一種基于模式識別的森林點云分類方法一、技術(shù)領(lǐng)域本發(fā)明是利用激光點云數(shù)據(jù)的空間三維幾何信息對森林數(shù)據(jù)進行自動分類的方法，即通過局部點云數(shù)據(jù)特征值分布的差異，將森林點云數(shù)據(jù)分為散點類(葉子、草等)、線性類(細的樹干、樹枝等)、面狀類(地面、粗的樹干等)。二、

背景技術(shù)：
森林植被冠層結(jié)構(gòu)可定義為所有地上部分林冠元素的形狀、大小、方向以及空間分布，其控制著陸地與大氣之間的物質(zhì)、能量傳輸，通過影響光合作用和蒸騰作用的速率和量級進行影響植被與環(huán)境間的物質(zhì)和能量的交換，同時也為一些動植物提供了棲息地。因此，定量描述冠層結(jié)構(gòu)是理解森林冠層結(jié)構(gòu)并進而揭示森林生態(tài)系統(tǒng)長期演替規(guī)律的前提條件。定量描述植被冠層的生物物理參數(shù)主要包括葉面積指數(shù)(LeafAreaIndex，LAI)，樹高、胸徑、冠幅大小、樹冠體積、冠幅截面積(BasalArea，BA)等。然而，由于冠層結(jié)構(gòu)的三維結(jié)構(gòu)的復(fù)雜性，精確的定量描述仍然是個挑戰(zhàn)。傳統(tǒng)的測量森林冠層結(jié)構(gòu)的方法主要分為直接法和間接法兩大類。直接法就是通過人工的方法直接對植被的器官進行測量，這種方法可以較為準確的測量出這些參數(shù)，但是費時費力，同時可能對植被也具有一定的破壞性。間接法是通過輻射測量的方法來估計冠層結(jié)構(gòu)參數(shù)的，主要包括光譜法、孔隙率理論方法(gapfractionmethods)和雙向反射分布函數(shù)方法(BRDF：BidirectionalReflectanceDistributionFunction)法。光譜法主要是依據(jù)樹木各部分反射率不同來推算冠層結(jié)構(gòu)參數(shù)，通常是建立一些相關(guān)關(guān)系來推算，但是這些相關(guān)關(guān)系通常不具有大范圍的普適性?？紫堵世碚摲椒ㄊ腔趥鬏敼馐椛涞臏y量，為LAI和葉傾角的估算提供了有力的工具，但是這種方法是建立在葉子隨機分布的前提下，同時在估算葉子相關(guān)參數(shù)的時候，沒有區(qū)分樹冠的光合部分和非光合部分。BRDF方法是利用入射方向和觀測方向的亮度不同來獲取冠層結(jié)構(gòu)參數(shù)，但是這種方法在數(shù)據(jù)獲取是存在著很大的困難。LIDAR(lightdetectionandranging)技術(shù)的發(fā)展為森林冠層結(jié)構(gòu)參數(shù)的獲取提供了一種新的技術(shù)手段。近年來，也有人開始利用森林的激光點云數(shù)據(jù)提取冠層結(jié)構(gòu)參數(shù)。比如，P.J.WATTandD.N.M.DONOGHUE在"Measuringforeststructurewithterrestriallaserscanning"一文中利用地面激光雷達獲取的數(shù)據(jù)通過手動識別選取樹干、冠幅，獲取了樹木的直徑、樹高等參數(shù)并與野外測量做了比較，發(fā)現(xiàn)利用地面激光雷達數(shù)據(jù)可以比較準確地獲取到樹木的形態(tài)進而較為準確的提取到植被冠層結(jié)構(gòu)參數(shù)。FengZhao等在"Measuringgapfraction，elementclumpingindexandLAIinSierraForeststandsusingafull-waveformground-basedlidar.″中利用地面激光雷達獲取的森林點云數(shù)據(jù)，根據(jù)孔隙率的理論求取了孔隙率、聚集度指數(shù)和葉面積，發(fā)現(xiàn)與半球形照片(hemisphericalphotos)測量的結(jié)果是具有較高的相關(guān)性的。XiaoyuanYang等在”three-dimensionalforestreconstructionandstructuralparameterretrievalusingaterrestrialfull-waveformlidarinstrument(Echidna(R))”文中利用地面全波激光雷達設(shè)備，根據(jù)樹木不同組分對能量的反射強度不同，對樹木的樹干、樹枝、樹葉和地面分類，進行對樹木進行三維重建，提取冠層結(jié)構(gòu)參數(shù)，并與人工測量結(jié)果做比較，發(fā)現(xiàn)相關(guān)性都達到了0.70-0.90。目前國內(nèi)關(guān)于激光雷達在森林中的應(yīng)用研究，特別是針對三維冠層結(jié)構(gòu)的研究還處在起步和探索階段，大部分研究主要集中在利用航空和地面激光雷達進行景觀或樣方尺度的森林的基本測樹因子諸如樹高、生物量、蓄積量等的估算。王佳在“利用輕小型飛機遙感數(shù)據(jù)建立人工林特征參數(shù)模型”一文中利用航空LIDAR系統(tǒng)反演了樹高。王成等發(fā)展了一種利用航空激光雷達反演森林冠層高度的算法。趙峰等在“機載激光雷達和航空數(shù)碼影像單木樹高提取”一文中利用航空激光雷達和航空數(shù)碼照片研究了單木樹高的提取。黃克標在“基于ICESatGLAS的云南省森林地上生物量反演”一文中結(jié)合機載、星載激光雷達對GLAS(地球科學(xué)激光測高系統(tǒng))光斑范圍內(nèi)的森林地上生物量進行估測。龐勇在“基于機載激光雷達的小興安嶺溫帶森林組分生物量反演”一文中使用小興安嶺溫帶森林機載遙感-地面觀測同步試驗獲取的機載激光雷達點云數(shù)據(jù)和地面實測樣地數(shù)據(jù)，估測了典型森林類型的樹葉、樹枝、樹干、地上、樹根和總生物量等組分的生物量。駱社周等在“機載激光雷達森林葉面積指數(shù)反演”中利用機載LIDAR基于beer定律反演LAI，研究結(jié)果表明機載LIDAR數(shù)據(jù)可以用來高精度反演森林LAI。劉麗娟等在“機載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別”一文中將機載LIDAR與高光譜CASI數(shù)據(jù)融合，充分利用垂直結(jié)構(gòu)信息和光譜信息進行溫帶森林樹種分類。范士俊等在“基于隨機森林的全波形點云數(shù)據(jù)分類研究”一文中針對機載全波形數(shù)據(jù)，提出了一種基于隨機森林法的點云分類算法將森林點云分為植被，地面部分以及建筑物三類。三、

技術(shù)實現(xiàn)要素：
本發(fā)明的目的是提供一套利用激光點云數(shù)據(jù)的三維空間信息對森林點云數(shù)據(jù)進行分類的算法，從而得到冠層各個結(jié)構(gòu)的點云數(shù)據(jù)，進而提取冠層結(jié)構(gòu)參數(shù)。本發(fā)明的原理如下：本發(fā)明利用激光雷達掃描系統(tǒng)獲取森林的三維點云數(shù)據(jù)，根據(jù)局部點云數(shù)據(jù)的空間分布的不同，即通過計算局部點云數(shù)據(jù)的協(xié)方差矩陣得到三個維度的特征值(令λ2≤λ1≤λ0)和特征向量，可將點云數(shù)據(jù)分為三類。首先是隨機分布的點云，其三個維度的特征值大致相等(λ2≈λ1≈λ0)，對應(yīng)于森林點云數(shù)據(jù)中的葉子、草叢等；其次是線性分布的點云，這種類型的點云是在一個維度上的特征值明顯大于另外兩個方向的(λ2≈λ1＜＜λ0)，對應(yīng)于森林點云數(shù)據(jù)中的樹枝、細的樹干等線性分布的點云；最后是面狀分布的點云，這類點云是在兩個方向上的特征值明顯大于另外一個方向的(λ2＜＜λ1≈λ0)，對應(yīng)于森林點云數(shù)據(jù)中的地面、粗的樹干等面狀分布的點云。根據(jù)這一特點，找一個能區(qū)分這三個類別的一個指標來對點云數(shù)據(jù)進行劃分，這個特征就是特征值的一些線性組合，即(λ2，λ0-λ1，λ1-λ2)，稱其為顯著特征。本發(fā)明用的分類方法是通過期望最大化算法計算每個類別的高斯混合模型作為分類器。根據(jù)統(tǒng)計學(xué)一般規(guī)律，高斯密度函數(shù)可以模擬大部分變量的概率密度函數(shù)；而混合高斯模型是利用幾個高斯密度函數(shù)通過賦予其不同的權(quán)重來模擬變量的隨機分布。在計算某一變量的高斯混合模型的時候，需要知道變量中的每一個樣本屬于混合高斯模型中的哪一個，也就是說需要知道每個樣本的一個標簽。期望最大化算法就是求取這個標簽的算法過程。這個算法的推導(dǎo)基礎(chǔ)是Jensen不等式，即如果f是凸函數(shù)，X為隨機變量，那么E[f(x)]＞＝f(Ex)。給定訓(xùn)練樣本{x0，x1，x2...xj)，并且各個樣例之間相互獨立，要想找到每個樣本隱含的類別，使得p(x，z)最大，為了方便求得最大值，可以求取最大似然估計。期望最大化法主要分為兩步，第一步是對極大似然函數(shù)取對數(shù)，第二步是對每個樣例的可能類別z求聯(lián)合分布概率和，由于z的存在使得高斯模型參數(shù)變得困難。期望最大化算法就是通過不斷的建立似然函數(shù)的下界來優(yōu)化下界，從而得到z，進而得到高斯混合模型的參數(shù)。本發(fā)明的找固定點周圍一定范圍內(nèi)的點的算法采用了效率比較高的KD-tree算法。KD-tree是一種分割k維數(shù)據(jù)空間的數(shù)據(jù)結(jié)構(gòu)。主要應(yīng)用于多維空間關(guān)鍵數(shù)據(jù)的搜索。KD-tree算法可以分為兩大部分，一部分是有關(guān)KD-tree本身這種數(shù)據(jù)結(jié)構(gòu)建立的算法，另一部分是在KD-tree上如何進行最鄰近查找的算法。KD-tree是一個二叉樹，每個節(jié)點表示一個空間范圍。本發(fā)明的技術(shù)方案主要包括以下步驟：(1)首先，利用地面激光雷達掃描系統(tǒng)，獲取植被冠層的三維點云數(shù)據(jù)，其中包含了點云的空間位置信息和能量信息。(2)訓(xùn)練樣本的選取。手動選取每一類具有代表性的訓(xùn)練樣本，選取是最好考慮到每類的各種情況。由于距離傳感器不同距離點的密度是不同的，因此，選取訓(xùn)練樣本的時候，距離傳感器不同距離的訓(xùn)練樣本都應(yīng)該涉及到。對于散點類，需要選取到葉子、草叢等；對于線性類，就要選取到樹干、樹枝等；對于面狀類，就要選取到各種起伏的地表點云。然后計算出每個類別的每個樣本的顯著特征。(3)初始分類。將訓(xùn)練樣本導(dǎo)入到基于期望最大化算法求高斯混合模型的程序中，進而得到每一類的高斯混合模型，把其當做分類器對未知點云進行逐點分類。逐點分類仍然是利用局部空間點云的幾何特征，因此需要找出每個點周圍一定范圍的點進行特征值和特征向量的求取。為了分類的簡單方便，選擇了0.45m的半徑作為找點的范圍。利用KD-tree算法構(gòu)建未分類點云的KD-tree，這樣會提高找點效率。利用KD-tree找每個點周圍一定范圍內(nèi)的點，然后計算出各自的顯著特征，帶入到每個類別的高斯混合模型中，會得到這個點屬于每類的條件概率，選擇條件概率最大的那一個類別賦給這個點，這樣就完成了初始逐點分類。(4)分類后處理。由于本發(fā)明所使用的分類方法是利用局部空間幾何特征進行分類的，而這個局部點云是利用的球形搜索方法獲取，必然會出現(xiàn)一些誤分，例如面狀類點云的邊緣可能體現(xiàn)出線的特性，散點類點云表面可能體現(xiàn)出面的特性。因此，需要使用一些濾波器進行分類后處理。本發(fā)明采用了四個濾波器進行分類后處理。第一個濾波器是邊緣濾波器：這個濾波器的作用就是將誤分為線性類的面狀類或者散點類的點云進行糾正，其原理是對每個初始分為線性類的點，搜索其一定半徑范圍內(nèi)的點，計算該范圍內(nèi)每個類別點的個數(shù)，并將個數(shù)最多的類別賦予該線性類點。第二個濾波器是獨立面狀濾波器：這個濾波器的作用就是將誤分為面狀類的散點類或者線性類點云進行糾正，其原理是用于糾正誤分為面狀的點，對每個上一步中分為面狀類的點，搜索其一定半徑范圍內(nèi)的點，計算該范圍內(nèi)每個類別點的個數(shù)，并將個數(shù)最多的類別賦予該面狀類點。第三個濾波器是孤立點去除濾波器：這個濾波器是為了去除一些不能判斷類別的點，有一些點其周圍點的個數(shù)很有限，不能根據(jù)局部空間點云特性來判斷類別，那么就可以將這些點進行去除，其原理就是球形搜索某點周圍一定范圍內(nèi)的點，當周圍點的個數(shù)低于一定的閾值的時候就將其刪掉。第四個濾波器是地面濾波器：這個濾波器的作用是恢復(fù)誤分為其他類型的地面點，同時糾正被誤分為地面點的其他類型的點。介于本分類方法是基于局部幾何特征分類，當?shù)孛嫔戏介L草時，該地面點云可能會被誤分為散點類，同時一些地面點由于具有線性類特征而被誤分為線性類，因此對每個未被分為面狀類的點設(shè)置開口向下的錐形搜索范圍，當該搜索范圍內(nèi)點個數(shù)少于3時將該點類型改為面狀。錐形開口的角度為10-20度。(此段修改)四、說明書附圖圖1為本發(fā)明的流程示意圖；圖2為研究對象的分類前與后的點云數(shù)據(jù)示意圖a研究對象未分類的示意圖；b面狀類的分類結(jié)果示意圖；c散點類的分類結(jié)果示意圖；d線性類的分類結(jié)果示意圖。五、具體實施方式以下通過具體實例對本發(fā)明作進一步描述：使用地面三維激光掃描儀LeicaScanStation2(其參數(shù)如表1所示)對樣方進行掃描，然后選取一棵比較完整的樹作為研究對象，為了點云能夠較好的體現(xiàn)出研究對象的幾何特性，選擇的時候應(yīng)盡量靠近儀器，這樣遮擋效應(yīng)會小一點，點云密度會大一點，最終得到的研究對象的點云數(shù)據(jù)如圖2(a)所示：表1三維激光掃描儀LeicaScanStation2參數(shù)結(jié)合流程圖，具體說明本算法實施方式。首先利用三維激光掃描儀取得樣方的點云數(shù)據(jù)，然后利用軟件得到研究對象的點云數(shù)據(jù)。根據(jù)附圖1所示，對研究對象的點云數(shù)據(jù)進行分類處理：第一步為訓(xùn)練樣本的選取，第二步為分類器的構(gòu)建，第三步為初始分類，第四步為分類后處理。根據(jù)技術(shù)方案步驟(2)所述，首先選取訓(xùn)練樣本，為了使得訓(xùn)練樣本更加具有代表性，可以在樣方的范圍內(nèi)選取。然后計算出每個類別每個樣本的顯著特征。根據(jù)技術(shù)方案步驟(3)所述，將各個類別的訓(xùn)練樣本的顯著特征分別帶入到利用期望最大化算法求取高斯混合模型的程序中，得到每一個類型的高斯混合模型，進而可以對未知點云數(shù)據(jù)進行初始分類，即將每個點帶入到各個類別的高斯混合模型中去，得到每個點屬于各個類別的條件概率，選擇條件概率最大的那個類別賦予這個點。這樣就得到了初始分類的結(jié)果。根據(jù)技術(shù)方案步驟(4)所述，對初始分類的點云數(shù)據(jù)進行分類后處理。最終的分類效果如圖2所示，其中圖2(b)為面狀類的分類結(jié)果，主要是地面；圖2(c)為散點類的分類結(jié)果，主要是葉子和一些灌草；圖2(d)為線性類的分類結(jié)果，主要是樹枝和細的樹干。