Voxel extremum filtering and QuickHull: a rapid algorithm for individual tree canopy volume estimation

方法

三维体素索引、QuickHull凸包、SMMP与MMMP极值点滤波，用三类树TL

发现

SMMP耗时降至标准QuickHull的18%–37%，体积损失<1%；MMMP损失<0.5%。

机会点

可探索自适应体素尺寸与多树种泛化，并将该加速框架迁移到无人机点云与实时三维绿量监测。

基于密集点云估算单木冠层体积在计算上要求较高。本研究将三维体素索引与QuickHull相结合，并引入两种过滤策略：单向最大与最小点过滤（Single-direction Maximum and Minimum Point filtering，SMMP）和多向最大与最小点过滤（Multi-directional Maximum and Minimum Point filtering，MMMP）。两种策略均保留局部极值，以减少用于构建凸包的点集。利用三种树的地面激光扫描数据进行测试表明，对于分辨率为1 cm的点云，在体素网格边长为5 cm时，SMMP将计算时间缩短至标准QuickHull所需时间的18.28%–36.68%，体积损失低于1%。在网格边长为10 cm时，MMMP将计算时间缩短至标准QuickHull时间的34.55%–73.55%，体积损失低于0.5%。SMMP具有更高的计算效率，而MMMP产生的体积损失更低。对于10 cm或更精细的点云分辨率，SMMP和MMMP推荐的体素网格边长分别约为点云分辨率的五倍和十倍。这些方法在加速基于凸包的冠层体积估算的同时，与标准QuickHull保持高度一致，有助于高效的三维绿量评估和林业遥感。