[发明专利]一种使用分层聚类方式从LiDAR点云中提取单木信息的方法

说明书

本发明公开一种使用分层聚类方式从LiDAR中提取单木信息的方法，属LiDAR点云数据处理与信息提取范畴，关键技术要点包括：1.对点云进行水平分层；2.使用k均值聚类方式对每层点云进行分类并赋予不同属性值；3.对满足预设条件的点云进行融合；4.从属性值相同的点云中提取单木位置、树高、冠幅等信息，并通过单木信息计算林分结构信息。解决的关键性问题包括：1.实现林下层单木的提取，准确提取林分林木数量达80％以上；2.实现由LiDAR提取单木信息计算林分结构的功能；3.对点云密度无过高要求，已证实2p/m²密度的点云即可完成相关工作。该发明可应用于LiDAR反演信息的领域，尤其在结构复杂的林分条件下也可适用，可准确提取单木位置、树高、冠幅及林分结构参数等相关信息。

一、技术领域

本发明涉及一种从激光雷达(LiDAR)点云中提取单木信息的方法，特别是应用于复杂林分结构中提取下层林木的方法，适用于机载激光雷达点云数据处理与信息提取，属于激光雷达点云数据处理技术领域。

二、技术背景

激光雷达(Light Detection And Ranging，LiDAR)是一项通过由传感器所发出的激光来测定传感器和目标物之间距离的主动遥感技术。由于LiDAR具有高穿透性，将LiDAR技术应用于林业遥感工作，则可获得大量包涵林分结构信息的点云数据；通过对整体点云进行单木分割，可进一步获取单木尺度的林分信息，将以快速高效的技术替代如森林资源二类清查等人工信息调查。因此，从整体点云中分离出单木并准确提取信息具有重要意义。

目前已有的分割方法有分水岭分割、区域增长法分割等，但是这些方法都有一个共通的问题，即依赖CHM进行分割操作，因而从原始点云生成CHM的滤波效果极大的影响了最终的提取效果，并很可能引起信息的丢失。从原理上分析，基于CHM构建并进行分割的方法仍是基于表面模型信息进行分割，往往是在对最上层点云进行分割、划分单株木位置和冠幅范围后将下层点云与之叠加，通常情况下中下层点云利用率很低，数据信息没有充分挖掘，复杂林分结构条件下几乎无法提取中下层林木，成果应用范围受到限制。如何准确分割更多林木、尤其是下层林木，并准确提取单木信息，是当前很有挑战性的主题。

当前单木提取面临的挑战主要是：

(1)在林分密度大、林层结构复杂的条件下，提取下层林木较为困难，可以提取的林木大致在实际的20-60％左右；如何提取更多林木成为挑战之一；

(2)部分单木信息缺失，导致林分结构的反演功能不健全。如何提升提取的有效性和功能性成为当下研究的重点。

三、发明内容

针对现有单木提取方法对于下层林木提取功能的缺失，提出一种分层聚类的单木提取方法，适用于各种林型，尤其对复杂结构的林分在单木提取的方面具有较大的优势。

本发明解决其技术问题采取的技术方案是：使用分层聚类方法从LiDAR中提取单木信息方法，其特征是，准确提取林木80％以上，并可准确反映林分结构，所述方法包括以下步骤：

步骤一：对点云进行水平切片；采用点云百分位高等分的方式对全部点云进行水平切片，以保证各点云层所含点云数量相等；片层数量N依据林分郁闭度、林分结构复杂程度进行变化，单层人工林N可设置在3-5左右；天然林设置N在5-10左右；

步骤二：提取点云层的局部最大值位置；使用高斯平滑滤波器对点云进行多次滤波以达到平滑的目的，再采用matlab中imregionalmax函数提取局部最大值点，它的原理是通过一系列腐蚀、膨胀运算，从1个点的26个邻近点判断该点是否为局部最大值；

步骤三：对点云进行纵向压缩；K均值算法适合于三维特征空间内大体为球形、簇密度均匀的数据集的聚类分析，需根据研究区树种形态对点云进行纵向压缩，即点云x、y坐标不变，z坐标缩小n倍；如有条件，可以根据特定树种形态确定n，如未知树种，可使用通用值n＝3；