基于高噪声深度图像的树木模型重建

对现实世界中的植物模型进行真实准确的重建一直是计算机图形学的一个重要目标。基于激光扫描仪提供的深度图像的树木重建近年得到越来越多的关注。当扫描距离过远或者扫描精度较低的情况下深度图像带有较大的噪声,这给重建带来了很大的困难。本文提出了一种针对高噪声深度图像的树木自动重建技术,本算法以主曲率分析为基础,首先通过二次曲面拟合计算各个点对应的主曲率方向,之后利用各个点云与周围点云的主曲率相似度将噪声点云去除,利用点云分割技术将属于不同树枝的点云初步分离,最后从分割数据中提取树枝的骨架点以及半径,完成重建。利用本方法 ,我们对一个具有高噪声的深度图像进行了处理,从中提取出了树木的三维模型。本算法能够利用之前算法无法处理的高噪声的深度图像重建树木模型,降低了树木重建算法对输入数据精度的要求,同时减少了手工交互。

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(light detection and ranging,LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本文研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致(random sample consensus,RANSAC)方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确率为91.31%,高于传统的机器学习分类方法7%左右。算法得到的橡胶树一级枝干直径与实测值比对为:决定系数R^(2)=0.92,均方根误差RMSE=0.64 cm,相对均方根误差rRMSE=6.39%;相应的一级枝干与主枝干的分枝角与实测值比对为:R^(2)=0.91,RMSE=3.32°,rRMSE=7.81%。本文研究设计了深度学习网络与计算机图形学的算法快速精准从地基点云中重建树木的骨架模型,精度吻合实际测量值,具有一定推广价值。

面向虚拟地理环境构建的树木模型高保真三维重建

树木是城市地物的重要组成部分,树木三维模型是实景三维建设、虚拟地理环境构建以及数字孪生城市建设不可或缺的内容。目前树木实景三维模型主要基于影像或者模型库的方式进行重建,前者表现为杂乱的三角网团簇,后者在几何表达和真实感方面与真实情况差距较大,这使得重建后的树木模型难以直接用于智慧城市的实际应用。因此,本文面向虚拟地理环境高逼真场景构建需求,提出一种基于高精度激光扫描点云数据的树木三维模型高保真仿生重建方法,以期实现形态特征保持的树木三维模型自动化重建。首先,提出基于骨架的树木模型参数化重构方法,通过广义圆柱体拟合实现树枝几何形状的抽取,并根据树木生长参数对树干、主要枝条、细小枝条模型以及树冠等要素进行分级提取;其次,考虑树木不同部位精细化建模要求,提出泊松构网与参数拟合融合的树木几何模型精细化重建方法,进而基于边界约束条件实现树干与树枝模型的精准拼接与融合;最后,采用顾及树木结构的纹理展开方法,对多层级树木枝干进行纹理自动映射贴图,实现高保真的树木模型三维重建。经实际验证表明:基于背包式或站点式获取的激光点云,本方法可生成形态特征高保真的精细化三维树木模型,模型整体几何误差优于10 cm,树干模型误差优于3 cm;在相同数据条件下,与其他几种主流树木建模方法对比,本方法对树木三维形态和真实纹理的还原度程度最高。基于该研究成果,可进一步实现树木结构信息提取、三维绿量计算。

基于计算机模拟模型的林木冠层太阳短波辐射定量分析方法

【目的】定量模拟和刻画林木冠层太阳短波辐射的分布和截获情况,于时空变换下反演太阳短波辐射在不同林木冠层内的辐射通量变化,为林木培育经营和提质增效提供理论依据。【方法】首先,以公共数据集和真实扫描的校园内林木激光点云数据为例,结合设计的机器视觉算法,对林木激光点云进行枝叶分离和单叶分割,并用合适大小的椭圆形和圆柱体几何单元分别拟合每片叶片和骨架,开展林木真实模型重建;其次,运用计算机图形学方法,结合研究地点的经纬度和时刻,模拟太阳入射光线,并引入物理学的双向反射和透射分布函数及蒙特卡洛光线追踪算法,开展反射和透射光线与冠层内叶片的碰撞模拟;最后,根据仪器测量得到的不同树种叶片平均粗糙度和折射率,结合光线追踪算法,实现林木冠层内短波辐射分布计算和木林冠层光截获效率评估。【结果】利用本研究方法计算时空变换下不同树种(芒果、橡胶、紫薇、樱花)4株树冠及一片香樟树林的直射、反射和透射太阳辐射通量,其中直射辐射通量占比约86%、反射辐射通量占比约5%、透射辐射通量占比约9%。叶面积指数高的树冠会拦截更多直射和透射光线;在太阳高度角较小时刻(上午或下午),斜射的太阳光线反射后易与树冠中其他叶片发生二次求交,产生较多反射辐射通量。同时,由于林木的趋光性,中午树冠光线拦截率高于上午和下午10%左右。比对采用本研究方法计算的树冠辐射通量拦截比值和样地手持光电仪器实测结果,绝对误差小于6%。【结论】在测绘科学、计算机图形学及林学多学科视角融合下,本研究基于激光点云重建树木真实表观形态结构,并将蒙特卡洛光线追踪算法与物理学的双向反射和透射分布函数相融合,真实模拟光线在树冠中的传播过程,可准确获取林木冠层内太阳短波辐射分布与树冠辐射通量拦截值,对研究时空变换下林木太阳辐射吸收、光强与树冠形态结构的耦合关联及不同表型参数的林冠辐射传输模型均有重要启示意义。

基于激光点云的橡胶树参数反演与数字孪生构建

基于激光雷达(Light Detection And Ranging,LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数对林木性状评价、森林动态经营管理与可视化研究具有重要意义。为此提出一种基于骨架细化提取的树木模型重建方法。首先,采用FocusS350/350 PLUS三维激光扫描仪获取3块不同树龄橡胶树的样地数据。然后,作为细化建模的重点,将枝干点云从原始树点中分离出来,再将其过度分割为若干点云簇,通过相邻点云簇判断是否有分枝以及动态确定骨架点间距,并将其运用在空间殖民算法以此来生成树的三维骨架点和骨架点连通性链表,根据连通链表结构自动识别树木中的主枝干和各个一级分枝,再通过广义圆柱体生成树干完成树木三维重建。最后,利用数字孪生技术对这3块不同树龄样地树木进行三维实景建模,使其穿越时空在同一空间中重现,以便更为直观地观察树木在生长过程中的形态变化。该算法得到的橡胶树胸径与实测值比对为,决定系数(R^(2))>0.91,均方根误差(root mean square Error,RMSE)<1.00 cm;主枝干与一级枝干的分枝角为,R^(2)>0.91,RMSE<2.93;一级枝干直径为,R^(2)>0.90,RMSE<1.41 cm;将3个树龄放在一起计算其生长参数,并与实测值进行对比,发现该算法同样适用于异龄林样地的各个生长参数计算。同时发现橡胶树的一级枝条的直径越大,其相对应的叶团簇体积就越大。运用人工智能的理论模型来处理林木的激光点云数据,旨在为森林的可视化以及树木骨架结构的智能化分析与处理等研究领域提供有价值的参考。

基于深度学习与激光点云的橡胶林枝干重建及参数反演

树木的几何建模在林木性状评价、森林动态经营管理与可视化研究中具有重要意义。现今,从激光雷达(Light Detection And Ranging,LiDAR)数据中重建树体三维模型并精准获取林木空间枝干结构参数是数字林业发展的必然趋势。该研究提出了一种深度学习与计算机图形学相融合的树木骨架重建与参数反演方法。该方法以PR107、CATAS 7-20-59、CATAS 8-79三个品种的橡胶树为实验对象,首先,采用背包移动激光雷达获取三个橡胶树品种的样地数据,并通过体素剖分和数据增广策略来构建橡胶树训练样本集。其次,构造由四层特征编码层和特征解码层所组成的点云分类深度学习网络,并包含优化的PointConv模块与不同尺度的特征插值模块,以实现在多尺度条件下,全面考虑点云的全局和局部优化特征,引导网络实现枝叶点云的精确分类。最后,面向分类后的枝干点云,运用计算机图形学的空间连通性算法与圆柱拟合策略,重建树木骨架模型,并自动解决叶子点云与对应的一级枝干归属问题,进而在叶团簇尺度下开展对单株树的精细描述与参数反演。通过对三块橡胶树测试样地的验证和与实测值的比对表明,该研究提出的深度学习网络枝叶分类总体准确率在90.32%以上。骨架重建与叶团簇分析结果显示,PR107品种橡胶树具有较为发散的树冠、最大的分枝夹角和叶团簇体积;CATAS 7-20-59品种橡胶树冠呈花瓶型,分枝夹角和叶团簇体积较小;而CATAS 8-79品种橡胶树尽管胸径最粗,但不耐寒害处于落叶期导致冠积最小。同时,反演得到的橡胶树一级枝干直径与实测值比对为:决定系数R^(2)不低于0.94,均方根误差(Root Mean Square Error,RMSE)小于3.01 cm;主枝干与一级枝干的分枝角为:决定系数R^(2)不低于0.91,均方根误差RMSE不高于4.94°。同时发现橡胶树一级枝干的直径与对应的叶团簇体积呈正相关分布。该研究将人工智能的理论模型应用于林木的激光点云数据处理中,为林木激光点云的智能化分析与处理提供了新颖的解决思路。

基于实际和模型树木的TreeQSM建模估计树木参数性能分析

树木的量化模型对分析树木拓扑结构和生物量等信息非常重要。树木定量结构模型(TreeQSM)作为主流建模方法,被广泛使用,但在估计树高、胸径和体积的精度上缺少全面分析。实验中用地面激光雷达多扫描角分辨率多站点扫描2棵模型树和5棵真实杏树,通过TreeQSM建模单站和多站融合数据估计得到较精确的树高、胸径和体积参数,同时分析不同角度分辨率、不同站点数量对估计树高、胸径和体积的影响。实验结果表明:树高和胸径的平均估计精度均在90%以上;对树木体积而言,结构较为简单的模型树平均估计精度为92.00%,结构较为复杂的真实杏树平均估计精度71.32%。由实验数据可知,扫描角分辨率和融合站数对精度有一定的影响,且不同参数最优估计结果的配置存在差别,同时TreeQSM也会受到点云数据基础、数据完整性和噪声等多因素影响,特别是针对复杂分枝结构和体积进行建模时仍存在一定的偏差,所提模型的改进空间巨大。

Alpha-Shapes分段改进算法在三维模拟树枝体积扫描测量中的应用

针对树木与树枝分叉部分体积计算困难,三维扫描建模易产生黏连现象等问题,提出一种Alpha-Shapes分段改进算法。通过三维激光扫描技术获取三维模拟树枝的点云数据,利用Alpha-Shapes算法计算出三维模拟树枝的点云边缘轮廓并进行三维重建,利用分段算法对三维重建数据进行体积分割计算,通过点云最高层补偿以此保证分段算法的准确度。最后用Alpha-Shapes算法计算各个分段体积并进行累加。实验使用标准塑料直管段、三通管段和四通管段对树干以及树枝的分叉情况进行模拟并通过扫描真实树枝进行验证,通过三维激光扫描技术获取点云数据,实验充分考虑树枝分叉情况、检测精度、黏连问题,结合不同模拟树枝分叉特点,对比选择最合适的半径α值与分段高度β值。实验表明该改进算法的体积计算误差值在4%-5%之间,较改进前降低5%。