logo资料库

点云体素细化生成树木骨架的方法.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：9.84M 资料格式：pdf 举报 版权申诉
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
资料共10页，剩余部分请下载后查看
    第５６卷　第１９期 ２０１９年１０月 激 光 与 光 电 子 学 进 展 Laser&OptoelectronicsProgress Vol．５６,No．１９ October,２０１９ 点云体素细化生成树木骨架的方法 栗荣豪１,陈益楠２,甘小正１,张青１,汪沛１∗ １北京林业大学理学院,北京１０００８３; ２西安电子科技大学物理与光电工程学院,陕西 西安７１０１２６ 摘要　基于地面三维激光扫描仪获取树木的点云数据,提出了一种通过细化点云数据体素生成树木骨架的方法.基 于树木点云数据构建体素空间,计算点云体素坐标;根据各体素中包含点云数据的统计信息进行体素噪点滤除;利用 细化模板对滤除噪声的体素进行细化处理,基于细化后的体素拟合出骨架节点;根据树木在自然空间上的连通性和 深度优先搜索算法连接骨架节点,生成树木骨架.利用一棵银杏树和一棵重瓣榆叶梅树对算法进行验证.采用地面 三维激光扫描仪分别对这两棵树进行扫描,基于不同扫描精度的树木点云,分析了不同参数对树木骨架生成的影响. 在生成银杏树骨架时,本文方法运行时间约缩短至GSA 方法的１/３０.而处理数据量更大的重瓣榆叶梅树点云数据 时,树木骨架生成时间更是缩短至GSA 方法的１/６７.实验结果表明,所提算法生成的两棵树木骨架形态与树木原始 点云所表现的形态结构相对一致,并且具有较好的运算效率,该算法具有一定的可行性和有效性. 关键词　遥感;树木骨架;点云;体素;细化;地面三维激光扫描仪 中图分类号　TN９５８．５８;TP３９１．９　　　文献标识码　A doi:１０．３７８８/LOP５６．１９２８０２ TreeＧSkeletonGenerationMethodbyThinningVoxelsofPointCloud LiRonghao１ ChenYinan２ GanXiaozheng１ ZhangQing１ WangPei１∗ １SchoolofScience BeijingForestryUniversity Beijing１０００８３ China ２SchoolofPhysicsandOptoelectronicEngineering XidianUniversity Xi′an Shaanxi７１０１２６ China Abstract　Amethodforgeneratingtreeskeletonsbythinningthevoxelsofpointclouddatahasbeenproposedbased onpointclouddataacquiredbyaterrestrialthreeＧdimensionallaserscanner敭First thevoxelspaceisconstructed basedonthepointclouddataofatree andthevoxelcoordinatesofpointcloudsarecalculatedsimultaneously敭 Second thenoisepointsinthevoxelsarefilteredaccordingtothestatisticalinformationofpointclouddataineach voxel敭Third thevoxelswithoutnoisearethinnedusingthinningtemplates敭Theskeletonnodesarethenfitted consideringthethinnedvoxels敭Finally basedontheconnectivityofnaturaltrees adepthＧfirstsearchalgorithmis employedtoconnectnodesandgeneratetreeskeletons敭Theproposedmethodistestedwithaginkgotreeandan Amygdalustrilobaf敭multiplextree敭ThetwotreesarescannedbyaterrestrialthreeＧdimensionallaserscanner敭 Theeffectsofdifferentparametersonthetreeskeletonareanalyzedbyusingthetreepointcloudswithdifferent scanningaccuracy敭IncomparisonwiththeGSAmethod theproposedmethodcanreducetimeconsumptionforthe treeskeletongenerationoftheginkgotreeandtheAmygdalustrilobaf敭multiplextreeto１ ３０and１ ６７ respectively敭Experimentalresultsshowthattheskeletonsofthetwotreesgeneratedbytheproposedmethodare consistentwiththeoriginalpointclouds andtheproposedmethodisfeasibleandefficient敭 Keywords　remotesensor treeskeleton pointcloud voxels thinning terrestrialthreeＧdimensionallaserscanner OCIScodes　２８０敭３６４０ １２０敭５８００ １００敭６８９０ １１０敭６８８０ １　引　　言 近年来,地面三维激光扫描作为一种新的测量技 术已被广泛应用于城市建模和森林调查等领域[１Ｇ５]. 地面三维激光扫描仪采用非接触的方式获取物体表面 采样点的距离信息,通过计算距离与角度信息获得点 　　收稿日期:２０１９Ｇ０３Ｇ０８;修回日期:２０１９Ｇ０４Ｇ０６;录用日期:２０１９Ｇ０４Ｇ１５ 　 ∗EＧmail:wangpei＠bjfu．edu．cn 基金项目:北京林业大学青年教师科学研究中长期项目(２０１５ZCQＧLYＧ０２)、北京市自然科学基金(６１６４０３７) １９２８０２Ｇ１
    激 光 与 光 电 子 学 进 展 云数据,并进行数据处理与分析[６].地面三维激光扫 描仪因数据精度高和分辨率高等特点也常被用于林业 测量,可以辅助人工测量,提高树木信息(如胸径)的采 集效率[７].树木骨架是对树木三维结构的精简描述, 其可表示树木的形状和拓扑结构,根据生成的树木骨 架,可进一步计算出树木的几何结构、分枝模式和分枝 角度等信息,从而体现树木的结构和生长特点. 目前,已有不少学者在基于三维点云生成骨架 方面进行了 一 些 研 究 工 作[８Ｇ１６],其 中 包 括 一 些 生 成 树木骨架的研究成果.树木骨架的生成方法大致可 以分为两种.一种是通过分割空间,得到体素、元胞 等新的计量单位,进行骨架节点的定位与计算,最后 连接节点生成树木骨架.Bucksch等[１７Ｇ１８]提出了一 种基于八叉树的骨架生成方法,生成八叉树之后,从 八叉树元细胞中提 取 一 个 由 点 组 成 的 连 接 图,然 后 消除图中的闭环,形成一条直线段,最后得到树木骨 架.Ramamurthy 等[１９]提 出 了 一 种 基 于 体 素 的 植 物骨架生成算法.首 先 设 定 体 素 的 体 积 大 小,并 计 算点云数据所属的 体 素,通 过 细 化 算 法 删 除 冗 余 的 体素后,利用近 邻 搜 索 连 接 得 到 植 物 骨 架.另 一 种 是基于点云局部分割,计算骨架节点,然后根据图论 或 法 向 量 等 方 法 连 接 骨 架 节 点,生 成 树 木 骨 架. Yan等[２０]将提取 的 树 木 骨 架 分 成 分 割 与 重 建 两 个 部分,该方法基于 KＧ均值聚类算法实现区域识别和 定位,然后建立邻域图提取骨架节点和树木分支,最 后通过B 样条模型计算生成树木骨架.Xu等[２１]提 出了一种利用点云生成数骨架的基于最短路径和聚 类的算法,该方法首 先 根 据 每 个 点 的 邻 接 关 系 构 造 邻域图,然后用最短 路 径 算 法 计 算 各 点 与 根 点 之 间 的距离,并基于距离聚类生成聚类块,最后利用聚类 块内的点云拟合骨架节点并连接,从而得到树骨架. Delagrange等[２２]扫描获得没有叶子的树木点云数据, 并沿着Z轴提取２１０层宽度为１cm 的切片,从每个 切片中计算出质心,再根据最小生成树算法连接质心 生成树木骨架.唐丽玉等[２３]基于水平采样和最小二 乘法获取枝干骨架点,根据骨架节点与特征点的拓扑 结构重构树木三维模型.赵春江等[２４]基于立体视觉 原理,通过两幅特定角度的图像先提取二维骨架,然 后通过极线约束算法和合理的匹配准则,最终生成玉 米植株的三维骨架信息.李巍岳等[２５]提出了一种通 过稀疏点云生成树木骨架的方法.该方法主要通过 模糊CＧ均值分割点云,然后使用B 样条拟合聚类团 质心,根据法向量方向变化率确定节点位置,从而生 成树木骨架.Li等[２６]基于图论的概念对点云数据进 行建图,采用近邻搜索算法对每个点进行标号,再进 行非线性量化处理,使数据分层形成聚类块,然后根 据聚类块中的点云拟合骨架节点,最后根据深度搜索 算法连接骨架节点,生成树木骨架. 通过对上述算法的研究分析,结合树木点云的 特点,本文基于体素空间细化处理的思想,提出了一 种体素细化改进的树木 骨 架 生 成 方 法:１)通 过 树 木 点云的范围和体素的数 目 构 建 体 素 空 间;２)根 据 滤 除阈值对噪点体素进行 滤 除;３)对 目 标 体 素 进 行 细 化处理,并利用细化后的体素拟合骨架节点;４)基于 树木的空 间 结 构 和 深 度 优 先 搜 索 算 法 连 接 骨 架 节 点,生成骨架.该方 法 提 出 了 一 种 体 积 形 状 可 变 的 体素,用于构建体素空间,同时增加了对体素孤立分 布程度的分析,然后 利 用 体 素 细 化 算 法 提 取 树 木 的 骨架,大大提高了树木骨架生成的运行效率. ２　材料与方法 本文方法处理流程如图１ 所示,主要包括体素 空间构建、噪点体素滤除、细化算法处理和树木骨架 生成４部分. １)体素 空 间 构 建.计 算 树 木 点 云 所 占 空 间 大 小,记为体素空 间.按 照 输 入 参 数 将 体 素 空 间(X、 Y、Z三个维度上的体素个数)分成若干个体素.算 法中约定包含树木 点 云 的 体 素 为 目 标 体 素,包 含 非 树木点云的体素为噪点体素. ２)噪点 体 素 滤 除.根 据 体 素 中 点 云 的 密 集 程 度和体素的分布情 况,通 过 设 定 滤 除 点 数 阈 值 和 孤 立体素滤除阈值,对噪点体素进行判断与滤除. 本次 实 验 使 用 的 地 面 三 维 激 光 扫 描 仪 器 为 ３)细化 算 法 处 理[２７Ｇ３２].噪 点 体 素 滤 除 完 成 之 后,对目标体素进行细化处理,通过迭代删除边缘的 目标体素,最后只保留中间呈线状连接的目标体素. ４)树木 骨 架 生 成.根 据 细 化 处 理 后 的 体 素 内 的点云数据拟合骨 架 节 点,并 根 据 树 木 结 构 与 近 邻 搜索算法连接骨架节点,得到最后的树木骨架. ２．１　数据获取 RIEGLVZＧ４００型地 面 三 维 激 光 扫 描 仪,扫 描 距 离 最远可以达到４００m,每 秒 最 多 可 以 获 取４．２×１０４ 个点,垂直扫描角度范围为－４０°~＋６０°,水平扫描 角度范围 为３６０°. 数 据 采 集 于 北 京 林 业 大 学 校 内 的 一 棵 银 杏 树 (Ginkgo)和 一 棵 重 瓣 榆 叶 梅 树 (Amygdalustrilobaf．multiplextree),采 集 时 间 为２０１８年１ 月２３ 日.实验过程中,对银杏 树 和 重 瓣榆叶梅树分别进 行 了 多 次 扫 描,并 通 过 配 套 的 软 １９２８０２Ｇ２
    激 光 与 光 电 子 学 进 展 Vz_size可以设置 为 相 同,也 可 设 置 为 不 同,从 而 保 证 体素划分的灵活性. 确定体素大小后,设定体素所在的行数、列数和 层数作为体素的坐标.则点云所属体素计算公式为 Vx ＝int(x/Vx_size) ì ïï , Vy＝int(y/Vy_size) í ïï Vz＝int(z/Vz_size) î (２) 式中:(Vx,Vy,Vz)为 点 云 所 在 体 素 的 位 置 坐 标; (x,y,z)为 点 云 的 空 间 坐 标;int()函 数 为 取 整 函数. ２．３　噪点体素滤除 扫描设备、外部环境、树木特征和枝叶遮挡等会 导致噪点的产生,这可能造成骨架的冗余与缺失,影 响树木骨架的生成.本研究从两个方面对包含噪点 的体素进行判断与滤除. １)基于 体 素 内 点 云 数 量 滤 除 体 素.体 素 内 点 云数量过少,说 明 这 些 点 可 能 是 噪 点.在 算 法 中 设 定滤除 阈 值ε１,当 体 素 中 点 数Snum 小 于ε１,则 认 为 该体素是噪点体素并删除.根据角分辨率和点到原 点的距离可以计算 出 体 素 内 充 满 点 时 点 的 个 数,选 取一个 小 于１ 的 比 例 系 数,即 得 滤 除 阈 值ε１,可 表 示为 ε１ ＝a× Vx_size Rx Vz_size × Rz Rx ＝２L×sinθ ２ , Rz＝２L×sinϕ ２ ì ï ï í ï ï î , (３) (４) 图１ 方法流程图 Fig敭１ Flowchartofproposedmethod 件RISCANPRO 手 动 截 取 样 本 树 木 的 点 云 数 据, 删除周围噪点.数据对应的具体角分辨率和点数如 表１所示. 表１　点云数据采集信息 Tree Ginkgo Ginkgo Ginkgo Scanning accuracy ０．０２ ０．０５ ０．１０ ０．０２ ０．１０ Table１　Acquisitioninformationofpointclouddata Point number ４２０４９２ ６５９９４ １７００２ ６８６１１３ ２７９５０ Amygdalustrilobaf．multiplex Amygdalustrilobaf．multiplex ２．２　构建体素空间 通过遍历点云,获 取 数 据 在 X、Y、Z 三 个 维 度 上的最大值(Xmax,Ymax,Zmax)和 最 小 值(Xmin,Ymin, Zmin),从而构建体素空间.输入参数 M、N、K,M、 N 、K 分别代表体素划分的行数、列数和层数,即将 体素 空 间 划 分 为 M×N×K 个 体 素. 体 素 大 小 (Vx_size、Vy_size、Vz_size)计算公式为 Vx_size＝(Xmax－Xmin)/M ì ïï . Vy_size＝(Ymax－Ymin)/N í ïï Vz_size＝(Zmax－Zmin)/K î (１) 　　显然,树木点云的位置在空间三个维度上不同, 故对于 可 调 整 的 输 入 参 数 M、N、K,Vx_size、Vy_size、 式中:Rx 和Rz 分 别 为 点 云 中X,Z 方 向 上 两 点 间 距;L为点到原点的距离;θ和ϕ分别为水平方位角 和俯仰角的扫描角分辨率,a(a＜１)为滤除比例. 比较阈值和体素内的点数,将体素区分为目标 体素和噪点 体 素,并 进 行 标 记.label为１,表 示 该 体 素为目标体素;label为０,表示该体素为噪点体素: { label＝ ０,Snum ＜ε１ １,Snum ＞ε１ (５) 　　２)根 据 目 标 体 素 分 布 的 孤 立 程 度 滤 除 体 素. 若一个目标体素周围２６邻域中的目标体素过少,则 该目标体素有较大可能是噪点体素.计算目标体素 周围２６ 邻域中目标体素数量vnum.设定孤立程 度 判断阈值为ε２,如 果vnum 小 于ε２,视 为 噪 点 体 素 并 删除.label为１,表示该体素为目标体素;label为０,表 示该体素为噪点体素: . { label＝ ０,vnum ＜ε２ １,vnum ＞ε２ . (６) １９２８０２Ｇ３
    激 光 与 光 电 子 学 进 展 ２．４　细化算法处理 本文算法采用文 献[３２]中 提 到 的 细 化 策 略,对 三维空间中的目标体素进行细化处理.设定一组体 素空间中的三维模板,用于判定边缘体素,删除模板 需要考虑上下左右前后６ 个 方 向,“上”方 向 的６ 个 删除模板如图２所示. 图２ “上”方向的６个删除模板 Fig敭２ Sixdeletetemplatesinupperdirection 　　删 除 模 板 是 以 当 前 目 标 体 素 P 为 中 心 的３× ３×３的体素 集 合,噪 点 滤 除 处 理 之 后,每 一 个 体 素 都有一个label值,通过判断体素的label值,可 以 将 模 板中的体素分为 A 类和B 类两种,A 类体素指该体 素的label为固定值,标号为０或１;B 类体素指label不 固定,标号也为０或１.由于体素是三维立体的,每 个模板可以顺时针旋转９０°、１８０°和２７０°,得 到 的 模 板仍属于删除模 板.为 保 证 各 向 同 性,需 考 虑 上 下 左右前后６ 个方向(U、D、W、E、N、S),不同方向的 模板可以通过相互翻转得到.若目标体素符合６个 方向中的任何一 个 删 除 模 板,即 可 进 行 删 除,label值 改为０.图２为“上”方 向 的６ 个 删 除 模 板(不 包 含 旋转之后的模板),其中中心点为需要判别的体素. 根据图２给出的删除模板,可以计算得到其余５ 个方向上,以及顺时针旋转９０°、１８０°和２７０°后的所有 模板.每个目标体素均与这些三维模板进行空间匹 配,若与任意一个模板匹配,则删除该目标体素.当 该处理多次循环迭代直至目标体素数量不再减少,即 认为体素细化完毕.细化算法流程图如图３所示. ２．５　生成骨架 细 化 处 理 后 的 目 标 体 素 保 留 了 树 木 的 骨 架 结 构,但相互连接关系尚未建立.骨架生成包括三步: １)通过计算体素内的所有点的坐标平均值,拟 合出每一个体素内所有点云的几何中心点SP,将其 作为树木骨架中的骨架节点,可表示为 Sp(x,y,z)＝(∑n xi ０ n ,∑n yi ０ n ,∑n zi ０ n ), (７) 式 中:SP(x,y,z)为 体 素 内 部 拟 合 的 点 的 坐 标; 图３ 细化算法流程图 Fig敭３ Flowchartofthinningalgorithm (xi,yi,zi)为 体 素 内 第i个 点 的 坐 标;n为 体 素 内 所有点云的总个数. 互连接. ２)对 体 素 进 行２６ 邻 域 搜 索,判 断 哪 些 体 素 相 ３)确定体素之间的连接关系后,检索连接相邻 体素内的骨架节 点,构 建 树 木 骨 架.图４ 为 骨 架 节 点连接示意图. ３　分析与讨论 云数据对算法进行验证.图５为银杏树与重瓣榆叶 梅树的照片 及 骨 架 生 成 结 果.图５(a)左 侧 为 银 杏 本研究使用获取的银杏树和重瓣榆叶梅树的点 １９２８０２Ｇ４
    激 光 与 光 电 子 学 进 展 图４ 骨架节点连接 Fig敭４ Connectionofskeletonnodes 树照片,右侧为重 瓣 榆 叶 梅 照 片;图５(b)左 侧 为 由 地面三维激光扫描 仪 获 取 的 银 杏 树 的 原 始 点 云,右 侧为由地面三维激光扫描仪获取的重瓣榆叶梅树的 原始点云;图５(c)左侧为本文方法生成的银杏树骨 架,右侧为本文 方 法 生 成 的 重 瓣 榆 叶 梅 树 骨 架.树 木骨架与点云数据 在 形 态 结 构 上 相 对 一 致,说 明 所 提算法有一定的可行性和稳健性. ３．１　数据扫描精度对骨架生成的影响 本研究分别采用扫描角分辨率为０．０２°、０．０５°和 ０．１０°时 得 到 的 银 杏 树 木 点 云 进 行 树 木 骨 架 生 成. 骨架生成结果如图６ 所 示,角 分 辨 率 设 置 如 表２ 所 示.随着扫描精度的降低,得到的点云数据量减少, 相应的运算时间也随之减少.采用本文方法处理３ 个角分辨率下采集 到 的 数 据,所 得 到 主 枝 干 的 骨 架 无较大差别,但细小枝干处存在差异.显然,扫描角 分辨率会影响点云 数 据 量,从 而 影 响 骨 架 生 成 中 的 节点数量和骨架的 精 细 程 度,但 对 树 干 和 主 要 枝 条 的骨架生成影响不大. ３．２　体素划分规格对骨架生成的影响 以重瓣榆 叶 梅 树 的 数 据 进 行 参 数 分 析. 不 同 的(M,N,K)参 数 对 骨 架 生 成 有 一 定 影 响. 图７ 为不同划 分 规 格 下 生 成 的 重 瓣 榆 叶 梅 树 骨 架,参 数设置 如 表３ 所 示. 可 以 看 出,划 分 的 体 素 数 量 越多,得到的骨架 节 点 越 多,在 骨 架 结 构 上 表 现 有 更多的 枝 干 细 节. 同 时,因 为 原 始 点 云 数 据 量 一 定,划分规格会出 现 饱 和 现 象,即 随 着 划 分 规 格 的 增加,树木形态的 保 留 程 度 不 会 出 现 明 显 的 提 高, 图７(d)的划分 程 度 比 图７(c)的 高,但 生 成 骨 架 的 形态无较大差别. ３．３　滤除参数对骨架生成的影响 算法中的滤除参数对树木骨架的生成也有一定 影响.本研究根据体素内的点数与体素孤立程度进 １９２８０２Ｇ５ 图５ 银杏树和重瓣榆叶梅 树 的 骨 架 生 成 结 果.(a)左 侧 为银杏 树 实 物 图,右 侧 为 重 瓣 榆 叶 梅 树 实 物 图; (b)左侧为银 杏 树 的 点 云 数 据,右 侧 为 重 瓣 榆 叶 梅 树的点云数据;(c)左 侧 为 银 杏 树 生 成 骨 架,右 侧 为 　　　　　　重瓣榆叶梅树生成骨架 Fig敭 ５Generated skeletons of Ginkgo tree and Amygdalus triloba f敭 multiplex tree敭 a Pictureof Ginkgoonleftand pictureof Amygdalustriloba f敭 multiplex on right b pointclouddataofGinkgoonleftandpoint clouddataofAmygdalustrilobaf敭multiplexon right c generatedskeletonofGinkgoonleft andgeneratedskeletonofAmygdalustrilobaf敭 　　　　　　multiplexonright 行判定,设定不同的阈值时,相应保留的目标体素数 目也不同,进 而 生 成 的 树 木 骨 架 效 果 也 不 尽 相 同. 本研究中ε１分别 取１０ 和２０,分 析 其 对 骨 架 生 成 的 影响;树木骨架中应至少存在两个相连体素,所以体 素邻域内目标体素 小 于２ 的 一 定 是 噪 点 体 素,本 研 究中ε２ 分 别 取２ 和４,分 析 其 对 骨 架 生 成 的 影 响. 图８为不同(ε１,ε２)参数设置生成的骨架,参数设置 如表４所示.可以看出,滤除参数越大,得到的骨架 节点越少,运算时间越短.图８(a)和图８(b)为骨架 节点孤立程度分 析,可 以 看 出,ε２阈 值 越 大,滤 除 的 点越多,但会在一定程度上破坏树骨架本身的结构; 阈值较小时,在滤除 孤 立 点 的 同 时 能 够 较 好 地 保 留 骨 架完整性.图８(c)和图８(d)为骨架节点点数阈值
    激 光 与 光 电 子 学 进 展 Fig敭６ SkeletonsofGinkgotreegeneratedbypointcloudsatvariousangularresolutions敭 a ０敭０２° b ０敭０５° c ０敭１０° 图６ 不同角分辨率下点云生成的银杏树骨架.(a)０．０２°;(b)０．０５°;(c)０．１０° 表２　不同角分辨率下的银杏树骨架信息 Table２　SkeletoninformationofGinkgotreewithdifferentangularresolutions Angularresolution/(°) ０．０２ ０．０５ ０．１０ Pointnumber ４２０４９２ ６５９９４ １７００２ Nodenumber Runningtime/ms ２８３９ ２１３８ １３９３ １１８３ ６４７ ３９２ 图７ 不同划分规格的重瓣榆叶梅树骨架生成结果.(a)(４０,４０,４０);(b)(６０,６０,６０);(c)(８０,８０,８０);(d)(１００,１００,１００) Fig敭７ GeneratedskeletonsofAmygdalustrilobaf敭multiplextreewithdifferentpartitionspecifications敭 a ４０ ４０ ４０ b ６０ ６０ ６０ c ８０ ８０ ８０ d １００ １００ １００ 表３　不同划分规格的重瓣榆叶梅树骨架信息 Pointnumber Table３　SkeletoninformationofAmygdalustrilobaf．multiplextreewithdifferentpartitionspecifications １１９３ ６８６１１３ ６８６１１３ １７５５ ２８１０ ６８６１１３ ６８６１１３ ３７３０ (M,N,K) (４０,４０,４０) (６０,６０,６０) (８０,８０,８０) (１００,１００,１００) (ε１,ε２) (０,０) (０,０) (０,０) (０,０) ３５９１ ６２４８ ８６１４ １１３０８ Nodenumber Runningtime/ms 表４　不同滤除阈值的重瓣榆叶梅树骨架信息 Pointnumber Table４　SkeletoninformationofAmygdalustrilobaf．multiplextreewithdifferentfilteringparameters ２４１８ ６８６１１３ ２７３５ ６８６１１３ １９４２ ６８６１１３ １５８７ ６８６１１３ (M,N,K) (８０,８０,８０) (８０,８０,８０) (８０,８０,８０) (８０,８０,８０) (ε１,ε２) (０,４) (０,２) (１０,０) (２０,０) ７１８８ ８２３３ ５３３１ ４３５８ Nodenumber Runningtime/ms １９２８０２Ｇ６
    激 光 与 光 电 子 学 进 展 图８ 不同滤除参数的重瓣榆叶梅树骨架生成结果.(a)(０,４);(b)(０,２);(c)(１０,０);(d)(２０,０) Fig敭８ GeneratedskeletonsofAmygdalustrilobaf敭multiplextreewithdifferentfilteringparameters敭 a ０ ４ b ０ ２ c １０ ０ d ２０ ０ 判定,可以看出,ε１阈值越大,保留的骨架节点越少, 滤除效果越明显. ３．４　算法效率比较 对本文方 法(简 称IVTA 方 法)与 文 献[２６]中 的方法(简称为GSA 方法)进行比较,从生成的骨架 节点数量与方法运行时间两个方面进行分析.图９ 所示为两种方法 分 别 处 理 角 分 辨 率 为０．０２°的 银 杏 树和重瓣榆叶梅树 的 点 云 数 据 时 生 成 的 骨 架 结 果. 图９(a)为GSA 方法生成的银杏树骨架,图９(b)为 GSA 方法 生 成 的 重 瓣 榆 叶 梅 树 骨 架,图 ９(c)为 IVTA方 法 生 成 的 银 杏 树 骨 架,图９(d)为IVTA方 法生成的重瓣榆叶梅树骨架.表５中列出了IVTA 方法和GSA 方法处理点云 数 据 生 成 树 木 骨 架 获 得 的骨 架 节 点 数 和 运 行 时 间.显 然,IVTA 方 法 相 比 GSA 方 法,在 完 整 描 述 骨 架 的 同 时,能 够 生 成 更 多 的骨架节点,保留更多的枝干细节.而且,从表５可 知,IVTA 方法的运行时间远低于GSA 方法.对于 实验中的银杏树,GSA 方法生成骨架的运行时间约 为IVTA 方法 的３１ 倍;而 对 于 数 据 量 更 大 的 重 瓣 榆叶梅树,GSA 方法的运行时间约为IVTA 方法的 ６７倍.显然,相比 GSA 方法,IVTA 方 法 在 运 行 效 率上有很大提高. 重瓣榆叶梅树骨架;(c)IVTA 方法生成的银杏树骨架;(d)IVTA 方法生成的重瓣榆叶梅树骨架 图９ GSA 和IVTA 方法下银杏树与重瓣榆叶梅树骨架生成结果.(a)GSA 方法生成的银杏树骨架;(b)GSA 方法生成的 Fig敭９TreeskeletonsofGinkgotreeandAmygdalustrilobaf敭multiplextreegeneratedbyGSAandIVTA methods敭 a SkeletonofGinkgotreegeneratedbyGSA method b skeletonofAmygdalustrilobaf敭multiplextree generatedbyGSAmethod c skeletonofGinkgotreegeneratedbyIVTA method d skeletonofAmygdalus 　　　　　　　　　　　　　　　trilobaf敭multiplextreegeneratedbyIVTAmethod １９２８０２Ｇ７
    激 光 与 光 电 子 学 进 展 表５　GSA 和IVTA 生成的树骨架信息 Table５　TreeskeletoninformationsgeneratedbyGSAandIVTAmethods Method GSA GSA IVTA IVTA Tree Ginkgo Ginkgo Amygdalustrilobaf．multiplex Amygdalustrilobaf．multiplex Pointnumber ４２０４９２ ６８６１１３ ４２０４９２ ６８６１１３ Nodenumber Runningtime/ms １７３５ １９５３ ２８３９ ４２８９ ３７１６５ １００２５４ １１８３ １４９３ ４　结　　论 提出了一种通过点云体素细化生成树木骨架的 方法.通过构建体 素 空 间,判 断 包 含 树 木 点 云 的 目 标体素和包含非树 木 点 云 的 噪 点 体 素;根 据 体 素 内 的点数与体素邻域 内 目 标 体 素 的 数 量,对 噪 点 体 素 进行滤除;利用细化算法对体素进行处理,得到树木 骨架的单体素连接 结 构;最 后 通 过 现 存 的 目 标 体 素 拟合骨架节点并连接,生成树木骨架. 基于获取的银杏树和重瓣榆叶梅树的点云数据 对该方法进行验证.实验设置不同参数验证其对骨 架生成的影响.实验结果表明,划分规格越大,单个 体素的数量越多,保 留 的 树 木 细 节 越 多.体 素 内 的 点数与体素的孤立分布程度对噪点的滤除都有一定 影响.点数滤除阈值比孤立分布阈值的滤除效果略 好,对树木的枝 干 骨 架 生 成 效 果 的 帮 助 更 大.实 验 成功 生 成 了 树 木 骨 架,且 生 成 时 间 都 在４s以 内. 与GSA 方法相比,本文方法能够大大减少生成树木 骨架的运算时间,说 明 本 文 方 法 具 有 一 定 的 有 效 性 和可行性. 参 考 文 献 １ 　BergerM TagliasacchiA SeverskyL M etal敭A surveyofsurfacereconstructionfrom pointclouds J 敭ComputerGraphicsForum ２０１７ ３６ １ ３０１Ｇ ３２９敭 ２ 　Liu L X Pang Y LiZ Y etal敭Retrieving structural parameters of individual tree through terrestriallaserscanningdata J 敭JournalofRemote Sensing ２０１４ １８ ２ ３６５Ｇ３７７敭 　　　刘鲁霞 庞勇 李增元 等敭用地 基 激 光 雷 达 提 取 单 木 结构参数 以白皮松为例 J 敭遥感学报 ２０１４ １８ ２ ３６５Ｇ３７７敭 ３ 　LiD PangY YueCR敭AreviewofTLSapplication inforestparametersretrieving J 敭WorldForestry Research ２０１２ ２５ ６ ３４Ｇ３９敭 　　　李丹 庞勇 岳彩荣敭地基激光雷达在森林参 数 反 演 中的应用 J 敭世界林业研究 ２０１２ ２５ ６ ３４Ｇ３９敭 ４ 　WangG ShaCS WangJ敭Studyonsegmentation of building facade considering local point cloud density J 敭Laser & Optoelectronics Progress ２０１５ ５２ ６ ０６１００１敭 　　　王果 沙从术 王健敭考虑局部点云密度的建 筑 立 面 自适应 分 割 方 法 J 敭激 光 与 光 电 子 学 进 展 ２０１５ ５２ ６ ０６１００１敭 ５ 　LuW X WanYC HePP etal敭Extractingand planesegmentingbuildingsfrom largescenepoint cloud J 敭ChineseJournalofLasers ２０１５ ４２ ９ ０９１４００４敭 　　　卢维欣 万幼川 何培培 等敭大 场 景 内 建 筑 物 点 云 提取及平面 分 割 算 法 J 敭中 国 激 光 ２０１５ ４２ ９ ０９１４００４敭 ６ 　Chen T敭Data processing methodology forlaser measurement point cloud J 敭 Laser & OptoelectronicsProgress ２０１１ ４８ ９ ０９１２０２敭 　　　陈田敭激光测量点云 的 数 据 处 理 方 法 研 究 J 敭激 光 与光电子学进展 ２０１１ ４８ ９ ０９１２０２敭 ７ 　BuG C WangP敭Adaptiveestimation methodfor diameteratbreastheightbasedonterrestriallaser scanning J 敭Laser & Optoelectronics Progress ２０１６ ５３ ８ ０８２８０３敭 　　　步国超 汪沛敭基于单站地面激光雷达数据的自适应 胸径估计方法 J 敭激 光 与 光 电 子 学 进 展 ２０１６ ５３ ８ ０８２８０３敭 ８ 　PaulusS DupuisJ MahleinA K etal敭Surface featurebasedclassificationofplantorgansfrom３D laserscannedpointcloudsforplantphenotyping J 敭 BMCBioinformatics ２０１３ １４ ２３８敭 ９ 　WuB YuBL Yue W H etal敭AvoxelＧbased method for automated identification and morphologicalparameters estimation ofindividual streettreesfrom mobilelaserscanningdata J 敭 RemoteSensing ２０１３ ５ ２ ５８４Ｇ６１１敭 １０ 　WuF C Ma W C Liang R H etal敭Domain connectedgraph theskeletonofaclosed３Dshape foranimation J 敭TheVisualComputer ２００６ ２２ ２ １１７Ｇ１３５敭 １１ 　SahaPK BorgeforsG diBajaGS敭Asurveyon skeletonizationalgorithmsandtheirapplications J 敭 PatternRecognitionLetters ２０１６ ７６ ３Ｇ１２敭 １９２８０２Ｇ８
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料