论文部分内容阅读
三维激光雷达扫描技术,是近年来出现的一种数据扫描技术,可以获取被测物体的三维点云数据信息,具有速度快、精度高的特点。随着该技术的不断发展,现已被广泛应用在林业、遥感、考古等多种研究领域中。植物点云数据可以用来开展分析和监测植物结构特征、计算叶面积指数,估算森林生物量和树木三维重建等工作。而对植物茎叶点云数据分类,通常为上述相关研究工作的基础。为了讨论植物点云中茎和叶的分类,论文分别基于小尺度的盆栽植物点云数据和大尺度的树木点云数据进行分析和实验。本文结合三维凸包算法,投影网格密度方法,平面拟合方法和支持向量机算法,提出了针对植物点云数据的自动分类算法,实现了对植物点云数据的茎叶分类,同时,考虑到不同类型的植物特点,本文分别使用了盆栽植物和大型树木的点云数据进行了实验,对所提算法的精度、速度和可行性进行了验证。对于盆栽点云数据,论文结合三维凸包算法、投影网格密度方法和支持向量机（SVM）算法,对不同形态的盆栽植物进行了分类实验。实验中,提出结合三维凸包算法和投影密度的方法,实现小型盆栽植物点云数据的叶子样本训练点和茎干样本训练点的自动选择。实验中采用三株不同种类的小型盆栽植物数据,通过分析盆栽植物点云数据的空间分布特征,使用三维凸包算法得到盆栽植物的三维凸包,然后选择植物的三维凸包的角点作为叶子样本点;此外,结合盆栽植物点云数据的密度特征,通过对比不同植物器官的点云数据的投影密度差异,选出茎干样本点;然后构造半径为=58)8)的球形邻域,将球形邻域内的点作为样本训练集,带入训练器进行训练和分类,最终使用SVM算法完成分类。通过与传统手动方法的结果进行对比,本方法在实现自动化的基础上,维持了较高的精度,平均kappa系数为0.7997。对于树木点云数据,论文提出使用平面拟合的思想,通过构造k近邻进行平面拟合,通过对比邻域点到拟合平面的距离的标准差,实现树叶样本点和树干样本点的自动筛选。同时,本文计算了两个新的局部邻域特征,即k近邻邻域的所有内点的曲率变化率,和该邻域的所有内点之间的平均距离。同时结合所得点云数据的三维坐标信息,使用,,,局部曲率变化率,邻域内点平均距离五个特征作为SVM分类器的分类依据,对分类器进行了训练和分类实验。实验分析处理了10棵不同种类的树木的点云数据,结果显示本方法的平均分类正确率达到了0.9304,平均kappa系数为0.7901,较好的完成了树叶和树干点云数据的分类要求,具有一定的应用价值。