[发明专利]基于迁移学习和高斯混合模型分离的单株植被提取方法

权利要求书

1.一种基于迁移学习和高斯混合模型分离的单株植被提取方法，其特征在于，包括以下步骤：

S1，基于直推式迁移学习进行树干探测，以获取树干点；

S2，以树干点云为基础进行最邻近聚类获取初始分割结果；

S3，采用主成分变换和核密度估计确定初始分割中各部分的混合成分的数目，并基于混合成分的数目实现高斯混合模型分离获得树冠分离结果；

S4，进行基于点密度重心的过分割植被优化合并；

S5，基于竖直连续性原则采用从上至下的方式获取各个树冠所对应的树干点云，完成单木提取；

步骤S2具体包括：

S21，将点云进行体素化，依据树干点云在树枝方向连续性较强的特点，将散乱分布的误判点去除；

S22，进行基于主成分分析的树冠点云投影变换；

S23，通过高斯核密度估计确定分类簇数目；

步骤S3中，点云中共包含T类不同的点云，则高斯混合分布的密度函数为：

式中，V为特征向量，具体为主成分分析变换后的结果，即v＝score，S为各混合成分，λ_k为比重系数，表示各混合部分的先验概率，(u_k,δ_k)表示高斯分布的参数，分别为均值和方差，G_k(·)表示高斯密度函数；

步骤S4中，通过计算各个分类簇的点密度重心位置将距离较近的植被进行合并；

步骤S4中，将重心位置定义为点云水平投影后以点密度分布为权重的加权平均值，公式表示如下：

式中，M和N为二维格网横纵方向的最大值，m和n为树干点云中点p_i在二维格网中的格网坐标，为格网(m,n)的平均平面坐标，(x_q,y_q)为格网(m,n)内的任意一点，mean(·)为进行均值计算，P(m,n)为格网(m,n)的权重，num(m,n)表示格网(m,n)内点云的数目；

步骤S5中，首先计算该树冠点云的水平投影范围[Canopyⁱ.x_min,Canopyⁱ.x_max]、[Canopyⁱ.y_min,Canopyⁱ.y_max]，继而，计算获取的剩余点云集{left_pts}中，采用下式获取在该树冠点云水平投影范围内的点：

式中，Canopyⁱ表示第i棵树冠点云，within_ptsⁱ为该棵树树冠以下的点云。

2.根据权利要求1所述的基于迁移学习和高斯混合模型分离的单株植被提取方法，其特征在于，步骤S1具体包括：

利用已有树干和叶片标记信息的点云数据作为源域，通过对源域中的各个样本建立训练模型，将训练好的模型迁移应用到缺乏样本标记信息的目标域中，实现目标域中树干和叶片点云的分离。

3.根据权利要求2所述的基于迁移学习和高斯混合模型分离的单株植被提取方法，其特征在于，步骤S1中，采用计算几何特征向量建立训练模型，通过计算点云局部区域的协方差张量，进而求得线性、面性、散点性、表面曲率、本征熵共计5个特征向量，以实现枝叶分离。