[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

说明书

本发明公开了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，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之下的方式获取各个树冠所对应的树干点云，完成单木提取。本发明能够在保证获取较高树木提取精度的同时，可以实现更多的树木的探测。

技术领域

本发明涉及单木提取技术领域，特别是涉及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。

背景技术

LiDAR(Light Detection and Ranging)技术作为一种新的主动遥感测量方式，近年来发展十分迅速。相较于传统的被动光学遥感测量，LiDAR技术具有获取数据速度快、点位精度高、不受外界光照条件的影响、能够24小时全天候进行数据采集等优点。此外，LiDAR系统所发射的激光脉冲能够部分地穿透植被冠层到达地面，可直接测量冠层三维结构和林下地形，因而比传统光学传感器在探测生态系统结构和功能上更具优势。目前，LiDAR技术已成为植被资源调查和监测重要的测量手段。

单木是森林的基本构成单元，其空间结构及相应的植被参数是森林资源调查、生态环境建模研究的关键因子。单木分割，即从LiDAR点云中实现单株植被的识别与提取。单木分割是植被参数(如空间位置、树高、胸径、冠幅等)估测的前提与基础。准确的植被参数估测将为森林资源的可持续经营和精准培育提供定量的数据支持。传统测量通常采用皮尺、卡尺、测高计等对单木进行人工量测。此过程不仅会占用大量的劳动力，而且是十分耗时的。LiDAR技术能够通过获取激光脉冲的后向散射信号来测量树木的三维空间结构，提升量测效率。然而目前采用LiDAR技术进行单木分割还存在精度较低的问题，不准确的单株植被提取将严重影响后续的植被参数估测。

发明内容

为此，本发明的目的在于提出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，以解决现有技术精度较低的问题。

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，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之下的方式获取各个树冠所对应的树干点云，完成单木提取。

根据本发明提供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，是自下而上和自上而下的结合过程，在自下而上的方法中，首先使用迁移学习对点云中的树干点进行分类，提取的树干点可以作为初始分割的聚类中心，通过主成分分析变换、核密度估计和高斯混合模型分离，可以准确提取每一株单木的树冠。在自上而下的方法中，被提取出的树冠点可以作为树干提取的依据，树干点可以根据垂直连续性原则来提取。实验结果表明，该方法在单测站和多测站模式的六个场景中，平均正确率可以达到87.68％，远优于现有技术中的两种方法。此外，在完整率和平均精度方面，该方法也优于其他两种方法。因此，本发明能够在保证获取较高树木提取精度的同时，可以实现更多的树木的探测。

附图说明

图1是根据本发明一实施例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的流程示意图；

图2是树干点云提取及优化图；

图3是树干点云与误判点竖直方向连续性对比图；