- 研究的目的及意义
随着林业信息化的建设与发展,利用树木点云数据,从中提取树木的结构参数(胸径,树高,材积等)已成为一种重要的林木测量手段.为了弥补国内在树木点云数据处理软件系统方面的空白,采用一系列树木结构参数提取算法,并结合计算机图形显示技术,设计并实现了一种三维树木点云数据处理软件系统。开发完成了树木点云数据的三维显示与旋转平移查看功能.拥有基本的点云数据处理功能,以及树木的胸径,树高,材积提取的功能.系统经过实验数据的验证,证明其拥有良好的性能,并可以快速准确地提取树木结构参数。 三维扫描技术在高精度和高速度获取数据方面获得了飞速发展。目前三维激光扫描仪能一秒内获取几万到几十万个数据点ｎ１，获取的海量三维数据信息被形象地称为点云数据。 点云数据以最简单、 最直接的方式反映模型信息， 成为三维几何研究和处理的主要数据对象之一。我们不仅能快速、准确地获取树木表面的精确海量三维信息， 且不受林地环境的限制。 这不仅为林业数据的采集提供了便利， 同时高精度、细节丰富的空间数据也为林业内部的精准分析提供了 可能。 而该邻域的应用中，对于点云数据的建模研究，是研究的核心部分。 当前，商业类型的点云建模软件种类很多， 但这些类软件都存在一些缺点。 例如集中表现为专用软件收费价格昂贵、建模精度不够高、软件智能化低、 数据处理过程主要依靠人工干预、 点云数据的处理功能不完善、集成化程度低等问题。而且，这些软件主要应用于建筑业和机械设计行业中，但在林业行业特别是树木模型的重建中的应用存在着较大的局限性。一方面，整株树木的点云数据量较大，不适合此类软件；另一方面， 此类软件不适合处理对带有树叶的树木进行三维重建，构造的模型效果也不够理想。因此林业中迫切的需要一种针对树木点云数据的模型重建技术。
- 国内外同类研究概况
使用计算机视觉与模式识别技术进行目标和物种识别的相关研究有许多。如通过人脸特征进行人脸识别的技术已经很成熟， 甚至有些方法和研究已经使用基于人脸的3D形状进行人脸检测 ，要使计算机能够对人脸进行识别，需要提取相关的特征，对不同人脸进行表示。同样对于植物的分类也需要通过提取相应的特征对不同植物进行描述，最后使用计算机技术进行自动分类。
当前，对于植物种类的识别与分类的研究主要集中在植物外观特征，特别是植物叶片的形状上。 Guyer 等在 1 993 年提取了 1 7 种用于描述叶片形状的特征对植物进行分类研究。 Abbasi 等人使用多重尺度曲率空间来描述叶子的边界和形状及其它特征来对菊花进行分类研究。Saitoh 和 Kaneko通过提取形状和颜色等特征，使用神经网络来识别野花，对 1 6 种不同类别的野花进行分类识别实验，其准确率超过了 95%。Rui 等人利用改进的傅立叶描述子对植物叶片进行了 分类研究。在国内，傅星、卢汉清在1994 年进行了使用计算机技术进行植物自动分类的初步探讨和研究，祁亨年等通过提取基于叶片大小、叶形、圆形度参数及叶缘等叶片外观形状特征，建立植物分类识别模型对植物分类进行研究。傅弘等提出使用边缘梯度、局部对比度和领域统计特征等 1 0 个参数来描述像素的邻域特征，结合神经网络方法提取叶脉图像，用于叶片识别。Wang 等在 2003 年提出了一种新的形状描述方法——CCD(centroid-countourdistance)，这种方法能够更有效地从全局角度描述形状， 以及 Belongie提出的用于描述形状的 Shape Context 和 Ling在 Shape Context 基础上改进的 Inner Distance等一系列精确描述和表示叶子形状特征的方法， 更是促进了基于叶子形状的植物分类方法的研究和发展。 但是基于植物叶子的识别有一定的局限性和难度，如对叶子的描述，很难建立一个能够准确反映植物叶子的数学模型，通过计算机图形学等技术对叶子的形状进行描述，这种情况只适应于一定种类的植物进行分类， 并不适合于对自然界中大量植物进行识别； 有些植物及其变种具有类似的叶片形状，这种情况下，基于植物叶片形状的方法就不适用了；对植物叶片图像进行处理时，可能使得叶片边缘模糊化导致丢失部分性状信息，影响识别效果。不同植物除在叶片形状、叶片脉络、花朵颜色等特征上有区别外，在高度、密度、分枝情况、外部形状等方面同样具有一定的差别。这些性状特征使得利用植物外在分布特征进行识别和分类变得可行。
- 研究内容及计划(不低于500字)
本文主要将计算机视觉技术、点云数据处理技术与模式识别技术融合在一起，应用到树木的分类识别中。所做工作的主要内容如下：
1） 点云数据的获取与预处理
对树木三维点云数据的获取方式进行了介绍，同时分析和比较了基于格网分块索引和 kd-tree 索引的点云数据预处理方式，并结合所获树木三维点云的实际情况，提出了基于距离扩散的去噪方法。
2） 树木点云特征提取
选择合适并能客观表示物体本质的特征，是进行正确分类识别的关键。基于植物叶片形状的提取与描述，颜色特征的表示等分类方法的研究已经比较成熟，而基于点云的植物特征表示，当前相关研究并不是很多，因此计算和提取出能够描述不同树木的特征是我们进行的一项重点和创新性地工作。本文使用的特征从提取树木高度、宽度等简单直观的外在全局特征入手，通过逐步分析和改进，到计算和统计点云中每个点的不同邻域等局部特征。并应用这些局部特征取得了超过 90%的分类正确率。
3） Joint Boost 分类算法的选择与应用
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
