一种新的地面激光点云中树木叶面积计算方法

李双娴,陆 鑫,多杰才仁,张怀清,薛联凤,云 挺,*

(1.南京林业大学信息科学技术学院,江苏 南京 210037;2. 南京林业大学林草学院、水土保持学院,江苏 南京 210037;3.中国林业科学研究院资源信息研究所,北京100091)

叶片是植物的主要器官,是植物的呼吸、蒸腾、光合作用和有机质合成的重要介质。树冠中叶片的量化分析是衡量植物生长状况、产量评估的重要手段。叶面积的准确测量是叶面积研究的前提,在林业科研及生产中,许多生理指标的测定,如叶面积指数(leaf area index,LAI)、蒸腾速率、光合速率等都要涉及叶片的面积问题。叶面积的测量分为直接测量和间接测量。直接测量方法包括破坏性采样的直接测量法[1]、叶片收集[2]或建立与易测量的植被特征(如高度和胸径)有关的异速生长方程[3]等;直接测量法可以准确地测量叶面积,但是这些方法存在成本高、耗时、效率低等缺点。为了克服这些障碍,学者们开发了各种间接测量叶面积的方法,常用的间接方法都是基于通过测量冠层光传输或间隙分数[4-6],并研制出许多光学仪器如数字半球摄影(DHP)[7]、LAI-2000植物冠层分析仪[8]、AccuPAR截光装置[9]、TRAC仪器[10],然而这些仪器的观测结果对于环境光照与人工操作规程都十分敏感。

地面激光扫描(TLS)是一种通过获取三维激光点云来刻画森林精细结构特征的方法,具有较高的精度和效率,为估算LAI提供了一种新颖的间接测量方法[7]。目前,TLS已被广泛用于测量许多树木的结构参数,如:树高、胸径、树冠垂直剖面、林地树干密度等[11-14]。现有的使用TLS的数据计算LAI,通常有基于体素的方法和间隙分数方法。体素即三维立方体,所有的点通过计算被转换成体素坐标[15]。基于体素法根据原理可分为基于比尔朗伯定律[16]和基于接触频率[17]。Oshio等[18]使用基于体素的三维建模方法, 通过追踪激光束路径,从激光束和树叶之间的接触频率来计算叶面积指数。Hosoi等[19]使用基于体素的树冠剖析(VCP)方法,收集树冠水平层数据,将数据转换为基于体素的三维模型使得LAI可以通过直接计算光束接触频率来实现。这些方法是非破坏性的,但需要对每棵树进行各个站点全面均匀的扫描,所以不适合测量多棵树。而间隙分数法是基于比尔定律根据间隙概率或间隙大小分布来计算LAI[20],但因通常不满足连续冠层假设,所以大多数基于间隙概率的方法都需要根据单个树木进行调整。Béland等[21]开发使用了一个建模框架,该框架消除了在体素范围内模拟单个激光脉冲路径的要求,并使用参数方程来推导体素尺度上的叶面积。但这种方法会丢失TLS数据的一些三维信息。谷趁趁等[22]针对稀疏和稠密两种冠层类型,采用偏最小二乘回归算法与神经网络算法建立了冠层叶面积计算模型,此模型有较好的应用效果。张美娜等[23]采用点云个数与冠层叶面积进行多项式拟合,但此研究中忽略了冠层厚度与冠层体积会直接影响模型的准确性。还有相关学者使用了其他方法,如周梦维等[24]使用基于激光雷达的波形的高斯特征,模拟作物反射的回波,建立了作物叶面积指数和叶面积体密度的反演方法;巴尔比江等[25]选取胡杨林作为研究区域,利用地基激光雷达对胡杨叶面积指数进行估算,并最终得到与冠层分析法相结合的叶面积指数反演模型;Hu等[26]使用路径长度分布模型,从TLS点云中重建了树冠包络,并通过激光脉冲与包络的交叉点计算出真实的路径长度分布,用于计算叶面积。

叶片的特征(形态、纹理、叶面积等)和健康状况通常可以反映植物的生长发育状态。然而,直接从TLS获取的点云无法直接提取叶片特征,对此,需要将点云按叶片进行分割。近年来,从树木遥感数据中分离单叶片成为研究的热点,目前现有的点云单叶分割算法主要围绕计算机图形学的思路来处理植物点云,可分为机器视觉方法和深度学习方法。机器视觉方法有利用体素剖分和特征计算来识别叶片的几何特征与结构属性的方法[27]、结合空间投影和属性扩展进行分割的方法[28]、利用空间滤波与小平面区域生长算法来分离叶片的方法[29]、超像素图聚类算法与迭代最近点匹配相结合的方法[30]等,深度学习方法有采用完全卷积网络(FCN)和基于掩膜区域的卷积神经网络(R-CNN)处理二维图像进而引导三维点云分割叶片的方法[31]、利用纯线性混合机制设计自注意力网络分割邻域空间约束法过滤后的叶片点云的方法[32]、使用改进的PartNet模型分割合成叶片点云的方法[33]、运用新的下采样方法(3D Edge-Preserving Sampling, 3DEPS)设计双功能深度学习网络进行枝叶分离和单叶分割的方法[34]等。然而,现有的大多数基于点云的叶片分割算法不适用于冠层密集的植物,此外现有的方法在自动化、准确性和普适性等方面都存在问题,这限制了单叶分割算法的推广与应用。基于此,本研究设计了一种基于小平面区域生长的植物点云的单叶分割算法,通过计算单片树叶叶面积的方式,估测整个树冠的总体叶面积。本研究提出的方法从机器视觉的角度快速、准确地估算树冠真实叶面积,以期代替复杂的人工测量操作。

1 材料与方法

1.1 研究思路

为了从错综复杂的树木点云中获取叶片点云数据,将TLS点云分类为枝干点云与树冠点云两部分,再对树冠点云使用单叶分割算法,获取叶面积拟合的3项特征,即单片叶子的点云数量、入射光线与叶面法向量夹角和扫描仪与叶片的距离特征,联合L1与L2正则化多元回归方法反演叶片面积,进而计算树冠的真实叶面积。主要流程如图1所示。

图1 试验流程图Fig. 1 Experimental flow chart

1.2 研究区概况及数据采集

本研究中选取的点云数据来自于南京林业大学校园内(118°81′E,32°08′N)。研究区地处亚热带和暖温带的过渡地带,地形复杂,生态环境多样,适合多种动植物的生长繁殖,是南北植物的过渡带,生物种类繁多。为了使本研究适用于多种树种的叶片特征, 本研究采集了4种树木紫薇(Lagerstroemiaindica),叶片呈倒卵状椭网形;樱花(Cerasusspp. ),叶片呈椭圆形;银杏(Ginkgobiloba),叶片呈扇形;香樟(Cinnamomumcamphora),叶片呈卵状椭圆形。于2021年6月且没有出现极端天气(台风、酸雨等),也未出现叶片掉落情况下扫描树木,保证树体在正常健康状况下开展叶面积反演研究。

利用地面激光扫描仪FARO Focus3D X330采集分析树的点云数据,本研究使用的FARO X330激光扫描仪是一款具有超长扫描距离的高速三维扫描仪,该仪器具有300°×360°视野,可在激光束直射条件下扫描距离为330 m的物体。只需要进行少次扫描就可以对远处复杂地形中的大型物体进行测量,能够极大的提高测量速度。扫描速率可以达到976 000点/s。为了获取完整的点云数据,根据树木高度形状的不同。针对小树(紫薇和樱花),设置扫描仪距树体3 m,而面向大树(银杏和香樟),设置扫描仪距树体5 m,扫描仪高度1.2 m。扫描都设置为高精度,即扫描点之间的距离为0.306 8 mm/m。通过对点云数据的测量,获取树木的枝下高、冠幅、树高等,其中,枝下高为从地表面到树冠的最下分枝点的垂直高度。对于每棵树分别用卷尺测量50片树叶的长和宽,再用LI-3000C仪器开展对应叶面积的测量。测量结果如表1所示。

表1 样本树木详细信息

1.3 枝叶分离

获取精准的叶面积等植被参数需要进行枝干与叶片的分离。枝叶分离是提取树木个体特征的必要前提,其目的是将激光雷达点云分为枝干和叶片两部分。在扫描测量的过程中,伴随着植物本身的影响和自然环境如风力扰动,会对运算精度和复杂度产生影响,所以需同步去除掉实验树木中无效的噪点。本研究首先对孤立点云(噪声点)进行剔除,并计算了树木枝干与叶片点云数据的一系列特征,如将法向量、结构张量等带入进半监督支持向量机[35]中开展扫描树的枝叶分离操作。

对于形状特征,采用“特征显著性”来进行点云数据的逐点分析。检查局部邻域是否形成一个球体(紧凑和空间各向同性)、线(具有单一空间变化主轴的分布)、或薄平面(两个变化轴)。如枝干大致是线性的,叶片主要是平面的,具体算法如下:

定义空间上某一点pi(xi,yi,zi),点pi在半径r内所有点为其邻域点,记为pj=(xj,yj,zj),并满足条件‖pj-pi‖≤r,点pi邻域的协方差矩阵定义为Cpi。

(1)

(2)

使用公式(3)计算每个点pi的法向量分布:

(3)

利用上述分析,得到每一个点pi的一系列特征来构成特征向量fpi=(eix,eiy,eiz,c0,i,c1,i,c2,i,l0,i,l1,i,l2,i),其中(eix,eiy,eiz)为法向量,(c0,i,c1,i,c2,i)为结构张量,而(l0,i,l1i,l2i)为点法向量的分布。

基于上述提出的点的特征,为树木的点云分类提供了半监督支持向量机的方法。

1.4 单叶分离

经过枝叶分离后,面向提取的叶子点云,由于叶片近似呈现平面特征,本研究设计了一种基于小平面区域生长的植物点云的单叶分割算法,具体如下:

叶子点云中每个点pi的空间特征包含pi所在邻域拟合的平面法向量ni和空间平滑度si。其中pi的拟合平面fi=(XK×3,pi,ni)是一个三元组结构体,以平均叶宽的1/3作为半径取得pi的K近邻点集矩阵XK×3。再将XK×3加入主成分分析法(PCA)进行迭代计算,每次迭代PCA计算出1个属于pi邻域的pj点的距离di,j。di,j定义为XK×3中的点pj到整体拟合平面的欧氏距离,其中为阈值,当di,j>l1,将点pj从XK×3中去除,di,j的计算公式如下:

(4)

当去除一些点之后,K近邻域点集变为K′近邻点集。当XK×3大小保持不变时,PCA迭代过程将停止。计算得到的拟合平面fi=(XK×3,pi,ni)有利于表示每一点pi的空间结构。还需计算XK×3的协方差矩阵Ci来更新拟合平面,计算公式为:

(5)

接着实现小片面的合并聚类算法来识别单叶,从叶子点云中找寻中心点对应的K近邻域集XK×3中平滑度最高的点pk并定义为种子点,再以pk为种子点进行点尺度下的区域生长建立一块有相同特征的小面片区域。该区域生长的特征:①近邻点pj到种子点pk所在拟合平面fj的距离小于l1;②近邻点pj与种子点pk所在拟合平面的法向量之间的夹角小于θ;③近邻点pj与种子点pk之间的欧氏距离小于平均叶长的一半(l2/2)。通过以上方法可以对整体植物点云得到一个初步分割的小面片簇F。

以小面片簇F中的每个小面片Fi为单位,根据面片的邻接关系和面片之间的共面特性进行区域生长,生长后的多个面片将拼接为一个大的空间结构,如果其覆盖的点数超过一定数量则被认为是一个分割出的单片叶片,从而分割出单叶片。

1.5 叶面积求取

在计算训练样本和验证测试样本的叶面积时,本研究采用2种策略:①运用LI-3000C 测量仪手动测量50片叶片的单叶面积;②将叶片近似看成一个平面。本研究从扫描的树木点云中提取100片训练样本和测试样本的单叶点云,把分割的单叶点云在空间中绕X、Y、Z轴分别按固定间隔角度旋转,并确定某个旋转角度下单叶点云Pz方差最小,即此时,叶片点云平行于XOY平面。在此旋转角度下进行点云投影至XOY平面,并通过最小凸包算法计算对应的投影面积大小,以此来代表相应的树叶面积。由于每片叶子点云在空间中位置已知,这些值将与算法结果相互比对以验证算法精度。

1.6 叶片特征获取

激光扫描树木时,每片叶子的点云个数与其面积和树木的点云之间点间距相关[36]。具体解释为:在同一叶片上,点间距大时,叶片对应的点数量少,反之,点间距小时,叶片上点的数量增加。同理,叶子面积大时,对应的点云数量就多,反之则少。在相同的扫描分辨率下,点间距主要受到激光扫描仪至叶片的距离和入射光束与叶片法向量夹角的影响。因此本研究选用单叶的点云数量、扫描仪至叶片的距离和入射光线与叶片法向量的夹角作为叶面积反演的3个变量。

基于单片叶子点云分割的实现,本研究容易获取单片叶子的点云数量n和单片叶子中心距扫描仪的欧氏距离d。入射光束与叶片法向量的夹角θinclud需要由叶片的法向量和激光的入射角决定。其中叶片的法向量通过求得叶片上的每个点的拟合平面所对应的法向量来获得该点的法向量,再对不同方向的法向量加权平均后得到对应叶片的法向量o。而叶片的入射光线向量为扫描仪位置到叶片点云中心点的矢量,记为f。具体图例如图2所示。则第l片叶子的法向量与扫描仪入射光线的夹角θlinclud计算为:

图2 叶片扫描示意图Fig. 2 Schematic diagram shows the process of scanning leaves

(6)

当叶片的法向量与扫描仪入射激光线的夹角越小时(或越接近180°时),叶片正对扫描仪的面积就越大,所得到的点密度越高;反之,叶片的法向量与扫描仪入射激光线的夹角越接近90°时,叶子的侧面就正对扫描仪,获取的点密度则越小。除此之外,点密度会随着扫描仪与叶片的距离d增加而降低,反之亦然。同理,当叶子面积越大时,获得的叶子点云数量就越多,反之则越少。

1.7 L1+L2正则化拟合

每棵树取N个叶片作训练样本,每个叶片分别由前面得到的3个参数作为输入,即Xleaf={θlinclud,n,d},对应的叶面积观测值为y,对这些叶片进行二次线性回归拟合求取叶面积,多项式定义为:

y=y(Xleaf,W)=w0+w1θlinclud+w2n+w3d+w4θlinclud·n+w5d·θlinclud+w6d·n+w7(θlinclud)2+w8n2+w9d2。

(7)

其中,多项式系数向量记为W=(w0,w1,w2,w3,w4,w5,w6,w7,w8,w9)。

正则化(regularization) 是机器学习中对原始损失函数引入额外信息,从而避免过拟合和提高模型泛化性能的一类方法,其做法是在损失函数上人为地加上一项,使得模型参数估计的过程更加利于收敛到局部最小。最常使用的正则化项一般有2种,L1范数(或称L1正则化,l1-norm)、L2范数(或称L2正则化,l2-norm)。在使用的时候,本研究通常在正则化项前面添加1个正则化参数λ∈(0,1)以控制需要的正则化程度。

本研究设计了包含L1+L2正则化项的叶面积损失函数,该函数既考虑了L1正则化方法稀疏性的优点,也加入了L2正则化方法的操作稳定性和抗过拟合性能,并且可以根据不同的模型要求调节正则化参数。

使用了L1+L2正则化来计算叶面积能有效防止叶面积过拟合,叶面积Loss函数表示为J(W),如式(8)所示的形式:

(8)

对J(W)进行求偏导以得出J(W)最小时的W,为方便计算,将J(W)分为两部分,即:

J(W)=P(W)+Q(W);

(9)

(10)

(11)

P(W)和Q(W)求偏导表达式如下:

(12)

(13)

为了后续公式表达的整洁性,令

(14)

最小化J(W)即可得到正则化后预测值与真实值误差最小的系数W,即:

(15)

2 结果与分析

2.1 叶片分离结果

将叶片点云数据的法向量、结构张量等特征与半监督支持向量机相结合,有效快速地将样树紫薇、樱花、银杏和香樟的树干和叶片分割开(图3)。

图3 样本树枝叶分离和单叶分割效果Fig. 3 The results of wood-leaf separation and single leaf segmentation

实验分离出的树冠和树干点云与真实植物之间具有较高的一致性,枝叶分离的结果见图4。绿色表示树叶,棕色表示枝干,视觉效果表明方法有效可行。使用本研究的枝叶分离算法对每棵实验树分割的枝干与叶子点云数量,以及在此基础上通过人工修正得到的枝干与叶子数量见表2。结果表明,点云枝叶分离总体精度达到91%以上,取得了较好的效果。

表2 样树的计算分析结果

1.初始点云initial point clouds;2.分离后的树叶点云point clouds of separated leaves ;3.分离后的枝干点云point clouds of separated branches。图4 样树枝叶分离的效果Fig. 4 Results of branch-leaf separation of experimental trees

使用基于小平面区域生长的植物点云单叶分割算法的单叶分割结果(图5)。对紫薇(a)、樱花(b)、银杏(c)和香樟(d)进行单叶分割并用随机颜色给分割的叶子赋色。结果表明,树冠呈现较好的分离结果,其中每片识别的叶子用不同颜色表示。

图5 样树单叶分割的结果Fig. 5 Results of individual leaf segmentation of experimental trees

本研究算法在分割紫薇和樱花叶片上取得了最佳的分割效果。这主要是由于紫薇和樱花被四周的建筑所环绕而不易受到风力扰动,且树冠内孔隙度较大,叶片互相遮挡较少。而银杏和香樟具有较大的树冠和相对比较高的叶面积密度,地理位置在靠近校园主干道两侧,因此存在较严重的叶片之间遮挡,进而影响了部分叶片的分离的效果。同时,将单叶分割结果与现有的方法[37]以及人工从激光点云数据中识别的结果开展了比较,Xu等[37]使用了一种自适应半径的球邻域算法来提取单棵树木的叶片,其更易受到算法参数调节的影响与噪点的干扰,具体量化比较结果如表2所示。

表2中看出本研究算法取得了更接近人工检测的单叶数量。Xu等[37]算法获取的叶片数量较少,这是由于叶片之间粘连,多个叶片识别为单个叶片,导致欠分割。而本研究算法相对分割效果较好,但由于一些叶子中间出现遮挡导致数据缺失,也存在一些过分割情况。

2.2 叶面积精度验证

本研究通过地基激光雷达获取实验树木的叶面积值,在计算样本真实叶面积时,将叶片近似看成一个平面,把分割的单叶点云在空间中绕X、Y、Z轴分别按固定间隔角度旋转,并确定某个旋转角度下单叶点云的方差最小,即此时叶片点云平行于XOY平面。在此旋转角度下进行点云投影至XOY平面,并通过三角剖分计算对应的投影面积。由以往研究表明,三角剖分算法确定的叶面积与实际测量的真实叶面积非常接近,以此来代表相应的树叶面积。由于每片叶子点云在空间中位置已知,这些值将与算法结果相互比对以验证算法精度。

针对每一棵实验树木,随机选取叶片的数据来构建预测叶面积,其中选取了30%作为训练样本,70%作为测试样本。求取的叶面积及树冠总叶面积结果如表2所示。以单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,为了评估叶面积反演的性能,比较了最小二乘回归与本研究提出的最小二乘拟合加L1+L2正则化多元回归法的效果,并通过比对结果指标(决定系数和均方根误差)定量化分析本研究算法的有效性实验。

通过比对指标决定系数(R2)和均方根误差(RMSE)定量化来分析本研究的有效性,对样树部分叶片的叶面积预测值和实测值的回归分析见图6。蓝色点和蓝色实线为最小二乘法回归点与回归线,橙色点和橙色实线为最小二乘法结合L1+L2回归点与回归线,蓝色区间与橙色区间为90%置信区间。运用最小二乘回归发现拟合出现了欠拟合与过拟合,得到的决定系数分别为紫薇(R2=0.91,RMSE为0.83 cm2),樱花(R2=0.88,RMSE为2.35 cm2),银杏(R2=0.75,RMSE为1.57 cm2),香樟(R2=0.80,RMSE为1.39 cm2)。而采用最小二乘加L1+L2正则化多元回归法中,实验树树叶面积估计结果均高于最小二乘回归方法,具体结果为:紫薇(R2=0.95,RMSE为0.42 cm2)、樱花(R2=0.92,RMSE为1.87 cm2)、银杏(R2=0.83,RMSE为1.24 cm2)、香樟(R2=0.86,RMSE为1.10 cm2)。其中,大树(银杏和香樟)的决定系数比于小树(紫薇和樱花)的略低一些,这是由于激光扫描时,香樟和银杏树受到风力等外力的影响,且树冠上方遮挡导致分割的叶片有偏差,影响了叶片面积的计算。可以看出,本研究的L1+L2正则化法具有更好的运算稳定性与鲁棒性。

图6 实验树叶面积测定值与预测值回归分析图Fig. 6 Regression analysis chart of measured and predicted leaf area of experimental trees

2.3 算法效率

从时间上看,通过与机器学习技术的融合,总实验耗时大大缩短,即使在输入大规模叶片数据的情况下,耗时也较少,不同树种各阶段具体时间如表3所示;从精度上看,尽管树木冠层往往比较密集,大大提高了准确分割叶片的难度,但是与其他算法的对比实验表明,本研究提出的算法更加接近真实结果,符合耗时短、精度高的特点,能够满足以叶面积获取为前提的植物表型研究的基本需求。虽然本研究只选取了几棵阔叶树,但选取的树种树木高低错落,叶片大小形状差异明显,树冠密度不一,所以也具备一定的代表性。本研究为计算真实叶面积提供了一种新的方法,并在可持续森林管理实践和未来精确林业方面具有广阔的潜力。

表3 各阶段算法效率

3 讨 论

本研究以紫薇、樱花、银杏、香樟的地面激光点云数据作为实验对象,设计了一种单叶分割算法,用于提取每片树叶的点云。同时,构造了对应的训练集与测试集,结合L1+L2正则化多元回归叶面积拟合方法,从扫描点云中反演树冠内的真实叶面积大小。在实验的各个阶段,本研究提出的算法都展现出了良好的效率。但将本研究算法应用在实际枝叶分离与叶片分割时,应注意:

1)虽然目前的激光扫描测量技术已经能够获得每棵树厘米级的精确信息,但是对于TLS而言,仍然不可避免地会导致高树的树冠上部遮挡较多,扫描数据部分缺失。对于这个问题,本研究主要在数据采集阶段做出对策:在不同角度观察树木,找到树叶遮挡最少的角度作为放置扫描仪的最佳方位以减小遮挡对实验的影响。从实验结果中也不难看出,即使是结构复杂的樱花树,在遮挡少的情况依然展现出了算法的良好性能。此外,对于遮挡严重的高树,也可以通过TLS与机载激光扫描(airborne laser scanning,ALS)结合的方式,获取树木的完整点云数据,再使用本研究的算法分割叶片。

2)在对点云数据的观测中发现,存在叶片密集导致的叶片点云粘连情况,该情况可大致分为两类:粘连在一起的叶片法向量夹角较大和粘连在一起的叶片法向量夹角较小。在算法中,通过点到叶片平面的欧式距离是否小于阈值来判定一个点是否属于某个叶片,该方法在法向量夹角大的情况下依然适用。当法向量夹角较小时,多个叶片拼接为一个大的空间结构,若该结构覆盖的点数小于单片叶片点数阈值,则被认为是同一片叶片,若大于这一值,则以阈值为叶片点数来分割点云。

3)选择扫描仪与树木之间的合适距离可以增加枝叶分离的精度。随着扫描仪与实验树之间距离的增加,点云的空间分辨率降低,导致叶子或树枝的误分类,而扫描仪离实验树过近时,又会导致严重的叶片遮挡。即使获取的点云是不完整的叶片,也有局部平面特征,通过这些局部平面特征,也能计算该叶片的面积。

4)最小二乘法与L1+L2拟合叶面积得出的拟合系数差异较大或特征对叶面积拟合的贡献相反,这是由于使用最小二乘的方法往往会产生过拟合的情况,导致系数过大或过小,而L1+L2正则化方法有效地避免了过拟合。

本研究算法的普适性可从以下4个角度考虑:

1)点云数据的获取。本算法不局限于3D点云获取方式,从实验结果中不难看出,算法取得更优的结果要求获取的点云尽可能完整,只要树木点云完整,本算法都能做出精准的分割与拟合。

2)树的高度。对从TLS获取的点云数据而言,本算法更适用于较低矮的树木,对于较高的树木,需要利用其他方式辅助获取点云以达到林木点云的完整性。

3)树的叶片。本算法仅适用于阔叶树,对于针叶树,无法获取真实叶面积。同时,算法可行的前提条件是叶片近似为平面,而针叶树不满足这一条件,导致法向量等参量缺失,无法进行有效的叶片分割和叶面积拟合。

4)其他应用方向。除了树木的枝叶分离与叶片分割,本研究算法也可应用于零件表面分割、物体不同部件区分等方向,具有广泛的应用价值与前景。

本研究利用地基LiDAR设备获取了树木点云数据,对树木点云数据开展了枝叶分离、叶叶分离和叶面积计算。该方法的主要创新点为:①设计了叶面点云提取与基于小平面区域生长的植物冠层内点云单叶分割算法,实现每片树叶点云的提取;②分析树木扫描的原理,设计了单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个特征并联合L1与L2正则化多元回归方法求取树冠内真实叶面积值。通过对树木开展分析,发现较小的树木的手动叶面积测定值与预测值的决定系数(R2)均高于0.92,而高大树木由于存在叶片遮挡及叶团簇聚集,影响了单叶分割算法的精度,取得的面积测定值与预测值的决定系数(R2)仍高于0.80。与依赖人工的直接测量相比,本研究提出的方法基于扫描点云从机器视觉的角度可快速、准确地估算树冠真实叶面积,代替复杂的人工测量操作。