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（coefficient of determination, R2）=0.92, 均方根误差（root mean square error, RMSE）=0.64cm, 相对均方根误差（relative root mean square error, 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：R2=0.91, RMSE=3.32°, rRMSE=7.81%。本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。     

近30年海南岛橡胶林时空变化分析

【目的】 海南岛为中国第二大植胶区和仅有的两大热区之一,揭示其橡胶林的时空变化规律,对促进我国天然橡胶产业可持续发展有重要意义。【方法】 在Google Earth Engine(GEE)云计算平台上结合Landsat和Sentinel-2系列时间序列影像和橡胶林物候等信息,以5 a为步长提取了海南岛1990—2020年间7期橡胶林分布图,分析了海南岛橡胶林的时空变化规律。【结果】 ①近30年橡胶林面积增长趋势明显,从1990年的34.44万hm²增长至2020年的58.58万hm²,净增70.11%,且整体上呈现 “北增南减”的空间变化趋势;②在市/县尺度,橡胶林面积最大的主要市/县依次是儋州市、白沙县、澄迈县和琼中县,2020年占全岛橡胶林总面积的51.58%,而三亚市、东方市、文昌市及陵水县的橡胶林面积相对较小,2020年橡胶林总面积占比为5.22%;③近30年来,海南岛91.24%的橡胶林都种植在海拔300 m以下地区,97.75%种植地在25°坡度以下,海拔600 m以上几乎没有橡胶林分布,在海拔50~200 m和坡度0~5°的区域橡胶林增长幅度最大;④海南四大国家级自然保护区的实验区或缓冲区内均有少量橡胶林分布,但面积在逐渐下降。其中,霸王岭保护区内橡胶林面积最大,五指山保护区内面积最小,近30年四大保护区内橡胶林面积累计减少了68.02%,保护效果显著。虽然研究期海南岛的橡胶林面积增长非常显著,但集中在低海拔和相对平缓的区域,没有对位于中高海拔地区的热带雨林造成影响;四大国家级自然保护区内虽均有少量橡胶林分布,但递减趋势明显。【结论】 总体而言,海南橡胶林的发展模式良好,没有以牺牲大量热带森林为代价,尚未对当地的生态环境造成严重影响。     

基于曲线波的超声图像分割

为了提高前列腺超声图像分割的准确率,提出一种基于曲线波的半监督超声图像自动分割方法.首先,采用对微小波动敏感度高的Riemann-Liouville (RL)分数阶微分算子,突出模糊边界并增强超声图像的纹理;其次,运用曲线波变换对超声图像进行频域中的分解,获得不同子带分量以表达超声图像特征;然后,基于Adaboost的分类算法识别出超声图像中的病灶区和非病灶区;最后,采用中值滤波和腐蚀的方法使病灶区域边缘完整、平滑.实验表明,与运用共生矩阵及二进小波作纹理分析的分割结果比较,所提出的方法在准确率上有了很大的改进,分割超声图像效果更佳.     

基于近景摄影测量技术的关键林分参数的获取研究

为了研究利用摄影测量技术来获取和反演关键林分参数的准确性,从而为推算其他林分因子提供相关思路,以实现快捷高效的森林资源调查。选取了一片亚热带人工混交林作为实验样地,并利用样地中6个优势树种的实测数据分别构建了多个胸径-树高、冠幅回归模型,并得到了对应的最优模型;在此基础上,利用从点云数据中获取的树高和冠幅,反演出单株树木的胸径;最后通过分析实测胸径与基于点云计算得到的胸径之间的相关性来判断算法的准确度。结果表明:(1)6个树种的实测树高与基于点云获取的树高相关性较高,R~2均在0.7以上;(2)多数树种的实测冠幅与获取的冠幅相关性偏低,其中仅喜树的冠幅R~2高达0.88,其余树种的冠幅R~2最高只有0.61;(3)最优回归模型拟合胸径与实测胸径的回归分析中,发现高大落叶乔木比如马褂木、喜树的R~2均在0.7以上,而落叶小乔木比如樱花树以及柏类树木比如圆柏、龙柏等R~2最高仅0.25,雪松的R~2则为0.54。     

基于运动边界和能量函数最优的图像匹配算法

基于能量函数最优来获取密集视差图(Disparity Map)是图像匹配的新方法.视差图反映了图像中各个景物的深度信息量,因此视差图的边缘并非是对应图像的边缘.而现有方法中能量函数的正则项都依照图像梯度场对初始视差图内部进行平滑并保持边缘的不连续性,这导致了最终获取的密集视差图的平滑区域具有较多的图像边界残留痕迹.光流反映了目标物体的运动状态且包含的运动边界与物体边界相吻合,但光流计算中的正则项导致其在边界上是模糊不准确的,因此采用了多分辨率框架下由粗到精的策略计算大基线时左右图像中的光流场,并联合图像边界和光流来确定准确的运动边界.最后利用所得运动边界构造新的能量函数对视差图进行后处理,实验结果表明无论从视觉效果还是视差图客观评价指标来看,方法都可提取更精准的视差图.     

基于曲波和Markov模型的新型立体匹配算法

曲波变换是继小波变换后的一种新型的多尺度分析方法,它能够更好的描述图像中曲线状和超平面的奇异性问题,把曲波变换系数作为图像匹配中的基元,并结合图像分割原理和马尔可夫随机场(MRF)模型,提出了一种新的图像匹配算法,它克服了基于图像灰度的匹配方法在平滑区域或细节匮乏处无法得到正确视差的弊端,并使得视差图在物体内部平滑并保持边缘处的不连续性.实验结果表明,提出的算法无论从视觉评价上还是视差图客观指标来看,都取可得了更优的结果.     

基于鱼目摄像和地面激光雷达的真实叶面积指数计算

为了准确获得冠层的真实叶面积指数(LAIa),本文提出了一种基于鱼目摄像和地面激光雷达获取半球图像的计算方法.对鱼目摄像机拍摄的图片借助地理学上纬度线的概念来表征不同高度叶子的天顶角,通过统计学方法获取叶倾角,分析半球图像获取孔隙率.根据Beer-Lambert定律即可计算有效叶面积指数(LAIe);真实叶面积指数的获取则通过冠层的丛生系数来解决.激光扫描仪获取的冠层点云数据则经一定比例缩放在一个球的上表面,再通过球极平面投影和Lambert方位角等面积投影将上球面图像投射到平面上,以获取类似半球图像.     

基于流体运动仿真的不同林冠形状抗风强度分析

【目的】研究强风力扰动下不同林冠形状的森林内部风场分布情况,为防风林营造与种植过程中树种的选择提供理论依据。【方法】 首先建立3种不同冠形林分模型(其中冠部为多孔介质模型),并根据冠形对应树种的消光系数确定多孔介质的孔隙率与叶面积指数(leaf area index, LAI)的关系; 然后以k-ε湍流模型为基础,在动量方程中添加源项,建立三维树冠流计算模型,计算3种冠形在强风力下林分内部各处风速、风压与湍流动能强度。【结果】 圆锥形林冠林内风速最小值(0.047 m/s)与圆台形林冠林内风速最小值(0.076 m/s)相差0.029 m/s。椭球形林冠林内风速最小值为0.940 m/s,且波动大于其他冠形。圆锥形林冠林内压差与湍流动能强度均最小,分别为30.22 Pa和0.17%。椭球形林冠林内压差最大,压差均值为62.14 Pa。圆台形林冠林内湍流强度最大,最大值为25.19%。【结论】 结合湍流动能强度对树木抗风安全性的影响,以及风速的降低和压差减少作用,在构建防风林体系时,应选择与圆锥形林冠特点相似树冠的树种,使得防风林的抗风效果更强。     

基于力场的点云树木骨架提取方法

树木骨架是树木仿真及建模的基础,笔者根据树木的拓扑原理,直接利用地面激光雷达扫描获得的单木点云数据,提出了一种基于物理学中力场概念的点云数据树木骨架提取方法:首先对点云树木模型运用空间层次剖分的方法进行分层,根据点云的邻域关系建立基于树木特征点的简化表示,然后根据计算点的测地距离对树木特征点进行连接,再运用力场将位于树木表面的骨架连线压缩至树木内部,最后根据骨架夹角阈值对骨架进行顺滑得到最终的树木骨架。研究显示,将该方法分别应用在含笑树和樱花树的骨架提取中效果较好,相比同类算法效率较高。     

一种新的地面激光点云中树木叶面积计算方法

【目的】地面激光扫描仪(terrestrial laser scanning, TLS)通过获取植物的稠密激光点云，以精细刻画森林的结构参数，如树木骨架和叶面积等。真实叶面积是林学和植物学中表型研究的一个重要参数，而目前在植物科学领域，还没有很好的表型特征测量手段。因此，本研究提出了一种新颖的地面激光点云的叶面积估算方法来评估树木的表型特征指标。【方法】首先，设计了一种基于小平面区域定位与生长的植物点云的单叶分割算法，实现精准的单叶点云分割提取；其次，以每片叶片法向量与扫描仪入射激光线的夹角、扫描仪与叶片的距离和单叶的点云数量3个参量为输入特征，并结合训练样本与L1+L2正则化多元回归方法获取拟合系数，以反演树冠内所有叶片的面积。最后，将校园内实验树(紫薇、樱花、银杏和香樟)作为研究对象，并将计算结果与实测值进行比对。【结果】本研究方法相较最小二乘拟合算法，取得了更优的叶面积反演结果。对于两棵小树而言，本研究方法与实测值比对取得了较好的结果：紫薇(R²=0.95,RMSE为0.42 cm²)、樱花(R²=0.92,RMS...