基于几何特征枝干点云骨架提取最短路径算法

树木建模广泛应用于林业信息化等领域，点云各项优良特性使其也称为树木建模主要方法。基于几何特征的树木枝干点云骨架提取中以根节点距离相似归类的方法在枝条分叉处更加合理，而该方法的实际应用受制于传统使用的最短路径求解算法的Dijkstra算法因而较少。主要针对树木枝干点云，将现有若干最短路径算法进行相应的改进以应用于基于几何特征的树木枝干点云骨架提取中。通过实际数据验证可知，利用邻接表能够大幅度降低内存需求，相较于以往采用的Dijkstra算法，SPFA的执行速度是理想的，更加快速，能够对精细化点云树木建模提供帮助。     

基于三维激光点云数据建立三维树木模型方法的研究

提出一种基于三维地面激光测距仪（Terrestrial LiDAR,TLiDAR）所获取点云数据重建三维树木模型的方法。利用TLiDAR点云数据构建三维树木模型的优势在于可以精确重构树木模型,精确量取树木任意部位尺寸,且免于或受到较小的外界干扰。利用这种模型可以对树木枝叶冠幅的状况以及树干的横截面积等进行评估,在三维绿量和生物量计算上具有显著优势。     

基于点云数据的树在风中可视化模拟

研究树木在不同风速下的动态模拟对预测树木受自然灾害的程度具有重要意义。本研究采用三维激光扫描仪对树枝骨架进行提取,并构建树枝模型,同时建立树叶及风场模型,通过受力分析探索树木运动规律,利用OpenGL模拟树在风中的可视化运动过程。研究结果表明,可视化模拟具有较强的真实感,为自然灾害下树木的动态模拟提供了参考。     

基于多阈值分析法的树木年轮特征识别方法研究

针对树木年轮图像特点,利用小波变换的方法对年轮图像的数据进行压缩,在保证较高清晰度的前提下,获得较高的压缩率;针对树木年轮图像在复杂背景下分割困难的问题,提出一种多阈值分析法并进行年轮图像识别,仿真结果表明,该方法比采用Prewitt算子、Log算子及Canny边缘检测算子所得到的年轮特征更为完整和清晰.     

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。     

基于孤立点和初始质心选择的κ-均值改进算法

介绍了在聚类中广泛应用的经典κ-均值算法,针对其随机选择初始质心和易受孤立点的影响的不足,给出了一种改进的κ-均值算法。首先使用距离法移除孤立点,然后采用邻近吸收法对初始质心的选择上进行了改进,并做了改进前后的对比试验。试验结果表明,改进后的算法比较稳定、准确,受孤立点和随机选择质心的影响也有所降低。     

树干与地面点云分类K-means方法的改进

随着激光雷达的发展,树木点云数据的获取更加简便、准确。为了实现树木点云的树干与地面分类,对K-means方法进行改进,通过计算高度和强度直方图确定k值和初始聚类中心点,用高度距离做聚类分析,实现单株树木原始三维点云数据聚类。结果表明:采用MATLAB对香椿树的31 394个点云数据和油松树的14 260个点云数据,分别进行了直方图处理和不同距离的目标函数做聚类分析的试验,得到树木点云数据的分类结果,并与DBSCAN算法和传统K-means算法结果对比分析,说明改进K-means方法,能够使得树干与地面更好的分离,提高了效率;采用改进的K-means方法对12颗树木点云进行应用分析,验证了方法的普适性,最终分类结果达到了树干与地面分离的标准。     

基于移动LiDAR 点云的树木三维重建

【目的】树木三维结构的描述是进行农林生态研究的重要科学基础,而移动激光雷达的使用将有利于快速、高效的农林树木三维结构重建。【方法】文章利用同时定位与构图技术实现基于移动激光雷达点云的农林样地树木三维重建,并以地基激光雷达数据为参考,验证三维重建精度,同时对比树木胸径,分析移动激光雷达在农林树木三维重建中的有效性和可行性。【结果】同时定位与构图技术可实现移动激光雷达点云的树木三维重建,其中,水平方向重建精度为0.038 m,垂直方向重建精度为0.017 m;以地基激光雷达数据拟合出的树干胸径为真实值,移动激光雷达点云拟合出的树干胸径为观测值,两者的相关系数为0.715 6,均方根误差(RMSE)和平均绝对误差(MAE)分别为0.011、0.01 m。【结论】移动激光雷达可实现农林树木三维结构快速重建,且基于重建结果可实现树干胸径准确提取。因此,移动激光雷达对提高农林树木测量效率具有积极作用。     

基于鸡群优化算法的点云简化算法在粮堆检测中的应用

将鸡群优化算法(CSO)引入平均距离方法,提出了一种基于CSO的自适应简化算法,并通过使用3D点云扫描粮仓中粮堆表面验证了该算法的有效性。结果表明,与平均距离法相比,该算法具有更均匀分布的点集、更大的减速比和更高容量的估计精度,具有较好的简化性能和随时更新、减少间隔的能力。该算法和3D激光扫描仪能实时检测仓库中粮堆的体积。     

基于SFM算法的单木结构参数提取研究

针对传统森林资源调查方法获取单木结构参数效率低和成本高的问题,提出一种基于SFM算法的单木结构参数快速提取方法。以哈尔滨市城市林业示范基地树木为研究对象,利用SFM算法获得单木照片的三维点云,并利用点云数据处理软件对获得的点云数据进行单木结构参数提取,最后与实测参数进行对比分析。结果表明:1）分别利用SIFT算法、SURF算法以及ORB算法对相机校检后的树木照片进行特征点提取匹配,特征点正确匹配个数分别为23、145以及25,相应的耗时分别为18.56、16.04、1.58 s;2）利用SFM算法能获得树木照片的稀疏点云和稠密点云,平均每棵树木点云量为80万个;3）基于点云数据提取单木结构参数的胸径、树高及冠幅的平均绝对误差分别为1.79 cm、0.77 m及0.79 m;胸径、树高、冠幅的提取值与实测值相关系数均>0.94。     

基于特征匹配的羊体点云配准方法

针对点云配准算法易受噪声、体外孤点以及采样率影响的问题,采用形状指数关键点检测方法、最近邻距离比法和迭代最近点算法,基于三维点云对羊体点云配准方法进行研究。结果表明:1)使用协方差矩阵特征描述子能对形状指数方法检测的关键点进行描述;2)基于特征匹配的配准方法能对不同视角的羊体点云进行配准,最大均方根误差为0.024 1;3)对于含有噪声、体外孤点或较低采样率的不同类型的羊体点云模型,配准的最大均方根误差为0.023 8。试验证明基于特征匹配的配准方法能准确地对羊体点云进行配准,并且不受噪声、体外孤点以及采样率的影响。     

基于标签法和ICP的点云拼接方法

对基于标签法和迭代最近点（Iterative closest point,ICP）算法相结合的点云拼接方法进行了研究．通过在物体上贴标志点来获取点云间的初始匹配关系,根据距离约束原理来选取匹配点,运用最小距离和角度位姿约束排除错误匹配点完成粗拼接;然后通过改进的ICP算法实现精确拼接．试验结果表明该方法简单可靠,具有较高的拼接精度．     

一种快速的基于云计算的碰撞检测算法

针对复杂场景中碰撞检测的实时性、精确性的要求,提出一种基于云计算模型的并行碰撞检测算法。利用分治策略和混合层次包围盒较好的紧密性优点来构建物体的包围盒树,利用云计算编程模型来多线程遍历包围体层次树,提高碰挂检测的速度。实验表明,该方法不但可以控制算法的性能和检测质量,并且能增加算法的适应性。     

基于PROSAC算法的TLS林分树干提取研究

树干是树木的重要组成部分,对于林业调查研究具有重要意义。为了能从海量点云数据中快速精准提取林分树干,基于地面激光雷达单站点云数据,通过SOR滤波与体素化滤波对点云进行去噪和下采样处理,然后利用MLS移动最小二乘算法对数据进行平滑与孔洞修复,最后针对八叉树体元数据采用结合点法线的PROSAC算法建模提取林分树干。研究表明:PROSAC算法能适应条件复杂的林地,提取林分树干精度高、速度快、抗噪性强,可以提取多姿态树干点云,有极大的应用价值。本算法能快速精准地提取直径较大的树干点,且连续性较好,在保证算法效率与数据精度的基础上,能够获取连续性较好与姿态各异的林分树干点云。     

基于点云数据的火龙果三维交互系统的设计与开发

为虚拟植物形态结构模型的构建及建立植物形态结构与生长机理的关系提供关键技术和基础框架。基于点云数据和3DS MAX 2012器官精确三维形态建模方法,构建不同生育期火龙果地上部三维形态模型,最终实现火龙果三维交互系统的设计与开发。该系统对于构建其他作物器官的三维模型具有指导意义。     

基于差分计算的林木测量二维点云数据滤波

为滤除激光扫描仪获取的林地采育作业环境的无效数据,从原始数据中抽取出目标立木的数据,需要对扫描仪获取的数据进行滤波处理。将差分方法应用于数据滤波,通过MATLAB编程实现滤波算法并对其关键阈值进行分析研究。结果表明,在32m的扫描范围、0.5度的分辨率的条件下,设定有效点个数为3～40个,阈值为200(mm)时,可以把目标立木从原始信号数据中有效过滤出来。     

散乱点云分割技术研究与实现

点云分割是根据空间、几何和纹理等特征对点云进行划分,使得同一划分内的点云具有相似的特征。首先对获取的散乱点云数据进行去噪、填补空洞和畸变等预处理,然后计算最小包围立方体分割点云空间并构建八叉树加速邻域点的搜索,为每个点构造最小二乘邻域,分析散乱点云数据的高斯曲率和平均曲率,再通过区域生长法得到低噪声的精确分块,自适应、智能化地对点云进行分块。经实验验证,该方法可以获得较好的分割效果。     

基于LiDAR数据的单木提取算法研究

有效了解森林生长变化信息对森林资源的保护以及生态环境的研究具有重要意义。近年来,激光雷达数据是森林清查中主要的LiDAR数据源。但是现有机载LiDAR数据单木分割算法在密集林区应用精度较低,尤其在中下层冠层单木提取精度不高,存在漏检的现象。针对以上问题,采用归一化割（normalized cut,Ncut）方法直接对激光点云数据进行初始分割,然后设定冠层的形状参数与点云数量阈值,利用全局最大值重复Ncut方法,对林区下层冠层进行探测,实现单木的精确提取。结果表明,与只利用归一化割方法提取单木结果相比,本研究方法使单木提取误判率由22.66%降至3.9%,识别率由原先的68.49%提升至86.63%,有效规避了上层冠木对下层遮盖导致的下层单木漏检情况,提高了在冠层中间层和下层树木的识别率,可为今后森林清查、森林资源管理提供分割方法的选择,也为森林分类、单木分割提供样例。