基于三维激光扫描技术的原木三维图像重构

摘要

随着三维激光扫描技术(3D Laser Scanning Technology)的发展，三维建模和实景复制经历了几十年的发展，应用也越来越广泛，从最开始的土木工程、路面建设等应用发展到现在的古建筑修复方面、农业上实现农作物可视化等研究。生态文明建设一直是本国走可持续发展之路的基石，监测森林资源生长状况且实现森林资源统计管理一直是我国保护森林资源的发展性措施，把三维激光扫描技术应用在树木建模已经是林业发展的必然趋势。
　　为了实时健康监测森林资源的生长状况，本文以原木为试验样本，利用三维激光扫描技术对原木进行扫描，得到原木点云数据，共计1016990个数据点。由于直接得到的点云数据存在噪点且数据量过多，需要对数据进行去噪和精简，应用K均值(K-means)聚类算法进行数据分割;自组织映射(Self Organization Map，SOM)神经网络进行数据去噪;弦高偏移算法(Chord Height Offset Algorithm)进行数据精简;得到564821个数据点，根据处理后的点云数据对原木三维模型进行重构。试验结果证明，得到的原木三维重构图像清晰，保留了表面的完整特征信息，进而对树木的生长状况进行评估，此方法也可应用在古树和名树的研究和监测上。同时也可以根据重构后的原木三维图像计算出其胸径、材积、表面积等测树因子，实现了树木的可视化，对树皮纹理识别、森林数据建立数字化档案等研究奠定了基础。

目录

摘要

1 绪论

1．1 研究目的及意义

1．2 国内外研究现状

1．2．1 三维激光扫描技术的研究现状

1．2．2 点云数据分割的研究现状

1．2．3 点云数据去噪的研究现状

1．2．4 点云数据精简的研究现状

1．3 K-means聚类算法理论及其应用

1．4 自组织神经网络理论及其应用

1．5 弦高偏移算法理论及其应用

1．6 研究的主要内容与技术路线

2 点云数据的获取方案

2．1 三维激光扫描技术

2．2 三维激光扫描仪的分类

2．3 三维激光扫描仪的工f乍原理

2．4 三维激光扫描系统的构成

2．5 原木点云数据的获取

2．6 本章小结

3 原木点云数据的分割

3．1 点云数据的种类

3．2 点云数据分割

3．3 K-means聚类算法

3．4 基于K-means聚类算法的点云数据分割

3．5 本章小结

4 原木点云数据的去噪

4．1 噪点的分类

4．2 点云数据去噪

4．3 基于sOM神经网络的点云数据去噪

4．3．1 SOM神经网络结构

4．3．2 SOM神经网络学习算法

4．3．3 应用SOM神经网络数据去噪的过程

4．4 本章小结

5 原木点云数据的精简及三维重构

5．1 点云数据精简

5．2 基于弦高偏移算法的点云数据精简

5．2．1 弦高偏移算法

5．2．2 应用弦高偏移算法数据精简的过程

5．3 原木三维模型重构

5．4 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明