基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法

王長青　邢萬里　邢艷秋　李夢穎　李貝貝

摘 要：針對現有的地基激光雷達（Terrestrial Laser Scanning， TLS）點云數據單木識別算法存在抗噪性差的問題，本文提出一種基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法。首先選擇內蒙古根河林場的興安落葉松天然次生林為研究對象，利用徠卡C10三維激光掃描儀獲取單測站點云數據；然后通過計算雙尺度體元覆蓋密度濾除非樹干點；最后通過分析體元水平坐標（x，y）位置處的體元z值序列確定濾波后點云數據中的單木位置。研究結果表明：該算法二次濾波結果的平均噪聲比為1.66%；濾波后保留的單木數量是實際單木數量的88.94%；濾波后點云數據的單木識別率98.3%，漏檢率1.69%，過檢率0.56%，實際點云數據的單木識別精度為87.43%。與已有的單測站點云數據單木識別的研究相比，本文提出的單木識別算法簡單、抗噪性強且單木識別精度更高，這對于實現復雜密集林分樣地單測站點云數據單木的準確識別具有重要意義。

關鍵詞：地基激光雷達TLS， 雙尺度， 體元覆蓋密度， 濾波， 單木識別

中圖分類號：S771.8 文獻標識碼：A 文章編號：1006-8023（2018）05-0063-09

Abstract： In order to solve the problem of poor noise immunity in the existing individual tree detection algorithm， a individual tree detection algorithm based on voxel cover density of double scale was proposed in this paper. Firstly， the natural secondary forest of Larix gmelinii in Inner Mongolia Genhe Forest was selected as the research object， and the single-test site cloud data was obtained by using the Leica C10 3D laser scanner. Non-trunk points were filtered out by calculated voxel cover density of double scale， and then the individual tree positions were determined by analyzed the z-value sequence in the voxel horizontal coordinated （x，y）. The experiment results showed that the average noise ratio of the secondary filtering result was 1.66%； the number of trees after filtering accounted for 88.94% of the number of all the trees； the individual tree recognition rate was 98.3% in the filtered point cloud data， the missed rate was 1.69%， the more detected rate was 0.56%， and finally the individual tree identification accuracy was 87.43% in the raw data. Compared with the existing research of individual tree identification in single-scan point cloud data， the individual tree detection algorithm of TLS point cloud data based on voxel cover density of double scale proposed in this paper was strong to noise and the detection accuracy of individual tree was high which is very important to realize the accurate individual tree detection of single-scan point cloud data in complex and dense forest stand.

Keywords： Terrestrial Laser Scanning， double scale； voxel cover density； filter； individual tree detection

0 引言

森林是地球上重要的陸地生態系統，在改善全球氣候及生態環境等方面均起著重要的作用[1]，森林結構參數的準確估測對于實現林業資源精細化管理及全球碳儲量定量化估測具有重要的意義[2]。

激光雷達作為一種主動遙感技術，可以通過激光測距獲取物體表面的高精度三維點云數據，從而實現森林結構參數估測[3-4]。其中，從數據獲取方式而言，機載激光雷達（Airborne Laser Scanning， ALS）是從森林冠層上方掃描獲得數據，數據質量受森林冠層遮擋影響較大，因而無法獲取林冠表面下樹冠及樹干的細節信息，因此廣泛用于林分尺度森林結構參數估測，如林分平均樹高、葉面積指數及生物量[5-6]。而地基激光雷達（Terrestrial Laser Scanning， TLS）是從地面向上掃描獲得數據，相對而言數據受林冠的影響相對較小且能獲得詳細的林冠及樹干信息，因而，較適于進行森林單木分割[7-8]，從而獲得森林單木的詳細結構參數，并為其他遙感數據提供高精度的驗證數據[9-10]。

單木識別是TLS進行單木分割及進一步實現單木結構參數估測的前提，目前多種算法已成功用于TLS單木識別研究中。按分割對象的不同，先前所用單木分割算法主要可以分為兩類，即：基于二維圖像的搜索算法和基于三維點云的搜索算法[11]。其中，基于二維圖像搜索的單木識別算法是將高程歸一化后的切片點云數據轉換成灰度圖像，然后通過識別灰度圖像中的圓來檢測單木位置，所用主要算法有先聚類后圓擬合[7，12-13]以及Hough變換[14-16]，但聚類算法無法識別樹干和非樹干點，同時圓擬合算法容易將部分非樹干點擬合出圓，進而導致單木識別率較低；Hough變換法同樣會在非樹干點位置識別出多個圓，進而導致單木識別精度降低。因此，基于二維圖像搜索單木識別算法相對而言受點云噪聲點的影響較大，較難實現單木的精確識別。而基于三維點云數據搜索的單木識別方法同樣是通過識別樹干點的幾何特征進行單木識別，常用的算法為圓柱擬合算法，如：Pfeifer等[17]對每個點及距離最近的k個點擬合出一個切面，將平均擬合精度小于2 cm的點視為樹干點，然后對剩余的點進行圓柱擬合來識別單木位置。Liang等[18]利用協方差矩陣的特征值和特征向量定義局部坐標系來識別單木樹干點，然后通過對識別的樹干點進行圓柱擬合進而實現單木識別，對9個半徑10 m圓形樣地的單測站點云數據的單木識別率為73%，樣地平均林分密度為1 022株/hm2。近幾年越來越多的研究采用圓柱擬合的方法進行單木識別[18-20]，與基于二維圖像的搜索算法相比，圓柱擬合算法先識別樹干點后檢測單木位置，具有一定的抗噪性，但在樹干點識別過程需要對點云數據進行逐點分析，其中設置閾值的難度較大，導致樹干點的識別精度較低，而錯誤保留的非樹干點在圓柱擬合過程會降低單木識別精度，因此，改善單木識別算法的抗噪性對于提高單木識別的精度和效率均具有重要意義。

本研究以興安落葉松天然次生林為研究對象，在單測站掃描點云數據的基礎上提出了一種基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法，以期提高單木識別算法的抗噪性，進而提高單木識別精度，最終實現為其它大尺度遙感數據提供更加準確的地面驗證數據。

1 研究區及研究方法

1.1 研究區概況

本研究在內蒙古根河市（120°12'～122°55'E，50°20'～52°30'N）建立研究區，研究區位置如圖1所示，該地區位于大興安嶺北段西坡，呼倫貝爾市北部，是中國緯度最高的區域之一，年平均氣溫-5.3℃，極端低溫-58℃，年封凍期210 d以上，海拔高度多在700～1 300 m，平均海拔1 000 m，氣候屬寒溫帶濕潤型森林氣候，并具有大陸季風性氣候的某些特征，森林覆蓋率91.7%，主要樹種有興安落葉松（Larix gmelinii）、樟子松（Pinus sylvestris）、闊葉樹白樺（Betula platyphylla）和山楊（Populus davidiana）等，其中興安落葉松占林區面積的86.1%，樹種總量占大興安嶺所有樹種總量的72%。

1.2 數據獲取

本研究布設的方形樣地和測站位置如圖2所示，大樣地邊長45 m，小樣地邊長15 m，采用徠卡C10脈沖式三維激光掃描儀進行樣地掃描，儀器參數見表1，數據采集時間為2013年8月10號。本文以單測站點云數據為基礎數據，選擇第1～5、9站距原點水平距離小于15 m的單測站掃描數據進行處理。本研究使用多種儀器手動測量了實驗樣地的坐標、平均樹高、平均胸徑等參數，實測數據見表2。

1.3 單木識別算法

本文提出了基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法。該算法首先對點云數據進行體元化處理，將其分割成兩種尺度的體元；然后計算雙尺度體元覆蓋密度，并對點云數據進行濾波處理，濾除非樹干點；最后通過分析體元的z值序列確定單木位置。

1.3.1 點云數據體元化

將所有的點云數據轉換為體元，體元邊長為l1，記錄落入每個體元內的激光點并對其進行體元處理，體元邊長為l2，體元坐標的計算方法如公式（1）所示，

式中：（xmin， ymin， zmin）為所有點的x，y，z坐標最小值；l為體元邊長；floor為向下取整，此處需盡量避免一個體元內包含兩株單木，考慮到單木位置之間的最小間隔距離，所以本文l1設置為0.5 m，l2設置為l1/10=0.05 m。圖3（a）為一單木的點云數據被轉換為0.5 m的體元，圖3（b）則顯示了一個0.5 m體元被完整分割成1 000個0.05 m的體元集合。

1.3.2 基于雙尺度體元覆蓋密度的濾波處理

本文所提基于雙尺度體元覆蓋密度的單木識別算法在兩個體元尺度對點云數據分別進行兩次濾波。本文定義體元水平坐標（x，y）位置處沿z軸方向的體元數為該位置的體元覆蓋密度。

初次濾波：首先計算每一個0.5 m體元內部0.05 m體元水平位置（x，y）的體元覆蓋密度，并將最大體元覆蓋密度p1賦值給該0.5 m體元，保留p1≧h1的0.5 m體元。

二次濾波：計算剩余0.5 m體元的水平體元覆蓋密度p2，保留p2≧h2位置處的體元。樣地調查數據表明，胸徑大于5 cm的落葉松樹高普遍高于5 m，考慮到單測站掃描數據中由于遮擋造成的樹干點云缺失、樹干傾斜和初次濾波濾除部分樹冠點等因素，本文設置h2=8。針對剩余的0.5 m體元，則統計每個體元水平坐標（x，y）的z值序列，并對二次濾波結果進行以下兩個約束：

（1）單木的傾斜生長可能會導致一株單木處識別出2個位置，因此要求z值序列滿足zmin≦10和公式（2），

公式（2）中num為計算滿足條件的元素數量，如果某個坐標（x，y）位置的z值序列不滿足公式（2），則刪除該位置沿z軸方向的所有體元。

（2）如果z值序列某序列滿足：[a，b]=max（diff（z）），a>8且b<8，則該序列的體元全部被刪除，其中diff為計算一次差分序列，max為計算向量的最大值a和最大值對應位置b，即如果z值序列的一次差分序列最大值大于8，且z值序列中b的體元視為相鄰單木在初次濾波中剩余的樹冠體元，然后刪除該體元坐標（x，y）處的所有體元。

1.3.3 獲取單木位置

針對二次濾波剩余的體元z值序列進行分析，對于距離小于2的坐標，本文通過計算兩列體元中點云數據之間的距離來判斷相鄰兩列體元是代表1株樹還是2株樹，相鄰兩列體元內點云數據之間的距離計算準則為：①如果兩個z值序列沒有交叉元素的時候，以z值序列的第3個元素對應體元中的點云中心計算距離；②如果交叉元素個數≧3，且交叉元素最小值小于10，以第3個交叉元素對應體元中的點云中心計算距離；③對于交叉元素個數<3和交叉元素最小值大于10的情況，以第1個交叉元素對應體元中的點云中心計算距離。

本研究通過多次實驗發現設置單木間距閾值為d=0.35 m時能夠盡量減少漏檢和過檢單木數量，對于相鄰兩個坐標對應體元中點云數據間距小于d的情況，保留體元覆蓋密度最大或點數最多的位置，利用公式（3）計算剩余的體元中心坐標作為單木的位置，式中l=0.5 m。

1.4 精度檢驗

本文算法的精度檢驗方法為：在識別的單木位置處構造圓柱點云數據并與原始數據在Terrasolid軟件中共同顯示，然后通過進行目視判別的方法識別各測站的單木位置及數量，并與本文算法所識別的單木位置進行比較，進而得到本文算法的單木識別精度。樣地中單木的相互遮擋會導致單木點云數據不完整，但并不會造成樣地中的某株單木被完全遮擋，因此利用目視判別法能夠準確地檢驗本文算法的單木識別精度。

2 結果與分析

2.1 基于雙尺度體元覆蓋密度的濾波結果

首先對測站1的點云數據進行濾波處理，初次濾波結果如圖4所示，其中圖4（a）為原始點云數據，圖4（b）為初次濾波剩余的點云數據，圖4（b）中所有單木的樹干都被保留了下來，不存在錯誤濾除的樹干點云數據，但是上層樹冠位置也有少量的點云數據被錯誤保留了下來，這些被錯誤保留的樹冠點分布較為分散，很有可能使得較矮單木被錯誤識別，因此必須對初次濾波結果作進一步處理。

在初次濾波的基礎上進行二次濾波，二次濾波后剩余體元內的點云數據如圖5所示，圖5中除了黑色多邊形內部的樹冠點云數據被錯誤保留之外，其余的樹冠數據都被濾除，圖中所有單木都有部分點云數據被保留，但是個別單木二次濾波保留的樹干明顯少于一次濾波，例如圖5中黑色邊框內部的樹干點，該單木二次濾波保留的樹干約為一次濾波保留樹干的一半，這主要是因為樹干傾斜生長導致單木樹干貫穿多列體元，而二次濾波只能保留大于體元覆蓋密度閾值的體元，所以傾斜生長的單木部分樹干會被濾除。

剩余5站點云數據的濾波結果如圖6所示，圖6（a1～e1）為原始點云數據，圖6（a2～e2）為初次濾波后的點云數據，其中包含少量的樹冠點和地面點，圖6（a3～e3）為二次濾波后的點云數據，各測站點云數據二次濾波結果中，只有少數幾株單木樹干正上方位置存在被錯誤保留的離散樹冠點。

將濾波后點云數據中的離散樹冠點視為噪聲并進行統計，6站數據二次濾波后的噪聲點統計結果見表3，表中第2站點云數據濾波后的噪聲比最大，最大值為2.35%，第5站點云數據濾波后的噪聲比最小，最小值為0.8%，6站數據濾波結果的平均噪聲比為1.66%。

本文通過在Terrasolid軟件中進行目視判別和利用測量工具手動量測的方法統計各測站單木數量，表4為6個測站初次濾波和二次濾波保留的單木數量的統計結果。

表4中二次濾波保留的單木總數是初次濾波的88.94%，除了第一個樣地外，其它的樣地中二次濾波后的單木數量都小于初次濾波結果后的單木數量，原因有3個：①單測站點云數據中部分單木遮擋嚴重，大部分樹干缺失，不滿足體元覆蓋密度≧8的約束條件，如圖7（a）所示，圖中左側單木高5.26 m，樹干缺失2.11 m，剩余點云數據體元覆蓋密度<8。②雖然單木樹高較大且體元覆蓋密度≧8，但z值序列并不滿足二次濾波中zmin≦10和公式（2）的約束條件，如圖7（a）所示，圖中右側單木缺失了絕大部分樹干，尤其是下層樹干。③部分單木樹高5 m左右，一次濾波后的樹干高度雖然>3.5 m，但是由于單木傾斜生長，導致其對應體元坐標（x，y）位置處的體元覆蓋密度<8，如圖7（b）所示，圖中單木樹干長3.94 m，圖7（c）中單木樹干長5.23 m，二者在二次濾波過程都沒有被保留下來。表4中第4列為前兩個原因導致的單木漏檢，漏檢率為5.02%，第5列為第3個原因導致的單木漏檢，漏檢率為6.03%。

2.2 濾波后體元數據的單木識別結果

針對二次濾波后的體元數據，按照1.3.3中的判別條件獲取單木位置，統計結果見表5，單木識別結果如圖8所示，圖中三種單木位置用不同的符號表示并分別標注了序號。

表5中，第1列為二次濾波后各測站的單木數量，第2列為算法識別的單木數量，6站二次濾波數據中共有單木177株，識別單木175株，漏檢3株，過檢1株，準確識別單木174株，單木準確識別率98.3%，漏檢率0.56%，過檢率1.69%。第1、2、3、9站點云數據單木準確識別率為100%，第4站漏檢2株單木，第5站漏檢1株，過檢1株。

漏檢單木如圖9（a）～（c）所示，本文用圓表示識別的單木。造成單木漏檢的原因有兩個：①未識別的兩株單木與相鄰的單木為同株雙生，二者之間的距離小于閾值0.35 m，如圖9（a） （b）所示，圖中相鄰的兩株單木根部相連，這兩株漏檢單木的位置如圖8（d）所示，圖中序號1， 2的漏檢單木位于序號10， 22的準確識別單木的左側相鄰位置；②兩株單木位于同一列體元數據中，如圖9（c）所示，圖中兩株單木位于一列體元中，因此只能識別處一個單木位置，二者的位置如圖8（e）所示，圖中序號為1的漏檢單木和序號為26的準確識別單木坐標重合。

過檢單木如圖9（d）所示，圖中共2株單木但是識別出了3個位置，這3個位置對應圖8（e）中序號8， 9的準確識別單木和序號為1的漏檢單木，三者坐標沿y軸方向連續分布，錯誤識別的是中間的單木位置，像這種兩株傾斜生長的單木構成的特殊情況，本文提出的單木識別算法沒能準確區分。

3 結論與討論

本文所提出的基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法，以興安落葉松天然次生林為研究對象，以林地單測站點云數據作為基礎數據進行實驗。現有結論如下：

（1）本文算法具有良好的抗噪性，兩次濾波過程可以有效的濾除非樹干點，濾波結果的平均噪聲比為1.66%，方便了后續的單木位置提取，尤其對天然林復雜環境的點云數據處理具有重要意義。

（2）本研究所選實驗樣地為中等尺度，樣地林分平均密度較高，林地單測站點云數據單木識別率為87.43%，單木識別率較高，實現了密集林分樣地單測站點云數據單木的精確識別。

已有的研究中，單站掃描模式下單木檢測率介于40%～80%，其中Liang等[18]的研究中的單測站點云數據的單木識別較高，本研究中實驗數據半徑為15 m，林分平均密度為1 614株/hm2，5 m以上單木的識別率為87.43%，無論是林分密度還是樣地半徑都要大于Liang等的研究，且識別的最小單木胸徑更小（5 cm），但是單木識別精度卻高于Liang等的研究。綜上所述，本文所提出的基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法相較于目前主流的圓柱擬合算法，提高了密集林分樣地單測站點云數據的單木識別精度。

本文所提出的基于雙尺度體元覆蓋密度的TLS點云數據單木識別算法抗噪性強且單木識別精度高，但是本研究只分析了落葉松針葉林，在接下來的研究中會嘗試對闊葉林或針闊混交林進行處理并驗證本算法的單木識別精度。

【參 考 文 獻】

[1]BUIZER M， HUMPHREYS D， JONG W D. Climate change and deforestation： The evolution of an intersecting policy domain[J]. Environmental Science & Policy， 2014， 35（1）：1-11.

[2]NEWNHAM G J， ARMSTON J D， CALDERS K， et al. Terrestrial laser scanning for plot-scale forest measurement[J]. Current Forestry Reports， 2015， 1（4）： 239-251.

[3]ZOLKOS S G， GOETZ S J， DUBAYAH R. A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing[J]. Remote Sensing of Environment， 2013， 128（1）： 289-298.

[4]TANG H， BROLLY M， ZHAO F， et al. Deriving and validating leaf area index （LAI） at multiple spatial scales through lidar remote sensing： a case study in Sierra National Forest， CA[J]. Remote Sensing of Environment， 2014， 143（3）： 131-141.

[5]N?SSET E， GOBAKKEN T. Estimation of above-and below-ground biomass across regions of the boreal forest zone using airborne laser[J]. Remote Sensing of Environment， 2008， 112（6）： 3079-3090.

[6]SOLBERG S， BRUNNER A， HANSSEN K H， et al. Mapping LAI in a Norway spruce forest using airborne laser scanning[J]. Remote Sensing of Environment， 2009， 113（11）： 2317-2327.

[7]TAO S， WU F， GUO Q， et al. Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2015， 110：66-76.

[8]YANG B， DAI W， DONG Z， et al. Automatic forest mapping at individual tree levels from terrestrial laser scanning point clouds with a hierarchical minimum cut method[J]. Remote Sensing， 2016， 8（5）： 372.

[9]JUNG S E， KWAK D A， PARK T， et al. Estimating crown variables of individual trees using airborne and terrestrial laser scanners[J]. Remote Sensing， 2011， 3（11）： 2346-2363.

[10]VINCENT G， ANTIN C， DAUZAT J， et al. Mapping plant area index of tropical forest by Lidar： calibrating ALS with TLS[C]. Silvilaser， 2015.

[11]LIANG X， KANKARE V， HYYPP? J， et al. Terrestrial laser scanning in forest inventories[J]. Isprs Journal of Photogrammetry and Remote Sensing， 2016， 115： 63-77.

[12]KIR?LY G， BROLLY G. 2007. Tree height estimation methods for terrestrial laser scanning in a forest reserve[J]. International Archives of Photogrammetry， Remote Sensing and Spatial Information Sciences， 2007， 36（3/W52）： 211-215.

[13]BU G， WANG P. Adaptive circle-ellipse fitting method for estimating tree diameter based on single terrestrial laser scanning[J]. Journal of Applied Remote Sensing， 2016， 10（2）： 026040.

[14]LINDBERG E， HOLMGREN J， OLOFSSON K， et al. Estimation of stem attributes using a combination of terrestrial and airborne laser scanning[J]. European Journal of Forest Research， 2012， 131（6）： 1917-1931.

[15]OLOFSSON K， HOLMGREN J， OLSSON H. Tree stem and height measurements using terrestrial laser scanning and the RANSAC algorithm[J]. Remote Sensing， 2014， 6（5）： 4323-4344.

[16]劉魯霞，龐勇，李增元. 2016. 基于地基激光雷達的亞熱帶森林單木胸徑與樹高提取[J]. 林業科學， 52（2）：26-37

LIU L X， PANG Y， LI Z Y. Individual tree DBH and height estimation using terrestrial laser scanning （TLS） in a subtropical forest[J]. Scientia Silvae Sinicae， 2016， 52（2）：26-37.

[17]PFEIFER N， GORTE B， Winterhalder D. Automatic reconstruction of single trees from terrestrial laser scanner data[C]. Proceedings of 20th ISPRS Congress， Istanbul： ISPRS， 2004： 114-119.

[18]LIANG X， LITKEY P， HYYPPA J， et al. Automatic stem mapping using single-scan terrestrial laser scanning[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50（2）： 661-670.

[19]LIANG X， KANKARE V， YU X， et al. Automated stem curve measurement using terrestrial laser scanning[J]. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（3）： 1739-1748.

[20]SRINIVASAN S， POPESCU S C， ERIKSSON M， et al. Terrestrial laser scanning as an effective tool to retrieve tree level height， crown width， and stem diameter[J]. Remote Sensing， 2015， 7（2）： 1877-1896.