基于点云数据的单株毛竹建模精度及可视化分析

王倩茹,何 悦,李海明,李志南,徐文兵,3

(1.浙江农林大学 环境与资源学院,杭州 311300；2.重庆交通大学 土木工程学院,重庆 400074；3.同济大学 测绘与地理信息学院,上海 200092)

激光雷达技术LiDAR(Light Detection And Ranging)是近几年迅速发展的一项高新测绘技术,实现对目标物体无接触的主动式扫描和实时量测[1]。与传统的人工测量相比,地面三维激光扫描技术(Terrestrial Laser Scanning,TLS)能够快速获得大量被观测物体表面的三维坐标点,即点云数据[2],以及激光回波强度等属性信息,可以大幅度地减少人力资源,提高测量效率和建模精度。基于物体或场景点云数据的三维重建技术正逐步走向大众视野[4],应用于古建筑保护方面可以重现经典,应用于游戏等可以虚拟现实场景[5],应用于植物可以获取其三维几何特征和生长过程[5]。点云数据中的回波强度可对不同目标进行快速地探测与识别[6-7],程小龙等[7]利用建筑物的激光回波强度来辨别建筑物类型,蔡越等[8]利用毛竹点云数据的激光回波强度来判别毛竹年龄。

竹子作为特殊的森林类型,生长快、成材早,具有较高的经济价值[9]；固碳能力强具较高的生态价值[8]。根据第八次全国森林资源清查结果,在我国竹类资源中,毛竹(Phyllostachyspubescens)林面积为 443 万 hm2,占全国竹林面积的 73%。目前对毛竹林进行三维重建为数字化林业及竹林侵蚀控制和坡面保护研究提供新的方法手段和技术支持[10]。利用建筑物的三维点云数据三维重建方面,国内外研究学者做了大量的研究[11-13],成效显著,但毛竹三维重建的研究较少,难点在于毛竹冠层形状的不规则性,冠层内部存在较大的空隙,并相互遮挡,难以获取单株毛竹表面的全部数据。另外,毛竹林野外点云扫描质量对地形依赖程度较大,蔡越等[14]认为测站距离与点云数量成反比,在竹林中二者是难以协调的矛盾。本文利用三维激光扫描仪获取野外和室内的单株毛竹点云数据,进行三维模型重建,量取野外单株毛竹模型的冠幅、胸径(1.3m处)、竹高和枝下高等4个参数并分析其精度,对比分析野外和室内三维模型的视觉效果,推动三维扫描技术在林业测绘中的应用。

1 研究区概况

研究区域为浙江农林大学平山实验基地,地处浙江省西北部的杭州市临安区,气候温暖湿润,降水充沛,植被种类繁多。基地内毛竹自由生长,态势良好,鲜有人工砍伐。选取相互遮挡较少毛竹作为试验样本,现场扫描后伐倒样本,截断毛竹冠层和竹秆,尽量保持毛竹冠层的形态,带回实验室重新扫描,作为对照样本。

2 研究方法

2.1 仪器设备

试验采用地面三维激光扫描仪Leica ScanStation C05,该仪器为双扫描窗口设计,采用紧凑型脉冲式绿色激光,波长532nm,安全等级为3R级,集高性能激光扫描仪、电源、数据存储、触摸屏界面、摄像机和激光垂直测量仪于一体,视场角范围360°×270°,扫描速率50 000dot/s,标称精度为100 m以内扫描标准偏差小于4mm。该仪器高点云精度、高扫描速度、广视场角和低噪音扫描,内含集成流式摄像机拍摄高分辨率彩色图像,可实现逼真点云纹理贴图。

2.2 数据采集与处理

2.2.1数据采集

毛竹点云数据野外采集步骤:1)遴选10株毛竹样本,以目标毛竹为三角形中心,三角形顶点为测站,周边均匀放置3个标靶,保证每个站点上,目标毛竹和所有标靶都在扫描范围内；2)在不同测站上设置中等分辨率和视场范围(完全覆盖目标毛竹和3个标靶),对毛竹进行扫描；3)标靶中心的获取是点云数据拼接的关键,每站扫描完成后,逐次扫描各个标靶,获取标靶的中心,并查看获取的标靶效果；4)导出扫描数据。此外,在试验基地内,择伐3株毛竹样本带回实验室,截断毛竹冠层和竹秆,分别用细线固定,直立于实验室中,用三维激光扫描仪重新扫描,获取静态冠层和茎秆的点云数据,作为对照数据。

2.2.2数据处理

在徕卡Cyclone软件中,导入样本三维点云数据,图1所示为野外同一样地的3个不同测站的点云数据。

图1 野外毛竹点云数据

1)点云拼接。点云拼接采用较为广泛且成熟的算法ICP(Iterated Closest Point),通过寻找最近点作为同名点计算变换矩阵,使用同名点之间的距离构建目标函数,通过迭代,使目标函数收敛至最小值,从而完成点云的拼接[14]。本试验分站式扫描的点云数据在Cyclone软件中新建数据库、导入数据、拼接注册、计算拼接误差、合并点云,合并成果如图2所示。

2)点云去噪。目标毛竹以外的点云均为噪声点,选择Cyclone软件中Fence,Delete Inside或Delete Outside,进行去噪处理,参考王健等[14]较为成熟的神经网络BP(Back-Propagation)算法,经过BP算法处理过的点云数据的数据量大幅减少,毛竹的冠层结构信息能够更加鲜明突出,如图3所示。

图3 去噪后的单株毛竹点云数据

2.3 三维模型重建

在Cyclone软件中,将去噪后的目标毛竹的点云数据输出为.TXT文件,导入Geomagic Studio软件中,添加着色点、删除体外孤点、删除非连接项、删除多余点和封装。添加着色点时,开启照明和彩色效果,以便观察其几何形状。体外孤点是远离主点云的点,通过去噪处理后,敏感度值可以设置较低,不宜设置过高,敏感度达到一定程度后其选择的体外孤点数目不变,本试验设置为37%,较好地保持原毛竹形态。删除非连接项选择“中”分隔和“1%”尺寸。运用套索工具框选多余点,手动删除,最后进行封装,“无”噪音降低,不删除小组件,保持原始数据,最大三角形个数设置为默认。建模完成后,因软件自动封装会存在孔洞现象,需要进行人工填孔。

2.4 单株毛竹模型精度及可视化分析

试验中,单株毛竹点云数据三维建模采用不规则的三角网(TIN-Triangulated Irregular Network)将离散的点云构建成连续的三角面,以逼近毛竹实体的效果[14]。通过量测单株毛竹模型的冠幅、胸径、竹高和枝下高等4个参数,与实测数据进行比较,分析单株毛竹三维模型的精度。

3 结果与分析

3.1 单株毛竹模型参数精度

在样本和模型上分别量测野外毛竹的冠幅、胸径、竹高和枝下高等4个参数值,其中4株毛竹参数的实测值和模型值及其互差,如表1所示。以实测值为参考值,该4株毛竹模型的4个参数误差如表2所示。

表1 毛竹样本的实测值与模型值

由表1可知,冠幅误差为22～58mm,均值38mm；胸径误差为0～1mm,均值为0.5mm；竹高误差为7～560mm,均值为190mm；枝下高误差为1～17mm,均值为6mm。由此可见,模型上量测胸径和枝下高都是精度较高,与实测值相当,而由于竹枝形状和位置的不确定性,冠幅和竹高互差较大。

表2 毛竹模型4参数的误差分析

由表2可知,虽然冠幅、胸径、竹高和枝下高的实测值与模型值的互差有较大的差别,但相对误差相近且精度较高,4个参数的相对误差最大值分别为1.9%,1.1%,4.4%和0.9%,其中竹高1明显偏大,有粗差的可能。各参数相对误差的平均值为0.350%～1.775%,波动性较小。因此,通过毛竹模型量测4个参数的精度具有较高的可信度,且对毛竹没有破坏性。

3.2 野外毛竹点云数据建模整体可视化对比

利用Geomagic Studio软件对每株野外毛竹样本的点云数据进行建模,如图4所示,其中4株冠层不同茂密程度毛竹所构建的模型,总体上,图4(a)和图4(b)冠层茂密的毛竹模型在整体上视觉效果良好,较为清晰地展现毛竹茎秆、枝条。当竹叶比较稀疏,如图4(c)和图4(d),茎秆明显,纹理更加清晰,无大面积遮挡的情况下,能更加真实地还原毛竹的形态。

图4 毛竹点云的三维模型

为了进一步分析毛竹的冠层顶部和枝条的建模效果,放大毛竹模型,观察局部细节。放大Geomagic Studio软件制作的较茂密的毛竹冠层模型(图5),冠层顶部出现断层现象,即部分毛竹枝叶自成一块,相互脱离。进一步放大冠层顶部模型(图6),发现模型冠层顶部及中部茎秆缺失,且存在多处断层现象。经分析,毛竹冠层高于扫描仪,扫描时下部枝叶遮挡了上部冠层部分茎秆和枝叶；而对毛竹的中部枝条和下部茎秆部分建模效果良好,茎秆无孔洞、三角形之间连接紧密且无互相分离的现象。对比较稀疏冠层的毛竹建模效果(图7),枝条模型三角形连接更为紧密,模型的枝条特征较为清晰。

总体上,由于毛竹枝条末端较细,采用中低分辨率扫描,点云易缺失,离散点较少时,去噪过程中易被误删。针对毛竹冠层与扫描仪的落差较大,扫描时出现下层枝叶遮挡上层部分,导致上部茎秆和枝条部分点云的缺失,影响建模效果。本文认为,若追求毛竹冠层顶部建模效果,可尝试融合机载LiDAR数据共同建模；其次，尝试砍伐样本,减少落差,进行室内扫描建模。

图5 较茂密的毛竹冠层顶部模型

图6 较茂密的毛竹冠层内部模型

图7 较稀疏的毛竹冠层模型

3.3 室内静态毛竹冠层的建模可视化对比

在野外环境中,受风力的影响,枝条摇摆直接影响到点云数据的采集质量,其次，由于毛竹冠层与扫描仪落差较大,难以完整地采集毛竹冠层上部的点云数据,导致模型的冠层上部表现不佳。为了有更好的建模效果,砍伐样本毛竹,截断冠层部分,带回实验室,直立固定在室内进行扫描并建模,分别选用冠层枝叶茂密、一般和稀疏等3种样本进行建模,如图8所示。

通过观察与分析不同茂密程度的毛竹冠层模型,可见:1)室内静态的毛竹冠层整体效果明显优于野外的,冠层内部茎秆清晰；2)茂密冠层的枝叶相互遮挡严重,点云数据缺失较多,在软件自动建模时局部失真,叶片形态紊乱；3)稀疏冠层的模型优于茂密冠层的,枝叶点云重叠少,从而叶片和枝条的脉络更加清晰。

以一般茂密程度的毛竹冠层模型为例,放大其茎秆和枝叶局部细节。图9(a)中的主秆点云密度较高,拟合程度良好,而侧枝点云较少,能基本反映形态。图9(b)为细枝和叶片,较茂密冠层的枝叶相互遮挡,导致点云数据有缺失、相互重叠或距离相近,加上枝条细小和叶片薄窄,在软件自动分析时,极易错连,引起模型局部失真,难以形成完整的枝条和叶片形态。

图8 不同茂密程度的毛竹冠层模型

图9 一般茂密冠层毛竹模型细节

3.4 室内静态毛竹茎秆的建模可视化分析

将截断的毛竹茎秆直立固定在室内进行扫描并建模,样本大致分为粗、细两类,建模效果如图10所示。Geomagic Studio制作的毛竹茎秆模型表面较为光滑,鲜有孔洞；中等分辨率扫描,细节模型的表面有细微凹凸,竹节处的突出细节未展现；由于毛竹茎秆胸径不小于数厘米,有较多的点云数量,从图10(a)和10(b)的放大图看,粗细竹秆的建模效果差异性不大。

图10 局部毛竹茎秆模型

4 结论与讨论

三维激光扫描技术在物体三维重建方面优势明显,试验获取野外动态和室内静态的毛竹点云数据,在Cyclone软件中进行点云预处理,利用Geomagic Studio软件进行三维重建,分析不同样本三维重建的精度和视觉效果。

1) 量测野外毛竹模型的毛竹冠幅、胸径、竹高、枝下高等4个参数,与参考值比较,平均绝对误差分别为38,0.5,189,6mm,4个参数的平均相对误差分别为1.450%,0.550%,1.775%,0.350%,可见精度均较高。

2) 在野外,枝叶较为茂密的毛竹冠层模型,叶片呈三角形且连续的,放大到整个屏幕时,存在分层现象,是由于毛竹冠层与扫描仪高度上的落差,下层枝叶会遮挡上层枝叶；当毛竹枝叶较稀疏时,毛竹模型不存在断层现象,整体视觉效果良好。

3) 室内静态的毛竹冠层和茎秆建模时,在视觉上能较为直观地展现冠层形态,稀疏冠层的模型优于茂密冠层的；毛竹茎秆模型表面较为光滑,鲜有孔洞,但竹节处的突出细节未能展现；粗细竹秆的建模效果差异性不大。

4) 本试验采用中等分辨率扫描获取毛竹点云数据,由于毛竹茎秆、枝条、叶片的表面相对较小、相互遮挡且不规则,点云数量和质量受到影响,若采用高分辨率扫描模式,细节应更精确,但耗时较长、数据量大；在野外扫描毛竹时,竹高与扫描仪的落差导致冠层部分点云数据缺失,是难以解决的难题；建模时生成曲面三角形对部分稀疏的点云数据进行去噪,会出现误删,出现顶部枝叶与毛竹主体相分离的现象；野外扫描时,毛竹摇摆带来较大误差,数据处理阶段同一曲面内的点云距离相差较大,降噪过程中被误认为噪点而清除,模型中会出现孔洞的现象等诸多问题,有待于进一步探讨和研究。