基于體元逐層聚類的TLS點云數(shù)據(jù)單木分割算法

邢萬里 ，邢艷秋 ，黃 楊 ，曲 林 ，尤號田

（1. 東北林業(yè)大學 森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040；2. 黑龍江省測繪科學研究所，黑龍江 哈爾濱 150040）

基于體元逐層聚類的TLS點云數(shù)據(jù)單木分割算法

邢萬里1，邢艷秋1，黃 楊2，曲 林2，尤號田1

（1. 東北林業(yè)大學 森林作業(yè)與環(huán)境研究中心，黑龍江 哈爾濱 150040；2. 黑龍江省測繪科學研究所，黑龍江 哈爾濱 150040）

為了提高地基激光雷達(Terrestrial Laser Scanning, TLS)點云數(shù)據(jù)的單木分割精度及分割效率，以落葉期的蒙古櫟人工林為研究對象，以TLS為基礎數(shù)據(jù)，在三維點云數(shù)據(jù)體元化的基礎上提出一種基于體元逐層聚類的單木分割算法，通過分析體元在豎直方向的z值序列準確獲取單木的位置，然后利用模糊C均值算法以單木位置為初始聚類中心從最底層體元開始進行逐層聚類，最終實現(xiàn)樣地水平蒙古櫟單木分割。研究結果表明，通過分析體元在豎直方向的z值序列能準確獲取單木的位置，本研究提出的單木分割算法能夠實現(xiàn)樣地水平單木的精確分割。

地基激光雷達TLS，體元，逐層聚類，模糊C均值，單木分割

林業(yè)資源調查為不同用戶層面的生態(tài)系統(tǒng)的管理和規(guī)劃提供依據(jù)，大到全球的政治決策小到地區(qū)林業(yè)的經營和管理，樣地調查則是林業(yè)資源調查的基礎。傳統(tǒng)的樣地調查工具如胸徑尺、測高儀等測量效率低，而自從地基激光雷達（Terrestrial Laser Scanning, TLS）被應用到林業(yè)調查中以來，情況已經發(fā)生了巨大的變化。TLS通過測量掃描儀和目標之間的距離快速獲取物體表面高密度高精度的三維點云數(shù)據(jù)，在不破壞林木結構的基礎上，實現(xiàn)單木垂直結構參數(shù)的自動提取。

TLS被應用到樣地調查始于2000年左右[1-2]，首先被應用到了單木位置、樹高、胸徑等林木屬性的評估中[3-4]，后來研究逐漸朝著樹干曲線[5]、冠層結構[6-8]、量化結構模型[9-10]的方向發(fā)展，從最初的單木結構參數(shù)提取到完整單木的建模，對林木結構的研究越來越精細。已有的關于冠層結構分析，量化結構模型的研究對象多為單木，而TLS被應用到林業(yè)中主要目的是為了替代傳統(tǒng)的樣地調查手段并為大尺度遙感技術如機載激光雷達（Airborne Laser Scanning, ALS）和光學遙感等提供驗證數(shù)據(jù)，所以未來的主要研究趨勢之一必然是樣地尺度的單木精細建模。隨著硬件技術的快速發(fā)展，一個樣地的數(shù)據(jù)量已經達到了幾千萬到幾十億個點，一站數(shù)據(jù)的掃描時間不超過5分鐘，但是PC端的海量點云數(shù)據(jù)處理依然面臨著很大的局限性[11]，即直接對所有的點云數(shù)據(jù)進行處理效率很低，因此有必要采用分而治之的思想，先進行樣地點云數(shù)據(jù)的單木分割，然后再針對單木數(shù)據(jù)進行參數(shù)提取和建模。已有的單木分割研究中，大量的單木分割算法被用于ALS點云數(shù)據(jù)[12-13]，其主要思想是通過識別樹冠的高度分割單木，但由于TLS只能準確掃描冠層以下的林木結構[14-15]，所以這種方法在TLS單木分割方面可行性不高。目前TLS點云數(shù)據(jù)的單木分割依然十分具有挑戰(zhàn)性，尤其是在林木密集、單木形體不規(guī)則和樹干彎曲生長情況下的單木分割。已有的關于TLS點云數(shù)據(jù)的參數(shù)提取多集中在單木的識別，然后假設以單木位置為圓心指定半徑圓柱區(qū)域內的點云數(shù)據(jù)為該單木的數(shù)據(jù)[16-17]，這種方法必然無法準確分割密集且彎曲生長的單木。也有一些研究對道路兩旁的行道樹進行單木分割[18-19]，但是行道樹之間規(guī)則分布，所以這些分割方法應用到樣地TLS點云數(shù)據(jù)時適用性較低。

很多研究者認為多測站配準點云數(shù)據(jù)可行性較低，因為林地內的標靶通視性較差，標靶的設置以及手動配準點云數(shù)據(jù)所耗的時間是掃描時間的幾十倍以上，且多測站點云數(shù)據(jù)配準結果往往誤差較大[20-21]。綜上所述，為了實現(xiàn)密集生長且形體不規(guī)則林木點云數(shù)據(jù)的準確分割并提高單木分割精度及分割效率，本研究以落葉期的蒙古櫟人工林單測站掃描數(shù)據(jù)為研究對象，以TLS單測站三維掃描數(shù)據(jù)為基礎，在三維點云數(shù)據(jù)體元化的基礎上提出一種基于體元逐層聚類的單木分割算法。該算法充分利用體元能夠分割三維空間的優(yōu)勢，通過分析體元在豎直方向的z值序列準確獲取單木的位置，然后利用模糊C均值（Fuccy C-Means, FCM）算法以單木位置為初始聚類中心從最底層體元開始進行逐層聚類，每一層的聚類中心能夠準確地追蹤樹干的生長趨勢，最終實現(xiàn)樣地水平蒙古櫟點云數(shù)據(jù)的單木分割。

1 研究方法

1.1 研究區(qū)及數(shù)據(jù)介紹

本研究以東北林業(yè)大學實驗林場（45°43′19″N，126°37′43″E）的蒙古櫟人工林為研究對象，樣地內平均樹高為9.94 m，平均胸徑為13.68 cm，林分平均密度為2 575 株/hm2，單木位置無規(guī)則分布，僅有喬木層，無灌木層和草本層。利用地基激光雷達Trimble GX 3D掃描儀對樣地進行掃描采樣，掃描過程中設置距離100 m處掃描密度為80 mm ×80 mm，最大視場角為360°×60°，掃描數(shù)據(jù)在Realworks軟件平臺中顯示（見圖1），圖中可以看出該林分中林木比較密集。掃描數(shù)據(jù)獲取的時間為2015年11月1日，此時蒙古櫟已經落葉，本研究選擇單測站點云數(shù)據(jù)作為實驗數(shù)據(jù)，為更好地觀察和分析本研究所提出單木分割算法的效果，設定了不同的觀測尺度，分別對6株樹、10株樹、20株樹進行分割。

圖1 原始點云數(shù)據(jù)Fig.1 The raw point cloud data

1.2 TLS點云數(shù)據(jù)單木分割算法

TLS掃描獲取的蒙古櫟林點云數(shù)據(jù)，雖然能夠真實呈現(xiàn)蒙古櫟林的內部結構信息，但點云數(shù)據(jù)量巨大且信息冗余混雜，為提高樣地單木結構參數(shù)提取的效率，本研究提出了一種基于體元逐層聚類的單木分割算法，旨在實現(xiàn)樣地點云數(shù)據(jù)中單木的準確識別和分割。

1.2.1 獲取單木位置

單木位置是在點云數(shù)據(jù)體元化的基礎上，通過分析每個體元坐標（x，y）位置處體元的z值序列進行確定。體元的坐標計算公式為如公式（1）所示，

式（1）中：（xmin，ymin，zmin）為所有點的x，y，z坐標的最小值，l體元的邊長， fl oor為向下取整，記錄位于每個體元內的點，然后統(tǒng)計每個體元的相鄰26個位置存在的體元的個數(shù)。將孤立的體元和體元內點數(shù)小于3的體元視為噪聲并刪除。

計算每個體元坐標（x，y）位置處對應體元的z值序列，要求單木位置的體元滿足2個條件：（1）豎直方向的體元數(shù)大于閾值h；（2）坐標z≤h的體元數(shù)大于h/2，由于樹干的傾斜生長和單木位置剛好位于體元的邊界可能導致同一株樹的位置獲得多個距離較近的體元坐標，因此需要對剩余的體元坐標之間的距離進行約束：由于同層相鄰體元坐標之間的距離為1或因此對于距離小于2的坐標，計算其z值序列交叉元素中第i個元素（從小到大排列）對應體元中點云中心之間的水平距離d，因為z值序列第1個交叉元素很可能是地面點，所以此處設置i=2，如果d＜0.3 m保留坐標z≤h的體元數(shù)最多的位置，如果坐標z≤h的體元數(shù)相同，保留總的體元數(shù)最大的位置，如果總的體元數(shù)相同，保留z值序列差分和最小的位置，最終獲取的體元坐標（x，y）對應的體元中心在點云坐標系中的坐標即為單木的位置，坐標計算公式如公式（2）所示：

式（2）中，（X，Y）為體元坐標?？紤]到單木最小間距不足1 m，且蒙古櫟樹干較彎曲，本研究設置體元邊長為0.5 m，因為平均樹高約為10 m，閾值h設置為10，即對應5 m的高度。

1.2.2 基于體元的逐層聚類

體元逐層聚類是以獲取的單木位置為初始聚類中心，利用模糊C均值算法對最底層體元內的點云數(shù)據(jù)進行分類，第i層獲取的聚類中心作為第i+1層的初始聚類中心逐層進行聚類。以獲取的單木位置作為初始聚類中心V0，利用FCM算法對最底層體元內的點云數(shù)據(jù)的水平坐標進行聚類，由于樹干處點云密度較大，且水平投影面積較小，因此樹干水平投影處點云密度非常大，對點云數(shù)據(jù)的水平坐標進行聚類可以保證聚類中心盡可能靠近樹干。FCM算法如公式（3）所示。

式（3）至式（5）中，目標函數(shù)Jm的一個解可以通過迭代算法獲得，xi是2維坐標向量，N是點數(shù)，c是類別數(shù)由獲取的單木位置個數(shù)確定，迭代過程c不改變，m為模糊度，vj是第j類的聚類中心，見公式（4），uji是xi在第j類中的隸屬度（見公式5），d（xi，vj）是樣本xi到聚類中心vj的歐式距離。聚類過程中通過初始聚類中心V0計算初始隸屬度矩陣U0，迭代獲取目標函數(shù)Jm最小時對應的Vt，以聚類中心Vt計算模糊隸屬度矩陣Ut，設置模糊度m=2，迭代次數(shù)為30次，迭代臨界值ε=0.000 1，將每個樣本數(shù)據(jù)劃分到對應隸屬度最大的類別，第i層獲取的聚類中心為第i+1層的初始聚類中心進行逐層聚類。

因為樣地點云數(shù)據(jù)內的地面點是離散且不規(guī)則的，對地面點的聚類過程可能會導致聚類中心的嚴重偏離，所以本研究設置在z≤3時第i層中迭代獲取的各類別聚類中心相比其初始聚類中心的偏移距離不得超過0.5 m，如果第i層中某類別的聚類中心偏移距離超過0.5 m，則以第i層的該類別的初始聚類中心替換迭代結果中該類別的聚類中心。

因為單測站樣地點云數(shù)據(jù)內部遮擋嚴重，部分單木樹干豎直方向會出現(xiàn)間斷，在逐層迭代過程中可能會發(fā)生聚類中心跳躍到相鄰的樹干處的情況，甚至是相鄰單木互換聚類中心，造成單木的錯誤分割，所以必選限制聚類中心的偏移距離，但是考慮到單木樹干彎曲生長，為防止阻礙聚類中心正常沿樹干生長方向偏移，該約束偏移距離不能太小。本研究設置z＞3時第i層迭代獲取的各類別聚類中心相比初始聚類中心偏移距離不得超過1 m，如果第i層中某類別的聚類中心偏移距離超過1 m，則以第i層該類別的初始聚類中心替換迭代結果中該類別的聚類中心。

因為單木的高度不同，較低單木在頂部幾層中樹冠點較少甚至沒有樹冠點，在對樹頂分割的過程中容易發(fā)生較低單木的聚類中心逐漸跳躍到相鄰單木的樹冠中分割其樹冠點的情況，所以必須約束各類別聚類中心之間的距離。本研究設置聚類中心之間的間距不得小于0.5 m，如果第i層迭代獲取的聚類中心中某兩個類別之間的距離小于0.5 m，則以其初始聚類中心替換迭代結果中對應的聚類中心。

2 結果與分析

2.1 單木位置識別結果

針對實驗數(shù)據(jù)分析每個體元坐標（x，y）位置處對應體元的z值序列，獲取滿足約束條件的坐標，以這些坐標對應體元中心的實際坐標為圓心構造圓柱，半徑為0.25 m，即圓柱與對應的體元內切。單木位置和原始數(shù)據(jù)在Terrasolid軟件平臺中顯示（見圖2），圖中部分單木樹干與圓柱的夾角過大，表明這些單木樹干彎曲角度較大，獲取的單木位置能夠與單木數(shù)據(jù)準確對應，并且沒有出現(xiàn)錯誤識別單木的情況，圖中某些單木位置對應的圓柱并不包含樹根位置，即獲取的單木位置與單木的真實位置之間存在誤差，這主要是由于蒙古櫟的樹干彎曲導致的，但是獲取的單木位置對應的圓柱包含了絕大部分的樹干，所以可以為下一步的逐層聚類提供較準確的初始聚類中心。

圖2 單木位置分布Fig.2 Locations of trees

2.2 逐層各類別聚類中心獲取結果

以獲取的每一層各類別的聚類中心為圓心半徑為0.25 m構造圓弧來顯示聚類中心的位置，聚類中心和原始數(shù)據(jù)在Terrasolid軟件平臺中顯示（見圖3～圖5）。

圖3（a）為6株樹的逐層聚類中心，圖中可以清晰明確的判別所有的聚類中心和單木的位置關系，所有單木的主要樹干都準確地被聚類中心對應的圓弧包圍，圖3（b）中為6株樹中單木形體最不好的1株樹，樹干在z=14位置處分叉，一個樹杈很短，另一個樹杈長勢較好，圖中聚類中心依然能夠準確的隨樹干和主要樹杈的生長方向偏移，效果比較理想。

圖4（a）為10株樹的逐層聚類中心，圖中代表聚類中心的圓弧緊隨著樹干的生長方向移動，圖4（b）為圖4（a）中從左到右第5株樹，該單木嚴重傾斜生長，圖中z≤3時的聚類中心偏離了樹干位置，這是因為在對部分地面的分割過程中，迭代獲取的聚類中心與初始聚類中心的偏移距離大于約束的最大偏移距離0.5 m，因此迭代獲取的聚類中心被初始聚類中心替換，而此時的初始聚類中心就是單木位置。z≥3時聚類中心緊隨樹干的傾斜生長方向偏移，頂部2層的聚類中心并沒有偏移，這是因為這兩層幾乎沒有點云數(shù)據(jù)，此時聚類過程中迭代獲取的聚類中心正常情況下會跳躍到相鄰含有點云數(shù)據(jù)的類別，但是由于約束了各類別偏移距離不得超過1 m，因此這兩層的聚類中心重復頂部第3層的聚類中心，效果比較理想。

圖3 6棵樹的逐層聚類中心位置Fig.3 Locations of cluster centers of 6 trees layer by layer

圖4 10棵樹的逐層聚類中心位置Fig.4 Locations of cluster centers of 10 trees layer by layer

圖5（a）為20株樹的逐層聚類中心，由于單木間距較小導致不能清晰判別部分聚類中心和單木位置關系，但圖中底部的樹干全都在聚類中心所在的圓弧內，圖中左側的5株單木的樹高小于右側的單木，頂部2層幾乎不包含點云數(shù)據(jù)，其聚類中心沒有發(fā)生偏移，這同樣是因為設置了聚類中心最大偏移距離1 m，所以這2層的聚類中心重復初始聚類中心，圖4（b）為傾斜角度最大的單木，圖中底部3層不包含樹干點云數(shù)據(jù)，所以其聚類中心偏離了樹干的位置，但偏移距離不大，z≥3時聚類中心緊隨樹干的傾斜生長方向偏移，效果比較理想。

圖5 20棵樹的每層聚類中心位置Fig.5 Locations of cluster centers of 20 trees layer by layer

通過以上分析可見，本研究所提出的基于體元逐層聚類的單木分割算在逐層獲取各類別聚類中心的過程中，所獲取的聚類中心緊隨單木樹干的生長方向移動，且不會受到單木的形體不規(guī)則、樹干彎曲和單木數(shù)量的影響。

2.3 點云數(shù)據(jù)單木分割結果

利用本研究提出的單木分割算法分割三組點云數(shù)據(jù)，分割結果在Terrasolid軟件平臺中顯示，顯示結果如圖6～8所示，圖中被黑色多邊形標記部分為錯誤分割的點云數(shù)據(jù)。

圖6為6棵樹的分割結果，圖中每株樹都包含完整的樹干，表明單木的樹干均得到了正確的分割，樹根處的地面點都被準確地分割到了對應的類別，可拱提取準確的高程初始值，如圖6（e）所示，圖中標記處為單木f被誤分到單木e中的點云數(shù)據(jù)，單木e和f的位置關系如圖6（g）所示，圖中單木f的樹干分為2個樹杈，其中一個樹杈朝單木e生長，該樹杈末端距離單木e較近的點云被分割到了單木e中，其它單木樹冠的分割效果較理想。

圖6 6株樹分割結果（圖中多邊形內部為錯分點云）Fig.6 Segmentation results of 6 trees (points inside the polygon were wrongly segmented in the fi gures)

圖7為10棵樹的分割結果，圖中每株樹的樹干都得到了正確的分割，每個類別都包含了樹根位置的地面點，圖7（a, b）中所標記部分為相鄰單木樹冠邊緣被誤分到該類別的少量點云數(shù)據(jù)，其它單木樹冠的分割效果較理想。

圖7 10株樹分割結果（圖中多邊形內部為錯分點云）Fig.7 Segmentation results of 10 trees (points inside the polygon were wrongly segmented in the fi gures)

圖8為20棵樹的分割結果，圖中不存在單木樹干錯誤分割的現(xiàn)象，樹根處的地面點都得到了正確的分割，圖8（f, r）中所標記部分為相鄰單木樹冠邊緣被誤分到該類別的點云數(shù)據(jù)。如圖8（t）所示，圖中標記部分為單木s的右側部分枝干被分割到了單木t中的點云數(shù)據(jù)，二者之間的相對位置關系如圖8（u）所示，單木s的主干分叉為2個樹杈，單木t傾斜角度較大，頂部樹冠位于單木s兩個樹杈的中間，錯誤分割是因為單木的聚類中心只有一個，沿主要樹杈移動，而單木t頂部樹冠位于單木s的中間，因此必然會有一個樹杈的點云數(shù)據(jù)被錯誤分割到單木t的類別，其它單木樹冠的分割效果較理想。

圖8 20株樹分割結果（圖中多邊形內部為錯分點云）Fig.8 Segmentation results of 20 trees (points inside the polygon were wrongly segmented in the fi gures)

從以上3個尺度的分割結果可見，本研究提出的基于體元逐層聚類單木分割算法能夠準確地分割單木樹干，地面和絕大部分樹冠，分割效果不受單木形體不規(guī)則和樹干彎曲生長的影響，單木數(shù)量也不會影響分割效果，但是由于FCM算法是基于距離的聚類方法，所以樹冠距離較近的時候，樹冠邊緣細節(jié)方面存在少量點云數(shù)據(jù)的錯誤分割。對于樹干分叉且枝杈夾角比較大的情況，由于聚類中心容易沿主要樹杈移動，所以其中一個枝杈的部分點云數(shù)據(jù)很容易被分割到距離較近的相鄰單木。分割結果中，地面的正確分割滿足樹高初始位置提取的要求，樹干準確分割滿足胸徑和樹干曲線提取的條件，單木樹冠內部的準確分割滿足單木樹高最高值提取的要求，即本研究提出的單木分割算法的點云數(shù)據(jù)分割結果滿足胸徑、樹高、樹干曲線的提取。

3 結論與討論

本研究提出了一種基于體元逐層聚類的單木分割算法，然后利用該算法對落葉期蒙古櫟人工林TLS點云數(shù)據(jù)進行處理，實現(xiàn)了單木的精確分割，所得結論如下：

（1）通過分析體元坐標（x，y）位置的z值序列可以準確地識別點云數(shù)據(jù)中的單木位置。

（2）本研究提出的基于體元逐層聚類的點云數(shù)據(jù)單木分割算法能夠準確地分割單木樹干和絕大部分樹冠，即使嚴重傾斜生長的單木的也能得到準確的分割。

（3）本研究提出的單木分割算法能夠準確分割單木位置處地面點，并且無需進行地面點濾波和高程歸一化，在不破壞樣地點云結構的前提下實現(xiàn)了單木的準確分割。

對先前TLS單木分割進行分析發(fā)現(xiàn)，不同研究學者采用多種方法對其進行嘗試，如：Wu等（2013）利用基于體元的鄰域搜索算法實現(xiàn)了行道樹的單木分割，所得精度相對較高，這主要是因為行道樹分布相對較為規(guī)則，樹間距較大且相鄰單木樹冠沒有交叉，因而單木分割精度相對較高。然而，若單木結構呈不規(guī)則分布，相鄰單木樹冠相互交叉，且部分樹干嚴重彎曲生長時，會造成單木分割精度降低。如：Bienert等（2006）和Maas等（2008）均利用圓柱分割法對自然條件下的森林單木進行分割，結果精度相對較低。這主要是因為該方法將以單木位置為圓心的圓柱內的點云數(shù)據(jù)視為單木數(shù)據(jù)，沒有考慮到樹干傾斜角度較大且形體不規(guī)則的單木，容易造成樹干和樹冠的嚴重錯誤分割，因此單木分割精度相對較低。為了凸顯本研究所提單木分割算法的優(yōu)越性，選擇形體不規(guī)則（樹干傾斜、樹冠重疊）的蒙古櫟人工林作為單木分割對象，最終所得單木分割結果高于Bienert等（2006）和Maas等（2008）的結果。這主要是因為本研究所采用的體元逐層聚類單木分割算法充分考慮了單木樹干沿豎直方向連續(xù)分布的特點，通過分析體元的z值序列能夠準確的識別單木位置，利用識別的單木位置作為底層體元點云數(shù)據(jù)的初始聚類中心開始聚類，第i層獲取的聚類中心為第i+1層的初始聚類中心進行逐層聚類，獲取的逐層各類別的聚類中心可以準確追蹤單木的生長方向，因而，能夠準確地分割單木樹干、地面和絕大部分樹冠，分割效果不受單木形體不規(guī)則和樹干彎曲生長的影響。

本研究提出的單木分割算法充分利用了體元能夠分割三維空間的優(yōu)勢，能夠實現(xiàn)落葉期蒙古櫟人工林TLS點云數(shù)據(jù)的單木精確分割，方法簡單高效，但是本研究的研究對象僅限于落葉期的人工林且樹種單一，因此在接下來的研究中會嘗試以未落葉的復雜天然林作為研究對象，檢驗本研究所提方法的適用性，以期更好的推廣本研究所提出的單木分割算法。

[1]Simonse M, Aschoff T, Spiecker H,et al. Automatic determination of forest inventory parameters using terrestrial laser scanning[J].Proceedings of the scandlaser scienti fi c workshop on airborne laser scanning of forests, 2003: 252-258.

[2]Thies M, Spiecker H. Evaluation and future prospects of terrestrial laser scanning for standardized forest inventories[J].Forest, 2004, 2(2.2): 192-197.

[3]Moskal L M, Zheng G. Retrieving forest inventory variables with terrestrial laser scanning (TLS) in urban heterogeneous forest[J].Remote Sensing, 2011, 4(1): 1-20.

[4]Srinivasan S, Popescu S, Eriksson M,et al.Terrestrial Laser Scanning as an Effective Tool to Retrieve Tree Level Height,Crown Width, and Stem Diameter[J]. Remote Sensing, 2015,7(2):1877-1896.

[5]Liang X, Kankare V, Yu X,et al. Automated stem curve measurement using terrestrial laser scanning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3):1739-1748.

[6]Calders K, Newnham G, Burt A,et al.Nondestructive estimates of above-ground biomass using terrestrial laser scanning[J].Methods in Ecology and Evolution, 2015, 6(2): 198-208.

[7]Bayer D, Seifert S, Pretzsch H. Structural crown properties of Norway spruce (Picea abies [L.]Karst.) and European beech(Fagus sylvatica [L.]) in mixed versus pure stands revealed by terrestrial laser scanning[J]. Trees, 2013, 27(4): 1035-1047.

[8]謝鴻宇, 趙耀龍, 楊木壯,等. 基于地面Lidar的樹冠體積和表面積測量方法研究[J]. 中南林業(yè)科技大學學報, 2015,35(4):1-6.

[9]C?té J F, Widlowski J L, Fournier R A,et al.The structural and radiative consistency of three-dimensional tree reconstructions from terrestrial lidar[J]. Remote Sensing of Environment, 2009,113(5): 1067-1081.

[10]Raumonen P, Kaasalainen M, ?kerblom M,et al. Fast automatic precision tree models from terrestrial laser scanner data[J].Remote Sensing, 2013, 5(2): 491-520.

[11]Biosca J M, Lerma J L. Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(1): 84-98.

[12]Li W, Guo Q, Jakubowski M K,et al.A new method for segmenting individual trees from the lidar point cloud[J].Photogrammetric Engineering & Remote Sensing, 2012, 78(1):75-84.

[13]Chen Q, Baldocchi D, Gong P,et al.Isolating individual trees in a savanna woodland using small footprint lidar data[J].Photogrammetric Engineering & Remote Sensing, 2006, 72(8):923-932.

[14]Tao S, Wu F, Guo Q,et al.Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2015(110): 66-76.

[15]Yang B, Dai W, Dong Z,et al.Automatic forest mapping at individual tree levels from terrestrial laser scanning point clouds with a hierarchical minimum cut method[J]. Remote Sensing,2016, 8(5): 372-389.

[16]Bienert A, Scheller S, Keane E,et al.Application of terrestrial laser scanners for the determination of forest inventory parameters[J].International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006, 36(5): 1-6.

[17]Maas H G, Bienert A, Scheller S,et al.Automatic forest inventory parameter determination from terrestrial laser scanner data[J]. International journal of remote sensing, 2008, 29(5):1579-1593.

[18]Livny Y, Yan F, Olson M,et al.Automatic reconstruction of tree skeletal structures from point clouds[J]. ACM Transactions on Graphics (TOG), 2010, 29(6): 151-158.

[19]Wu B, Yu B, Yue W,et al.A voxel-based method for automated identification and morphological parameters estimation of individual street trees from mobile laser scanning data[J]. Remote Sensing, 2013, 5(2): 584-611.

[20]Henning J G, Radtke P J. Detailed stem measurements of standing trees from ground-based scanning lidar[J]. Forest Science, 2006, 52(1): 67-80.

[21]Burt A, Disney M I, Raumonen P,et al. Rapid characterisation of forest structure from TLS and 3D modelling[C]// Geoscience and Remote Sensing Symposium. IEEE, 2013:3387-3390.

Individual tree segmentation of TLS point cloud data based on clustering of voxels layer by layer

XING Wanli1, XING Yanqiu1, HUANG Yang2, QU Lin2, YOU Haotian1
(1. Center for Research Institute of Forest Operations and Environment, Northeast Forestry University, Harbin 150040, Heilongjiang,China; 2. Heilongjiang Provincial Research Institute of Surveying and Mapping, Harbin 150040, Heilongjiang, China)

To improve the accuracy and ef fi ciency of individual tree segmentation with terrestrial laser scanning (TLS) data, a new method based on clustering of voxels layer by layeris proposed in this paper. Additionally, the TLS data of Mongolian Oak plantation in deciduous stage is obtained and processed. Then the position of single tree is obtained by analyzing the z-sequence of voxels in the vertical direction. The position of each tree is used as the initial clustering center to start clustering from the bottom voxel layer by fuccy c-means clustering method. The experimental results demonstrate that the position of single tree can be obtained accurately by analyzing the z-value sequence in the vertical direction, the proposed algorithm can segment each individual tree accurately.

terrestrial laser scanning; voxel; clustering layer by layer; fuzzy c-means clustering; individual tree segmentation

10.14067/j.cnki.1673-923x.2017.12.010

http: //qks.csuft.edu.cn

S758.1

A

1673-923X(2017)12-0058-07

2017-04-17

林業(yè)公益性行業(yè)科研專項經費（201504319）

邢萬里，碩士研究生

邢艷秋，教授，博士生導師；E-mail：yanqiuxing@nefu.edu.cn

邢萬里，邢艷秋，黃 楊，等.基于體元逐層聚類的TLS點云數(shù)據(jù)單木分割算法[J].中南林業(yè)科技大學學報，2017, 37(12):58-64, 71.

[本文編校：文鳳鳴]