[发明专利]一种基于邻域特征的单木骨架提取及可视化方法

权利要求书

1.一种基于邻域特征的单木骨架提取及可视化方法，其特征在于包括外业调查步骤：通过人工测量的方式获取树木实际树高、胸径和枝下高参数；

包括单木点云处理步骤：多站式激光点云采集，骨架提取，树叶分离，骨架提取、连续、优化处理；

结合外业调查步骤得到的参数验证和单木点云处理步骤的结果进行单木可视化重建，

单木点云处理步骤包括以下步骤：

步骤1、为了采集到足够数量且较为精准的点云数据，选取每棵树至少3个方向架设激光扫描仪来分别采集该棵树的点云数据，同时通过人工测量的方式获取每棵树的实际树高、胸径DBH和枝下高CBH数据，

步骤2、基于KNN算法和邻近点特征的枝叶分离：

在获取的单木激光点云P基础上，需要将树木主干骨架和叶片分离，选择树木主干根茎处点云至树木胸径1.3m处点云作为初始聚类点云P₀，

KNN算法中距离计算采用欧式距离：

(x，y，z)为起始点坐标，(x_i，y_i，z_i)为终点坐标，树木点云为P，初始聚类点云为P₀，聚类规则是通过KNN算法，计算树木点云与已获取聚类点云n为聚类总次数且n1对应点之间的距离关系，找出最相关的新点云，每次聚类获得新点云为P_i，i为聚类的次数，P_i表示第i次聚类获取的点云数据，

在聚类过程中，将距离矩阵中元素归一化到[0-1]，设定聚类自适应阈值T，自适应调整系数为0.001，使得每次聚类点云为2000-2500个点，

T＝0.05+k*a

其中，0.05为自适应阈值T的初始值，a为自适应调整系数，k为自适应调整系数，k＝0.001，

对于每次获取的聚类点云P_i，进行特征提取和分析，采用KNN表面邻域分析，叶片点云和树干点云的特征是不同的，树干点云邻近特征符合圆柱拟合，叶片点云则无规则或者符合平面拟合的，

计算每个聚类点及对应邻近点数量设定为n＝20到拟合圆柱的柱面，该聚类点及对应邻近点拟合柱面的距离均方差方程作为枝叶分离指数ρ，

在拟合圆柱过程中，设定圆柱面半径阈值，

即圆柱面半径R≤R_DBH，R_DBH为1.3m出树木胸径D的0.5倍，

设定分离指数阈值ρ_T为初始聚类点云ρ均值的两倍，

当超过阈值(ρ＞ρ_T)时，判断该点为叶片点云，否则为骨架点云，

圆柱面轴线方程为r为圆柱面半径，(x_c，y_c，z_c)为该点(x，y，z)直线上的垂直点，

为圆柱面轴线方程，其中a,b,c为直线在X,Y,Z轴上截距，(m,n,l)为直线方向向量，(x,y,z)为初始点，(x_c,y_c,z_c)为从初始点做垂线至轴线的交点坐标，

步骤3、骨架核心点提取及连接优化：

在获取的骨架点云基础上，将点云每一段分成一个节点Bin，将每个节点中的点云通过圆柱拟合，得到该节点点云的柱心点作为骨架核心点，

获取骨架节点中心点后依次连接，并采用三维空间下的B样条优化曲线，AO-OC线段由新的5段新线段代替，AO-OB线段由新的7段线段代替，获取的骨架点(x_g，y_g，z_g)，根据三维空间三次B样条基函数为：

U＝[u³，u²，u，1]，u＝[0，1]，

平滑曲线点转换公式为：

(x_u,y_u,z_u)为获取的新的平滑骨架曲线点，

[x_g,y_g,z_g]为曲线变换前坐标点矩阵，[x_u,y_u,z_u]为曲线变化后生成的新平滑曲线坐标点矩阵，B为转化矩阵，S为基函数系数矩阵，U为基函数阶数矩阵；

步骤4、基于广义圆柱的单木可视化还原：

由骨架中心点构建广义圆柱，相邻两个骨架点之间构建一个圆柱台作为一个枝干元，通过若干个枝干元拼接最终实现可视化还原。