割分类技术领域，尤其涉及一种点云单木分割自动分类方法。


背景技术：

2.热带海岛地区的植被生长快，植物种类繁多，是热带雨林、热带季雨林的原生地，热带森林植被类型复杂，垂直分带明显，且具有混交、多层、异龄、常绿、干高、冠宽等特点，其中椰子树、橡胶树、桉树等代表性高杆植物长势较快，容易影响到输电线路的正常运行。树障处理的难点之一是估算树木到电线的距离，随着无人机技术的快速发展，运维人员开始通过无人搭载激光扫描设备对输电线路通道进行三维扫描获得相应的点云数据辅助运维，通过采集通道“线树”距离的基础数据，根据对树障生长情况进行预测分析来编制树障清理计划成为了解决树障清理难题的新思路，但不同的树种其生长速度亦有所区别，如何从点云数据中分割出单木并对其进行准确地识别分类是实现树障生长情况预测分析所要解决的先决问题，目前尚无较好的方法能够解决该问题。


技术实现要素：

3.鉴于此，本发明的目的在于提供一种点云单木分割自动分类方法，以克服或至少部分解决现有技术所存在的上述问题。
4.一种点云单木分割自动分类方法，包括以下步骤：
5.s101、采集输电线路通道中的植被冠层点云数据，基于植被冠层点云数据分割单木点云数据；
6.s102、分别采集输电线路通道点云数据与其多光谱影像数据，将多光谱影像数据与输电线路通道点云数据进行配准；
7.s103、结合输电线路通道点云数据、多光谱影像数据和多元地学辅助数据，构建用于树种识别的分类特征；
8.s104、基于分类特征、各树种的分类识别知识信息和单木点云数据，对输电线路通道的树种进行分类识别。
9.进一步的，所述步骤s101具体包括以下步骤：
10.s201、利用局部最大值方法和ncut方法对冠层点云数据探测并分割冠层上部凸显的单木点云数据；
11.s202、再次利用ncut方法进行漏检单木检测，识别森林中下层单木。
12.进一步的，所述步骤s201具体包括以下步骤：
13.s2011、对植被冠层点云数据中的地面点和非地面点采用反距离加权法插值生成数字高程模型dem和数字表面模型dsm；
14.s2012、基于dem和dsm生成冠层高度模型chm，并填充chm冠层中高程值突变的凹坑；
15.s2013、采用高斯滤波平滑chm，并采用局部最大值滤波器进行树顶识别。
16.进一步的，所述步骤s202具体包括以下步骤：
17.s2021、输入未分类的植被冠层点云数据集u，对u做高程值降序处理；
18.s2022、选取u中最高点作为种子点pi，pi∈u，统计半径为第一预设阈值d
xy
的领域点数n，若n小于第二预设阈值td，则将其归属到其最近单木中；
19.s2023、进行冠层分割得到种子点的单木冠层点云ti，此时u＝u-ti；
20.s2024、计算ti的形状指数，根据其形状指数判断ti是否为树梢，若是则判定其属于周围单木的一部分，若否则将其添加到单木冠层激光点云中；
21.s2025、重复执行步骤s2022～s2024，直至u为空。
22.进一步的，所述步骤s102具体包括以下步骤：
23.s301、基于输电线路通道点云数据，生成强度信息图；
24.s302、分别从强度信息图和多光谱影像数据中提取归一化sift特征点集；
25.s303、以强度信息图为基准，对sift特征点集进行全局搜索获取最佳sift匹配点对；
26.s304、对sift匹配点对进行结构信息的一致性检验，形成sift匹配点集；
27.s305、根据最小二乘平差法，由sift匹配点集求解得到变换模型，实现输电线路通道点云数据与多光谱影像数据之间的自动配准。
28.进一步的，所述分类特征包括光谱特征、植被指数、地形因子、纹理特征和形态特征。
29.进一步的，所述植被指数包括归一化植被指数ndvi、比值植被指数rvi、垂直植被指数pvi和土壤调节植被指数savi。
30.进一步的，所述地形因子包括高程数据、坡度数据和坡向数据。
31.进一步的，所述纹理特征通过以下步骤获得：
32.s401、将多光谱影像数据转换为灰度图像；
33.s402、将灰度图像进行灰度级量化；
34.s403、设置特征值计算参数；
35.s404、计算纹理特征值，生成纹理特征影像。
36.与现有技术相比，本发明的有益效果是：
37.本发明所提供的一种点云单木分割自动分类方法，首先基于输电线路通道中的植被冠层点云数据分割单木点云数据，再分别采集输电线路通道的点云数据和其多光谱影响数据，对两者进行配准，结合点云数据、多光谱影像数据、多元地学辅助数据构建用于树种识别的分类特征，最后基于分类特征、不同树种的分类识别知识信息和单木点云数据对输电线路通道中的树种进行分类识别，使得系统能够根据树种不同针对性地采用不同的预测方法来预测树障的生长速度，进而制定合理的树障清理计划，保障输电线路的平稳运行。
附图说明
38.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他
的附图。
39.图1是本发明实施例提供的一种点云单木分割自动分类方法整体流程示意图。
40.图2是本发明实施例提供的单木点云数据分割流程示意图。
41.图3是本发明实施例提供的多光谱影像数据与输电线路通道点云数据自动配准流程示意图。
42.图4是本发明实施例提供的纹理特征计算方法流程示意图。
具体实施方式
43.以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
44.参照图1，本实施例提供一种点云单木分割自动分类方法，所述方法包括以下步骤：
45.s101、采集输电线路通道中的植被冠层点云数据，基于植被冠层点云数据分割单木点云数据。
46.s102、分别采集输电线路通道点云数据与其多光谱影像数据，将多光谱影像数据与输电线路通道点云数据进行配准。
47.s103、结合输电线路通道点云数据、多光谱影像数据和多元地学辅助数据，构建用于树种识别的分类特征。
48.s104、基于分类特征、各树种的分类识别知识信息和单木点云数据，对输电线路通道的树种进行分类识别。
49.作为一种可选的实施方式，参照图2，所述步骤s101包括以下步骤：
50.s201、利用局部最大值方法和ncut方法对冠层点云数据探测并分割冠层上部凸显的单木点云数据。
51.s202、再次利用ncut方法进行漏检单木检测，识别森林中下层单木。
52.树顶探测可能会出现漏检情况，即局部最大值算法可能只能检测到冠层顶部较为明显的树顶，为了降低失误率，本实施例在分割出冠层上部的凸显单木后，以树冠点云数阈值和树冠形状指数作为约束条件，全局最大值替代局部最大值，再次利用ncut方法进行漏检单木探测，识别森林中下层单木。
53.ncut方法通过由节点间相似性构建的权值矩阵的特征向量分割图像或点集。本实施例中在应用ncut方法时，先计算局部最大值以确定冠层表面的明显树顶，以此作为单木的先验知识并采用ncut方法进行冠层初始分割，然后以全局最大值代替局部最大值作为ncut方法的先验，并作规则约束，完成对漏检单木的进一步探测，进而实现森林单木的精确探测。ncut方法描述如下：
54.将三维点云映射到无向图g＝(v，e)中，v为表示点云的节点，e为连接每一对节点的边，两节点{i，j}＝v之间的相似性通过权重w来描述，即权重w表示为两节点{i，j}＝v对应的激光点之间特征相似程度，有：
[0055][0056]
其中，表示节点i与节点j之间的水平距离，表示它们的垂直距离，d
xy
(i，treetop)、d
xy
(j，treetop)分别表示节点i、j与最近树顶之间的水平距离，σ
xy
、σz、σg分别表示分别表示的标准差，r
xy
表示节点间相似性的水平方向作用距离，水平距离超过该距离的节点之间无相似性。
[0057]
ncut分割通过切除图g＝(v，e)中的一些边将图g分割成两个非连接性点集a、b，且满足和a∪b＝v，即类内相似度最大、类间相似度最小，归一化割准则如下：
[0058][0059]
其中，表示a中节点和b中节点之间的权值之和，即a和b之间的相似性，表示a和所有节点之间的权值之和，表示b和所有节点之间的权值之和。
[0060]
求解ncut(a，b)最优解属于np完全问题(non-deterministic polynomial complete problem)，可以通过对矩阵的特征值与特征向量的求解实现近似求解，如下式所示：
[0061]
(d-w)y＝λdy
[0062]
令n＝|v|，权重矩阵w为n
×
n对称矩阵，w(i，j)＝w
ij
，{i，j}∈v，d为n
×
n对角矩阵，且d(i，i)＝∑jw(i，j)。由rayleigh商的基本性质可知，求解ncut(a，b)的最小值问题转换为求解该特征系统的第二最小特征向量，即可利用该特征向量对图进行划分。由于第二最小特征向量的元素一般呈现为连续实数值，因此需要引入一个分离点来二分，通常用0或特征向量元素的中值作为分离点，为使ncut(a，b)最小，即图g得到最优分化，可以采用试探法找到最优分离点。
[0063]
作为一种优先示例，所述步骤s201具体包括以下步骤：
[0064]
s2011、对植被冠层点云数据中的地面点和非地面点采用反距离加权法插值生成数字高程模型dem和数字表面模型dsm。如下式所示：
[0065]
[0066][0067]
其中，(x,y,z)为插值点坐标，(xi,yi,zi)为搜索样本点坐标，p为权重，g为幂次，i为样本点坐标编号，n为搜索区域内样本点总数。上述方法在冠层形状规则和中低密集度的林区具有良好的适用性，还可以通过设定树顶间的水平距离阈值来降低误判率，即在排除灌木影响的情况下，若两树顶间的水平距离小于设定阈值，则对高程较低的树顶进行剔除。
[0068]
s2012、基于dem和dsm生成冠层高度模型chm，并填充chm冠层中高程值突变的凹坑。
[0069]
s2013、采用高斯滤波平滑chm，并采用局部最大值滤波器进行树顶识别。示例性地，所述高斯滤波窗口为5
×
5，通过高斯滤波平滑chm可以减少树顶误判。
[0070]
作为一种优选示例，所述步骤202具体包括以下步骤：
[0071]
s2021、输入未分类的植被冠层点云数据集u，对u做高程值降序处理；
[0072]
s2022、选取u中最高点作为种子点pi，pi∈u，统计半径为第一预设阈值d
xy
的领域点数n，若n小于第二预设阈值td，则将其归属到其最近单木中；
[0073]
s2023、进行冠层分割得到种子点的单木冠层点云ti，此时u＝u-ti；
[0074]
s2024、计算ti的形状指数，根据其形状指数判断ti是否为树梢，若是则判定其属于周围单木的一部分，若否则将其添加到单木冠层激光点云中；
[0075]
s2025、重复执行步骤s2022～s2024，直至u为空。
[0076]
作为一种优选的实施方式，参照图3，所述步骤s102具体包括以下步骤：
[0077]
s301、基于输电线路通道点云数据，生成强度信息图。
[0078]
s302、分别从强度信息图和多光谱影像数据中提取归一化sift特征点集。
[0079]
s303、以强度信息图为基准，对sift特征点集进行全局搜索获取最佳sift匹配点对。
[0080]
s304、对sift匹配点对进行结构信息的一致性检验，形成sift匹配点集。
[0081]
s305、根据最小二乘平差法，由sift匹配点集求解得到变换模型，实现输电线路通道点云数据与多光谱影像数据之间的自动配准。
[0082]
本实施例通过将点云数据结合多光谱影像数据与多元地学辅助数据，构建树种识别的分类特征，根据输电线路通道概况，构建了光谱特征、植被指数、地形因子、纹理特征和形态特征五种分类特征，利用已构建的分类特征和各树种的分类识别知识信息，采用面向对象的分类方法，对输电线路通道的树种进行分类识别。
[0083]
其中，光谱特征是地物由于物质组成和结构不同而具有独特的波段反射和辐射特性，在影象上表现为亮度值的差异。通过对输电线路通道主要树种野外实测光谱数据的采集，探究不同树种光谱反射率与波长的关系，寻找最适合的波段对多光谱影像的光谱特征进行提取。在提取时，选取典型样本，计算不同树种在各波段的均值，分析不同树种的光谱特征差异，并采取j-m距离等方式定量评价树种光谱信息的可分性。
[0084]
所述植被指数包括归一化植被指数ndvi、比值植被指数rvi、垂直植被指数pvi和土壤调节植被指数savi。
[0085]
其中，所述归一化植被指数ndvi是植被生长状态及植被覆盖度的最佳指示因子，可以部分消除与太阳高度角、卫星观测角、地形、云/阴影和大气条件有关的辐照度条件变
化等的影响，其计算公式为：
[0086][0087]
其中，nir是红外波段，r是红光波段。
[0088]
所述比值植被指数rvi能增强植被与土壤背景之间的辐射差异，与叶面积指数、叶干生物量、叶绿素含量相关性高，在植被高密度覆盖情况下，对植被十分敏感，被广泛用于估算和监测绿色植物生物量，其计算公式为：
[0089][0090]
其中，dn
nir
是红外波段的灰度值，dnr是红光波段的灰度值。通过将生成的各植被指数波段合成，统计各树种样本在各植被指数的值，即可定量分析不同树种在不同植被指数组合上的差异，并据此实现树种的分类。
[0091]
所述垂直植被指数pvi为在r-nir的二维坐标系内，植被像元到土壤亮度线的垂直距离。
[0092]
所述土壤调节植被指数savi用于减小土壤背景的影响。
[0093]
所述地形因子是山区植被空间分异的主要自然约束因子，通过影响土壤的水分和热量条件来影响植被的生长和分布，地形因子对水热因子的空间分布、空气温度和湿度影响显著，是山区植被“同物异谱”和“同谱异物”现象产生的主要原因。本实施例选取高程、坡度、坡向三个地形因子，其中高程数据可以通过点云数据获取，坡度和坡向数据可以通过dem数据获取。通过在不同高度、坡度、坡向选取典型样本，计算不同树种在不同高程的等级分布和不同坡度、坡向条件下不同数值的光谱均值差异，以基于此实现对输电线路通道中树种的分类。
[0094]
所述纹理特征表现为图像灰度在空间上的变化和重复，或影像中反复出现的局部模式及其排列规则，通过计算图像中一定距离和一定方向的两点灰度之间的相关性，对纹理内部灰度级变化的特征进行量化，可以将随机纹理或几何纹理的空间结构差异转化为特征灰度值的差异，用灰度共生矩阵等数学模型来描述。
[0095]
示例性地，参照图4，所述纹理特征通过以下步骤获得：
[0096]
s401、将多光谱影像数据转换为灰度图像。
[0097]
纹理分析第一步是将多光谱影像数据转换为灰度图像，由于多个波段的植被纹理细节大致一致，求取的纹理特征信息基本一致，因此本实施例选择近红波段作为灰度图像进行后续计算。
[0098]
s402、将灰度图像进行灰度级量化。
[0099]
一般而言，一张图像从[0,255]包含256级灰度级，在进行矩阵计算时，如果选择256个灰度级进行计算会有太过庞大的计算量而且也不需要这么多的灰度级，因此将灰度级分成8或者16个灰度级。将灰度级进行降低后会导致影像清晰度和细节的降低，因此在压缩灰度级之前需要先将图像进行直方图均衡操作，增强整体对比。
[0100]
s403、设置特征值计算参数。
[0101]
在计算的过程中，会涉及到关于方向、偏移量以及滑动窗口尺寸等参数的选择，首
先是方向，在计算过程中选择为水平方向0
°
，垂直方向90
°
，两个对角线的角度45
°
、135
°
这四个方向；偏移量也就是步距，设定步距为1，即直接将中心像元与其相邻像元点进行比较运算；滑动窗口的大小设定5
×
5尺寸大小或者7
×
7的尺寸大小进行特征值的计算。
[0102]
s404、计算纹理特征值，生成纹理特征影像。
[0103]
根据灰度共生矩阵计算了同方向上的特征值后，对其进行计算均值方差，消除选取的研究方向对求取的纹理特征的影响。之后，将这些纹理特征值矩阵生成纹理特征分析图像，通过对比不同树种的纹理特征分析图像可以起到对其分类识别的作用。
[0104]
所述形态特征为单木的形态特征信息，精确的单木形态特征信息可以从单木点云数据中获取，生成数字地面模型dsm、数字高程模型dem和冠层高度模型chm，使用算法对树冠顶点、底点和边界进行精确识别和提取，根据不同树种之间的差异性进行分类。
[0105]
基于上述分类特征、包含不同树种分类特征的各树种的分类识别知识信息和输电线路通道中各单木的点云数据，即可对输电线路通道中的树种进行分类识别，从而帮助运维人员掌握输电线路通道中的树种信息，以便于后续步骤根据不同树种采用相应的预测模型预测其生长速度，从而制定合理的树障清理计划，保障输电线路的平稳运行。
[0106]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。