融合光学图像和激光雷达数据的单木识别方法与流程

1.本发明涉及一种单木识别方法，具体是融合光学图像和激光雷达数据的单木识别方法。


背景技术：

2.传统的林木资源调查，很耗时、费力和费财。地基激光雷达作为一种主动遥感技术，能够直接、快速、精确地获取研究对象的三维地理坐标，提供关于树木位置、株数、胸径以及树高等森林结构参数的精确信息，但是现行的无人机采集到的森林影像首先需要进行配准，这无疑增加了识别工作量。


技术实现要素：

3.针对上述现有技术存在的问题，本发明提供融合光学图像和激光雷达数据的单木识别方法，可以无需配准通过光学图像和激光雷达的配合，可以有效地提高单木识别效率。
4.为了实现上述目的，本发明通过以下技术方案实现：融合光学图像和激光雷达数据的单木识别方法，包括：
5.步骤1.数据获取：通过光学图像和激光雷达获取单木的光学图像和激光雷达点云数据；
6.步骤2.数据处理：根据所述光学图像和激光雷达点云数据得到点云数据文件；
7.步骤3.截取数据：根据预定截取上限和截取下限对所述点云数据文件进行截取，生成一段只包含单木的水平条带；
8.步骤4.去除杂波：利用鲁棒主成分分析方法对光学图像和激光雷达获取的水平条带m进行分解，得到低秩矩阵l和稀疏矩阵s，即为杂波l和目标s；
9.步骤5.将杂波l去除，保留的目标s即为最终去除杂波后的光学图像和激光雷达获取的水平条带图像；
10.步骤6.数据体元化：对所述水平条带在三维空间中进行体元化生成体元空间，其中，所述体元空间包含光学图像和激光雷达点云数据的体元；
11.步骤7.检查下终止条件||m-l-s||f/||m||f《预定误差是否满足，如果满足，则结束迭代，如果不满足，则更新惩罚因子μ和拉格朗日乘子y，并利用当前迭代周期结束时的稀疏矩阵s 和低秩矩阵l，重复步骤5-步骤6，进行下一个迭代，直至满足终止条件；
12.步骤8.遍历数据：把整个水平条带垂直方向上具有连续性的体元组作为茎干，对所述体元空间进行遍历，获取单木的数量。
13.步骤4中通过下式，迭代更新低秩矩阵l，找到满足l＝arg minf(l，s，y，μ)的低秩矩阵l：l＝us1/μ(∑)vt；其中，s1/μ表示当前迭代周期的迭代系数，vt表示矩阵v的转置矩阵。
14.步骤5通过下述公式迭代更新稀疏矩阵s：找到满足s＝arg minf(l，s，y，μ)的稀疏矩阵s：s＝tλ/μ(m-l μ-1y)；其中，tλ/μ表示当前迭代周期内与λ有关的迭代系数；λ表示折
中因子。
15.步骤7中，更新拉格朗日乘子y的更新通过下述公式进行：yk 1＝yk μk(m-lk-sk)；k 表示刚刚迭代结束的周期。
16.所述步骤7中，惩罚因子的更新方法为：若前两个迭代周期内稀疏矩阵之差的f范数与矩阵m的f范数比小于预定值，则下一个迭代周期的惩罚因子为上一个迭代周期惩罚因子的ρ倍；若前两个迭代周期内稀疏矩阵之差的f范数与矩阵m的f范数比大于或等于预定值，则下一个迭代周期的惩罚因子与上一个迭代周期惩罚因子相同。
17.所述的步骤1中应采用高分辨率光学图像，提升感应精度。
18.所述的激光雷达数量不低于六个，进一步提升感应精度。
19.借由上述方案，本发明至少具有以下优点：通过同时使用光学图像和激光雷达，以及算法优化，有效的提升了单木识别的准确率，减少了不必要的工作量，具有显著的经济效益。
具体实施方式
20.下面对本发明作进一步说明。
21.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
22.本融合光学图像和激光雷达数据的单木识别方法，包括：
23.步骤1.数据获取：通过光学图像和激光雷达获取单木的光学图像和激光雷达点云数据，利用图像传感器获取单木的光学图像，图像传感器利用光电器件的光电转换功能将感光面上的单木光像转换为与光像成相应比例关系的单木电信号，再将单木电信号通过处理得到单木光学图像，利用liforest软件获取激光雷达点云数据；
24.步骤2.数据处理：根据所述光学图像和激光雷达点云数据得到点云数据文件，将光学图像和激光雷达点云数据上传，经处理器处理分析得到点云数据文件；
25.步骤3.截取数据：根据预定截取上限和截取下限对所述点云数据文件进行截取，生成一段只包含单木的水平条带，设置相应的预定截取上限和截取下限，通过处理器对点云数据进行截取处理，截取所需的点云数据，将截取的点云数据生成一段只包含单木的水平条带；
26.步骤4.去除杂波：利用鲁棒主成分分析方法对光学图像和激光雷达获取的水平条带m进行分解，得到低秩矩阵l和稀疏矩阵s，即为杂波l和目标s；
27.步骤5.将杂波l去除，保留的目标s即为最终去除杂波后的光学图像和激光雷达获取的水平条带图像；
28.步骤6.数据体元化：对所述水平条带在三维空间中进行体元化生成体元空间，其中，所述体元空间包含光学图像和激光雷达点云数据的体元；
29.步骤7.检查下终止条件||m-l-s||f/||m||f《预定误差是否满足，如果满足，则结束迭代，如果不满足，则更新惩罚因子μ和拉格朗日乘子y，并利用当前迭代周期结束时的稀
疏矩阵s和低秩矩阵l，重复步骤5-步骤6，进行下一个迭代，直至满足终止条件；
30.步骤8.遍历数据：把整个水平条带垂直方向上具有连续性的体元组作为茎干，对所述体元空间进行遍历，获取单木的数量。
31.在本发明的具体实施中，步骤4中通过下式，迭代更新低秩矩阵l，找到满足l＝argminf(l，s，y，μ)的低秩矩阵l：l＝us1/μ(∑)vt；其中，s1/μ表示当前迭代周期的迭代系数，vt表示矩阵v的转置矩阵。
32.在本发明的具体实施中，步骤5通过下述公式迭代更新稀疏矩阵s：找到满足s＝
33.argminf(l，s，y，μ)的稀疏矩阵s：s＝tλ/μ(m-l μ-1y)；其中，tλ/μ表示当前迭代周期内与λ有关的迭代系数；λ表示折中因子。
34.在本发明的具体实施中，步骤7中，更新拉格朗日乘子y的更新通过下述公式进行：yk 1＝yk μk(m-lk-sk)；k表示刚刚迭代结束的周期。
35.在本发明的具体实施中，所述步骤7中，惩罚因子的更新方法为：若前两个迭代周期内稀疏矩阵之差的f范数与矩阵m的f范数比小于预定值，则下一个迭代周期的惩罚因子为上一个迭代周期惩罚因子的ρ倍；若前两个迭代周期内稀疏矩阵之差的f范数与矩阵m的f范数比大于或等于预定值，则下一个迭代周期的惩罚因子与上一个迭代周期惩罚因子相同。
36.在本发明的具体实施中，所述的步骤1中应采用高分辨率光学图像，提升感应精度。
37.所述的激光雷达数量不低于六个，进一步提升感应精度。
38.有益效果：通过同时使用光学图像和激光雷达，以及算法优化，有效的提升了单木识别的准确率，减少了不必要的工作量，具有显著的经济效益。
39.读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
40.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
41.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。