基于三維激光掃描技術的城市樹木特征提取

黃德，夏永華，柏宏強，李澤邦

(1.昆明理工大學國土資源工程學院，云南 昆明 650093；2.云南省高校高原山區空間信息測繪技術應用工程研究中心，云南 昆明 650093)

1 引 言

樹木作為一個極其不規則的形體，想要建立其三維模型或者提取其特征信息一直都存在著許多問題。傳統的樹木特征獲取方式存在著對樹木造成破壞，獲取效率和精度較低的問題[1]。而城市樹木的特征提取主要服務于城市的樹木管理，與森立資源調查中的樹木特征提取又有所不同。近年來隨著科技的不斷發展，樹木特征的提取方法和技術也在不斷發展。

三維激光掃描技術是測繪領域一項新興的測量手段，是測繪領域繼全站儀和GPS后的又一次技術革命[2]。其在林業上已經有了一些運用，例如：森林多維度系數的評估[3]、單木葉密度的計算[4]、林分郁閉度的計算[5]等。運用三維激光掃描技術，可以在不接觸樹木，不傷及樹木本身的情況下快速獲取樹木的點云數據，通過對點云數據的處理，重建樹木的三維模型，根據模型獲取樹木的特征信息。筆者以城市綠化樹木為試驗對象，基于三維激光掃描技術重建的樹木三維模型，提取樹木的樹高、胸徑、樹冠體積和樹木材積等特征信息，并與常規測量手段獲取的特征信息進行比較，驗證其精度。

2 數據采集

(1)控制點布設

試驗選取了昆明市盤龍區城市學院內6棵成片分布的雪松作為樹冠體積、胸徑和樹高的特征提取樣本。借助控制點可將多站的點云數據統一到同一個坐標系下，以增加點云數據配準的精度。基于單木控制點的布設如圖1所示[6]，成片雪松的控制點布設方法如圖2所示，共布設了9個控制點(點號為K1-K9)。

圖1 單木控制點布設示意圖

圖2 成片樹木控制點布設示

(2)控制點坐標獲取及部分樹木特征獲取

控制點坐標的采集，用徠卡TS02R500免棱鏡全站儀采用后方交匯的方式獲取。獲取控制點坐標后，還采集了樹木的樹高信息[7]，用于與模型提取樹高做比較。

(3)點云數據獲取

采用Maptek I-site 8200三維激光掃描儀在布設好的控制點上架站采集樹木的點云數據。

3 數據處理

采用掃描系統搭載的Maptek I-site studio6.0點云處理軟件處理點云數據，結合Geomagic Studio 2014進行了模型的修補。處理流程如圖3所示：

圖3 點云數據處理流程

沒有經過配準的數據非常雜亂，對點云進行著色，能使不同測站的點云具有不同的顏色，便于區分每站數據和檢查配準精度。

點云配準首先以特征點提取和匹配[9]的方式完成粗配準，再通過將所有數據同時進行拼接，使得所有拼接誤差在測站間均勻分布的全局配準方式實現點云的精配準。配準前后報告如圖4、圖5所示：

圖4 點云配準前報告

圖5 點云配準后報告

拼接前各站數據的均方根值(RMS)的均值為 0.243 m，拼接后各站數據的RMS均值為 0.005 m，拼接精度較好。從點云配準的直方圖看，經過配準處理后，絕大部分點云都已經配準。

點云數據去噪和按1 cm過濾后，點云數據如圖6所示，通過點云數據建立三角網，再通過三角網建立三角面片形成模型。模型完成后再對模型進行修補。生成模型如圖7所示：

圖6 雪松點云

圖7 雪松模型

4 數據分析

4.1 樹高特征提取分析

通過式(1)求得測量數據相對誤差，其中β表示相對誤差，mq表示實測量，mm表示基于模型提取量。通過式(2)求得所測數據的中誤差，mh表示中誤差，△h表示實測數據與基于點云提取數據的差值，n表示樹高數據的組數。通過式(3)求得數據的均方根誤差，RMSE表示均方根誤差。通過相對誤差來反映提取單棵樹木樹高的精度，通過中誤差來反映整體的精度情況，由RMSE可以很好地反映出測量值偏離真實值的情況，能夠很好地反映出測量的精度，樹高提取如圖8所示。

圖8樹高提取

(1)

(2)

(3)

兩種方式獲得的誤差如表1所示：

樹高誤差分析表 表1

將數據的實測樹高為Y軸，模型提取樹高為X軸繪制散點圖，通過散點圖求出數據的擬合曲線如圖9所示：

圖9 樹高散點圖

最小誤差為0.008 m，最大誤差為0.027 m，相較于實測值，其相對誤差分別為0.088%和0.323%。較于傳統林業測量所能達到的平均誤差0.5%～0.8%，基于點云數據提取的樹高特征顯然精度更高。由圖9可以看出所有的點都均勻地分布于直線的兩側，而這條直線的方程就是這些散亂分布點的回歸方程，R2為回歸方程的決定系數。決定系數的值越接近于1，則點的相關性越好。圖9散點圖得出擬合曲線的決定系數為 0.999 9，這說明了基于模型提取的樹木胸徑和實際測量的胸徑有很好的線性相關關系。通過計算求出了實際測量值和模型提取值的RMSE為 0.019 8 m，說明了測量值較少的偏離真實值。綜上所述，基于模型提取的樹高與實測數據相比具有較高的精度。

4.2 樹木胸徑特征提取分析

兩種方法提取的樹木胸徑 表2

將數據的實測量為Y軸，模型提取量為X軸繪制散點圖，通過散點圖求出數據的擬合曲線如圖10所示：

圖10 胸徑散點圖

從表2可以看出，最大誤差為剖面9的 2.56 cm，最小誤差為剖面8的 -0.25 cm。由圖10可以看出所有的點都均勻地分布于回歸方程的兩側，R2為0.992，兩組數據的線性相關性較好。求得其RMSE為 1.435 cm，說明了測量值和實際值的偏差較小。綜上所述，基于模型提取的樹木胸徑特征具有較高的精度。

4.3 樹冠體積特征提取分析

由于樹冠是個極其不規則的形體，所以要直接量取樹冠的體積是很難實現的，只能通過一些算法取得它的最佳估值。通常將樹木看作不規則錐體將其沿水平方向切割為多個臺體，再求出各臺體的體積，其和為樹冠體積[10]，此種方法能夠滿足林業運用的需要。筆者嘗試將樹冠看作不規則錐體，按豎直方向將它分割為多個臺體，求出各臺體的體積之和為樹冠體積，將其與水平切割所得體積做比較。兩種方法求得體積如表3所示：

樹冠體積分析表 表3

由以上數據繪制散點圖如圖11所示：

圖11 樹冠體積散點圖

從表3可以看出最大誤差為 -0.164 m3，最小誤差為 -0.021 m3。從圖11可以看出各點均勻分布于回歸方程的兩側，R2為1，這說明了豎向切割的樹冠體積和橫向切割的樹冠體積有很好的線性相關關系。其RMSE為 0.056 m3，兩組數據的偏離程度較小。綜上所述，基于模型提取的樹冠體積特征具有較高的精度。

4.4 樹木材積提取分析

從樹干底部每隔0.2 m量測樹干半徑通過圓臺體積公式分別求出6棵雪松枝葉以下的樹干材積與基于模型提取的樹干材積做比較，數據如表4所示：

樹木材積分析表 表4

以X軸為模型提取量，以Y軸為實測量，獲得樹木材積散點圖如圖12所示：

圖12 樹木材積散點圖

從表4可以看出，誤差最大為-5.998 dm3，最小誤差為 1.898 dm3。由圖12可以看出，各點較均勻地分布于回歸方程兩側，R2為0.984，樹木材積的RMSE為 4.097 171 dm3。說明兩組數據的線性相關性較好，但數據的偏差稍大，主要原因是計算單棵樹木材積較小，導致偏差稍大。但相比其他測量手段精度還是較好。綜上所述，基于模型提取的樹木材積特征具有較高的精度。

5 結 論

從數據對比結果看，基于三維激光掃描技術提取的樹高、胸徑、樹冠體積和樹木材積均具有較好的精度。將三維激光掃描技術運用于城市樹木特征的提取，可以快速獲取城市樹木的三維模型，根據模型可以獲取樹木的許多特征信息。通過提取的信息可以作為城市樹木(特別是古樹名木)智能化管理的基礎數據。