基于三维激光扫描的树木点云三维建模

利用三维激光扫描得到的树木枝干点云数据为数据源,利用拉普拉斯算法对三维点云数据进行噪声去除工作,对去噪后的数据采用Delaunay三角网生长算法,构建点云数据的三角网格模型。

基于激光点云数据的单木骨架三维重构

针对树木三维重构过程中面临的处理速度慢、重构精度低等问题,提出一种采用激光点云数据的单木骨架三维重构方法。首先,根据点云数据类型确定组合滤波方式,以去除离群点和地面点;其次,采用一种基于内部形态描述子(ISS)和相干点漂移算法(CPD)的混合配准算法(Intrinsic Shape-Coherent Point Drift,IS-CPD),以获取单棵树木的完整点云数据;最后,采用Laplace收缩点集和拓扑细化相结合的方法提取骨架,并通过柱体构建枝干模型,实现骨架三维重构。试验结果表明,相比传统CPD算法,研究设计的配准方案精度和执行速度分别提高50%和95.8%,最终重构误差不超过2.48%。研究结果证明可有效地重构单棵树木的三维骨架,效果接近树木原型,为构建林木数字孪生环境和林业资源管理提供参考。

树干与地面点云分类K-means方法的改进

随着激光雷达的发展,树木点云数据的获取更加简便、准确。为了实现树木点云的树干与地面分类,对K-means方法进行改进,通过计算高度和强度直方图确定k值和初始聚类中心点,用高度距离做聚类分析,实现单株树木原始三维点云数据聚类。结果表明:采用MATLAB对香椿树的31 394个点云数据和油松树的14 260个点云数据,分别进行了直方图处理和不同距离的目标函数做聚类分析的试验,得到树木点云数据的分类结果,并与DBSCAN算法和传统K-means算法结果对比分析,说明改进K-means方法,能够使得树干与地面更好的分离,提高了效率;采用改进的K-means方法对12颗树木点云进行应用分析,验证了方法的普适性,最终分类结果达到了树干与地面分离的标准。