сотрудник
Мытищи, г. Москва и Московская область, Россия
аспирант
Мытищи, Россия
сотрудник
Мытищи, г. Москва и Московская область, Россия
УДК 630 Лесное хозяйство. Лесоводство
Облака точек широко используются при наземном сканировании леса с помощью LiDAR и стереокамеры. Облака точек часто страдают от шума – выбросов и артефактов, искажающих данные. Аппаратно точность и качество исходного облака точек при наземном сканировании участка леса может быть повышена с помощью использования сканеров с более высоким расширением, а также с помощью фотограмметрии или дополнительных датчиков. Для устранения шума могут использоваться программные способы: фильтрация точек, сглаживание, статистические методы и алгоритмы реконструкции. Новый подход к фильтрации шумов сканируемого участка леса основан на анализе значений цветовых компонент в пространствах YCbCr и L*a*b. Исследовали свойства цветовых моделей YCbCr и L*a*b и определили пороговые значения для классификации точек как шумовых или объектных в зависимости от их расстояния до центроидов. Применение комбинированного (YCbCr | L*a*b) фильтра на облаке точек сократило количество точек до 38963 (17,41% от исходного количества). При проведении калибровки камеры и LiDAR на основании (YCbCr | L*a*b) фильтра общее среднее значение ошибок перевода составило 0,0247 м, вращения 6,244 град, перепроецирования 8,385 пикселей. Способ (YCbCr | L*a*b) фильтрации показывает высокую точность и надежность в удалении шумов и сохранении целостности объектов в облаке точек, что позволит в последующем использовать полученные данные на беспилотных машинах при выполнении лесозаготовительных операций.
облако точек, LiDAR, наземное сканирование леса, фильтрация шумов, обработка облака точек, цифровая модель леса, Livox MID70, YCbCr, L*a*b*
1. Kabonen, Alexey & Ivanova, Natalya. Tree attribute assessment in urban greenwood using ground-based LiDAR and multiseasonal aerial photography data. Nature Conservation Research. 2023; 8: 64-83. DOI: http://doi.org/10.24189/ncr.2023.005.
2. Yang B., Haala N., Dong Z. Progress and perspectives of point cloud intelligence //Geo-spatial Information Science. - 2023. - С. 1-17. DOI: http://doi.org/10.1080/10095020.2023.2175478.
3. Kuželka K., Marušák R., Surový P. Inventory of close-to-nature forest stands using terrestrial mobile laser scanning //International Journal of Applied Earth Observation and Geoinformation. 2022; 115:103104. DOI: https://doi.org/10.1016/j.jag.2022.103104
4. Pires, Raul & Olofsson, Kenneth & Persson, Henrik & Lindberg, Eva & Holmgren, Johan. (2022). Individual tree detection and estimation of stem attributes with mobile laser scanning along boreal forest roads. ISPRS Journal of Photogrammetry and Remote Sensing. 2022; 187: 211-224. DOI: http://doi.org/10.1016/j.isprsjprs.2022.03.004.
5. Zhang, Yupan & Tan, Yiliu & Onda, Yuichi & Hashimoto, Asahi & Gomi, Takashi & Chiu, Chenwei & Inokoshi, Shodai. (2023). A tree detection method based on trunk point cloud section in dense plantation forest using drone LiDAR data. Forest Ecosystems. 2023; 10: 100088. DOI: http://doi.org/10.1016/j.fecs.2023.100088.
6. Dai, Mingrui & Li, Guohua. (2023). Soft Segmentation of Terrestrial Laser Scanning Point Cloud of Forests. Applied Sciences. 2023; 13: 6228. DOI: http://doi.org/10.3390/app13106228.
7. Krassnitzer, Ralf & Nothdurft, Arne & Ritter, Tim & Tockner, Andreas & Erber, Gernot & Kühmaier, Martin & Hönigsberger, Ferdinand & Varch, Thomas & Holzinger, Andreas & Stampfer, Karl & Gollob, Christoph. Measurement of Individual Tree Parameters with Carriage-Based Laser Scanning in Cable Yarding Operations. Croatian journal of forest engineering. 2023; 2: 44 DOI: http://doi.org/44.https://doi.org/10.5552/crojfe.2023.2252.
8. Gollob, Christoph & Ritter, Tim & Wassermann, Clemens & Nothdurft, Arne. (2019). Influence of Scanner Position and Plot Size on the Accuracy of Tree Detection and Diameter Estimation Using Terrestrial Laser Scanning on Forest Inventory Plots. Remote Sensing. 2019; 11: 1602. DOI: http://doi.org/10.3390/rs11131602.
9. Liang X. et al. International benchmarking of terrestrial laser scanning approaches for forest inventories // ISPRS journal of photogrammetry and remote sensing. 2018; 144: 137-179. DOI: https://doi.org/10.1016/j.isprsjprs.2018.06.021
10. Покоева М.В., Ярославцев А.М. Экологические исследования смешанных насаждений методами дистанционного зондирования // Лесной вестник / Forestry Bulletin, 2020; 24 (3): 33-38. DOI: https://doi.org/10.18698/2542-1468-2020-3-33-38.
11. Демидов Д. Н. Исследование алгоритма оценки параметров предполетной ориентации средств управления беспилотного летательного аппарата при мониторинге молодых лесных насаждений / Д. Н. Демидов // Лесотехнический журнал. 2021; 11 (4): 100-111. DOI: https://doi.org/10.34220/issn.2222-7962/2021.4/9.
12. Кабонен А. В., Иванова Н. В. Оценка биометрических характеристик деревьев по данным наземного lidar и разносезонной аэрофотосъемки в искусственных насаждениях //Nature Conservation Research. Заповедная наука. 2023; 8 (1): 64-83. DOI: https://dx.doi.org/10.24189/ncr.2023.005.
13. Низаметдинов Н.Ф., Моисеев П.А., Воробьев И.Б. Лазерное сканирование и аэрофотосъемка с БПЛА в исследовании структуры лесотундровых древостоев Хибин // Известия вузов. Лесной журнал. 2021; 4: 9-22. DOI: https://doi.org/10.37482/0536-1036-2021-4-9-22.
14. Gao Q., Kan J. Automatic forest DBH measurement based on structure from motion photogrammetry //Remote Sensing. 2022; 9: 2064. DOI: https://doi.org/10.3390/rs14092064
15. Singh A. et al. An approach for tree volume estimation using RANSAC and RHT algorithms from TLS dataset //Applied Geomatics. 2022; 4:785-794. DOI: https://doi.org/10.1007/s12518-022-00471-x.
16. Salehi, Bahram & Jarahizadeh, Sina & Sarafraz, Amin. An Improved RANSAC Outlier Rejection Method for UAV-Derived Point Cloud. Remote Sensing. 2022; 14: 4917. DOI: http://doi.org/10.3390/rs14194917.
17. Yan, Guohang & He, Feiyu & Shi, Chunlei & Cai, Xinyu & Li, Yikang. Joint Camera Intrinsic and LiDAR-Camera Extrinsic Calibration. 2023; 11446-11452. DOI: https://doi.org/10.48550/arXiv.2202.13708.
18. Muhovič Jon, Pers Janez. Joint Calibration of a Multimodal Sensor System for Autonomous Vehicles. Sensors. 2023; 23: 5676. DOI: http://doi.org/10.3390/s23125676.
19. Zhu Y., Li C., Zhang Y. Online camera-lidar calibration with sensor semantic information //2020 IEEE International Conference on Robotics and Automation (ICRA). 2020; 970-4976. DOI: https://doi.org/10.1109/ICRA40945.2020.9196627
20. Huang, Biao & Zou, Shiping. (2022). A New Camera Calibration Technique for Serious Distortion. Processes. 2023; 10, 488. DOI: http://doi.org/10.3390/pr10030488.
21. Huang B. et al. A fast and flexible projector-camera calibration system //IEEE Transactions on Automation Science and Engineering. 2020; 3: 1049-1063. DOI: https://doi.org/10.1109/TASE.2020.2994223
22. Ly, Bao & Dyer, Ethan & Feig, Jessica & Chien, Anna & Bino, Sandra. (2020). Research Techniques Made Simple: Cutaneous Colorimetry: A Reliable Technique for Objective Skin Color Measurement. The Journal of investigative dermatology. 2020; 140: 3-12. DOI: http://doi.org/10.1016/j.jid.2019.11.003.
23. Dong, Lili & Zhang, Weidong & Xu, Wenhai. (2022). Underwater image enhancement via integrated RGB and LAB color models. Signal Processing Image Communication. 2022; 104: 116684. DOI: http://doi.org/10.1016/j.image.2022.116684.
24. Abdel-Hamid, Lamiaa. Glaucoma detection using statistical features: Comparative study in RGB, HSV and CIEL*a*b* color models. 2018; 110692V DOI: http://doi.org/10.1117/12.2524215.
25. Liu, Kangcheng & Cao, Muqing. (2023). DLC-SLAM: A Robust LiDAR-SLAM System With Learning-Based Denoising and Loop Closure. IEEE/ASME Transactions on Mechatronics. 2023; 5: 2876-2884 DOI: http://doi.org/10.1109/TMECH.2023.3253715.
26. Lv, Jiajun & Lang, Xiaolei & Xu, Jinhong & Wang, Mengmeng & Liu, Yong & Zuo, Xingxing. (2023). Continuous-Time Fixed-Lag Smoothing for LiDAR-Inertial-Camera SLAM. IEEE/ASME Transactions on Mechatronics. 2023; 4: 2259-2270. DOI: http://doi.org/10.1109/TMECH.2023.3241398.
27. Ren, Yujuan & Li, Tianzi & Xu, Jikun & Hong, Wenwen & Zheng, Yanchao & Fu, Biao. (2021). Overall Filtering Algorithm for Multiscale Noise Removal From Point Cloud Data. IEEE Access. 2021; 9: 110723-110734. DOI: http://doi.org/10.1109/ACCESS.2021.3097185.
28. Boslim, N & Abdul Shukor, Shazmin & Isa, S & Wong, R. (2021). Performance analysis of different classifiers in segmenting point cloud data. Journal of Physics: Conference Series. 2021; 2107: 012003. DOI: http://doi.org/10.1088/1742-6596/2107/1/012003.
