基于多尺度几何特征单木点云的语义分割.pdf

西北林学院学报2 0 2 4,3 9(2):2 8-3 5J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-7 4 6 1.2 0 2 4.0 2.0 4基于多尺度几何特征单木点云的语义分割 收稿日期:2 0 2 3-0 3-1 7 修回日期:2 0 2 3-0 5-0 8 基金项目:国家自然科学基金(3 1 9 7 1 5 7 4)。第一作者:曹荣贞。研究方向:林业遥感。E-m a i l:1 0 4 6 0 8 5 9 2 0q q.c o m*通信作者:林文树,博士,教授,博士生导师。研究方向:森林资源遥感监测。E-m a i l:l i n w e n s h u n e f u.e d u.c n曹荣贞,刘浩然,林文树*(东北林业大学 机电工程学院,黑龙江 哈尔滨 1 5 0 0 4 0)摘 要:针对目前地面激光扫描树木点云精确分离枝干点和树叶点成分困难的问题,提出一种基于多尺度几何特征的单木点云语义分割的方法。首先将水曲柳和樟子松样地点云数据进行单木分割,再计算多尺度点云协方差矩阵特征值,之后选择特征分类器,并根据特征值重要性选择最优特征值,最后对树木的枝干叶点云进行分割。通过比较支持向量机(S VM)、极限梯度增强(X G-B o o s t)和随机森林(R F)3种分类器的训练时间和精度,选择X G B o o s t作为最终的分类器,并根据特征值重要性选择出6种最优特征。结果表明,2块样地枝干点和叶点的分割精度都0.8 8,并且F 1值和I OU也都在0.8以上。提出的方法能够有效分割出水曲柳和樟子松树叶点云和枝干点云,有较高的识别精度,研究结果为后续单木三维模型构建及生物量估算提供了条件。关键词:地面激光扫描;点云数据;多尺度;几何特征;语义分割中图分类号:S 7 5 8.1 文献标志码:A 文章编号:1 0 0 1-7 4 6 1(2 0 2 4)0 2-0 0 2 8-0 8S e m a n t i c S e g m e n t a t i o n o f I n d i v i d u a l T r e e P o i n t C l o u d s B a s e d o n M u l t i-s c a l e G e o m e t r i c F e a t u r e s C A O R o n g-z h e n,L I U H a o-r a n,L I N W e n-s h u*(C o l l e g e o f M e c h a n i c a l a n d E l e c t r i c a l E n g i n e e r i n g,N o r t h e a s t F o r e s t r y U n i v e r s i t y,H a r b i n 1 5 0 0 4 0,H e i l o n g j i a n g,C h i n a)A b s t r a c t:I t i s d i f f i c u l t t o a c c u r a t e l y s e p a r a t e l i m b a n d l e a f p o i n t s f r o m t e r r e s t r i a l l a s e r s c a n n i n g(T L S)t r e e p o i n t c l o u d s.T o s o l v e t h e p r o b l e m a m e t h o d o f s e m a n t i c s e g m e n t a t i o n o f i n d i v i d u a l t r e e p o i n t c l o u d s b a s e d o n m u l t i-s c a l e g e o m e t r y f e a t u r e s w a s p r o p o s e d.F i r s t,t h e p o i n t c l o u d d a t a o f t r e e s i n t h e s a m p l e p l o t s o f F r a x i n u s m a n d s h u r i c a a n d P i n u s s y l v e s t r i s w e r e s e g m e n t e d i n t o i n d i v i d u a l t r e e s,a n d t h e e i g e n v a l u e s o f t h e m u l t i-s c a l e p o i n t c l o u d c o v a r i a n c e m a t r i x w e r e c a l c u l a t e d,t h e n t h e f e a t u r e c l a s s i f i e r w a s s e l e c t e d,a n d t h e o p t i m a l e i g e n v a l u e s w e r e s e l e c t e d a c c o r d i n g t o t h e i m p o r t a n c e o f t h e e i g e n v a l u e s,a n d f i n a l l y t h e l i m b a n d l e a f p o i n t s o f t r e e w e r e d i v i d e d.B y c o m p a r i n g t h e t r a i n i n g t i m e a n d a c c u r a c y o f s u p p o r t v e c t o r m a c h i n e(S VM),e x t r e m e g r a d i e n t b o o s t i n g(X G B o o s t)a n d r a n d o m f o r e s t(R F)c l a s s i f i e r s,t h e X G B o o s t w a s s e-l e c t e d a s t h e f i n a l c l a s s i f i e r,a n d s i x o p t i m a l f e a t u r e s w e r e s e l e c t e d a c c o r d i n g t o t h e i m p o r t a n c e o f e i g e n v a l-u e s.T h e r e s u l t s s h o w e d t h a t t h e s e g m e n t a t i o n a c c u r a c y o f l i m b a n d l e a f i n t h e t w o p l o t s w a s m o r e t h a n 0.8 8,a n d F 1-S c o r e a n d I OU(i n t e r s e c t i o n o v e r u n i o n)w e r e a l s o a b o v e 0.8.T h e m e t h o d p r o p o s e d i n t h i s s t u d y c a n e f f e c t i v e l y s e g m e n t l i m b a n d l e a f p o i n t s o f F.m a n d s h u r i c a a n d P.s y l v e s t r i s,a n d h a s a h i g h i-d e n t i f i c a t i o n a c c u r a c y.T h e r e s e a r c h r e s u l t s p r o v i d e c o n d i t i o n s f o r t h e s u b s e q u e n t t h r e e-d i m e n s i o n a l m o d e l c o n s t r u c t i o n a n d b i o m a s s e s t i m a t i o n o f i n d i v i d u a l t r e e.K e y w o r d s:t e r r e s t r i a l l a s e r s c a n n i n g;p o i n t c l o u d d a t a;m u l t i p l e s c a l e;g e o m e t r i c f e a t u r e;s e m a n t i c s e g-m e n t a t i o n 树木结构如树干、树枝形态和树叶的空间分布,直接影响树木的光合作用并最终影响森林中的碳和水储存1。因此,如何快速、精确获取树木结构参数对了解树木结构与树木生理功能的关系有重大意义2-3。然而,野外实际测量树木结构参数费时且工作量大。地面三维激光扫描技术可以不通过破坏性测量,直接从点云数据中提取树干材积以及结合模型估测树干生物量,估测精度高,为树木结构特征定量分析与树木三维模型重建提供了新的方法4。基于激光扫描的林分点云数据进行树木结构参数提取的前提是需要进行单木分割和枝干叶分离。目前,利用点云数据对树木进行枝干叶分离的研究方法有很多,主要分为2类:基于激光强度和基于几何特征5。地面激光扫描仪可以基于反射激光雷达脉冲的强度信息区分枝干或树叶相互作用的返回信号来实现树木枝干叶分离。Y a o等6将散射激光雷达脉冲的完整波形数字化,树干和较大树枝的散射值保持一致与树叶的散射值不同,根据散射值的不同将树木的枝干叶点云进行分类。B l a n d等7通过枝干点云和树叶点云的激光脉冲返回信息求得反射能量的强度,根据强度差异分离枝干点和树叶点。D a n s o n等8和D o u g l a s等9提出了一种新的设备配置,通过使用2种不同波长的激光器区分枝干叶片点云。Z h a o等1 0提出了一个多波长荧光激光雷达系统,并根据多波长荧光的强度信息进行枝干叶点云分类。虽然激光反射强度信息可以有效分离树木枝干叶点,但是激光返回的强度不仅与目标的光谱特性有关,还与激光束的入射角度、传输距离以及反射面粗糙度有关1 1-1 2,因此需要对反射强度值进行校正。另一种枝干叶分类方法是基于点云空间坐标的几何特征。V i c a r i等1 3利用最短路径算法来获取树枝点云,并改变K值计算点云几何特征利用高斯混合模型分离叶片点,最终将二者分类结果结合,取得了较好分类效果。L a l o n d e等1 4根据散射特征、线性特征和表面特征分类点云,将对人工标记的训练数据拟合高斯混合模型计算点云特征,实现树干、树枝和树冠等的分类。邢涛等1 5通过计算不同的点云几何特征,并使用X G B o o s t分类器成功分离了蒙古栎人工林的地面、树干与枝叶点云。Y u n等1 6基于点云数据特征的形状、正态向量分布和结构张量与半监督支持向量机(S VM)方法相结合,分离出枝干和叶子等各种树器官。S u n等1 7将激光强度和几何信息结合,采用强度阈值、邻域密度和体素化方法进行枝干叶分割,与基于点云强度特征和基于几何特征的方法相比,该方法提高了点云分割的精度。杨玉泽等1 8根据点云的颜色、法线和空间距离等特征,基于用局部凸包连接算法对点云进行聚类分割,完成枝干和树叶点云的分割。W a n g等1 9使用固定K值的点云搜索方法,找到最优K值并对枝干叶点云进行分割,得到了较好效果。目前基于激光强度的枝干叶分割方法需要进行强度矫正,而简单基于几何特征的方法在树冠枝干叶分离时效果不是非常理想,并且存在消耗内存空间大等问题。本研究在基于机器学习语义分割中加入了多尺度局部协方差矩阵特征,实现了树木的枝干叶精确分割。1 研究区概况及数据预处理研究区为哈尔滨城市林业示范基地,地理坐标4 5 4 3 1 0 N,1 2 6 3 7 5 E,林地面积2 7.5 0 h m2,其中主要 树 种 有 樟 子 松(P i n u s s y l v e s t r i s)、水 曲 柳(F r a x i n u s m a n d s h u r i c a)、核桃楸(J u g l a n s m a n d-s h u r i c a)、白桦(B e t u l a p l a t y p h y l l a)等2 0。本文选取城市林业示范基地中樟子松和水曲柳两块林地作为地基激光雷达扫描对象,使用的地面三维激光扫描仪为F o c u s 3 D3 3 0。点云的预处理包括两部分:首先在F A R O S c e n e软件中将扫描数据输入点云配准拼接成完整研究样地点云数据;然后利用L I D A R 3 6 0软件对样地点云数据进行去噪、分类、归一化和点云分割得到水曲柳和樟子松单木点云数据。2 研究方法选择5棵水曲柳(D a t a_1)(1 0 2 6 1 9 9个点)和5棵樟子松(D a t a_2)(7 2 8 5 4 5个点)单木点云进行干枝叶分离试验。分别选择2个树种的1棵树并利用C l o u d C o m p a r e软件与L e W o S模型进行手动分割得到枝干点和叶点,并做好标签,其中该树中随机选择7 0%的点用于模型训练,3 0%的点用来预测,再根据得到的模型分别对D a t a 1和D a t a 2进行分割。基于点云三维坐标信息计算多尺度点云的协方差矩阵,再计算各点协方差矩阵的特征向量与特征值,通过特征运算得到1 1种特征值,训练S VM、X G B o o s t和R F 3种分类器,并对比分类器的计算时间和精度选择最优的分类器,在P y t h o n 3.7中基于X G-B o o s t的内置函数获取特征重要性,基于特征重要性大小选择最优特征值并在分类器中进行训练与预测,实现单木点云的枝干叶分割。技术路线如图1所示。2.1 点云特征提取2.1.1 多尺度下点云特征 利用固定半径的方法搜索邻域内点云,根据局部邻域内点云协方差特征值构造点云几何特征,通过改变搜索半径大小得92第2期曹荣贞 等:基于多尺度几何特征单木点云的语义分割到多尺度点云特征。不同尺度下点云局部邻域内点云个数不同,同一地物在不同尺度下呈现的几何特征也不同,因此多尺度下不同地物之间的区分性更强,可以更好地通过机器学习分类器对不同目标分割。图2为点云在大尺度(如0.7 5 m)和小尺度(如0.1 m)下的搜索个数,R为点云搜索半径,R1R2,当搜索半径较大时,其邻域内的点云个数大,当搜索半径较小时,其邻域内的点云个数小。图1 枝干叶点分割流程F i g.1 F l o w c h a r t o f l i m b a n d l e a f p o i n t s s e g m e n t a t i o n图2 不同尺度下点云搜索个数F i g.2 N u m b e r o f p o i n t c l o u d s e a r c h e s a t d i f f e r e n t s p a t i a l s c a l e s图3为枝干点和叶点在不同尺度下的几何特征。由图3可以看出,枝干点在小尺度下的几何形状接近平面,在大尺度下的几何形状接近圆柱,叶点在小尺度下搜索的点云个数较少,几何特征不明显,在大尺度下几何形状接近平面。因此,本研究选择的最小尺度要大于点云最小密度,最大尺度不超过冠层枝干宽度,依次增加尺度间隔大小共得到4个尺度0.1、0.2 5、0.5、0.7 5 m2 1-2 2。2.1.2 点云特征值计算 基于扫描点的坐标数据在m a t l a b 2 0 2 1 a中使用主成分分析(p r i n c i p a l c o m-p o n e n t a n a l y s i s,P C A)算法计算出点云协方差矩阵的特征向量e1、e2、e3与特征值1、2、3,且满足123,将1、2、3进行运算得到新的特征值,本研究计算的几何特征如表1所示。其中,S、P和L又称 为 显 著 特 征,三 者 之 和 为1。一 般 认图3 枝干点和叶点在不同尺度下的几何特征F i g.3 G e o m e t r i c f e a t u r e s o f l i m b a n d l e a f p o i n t s a t d i f f e r e n t s c a l e s为叶片点表现为“散点”性质,而枝干点表现为“线性”或“表面”的特性,各向同性特征与各向异性特征能较好地反映点云该区域点云的起伏特征。曲率变化特征反映了曲面沿法向量的变化,以某一枝干点与树叶点为中心的点云邻域内曲率特征是有区别的,例如,树干和茎上的点由于其直径大,点分布规03西北林学院学报3 9卷 则,曲率变化特征不明显。与树叶连接的树枝和细枝直径较小,通常有较小程度的弯曲,由于冠层树叶遮挡,树叶点云分布散乱,因此曲率变化较大。表1 点云几何特征T a b l e 1 G e o m e t r i c f e a t u r e s o f p o i n t c l o u d s特征名称特征计算公式发散状特征S=31面状特征P=2-31线性特征L=1-21特征熵E=-3i=1il ni 各向同性特征O=31*2*3各向异性特征A=1-31曲率变化特征C=31+2+3特征值和=1+2+3三维协方差矩阵的第1个特征值EV_1=1三维协方差矩阵的第2个特征值EV_2=2三维协方差矩阵的第3个特征值EV_3=32.2 机器学习分类器树木枝干叶点云的分割采用监督学习方法,原理是训练已分割的枝干叶点云特征,然后将训练好的模型用来预测未分割点云。本研究引入S VM、X G B o o s t和R F 3种分类器来验证枝干叶点云分割的可行性。S VM最早由B o s e r、G u y o n和V a p n i k提出,S VM算法使用2个或多个标记的数据类,通过超平面分离2类不同的数据,根据数据点在超平面上的位置,将数据点分为不同的类。X G B o o s t是F r i e d m a n提出的一种基于集成思想的机器学习算法,每次迭代的损失函数沿梯度方向下降,构造一个弱分类器函数,然后将几个弱分类器的结果与一定的权重组合,形成一个强分类器作为最终的预测输出。R F思想是通过取多个决策树输出的平均值或模式使预测更加精确。随机森林不是依赖于一棵决策树,而是从每棵树中获得预测,并基于大多数预测投票,预测最终的输出。为了比较3种分类器的性能,在p y t h o n语言中,从1 1个特征中随机选择3、6、9和1 1种特征,利用3种机器学习分类器对D a t a_1和D a t a_2的训练集进行训练,X G B o o s t和R F的决策树和最大深度分别取1 0 0和1 0,S VM参数c取1。3种分类器对多尺度下1、2、3和构造的8种新特征的分割精度汇总见表2。在表2中,R F分类器分类效果相对较差,S VM分类器和X G B o o s t分类器都有较好的分类效果,但其模型训练时间远远长于X G B o o s t分类器,因此本研究选择X G B o o s t分类器对枝干叶点云进行分割。表2 3种分类器的分割精度T a b l e 2 S e g m e n t a t i o n a c c u r a c y o f t h r e e k i n d s o f c l a s s i f i e r s特征数量D a t a_1分类器 准确率(%)D a t a_2分类器 准确率(%)34S VM8 6.4 2S VM7 7.2 5X G B o o s t8 6.8 7X G B o o s t7 8.6 2R F8 4.1 0R F7 5.4 464S VM8 7.5 8S VM8 4.9 6X G B o o s t8 8.8 9X G B o o s t8 5.4 1R F8 5.3 6R F8 2.4 794S VM8 9.6 5S VM8 6.5 8X G B o o s t9 0.5 2X G B o o s t8 7.8 5R F8 8.2 2R F8 4.2 91 14S VM8 9.7 1S VM8 7.8 2X G B o o s t9 0.5 8X G B o o s t8 8.7 4R F8 8.6 0R F8 6.3 22.3 基于X G B o o s t的特征选择枝干叶点云在每一个尺度下得到1 1种特征,在4种尺度下特征数量增加到4倍,为了减少特征冗余,提高特征训练的效率,需要进行特征选择。X G-B o o s t根 据F S c o r e、A v e r a g e G a i n 和 A v e r a g e C o v e r 3种指标计算特征重要性,其中F S c o r e指该特征在所有树中被用作分割样本的特征的次数,A v e r a g e G a i n指该特征在所有树中每次被分割时的平均增益,A v-e r a g e C o v e r指该特征在树中使用该特征时的平均覆盖范围,这3种指标数值越大,该特征越重要2 3-2 4。3 结果与分析3.1 特征选择分析基于X G B o o s t的梯度提升算法可以计算特征值的重要性,本研究使用D a t a_1的训练集,图4显示了1 1种特征的重要性分布直方图。由图4可以看出,3、C、O、P、S和的重要性较大。图5显示了每次分割中加入新特征,特征值数量对分割精度的影响。由图5可知,加入1、2、3后,分割精度已经超过了8 5%,接着加入A,发现分割精度没有明显提升,加入C后,分割精度超过了8 8%,依次加入E、L,分割精度依旧保持在8 8%,加入O后,分割精度有了明显提高,达到了9 0%,再 依 次 加 入P、S和后 精 度 保 持 着9 0%。因此,特征数量不是越多越好,选择合适的特征可以减少计算时间,提高分割效率。结合图4和图5分析,本研究选择3、C、O、P、S和 6个重要性较大的特征进行分割。13第2期曹荣贞 等:基于多尺度几何特征单木点云的语义分割为了研究特征选择前后分类器训练效率是否提高,表3显示了D a t a_1和D a t a_2分别在4 4个特征与2 4个特征下的分割时间。由表3可看出,经过特征选择后,2块样地分割时间都减少了4 0%以上,分类效率有了很大提升。图4 特征重要性F i g.4 F e a t u r e i m p o r t a n c e图5 输入特征数量与分割精度关系F i g.5 R e l a t i o n b e t w e e n t h e n u m b e r o f i n p u t f e a t u r e s a n d s e g m e n t a t i o n a c c u r a c y表3 特征选择前后分割时间T a b l e 3 S e g m e n t a t i o n t i m e b e f o r e a n d a f t e r f e a t u r e s e l e c t i o n特征数量训练时间/sD a t a_1D a t a_2减少用时(%)D a t a_1D a t a_21 145 64 74 2.8 54 0.4 2643 22 83.2 点云分割结果分析3、C、O、P、S和作为输入参数对测试集进行分割,表4和表5分别给出了分类器在特征选择前后水曲柳样地和樟子松样地枝干叶点云分割的精度评定,精度评定从准确率(R)、召回率(r)、精确率(P)、F 1值2 5和I OU(I n t e r s e c t i o n o v e r U-n i o n)2 65个方面进行,如式(1)-式(4)所示。准确率(R)指预测正确的点云占总点云的百分比,其中R的值越接近1表示提取的精度越高;召回率(r)反映了正确分割点云数占实际点云数的比例,r越接近1表示正确分割树木越多;精确率P表示算法分割出的点云数为正确分割的比例,P越接近1表示该算法分割的点云中错误分割的比例小;F 1值指综合考虑精确率和召回率,F 1值越接近1表示整体分割效果越好,I OU指实际点云数与算法分割点云数2个集合的交集与并集之比。R=n/N(1)r=TP/(TP+FN)(2)p=TP/(TP+FP)(3)F=2r p/(r+p)(4)I O U=nNnN(5)式中:N为叶点或枝点的实际数量;n为算法分割的叶点或枝点数量;TP表示正确分割的叶点或枝点数量;FN表示漏检的叶点或枝点数量;FP表示过检的叶点或枝点数量。图6和图7为D a t a_1和D a t a_2的分割结果。对比D a t a_1和D a t a_2的枝干和叶片分割结果发现,特征选择后2块样地的准确率、精确率、召回率和F 1值没有明显降低。在D a t a_1中,基于4 4个特征值和2 4个特征值下枝干分割的精确率高于树叶,召回率低于树叶,综合来看枝干的F 1值大于树叶。在D a t a_2中,基于4 4个特征值和2 4个特征值下树叶分割的精确率、召回率和F 1值都低于枝干。结合2个分割结果图可以看出,2块样地枝干的分割效果要比树叶的分割效果好,树干和较大树枝都能明显分离出来,原因是接近树根的下层枝干和与树干相连的较大的分枝点云密度高,叶片稀少,几何特征明显,容易与树叶区分,而叶片点云密度低且几何形状不明显,特别是与小枝连接的叶片容易被错误分割。从整体来看,水曲柳树木的准确率比樟子松树木的准确率高,通过对比图6和图7可看出,樟子松树冠部分叶片点云稀少,和树枝连接的叶点大多被错误地识别为枝点。3.3 单一尺度与多尺度下分割精度分析不同尺度下枝叶点云的几何特征不同,分割结果也不同。为探究尺度对分割结果的影响,本研究利用2样地特征选择后的特征集,对其在4种单一尺度和多尺度下枝叶点云的分割精度做出了分析,结果如表6所示。由表6可知,在搜索半径为0.1 m和0.7 5 m的尺度 下,枝 叶 分 割 的 精 度 较 差,在 搜 索 半 径 为0.2 5 m和0.5 0 m的尺度下,枝叶分割的精度都超过了0.8,说明搜索半径过小和过大枝叶点云分割效果不明显。同时,多尺度下枝叶点云的分割精度都超过了0.8 8,说明多尺度下枝叶点云区分性最好。23西北林学院学报3 9卷 表4 水曲柳枝干叶点云分割精度评定T a b l e 4 S e g m e n t a t i o n a c c u r a c y e v a l u a t i o n o f l i m b a n d l e a f p o i n t s o f F.m a n d s h u r i c a特征数量准确率树叶枝干召回率树叶枝干精确率树叶枝干F 1树叶枝干交并比树叶枝干1 140.9 2 0 10.8 7 0 80.9 1 6 20.8 6 5 70.8 4 6 80.9 0 5 60.8 8 0 10.8 8 5 20.8 2 7 20.8 4 4 3640.9 1 3 40.8 6 9 30.9 0 7 90.8 6 1 80.8 4 0 90.9 0 0 50.8 7 3 10.8 8 0 70.8 2 6 90.8 4 3 7表5 樟子松枝干叶点云分割精度评定T a b l e 5 S e g m e n t a t i o n a c c u r a c y e v a l u a t i o n o f l i m b a n d l e a f p o i n t s o f P.s y l v e s t r i s特征数量准确率树叶枝干召回率树叶枝干精确率树叶枝干F 1树叶枝干交并比树叶枝干1 140.8 8 4 30.8 9 3 50.8 8 8 00.8 8 5 80.8 8 0 40.8 8 9 60.8 8 4 20.8 8 7 70.8 5 8 70.8 6 3 5640.8 8 1 00.8 9 0 10.8 8 7 30.8 8 5 60.8 7 9 60.8 8 9 40.8 8 3 40.8 8 7 50.8 5 6 20.8 6 2 2图6 水曲柳树木枝干叶点云分割结果F i g.6 S e g m e n t a t i o n r e s u l t s o f l i m b a n d l e a f p o i n t s o f F.m a n c h u r i a图7 樟子松树木枝干叶点云分割结果F i g.7 S e g m e n t a t i o n r e s u l t s o f l i m b a n d l e a f p o i n t s o f P.s y l v e s t r i s表6 单一尺度与多尺度下分割精度分析T a b l e 6 S e g m e n t a t i o n a c c u r a c y a n a l y s i s o n s i n g l e s c a l e a n d m u l t i-s c a l e空间尺度多尺度0.1 m0.2 5 m0.5 0 m0.7 5 m准确率D a t a_10.9 0 5 80.7 6 8 10.8 7 1 00.8 4 4 70.7 8 4 1D a t a_20.8 8 6 10.7 7 8 00.8 3 4 00.8 0 1 70.7 6 4 233第2期曹荣贞 等:基于多尺度几何特征单木点云的语义分割4 讨论本研究利用固定半径的方法计算了多尺度下点云的特征值,并利用机器学习训练特征值实现枝干叶点云的分割。目前计算点云局部邻域特征主要有2种方法:一种是固定K值,但该方法易受点云密度的影响,如冠层树枝点云密度低,下层枝干点云密度高,下层枝干的几何形状和上层树枝的几何形状不同;另一种是固定半径,该方法不受点云密度影响。本研究使用固定半径方法计算4种空间维度的点云特征值来进行训练和分割,基于多尺度的点云几何特征更明显,增强了对大枝、小枝和叶片的识别能力,不仅可以计算任何点云密度的枝干叶,也可以训练任意树木结构,对水曲柳和樟子松树木点云枝干叶分离都有很好的效果。在特征计算时,如果点云搜索半径太小,则在该邻域内点云太少,计算的特征不具有判别性;如点云搜索半径过大,则会增加计算的时间,且计算的特征不够明显。由于不同搜索半径计算的特征不同,多尺度下可以得到多维度的枝干叶点云特征,因此,基于多尺度计算的点云特征比单一尺度计算的特征更明显,区分性也更强。综合考虑叶片和枝干的大小,本文选取的搜索半径值为0.1、0.2 5、0.5、0.7 5 m,多尺度特征的结合可以更有效分离树木干枝与树叶点云。而在特征选择时,需要考虑依据特征值的重要性与引入特征数量后精度变化情况,选择出重要性较大的6种特征,并且2 4个特征下的枝干叶点分割准确率相比4 4个特征下分割准确率变化很小,而分割的时间减少了4 0%以上。由此可见,特征选择后,分类 器的效率有 了很大提高,而准确率下 降很小。本研究利用语义分割方法在水曲柳和樟子松中的分割结果有所不同。由图6和图7可以看出,2种树木邻近树根的枝干点云和与粗大树枝连接的叶片点云都能清晰地区分出来,因为枝干的分布规律连续,密度较大,而叶点较为分散,整体点云密度较小,易于区分。而2种树木在树冠部分的枝干叶分离情况差别较大,水曲柳树冠附近的细枝和与枝干相连的叶片都能够明显区分出来,而樟子松树木树冠分割效果较差,许多与叶片连接的枝点都被错分为叶点。由樟子松和水曲柳树木的形态特征易知,水曲柳属于阔叶林,叶片较大,叶片点云密度高,特征值判别性较好,而樟子松是针叶林,叶片窄小,与叶片连接的细枝点云密度低,树冠部分点云特征值描述的意义不够明显,枝干点云和叶片点云会被错分。虽然本研究提出的方法能够实现树木点云枝干叶分割,但也存在不足。一方面,本文根据经验选择的搜索半径存在一定问题,无法考虑到半径内点云密度较高和点云密度较低的一些团块,影响点云特征值的计算;另一方面,由于地基激光雷达扫描范围有限,不能完全获取树冠上层信息,对树冠点云完整度有一定的影响,树冠枝干叶分割效果较差。因此,在后续工作中,将选择更好的点云搜索方法并联合无人机激光雷达等获得更加完整的树冠点云数据,进一步展开树木枝干叶分离的研究。5 结论本研究基于地面三维激光扫描获取的树木点云数据,通过固定半径的方法计算树木点云的多尺度特征并运用机器学习实现了单木枝干叶点云的分割,现得出以下结论。采用固定半径的方法可以计算多尺度邻域内点云几何特征,多尺度特征可以更好体现枝、干、叶点的几何特征,基于多尺度特征的枝干叶点分割的效果明显,分割精度较高。基于X G B o o s t的特征选择在保持分割精度不变的同时减少了分类器训练时间,相同训练集下,两块样地的分割时间都减少了4 0%以上,经过特征选择后精度没有明显降低,因此特征选择可以明显提升分类器的分类效率。水曲柳样地总体分割效果比樟子松样地好,两样地枝干点的分割效果比叶点好,总体分割精度都超过了0.8 8。参考文献:1 L A U A,B E N T L E Y L P,MA R T I U S C,e t a l.Q u a n t i f y i n g b r a n c h a r c h i t e c t u r e o f t r o p i c a l t r e e s u s i n g t e r r e s t r i a l L i D A R a n d 3 D m o d-e l l i n gJ.T r e e s,2 0 1 8,3 2(5):1 2 1 9-1 2 3 1.2 D I S N E Y M I,B ON I V M,B UR T A,e t a l.W e i g h i n g t r e e s w i t h l a s e r s:a d v a n c e s,c h a l l e n g e s a n d o p p o r t u n i t i e sJ.I n t e r f a c e F o-c u s,2 0 1 8,8(2),2 0 1 7 0 0 4 8.3 孙圆,林秀云,熊金鑫,等.基于地面激光强度校正数据的单木枝叶分离J.中国激光,2 0 2 1,4 8(1):5 6-6 6.S UN Y,L I N X Y,X I ON G J X,e t a l.S e p a r a t i o n o f s i n g l e t r e e b r a n c h e s a n d l e a v e s b a s e d o n g r o u n d l a s e r i n t e n s i t y c o r r e c t i o n d a t aJ.C h i n e s e J o u r n a l o f L a s e r s,2 0 2 1,4 8(1):5 6-6 6.(i n C h i n e s e)4 夏明鹏,官凤英,范少辉,等.T L S技术在森林资源调查中的应用现状与展望J.西北林学院学报,2 0 1 8,3 3(3):2 3 8-2 4 4.X I A M P,G UA N F Y,F A N S H,e t a l.A p p l i c a t i o n s t a t u s a n d p r