基于三维激光扫描技术的城市树木特征提取

2019-07-05黄德夏永华柏宏强李泽邦

城市勘测 2019年3期

黄德，夏永华，柏宏强，李泽邦

(1.昆明理工大学国土资源工程学院，云南昆明 650093；2.云南省高校高原山区空间信息测绘技术应用工程研究中心，云南昆明 650093)

1 引言

树木作为一个极其不规则的形体，想要建立其三维模型或者提取其特征信息一直都存在着许多问题。传统的树木特征获取方式存在着对树木造成破坏，获取效率和精度较低的问题[1]。而城市树木的特征提取主要服务于城市的树木管理，与森立资源调查中的树木特征提取又有所不同。近年来随着科技的不断发展，树木特征的提取方法和技术也在不断发展。

三维激光扫描技术是测绘领域一项新兴的测量手段，是测绘领域继全站仪和GPS后的又一次技术革命[2]。其在林业上已经有了一些运用，例如：森林多维度系数的评估[3]、单木叶密度的计算[4]、林分郁闭度的计算[5]等。运用三维激光扫描技术，可以在不接触树木，不伤及树木本身的情况下快速获取树木的点云数据，通过对点云数据的处理，重建树木的三维模型，根据模型获取树木的特征信息。笔者以城市绿化树木为试验对象，基于三维激光扫描技术重建的树木三维模型，提取树木的树高、胸径、树冠体积和树木材积等特征信息，并与常规测量手段获取的特征信息进行比较，验证其精度。

2 数据采集

(1)控制点布设

试验选取了昆明市盘龙区城市学院内6棵成片分布的雪松作为树冠体积、胸径和树高的特征提取样本。借助控制点可将多站的点云数据统一到同一个坐标系下，以增加点云数据配准的精度。基于单木控制点的布设如图1所示[6]，成片雪松的控制点布设方法如图2所示，共布设了9个控制点(点号为K1-K9)。

图1 单木控制点布设示意图

图2 成片树木控制点布设示

(2)控制点坐标获取及部分树木特征获取

控制点坐标的采集，用徕卡TS02R500免棱镜全站仪采用后方交汇的方式获取。获取控制点坐标后，还采集了树木的树高信息[7]，用于与模型提取树高做比较。

(3)点云数据获取

采用Maptek I-site 8200三维激光扫描仪在布设好的控制点上架站采集树木的点云数据。

3 数据处理

采用扫描系统搭载的Maptek I-site studio6.0点云处理软件处理点云数据，结合Geomagic Studio 2014进行了模型的修补。处理流程如图3所示：

图3 点云数据处理流程

没有经过配准的数据非常杂乱，对点云进行着色，能使不同测站的点云具有不同的颜色，便于区分每站数据和检查配准精度。

点云配准首先以特征点提取和匹配[9]的方式完成粗配准，再通过将所有数据同时进行拼接，使得所有拼接误差在测站间均匀分布的全局配准方式实现点云的精配准。配准前后报告如图4、图5所示：

图4 点云配准前报告

图5 点云配准后报告

拼接前各站数据的均方根值(RMS)的均值为 0.243 m，拼接后各站数据的RMS均值为 0.005 m，拼接精度较好。从点云配准的直方图看，经过配准处理后，绝大部分点云都已经配准。

点云数据去噪和按1 cm过滤后，点云数据如图6所示，通过点云数据建立三角网，再通过三角网建立三角面片形成模型。模型完成后再对模型进行修补。生成模型如图7所示：

图6 雪松点云

图7 雪松模型

4 数据分析

4.1 树高特征提取分析

通过式(1)求得测量数据相对误差，其中β表示相对误差，mq表示实测量，mm表示基于模型提取量。通过式(2)求得所测数据的中误差，mh表示中误差，△h表示实测数据与基于点云提取数据的差值，n表示树高数据的组数。通过式(3)求得数据的均方根误差，RMSE表示均方根误差。通过相对误差来反映提取单棵树木树高的精度，通过中误差来反映整体的精度情况，由RMSE可以很好地反映出测量值偏离真实值的情况，能够很好地反映出测量的精度，树高提取如图8所示。

图8树高提取

(1)

(2)

(3)

两种方式获得的误差如表1所示：

树高误差分析表表1

将数据的实测树高为Y轴，模型提取树高为X轴绘制散点图，通过散点图求出数据的拟合曲线如图9所示：

图9 树高散点图

最小误差为0.008 m，最大误差为0.027 m，相较于实测值，其相对误差分别为0.088%和0.323%。较于传统林业测量所能达到的平均误差0.5%～0.8%，基于点云数据提取的树高特征显然精度更高。由图9可以看出所有的点都均匀地分布于直线的两侧，而这条直线的方程就是这些散乱分布点的回归方程，R2为回归方程的决定系数。决定系数的值越接近于1，则点的相关性越好。图9散点图得出拟合曲线的决定系数为 0.999 9，这说明了基于模型提取的树木胸径和实际测量的胸径有很好的线性相关关系。通过计算求出了实际测量值和模型提取值的RMSE为 0.019 8 m，说明了测量值较少的偏离真实值。综上所述，基于模型提取的树高与实测数据相比具有较高的精度。

4.2 树木胸径特征提取分析

两种方法提取的树木胸径表2

将数据的实测量为Y轴，模型提取量为X轴绘制散点图，通过散点图求出数据的拟合曲线如图10所示：

图10 胸径散点图

从表2可以看出，最大误差为剖面9的 2.56 cm，最小误差为剖面8的 -0.25 cm。由图10可以看出所有的点都均匀地分布于回归方程的两侧，R2为0.992，两组数据的线性相关性较好。求得其RMSE为 1.435 cm，说明了测量值和实际值的偏差较小。综上所述，基于模型提取的树木胸径特征具有较高的精度。

4.3 树冠体积特征提取分析

由于树冠是个极其不规则的形体，所以要直接量取树冠的体积是很难实现的，只能通过一些算法取得它的最佳估值。通常将树木看作不规则锥体将其沿水平方向切割为多个台体，再求出各台体的体积，其和为树冠体积[10]，此种方法能够满足林业运用的需要。笔者尝试将树冠看作不规则锥体，按竖直方向将它分割为多个台体，求出各台体的体积之和为树冠体积，将其与水平切割所得体积做比较。两种方法求得体积如表3所示：

树冠体积分析表表3

由以上数据绘制散点图如图11所示：

图11 树冠体积散点图

从表3可以看出最大误差为 -0.164 m3，最小误差为 -0.021 m3。从图11可以看出各点均匀分布于回归方程的两侧，R2为1，这说明了竖向切割的树冠体积和横向切割的树冠体积有很好的线性相关关系。其RMSE为 0.056 m3，两组数据的偏离程度较小。综上所述，基于模型提取的树冠体积特征具有较高的精度。

4.4 树木材积提取分析

从树干底部每隔0.2 m量测树干半径通过圆台体积公式分别求出6棵雪松枝叶以下的树干材积与基于模型提取的树干材积做比较，数据如表4所示：

树木材积分析表表4

以X轴为模型提取量，以Y轴为实测量，获得树木材积散点图如图12所示：

图12 树木材积散点图

从表4可以看出，误差最大为-5.998 dm3，最小误差为 1.898 dm3。由图12可以看出，各点较均匀地分布于回归方程两侧，R2为0.984，树木材积的RMSE为 4.097 171 dm3。说明两组数据的线性相关性较好，但数据的偏差稍大，主要原因是计算单棵树木材积较小，导致偏差稍大。但相比其他测量手段精度还是较好。综上所述，基于模型提取的树木材积特征具有较高的精度。