网络启发的ULS点云单木分割重构方法

《International Journal of Applied Earth Observation and Geoinformation》：Network-inspired restructuring for individual tree segmentation in ULS point clouds

　　

一种新颖的单木分割(ITS)框架利用小世界和无标度网络概念重构点云。树木形态学实现了从三维点云到二维的可解释降维。余弦相似度全局聚类(CSGC)方法实现了平均90%的ITS精度，具有高泛化性。CSGC在全球七个国家的七种森林类型中表现出强泛化性。

**论文解读：基于网络启发的ULS点云单木分割方法**

**研究背景与问题**
森林资源调查与监测依赖于精确的单木分割（Individual Tree Segmentation, ITS），而无人机激光扫描（UAV-borne Laser Scanning, ULS）凭借其高空间分辨率和灵活部署能力，成为高保真单木观测的重要数据源。然而，现有ITS方法存在显著局限性：传统聚类/规则驱动方法（如分水岭、欧氏距离聚类、均值漂移、图随机游走等）对局部几何假设、点密度变化、边界模糊和图连通性设计敏感，在不同森林类型、冠层位置、下木条件和传感器配置下性能差异显著；基于深度学习的方法虽能学习语义或实例级表示，但依赖大量标注数据、计算资源，且跨森林结构、传感器和点密度体制的迁移性有限。现有研究指出，点云ITS的瓶颈并非单一算法因素，而是数据表示、结构复杂性与计算可扩展性之间的相互作用。在复杂ULS森林场景中，需要一种既能保持垂直结构连续性，又能容忍冠层重叠、不规则树形、局部密度变化和不完全下层观测的表示方法。同时，直接处理密集原始点云虽能保留细节几何，但增加了冗余，且使点级邻域构建效率低下。因此，研究人员提出一种紧凑表示，在减少冗余点级关系的同时保留单木重建所需的结构线索。

**研究内容与结论**
研究人员将ITS重新表述为基于网络启发的点云重构与稀疏化。通过将局部点簇在水平切片上总结为中心点集（hub），每个hub由拟合圆圆心和直径代理表示，生成紧凑的二维hub图，保留空间和尺度信息并降低维度。垂直链接带冲突保护将hub组装成近似单木的稀疏轨迹，最后将标签反投影到三维点云以恢复详细实例。该设计在保持结构连续性的同时减少冗余并提高计算效率。在云南省普洱19个天然混交林样地（30 m×30 m，思茅松Pinus kesiya var. langbianensis为主，混有阔叶树，密度811–2333 株/ha）和七个国家七种森林类型的公开ULS数据集上验证。结果表明，余弦相似度全局聚类（Cosine-Similarity Global Clustering, CSGC）方法平均精度达0.90，召回率0.69，F1分数0.75，在公开数据集上视觉检查平均精度0.92，表现出强泛化性。该框架为可扩展、可解释的ITS提供了实用路径，相关论文发表在《International Journal of Applied Earth Observation and Geoinformation》。

**关键技术方法**（不超过250字）
研究采用的主要关键技术方法包括：①点云降维——将点云按高度间隔（z-interval）分层，每层内局部点簇投影到水平面，用随机抽样一致性（RANSAC）结合最小二乘圆拟合提取中心点集（hub），每个hub记录平面坐标、高程和直径代理，形成四维hub图；②坐标配准与hub相似性构建——通过图像-世界坐标恢复将图像平面参数转换回点云坐标系，并基于四维加权欧氏距离和高斯核函数计算相邻层hub间的相似性；③三种hub聚类策略——欧氏距离路径聚类（EDPC）、四维相似性路径聚类（4DPC）和余弦相似度全局聚类（CSGC），其中CSGC通过候选树干三维轴的一致性检验（垂直距离、轴对齐角度、垂直连续性）进行全局分组；④点云反投影——将hub实例标签通过最近邻搜索映射回原始点云，完成点级分割。样本来源：云南省普洱19个天然混交林样地，以及公开数据集（CULS、NIBIO、RMIT、SCION、TU_WIEN、法国圭亚那热带雨林、荷兰Veluwe森林）。

**研究结果**

**3.1 中心点集与点云完美对齐**
通过视觉检查，hub与原始点云特征一致，拟合圆能近似单木轮廓，基于hub的表示提高了树间可分离性并减少了边界模糊，支持hub-based ITS的可行性。

**3.2 中心点集聚类与ITS**
局部聚类方法（EDPC、4DPC）利用hub进行垂直链接，但中上层与下层hub间的连接常受邻近树hub干扰，导致路径识别错误。全局聚类方法CSGC通过余弦相似度一致性检查，在局部细节描绘和连接路径连贯性上取得更高精度，减少了单木hub间路径误识别，提供了更连贯的连接通路。

**3.3 ITS结果比较**
在19个样地上，EDPC、4DPC、CSGC的平均精度分别为0.62、0.69、0.90，召回率0.28、0.27、0.69，F1分数0.34、0.36、0.75。CSGC在纯思茅松林和混交林均表现优异，且精度变化与林分密度无线性关系，表明算法对森林条件变化不敏感。在公共数据集上，视觉检查平均精度达0.92，CULS数据集达完美检测（p=1.00），但TU_WIEN和RMIT因点云形态模糊或下木干扰精度较低（p<0.80）。ROI约束的点级交并比（IoU）分析显示，CSGC在结构良好的森林场景中分割完整性较高，但在冠层强烈交织和下层干茎观测缺失时，部分实例点级一致性下降。

**讨论与结论**
讨论部分指出，hub聚类方法在复杂混交林中优于传统方法，局部聚类对边界模糊和内部不规则性更敏感，而全局聚类通过树干垂直特征和连续性检查提高了稳定性。参数泛化性分析表明，默认切片厚度0.8 m在类似密度ULS数据中稳定，可扩展性测试显示hub表示将原始点云压缩约478倍，在10公顷以上场景中运行时间主要集中于hub定位，下游匹配和聚类阶段轻量。局限性主要在于下层回波缺失时，可辅助二次聚类（如分水岭、均值漂移、随机游走）进一步细化。

**研究结论翻译**
研究人员提出一个可解释且高效的ULS点云单木分割框架。局部点簇由拟合圆（中心点集）表示以降低维度，并通过三种中心点集聚类策略（EDPC、4DPC、CSGC）实现单木分割。在密集、多层的天然林中，CSGC表现最佳（公开基准测试平均精度/召回率/F分数为0.92/0.96/0.94；本地样地为0.90/0.69/0.75），同时，对中心点集而非原始点进行聚类提高了运行时间效率且不牺牲结构保真度。分块或流式设计支持直接并行化，便于从样地研究向更大区域制图和重复调查迁移。局限性主要在于下层回波缺失，对此，二次聚类（如分水岭/均值漂移/图游走）可进一步优化残留案例。总体而言，该框架为下游森林调查应用中的可扩展、可解释单木分割提供了实用路径。