基于自適應核帶寬度Mean Shift算法的單木識別研究

doi：10.3969/j.issn.1006-8023.2024.02.011

摘" 要：為提高多樹種森林中單木識別的精度，利用機載激光雷達點云數據作為研究對象，提出一種基于自適應核帶寬度Mean Shift算法的單木識別方法。該方法先采用直方圖分析法分離樹冠點云和冠層下點云，再采用基于二維增量網格投影的區域生長法，估算單木冠幅有效半徑，然后以單木冠幅有效半徑作為自適應核帶寬度，對樹冠點云進行自適應Mean Shift聚類分析，得到樹冠點簇，最后采用包絡盒方法根據樹冠點簇和樹干點云的空間關系識別單木。試驗結果表明，檢測樹與實際樹的位置、樹冠形態近似一致，單木召回率達到86.1%，準確率達到91.5%，高于2個對比試驗的結果。研究證明設置的自適應核帶寬度能夠自動調整以反映局部樹冠的實際大小，在多樹種森林的單木識別中表現良好。

關鍵詞：激光雷達；單木識別；Mean Shift算法；核帶寬度；自適應

中圖分類號：S758.5""" 文獻標識碼：A""" 文章編號：1006-8023（2024）02-0092-10

Study on Single Tree Recognition Based on Adaptive Kernel

Band Width Mean Shift Algorithm

MA Xiu1，2， CHEN Wei2*， XU Yannan1， ZHANG Shu3， WANG Guohong4

（1.College of Forestry， Nanjing Forestry University， Nanjing 210037， China; 2.East China Inventory and Planning

Institute of the State Administration of Forestry and Grassland， Hangzhou 310019， China; 3.Hangzhou Zhaoyuan Technology

Co.， Ltd， Hangzhou 310020， China; 4.Yixian Hongcun Forestry Workstation， Huangshan 245531， China）

Abstract：To improve the accuracy of single tree recognition in multi tree forests， a single tree recognition method based on adaptive kernel band width Mean Shift algorithm was proposed using airborne LiDAR point cloud data as the research object. Firstly， this method used histogram analysis to separate the crown point cloud and the point cloud below the canopy. Then， a region growth method based on two-dimensional incremental grid projection was used to estimate the effective radius of a single tree crown. Then， the effective radius of a single tree crown was used as the adaptive kernel band width to perform adaptive Mean Shift clustering analysis on the crown point cloud， obtaining the crown point cluster. Finally， the envelope box method was used to identify a single tree based on the spatial relationship between the crown point cluster and the trunk point cloud. The experimental results showed that the position and crown shape of the detected and actual trees were approximately consistent， with a single tree recall rate of 86.1% and an accuracy rate of 91.5%， which was higher than the results of two comparative experiments. It was proved that the adaptive kernel band width can be automatically adjusted to reflect the actual size of local tree crowns， and performed well in single tree recognition in multi tree forests.

Keywords：LIDAR; single tree recognition; Mean Shift algorithm; kernel band width; self-adaption

收稿日期：2023-06-11

基金項目：國家自然科學基金（41401508）。

第一作者簡介：馬秀，博士研究生，工程師。研究方向為林業機載LiDAR。E-mail： axiuhdy@163.com

*通信作者：陳偉，博士，高級工程師。研究方向為林業機載LiDAR。E-mail： lajiao.1225@163.com

引文格式：馬秀， 陳偉， 徐雁南，等." 基于自適應核帶寬度Mean Shift算法的單木識別研究[J]." 森林工程， 2024，40（2）：92-101.

MA X， CHEN W， XU Y N，et al. Study on single tree recognition based on adaptive kernel band width Mean Shift algorithm[J]. Forest Engineering， 2024， 40（2）：92-101.

0" 引言

單木識別是森林調查中一項基礎而關鍵的任務，準確、高效地識別單木，對提高森林蓄積量估算精度具有重要意義。近年來，隨著遙感技術的快速發展，基于激光點云的單木識別方法展現出了巨大的潛力和優勢。激光雷達（Light Detection And Ranging，LiDAR）技術是使用激光測定傳感器與目標物之間距離的主動遙感技術[1-2]，具有主動性強、穿透性高、精度高等特點[3-4]。LiDAR技術通過主動獲取三維坐標信息來定量估測森林參數，尤其在林木高度測量與林分垂直結構信息獲取方面具有其他遙感技術無可比擬的優勢[5-7]。激光點云數據是一組離散的三維點數據，包括很多屬性因子，如三維坐標值、回波次數和激光強度等，可以利用激光點云的空間位置、點之間距離的相干性和連通性[8-9]等特征來提取單木。

Mean Shift算法是一種基于密度的非參數聚類方法，很適合處理散亂無序的點云數據[10-11]。該算法不用事先假設聚類分簇的數量，也不用事先對點云進行幾何形狀定義，必須指定的唯一參數是核帶寬度，因此可以聚類任意形狀的簇。已有文獻證實Mean Shift算法能夠更好地識別林下較小的受壓木，這是使用其他方法做不到的[12]。Ferraz等[13]對Mean Shift算法在森林點云分割的應用方面開展了比較深入的研究，采用多尺度Mean Shift算法對地中海區域的多層森林樹冠同時進行垂直和橫向分割，其內核帶寬隨著森林植被高度的增加而不斷增加。

目前，基于Mean Shift算法的森林點云分割研究多采用固定核帶寬度，在多樹種的森林空間中使用單一尺度或多尺度固定核帶寬度不是最優的方法，因為一個或多個全局值可能導致欠分割或過分割。針對上述問題，本研究提出了一種改進的Mean Shift算法用于單木識別：先使用一種基于二維增量網格投影的區域生長法估算單木冠幅有效半徑，然后以單木冠幅有效半徑作為自適應核帶寬度，對樹冠點云進行Mean Shift聚類分割。該方法使得空間域中的核帶寬度能自動調整以反映每個樹冠的大小，因此其分割結果更能反映冠層實際情況。在大興安嶺針闊混交林樣地的單木識別試驗中，該方法識別到了86.1%的單木。

1" 研究方法

1.1" "Mean Shift算法

Mean Shift[14]算法是一種特征空間分析法，通過核函數密度估計來進行特征數據的概率密度分布估計，進而求出相應的概率模式點。其核心思想是讓樣本點沿著概率密度增大的方向聚類，直至收斂達到穩態點（即峰值、模點）為止。

假設d維空間中n個采樣點xi（i=1，…，n）位于興趣區域內，則對于樣本點x，其Mean Shift向量（M）的基本形式為

M（x）=1n∑ni=1（x－xi）。（1）

引入核函數和權重系數后，Mean Shift向量的形式更改為

M（x）=∑ni=1K（x－xih）w（xi）（x－xi）∑ni=1K（x－xih）w（xi）。（2）

式中：w（xi） ≥ 0，是賦給采樣點xi的權重；K（x）為核函數；h為核帶寬度。

核函數K（x）與其輪廓函數k（x）滿足K（x）=k（x2），輪廓函數k（x）的負導數記為g（x），即g（x）=－k′（x），那么，Mean Shift向量的形式可更改為

M（x）=∑ni=1gx－xih2w（xi）xi∑ni=1gx－xih2w（xi）－x。（3）

對于樣本點x，下一步迭代的中心點m（x）=x+M（x），因此

m（x）=∑ni=1gx－xih2w（xi）xi∑ni=1gx－xih2w（xi）。（4）

給定初始點x、核函數K（x）以及容許誤差 ε，Mean Shift算法將循環執行下面3個步驟，直到滿足結束條件

1）計算m（x）。

2）把m（x）賦給x。

3）如果‖m（x）－x‖≤ε，結束循環，否則繼續執行步驟1）。

上述計算步驟是一個不斷沿著概率密度的梯度方向移動的過程。

Mean Shift算法的性能取決于核帶寬度的選擇。如果帶寬過大，算法可能會對數據進行過度平滑處理，無法捕捉到局部的細節和特征，造成分割結果不準確；因為需要處理更多的點來計算漂移向量，還會增加計算復雜度。過小的帶寬只包含較少的點，可能會丟失一些重要的細節和特征，無法獲得足夠的統計信息來進行準確的分割。

在多樹種森林冠層識別中，選擇合適的核帶寬度是一個挑戰，因為冠層結構在橫向和縱向上都存在顯著的變化，簡單地設置一個或多個固定帶寬會使分割結果不準確，因為不同樹種形態各異，這樣的算法也不具備普遍適用性。

1.2" 垂直直方圖分析

為了減少樹干點云對聚類的干擾，需要分離樹冠點云和樹干點云。考慮到冠層下點云較為稀疏，可以采用垂直直方圖分析法將一個樣方內所有潛在樹冠點云和冠層下點云進行分離。其原理類似于文獻[15]中提出的方法，如圖1所示。首先，Zmin和Zmax分別表示所有分區中數據點的最小和最大高程值，將Zmin和Zmax之間的LiDAR數據點劃分為N個水平層；接下來，計算每層點的數量，將每層點的數量除以分區中數據點的總數，以實現結果歸一化，從而生成垂直方向的點分布的直方圖；最后，通過搜索點密度超過設定閾值（TDPL）的最低水平層（高程值為Zsp）來確定分離平面，從而將樹冠點云與冠層下點云進行分離。根據以往研究經驗，點密度閾值設定在0.03～0.04較為合理，本研究試驗中，點密度閾值設定在0.036能取得較好的分離效果。

獲得的樹冠點云可供后面聚類分析用。由圖1可知，冠層下點云中高程值最高的那一層點云基本為接近樹冠基部的樹干點云），保留這一層點云，以便在后續步驟中，根據樹冠和樹干的空間位置關系輔助識別單木。

在本例中N＝12個水平層和TDPL＝3%

N= 12 horizontal layers and TDPL=3% in this example

1.3" 自適應Mean Shift算法聚類分析

機載激光雷達點云可以看作是高維特征空間中的樣本點，以樣本點的三維坐標值作為特征值，可采用Mean Shift算法進行聚類。

森林冠層結構復雜，固定帶寬的Mean Shift算法并不是最優選擇，本研究提出以單木有效冠幅半徑作為自適應核帶寬度進行聚類，基本思路是：使用一種基于二維增量網格投影的區域生長法，估算單木冠幅有效半徑，單木冠幅有效半徑能夠反映冠層中每個樹冠的實際情況，以此作為自適應核帶寬度，可對樹冠點云進行較為準確的聚類分割。過程主要分為兩步：自適應核帶寬度的確定； Mean Shift聚類分析。

1.3.1" 確定自適應核帶寬度

為了方便處理，將樣方內樹冠看作球體或半球體，通過找到每個樹冠的最大近似截留面積估算其有效半徑。點云數據中的首次回波數據大部分來自樹冠表面，可以利用這些首次回波數據來估算樹冠半徑。這個過程分為2個步驟：第1步，樹冠的二維輪廓提取；第2步，有效冠幅半徑的確定。

1）樹冠的二維輪廓提取

本研究采用一種基于二維增量網格投影的簡單區域生長法，來對該區域中的樹冠進行粗分割，得到樹冠的粗略邊界，方法如下。

假設有一個水平面懸掛在森林樣方上，將首次回波數據點投影到水平面上，樹冠的三維空間分布降維成二維水平特征。投影在水平面上的二維點簇代表在一定水平高度的樹冠分布特征，當水平面從上到下移動時，樹冠尺寸會增加。將水平面從上到下以相等的間距移動，水平面的高程值（Z坐標）在均勻減小，此水平面上的所有點向下投影到二維平面上，可以得到單個樹冠在不同水平高度的二維水平分布。將Zmin和Zmax定義為軸對齊的數據集的最小包圍盒Z軸的最小和最大坐標值，I為移位的總層數（每層對應一次區域生長迭代過程）。第i個移位層使用的投影平面的高程值可以這樣確定

Zi=Zmax－iI（Zmax－Zmin），i=1，…，I。（5）

因此，檢測樹冠的任務變成了提取樹梢的聚類特征，并從頂部到底部跟蹤樹冠輪廓的問題。

2）有效冠幅半徑的確定

圖2描繪了這樣一個區域生長過程，其目的是根據每個樹冠的網格單元數獲得近似截面積。軸對齊的2D水平面被劃分成網格大小為0.25 m×0.25 m的網格單元。在每次迭代中，假如現有聚類的距離超過閾值（Zmax－Zmin）/I，則把不低于移動投影面高程的點垂直映射到相應的網格單元中，而每個非空單元可以被確定為一個新種子，否則就基于空間鄰接關系，鄰接則將其添加到現有組中。最后一次迭代完成區域生長過程，區域中最外層網格單元包圍的區域將被視為對特定樹冠的截面的估計。NGC表示生長區域中網格單元的數目，相應樹冠的近似截留面積將是0.25 × 0.25 ×NGC=1/16NGC，面積單位m2。因此，對于一個特定單木的有效樹冠半徑（Reff）可以采用式（6）表示

Reff（X）=14NGC（X）π。（6）

其中，X代表一個特定的樹冠分區序號。

1.3.2" Mean Shift聚類分析

在執行上述二維樹冠分割后，可以根據樣本點的三維坐標值判斷其屬于哪個樹冠分區，從而進行樣本點聚類，但是因為存在樹冠枝葉連接導致的欠分割現象，不能簡單地以此分割結果作為最終樹冠聚類結果，需要使用Mean Shift算法進行更精細的分割。

在以往的數據分類研究中，高斯核函數被廣泛應用[16]，表現出了良好的性能，因此這里采用高斯核函數進行聚類，容許誤差設置為0.002。迭代步驟如下。

1）給定初始點x，把其投影到上述二維平面上，判斷屬于哪個樹冠分區，如果都不屬于，則把其歸屬到最接近的那個樹冠分區，然后以此樹冠分區的冠幅有效半徑作為核帶寬度計算公式（4）中的m（x）。

2）把m（x）賦給x。

3）如果‖m（x）－x‖≤0.002，結束循環，否則繼續執行步驟1）。

算法代碼采用matlab語言編寫。迭代步驟的詳細邏輯如下：

對于待聚類數據集data中的每個樣本i，從1到樣本總數numSamples：

如果樣本i所屬的簇標簽labels（i）等于0，則：

將x設置為樣本i

對于每個樹冠分區j，從1到樹冠分區總數numCrowns：

計算分區j的最大橫坐標X-max和最小橫坐標X-min

計算分區j的最大縱坐標Y-max和最小縱坐標Y-min

如果樣本i的橫坐標小于X-max大于X-min，而且縱坐標小于Y-max大于Y-min：

將j的冠幅半徑crownRadius（j）賦值給核帶寬度bandwidth，退出循環

否則，將j加1

如果 j 大于樹冠分區總數numCrowns：

計算樣本i到各樹冠分區的歐式距離，找出離樣本i最近的樹冠分區k

將k的冠幅半徑crownRadius（k）賦值給bandwidth，退出循環

無限循環直到滿足退出條件：

計算data和x之間的歐氏距離，并取平方根dist

找到dist小于等于bandwidth的樣本的索引inRangeIndices

將x賦值給上一次迭代的聚類中心oldX

將inRangeIndices對應的樣本作為data的子集，計算其均值，更新x

計算新舊x之間的歐氏距離shift

如果shift小于等于收斂閾值convergenceThreshold，則退出循環

統計位于帶寬范圍內的樣本數量numInCluster

將位于帶寬范圍內的樣本的簇標簽設置為聚類中心的索引centroidIndex

將x作為聚類中心點記錄在centroids的第centroidIndex行

將centroidIndex加1

1.4" 樹干點云輔助識別

由于森林結構復雜，基于上述自適應Mean Shift算法得到的樹冠點簇可能存在過分割或欠分割現象。圖3（a）為樹冠相互遮擋所產生的欠分割現象，圖3（b）為樹冠結構松散所產生的過分割現象。

因為樹冠遮擋，單木樹干點云較為稀少甚至缺失，不可直接用于識別單木，但是可以利用1.2節中分離出的樹干點云輔助識別單木，進一步提高分割精度。

首先，畫出每個樹冠點簇的軸對齊包絡盒，然后，判斷包絡盒里是否包含樹干點云：

1）如果包絡盒中只有一個樹干點云，則認為這是一棵完整的單木，屬于完美分割的情況，如圖4（a）所示。

2）如果包絡盒中沒有樹干點云，則認為這不是一個完整的樹冠，屬于過分割的情況，需要合并到相鄰的樹冠點簇上，如圖4（b）所示。

3）如果包絡盒中不止1個樹干點云，那么屬于欠分割的情況，該包絡盒中的點簇需要再次分裂成多個，然后再次與樹干點云匹配，如圖4（c）所示。

1.5" 算法執行

數據處理流程如圖5所示，其中傾斜的矩形表示數據或參數，矩形表示計算或處理過程。具體流程如下：

1）使用LIDAR360軟件對原始點云進行預處理，分離出地面點和植被點，保留植被點云。

2）對樣方內點云進行垂直直方圖分析，設定高度分層和點密度閾值，識別出樹冠點云和冠層下點云之間的分離界限。

3）過濾與去噪，剔除樹冠點云和細碎點簇，得到接近樹冠基部的那部分樹干點云。

4）采用基于二維增量網格投影的簡單區域生長法估算單木冠幅有效半徑，并以此作為自適應核帶寬度，對點云進行Mean Shift聚類分析，得到單木樹冠點簇，根據樹冠點簇和樹干點云的空間關系識別單木。

整個處理過程包含2個關鍵點，一是如何分離出樹冠點云和接近樹冠基部的樹干點云；二是如何選擇Mean Shift算法的自適應核帶寬度。

2" 試驗與分析

2.1" 研究數據

研究區域為東北大興安嶺地區，位于內蒙古自治區呼倫貝爾盟根河市西北部（121°20′32.54″～121°38′34.98″ E， 50°51′14.43″～51°1′49.93″ N），面積為200 km2，如圖6所示。機載數據包括機載LiDAR點云數據和全波形數據、高分辨率CCD影像。機載LiDAR使用的設備為ALS60，其中激光掃描儀為ALS60，最大脈沖頻率為200 kHz，最大視場角為75°，相對航高為750" m時，平面和高程精度均能達到8 cm，帶有全波形記錄儀。CCD相機為LiDAR系統同步搭載，型號為RCD105，成像傳感器的像元分辨率為7 213 像素×5 408 像素。獲得的成果數據包括密度超過15 點/m2的點云數據、LiDAR全波形記錄數據、地面分辨率0.2" m的CCD影像、測區高分辨率DEM（數字高程模型）、CHM（冠層高度模型）等。

研究區設定樣地大小為100 m×100 m，樣方大小為30 m×30 m，樣地屬于針闊混交林，主要樹種為樟子松、落葉松、紅皮云杉和蒙古櫟等。選取20個樣地開展調查，共獲得30 m×30 m的樣方37個，在每個樣方內調查了葉面積指數、郁閉度、坡度坡向、林下灌草，以及所有胸徑大于5 cm的單木的胸徑、樹高、枝下高和冠幅等，并在樣方的四角使用GPS進行定位。調查數據從森林類型、地形地貌和空間分布等方面做到了較為全面的覆蓋。

2.2" "提取結果

本研究對10個樣地（20個樣方）的所有樹木進行了試驗，通過對聚類結果的定性分析來評價自適應Mean Shift方法的有效性。圖7（a）顯示對典型樣方（DXAL001）分割后的側視視圖，圖7 （b）顯示樣方（DXAL001）的俯視圖。為了驗證檢測樹（聚類出的樹）與實際樹的位置一致性，本研究使用樹高和距離作為匹配標準，將每棵實際樹與最近的檢測樹進行匹配。如果檢測樹到實際樹的距離小于樣方內平均樹距離的60%，并且檢測樹的高度和實際樹高之間的差小于樣方頂部高度的15％，則檢測樹與實際樹連接。匹配的結果如圖8所示。圖9（a）為單木密度較大的針闊混交林實際樹與檢測樹的位置匹配，圖9 （b）為單木密度較小的針闊混交林實際樹與檢測樹的位置匹配。

試驗結果顯示：

1）檢測樹與實際樹的樹冠形態近似一致。

2）檢測樹與實際樹的位置近似一致。

3）單木密度較為稀疏的點云聚類效果比單木密度高的點云好。

2.3" 精度分析

為了定量評估檢測結果的準確性，在20個樣方將檢測樹和實際樹進行比較。如果一棵檢測樹和一棵實際樹建立了一對一的連接，則認為該檢測樹屬于完美分割的情況（PS），代表了一棵實際樹；如果多棵實際樹和同一棵檢測樹建立了多對一的連接，則認為該檢測樹屬于欠分割的情況（US）；如上文1.4節中所述，過分割的樹冠點簇已經合并到其他樹冠點簇中，所以結果中不存在過分割的情況。

以召回率（R）表示完美分割的樹占總實際樹的比率，召回率越高，算法的檢測精度越高；以準確率（P）表示完美分割的樹占總檢測樹的比率，準確率越高，算法的效率越高。二者數值越高，算法性能越好。計算公式如下

R=PSN。（7）

P=PSD。（8）

式中：N為實際樹總數；D為檢測樹總數，D=PS+US 。

為了驗證本研究提出的自適應帶寬Mean Shift算法的性能，設置了2個對比試驗，試驗1采用Ferraz 等[13]提出的多尺度Mean Shift算法檢測單木，用以對比多尺度帶寬和自適應帶寬在Mean Shift算法中的性能差異；試驗2采用谷志新等[17]提出的多層K-means算法檢測單木，用以對比其他方法和自適應帶寬Mean Shift算法的性能。

表1列出了本研究的檢測結果和試驗1的檢測結果。表2列出了本研究的檢測結果和試驗2的檢測結果。從表1和表2中列出的數據中可以看出，本研究提出的自適應核帶寬的Mean Shift方法，無論是跟多尺度的Mean Shift算法相比，還是跟多層K-means算法相比，都能夠產生更好的總體檢測指標（即“召回率”和“準確率”）。

3" 討論與結論

3.1" 討論

1）造成上述試驗結果的原因在于：Ferraz 等[13]提出的多尺度mean shift算法雖然核帶寬度隨著森林植被高度的增加而不斷增加，但是并不能反映冠層的實際情況。谷志新等[17]提出的多層K-means算法，雖然在單一樹種的冠層分割上表現優秀，但是在多樹種的冠層分割上表現欠佳。本研究提出的自適應帶寬Mean Shift算法，可自動調整核帶寬度以適應局部樹冠大小，即使在多樹種的冠層分割中，也能表現出較好的檢測性能。

2）從試驗結果來看，本研究方法對森林植被的郁閉度較為敏感。森林植被郁閉度過高，特別是純闊葉林樹種結構，穿透打在樹干上的點云也是偏少，不易識別。

3）Mean Shift算法對點云空間三維坐標敏感度較大，但激光強度、激光點云三維拓撲關系需要進一步融合進來，提高復層林的森林結構參數識別精度。激光強度可以進行地物分類，通過三維點云的空間拓撲關系，更能識別出不同樹種的幾何形態，更有利于提高不同樹種的森林結構參數的精度。Mean Shift算法的本質是對點云進行聚類分析。由于自然森林結構的復雜性，不一定所有的樹干或樹冠都能被正確檢測出來。比如大興安嶺地區白樺純林，由于歷史采伐原因，目前基本都屬于次生林，且株密度很大，胸徑很小，激光點云很難打到其樹冠或樹干上，這樣就難免會出現欠分割現象。針闊混交林也存在一些受壓木或者小樹在大樹之下的情況，這種情況激光點云也很難檢測到。山形地貌對林木高度提取也有一定的影響，如何精準測定DEM和DSM（數字表面模型），進一步得到精細化的CHM或歸一化植被點云也是提高單木檢測精度的重要因素。

4）點云密度對單木檢測和森林結構參數估計影響較大[18-20]。為此，單木檢測精度可以通過以下幾個方面提升：一是提高激光雷達傳感器的脈沖頻率、光束發射角、掃描頻率和水平垂直精度等參數，快速獲取大面積、高精度、高密度點云；二是降低飛行平臺的飛行速度和飛行高度，增加飛行航線的重疊率，來獲取高密度點云；三是通過航拍影像提供更多的紋理和光譜信息，結合點云來進一步提升單木檢測精度。大密度的點云，不僅可以采用聚類分析方法，也可以從幾何形態學的角度來檢測單木，還可以進一步研究其他方法。

3.2" 結論

本研究提出了一種基于自適應核帶寬度的Mean Shift算法，對三維森林點云數據進行分割，從而識別單木，并在研究區的試驗樣方上進行了驗證。本研究具體結論如下。

1）設置自適應核帶寬度，能夠反映出森林冠層結構的實際情況，提高樹冠點云的分割精度，結合單木樹冠點簇和樹干點云的空間關系分析，可以進一步提高單木識別的精準度。

2）結果表明，本研究方法識別出的樹在位置和樹冠形態上與實際情況近似，單木密度較為稀疏的點云識別效果比單木密度高的點云好。通過與野外實測數據比較，該方法能夠很好地從點云中檢測出單木。與多尺度帶寬的Mean Shift算法和多層K-means算法相比，該方法在召回率和準確率方面性能更好。該方法在林業資源清查和森林資源監測領域具有良好的應用前景。

【參" 考" 文" 獻】

[1]周楊，王春林，薛艷麗，等.無人機LiDAR森林蓄積量估測方法[J].遙感信息，2023，38（2）：142-149.

ZHOU Y， WANG C L， XUE Y L， et al. Estimation method of forest volume with UAV LiDAR technology[J]. Remote Sensing Information， 2023， 38（2）： 142-149.

[2]JANICKA L， DAVULIENE L， BYCENKIENE S， et al. Long term observations of biomass burning aerosol over Warsaw by means of multiwavelength LiDAR[J]. Optics Express， 2023， 31（20）： 33150-33174.

[3]楊麗.基于機載LiDAR數據的杉木人工林蓄積量估測模型研究[D].南京：南京林業大學，2023.

YANG L. A study on the volume estimation model of Chinese fir plantation based on ALS data[D]. Nanjing： Nanjing Forestry University， 2023.

[4]劉浩然，范偉偉，徐永勝，等.基于無人機激光雷達點云數據的單木分割研究[J].中南林業科技大學學報，2022，42（1）：45-53.

LIU H R， FAN W W， XU Y S， et al. Research on single tree segmentation based on UAV LiDAR point cloud data[J]. Journal of Central South University of Forestry amp; Technology， 2022， 42（1）： 45-53.

[5]劉浩然，范偉偉，徐永勝，等.基于無人機激光雷達點云的單木生物量估測[J].中南林業科技大學學報，2021，41（8）：92-99.

LIU H R， FAN W W， XU Y S， et al. Single tree biomass estimation based on UAV LiDAR point cloud[J]. Journal of Central South University of Forestry amp; Technology， 2021， 41（8）： 92-99.

[6]余鑄，李春，黃媛.基于機載激光雷達的杉木林分高生長變化分析[J].廣西林業科學，2023，52（5）：581-588.

YU Z， LI C， HUANG Y. Height growth changes of Cunninghamia lanceolata stands based on airborne LiDAR[J]. Guangxi Forestry Science， 2023， 52（5）： 581-588.

[7]霍建文，胡旭林，王君玲，等.移動機器人未知環境下輻射場分布地圖構建算法[J].哈爾濱理工大學學報，2022，27（6）：24-31.

HUO J W， HU X L， WANG J L， et al. An algorithm for reconstructing radiation distribution map in unknown environment based on mobile robots[J]. Journal of Harbin University of Science and Technology， 2022， 27（6）： 24-31.

[8]FERRAZ A， SAATCHI S， MALLET C， et al. Lidar detection of individual tree size in tropical forests[J]. Remote Sensing of Environment， 2016， 183： 318-333.

[9]李佳明，劉揚，張雨欣，等.基于機載激光雷達數據的老街基林場樣地單木分割方法研究[J].測繪與空間地理信息，2023，46（S1）：212-215.

LI J M， LIU Y， ZHANG Y X， et al. Individual-tree segmentation method in the sample plot of Laojieji Forest Farm based on airborne LiDAR data[J]. Geomatics amp; Spatial Information Technology， 2023， 46（S1）： 212-215.

[10]HAN M， WANG J Q， WANG J T， et al. Research on target tracking algorithm based on mean shift with adaptive bandwidth[J]. Journal of Computational Methods in Sciences and Engineering， 2022， 22（2）： 661-675.

[11]HERMANN M， UMLAUF G， GOLDLUCKE B， et al. Fast and efficient image novelty detection based on mean-shifts[J]. Sensors， 2022， 22（19）： 7674.

[12]AMIRI N， YAO W， HEURICH M， et al. Estimation of regeneration coverage in a temperate forest by 3D segmentation using airborne laser scanning data[J]. International Journal of Applied Earth Observation and Geoinformation， 2016， 52： 252-262.

[13]FERRAZ A， BRETAR F， JACQUEMOUD S， et al. 3-D mapping of a multi-layered Mediterranean forest using ALS data[J]. Remote Sensing of Environment， 2012， 121： 210-223.

[14]李鈞，唐德謙，宋剛偉，等.改進的Mean Shift分割算法在安全區域識別中的研究[J].信息技術，2021，45（4）：6-10.

LI J， TANG D Q， SONG G W， et al. Research on improved mean shift segmentation algorithm in safe area recognition[J]. Information Technology， 2021， 45（4）： 6-10.

[15]林一，苑瑋琦.基于特征直方圖的輪胎X光圖像雜質檢測算法[J].微處理機，2023，44（5）：35-39.

LIN Y， YUAN W Q. Impurity detection algorithm of tire X-ray image based on feature histogram[J]. Microprocessors， 2023， 44（5）： 35-39.

[16]張忠瓊，趙穎，錢淑渠.改進高斯混合模型的激光點云數據分類[J].激光雜志，2023，44（6）：215-219.

ZHANG Z Q， ZHAO Y， QIAN S Q. Classification of laser point cloud data based on improved Gaussian mixture model[J]. Laser Journal， 2023， 44（6）： 215-219.

[17]谷志新，裴方睿.基于多層K-means在森林點云中的單木識別算法[J].林業資源管理，2022（1）：124-131.

GU Z X， PEI F R. Single tree recognition algorithm based on multi-layer K-means in forest point cloud[J]. Forest Resources Management， 2022（1）： 124-131.

[18]HAO Y S， WIDAGDO F R A， LIU X， et al. Estimation and calibration of stem diameter distribution using UAV laser scanning data： a case study for larch （Larix olgensis） forests in Northeast China[J]. Remote Sensing of Environment， 2022， 268： 112769.

[19]YAN W Q， GUAN H Y， CAO L， et al. An automated hierarchical approach for three-dimensional segmentation of single trees using UAV LiDAR data[J]. Remote Sensing， 2018， 10（12）： 1999.

[20]DAI W X， YANG B S， DONG Z， et al. A new method for 3D individual tree extraction using multispectral airborne LiDAR point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 144： 400-411.