LiDAR360软件地基点云数据单木分割
lidar三维点云数据处理方法设计
lidar三维点云数据处理方法设计什么是LiDAR三维点云数据？LiDAR（激光雷达）是一种通过发射激光脉冲并测量其返回时间来获取地面物体的远程感知技术。
通过扫描整个环境并获取大量数据点，LiDAR可以生成高精度的三维点云数据，用于构建地图、进行环境建模、物体检测和路径规划等应用。
处理LiDAR三维点云数据是利用计算机算法对数据进行分析和提取有用信息的过程。
LiDAR三维点云数据处理的步骤：1. 数据预处理：在进行实际处理之前，需要对原始的LiDAR数据进行预处理。
这包括去除噪声（例如传感器误差或其他干扰），校准数据（例如消除机械安装误差），以及获取传感器参数（例如扫描频率、光束角度等）。
预处理过程还可能涉及到数据对齐（将多个扫描点云数据进行配准）和空间滤波（平滑或降采样数据）等。
2. 点云分割：点云分割是将点云数据分为几个逻辑部分的过程。
这可以通过基于几何特征（例如表面曲率、法向量）或颜色特征（例如反射强度、RGB值）进行实现。
分割结果可以用于物体检测、场景分析和目标识别等。
常见的分割算法包括基于聚类的方法（如基于K-means的算法）和基于区域增长的方法。
3. 物体检测与识别：物体检测与识别是LiDAR数据处理的关键任务之一。
在点云数据中，通过检测不同的物体并进行分类，可以实现对场景的理解和描述。
物体检测与识别的方法包括基于特征的方法（例如构建物体的描述符并进行匹配）和基于深度学习的方法（如使用卷积神经网络进行目标检测）。
此外，还可以使用形状分析、边缘检测和运动分析等技术来辅助物体检测和识别。
4. 场景重建与建模：通过对LiDAR三维点云数据的处理，可以生成精确的场景重建和建模结果。
这可以应用于虚拟现实、地图构建、城市规划和环境仿真等领域。
重建和建模的方法包括表面重建（例如基于点云的三角剖分和体素化）和体素重建（例如基于体素网格的方法）。
5. 数据可视化与分析：对于处理后的LiDAR三维点云数据，数据可视化和分析是非常重要的环节。
点云单木分割 区域生长算法
点云单木分割区域生长算法全文共四篇示例，供读者参考第一篇示例：点云单木分割是数字林业中一个重要的研究领域，其旨在通过对激光雷达等传感器采集到的点云数据进行处理，实现对森林中每棵树木的单独识别和分割。
区域生长算法是其中一种常用的算法，它能够有效地识别并分割出点云中的每一个单独的树木。
本文将重点介绍点云单木分割的区域生长算法原理及其在实际应用中的优势和局限性。
一、点云单木分割的背景与意义点云单木分割是数字林业领域的一个重要课题，它对于森林资源的调查和监测具有重要意义。
传统的野外调查方法需要耗费大量人力物力，而且效率低下。
而基于点云数据的分割技术能够通过数字化手段实现对森林中每个树木的识别和分割，极大地提高了调查效率和准确性。
区域生长算法是实现点云单木分割的一种有效算法，其原理是从一个种子点开始，逐渐生长出一个包含该种子点的树木区域。
通过区域生长算法，可以快速准确地识别出点云中的每一个树木，为后续的森林资源调查和管理提供重要依据。
二、区域生长算法原理区域生长算法是一种基于局部相似性的分割算法，其主要思想是从一个种子点开始，逐步将与该种子点相似的邻近点加入同一个区域，直到所有相似性满足一定条件时停止生长。
具体步骤如下：区域生长算法的核心在于确定相似性的度量方法。
常用的相似性度量方法包括欧氏距离、颜色相似度、法向量相似度等。
通过调节相似性度量方法的参数，可以实现对不同特征的点云数据进行有效的分割。
三、区域生长算法在点云单木分割中的应用区域生长算法在点云单木分割中有着广泛的应用。
通过对点云数据进行区域生长处理，可以实现对森林中每个树木的单独识别和分割。
区域生长算法可以根据不同的相似性度量方法，适应不同类型的点云数据，具有较强的通用性和灵活性。
在实际应用中，区域生长算法能够有效地解决点云数据中存在的噪声和杂乱问题，提高了点云数据的处理效率和准确性。
通过点云单木分割，可以实现森林资源的自动化调查和监测，为森林资源的保护和管理提供重要依据。
基于地面激光雷达点云数据的单木三维建模综述
ｆ ｏ ｒ ｅ ｓ ｔ ｒ ｙ． Ｉ ｔ ｉ ｓ ａ ｎ ｏ ｎ — ｔ ｒ ｉ ｖ ｉ ａ ｌ ｉ ｏ ｂ ｔ ｏ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ａ ｎ ｄ ｒ ｅ ａ ｌ ｉ ｓ ｔ ｉ ｃ ３ Ｄ ｔ ｒ ｅ ｅ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｐ ｏ ｉ ｎ ｔ ｃ ｌ ｏ ｕ ｄ ｄ ａ ｔ ａ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｅ ｄ
中图 分 类 号 ：ＴＮ ９ ５ ８ ． ５ ８ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ０ ０ １—７ ４ ８ ８（ ２ ０ １ ３ ） ０ ４—０ １ ２ ３—０ ８
Ｔｒ ｅ ｅ Ｇｅ ｏ ｍｅ ｔ ｒ ｉ ｃ ａ ｌ ３ Ｄ Ｍ ｏ ｄ ｅ ｌ ｉ ｎｇ ｆ ｒ ｏ ｍ Ｔｅ ｒ ｒ ｅ ｓ ｔ ｒ ｉ ａ ｌ Ｌａ ｓ ｅ ｒ Ｓ ｃ ａ ｎｎ ｅ ｄ Ｐｏ ｉ ｎ ｔ Ｃｌ ｏ ｕｄ ｓ：Ａ Ｒｅ ｖ ｉ ｅ ｗ
第４ ９卷 第 ４期
２ ０ １ ３年 ４ 月
林
业
科
学
Ｖｏ １ ． ４９． Ｎｏ ． ４
LIDAR植被类型分类算法数据处理策略优化
LIDAR植被类型分类算法数据处理策略优化概述：植被类型分类是遥感技术中的一个重要任务，能够提供高分辨率的地表植被信息。
LIDAR（Light Detection and Ranging）作为一种主动遥感技术，通过激光束扫描地表，获取精确的地形和地物信息数据。
在LIDAR植被类型分类算法中，数据处理策略的优化对于提高分类精度和效率至关重要。
本文将讨论LIDAR植被类型分类算法中数据处理策略的优化方法。
一、数据预处理LIDAR数据预处理是植被类型分类算法中的关键步骤之一。
常见的数据预处理方法包括噪声滤波、点云分割和地面提取等。
噪声滤波可以通过利用邻域平均、中值滤波等方法来减少数据中的离群点，提高数据质量。
点云分割可以将点云数据分割成不同的地物类别，减少植被与地物的干扰；地面提取则可以提取出地面点云，用于后续的植被分类。
二、特征提取特征提取是植被类型分类的关键步骤之一。
有效的特征能够提取出植被与其他地物的差异性，帮助分类算法准确分类。
在LIDAR数据中，常用的特征包括高度、密度、法线等。
高度特征能够反映植被的垂直结构信息；密度特征可以反映植被的水平分布信息；法线特征能够表征植被的表面形状特征。
通过合理选择和组合这些特征，可以提高植被类型分类的准确性。
三、分类算法选择选择适合的分类算法是植被类型分类的关键。
常见的分类算法包括支持向量机（SVM）、随机森林（RF）和深度学习（DL）等。
SVM是一种基于统计学习理论的分类算法，能够处理高维特征数据，在植被类型分类中具有较好的表现。
RF是一种基于决策树的集成学习算法，通过多个决策树的投票来确定最终的分类结果，具有较好的鲁棒性。
DL是一种基于人工神经网络的深度学习算法，能够自动学习特征表示和分类模型，对于复杂的植被类型分类具有较好的效果。
四、样本选择和标注合理的样本选择和标注对于植被类型分类的性能至关重要。
样本应包含不同类型的植被和地物，以覆盖植被类型分类的各种情况。
地基LiDAR点云数据提取单木树高和胸径方法研究
第４２卷第２期２０１９年３月现 代 测 绘Ｍｏｄｅｒｎ Ｓｕｒｖｅｙｉｎｇ ａｎｄ ＭａｐｐｉｎｇＶｏｌ．４２，Ｍａｒｃｈ，２０１９ 项目来源：江苏省测绘地理信息科研项目（ＪＳＣＨＫＹ２０１９０３，ＪＳＣＨＫＹ２０１８０６） 第一作者简介：郭沈凡，高级工程师，研究方向为测绘工程。
地基ＬｉＤＡＲ点云数据提取单木树高和胸径方法研究郭沈凡１，顾 波２，奚冠凡１，陆晓勇１（１．南京市测绘勘察研究院股份有限公司，江苏南京２１００００；２．南京林业大学土木工程学院，江苏南京２１００３７）摘 要 林业资源是保持生态环境、维持生态平衡的重要资源，对单木参数信息的提取是林业资源调查的重要内容。
利用地基三维激光点云提取单木参数具有效率高、速度快、节省人力物力等优点。
在常用的Ｈｏｕｇｈ拟合圆柱法提取树高参数和Ｈｏｕｇｈ拟合圆法提取胸径参数的基础上，提出格网化拟合圆柱法和最小二乘拟合圆法分别提取单木树高参数和胸径参数，并以现场直接量测的树高和胸径参数为参考值进行对比。
实验结果显示：与直接量测结果相比较，Ｈｏｕｇｈ变化拟合圆柱法和格网化拟合圆柱法得到的树高参数平均偏差分别为０．０５ｍ、０．００３ｍ，标准差分别为０．１４２ｍ、０．００２ｍ，相关系数分别为０．８７、０．９９；Ｈｏｕｇｈ变化拟合圆法和最小二乘拟合圆法得到的胸径参数平均偏差分别为０．００３ ６ｍ、０．００２ ５ｍ，标准差分别为０．００４ｍ、０．００３ｍ，相关系数分别为０．６０、０．９１。
结果表明，提出的格网化拟合圆柱法提取树高参数和最小二乘拟合圆法提取胸径参数能得到精度较高的单木参数信息。
关键词 地基Ｌｉｄａｒ；点云；树高；胸径中图分类号：Ｐ２２５．２ 文献标识码：Ａ 文章编号：１６７２－４０９７（２０１９）０２－００２２－０４０ 引 言树木参数的精确获取有利于开展各项林业生产、调查与规划工作，对于生态环境的保护和促进碳循环也有着重要意义。
近几年迅速发展的地基三维激光扫描仪（Ｌｉｄａｒ）与传统被动光学遥感有着不同的工作机制，可以高效地穿透森林，直接获取其垂直结构信息，通过对单木三维立体分析能使单木参数的测量更加直观化［１］。
LiDAR360版本更新说明
LiDAR360版本更新说明日期版本说明2017.10.30 2.0 新增功能：1.新的License Key，可按月或者按模块激活2.林业模块（拆分为机载林业模块和地基林业模块）➢机载林业模块：1）新增种子点生成算法：基于CHM生成种子点、基于层堆叠算法生成种子点、基于点云分割生成种子点；2）新增种子点编辑工具，包括增加/删除种子点、筛选种子点、基于种子点单木分割等；3）新增基于种子点的单木分割批处理功能；➢地基林业模块：1）新增地基点云数据滤波功能；2）新增基于种子点的地基点云单木分割批处理功能；3）新增胸径提取功能；4）新增种子点编辑工具，包括增加/删除种子点、筛选种子点、基于种子点单木分割等；3.分类模块1）已有滤波算法效果改进；2）新增模型关键点分类功能，此功能旨在保留地形上的关键点，而相对抽稀平缓地区的点，从而保证在建立DEM模型时既不损失地形精度，又能提高效率；3）地面点滤波功能界面上增加复选框，可以在分离地面点之后提取模型关键点；4. 电力线模块1）新增电力线和杆塔矢量化功能；2）新增实时距离量测功能，可实时测量地物与最近的电力线和小号杆塔的距离；5. 新增对于单个点云文件进行点大小设置的功能；6. 新增自动计算中心，并作为旋转中心的功能；7. 三角网显示效果改善；8. 可以显示Shape数据的属性表；9. 单木分割的属性表按表格打开时，可以从属性表中双击跳转到每棵树的位置；10. 交叉选择工具可以更精准的调整包围盒范围；11. 新增在LOG日志窗口显示运行时的参数设置，LOG日志的存放目录仍然为系统的TEMP临时文件夹；12. 新增崩溃信息收集机制，软件崩溃时会弹出一个界面，可发送崩溃信息至指定邮箱中，方便定位导致程序崩溃的位置；13. 多个数据裁剪，保存的时候可以保存为一个文件，也可以分别存成不同的文件。
2017.07.14 1.5 新增功能：1.新增电力线模块，主要功能包括：杆塔标记、按杆塔裁剪点云、杆塔和电力线自动分类、危险点检测和报告生成；2.新增选择工具条，包括多边形选择、矩形选择、球形选择、从选区中减去、内裁切、外裁切、保存和取消；3.新增实时TIN辅助编辑点云类别功能；4.新增加载多个文件并合并为一个文件的功能；5.选择和剖面编辑支持Ctrl+Z回退。
机载lidar点云数据处理软件对比及评测
第４２卷第１１期２０１９年１１月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４２ꎬＮｏ.１１Ｎｏｖ.ꎬ２０１９收稿日期:２０１８－０９－１０基金项目:国家自然科学基金青年基金(４１６０１５０４)资助作者简介:周佳雯(１９９４－)ꎬ女ꎬ江西抚州人ꎬ地理信息科学专业硕士研究生ꎬ主要研究方向为机载激光雷达数据处理ꎮ机载ＬｉＤＡＲ点云数据处理软件对比及评测周佳雯１ꎬ张㊀良１ꎬ马海池２ꎬ章文天２(１.湖北大学资源环境学院ꎬ湖北武汉４３００６２ꎻ２.武汉大学遥感信息工程学院ꎬ湖北武汉４３００７９)摘要:针对国内外现有的主流商业ＬｉＤＡＲ点云数据处理软件ꎬ从软件功能完备性㊁软件操作和数据处理流程便捷性㊁处理结果的精度等多方面对ＴｅｒｒａＳｏｌｉｄ㊁ＬｉＤＡＲ－Ｓｕｉｔｅ和ＬｉＤＡＲ３６０进行对比ꎬ分析各软件的优势和劣势ꎬ为测绘生产人员选择点云处理软件提供参考ꎬ也对国产激光雷达点云数据处理软件的发展提出一点看法ꎮ关键词:ＴｅｒｒａＳｏｌｉｄꎻＬｉＤＡＲ－ＳｕｉｔｅꎻＬｉＤＡＲ３６０ꎻ点云数据处理ꎻ软件中图分类号:Ｐ２３１㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１９)１１－０１０１－０４ＣｏｍｐａｒｉｓｏｎａｎｄＥｖａｌｕａｔｉｏｎｏｆＡｉｒｂｏｒｎｅＬｉＤＡＲＰｏｉｎｔＣｌｏｕｄＤａｔａＰｒｏｃｅｓｓｉｎｇＳｏｆｔｗａｒｅＺＨＯＵＪｉａｗｅｎ１ꎬＺＨＡＮＧＬｉａｎｇ１ꎬＭＡＨａｉｃｈｉ２ꎬＺＨＡＮＧＷｅｎｔｉａｎ２(１.ＦａｃｕｌｔｙｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅꎬＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙꎬＷｕｈａｎ４３００６２ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＷｕｈａｎＵｎｉｖｅｒｓｉｔｙꎬＷｕｈａｎ４３００７９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｖｉｅｗｏｆｔｈｅｄｏｍｅｓｔｉｃａｎｄｆｏｒｅｉｇｎｅｘｉｓｔｉｎｇｍａｉｎｓｔｒｅａｍｂｕｓｉｎｅｓｓＬｉＤＡＲｐｏｉｎｔｃｌｏｕｄｄａｔａｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅＴｅｒｒａＳｏｌｉｄꎬＬｉ￣ＤＡＲ－ＳｕｉｔｅａｎｄＬｉＤＡＲ３６０ꎬｗｅｃｏｍｐａｒｅｔｈｅｓｅｔｈｒｅｅｐｏｉｎｔｃｌｏｕｄｄａｔａｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅｉｎｔｅｒｍｓｏｆｔｈｅｓｏｆｔｗａｒｅｆｕｎｃｔｉｏｎｉｎｔｅｇｒｉｔｙꎬｏｐｅｒａｔｉｏｎｃｏｎｖｅｎｉｅｎｃｅａｎｄｔｈｅｐｒｅｃｉｓｉｏｎｏｆｔｈｅｄａｔａｐｒｏｃｅｓｓｉｎｇｒｅｓｕｌｔ.Ａｎａｌｙｓｉｓｉｎｇｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｅａｃｈｓｏｆｔｗａｒｅ.ＴｈｉｓｐａｐｅｒｐｕｔｓｆｏｒｗａｒｄｓｏｍｅｖｉｅｗｓｏｎｔｈｅｆｕｒｔｈｅｒｄｅｖｅｌｏｐｍｅｎｔｏｆｄｏｍｅｓｔｉｃａｉｒｂｏｒｎｅＬｉＤＡＲｄａｔａｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅ.Ｋｅｙｗｏｒｄｓ:ＴｅｒｒａＳｏｌｉｄꎻＬｉＤＡＲ－ＳｕｉｔｅꎻＬｉＤＡＲ３６０ꎻｐｏｉｎｔｃｌｏｕｄｄａｔａｐｒｏｃｅｓｓｉｎｇꎻｓｏｆｔｗａｒｅ０㊀引㊀言机载激光雷达(ＡｉｒｂｏｒｎｅＬｉｇｈｔＤｅｔｅｃｔｉｏｎａｎｄＲａｎｇｉｎｇꎬ简称机载ＬｉＤＡＲ)作为一种新型的主动式遥感技术ꎬ能够快速准确地获取地表高密度㊁高精度的三维点云ꎬ广泛应用于基础测绘㊁地矿勘测㊁水利电力㊁林业㊁考古等多个领域ꎮ随着激光雷达硬件系统的迅速发展ꎬ激光雷达点云数据的利用率得到了很大提高ꎬ同时各类激光雷达软件的功能与性能也在不断完善与提高ꎮ目前ꎬ国外机载Ｌｉ￣ＤＡＲ软件可以分三大类:一是知名的商业化ＧＩＳ/ＲＳ软件ꎬ如ＡｒｃＧＩＳ㊁Ｅｎｖｉ㊁Ｅｒｄａｓ等所新提供的点云数据处理模块ꎬ这些软件提供的点云模块功能尚不够完善ꎬ目前还停留在点云数据浏览与简单的点云分析阶段ꎻ二是较为成熟专业的商业化软件ꎬ如芬兰的Ｔｅｒｒａｓｏｌｉｄ㊁美国的ＱｕｉｃｋＴｅｒｒａｉｎＭｏｄｅｌｅｒ等ꎬ其中ꎬＴｅｒｒａｓｏｌｉｄ作为世界上第一款商业化ＬｉＤＡＲ软件最具有代表性ꎻ三是高校或者科研院所提供的开源点云处理工具ꎬ如ＣｌｏｕｄＣｏｍｐａｒｅ㊁ＬａｓＴｏｏｌｓ㊁Ｐｏｉｎｔｏｏｌｓ等ꎬ这些工具具备基本的点云数据处理功能ꎬ但不面向生产ꎬ上手比较复杂ꎬ学术研究的性质更大ꎮ近年来ꎬ国内ＬｉＤＡＲ数据处理软件研发队伍也在不断壮大ꎬ如武汉大学㊁中国测绘科学研究院㊁同济大学等单位进行了大量的研发并取得了一定成果ꎮ在这样背景下ꎬ国内诞生了一系列具有自主知识产权的商业化ＬｉＤＡＲ数据处理软件ꎬ目前具备一定代表性的有武汉天擎空间信息技术有限公司的ＬｉＤＡＲ＿Ｓｕｉｔｅ㊁北京数字绿土科技有限公司的ＬｉＤＡＲ３６０等ꎮ这些软件都具备了商品化的能力ꎬ除了激光雷达点云常见的处理功能外ꎬ还针对我国测绘㊁规划㊁电力㊁林业等领域的应用要求ꎬ为ＬｉＤＡＲ点云数据的后处理工作提供了一些本土化的解决方案ꎮ本文基于国内外现有三款主流商业化软件ＴｅｒｒａＳｏｌｉｄ㊁Ｌｉ￣ＤＡＲ－Ｓｕｉｔｅ㊁ＬｉＤＡＲ３６０ꎬ从生产实践㊁功能完整性㊁关键技术能力等方面对这三款软件进行对比ꎬ总结国内外现有软件的特点和优劣ꎮ１㊀软件介绍１.１㊀ＴｅｒｒａＳｏｌｉｄ软件介绍芬兰赫尔辛基大学研发的ＴｅｒｒａＳｏｌｉｄ软件是国际首套商业化机载ＬｉＤＡＲ数据处理软件ꎬ作为国际上第一套专业的ＬｉＤＡＲ数据处理平台ꎬ该软件基于Ｂｅｎｔｌｙ的Ｍｉ￣ｃｒｏｓｔａｔｉｏｎＣＡＤ软件进行开发ꎬ涵盖了点云数据处理的大部分功能ꎬ主要包括ＴｅｒｒａＭａｔｃｈ㊁ＴｅｒｒａＳｃａｎ㊁ＴｅｒｒａＭｏｄｅｌｅｒ㊁ＴｅｒｒａＰｈｏｔｏ等模块ꎮ１.２㊀ＬｉＤＡＲ－Ｓｕｉｔｅ软件介绍武汉天擎空间信息技术有限公司推出的具有自主知识产权的ＬｉＤＡＲ数据处理软件 ＬｉＤＡＲ＿Ｓｕｉｔｅ是国内第一套完整体系的ＬｉＤＡＲ数据处理软件平台ꎮ软件平台结构分为数据读写显示与预处理㊁基本共性处理以及专业应用处理３个层次ꎬ具有点云数据基础处理功能和二次开发接口ꎮ１.３㊀ＬｉＤＡＲ３６０软件介绍ＬｉＤＡＲ３６０由北京数字绿土科技有限公司提供ꎬ软件主要功能包括点云可视化及编辑㊁航带匹配㊁点云分类㊁点云统计分析㊁ＤＥＭ数据生成及编辑㊁等高线/坡度/坡向等地形产品生成㊁林业分析㊁电力线检测等ꎮ２㊀功能完整性对比分析机载激光雷达点云数据处理的流程为点云读取显示㊁点云滤波分类㊁地物分类㊁点云编辑㊁ＤＥＭ/等高线生成㊁建筑物提取等ꎬ处理流程如图１所示ꎮ图１㊀点云数据处理流程Ｆｉｇ.１㊀Ｐｏｉｎｔｃｌｏｕｄｄａｔａｐｒｏｃｅｓｓｉｎｇ㊀㊀由于数据类型与点云算法的专业性和多样性ꎬ不同的软件在设计之初即各有侧重ꎬ使得不同软件在数据处理方案与具体的软件操作上也各有差异ꎮ本文从各软件的应用层出发ꎬ对软件在点云数据处理流程中的功能完备性进行分析ꎬ使得不同应用领域用户对软件有更清晰的认知ꎬ从而根据自身需求选择合适的软件产品ꎮ经过对ＴｅｒｒａＳｏｌｉｄ㊁ＬｉＤＡＲ－Ｓｕｉｔｅ㊁ＬｉＤＡＲ３６０这三款软件进行数据生产得出的初步结论见表１ꎮ表１㊀软件功能完备性对比Ｔａｂ.１㊀Ｓｏｆｔｗａｒｅｆｅａｔｕｒｅｃｏｍｐｌｅｔｅｎｅｓｓｃｏｍｐａｒｉｓｏｎ㊀㊀㊀㊀㊀软件名称软件功能㊀㊀㊀㊀㊀ＴｅｒｒａＳｏｌｉｄＬｉＤＡＲ＿ＳｕｉｔｅＬｉＤＡＲ３６０数据组织能力支持多种格式点云㊁影像㊁ＤＥＭ数据㊁矢量数据(ｄｇｎꎬｄｗｇ(ｍｉｃｒｏｓｔａ￣ｔｉｏｎ)支持多种格式点云㊁影像㊁ＤＥＭ数据和矢量数据(ｓｈｐ/ｍｉｆ/ｔａｂ/ｄｘｆ)支持多种格式点云㊁影像㊁ＤＥＭ数据㊁矢量数据(ｓｈｐ/ｄｘｆ)ꎬ支持自定义数据格式(ＬｉＤａｔａ㊁ＬｉＭｏｄｅｌ)数据显示能力中等:支持点云㊁影像显示ꎬ图层渲染不流畅ꎬ三维显示层次不丰富ꎻＤＥＭ㊁影像在其他独立的模块中显示强:支持点云㊁影像㊁ＤＥＭ㊁矢量文件的显示ꎬ支持二维视图㊁三维视图㊁剖面视图的显示ꎬ支持多视图联动较强:支持点云㊁影像㊁ＤＥＭ㊁矢量文件的显示支持二维视图㊁三维视图㊁剖面视图航线管理能力支持支持支持工程化管理支持点云分幅和批处理支持点云分幅和批处理支持点云分幅和批处理波形数据可视化与分析不支持支持不支持点云自动滤波渐进ＴＩＮ加密滤波渐进ＴＩＮ加密滤波/曲面滤波/平面滤波/坡度滤波改进渐进ＴＩＮ加密滤波/二次曲面滤波/坡度滤波/中位数分地面点人机交互支持剖面交互支持多种交互工具(画刷分类㊁平面探测等)ꎬ二维㊁三维㊁剖面编辑支持剖面人工交互分类编辑测绘产品生产支持等高线生产模块㊁ＤＥＭ生产模块㊁地形分析模块支持等高线生产模块㊁ＤＥＭ生产模块㊁地形分析模块支持等高线生产模块㊁ＤＥＭ生产模块㊁地形分析模块检校与坐标转换支持支持支持专业应用电力线提取㊁林业分析㊁水文分析电力线提取电力线提取㊁林业分析２０１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１９年㊀㊀由表可知ꎬＴｅｒｒａｓｏｌｉｄ是目前功能数量最多㊁最齐全的点云处理软件ꎮ其缺点在于它是基于ＭｉｃｒｏＳｔａｔｉｏｎ二次开发的ꎬ用户在使用Ｔｅｒｒａｓｏｌｉｄ之前须先安装ＭｉｃｒｏＳｔａｔｉｏｎꎬ因此ꎬ该软件的一些功能与应用扩展受到一定限制ꎬ包括Ｔｅｒｒａｓｏｌｉｄ可视化和人机交互操作ꎮＬｉＤＡＲ＿Ｓｕｉｔｅ软件提供了基于点云到测绘产品的全套方案ꎬ在测绘领域的优化比较强大ꎬ比如它提供的一些半自动的交互算法ꎬ可以有效提高测绘产品的生产效率和精度ꎬ特别是它提供的波形分析模块ꎬ在林地㊁低矮植被区域高精度ＤＥＭ提取方面有一定优势ꎮ相对于前两款软件ꎬＬｉＤＡＲ３６０的主要优势在于提供了较专业的林业分析应用功能ꎬ包括统计参数提取㊁回归分析㊁单木分割㊁按树ＩＤ提取点云等工具ꎮ３㊀关键技术能力对比分析数据处理过程中ꎬ点云滤波是ＤＥＭ生成及后续数据处理(如地物分类㊁三维重建)的重要前提ꎻ建筑物分类是地物分类中最重要的部分ꎬ是建设三维数字城市的主体ꎻ高精度的等高线则是点云数据处理最重要的产品之一ꎬ在测绘㊁水文㊁地貌㊁工程建设等人文和自然科学领域有着广泛应用ꎮ因此ꎬ本文将软件点云自动滤波精度㊁建筑物提取精度㊁等高线提取精度作为衡量软件性能的标准ꎮ分别利用这三款软件进行上述数据处理操作ꎬ结合各软件的不同特点对实验结果进行对比分析ꎮ１)滤波处理精度分析针对点云的自动滤波功能ꎬ本文采用４组ＩＳＰＲＳ推荐的点云数据作为试验数据ꎬ４组点云包含不同尺度的建筑物和植被ꎬ点云密度为１.５ｍꎮ样本１１点云数为３８０１０ꎬ最大高差１０９ｍꎻ样本１２点数为５２１１９ꎬ最大高差１０６ｍꎻ样本２２点云数为３２７０６ꎬ最大高差为３７ｍꎻ样本４２点云数为４２４７０ꎬ最大高差为４３ｍꎮ参考数据是经过人工编辑精细分类的点云数据ꎬ将各软件的处理结果与参考数据进行对比ꎬ计算出Ⅰ类误差㊁Ⅱ类误差和总体误差ꎬ对滤波精度进行定量分析[４]ꎬ作为验证不同软件滤波准确性的依据ꎮ实验结果见表２ꎮ表２㊀各软件点云滤波结果Ｔａｂ.２㊀Ｓｏｆｔｗａｒｅｐｏｉｎｔｃｌｏｕｄｆｉｌｔｅｒｉｎｇｒｅｓｕｌｔｓ㊀㊀㊀㊀软件名称误差类型㊀㊀㊀㊀㊀ＴｅｒｒａｓｏｌｉｄＬｉＤＡＲ－ＳｕｉｔｅＬｉＤＡＲ３６０样本１１样本１２样本２２样本４２ＴｙｐｅⅠ(％)１５.４９１４.７５１７.６３ＴｙｐｅⅡ(％)３.１９３.７２４.６５Ｔｏｔａｌ(％)５.７８６.０４７.３８ＴｙｐｅⅠ(％)９.９９１０.１８１１.５ＴｙｐｅⅡ(％)０.３９０.２１０.４１Ｔｏｔａｌ(％)５.９１５.９３６.２４ＴｙｐｅⅠ(％)１８.０６１９.０２２０.０５ＴｙｐｅⅡ(％)０.６０.６４０.６９Ｔｏｔａｌ(％)５.６３５.７４６.５７ＴｙｐｅⅠ(％)５.１９４.５７４.５６ＴｙｐｅⅡ(％)０.５８０.５１０.５３Ｔｏｔａｌ(％)２.６４２.２３２.２５㊀㊀从表２得出ꎬ三款软件的点云自动滤波功能整体差距不大ꎮＴｅｒｒａｓｏｌｉｄ滤波效果在４组数据中具有更高的稳定性和精确性ꎮ对于山区点云数据(样本４２)ꎬＬｉＤＡＲ－Ｓｕｉｔｅ具备较好的表现ꎮ整体而言ꎬ国产机载ＬｉＤＡＲ点云处理软件能很好地完成点云自动滤波的任务ꎮ２)建筑物分类精度分析为比较各软件建筑物自动分类精度ꎬ本文采用上文中人工滤波后的样本１２和样本２２作为实验数据ꎮ分别用不同软件进行建筑物分类ꎬ通过参数设置ꎬ多次调整ꎬ选取各软件参数设置最合理㊁建筑物分类效果最好的数据作为最终分类结果ꎬ将人工建筑物分类数据作为参考数据ꎬ计算出Ⅰ类误差㊁Ⅱ类误差和总体误差ꎮ其结果见表３ꎮ表３㊀各软件建筑物自动分类结果Ｔａｂ.３㊀Ａｕｔｏｍａｔｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｆｏｒｅａｃｈ㊀㊀㊀㊀ｓｏｆｔｗａｒｅｂｕｉｌｄｉｎｇ㊀㊀㊀㊀软件名称误差类型㊀㊀㊀㊀㊀ＴｅｒｒａｓｏｌｉｄＬｉＤＡＲ－ＳｕｉｔｅＬｉＤＡＲ３６０样本１２样本２２ＴｙｐｅⅠ(％)４.２５３.３７３.６８ＴｙｐｅⅡ(％)９.３８５.３９７.２０Ｔｏｔａｌ(％)６.８２４.８８５.１４ＴｙｐｅⅠ(％)１.４３０.９８１.１５ＴｙｐｅⅡ(％)５.９０４.６９４.９６Ｔｏｔａｌ(％)３.６７２.８３２.９２由于机载激光雷达点采用从上向下的数据获取方式ꎬ点云数据的建筑物自动分类一般专指提取建筑物屋顶信息ꎬ其噪声主要为高植被㊁电杆及其他高空遮挡物ꎮ各软件建筑物分类结果都存在不同程度的错分或漏分ꎮ实验结果表明ꎬ对于建筑物的自动分类功能ꎬ国产机载Ｌｉ￣ＤＡＲ点云处理软件ＬｉＤＡＲ－Ｓｕｉｔｅ和ＬｉＤＡＲ３６０都比Ｔｅｒｒａ￣ｓｃａｎ略强ꎬ但整体差距不大ꎬ在同一水平线上ꎮ３)生成等高线本文采用长阳的山区地面点数据(地面点数为１４９３０００ꎬ最大高差为６３２.２ｍꎬ点云密度为每平方米点数０.４７)和某地城区地面点数据(地面点数为１０１２３５ꎬ最大高差为１２５.４ｍꎬ点云密度为０.３)ꎬ利用３个软件分别构建１ʒ２０００比例尺的等高线ꎬ通过多次操作ꎬ选择各个软件所获得的最好结果进行比较(各软件生成等高线如图２㊁图３所示)ꎮ从美观和保真[７]这两个方面ꎬ对提取结果进行评价ꎮ由图２可知ꎬＴｅｒｒａｓｏｌｉｄ㊁ＬｉＤＡＲ＿Ｓｕｉｔｅ㊁ＬｉＤＡＲ３６０均可生成较为完整的复杂山区等高线ꎬ等高线走势和位置基本一致ꎮＬｉＤＡＲ＿Ｓｕｉｔｅ与Ｔｅｒｒａｓｏｌｉｄ生成等高线包含注记ꎬＬｉＤＡＲ３６０生成的等高线则不包含ꎮ从外观角度考虑ꎬＬｉ￣ＤＡＲ＿Ｓｕｉｔｅ软件生成的等高线较为平滑连续㊁美观㊁等高线无重叠显现ꎻＴｅｒｒａｓｏｌｉｄ生成等高线转折处更为尖锐ꎬ易出现等高线重叠现象ꎻＬｉＤＡＲ３６０生成的等高线易出现断裂现象ꎮ相比山区等高线的生成效果ꎬ各软件对于城市等高３０１第１１期周佳雯等:机载ＬｉＤＡＲ点云数据处理软件对比及评测线的提取效果均不太理想ꎬＴｅｒｒａｓｏｌｉｄ与ＬｉＤＡＲ＿Ｓｕｉｔｅ生成等高线不够平滑ꎬ转折处较为尖锐ꎻＬｉＤＡＲ３６０则易出现更多等高线断裂㊁不连续现象ꎮ图２㊀１ʒ２０００山区等高线生成图Ｆｉｇ.２㊀１ʒ２０００ｍｏｕｎｔａｉｎｃｏｎｔｏｕｒｍａｐ图３㊀１ʒ２０００城区等高线生成图Ｆｉｇ.３㊀１ʒ２０００ｕｒｂａｎｃｏｎｔｏｕｒｍａｐ４㊀结束语本文通过对ＬｉＤＡＲ－ｓｕｉｔｅ㊁ＬｉＤＡＲ３６０㊁ＴｅｒｒａＳｏｌｉｄ三款商业化点云数据处理软件进行功能完备性和关键技术对比ꎬ结合目前点云数据处理的研究进展ꎬ分析每款软件在ＬｉＤＡＲ点云数据处理方面的特点:１)Ｔｅｒｒａｓｏｌｉｄ作为第一款商业化点云数据处理软件ꎬ功能最为齐全ꎮ国产软件也基本实现了点云到测绘产品的全部功能ꎬ完全具备替代进口软件的可能性ꎬ同时ꎬ国产软件在点云数据显示㊁人机交互操作等方面较Ｔｅｒｒａ具有一定优势ꎬ测绘遥感行业人员可以重点考虑国产软件ꎮ２)由于现有的点云滤波算法还无法完全适用于多种不同地形ꎬ在地势平坦地方滤波效果较好ꎬ但在复杂地形区域易因坡度或高程变化较大被误判为非地面点ꎮ所以ꎬ在点云滤波和建筑物分类方面ꎬ各软件都需要在自动分类的基础上以人机交互的方式对点云精细分类ꎬ自动滤波和建筑物分类精度都有较大提升空间ꎮ点云数据的自适应滤波和智能分类算法的研究亟须加强ꎮ３)软件操作参数设置较为复杂ꎬ需要多次测试才能获取合适的参数ꎬ得到较为满意的分类效果ꎻ测绘产品如等高线尤其城市区域等高线提取效果可进一步优化ꎮ同时软件数据处理的总体效率与速度需要进一步提升ꎮ参考文献:[１]㊀张小红.机载激光雷达测量技术理论与方法[Ｍ].武汉:武汉大学出版社ꎬ２００７.[２]㊀刘正军ꎬ徐胜攀ꎬ左志权ꎬ等.机载激光雷达数据处理软件设计及关键技术研究[Ｊ].测绘通报ꎬ２０１２(１２):９１－９３.[３]㊀隋立春ꎬ张熠斌ꎬ张硕ꎬ等.基于渐进三角网的机载ＬｉＤＡＲ点云数据滤波[Ｊ].武汉大学学报:信息科学版ꎬ２０１１ꎬ３６(１０):１１５９－１１６３.[４]㊀李卉ꎬ李德仁ꎬ黄先锋ꎬ等.一种渐进加密三角网ＬｉＤＡＲ点云滤波的改进算法[Ｊ].测绘科学ꎬ２００９ꎬ３４(３):３９－４０.[５]㊀ＭａｎｉａｎＶＢꎬＶｅｇａＡꎬＶａｓｑｕｅｚＲＥ.Ｃｏｍｐａｒｉｓｏｎｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｌｏｇｏｒｉｔｈｍｓｆｏｒｔｅｘｔｕｒｅｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆＳＰＩＥ－ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙｆｏｒＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２００１(４３８８):５６－６４.[６]㊀王宗跃ꎬ马洪超ꎬ彭检贵ꎬ等.基于ＬｉＤＡＲ数据生成光滑等高线[Ｊ].武汉大学学报:信息科学版ꎬ２０１０ꎬ３５(１１):１３１８－１３２１.[７]㊀易俐娜ꎬ许筱ꎬ易琳ꎬ等.ＬｉＤＡＲ点云数据处理软件对比研究[Ｊ].矿山测量ꎬ２０１７(６):１－６.[８]㊀陈松尧ꎬ程新文.机载ＬＩＤＡＲ系统原理及应用综述[Ｊ].测绘工程ꎬ２００７ꎬ１６(１):２７－３１.[９]㊀张娟ꎬ张小叶ꎬ曹海春.基于Ｔｅｒｒａｓｏｌｉｄ系列软件的机载ＬｉＤＡＲ数据后处理[Ｊ].图书情报导刊ꎬ２００９ꎬ１９(２６):９０－９２.[１０]㊀罗胜ꎬ姜挺ꎬ王鑫ꎬ等.原始机载ＬｉＤＡＲ点云中建筑物激光点的自动提取[Ｊ].测绘科学技术学报ꎬ２０１３ꎬ３０(３):２６９－２７３.[１１]㊀赵一鸣ꎬ李艳华ꎬ商雅楠ꎬ等.激光雷达的应用及发展趋势[Ｊ].遥测遥控ꎬ２０１４ꎬ３５(５):４－２２.[１２]㊀张振涛ꎬ王伟ꎬ苏贵波.激光雷达的现状与发展趋势[Ｊ].科技信息ꎬ２０１２(１０):４３１－４３１.[１３]㊀李斯琼.机载激光雷达数据滤波与建筑物提取方法研究[Ｄ].哈尔滨:哈尔滨工业大学ꎬ２０１２.[１４]㊀冯梅ꎬ钟斌.基于ＬｉＤＡＲ点云自动生成等高线的方法研究[Ｊ].测绘与空间地理信息ꎬ２０１２ꎬ３５(６):８７－９０.[编辑:张㊀曦]４０１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１９年。
点云单木分割 区域生长算法
点云单木分割区域生长算法全文共四篇示例，供读者参考第一篇示例：点云单木分割是数字林业学中的一个重要研究领域，它通过处理激光扫描获取的点云数据，实现将林地中的各个个体树木进行分割和识别。
区域生长算法是点云处理中的一种常用算法，它基于相邻点之间的相似性和连续性，对点云数据进行区域分割和生长，实现对单木进行分割的目的。
本文将介绍点云单木分割的背景及意义，重点介绍区域生长算法的原理和实现方法。
一、点云单木分割的背景及意义随着数字林业学的发展，利用激光扫描技术获取林地信息已经成为一种重要的手段。
激光扫描技术能够高效地获取林木结构的三维信息，为林地资源管理和保护提供了有效的数据支持。
激光扫描获取的点云数据通常包含大量的信息，其中包含了不同个体树木的信息，如何对这些点云数据进行单木分割成为研究的热点问题。
点云单木分割的目的是将点云数据中的林木进行有效地分割，实现对单木的识别和建模。
这对于林地资源管理和保护具有重要的意义，可以帮助林业人员对林地结构和环境进行详细的分析和评估，为合理的资源利用和保护提供科学依据。
二、区域生长算法的原理区域生长算法是一种基于种子生长的点云分割算法。
其主要思想是将种子点作为起始点，通过种子点与相邻点之间的相似性判断，不断地生长形成一个区域。
通过不断地将相邻点加入到区域中，从而实现对点云数据的区域分割和生长。
具体来说，区域生长算法的步骤如下：2. 生长：从候选点集合中选择一个点作为当前点，计算当前点与种子区域中所有点的相似性。
若当前点与种子区域中的某个点的相似性满足一定条件，则将当前点加入到种子区域中，并将当前点的相邻点加入到候选点集合中。
3. 终止条件：当候选点集合为空或者种子区域的大小达到预设的阈值时，终止生长。
4. 输出结果：得到一个经过区域生长处理的点云区域，即为一个单独的树木。
1. 相似性判断：区域生长的关键在于如何判断点与区域中的点的相似性。
通常可以使用点之间的欧式距离、法向量差异等指标来进行相似性判断，以确定是否将点加入到种子区域中。
森林资源信息提取-数字绿土案例
林业调查-基于无人机平台应用激光雷达技术获取树木信息（包含位置、树高、树冠直径、树冠面积和树冠体积等）
一、场景概述
森林资源调查的重要内容之一是测量样方内单木的树种、树高、胸径及所在位置等。
激光雷达技术能够同时获取森林冠层表面的水平和垂直结构信息，基于高密度的激光雷达点云不仅能够获取林分尺度森林参数，也可以提取单木尺度的森林参数。
基于点云数据获取单木尺度森林参数，首先需要进行单木分割，单木分割方法可分为基于CHM的分割和基于点云的分割。
本文介绍采用无人机激光雷达扫描系统获取点云数据，使用LiDAR360软件进行数据处理分析，获取树木位置、株数、树高、树冠直径、树冠面积和树冠体积等信息。
二、硬／软件选配
无人机激光雷达扫描系统：LiAir 1000
LiAir 1000是由数字绿土自主研发的中型激光雷达点云数据采集系统，高度集成了激光雷达扫描仪、GNSS和IMU定位定姿系统及存储控制单元，可实时、动态、海量采集高精度点云数据及丰富的影像信息。
广泛应用于测绘、电力、林业、农业、国土规划、地质灾害、矿山安全等领域三维空间信息的获取。
•精度：精度满足 1:500 地形测图需求；
•效率：单机日测 18 平方公里；
•稳定性：安全作业时长累计超5000小时；
•操作方式：支持一键式流程化数据采集，一键起降自动执行航线；
•搭配平台：系统兼容多旋翼无人机、垂直起降固定翼无人机等无人平台；。
LiDAR360软件地基点云数据单木分割
LiDAR360软件地基点云数据单木分割本教程介绍了使用LiDAR360软件进行地基点云数据单木分割的流程，可获取单木位置和胸径信息。
数据处理流程：点云去噪>分离地面点>生成DEM >归一化>打开TLS编辑工具条，获取种子点> 基于种子点进行单木分割➢点云去噪数据管理> 点云工具> 去噪➢TLS点云数据滤波地基林业> 地面点滤波✧格网大小：格网分辨率✧地面点厚度：格网最低点到该厚度的点云数据都会分类为地面点✧窗口平滑：使用邻域格网数据进行地面点一致性滤波✧窗口大小：设置邻域窗口大小，3表示使用3*3大小窗口➢生成DEM地形> 数字高程模型➢归一化数据管理> 点云工具> 归一化➢获取种子点并基于种子点单木分割地基林业> TLS编辑说明：启动TLS编辑工具后，窗口将自动变成2D模式，无法切换成3D，剖面窗口中可对点云进行三维查看，可在剖面窗口添加种子点，但无法在剖面窗口删除种子点。
点击开始编辑，选择要编辑的数据（每次只支持编辑一个数据），随后会弹出一个设置窗口，可以设置种子点的大小、颜色、透明度以及是否显示ID，点云高度默认为1.2-1.4m，表示只显示1.2-1.4米的点云。
从左到右依次为：开始/结束编辑、打开种子点文件、保存种子点文件、拟合单棵树的DBH、批量拟合DBH、拟合DBH的方法（拟合圆/拟合圆柱）、选择种子点、减选种子点、取消选择、选择点云数据、选择种子点、添加种子点、删除选择的种子点、清除所有种子点、剖面、筛选种子点、基于种子点单木分割、清除树ID、设置、退出。
（1）通过选择工具选择所有的点云，选中的点云数据将以红色显示（2）批量拟合DBH生成种子点（3）点击，基于种子点进行单木分割✧切片厚度：默认参数为0.1m，参数范围0.1~0.15m。
通过切片可以将所有点云按照切片高度分成一层一层的切片。
此参数决定着树木生长的范围。
LiDAR点云数据分割方法的比较分析
LiDAR点云数据分割方法的比较分析作者：李雅盟李朝奎陈奇褚楠来源：《数字技术与应用》2018年第10期摘要：目前点云数据分割又分为基于面域、基于边界及混合三大类方法。
与之前的方法不同，本文通过比较各类点云数据分割算法，得出各类分割算法的优缺点，并在实验过程中总结出点云数据在滤波、分类中的相关性，提出一种基于分类与分割迭代的分割算法。
关键词：点云;分割;比较分析中图分类号：TN958.98; ; 文献标识码：A; ; 文章编号：1007-9416（2018）10-0000-00激光雷达测量技术（LiDAR）以其观测精度高、作业效率高等优点，已在三维建模、森林资源管理、海岸侵蚀检测中得到广泛应用[1]。
其中数据分割是点云数据生成栅格数据的关键环节。
现存的点云数据分割算法主要分为基于边界、基于面域及混合分割算法这三大类，根据应用需求的不同，选取相应的算法进行数据分割[2，3]。
通过总结点云数据处理过程中的各个环节之间重要的相互关系，提出了一种基于分类与分割迭代的分割算法。
1 LiDAR点云分割算法的比较分析一般来说，点云数据分割算法可以分为基于边界的算法和基于面域的算法两大类。
前者主要着眼于提取点云中代表不同曲面间边界的扫描点，然后根据得到的边界分割点云数据。
而后者则主要着眼于寻找点云中具有相同属性的扫描点，构成可靠种子区域，然后对这些种子进行生长，最终达到分割点云数据的目的。
很多研究人员综合使用了上述两种方法进行点云分割，即混合算法。
其中基于面域的分割算法，又分为高级特性及扫描点聚类算法。
本实验通过对现有的点云分割算法，得到相应的实验结果，并结合算法思想，得到了基于面域、基于边界及混合算法的对比结果（见表1），基于面域的高级特性及扫描点聚类的对比结果（见表2）。
2 基于分类与分割迭代的分割算法目前存在的算法都是基于面域或基于边界，且各种混合算法也只是为了得到一种基于边界及基于面域分割算法的最优组合，尽管有些混合算法达到了较好的分割结果，但针对不同的数据处理目的，算法不一定适用。
一种基于UAV-LiDAR点云的多尺度单木分割
1. 引言
森林与我们的生态环境息息相关，我国定期进行森林资源调查，实施林业保护和扩增等政策。而目 前调查工作人工参与成分较高，自动化程度低，严重影响工作效率。急需满足精度要求适应各种复杂场 景的遥感手段进行原始信息的自动采集与获取。其中单木结构参数信息，例如单木位置、树高、冠幅等， 对于树木生长研究、森林资源调查等具有重要意义。相比于摄影测量的方式，激光雷达可以直接的获取 地物的表面点位三维信息，进而更准确的获取单木结构参数，而小型 UAV-LiDAR (Unmanned Aerial Vehicle-Light Detecting and Ranging)更是为数据的获取提供了便利。由此激光雷达技术已逐渐成为森林资 源调查重要的遥感手段，而在无序、离散的点云数据中准确分割单木点云成为其关键问题，尤其在面对 复杂场景，树木种类不一、形状大小各异，如何提高分割精度也一直是该问题的难点。
国内外在机载点云单木分割上已经做了很多研究，从方法上主要分为两大类：1、基于冠层高度模 型(Canopy Height Model, CHM)的单木分割；2、基于点云的单木分割。冠层高度模型(CHM)一般通过地 物表面模型(Digital Surface Model, DSM)与地面高程模型(Digital Elevation Model, DEM)做差，并用局部 插值生成的栅格图像，其基于 CHM 的单木分割实质上采用的图像处理的技术。基于点云的单木分割， 充分保留高程上的信息，更加直接与精确，但分割准则更加复杂。
Keywords
Individual Tree Extraction, LiDAR, UAV, Multi-Scale
Copyright © 2021 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/
点云数据双向选择单木提取与地面数据匹配方法
第57卷第3期2021年3月林业科学SCIENTIASILVAESINICAEVol.57,No.3Mar.,2021doi:10.11707/j.1001-7488.20210319收稿日期:2019-03-01;修回日期:2019-09-17㊂基金项目:国家重点研发计划(2017YFD0600900)㊂∗张晓丽为通讯作者㊂点云数据双向选择单木提取与地面数据匹配方法∗霍朗宁㊀张晓丽(北京林业大学精准林业北京市重点实验室㊀北京林业大学省部共建森林培育与保护教育部重点实验室㊀北京100083)摘㊀要:㊀ʌ目的ɔ基于双向选择判断原理,提出一种将激光雷达(LiDAR)点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,以得到更为合理的信息匹配结果㊂ʌ方法ɔ采用机载LiDAR 点云数据分割单木,提取单木位置㊁数量㊁树高和冠幅等信息,从LiDAR 提取单木位置出发,依据树高和距离正向确定候选地面实测单木,再根据候选地面实测单木位置和距离信息逆向确认LiDAR 提取单木是否为最合适的匹配对象木㊂ʌ结果ɔ以匹配精度㊁匹配后的单木树高和冠幅精度为判断指标,与邻域最高匹配法㊁最邻近匹配法和双因素匹配法相比,在匹配精度一致的情况下,双向选择判断法匹配的单木树高精度可从75.21%提升至91.01%,冠幅精度从60.50%提升至68.64%;在保证匹配信息精度一致的情况下,双向选择判断法可将匹配精度从传统方法的33.52%提升至61.11%㊂ʌ结论ɔ点云数据双向选择单木提取与地面数据匹配方法可快速㊁高效地将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配,与传统方法相比,能够在高密度㊁多林层林分中发挥更高优势㊂关键词:㊀机载LiDAR;地面实测信息;单木匹配;信息匹配精度中图分类号:S757㊀㊀㊀文献标识码:A㊀㊀㊀文章编号:1001-7488(2021)03-0181-08The Method of Matching Single Tree Information Extracted by Point Cloud to theReference Data from Field Work through Bidirectional SelectionHuo Langning㊀Zhang Xiaoli(Precision Forestry Key Laboratory of Beijing ㊀Key Laboratory for Silviculture and Conservation of Ministry of Education ,Beijing Forestry University ㊀Beijing 100083)Abstract :㊀ʌObjective ɔBased on the principle of bidirectional selection and judgment,a method was proposed to reasonably match the individual tree information extracted from point cloud data(LiDAR)with the reference information measured by the field work.ʌMethodɔUsing airborne LiDAR point cloud data,individual tree information such as treeposition,number,height,and crown diameter was extracted.Firstly,the candidate reference trees were selected according to the information of the LiDAR tree.Then whether such candidate trees were the most reasonable LiDAR trees from the reference tree or not were evaluated again.ʌResultɔThe matching accuracy,the heights and crown diameters accuracy after matching were used as the accuracy pared with the other three commonly used matching methods,the height accuracy of individual tree using the proposed matching method was increased from 75.21%to 91.01%,and the crown diameter accuracy was also increased from 60.50%to 68.64%under the conditions with the same matching accuracy.When the height and crown diameter accuracy were controlled with the same value,the proposed method improved the matching accuracy from 33.52%to 61.11%comparing to the traditional method.ʌConclusionɔThe proposed method in this paper could match the single tree information quickly and efficiently between the ones extracted by remotesensing and the reference information measured on the field pared with the traditional method,it could show some superiority when used in high-density and multi-layer stands.Key words :㊀ALS;reference data from the field work;matching individual trees;accuracy of the information matching㊀㊀单木匹配指将基于遥感手段提取到的单木信息与地面实测单木信息进行一一匹配的工作,不仅是评价遥感反演单木信息精确度的一个重要环节,更在依据遥感信息制定森林经营管理计划中发挥着重林业科学57卷㊀要作用㊂近年来,随着机载激光雷达㊁无人机影像技术的不断发展,对森林信息的提取已可实现到单木尺度(陈崇成等,2018;李蕴雅,2016;Kaartinen et al.,2012;Eysn et al.,2015);然而,对单木信息的充分提取也给信息匹配带来了一定挑战㊂在高密度㊁多林层林分中,将遥感提取到的单木信息与实测单木信息进行一一匹配难度很大㊂以机载激光雷达技术为例,提取到的单木位置往往是树顶点,与实际树干位置不一定相符,甚至在一些特殊立地条件下,树顶点位置不一定在树冠范围内㊂因此,一种合适的匹配方法尤为重要,需以最合理的方式㊁最小的误差将尽可能多的遥感提取木与地面实测木相匹配㊂目前,单木匹配方法主要包括以下3类:1)邻域最高匹配法,即从最高的LiDAR 提取木开始,以其为中心划分圆形邻近区域,将该区域内最高的地面实测木作为匹配木(赵峰,2007);2)距离最近匹配法,即将LiDAR 提取木与距离最近的地面实测木相匹配(Morsdorf et al.,2004);3)树高㊁距离双因素匹配法,即同时考虑树高差和距离,选择二者之和最小者作为匹配木;在实际操作过程中,为保证树高差和距离二者度量的均衡,会根据实际变动范围为其赋予不同权重(Kandare et al.,2016)㊂在无人机影像信息提取方面以及机载激光雷达提取单木技术的发展初期,探测和分割往往集中于顶层林木(霍达,2015;王植槐,2014;赵峰,2007),因此上述方法符合当时要求㊂然而随着技术的不断发展,尤其在机载激光雷达单木分割方面,近年来涌现出了更为高效㊁准确的提取方法(李平昊等,2018;苏练,2017),如K 均值聚类(Morsdorf et al.,2004;Gupta et al.,2010)㊁均值移动聚类(Ferraz et al.,2012)和自适应距离聚类(Lee et al.,2010)等,可以进一步利用三维激光点云空间信息,对下层林木具有更高的探测和提取效果(Li et al.,2012;Wang et al.,2020;Williams et al.,2020)㊂在这种情况下,将激光雷达点云数据提取单木简单地匹配到距离最近或邻域范围内最高的单木显然不能得到合理的信息匹配结果,不仅会造成大量激光雷达点云数据信息浪费,更会引起激光雷达点云数据信息精度评价误差㊂鉴于此,本研究基于双向选择判断原理,添加反向确认过程,提出一种将激光雷达(LiDAR)点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,以期得到更为合理的信息匹配结果㊂1㊀研究区概况与研究方法1.1㊀研究区概况㊀研究区地处我国甘肃省祁连山国家级自然保护区肃南裕固族自治县西水林场,为祁连山山区天然次生林㊁黑河流域水源涵养林,海拔2700~3000m,属温度高寒半干旱㊁半湿润山地森林草原气候,阳坡为山地草原,阴坡为森林景观,林区主要森林类型为青海云杉(Picea crassifolia )天然纯林(成熟林)㊂研究区位置㊁样地布置和原始点云示意如图1所示㊂图1㊀研究区位置㊁样地布置和原始点云示意Fig.1㊀Position of the study area and the super-plot layout presenting in point cloud1.2㊀数据获取与预处理㊀1)机载LiDAR 数据与预处理㊀机载LiDAR 数据获取于2008年6月23日,无人机平均飞行海拔约3560m,距离地面飞行高度约760m;搭载LiteMapper5600LiDAR 系统,激光扫描仪为RiegILMS-Q560,波长1550nm,激光脉冲长度3.5ns,激光脉冲发散角小于等于0.5m ㊃rad,地面平均光斑直径38cm,可分辨目标的最小间隔0.6m,脉冲重复频率50kHz㊂281㊀第3期霍朗宁等:点云数据双向选择单木提取与地面数据匹配方法从原始点云中裁出与地面实测数据相匹配的100m ˑ100m 区域,采用Terrasolid 软件进行点云去噪㊁地面点与非地面点分离㊁植被标准化,并去掉高度小于2m 的点云,获得样地林层点云作为算法的试验数据㊂平均点云密度2.86m -2㊂2)地面调查数据㊀地面调查时间为2008年6月1 13日,沿山坡走势布设一块100m ˑ100m 超级样地,方位角约122ʎ,按照25m ˑ25m 尺寸划分为16块子样地(图1)㊂对样地中林木进行每木检尺,记录林木胸径㊁树高㊁冠幅和枝下高,通过全站仪获取单木位置,共得到1435株单木信息㊂本研究重点讨论LiDAR 反演单木树高㊁冠幅㊁位置以及林分结构参数的精度,相关统计量如表1所示㊂表1㊀超级样地林分信息Tab.1㊀The stand information of the super plot树高最大值Maximum height /m 树高最小值Minimum height /m 树高均值Mean height /m 冠幅加权平均树高Average height weighted by crown diameter /m冠幅最大值Maximum crown diameter /m冠幅最小值Minimum crown diameter /m冠幅均值Mean crown diameter /m 33.802.009.2910.929.050.503.22郁闭度Canopy closure 密度Density /(trees ㊃hm -2)树高基尼指数Gini coefficient 树高变异系数Coefficient of variation 聚集指数Aggregation index最邻近体间平均距离Mean distancebetween the nearest neighbors /m0.7014350.3555.200.991.311.3㊀单木分割与信息提取㊀应用分层K 均值聚类算法从激光雷达三维点云数据中分割单木,具体步骤为:1)对点云进行水平分层,并对每层点云分别提取点云高度局部最大值;2)以各层局部最大值为起始聚类中心进行K 均值聚类,首先计算所有点云到聚类中心的距离,将点云归到离其最近的聚类中心所在的类,然后计算每一个聚类的平均点云坐标得到新的聚类中心,如果相邻2次聚类中心没有任何变化,则聚类调整结束;3)按照从上到下的顺序,将隶属不同水平层但聚类中心距离小于一定阈值的点云簇进行融合,得到分割后的单木点云;4)将点云坐标均值作为单木位置,点云高度最大值作为单木树高,计算点云平面投影面积,视为圆形计算其直径作为单木冠幅㊂1.4㊀单木匹配方法㊀从原理上讲,双向选择判断法的优势在于同时关注待匹配的LiDAR 提取木和实测木的邻域情况,具有逆向确认过程,可避免欠分割和过分割在匹配过程中的误差积累㊂具体实施步骤为(图2㊁3):1)从最高的LiDAR 提取木A 开始,以A 为中心㊁5倍冠幅长度为半径,搜索与其树高差不超过其冠幅的地面实测木作为待选,将待选实测木按距离由小到大排序,如距离最近的地面实测木为1号待选木,距离第二近的实测木为2号待选木,以此类推,并计算待选木与LiDAR 提取木的距离和树高差,设为ΔD 1㊁ΔH 1㊁ΔD 2㊁ΔH 2;2)暂时将1号木作为准匹配木B,比较1号木和2号木分别与LiDAR 提取木的距离和树高差,若2号木树高差小且距离比1号木远,不超过2m,即ΔH 2<ΔH 1且ΔD 2-ΔD 1<2m,则2号木变更为准匹配木,再与3号木进行比较,以此类推,至所有待选木判断完成,决策出准匹配木B;3)以准匹配木B 为中心,判断LiDAR 提取木A 是否为其周围距离最近且树高差最小的林木;如果同时满足这2个条件,则A 与B 匹配成功,不参与之后的步骤;如果不同时满足这2个条件,则A 待所有LiDAR 提取木完成步骤2㊁3后进行第二轮匹配;4)对所有LiDAR 提取木按照树高由大到小依次进行步骤1㊁2㊁3,至所有提取木均经过以上步骤匹配工作,之后对其中不满足步骤3匹配条件的林木进行多轮匹配,至满足所有匹配条件的配对树不再增多,则算法结束㊂本算法中使用了一些人工确定的阈值参数,如定义邻域范围条件㊁是否变更候选木等,这些参数根据具体林分条件确定,如林木间最小距离㊁林木平均树高㊁冠幅等㊂在实际应用中,可从激光雷达点云数据提取的信息中计算这些参数,也可直接从地面实测数据中获取相关信息㊂1.5㊀精度评价㊀为区分不同匹配方法的匹配效果,以所有地面实测木均应得到匹配为理想状态,设计匹配效果评价指标㊂1)漏匹配率(omission error,OE)㊀没有匹配的地面实测木数量占所有地面实测木数量的比例:OE =N ref -N match ()N refˑ100%㊂(1)式中:N ref 为地面实测单木数量;N match 为成功匹配381林业科学57卷㊀图2㊀双向选择判断步骤示意Fig.2㊀Simulation maps of each step ofmatching图3㊀双向选择判断法流程Fig.3㊀The framework of the bidirectional selection481㊀第3期霍朗宁等:点云数据双向选择单木提取与地面数据匹配方法单木数量㊂2)错误匹配率(commission error,CE)㊀本不应该匹配却匹配成功的林木数量占所有地面实测木数量的比例,其中不应该匹配却匹配成功的林木数量以聚类林木数量与匹配林木数量的差值代替:CE =N test -N match ()N refˑ100%㊂(2)式中:N test 为点云数据中获取的单木数量㊂3)匹配精度(match accuracy index,A match )㊀设理想状态下匹配精度为1,减去漏匹配率和错误匹配率,以此融合2方面因素:A match =1-OE -CE㊂(3)2㊀结果与分析2.1㊀单木分割㊀单木分割后,共提取到1273株单木㊂在Matlab 软件中将LiDAR 提取的林木点云赋予不同颜色,如图4所示㊂为模拟正射影像图,分别列出树高大于15㊁10㊁5m 和所有林木的聚类垂直投影,保证上层林木效果不变,不断叠加下层林木㊂2.2㊀单木匹配㊀图5给出了针对分层聚类情况使用双向选择判断法进行单木匹配的结果㊂由于林木较多㊁林分密度较大㊁林木距离较近,为便于观察,分别对树高大于15m 以及10~15㊁5~10㊁2~5m 4个林层单独绘图㊂可以看出,大部分林木可在冠幅范围内完成匹配,当林分密度较大时,有超过冠幅范围的情况,但距离不会超过冠幅长度,否则不会显示匹配成功㊂在2~5m 林层匹配图中出现冠幅明显大于实际值的情况,但不是因匹配造成,而是受目前单木冠幅提取算法限制,冠幅精确度仅为60%左右㊂图4㊀树高大于15㊁10㊁5m 和所有林木的聚类垂直投影Fig.4㊀Clustering vertical projection of tree height greater than 15,10,5m and all trees581林业科学57卷㊀图5㊀各林层单木匹配情况Fig.5㊀Matching of each forest story+号代表LiDAR提取木位置,㊃号代表地面实测木位置,圈的大小代表单木冠幅,+号㊁㊃号之间连线代表匹配㊂Where+symbols represent the positions of the LiDAR trees and red dots represent the positions of the field trees. The sizes of the circles correspond to the crown diameters,and the lines show the matching between two trees.㊀㊀为了证实本研究提出的双向选择判断法在单木匹配方面的优势,分别采用邻域最高匹配法㊁最邻近匹配法㊁双因素匹配法和双向选择判断法对同一聚类结果进行匹配,并重点分析匹配情况以及单木树高㊁冠幅精度㊂针对某种匹配方法,设置的匹配条件越严格,单木精度越高,匹配成功的林木数量越少,因此可通过调节匹配条件,获得不同匹配方法下匹配精度近似而单木树高精度不同或单木树高精度大致相同而匹配精度不同的结果㊂由表2㊁3可知,当匹配精度在61%左右时,不同匹配方法的单木树高精度差异较大,最邻近匹配法精度最低,双向选择判断法精度最高;单木冠幅精度也表现出同样趋势,当不同匹配方法的单木树高精度在91%左右时,双向选择判断法具有最优的匹配精度和冠幅精度㊂为探究4种匹配方法对不同级别树高的匹配精度差异,以5m为一级划分林层,分别计算匹配精度㊂由图6可知,总体来说双向选择判断法的匹配精度最高,尤其在2~10m的下层林㊁中层林中表现突出;邻域最高匹配法在上层林表现较好,尤其是树高20~25m的最上层林木,提取精度甚至超过双向选择判断法,但在下层林提取方面表现不佳;最邻近匹配法与双因素匹配法精度差异不大,均低于其他2种匹配方法,且特色不突出㊂表2㊀匹配精度相近时不同匹配方法所得单木树高、冠幅精度比较Tab.2㊀The comparison of the accuracy of single tree heights and crown diameters under the similar matching accuracy 匹配方法Matching methods匹配精度Matching accuracy(%)单木树高精度Height accuracy(%)单木冠幅精度Crown accuracy(%)邻域最高匹配法Matching to the highest61.1584.4062.61最邻近匹配法Matching to the nearest61.1175.2159.45双因素匹配法Double factors61.1579.6460.50双向选择判断法Bidirectional selection61.1191.0168.64 681㊀第3期霍朗宁等:点云数据双向选择单木提取与地面数据匹配方法表3㊀单木树高精度相近时不同匹配方法所得匹配精度、单木冠幅精度比较Tab.3㊀The comparison of the matching accuracy and the crown accuracy under the similar tree height accuracy 匹配方法Matching methods匹配精度Matching accuracy(%)单木树高精度Height accuracy(%)单木冠幅精度Crown accuracy(%)邻域最高匹配法Matching to the highest43.0091.1063.10最邻近匹配法Matching to the nearest31.8590.8361.79双因素匹配法Double factors33.5291.0461.99双向选择判断法Bidirectional selection61.1191.0168.64图6㊀4种匹配方法在各林层的匹配精度Fig.6㊀The matching accuracy for the four methods atevery tree height level3㊀讨论㊀㊀将聚类得到的林木信息与地面实测林木信息进行匹配是一项重要工作,根据匹配结果可对比判断不同分割方法的优劣,还可进一步将激光雷达点云数据信息产品向应用产品转化,如完成单木尺度管理决策㊁可视化经营等工作㊂本研究提出一种双向选择判断的数据匹配方法,其突出特点是不仅经过单向选择过程,更从候选木角度判断这一匹配是否为全局最优匹配㊂如激光雷达点云数据中单木为A,地面实测单木为B,先从A的邻域中通过条件确定B,再从B的邻域中判断A是否为B的最佳匹配㊂此外,候选木B的确定也经历了对比分析过程,以距离为主要条件,辅助树高差信息,也是该方法的特色之一㊂一种合适的匹配方法包括2方面:一是匹配原理,不同匹配原理所侧重的信息是不同的,如本研究中探究的4种匹配方法,邻域最高匹配法㊁最邻近匹配法㊁双因素匹配法均以聚类林木为中心,分别以树高差㊁距离以及二者综合作为判定信息,双向选择判断法则先以聚类林木为中心挑选地面实测林木,再以地面实测林木为中心检验聚类林木;二是匹配条件,即最大距离㊁树高差的阈值设置,需要根据林分实际情况进行设定;如匹配条件过于严苛,不仅导致匹配成功的林木数量较少,聚类有效性低于应有水平,还会使单木信息精度虚高,无法代表整体林分情况㊂针对不同类型林分和研究目的,适用的匹配原理也存在差异:1)很多研究采用人工目视解译方法进行匹配,大多是林木数量少㊁林分稀疏或需要重点研究匹配错误原因的情况,虽然在研究中较为适用,但不适合推广(Li et al.,2012);2)对于结构单一林分,如人工栽植的纯林㊁单林层林分和稀疏林分,由于林木相互之间距离大㊁遮挡不严重,林木的实际位置不会超过冠幅范围,且聚类得出的冠幅范围内有且仅有1株实测林木,这种情况比较适用于最邻近匹配法;3)对于重点提取林分优势木的林分,如计算地位级㊁林分择伐作业等特殊性工作,可采用邻域最高匹配法;4)对于郁闭度高㊁林分垂直结构复杂㊁林木相互之间遮挡严重的林分,则应采用双向选择判断法,以保证在林木冠幅范围内选择出最合适的匹配木㊂同时,针对不同遥感数据类型,也可选择不同匹配方法㊂适合本研究提出的双向选择判断法的遥感数据类型包括高密度机载激光雷达数据㊁地基激光雷达数据和地基近景摄影等,即对高密度㊁多林层林分有较强单木探测和信息提取能力的遥感数据类型;对于卫星影像㊁无人机CCD影像等数据类型来说,只能对主林层的单木有较好探测,因此选择邻域最高匹配法或最邻近匹配法均可㊂4㊀结论㊀㊀本研究基于双向选择判断原理,提出一种将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,并应用于一块林木密度高㊁空间结构异质性大的复层林进行效果对比验证㊂结果表明,与邻域最高匹配法㊁最邻近匹配法和双因素匹配法相比,双向选择判断法可给出更为合理的信息匹配:在匹配精度一致的情况下,匹配的单木树高781林业科学57卷㊀精度可从75.21%提升至91.01%,冠幅精度从60.50%提升至68.64%;在保证匹配信息精度一致的情况下,可将匹配精度从传统方法的33.52%提升至61.11%㊂点云数据双向选择单木提取与地面数据匹配方法可快速㊁高效地将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配,从而更高效利用激光雷达点云数据信息,为地面实际林木管理工作奠定技术基础㊂参考文献陈崇成,李㊀旭,黄洪宇.2018.基于无人机影像匹配点云的苗圃单木冠层三维分割.农业机械学报,49(2):149-155,206. (Chen C C,Li X,Huang H Y.2018.Three-dimensional segmentation of single tree canopy in seedling nursery based on UAV image matching point cloud.Journal of Agricultural Machinery,49(2):149-155, 206.[in Chinese])霍㊀达.2015.基于机载LiDAR反演森林参数的研究.哈尔滨:东北林业大学硕士学位论文.(Huo D.Research on forest parameter inversion based on airborne LiDAR.Harbin:MS thesis of Northeast Forestry University.[in Chinese])李平昊,申㊀鑫,代劲松,等.2018.机载激光雷达人工林单木分割方法比较和精度分析.林业科学,54(12):127-136.(Li P H,Shen X,Dai J S,et parison and precision analysis of single wood segmentation method in airborne LiDAR plantation.Scientia Silvae Sinicae,54(12):127-136.[in Chinese])李蕴雅.2016.UAV/RS3D像对森林信息提取方法研究.北京:北京林业大学硕士学位论文.(Li Y Y.2016.Research on extraction method of forest information by UAV/RS3D image.Beijing:MS thesis of Beijing Forestry University.[in Chinese])苏㊀练.2017.基于机载激光雷达数据的森林参数反演与程序设计.成都:电子科技大学硕士学位论文.(Su L.2017.Forest parameter inversion and programming based on airborne LiDAR data.Chengdu:MS thesis of University of Electronic Science and Technology.[in Chinese])王植槐.2014.基于机载激光雷达的林木特征研究.长沙:中南林业科技大学硕士学位论文.(Wang Z H.2014.Study on tree characteristics based on airborne LiDAR.Changsha:MS thesis of Central South University of Forestry and Technology.[in Chinese])赵㊀峰.2007.机载激光雷达数据和数码相机影像林木参数提取研究.北京:中国林业科学研究博士学位论文.(Zhao F.2007.Research on tree parameter extraction from airborne LiDAR data and digital camera image.Beijing:PhD thesis of Chinese Academy of Forestry.[in Chinese])Eysn L,Hollaus M,Lindberg E,et al.2015.A benchmark of LiDAR based single tree detection methods using heterogeneous forest data from the Alpine space.Forests,6:1721-1747.doi:http:ʊdx. /10.3390/f6051721.Ferraz A,Bretar F,Jacquemoud S,et al.2012.3-D mapping of a multi-layered Mediterranean forest using ALS data.Remote Sensing of Environment,121:210-223.doi:http:ʊ/10.1016/j. rse.2012.01.020.Gupta S,Weinacker H,Koch parative analysis of clustering-based approaches for3-D single tree detection using airborne full wave LIDAR data.Remote Sensing,2:968-989.doi: http:ʊ/10.3390/rs2040968. Kaartinen H,HyyppäJ,Yu X,et al.2012.An international comparison of individual tree detection and extraction using airborne laser scanning.Remote Sensing,4:950-974.doi:http:ʊ/ 10.3390/rs4040950.Kandare K,Orka H O,Chan J C W,et al.2016.Effects of forest structure and airborne laser scanning point cloud density on3D delineation of individual tree crowns.European Journal of Remote Sensing,49:337-359.Lee H,Slatton K C,Roth B E,et al.2010.Adaptive clustering of airborne LiDAR data to segment individual tree crowns in managed pine forests.International Journal of Remote Sensing,31:117-139. doi:http:ʊ/10.1080/01431160902882561.Li W,Guo Q,Jakubowski M K,et al.2012.A new method for segmenting individual trees from the LiDAR point cloud. Photogrammetric Engineering&Remote Sensing,78(1):75-84. Morsdorf F,Meier E,Kötz B,et al.2004.LiDAR based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management.Remote Sensing of Environment,92:353-362.doi:http:ʊ/10.1016/j. rse.2004.05.013.Wang X H,Zhang Y Z,Luo bining trunk detection with canopy segmentation to delineate single deciduous trees using airborne LiDAR data.IEEE Access,99783-99796.doi:10.1109/ ACCESS.2020.2995389.Williams J,Schonlieb C B,Swinfield T,et al.2020.3D segmentation of trees through a flexible multiclass graph cut algorithm.IEEE Transactions on Geoscience and Remote Sensing,58(2):754-776.doi:10.1109/TGRS.2019.2940146.(责任编辑㊀石红青)881。
LiDAR360软件地基点云数据单木分割
LiDAR360软件地基点云数据单木分割本教程介绍了使用LiDAR360软件进行机载点云数据单木分割的流程，可获取单木位置和树高、冠幅直径、冠幅面积等信息。
LiDAR360 2.0版本增加了对单木分割结果的可视化编辑，基于CHM分割、层堆叠算法或者点云分割得到的CSV文件中的树木位置，对过分割或欠分割区域人为删除/添加种子点，基于编辑后的种子点再次对点云进行分割，从而改善分割效果。
数据处理流程：点云去噪>分离地面点>生成DEM >归一化>生成种子点>导入种子点并编辑> 基于编辑后的种子点再次分割➢点云去噪数据管理> 点云工具> 去噪➢分离地面点分类> 地面点分类LiDAR360 2.0版本对地面点滤波的效果进行了改进，同时界面上增加了两个阈值设置和只生成模型关键点的复选框：✧减小迭代角，当边长<：当三角形的边长小于给定的阈值时，相应减小迭代角度；✧停止构建三角形，当边长<：当三角形的边长小于给定的阈值时，停止此区域的三角形迭代。
生成模型关键点的目的在于保留地形上的关键点而相对抽稀平缓地面区域的点，从而得到保留地形上关键点的稀疏点集。
在建立DEM模型时既可以保证地形不损失，又可以相对提高速率。
相关阈值设置如下：✧上边界阈值：由原始点所组成的三角网模型上所允许的最大高程容差值，简单来讲，此值设置越大，提取的模型关键点越稀疏，反之，越密。
✧下边界阈值：由原始点所组成的三角网模型下所允许的最大高程容差值，简单来讲，此值设置越大，提取的模型关键点越稀疏，反之，越密。
✧格网大小：保证提取模型关键点之后的密度，在平坦地区也能保证所设置的点密度。
例如，想要保证每隔10m有一个点那么就将此值设置为10。
➢生成DEM地形> 数字高程模型➢归一化数据管理> 点云工具> 归一化➢生成种子点生成种子点的方式有2种：1）层堆叠算法；2）基于CHM分割。
侧视LiDAR数据多层次单木点云分割研究
侧视LiDAR数据多层次单木点云分割研究森林资源对生态系统和人类生活有着十分重要的作用,获取准确的树木参数是森林资源调查的基本工作,也是开展农林生态研究和虚拟环境模拟的前提条件。
侧视激光雷达(LiDAR)通过高精度侧视扫描的方式,能够快速获取树干、冠层表面和部分冠层内部结构的点云数据,十分利于单木尺度的树木科学研究和精确林木参数提取。
从LiDAR数据中分割出单木点云,是进行单木参数提取和后续深入研究的前提条件,已经成为LiDAR技术研究的热点。
侧视LiDAR数据是空间离散的高密度三维点云,数据量庞大且无法存储空间拓扑信息,点云中存在许多因遮挡产生的间隙,加上不同树种、不同生长环境和不同物候状态下的树木形态差异较大,从侧视LiDAR数据中有效分离出单木点云存在较大难度。
对此,论文提出了一套多层次单木点云分割技术,该技术以自适应八叉树结构为基础,用自适应八叉树叶节点代替LiDAR点云分别进行区域级、单木级和冠层级的分割,再根据叶节点与激光数据点的对应关系对原始LiDAR点云进行类别标记,从而实现单木点云的分割。
具体研究内容如下：(1)自适应八叉树点云索引。
侧视LiDAR数据拥有很高的激光点密度和数据冗余度,且无空间邻接关系,直接对其进行处理将在空间检索上耗费大量计算机资源,效率十分低下,因而建立高效的点云索引机制十分必要。
既有点云索引方法中,八叉树在构建时间和检索效率上均有较好的表现,但结构中存在大量“虚胖”节点,叶节点位置精度较低,对原始点云的替代性不高；对此,研究通过对节点分裂规则进行修改,提出了一种自适应八叉树索引结构。
利用LiDAR数据进行的索引构建结果表明,自适应八叉树索引与传统八叉树索引相比,索引构建效率略低,邻域检索效率相当,节点位置精度更高。
(2)多层次单木点云分割技术。
针对侧视LiDAR数据,借助自适应八叉树结构,分别从区域级、单木级和冠层级进行自上而下的单木点云分割。
首先对点云进行预处理操作,滤除地面点和建筑物立面点；然后进行区域级分割,对点云构建自适应八叉树,根据叶节点空间邻接关系对预处理后的LiDAR数据进行空间聚类,将离散点云聚类为局部区域的点集；接着进行单木级分割,对每个聚为一类的点集重新构建自适应八叉树,生成叶节点水平分布直方图,通过分析直方图局部形态特征进行树干检测提取,根据树干位置对水平空间进行Voronoi分割,得到树木核心区和冠层重叠区,并完成除重叠冠层以外的其余部分分割；最后进行冠层级分割,从数据结构、分割流程和图节点相似度上对传统归一化切分(Ncut)方法进行改进,然后使用改进的Ncut方法对相邻树木间的重叠冠层点云进行分割,将其划分到各自所属的树木点云中,实现单木点云的完整分割。
基于分层叠加的机载LiDAR点云单木分割
基于分层叠加的机载LiDAR点云单木分割孔丹;庞勇;梁晓军;杜黎明;白羽【期刊名称】《林业科学》【年(卷),期】2024(60)3【摘要】【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。
【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。
【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%~40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。
【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。
【总页数】13页(P87-99)【作者】孔丹;庞勇;梁晓军;杜黎明;白羽【作者单位】中国林业科学研究院资源信息研究所国家林业和草原局林业遥感与信息技术重点实验室【正文语种】中文【中图分类】S757【相关文献】1.基于机载LiDAR点云多层聚类的单木信息提取及其精度评价2.一种基于UAV-LiDAR点云的多尺度单木分割3.基于无人机高密度LiDAR点云的人工针叶林单木分割算法4.基于机载LiDAR数据的崇礼冬奥核心区单木分割算法适宜性分析5.超体素约简和谱聚类结合的机载LiDAR点云单木分割因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
LiDAR360软件地基点云数据单木分割
本教程介绍了使用LiDAR360软件进行机载点云数据单木分割的流程，可获取单木位置和树高、冠幅直径、冠幅面积等信息。
LiDAR360 2.0版本增加了对单木分割结果的可视化编辑，基于CHM分割、层堆叠算法或者点云分割得到的CSV文件中的树木位置，对过分割或欠分割区域人为删除/添加种子点，基于编辑后的种子点再次对点云进行分割，从而改善分割效果。
数据处理流程：点云去噪>分离地面点>生成DEM >归一化>生成种子点>导入种子点并编辑> 基于编辑后的种子点再次分割
➢点云去噪
数据管理> 点云工具> 去噪
➢分离地面点
分类> 地面点分类
LiDAR360 2.0版本对地面点滤波的效果进行了改进，同时界面上增加了两个阈值设置和只生成模型关键点的复选框：
✧减小迭代角，当边长<：当三角形的边长小于给定的阈值时，相应减小迭代
角度；
✧停止构建三角形，当边长<：当三角形的边长小于给定的阈值时，停止此区
域的三角形迭代。
生成模型关键点的目的在于保留地形上的关键点而相对抽稀平缓地面区域的点，从而得到保留地形上关键点的稀疏点集。
在建立DEM模型时既可以保证地形不损失，又可以相对提高速率。
相关阈值设置如下：
✧上边界阈值：由原始点所组成的三角网模型上所允许的最大高程容差值，简
单来讲，此值设置越大，提取的模型关键点越稀疏，反之，越密。
✧下边界阈值：由原始点所组成的三角网模型下所允许的最大高程容差值，简
单来讲，此值设置越大，提取的模型关键点越稀疏，反之，越密。
✧格网大小：保证提取模型关键点之后的密度，在平坦地区也能保证所设置的
点密度。
例如，想要保证每隔10m有一个点那么就将此值设置为10。
➢生成DEM
地形> 数字高程模型
➢归一化
数据管理> 点云工具> 归一化
➢生成种子点
生成种子点的方式有2种：1）层堆叠算法；2）基于CHM分割。
1）层堆叠生成种子点
机载林业> 单木分割> 层堆叠生成种子点
输入数据为归一化之后的点云数据。
✧XSize、YSize：格网分辨率，一般设置范围0.3~2.0m。
✧离地面点高度：高于该值的点云数据才进行单木分割，若想分割出低矮树木，
需要设置该值小于要分割的最小树高。
✧层厚度：切层厚度，用于进行层堆叠时切层使用的高度，该值一般设置为
0.5~2.0m。
✧最小树间距：该参数设置为当前数据最小树木间的间距，如种子点数据过多
或过少可适当调节该参数重新生成
✧缓冲区大小：针对单波段tif数据，行列数大于1500会进行分块处理，该值
是分块处理时的缓冲区阈值，单位为像素数，该值可设置为分割数据中最大冠幅直径除以像素大小。
高斯平滑：是否进行高斯平滑选项，一般数据需要进行高斯平滑，去除噪点等影响。
✧Sigma：高斯平滑因子，该值越大，平滑程度越高，反之越低。
平滑程度影
响生成单木数目。
✧半径：高斯平滑使用的窗口大小，该值为奇数。
一般可设置为平均冠幅直径
大小。
2）基于CHM生成种子点
机载林业> 单木分割> CHM生成种子点
输入数据为CHM，CHM生成流程：原始点云数据> 去除噪点> 分离地面点> 生成数字高程模型（DEM）和数字表面模型（DSM）> DSM减去DEM得到CHM。
✧最大树高：分割单木树高范围阈值，最大值，高于该值不认为是树木，不提
取树木位置。
✧最小树高：分割单木树高范围阈值，最小值，小于该值不认为是树木，不提
取树木位置。
✧缓冲区大小：针对单波段tif数据，行列数大于1500会进行分块处理，该值
是分块处理时的缓冲区阈值，单位为像素数，该值可设置为分割数据中最大冠幅直径除以像素大小。
高斯平滑：是否进行高斯平滑选项，一般数据需要进行高斯平滑，去除噪点等影响。
✧Sigma：高斯平滑因子，该值越大，平滑程度越高，反之越低。
平滑程度影
响生成单木数目。
✧半径：高斯平滑使用的窗口大小，该值为奇数。
一般可设置为平均冠幅直径
大小。
➢基于种子点单木分割
机载林业> 基于种子点分割
基于CHM或者层堆叠生成种子点之后，可利用基于种子点分割功能对点云进行单木分割。
分别选择点云数据和对应的种子点文件，种子点文件格式为CSV（逗号隔开），至少包含四列且顺序依次为：TreeID, TreeLocationX, TreeLocationY, TreeLocationZ。
➢种子点编辑
机载林业> ALS编辑
说明：启动ALS编辑工具后，窗口将自动变成2D模式，无法切换成3D，剖面窗口中可对点云进行三维查看，可在剖面窗口添加种子点，但无法在剖面窗口删除种子点。
点击开始编辑，选择要编辑的数据（每次只支持编辑一个数据），打开种子点文件，点击可以设置种子点的颜色、大小和透明度，以及是否显示种子点ID。
从左到右依次为：开始/结束编辑、打开种子点文件、保存种子点文件、添加种子点、选择种子点、减选种子点、取消选择、删除选择的种子点、清除所有种子点、剖面、筛选种子点、基于种子点单木分割、清除树ID、设置、退出。
（1）点击打开种子点文件；
（2）设置种子点大小、颜色、透明度，以及是否显示种子点ID
（3）对于欠分割或者过分割的地方，可以添加或者删除种子点。
用剖面工具画一个六边形区域，该区域内的点云将出现在一个新建窗口中，在该窗口中可对点云进行旋转，添加种子点。
添加种子点既可以在左边的主窗口，也可以在右边的剖面窗口；添加的种子点最好在树顶点或者靠近树顶点的地方。
删除种子点只能在左边的主窗口。
编辑种子点时可以通过筛选工具，支持按照树ID、树高和冠幅面积筛选，符合条件的点云将高亮显示，而不符合筛选条件的将变暗。
（4）编辑完成后，可以不用保存而直接基于编辑后的种子点进行单木分割，点击按钮；
如果点云已经被分割过，可以先通过清除树ID；
➢按树ID提取点云
按树ID范围提取点云，既可以提取到一个文件中，也可以每一棵树保存为一个单独的CSV文件。