通过基于边界感知的生态结构概率分析进行树木和灌木实例分割

《Urban Forestry & Urban Greening》：Tree and shrub instance segmentation by boundary-aware ecological structural probability analysis

自动个体树分割方法结合语义分割与拓扑建模，通过生态结构概率分析有效区分重叠树冠，实验验证精度优于现有方法。

　　自动单树分割（Individual Tree Segmentation, ITS）技术在移动激光扫描（Mobile Laser Scanning, MLS）场景中具有重要意义。随着户外机器人系统的广泛应用，ITS不仅在生态监测、参数计算和三维重建中发挥着关键作用，还成为实现自主导航、障碍物规避和地形建模的基础能力。然而，传统的ITS方法在处理复杂边界区分时存在显著挑战，尤其是在树木冠层重叠、枝干干扰等情况下，往往依赖繁琐的手动分割特征和规则，难以实现高效且准确的分割效果。因此，研究一种能够自动识别并分割单棵树及其灌木的方法显得尤为重要。

本文提出了一种新的方法，用于从MLS点云数据中联合提取单棵树和灌木。该方法首先引入了一种新颖的语义分割网络，该网络融合了多特征和双注意力机制，能够有效从原始点云数据中识别出树木。随后，通过Delaunay四面体化方法构建基于权重的拓扑模型，从而隔离出不连续的树群。接下来，利用欧几里得聚类算法确定树的种子点，以实现对孤立树群中的多棵树进行检测。在种子点确定之后，进一步通过基于高度的优先队列方法进行树干点分割，并增强对边界点的识别能力。最后，为了提升边界点分割的鲁棒性，我们引入了生态结构概率分析，通过分析相邻树木之间的边界点结构特征，评估其与特定树木的关联性。

实验结果显示，该方法在语义分割和实例分割任务中均表现出色。在语义分割方面，总体准确率（Overall Accuracy, OA）达到了89.16%，平均交并比（Mean Intersection over Union, mIoU）为82.92%。而在实例分割任务中，整体精度（Precision）为95.5%，召回率（Recall）为97.39%，F1分数为96.41%。这些结果表明，我们的方法在处理不同遮挡情况下的树木和灌木提取时，相较于当前最先进的方法（State-of-the-art, SOTA）具有更优越的性能。

### 个体树木分割的背景与挑战

随着机器人技术在林业领域的快速发展，森林场景的理解能力得到了显著提升，为诸如树木种类分类、森林资源调查和生态监测等任务提供了有力支持。个体树木分割作为森林场景理解的重要组成部分，旨在将整个森林景观中的每棵树分离出来，并将其视为独立的实体。通过ITS，可以更精细地提取和分析树木的关键属性，例如树冠形态、树高、树干直径等，从而提升对森林场景信息的理解精度和细粒度。

然而，户外MLS点云数据往往包含多种复杂对象，且树木点云的密度因上层冠层的遮挡而存在较大差异。此外，树木之间、树木与灌木之间，甚至树木与非植物物体（如路灯、广告牌和建筑物）之间常常存在重叠特征，这给个体树木的精确定位和提取带来了巨大挑战。传统的ITS方法通常依赖于将三维结构数据转换为二维表面模型或体素模型，然后通过识别局部最大值（即树冠顶部）并探索其周围区域，利用如分水岭算法（Watershed Algorithm）和区域生长（Region Growing）等技术来确定树冠范围。然而，这些方法往往假设某棵树具有最大的冠层，导致结构信息的缺失，难以准确捕捉到树木之间的复杂关系。

此外，高密度的下层植被和不规则的树干形态也会影响树干和树冠顶部的识别效果。例如，在高植被覆盖的森林中，树干可能被遮挡，使得其特征难以被提取。而在树冠轮廓不明显的情况下，传统的分割方法也容易出现偏差。因此，为了实现更准确的个体树木分割，需要引入一种能够自动适应不同场景、处理复杂边界问题的算法。

### 新方法的提出与实现

针对上述挑战，本文提出了一种新的个体树木分割方法，旨在实现对树木和灌木的联合分割。该方法的核心思想是通过模拟现实世界中枝干的生长规律，精确区分树干点和边界点。具体而言，我们首先利用一种融合了多特征和双注意力机制的语义分割网络，从原始点云数据中提取出树木。这一网络能够有效捕捉点云中的多种特征，包括点的空间分布、高度变化、曲率信息等，并通过双注意力机制进一步增强对关键区域的识别能力。

在语义分割的基础上，我们利用Delaunay四面体化方法构建基于权重的拓扑模型，以连接相邻点并建立它们之间的关系。Delaunay四面体化是一种常用的三维点云结构分析方法，能够生成一个无向图，其中每个点与周围点相连，从而形成一个稳定的拓扑结构。通过这一模型，我们可以识别出点云中的不连续区域，进而为后续的分割任务提供支持。

为了进一步识别树木，我们引入了欧几里得聚类算法，该算法能够根据点之间的空间距离，将点云划分为多个聚类。这些聚类中可能包含多个树木，因此我们需要通过某种方式来区分不同树木的实例。为此，我们提出了一种基于高度的优先队列方法，该方法首先根据点的高度对点云进行排序，然后依次处理每个点，识别出可能属于树干的点。这种方法能够在不依赖手动参数的情况下，实现对树干点的自动分割。

在识别出树干点之后，我们进一步关注边界点的分割。边界点通常是指那些位于树冠边缘、与其他树木或灌木存在重叠的点。为了准确分割这些边界点，我们引入了一种基于生态结构概率的分析方法。该方法通过计算边界点与最近两棵树之间的关联概率，来判断其属于哪一棵树。这一概率计算基于生态距离、重心偏移角和垂直角等生态特征，能够有效反映树木之间的空间关系和生长模式。

通过上述步骤，我们的方法能够在复杂场景中实现对单棵树和灌木的高效分割。实验结果表明，该方法在多个基准数据集上均表现出色，特别是在处理遮挡和重叠情况时，相较于现有的方法具有更高的精度和召回率。

### 方法的创新点与贡献

本文的主要贡献包括以下几个方面：

1. **融合语义分割与生态结构概率分析**：我们提出了一种结合语义分割和生态结构概率分析的综合框架，该框架特别适用于存在树木和灌木重叠的复杂场景。通过语义分割，我们能够快速识别出树木的区域，而生态结构概率分析则进一步细化边界点的分割，提高分割的准确性。

2. **基于权重的拓扑模型**：为了更高效地分割树干点，我们引入了一种基于权重的拓扑模型，该模型能够连接相邻点，并根据点之间的空间关系建立稳定的拓扑结构。这种方法不仅提高了分割的效率，还增强了对复杂场景的适应能力。

3. **生态结构概率分析**：我们提出了一种新的生态结构概率分析方法，通过计算边界点与最近两棵树之间的关联概率，来判断其属于哪一棵树。这一方法基于生态距离、重心偏移角和垂直角等生态特征，能够有效反映树木之间的空间关系和生长模式。

### 实验结果与讨论

为了验证我们提出的方法的有效性，我们在多个基准数据集上进行了实验。其中包括Paris-Lille-3D和WHU-Urban3D数据集。Paris-Lille-3D数据集是由MLS原型L3D2生成的，该设备配备了Velodyne HDL-32E多光纤激光雷达，其旋转轴与水平面之间的夹角为30度。为了确保数据的高密度和位置精度，我们仅保留了距离激光雷达20米以内的点，该数据集覆盖了约2平方公里的区域，包含约1.4亿个点。

WHU-Urban3D数据集则使用了两个激光扫描系统，均集成了全球导航卫星系统（GNSS）和惯性测量单元（IMU），用于采集城市环境中的点云数据。这些数据集涵盖了多种复杂的场景，包括树木与建筑物的重叠、树木之间的遮挡等，为我们的方法提供了丰富的测试数据。

在实验中，我们首先评估了语义分割的效果。结果显示，我们的方法在Paris-Lille-3D和WHU-Urban3D数据集上均取得了较高的语义分割精度，总体准确率（OA）分别为89.16%和82.92%。这些结果表明，我们的方法能够有效识别出树木，并在复杂场景中保持较高的分割质量。

在实例分割方面，我们与几种现有的方法进行了比较，包括基于树干约束的方法（Ning et al., 2023）、基于聚类的方法（Xu et al., 2018）、3D Forest方法（Trochta, 2017）以及三种基于深度学习的实例分割方法（PDE-Net, SoftGroup, 和其他方法）。实验结果表明，我们的方法在整体精度、召回率和F1分数方面均优于这些现有方法。特别是在处理遮挡和重叠情况时，我们的方法表现出更强的鲁棒性，能够更准确地分割出单棵树和灌木。

此外，我们的方法在处理不同密度的点云数据时也表现出良好的适应性。无论是高密度还是低密度的点云，我们的方法都能够通过调整参数和优化算法，实现对树木和灌木的高效分割。这种灵活性使得我们的方法能够广泛应用于不同的环境和场景中。

### 方法的局限性与未来工作

尽管我们的方法在多个数据集上取得了优异的性能，但仍存在一些局限性。例如，在处理极端遮挡或低密度点云时，我们的方法可能无法准确识别所有树木和灌木。此外，由于边界点的分割依赖于生态结构概率分析，因此在某些情况下，可能会出现误判或漏判的情况。未来的工作可以进一步优化这些方面，例如引入更复杂的生态特征或改进概率计算模型，以提高分割的准确性和鲁棒性。

此外，我们的方法在处理大规模点云数据时，计算复杂度较高。为了提高计算效率，未来可以探索更高效的算法或引入并行计算技术，以加快处理速度。同时，还可以考虑将我们的方法与现有的深度学习模型相结合，以进一步提升分割效果。

### 结论

本文提出了一种新的个体树木分割方法，该方法能够有效处理复杂场景中的树木和灌木分割问题。通过融合语义分割和生态结构概率分析，我们的方法在多个基准数据集上均取得了优异的性能，特别是在处理遮挡和重叠情况时，表现出更强的鲁棒性。此外，基于权重的拓扑模型和生态结构概率分析的引入，使得我们的方法能够更高效地分割树干点和边界点，从而实现对单棵树和灌木的精确识别。

总的来说，本文的方法为户外机器人系统在森林场景中的应用提供了重要的技术支持，不仅提升了个体树木分割的准确性，还为生态监测、参数计算和三维重建等任务提供了更可靠的数据基础。未来的研究可以进一步优化该方法，以适应更多复杂场景，并提高其在大规模点云数据处理中的效率。