摘要：为更好地获取树木三维几何结构信息,解决高精度、高还原度的树木三维重建问题,提出了一种基于地面激光雷达(terrestrial laser scanning,TLS)点云数据的树木三维建模方法。针对TLS扫描存在树叶间隙的遮挡,充分考虑叶片聚集,结合叶片和枝干的
摘要
为更好地获取树木三维几何结构信息,解决高精度、高还原度的树木三维重建问题,提出了一种基于地面激光雷达(terrestrial laser scanning,TLS)点云数据的树木三维建模方法。针对TLS扫描存在树叶间隙的遮挡,充分考虑叶片聚集,结合叶片和枝干的形态特征,采用Delaunay三角网和Alpha-shape算法分别对树木叶片和枝干进行模型拟合重建,有效克服了过去树木三维建模枝干结构不真实、器官建模不精细等问题,较好实现了对单棵树木叶片和细小枝干的三维重建。所提方法可为森林结构参数获取和资源经营管理等提供技术支撑,同时也能为典型树木的部件级实景三维建模提供一定的借鉴和参考作用。
引用
万里红, 曹振宇, 田志林, 施艳丽. 一种基于地面激光雷达点云的树木三维建模方法[J]. 自然资源遥感, 2025, 37(1): 62-67.
0 引言
树木三维建模已经有几十年的研究历史,由于其形状结构的多样性和复杂性,构建其真实的三维模型一直是一个具有挑战性的研究难题。最早国内外学者试图使用摄影测量遥感的方式对树木进行扫描和建模,但是光学测量无法有效地穿透森林获取冠层内部垂直结构信息,树叶的遮挡也会造成枝干信息无法准确获得,因此只能通过植物表型知识来随机生成枝干,与真实的树木数据之间具有较大的差异,并不具备形态结构上的保真性[2]。
激光雷达是近年来发展十分迅速的一种主动遥感技术,具有高空间分辨率、高精度和强穿透性,能提供扫描对象的精确三维几何结构信息,相较于光学摄影测量,在三维重建上具有无可比拟的优势。由于激光雷达获取的点云数据量庞大,海量点云数据的处理、三维重建算法的选择和优化将直接影响整个重建的效率和精度。目前,伴随着计算机视觉算法和计算机图形学方法的不断发展完善,树木枝叶分离算法日渐成熟,激光雷达三维点云数据已经可以实现对实体树木进行三维仿真和器官重建,进而对树木进行三维建模。这将对森林碳汇经营、林业生态管理、智慧农林、虚拟现实和元宇宙等领域都具有重要价值和意义。
利用地面激光雷达点云数据进行单木三维重建,特别是在树木枝干重建方面,目前已有一些比较成熟的算法。Cheng等利用地基激光雷达单站数据,结合深度图像法建立了树木枝干和树枝的三维模型,但是单站数据由于扫描角度有限,得到的点云数据会因为在激光雷达扫描过程中受木质组分遮挡而产生较大的空隙和孔洞,并且单站扫描点云空间分辨率较低,无法有效地对叶片进行建模; 苏中花通过多站扫描地基激光雷达对树木进行了主干建模和局部单片叶片建模,但存在建模效率低、细小枝干建模不完整、无法有效建模出冠层内所有的叶簇等问题。同时,在建模过程中,由于叶簇聚集的问题,还会在建立叶簇模型时无法排除叶簇之间的空隙,导致叶簇体积增大、形状失真等问题,无法实现对树木的高还原度数字孪生建模。
针对上述存在问题和不足,本文提出了一种基于地基激光雷达点云的树木三维建模方法。基于超高空间分辨率的多站式地基激光扫描技术,结合形态学和图形学的方法,通过对叶片和枝干进行聚类分离提取和算法建模,从而实现单棵树木数字孪生,对树木的叶片和细小枝干均建立高还原度的模型,解决树木结构不真实、器官建模不精细等问题。
1、研究方法本研究充分利用地面激光雷达多角度扫描高精度、高密度和强穿透性等特点。首先对树木进行多站式地基激光雷达扫描,得到完整的地基激光雷达扫描点云数据; 再对原始的地基激光雷达数据进行点云预处理工作,完成去噪、树木点云提取等工作; 之后采用LeWoS算法对树木点云进行枝叶分离,进而得到其叶片点云和枝干点云,对于叶片点云,采用欧氏距离聚类法,对其进行叶簇尺度的聚类,并在此基础上基于Delaunay三角网构建叶片模型,对于枝干点云,采用Alpha-shape算法构建枝干模型; 最后将构建完成的叶片模型和枝干模型叠加在一起,完成对目标树木的数字孪生重建,整个技术路线流程如图1所示。
1.1 TLS多站扫描
本次选择Leica Scan Station C10地基激光雷达扫描仪对一株香樟树进行点云样例数据采集获取。考虑到树木的叶片与枝干存在聚集、遮挡等复杂因素,为了更全面、精确地获得该树木的三维点云数据,尽量在晴朗无风的条件下设立3个独立站点对被测树木进行环绕扫描和标靶定标采集,其中3个相邻站点之间的夹角为120°。
由于在激光雷达扫描过程中,重叠的叶片和树木的木质组分会对激光有一定的遮挡效应,因此采用多站式扫描,尽量减少由于遮挡效应造成的树木点云数据的缺失。多站扫描时各站点架设沿待扫描对象尽量均匀分布。在对物体进行多站扫描之后,通过站点之间的位置标定对各站数据进行拼接,得到完整的地基激光雷达扫描点云数据。
1.2 点云预处理
激光雷达扫描得到的点云数据是对真实场景中的物体进行采样,在扫描采样的过程中由于受到外界环境、目标物体表面形状纹理等因素影响,点云数据中不可避免地会出现误差和噪声,同时还存在其他无关点云和冗余数据。因此,对于原始激光雷达数据需要进行点云预处理,主要包括数据过滤、数据配准、非树木点去除、数据抽稀等步骤。
1.3 枝叶分离
由于树木的枝干和叶片具有不同的几何形态和生物特征,而且提取的树木点云数据只有坐标和强度信息,因此需要通过枝叶分离的方法对其进行类别判别,进而分类确定原始点云中的叶片点和木质组分点。对于地基激光雷达点云数据而言,由于其穿透性较好、空间分辨率高等特点,枝干的轮廓细节获取完整,相较于叶片而言,枝干几何形状明显,便于提取。本次采用开源LeWoS模型算法进行树木的枝叶分离,该模型是一种基于点云网络递归分割和分类正则化的方法,只需要输入一个参数,即可高效、精确地完成枝干提取工作。基于获取的点云数据无监督完成树木枝干和叶片点云分类,从而得到单棵树木的枝干点和叶片点。
2 树木建模
根据树木点云预处理后得到的叶片和枝干点云分别进行建模,枝叶建模主要开发环境为MATLAB 2020B和Dev-C++ 5.11,编程语言为MATLAB和C++。
2.1 叶簇聚类
由于叶簇之间存在聚集,如果直接对提取出来的叶片点云进行建模,可能会造成不同的叶片点被归为同一叶片点。因此,本文先将叶片点云基于欧氏距离聚类成多个叶簇,然后再对各个叶簇进行建模,从而规避叶片建模混乱的问题。
首先利用欧氏距离进行点云聚类,这是一种基于欧氏距离度量的聚类算法,可以将其应用于测绘领域中点云数据的分割[12]。首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则; 然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。
由于叶片卷曲局部较为扁平,因此本文采用Delaunay三角网对各个叶簇建模。在建立Delaunay三角网时采用Lawson逐点插入法,具体实施方法步骤如下:
1)将叶片点云中拥有相同叶簇类别编号的点组成的点集称为一个叶簇。对叶簇clusteri建立一个一一对应的三角形凸包Trii,其中i为叶簇序号。
2)对于三角形凸包Trii,向其内部插入clusteri中的一点,令插入的点与它所在的三角形的3个顶点相连,进而生成3个新的三角形。然后对新生成的3个三角形分别做外接圆,如果三角形的外接圆内不包含已经生成的三角形的顶点,则认为新生成的三角形为Delaunay三角网的一部分; 如果三角形的外接圆内包含了已经生成的三角形的顶点,则删去该顶点和新生成的3个三角形。
3)在clusteri选取之前未插入的点,重复步骤2),直至遍历完clusteri内的所有点,意味着该叶簇的Delaunay三角网模型建立完成。
4)重复以上步骤1)—3)直至所有叶簇被遍历,完成每个叶簇的模型建立,从而得到叶簇点集聚类结果。如图2所示,R=0.006 m为欧式聚类分割距离阈值。
2.2 叶片建模
根据得到的叶簇点集,基于Delaunay三角网构建各叶片模型,具体实施步骤为:
1)初始化叶片点云的叶簇类别编号,令所有叶片点云的叶簇类别编号为0。
2)取叶片点云中的任意一点P,记其叶簇类别编号为Kn,K1=1,Kn=n; 以P为中心点,在叶片点云中搜索与P的距离R小于固定阈值Rth的点,归入点集Kn,n为自然数,从1依次取值; Rth取值一般为5~300 mm,叶片分布密度不变的情况下,叶片尺寸越大,Rth越大。
3)循环以上步骤遍历K1~Kn以外的剩余叶片点云,直至叶片点云中不存在叶簇类别编号为0的点。然后,对欧氏距离聚类后的叶片点云的各个叶簇进行基于Delaunay三角网的模型构建,并累加各个叶簇的模型,得到单棵树木叶片模型,结果如图3所示。
2.3 枝干建模
由于枝干点卷曲程度较高,且在实际情况中会由于扫描角度、遮挡间隙等问题造成枝干表面点密度分布不均匀,因此本文采用对间隙更为包容的Alpha-shape算法进行枝干建模。Alpha-shape是一种提取边界点的算法,通过控制参数a的大小,对树冠进行三维模型重建。一般参数a越小,结果越精确,但当减少到一定值时,重建结果不完整,无法形成树木枝干模型。
Alpha-shape算法本质为滚球法,通常用于点云轮廓提取或三维重建,通过控制不同半径的滚球,求取包络,确定整个点集的表面[14],其算法实现具体方法如下:
在先前枝叶分离的枝干点集中抽取任意不在一条直线上的3个点,记为M,N,Q。在三维空间中过点M,N,Q可以生成2个半径大小为r的球体,分别记为Spherea和Sphereb。
如果在Spherea和Sphereb中存在一球体,该球体内部不包含枝干点集内的任何点,那么则判定这3个点组成的表面为枝干模型多面体的一个表面,并将其记为建模模型的一个表面。如果上述情况不存在,则由M,N,Q 3点组成的表面不为建模模型的表面。通过程序遍历枝干点集内的所有点的组合,基于Alpha-shape算法完成枝干模型的表面重构,得到实例枝干三维重建模型如图4所示。
2.4 枝叶融合
最后,将得到的叶片和枝干模型进行修饰整理和集成融合,并根据实际需求赋予各自的标签和属性,即完成对整棵树木的数字孪生三维建模(图5)。
同时还可以将建立的三维模型导出dxf,dae,obj,fbx等其他常用三维模型格式,集成加载到其他三维可视化平台中作为实景三维和数字孪生三维部件模型共享交换使用。
3 讨论与结论3.1 讨论
本研究根据地基激光雷达点云数据特征,充分考虑了地基激光雷达实际扫描时枝干遮挡、叶片聚集等问题,结合叶片和枝干的形态特征,采用多基站地面激光雷达扫描对一棵香樟树进行有效点云数据采集,然后运用Alpha-shape和Delaunay三角网算法做叶片和枝干模型拟合,有效克服了现有树木数字建模细节不全、枝干构建不真实等问题。结合树木三维建模模型效果与实际现场树木进行目视比对,不难发现其模型存在树木结构更加完善,细节更加逼真等优势,初步实现了树木数字孪生,具有高精度、高还原度的技术效果。
目前,虽然该方法在一定程度上实现了树木的三维建模,也达到了预期的效果,但由于树木结构的生态复杂多样性和相邻树木遮挡等因素,仍有许多方向和问题值得进一步探索和研究。例如在面对复杂细小灌木的单木分割和细节尺度问题、面对高大乔木的有效激光扫描距离等问题时都还需要进一步结合其他手段和方式才能很好地解决。而且,在实际使用该方法过程中特别需要注意保证地面激光雷达扫描的有效距离、点云密度和多架站方位配准等问题,尽量选择在周边遮挡条件好、便于仪器架设、光线充足而且同名匹配点多的情况下进行数据采集。
3.2 结论与展望
本次树木点云三维重建的方法虽然实现了树木三维形态机构的重建,但容易忽视局部树木表面纹理和细节等问题。同时,在重建的过程中,还面临激光雷达数据量大,处理流程多,建模算法复杂度高、运行效率低等问题,还需要后期继续深入研究。尽管地基激光雷达能够获取单棵树木令人满意的三维建模结果,但是对于森林调查进行大范围推广显然不太现实。近年来,随着激光雷达遥感技术的发展和实景三维行业应用需求的引导,基于多平台激光雷达点云数据的单木分割和枝叶分离算法研究都将是树木三维建模的关键技术支撑。由于其在点云密度、扫描方式、数据来源和数据处理等方面都存在差异,所以如何借用多手段多平台相互补充综合高效解决树木三维建模数字孪生势必将是一个重要的研究内容和方向。
来源：老孙的科学大讲堂