[发明专利]一种单木建模方法、装置和存储介质

说明书

本发明公开了一种单木建模方法、装置和存储介质。所述方法包括：对目标林区的森林点云数据进行单木剪裁，并抽取部分单木点云数据作为样本数据集；利用预先设计的基于2.5D曼哈顿距离模型训练所述样本数据集，得到目标林区模型；分别将全部所述单木点云数据输入所述目标林区模型，得到目标林区的分割阈值；根据所述分割阈值，逐一提取目标树数据集。利用本发明所构建的单木模型，能够使得将所有真实的单木样本点云输入该单木模型即可得到该类树种的参考形态，并从该形态中提取算法所需的参数阈值，达到去经验阈值化。

技术领域

本发明涉及数据处理领域，尤其涉及一种单木建模方法、装置和存储介质。

背景技术

过去十多年的时间里，前人已提出了许多通过激光类大数据测量单株数目的方法，这些数据直接表明了从激光雷达数据中实现单木分割的可能性，也同时突出了实现单木分割的挑战性。早期的单木分割算法有一个共性就是都用到了冠层高度模型(canopyheight model,CHM)，例如Popescu提出的局部最大焦点滤波算法以及Mei,Koch等应用的分水岭切割算法。但是CHM的生成需要：1、先分离出地面点和植被点；2、进而通过插值生成数字高程模型(digital elevation model,DEM)和数字表面模型(digital surface model,DSM)；3、DSM与DEM差值生成CHM。而在上述过程中往往会因为各种因素引入很多误差，如点的密度较小等问题，会导致算法的精确性极大地依赖于CHM的精细程度。针对早期算法的问题，后期出现一些更先进的解决方案，例如Persson提出的平滑CHM的方法，以及后来出现的直接从原始点云上进行分割的算法：1)Li等人通过设置树与树之间的间距阈值来分割每棵树，此算法在树密度较大的森林中存在一定的缺陷且最优阈值会随地域变化而改变；2)Wei等人通过Mean Shift这种非参数化的模型寻找迭代的算法来定位树冠，但Mean Shift算法需要一个核心参数—宽带，且在垂直方向上难以得到真实的森林分布。

通过前面的研究可以发现，基于CHM分割的方法的平均精度低于直接对点云进行分割的方法。而在对直接对点云进行单木分割的算法中，都不可避免地加入了人为的经验阈值，例如Li等人提出的算法中认为，15米以上的区域中，树与树之间的间距会大于1.5m。15米以下的区域中，树与树之间的间距会大于1m。固定的阈值会导致Li等人提出的算法在其他森林区域中进行单木分割时的精度不能维持在较高的水平。而在Ferraz等人提出的算法中，则尝试通过CHM提取少量可靠的单木作为训练样本进行统计，得到适合应用于当地的宽带阈值，但通过CHM获取的单木模型存在误差，会增加拟合的精细度和难度。

发明内容

本发明所要解决的技术问题在于，提供一种单木建模方法、装置和存储介质，使得将所有真实的单木样本点云输入该单木模型即可得到该类树种的参考形态，并从该形态中提取算法所需的参数阈值，达到去经验阈值化。

为了解决上述技术问题，本发明提出了一种单木建模方法，包括：对目标林区的森林点云数据进行单木剪裁，并抽取部分单木点云数据作为样本数据集；利用预先设计的基于2.5D曼哈顿距离模型训练所述样本数据集，得到目标林区模型；分别将全部所述单木点云数据输入所述目标林区模型，得到目标林区的分割阈值；根据所述分割阈值，逐一提取目标树数据集。

进一步地，所述对目标林区的森林点云数据进行单木剪裁，并抽取部分单木点云数据作为样本数据集，还包括：将所述森林点云数据划分为地面点和植被点云；对所述地面点进行插值，并生成数字高程模型；利用所述数字高程模型对所述植被点云进行归一化处理；其中，所述植被点云的归一化值为高程值；当所述植被点云所对应的点为树顶点时，则为树顶高程值。