[发明专利]基于不同特征自动分割的树木提取方法

说明书

本发明公开了一种基于不同特征自动分割的树木提取方法。通过数据预处理从原始点云数据中删除高离群点和低离群点；将预处理后的点云数据以栅格格式逐点内插建立DSM，调整其分辨率大小，使其与航空正射影像一致；将航空正射影像数据反射光谱的归一化差异植被指数（NDVI）和激光雷达DSM数据的局部熵值结合在一起，作为树木提取特征；利用光照区域、阴影区域分离和直方图减法思想对树木区域进行提取，形成一种无需样本训练和迭代的高效树木提取算法。可应用于森林树种分类及生长状态监测，地物类别检测和三维城市建模等领域。

技术领域

本发明涉及机载LiDAR数据领域中的树木提取技术，具体为一种基于不同特征自动分割的树木提取方法。

发明内容

机载激光扫描与测距系统(Light Detection And Ranging，LiDAR)作为一种新兴主动式遥感技术，由激光扫描仪、可见光系统、全球定位系统和惯性导航系统等设备构成，可获取海量点云数据和正射影像数据，具有空间分辨率高、获取三维信息迅速等独特优势，广泛应用于森林树种分类，地物类别检测，三维城市建模和自然灾害救援等领域。

基于多源遥感数据的城市树木提取对城市资源调查、健康状况评估及科学化管理具有重要意义。传统的人工调查方法需要大量的现场调查，费时费力；现有的遥感技术手段虽然很多，但是利用单一的遥感数据准确提取树木的分布信息仍然具有挑战性。多源遥感信息数据融合作为一种信息综合处理与分析技术，其研究已成为遥感领域一个重要的研究方向。而基于特征级的融合方法研究能够从数据源中提取相关特征，并对特征进行综合处理与分析，信息处理速度快，并且能够提供决策级所需的特征信息。

现有基于机器学习的分类方法是目前较为成熟的遥感分类方法，包括支持向量机和随机森林，然而，此类方法需要设计大量合适特征，分类精度受到分类器的特性和性能的限制；基于神经网络的目标检测方法已经显示出优越的性能，但这些方法的性能严重依赖于大量的样本和手动标记，这既耗时又费力，且其泛化能力受到训练域的限制，算法精度尚可，但都难以在运行速度上满足用户的需求。

发明内容

本发明结合激光雷达数据和正射影像数据的优势，提出一种基于不同特征自动分割的树木提取方法。

本发明是采用如下的技术方案实现的：基于不同特征自动分割的树木提取方法，包括以下步骤：

S1：数据预处理；首先，对输入点云的每一个点，计算其到所有临近点的距离，并计算距离的平均值D_mean和标准差D_s；其次，利用计算的距离的平均值和标准差根据公式D_max＝D_mean+n*D_s定义一个最大距离；最后，将一个点到其所有临近点的距离的平均值与定义的最大值进行比较，如果距离的平均值大于最大距离，则该点就被定义为离群值，并将其从原始点云数据中删除。

S2：多源遥感数据配准；经过预处理的点云以栅格格式逐点内插建立DSM,常用的内插方法有邻近距离插值法、三角网插值法、反距离加权插值法等。调整DSM图像像素分辨率大小，使其与航拍图像相一致。

S3：数据特征提取；基于植被在红光波段反射率低，近红外和绿光波段的反射率较高特征，以及草地建筑物区域熵值较小，树木区域熵值较大的特征，将航空正射影像数据反射光谱的归一化差异植被指数(NDVI)和激光雷达DSM数据的局部熵值结合在一起，作为数据提取特征，用于树木候选区域的提取。

S4：阈值选取，结合直方图减法思想得到NDVI和DSM局部熵两种特征的特征阈值，通过两种特征阈值提取树木候选区域。