基于激光雷达点云数据的树种分类 下载: 1551次
1 引言
精确的树种分类对于林木可持续管理、生态环境保护和生物多样性研究都具有重要意义[1-3]。与基于劳动密集型现场调查的常规方法相比,遥感(RS)为完成树种分类提供了更有效的解决方案[4]。现已开发出多种航空航天和机载RS方法来实现树种分类,但这些方法自身都具有局限性。如地球60%~70% 被云层覆盖,这非常不利于高光谱数据的采集。同时,高光谱数据处理过程中也存在难以克服的“同物异谱”、“异物同谱”等问题[5]。目前,激光雷达(LiDAR)技术是最先进的主动RS技术,使用LiDAR仪器可显著提高树种的分类精度,较传统光学遥感有显著优势,在林业科学研究中得到了广泛应用。在过去的十多年中,国内外学者一直在发掘LiDAR数据的应用能力,对LiDAR数据和树种分类研究做了大量工作。
Holmgren等[6]结合机载LiDAR数据,提取特征参数,对当地森林的主要树种挪威云杉和欧洲赤松进行分类,结合样地勘察数据,分类精度达95%。Hollaus等[7]使用LiDAR数据提取单木冠层高,结果表明,LiDAR树高与外业树高有很好的相关性。刘清旺等[8]基于机载激光点云数据提出了一种双正切角树冠识别算法,获取树高和冠幅数据。赵旦[9]基于高密度LiDAR点云数据提出了控制数字冠层高度模型的优化算法和单株树的识别算法,树高和树种的识别正确率均超过90%。Li等[10]设计了4种类型的LiDAR特征:树的三维纹理、树叶相对聚类程度、树叶聚类比例和树冠内间隙分布,结合遗传算法选择特征,使用挑选的特征,结合线性判别分析,对糖枫、白杨、班克松和美国白松进行分类,整体精度为77.5%,Kappa系数达0.7。魏田[11]从三维点云数据提取树干位置与胸径、树高与树冠直径、树干收缩度、树干倾斜度与倾斜方位角等单木结构参数,结合灰度共生矩阵进行能量、对比度、相关性和均匀性,计算纹理特征参数,进行树种分类。结果表明,结合较多参数时的分类精度较高。Cao等[12]利用全波形激光雷达数据对亚热带森林树种进行分类。结果表明,6种树种的总体分类精度为68.60%,4种树种的总体分类精度为75.80%,而针叶林和阔叶林的分类精度为86.20%。王佳等[13]基于地面激光雷达并结合树木胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅及其组合特征参数,采用支持向量机(SVM)、分类回归决策树和随机森林的方法进行冠幅自动识别。结果表明,采用测树因子识别的平均准确率为76.5%,平均召回率为77.8%,采用组合特征参数识别的平均准确率为89.1%,平均召回率为89.6%。
国内外研究表明,利用LiDAR数据进行树种分类的研究已经取得阶段性的进展。但是,局限于机载LiDAR数据获取的精度,目前大多数研究集中于森林参数的提取,机载LiDAR对森林垂直结构信息有很强的获取能力,但对林冠下层结构描述不详细,无法提高树种在水平方向上的相关信息。采用现有的统计学措施,无法充分探明由树枝和树叶构成的详细树体结构,需要采用更加有效的特征参数组合来提高分类精度。本文结合3种类型的树木点云特征,即结构特征(SF)、纹理特征(TF)和冠形特征(CF),在使用SVM的基础上分别结合7种组合参数(SF、TF、CF、SF+TF、SF+CF、TF+CF和SF+TF+CF)完成树种分类,3种特征参数对树种分类精度的影响是本文研究的核心问题。
2 研究地点和数据
本实验研究地点有2处,第1处为地处亚热带季风区的杭州钱江新城森林公园(30°14'N,120°13'E),该公园总占地面积16.7 hm2,是钱江新城内品质最好、面积最大的公共绿地;第2处为位于暖温带大陆性气候区的新疆维吾尔自治区阿克苏地区红旗坡农场(41°17'N,80°18'E),水资源和光热资源非常丰富。研究区域内的优势树种主要有水杉(
图 1. 基于LiDAR系统的点云样本树示例。(a)水杉;(b)柳树;(c)女贞树;(d)竹子;(e)苹果树
Fig. 1. Examples of point cloud sample trees based on LiDAR system. (a) Metasequoia glyptostroboides; (b) Salix babylonica; (c) Ligustrum lucidum; (d) bamboo; (e) Malus pumila Mill.tree
表 1. 0 基于所有参数的树种分类结果
Table 1. 0 Classification results of tree species based on all parameters
|
3 研究方法
实验流程图如
3.1 点云数据预处理
基于CloudCompare软件对原始点云数据进行预处理,如
1) 单株分离。基于梯度下降算法和分水岭分割算法进行单株树分割。
2) 数据筛选。由于数据实际采集过程中存在遮挡等问题,需要手动提取较完整的单株点云数据。
3) 删除多余杂点。
3.2 单株特征提取
在本实验中,LiDAR特征组为SF、TF和CF。为了便于计算和统一度量,先将原始的点云单株数据归并到(0,0,0)原点,即所有单株树的
式中:
3.2.1 结构特征参数的推导
点云的分布规律可以明确表征树种的结构。虽然使用LiDAR点云不能够重建树木的详细结构,但其在统计意义上反映了不同树种的结构特征,最明显的特征是激光点由于树冠的光线阻挡而自上往下逐渐减少,减少程度因不同树种而异,即不同树种冠层激光点数的比例可能不同。因此,除了点高度类型[14]的共同特征参数外,位于不同高度分位数[15]的激光点数也被选为特征参数。具体获取的参数为{
图 3. 杭州钱江新城森林公园LiDAR点云预处理图
Fig. 3. Preprocessing diagram for point cloud of Qianjiang new town Forest Park in Hangzhou collected by LiDAR
图 4. 新疆维吾尔自治区阿克苏地区红旗坡农场LiDAR点云预处理图
Fig. 4. Preprocessing diagram for point cloud of Hongqipo farm in Akesu Prefecture, Xinjiang Uygur Autonomous Region collected by LiDAR
3.2.2 纹理特征参数的推导
树木三维(3D)空间中各体素可表达树的纹理特征。使用由三维灰度共生矩阵(3DGLCM)计算的统计度量来表征树的3D纹理,这些统计度量基于3个步骤,即单棵树的体素表示、3DGLCM计算和Haralick等
三维空间中距离度量参数
综上所述,灰度共生矩阵
式中:
不同
1 | 1 | 0 | 0 |
2 | 0 | 1 | 0 |
3 | 1 | 1 | 0 |
4 | 1 | -1 | 0 |
5 | 0 | 0 | 1 |
6 | 0 | 1 | 1 |
7 | 0 | 1 | -1 |
8 | 1 | 0 | -1 |
9 | 1 | 0 | 1 |
10 | 1 | -1 | -1 |
11 | 1 | 1 | 1 |
12 | 1 | 1 | -1 |
13 | 1 | -1 | 1 |
图 5. 3D空间中中心体素和13个方向相邻体素的位置关系
Fig. 5. Location relationship between central voxels and adjacent voxels in 13 directions of 3D space
根据14个纹理特征参数进行计算,分别求其对应13个方向的平均值,作为最终TF参数计算结果。参数及表达式如下。
1) 角二阶矩
式中:
2) 对比度
3) 相关性
式中:
4) 平方和方差
式中:
5)逆差矩
6) 总和平均值
式中:
7) 总和熵
8) 总和方差
9) 熵
10) 差异方差
式中:
11) 差异熵
12) 相关性信息量
式中:
13) 相关性信息量
式中:
14) 最大相关性系数
3.2.3 冠形特征参数的推导
树木地上部由主干(乔木)、主枝、侧枝、结果枝和新梢等生长叶片的部位构成,称为树冠。树冠是林木重要的地上组成部分,也是林木进行光合作用的主要场所[18],树冠分析对于研究森林的生长情况和动态变化具有非常重要的意义[19],一直是林学研究热点。本文对欧几里得簇分割算法进行改进,引入空间索引的概念,对树木点云进行枝叶分离[20],获得树冠点云数据。基于LiDAR冠层表征的综合分析表明,对于不同的分支组织模式,点云显示出不同的空间分布模式。根据这些理论,本文提出了冠形特征参数及其定义和公式。在边界框内,树冠被细分为体素大小为ceil
1) 8个分段内体素等效中心的高度与冠长的比值为
式中:
2) 8个分段内体素等效中心半径与冠半径的比值为
式中:
3) 超过1/3树冠的激光点覆盖体素与树冠体素之比为
式中:
图 6. 划分示意图。(a)样本树的初始扫描数据;(b)使用枝叶分离算法提取的叶子点;(c)扫描叶点的体素化;(d)划分为8个部分的叶子点云顶视图;(e)划分后的第1个分段和第8个分段
Fig. 6. Segmentation diagram. (a) Initial scanned data of sample tree; (b) extracted leaf points using branch leaf segment algorithm; (c) voxelization for scanned leaf points; (d) top view for leaf point cloud divided into 8 parts; (e) 1st part and 8th part after division
4) 所有体素内的激光点的最大密度为
5) 所有8个垂直分段的
式中:
6) 所有8个垂直分段的
式中:
7) 枝干空间的体素数和树的所有体素之比为
式中:
8) 所有8个垂直分段的体素数量的标准偏差为
9) 8个相邻分段之间的偏差与冠的所有体素之间的差的比率为
式中:abs表示取绝对值。
10) 树冠的投影面积与树冠的凸包体积之比为
式中:
11) 两个对角分段间非空体素数量相关系数之和与两个相邻分段间非空体素数量相关系数之和的比值为
式中:Cor表示相关系数函数。
12)
3.3 基于SVM的分类
基于SVM的LIBSVM工具包完成树种分类。本实验以5类共300棵树作为样本集,按照分层采样的思想从每类样本中随机选出2/3作为训练样本,剩余1/3作为验证样本,训练样本与验证样本分布见
训练样本与验证样本的数量
Number of training samples and validation samples
Specie | Number of | Number of | Total |
---|---|---|---|
36 | 18 | 54 | |
28 | 14 | 42 | |
40 | 20 | 60 | |
Bamboo | 54 | 27 | 81 |
42 | 21 | 63 | |
Total | 200 | 100 | 300 |
3.3.1 结合 SF参数和SVM的树种分类
对分离的300棵单株树与相应的人工现场识别树种进行匹对,并进行树种分类分析。首先分别对5类树种编号,水杉A、柳树B、女贞树C、竹子D和苹果树E,基于SF参数,运用线性核函数、二次多项式核函数、三次多项式核函数、径向基函数(RBF)核函数的SVM分类器分别对树种分类进行分析,并与原始树种进行精度评定。通过对比分类前后的标记,统计错判率和漏判率发现,使用三次多项式核函数的SVM分类器进行分类时,错判率和漏判率相对较低,结合 SF参数计算的混淆矩阵见
结果表明,结合SF参数分类的总体精度为58%,水杉、柳树、竹子和苹果树的分类精度均在55% 以上,漏判率均低于50% 。其中,柳树的分类精度最高,但错判率同样最高。与之相反的是,女贞树的分类精度最低,仅为30% ,但错判率相对较低,仅33.33%。由此说明,分类精度高不代表分类结果就好,需要基于研究区中分离单木的识别程度。可见,结合SF参数进行树种分类是可行的,但仍需加入其他参数以进一步提高分类精度,降低漏判率和错判率。
表 3. 训练样本与验证样本的数量
Table 3. Number of training samples and validation samples
|
3.3.2 结合TF参数和SVM的树种分类结合TF参数的混淆矩阵分类结果见
表 4. 基于SF参数的树种分类结果
Table 4. Classification results of tree species based on SF parameters
|
结果表明,分类结果总体精度为64%,对比结合 SF参数计算的混淆矩阵结果发现,结合TF参数的总体分类精度略高。虽然水杉、柳树、竹子、苹果树的分类精度有升有降,但女贞树的分类精度大幅提高,达55%。柳树的错判率依很高,为59.09%,可见,柳树和女贞树容易发生误判。根据分析结果可知,结合TF参数对分类结果尤其对女贞树的分类精度有较好的修正。3.3.3 结合CF参数和SVM的树种分类结合CF参数的混淆矩阵分类结果见
表 5. 基于TF参数的树种分类结果
Table 5. Classification results of tree species based on TF parameters
|
结果表明,结合CF参数的总体分类精度为60%,高于SF参数,但低于TF参数。5类树种的分类精度较TF参数略低。柳树和女贞树的错判率仍较高,这可能是由于使用小型固定翼无人机从空中向地面扫描,配准精度相对较低,以及树木遮挡、林下矮小灌木丛等造成的个别区域点云密度不高,从而导致单木识别和树种配对结果发生偏差。由此可见,结合CF参数对树种进行分类是可行的,但分类错判率仍较高。3.3.4 结合SF、TF参数和SVM的树种分类对结合两类参数的分类结果进行研究,结合SF、TF参数的混淆矩阵分类结果见
表 6. 基于CF参数的树种分类结果
Table 6. Classification results of tree species based on CF parameters
|
结合SF和TF参数的总体分类精度有较大提高,正确率为73%。单个树种分类精度比使用一类参数进行分类平均高10%以上,漏判率和错判率均进一步降低。实验表明,结合SF和TF两类参数的分类结果较只结合一类参数更好,但仍需进一步研究其他参数配对对分类结果的影响。3.3.5 结合SF、CF参数和SVM的树种分类结合SF和CF参数的混淆矩阵分类结果见
表 7. 基于SF和TF参数的树种分类结果
Table 7. Classification results of tree species based on SF and TF parameters
|
表 8. 基于SF和CF参数的树种分类结果
Table 8. Classification results of tree species based on SF and CF parameters
|
表 9. 基于TF和CF参数的树种分类结果
Table 9. Classification results of tree species based on TF and CF parameters
|
结合SF、TF和CF参数的混淆矩阵的分类结果达到最优,总体分类精度为85%,Kappa系数为0.81。结合漏判率和错判率可见,对水杉、竹子和苹果树的分类效果最好,分类精度均在80%以上。其中,对竹子的分类精度最高,达92.59%,这是由于竹子结构分布、纹理特征和冠形特征均与其他树种有较大差别,因此对竹子的分类效果一直比较好。对柳树分类的错判率也降低到可以令人满意的数值,可见多类参数对树种分类结果有较好的作用。分类效果相对最差的是女贞树,精度为75%,这可能是由于树种特征和其他树种相似,特征不明显,很多女贞树被判为其他树种。总体分类精度结果如
结合SF、TF、CF、SF+TF、SF+CF、TF+CF和SF+TF+CF这7种组合特征,针对5种类不同树种的总体分类精度分别为58%、64%、60%、73%、70%、77%和85%。
4 结论
以杭州钱江新城森林公园和新疆维吾尔自治区阿克苏地区红旗坡农场中的水杉、柳树、女贞树、竹子、苹果树5类树种为研究对象,获取稠密的机载激光雷达数据,从点云中提取结构特征参数、纹理特征参数与冠形特征参数,结合SVM分类器,实现面向激光点云数据的树种分类识别,经过算法验证,发现结合3类特征参数,得到的总体分类精度为85%。
本实验采用自上而下的点云扫描方式,树冠下部数据由于遮挡导致部分数据缺失,且树冠生长竞争导致的交叠致使分类精度未达到100%,今后将结合多源遥感数据,如遥感影像的代理信息、同时结合高光谱数据和深度学习的大数据样本,不断提高分类精度。
[1] 鲁续坤. 基于机载LiDAR和高光谱数据的树种分类及三维显示[D]. 成都: 电子科技大学, 2018.
Lu XK. Tree species classification and 3D visualization based on airborne LiDAR and hyperspectral data[D]. Chengdu: University of Electric Science and Technology of China, 2018.
[2] 赵峰. 机载激光雷达数据和数码相机影像林木参数提取研究[D]. 北京: 中国林业科学研究院, 2007.
ZhaoF. Forest parameter extraction using LiDAR data and digital camera image[D]. Beijing: Chinese Academy of Forestry, 2007.
[5] 王彩艳, 王瑷玲, 王介勇, 等. 基于面向对象的海岸带土地利用信息提取研究[J]. 自然资源学报, 2014, 29(9): 1589-1597.
[8] 刘清旺, 李增元, 陈尔学, 等. 利用机载激光雷达数据提取单株木树高和树冠[J]. 北京林业大学学报, 2008, 30(6): 83-89.
[9] 赵旦. 基于激光雷达和高光谱遥感的森林单木关键参数提取[D]. 北京: 中国林业科学研究院, 2012.
ZhaoD. Individual tree parameters extraction based on lidar and hyper-spectrum data[D]. Beijing: Chinese Academy of Forestry, 2012.
[10] Li JL, Hu BX, Noland T L. Classification of tree species based on structural features derived from high density LiDAR data[J]. Agricultural and ForestMeteorology, 2013, 171/172: 104- 114.
[11] 魏田. 基于静态地基激光扫描点云的单树结构表征[D]. 唐山: 华北理工大学, 2015.
WeiT. Tree-level structure characterization based on static terrestrial laser scanning point clouds[D]. Tangshan: North China University of Science and Technology, 2015.
[13] 王佳, 张隆裕, 吕春东, 等. 基于地面激光雷达点云数据的树种识别方法[J]. 农业机械学报, 2018, 49(11): 180-188.
[17] Haralick R M, Shanmugam K. SMC-[J]. Dinstein I. Textural features for image classification. IEEE Transactions on Systems, Man, Cybernetics, 1973, 3(6): 610-621.
[18] 韦雪花, 王永国, 郑君, 等. 基于三维激光扫描点云的树冠体积计算方法[J]. 农业机械学报, 2013, 44(7): 235-240.
[19] 徐伟恒, 冯仲科, 苏志芳, 等. 一种基于三维激光点云数据的单木树冠投影面积和树冠体积自动提取算法[J]. 光谱学与光谱分析, 2014, 34(2): 465-471.
[20] 张冬, 严锐, 云挺, 等. 基于地面激光雷达的单木枝干建模方法[J]. 林业工程学报, 2016, 1(5): 107-114.
Article Outline
陈向宇, 云挺, 薛联凤, 刘应安. 基于激光雷达点云数据的树种分类[J]. 激光与光电子学进展, 2019, 56(12): 122801. Xiangyu Chen, Ting Yun, Lianfeng Xue, Ying'an Liu. Classification of Tree Species Based on LiDAR Point Cloud Data[J]. Laser & Optoelectronics Progress, 2019, 56(12): 122801.