基于自适应最短路径跟踪的TLS点云单树叶木分离技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Adaptive Shortest Path Tracking for Robust Leaf–Wood Separation in Individual Trees from TLS Point Clouds

　　

摘要：

对于单株树木的地上生物量估算及三维重建而言，区分树叶与木质部分至关重要。虽然可以利用地面激光扫描技术高效地获取高精度、高密度的点云数据，但现有方法存在诸多缺陷，包括对细小枝条的检测不足、对点云子采样的鲁棒性较差，以及在不同树种和树冠结构下的适应性较弱。其中一个核心问题在于过度依赖关键算法参数的预设值。本研究提出了一种用于单株树木中实现可靠树叶与木质部分分离的自适应最短路径跟踪方法（ASPTS）。首先构建图结构，通过最短路径回溯提取骨架点；其次，提出一种改进的k最近邻算法，根据最短路径自适应调整邻近点的数量，从而得到初始的木质部分点；第三，通过主成分分析优化用于描述树干和树枝结构的特征描述符，并采用改进的自适应邻域半径选择策略；最后，通过逐步特征阈值处理结合区域生长方法提取最终的木质部分点。研究选取了22株具有不同树种、高度和树冠结构的树木作为测试对象。结果表明，ASPTS能够在第一类错误和第二类错误之间取得良好平衡。它在不同树种、树冠结构和点云密度等不同条件下，始终展现出强大的细小枝条检测能力及良好的稳定性。与四种现有的先进方法相比，ASPTS的性能更为优异。