针对目前激光雷达(Light Detection And Ranging,LIDAR)采集的森林点云数据使用K-means算法进行单木识别时,算法的收敛时间长,以及对于株树密度大的森林场景容易产生过聚类的问题,提出了一种改进的多层K-means单木识别算法。以黑龙江省...针对目前激光雷达(Light Detection And Ranging,LIDAR)采集的森林点云数据使用K-means算法进行单木识别时,算法的收敛时间长,以及对于株树密度大的森林场景容易产生过聚类的问题,提出了一种改进的多层K-means单木识别算法。以黑龙江省佳木斯市孟家岗林场落叶松人工林的点云数据为实验对象,通过RANSAC算法和半径离群值算法去除数据中的地面点与非树干且非地面点,最后通过多层K-means算法进行单木的识别。结果表明,改进后的多层K-means算法单木识别的识别率达到了91.01%,误判树木的数量为0,算法收敛时间相较于传统K-means算法缩短了48.13%。可以得出结论,多层K-means算法效率更高,对复杂密集的林分样地进行单木识别有更好的效果,降低了勘测森林结构的成本,这对于森林结构参数的测算、森林资源的保护与总体规划工作有重要意义。展开更多
文摘针对目前激光雷达(Light Detection And Ranging,LIDAR)采集的森林点云数据使用K-means算法进行单木识别时,算法的收敛时间长,以及对于株树密度大的森林场景容易产生过聚类的问题,提出了一种改进的多层K-means单木识别算法。以黑龙江省佳木斯市孟家岗林场落叶松人工林的点云数据为实验对象,通过RANSAC算法和半径离群值算法去除数据中的地面点与非树干且非地面点,最后通过多层K-means算法进行单木的识别。结果表明,改进后的多层K-means算法单木识别的识别率达到了91.01%,误判树木的数量为0,算法收敛时间相较于传统K-means算法缩短了48.13%。可以得出结论,多层K-means算法效率更高,对复杂密集的林分样地进行单木识别有更好的效果,降低了勘测森林结构的成本,这对于森林结构参数的测算、森林资源的保护与总体规划工作有重要意义。
