[发明专利]一种基于谱聚类算法的LiDAR点云数据单木提取方法

摘要

本发明的目的在于提供一种基于谱聚类算法的LiDAR点云数据单木提取方法，具体方法为：对LiDAR点云数据的高度信息进行归一化，并使用mean shift聚类算法进行体素化；基于高斯相似度函数在体素空间中构造相似图；使用方法计算相似图的特征值和特征向量，并利用特征值间隔确定分割单木数k；取前k个最小特征值对应的特征向量为列构造特征向量矩阵，在特征空间中对特征向量矩阵的归一化行元素进行k‑means聚类，并将分割结果映射回LiDAR点云得到单木聚类，实现点云的单木分割。本发明提供的方法不仅可以在样地尺度进行有效的单木分割，还可以为区域尺度提供稳定的分割结果，具有很强的实用价值。

主权项

1.一种基于谱聚类算法的LiDAR点云数据单木提取方法，其特征在于：无需设定分割株数、不限制林分类型，并且可以为大区域点云数据提供高效稳定的结果，具体方法步骤为：步骤1、对机载LiDAR点云数据的高度信息进行归一化，并建立CHM；步骤2、对步骤1中的归一化点云使用mean shift算法进行体素化；步骤3、对步骤2中的体素点云使用高斯相似度函数构建相似图，并得到相似度矩阵；步骤4、基于步骤3中的体素空间相似图，在体素空间中进行采样；步骤5、基于步骤4中的采样结果，使用方法计算步骤3中的相似度矩阵的特征值和特征向量；步骤6、基于步骤1中建立的CHM，在固定窗口中搜索局部最大值点，取点数的适当倍数为分割单木数上界；步骤7、将步骤5中的特征值升序排序，在步骤6中确定的聚类数上界内寻找特征值间隔最大处，取其序号作为最终单木分割数k；步骤8、将步骤5中前k个最小特征值对应的特征向量为列，构建特征向量矩阵；步骤9、对步骤8中的特征向量矩阵的行元素进行归一化，然后使用k‑means算法分割为k类；步骤10、将步骤9得到的分割结果根据索引关系映射回原始点云空间，得到单木聚类结果；步骤11、对步骤10得到的单木点云，根据三维空间信息提取树高和冠幅参数。