基于状态空间特征增强与自适应策略的单木点云枝叶分割方法

A Method for Branch-Leaf Segmentation of Individual Tree Point Clouds Based on State-Space Feature Enhancement and Adaptive Strategy

摘要

为有效利用森林点云数据测算森林碳汇，实现叶片与枝干点云的精准高效分离至关重要。森林点云具有重叠性强、特征复杂和数据量庞大等特点。现有研究方法存在计算成本高、依赖树木几何与光谱特征和跨树种泛化能力弱等问题。针对这些挑战，提出利用状态空间特征增强（PoinTramba）方法，分别采用Transformer与Mamba对组内和组间关系进行建模。基于PoinTramba框架，进一步改进其分组策略并对基于上下文关系的重排序策略做出调整，适配森林点云特性，使其具备处理森林点云驳杂数据能力的同时提高了跨树种的泛化性。试验结果表明，PoinTramba方法在测试集上取得了94.20%的总体准确率（OA）、85.53%的平均交并比（mIoU）和87.37%的平均准确率（mAcc），相较基于Transformer的方法展现出显著提升。同时，对PoinTramba方法采取的分组策略以及基于上下文关系的重排序策略的实际效果进行了分析，对比PoinTramba基础方法以及其他改进措施都有一定的优势。

Abstract

To effectively utilize forest point cloud data for estimating forest carbon sinks， it is crucial to achieve accurate and efficient separation of leaf and branch point clouds. Forest point clouds are characterized by strong overlap， complex features， and massive data volume. Existing research methods face challenges such as high computational costs， reliance on tree geometric and spectral features， and weak cross-species generalization capabilities. To address these challenges， this paper proposes the use of the PoinTramba method， which employs Transformer and Mamba to model intra-group and inter-group relationships， respectively. Based on the PoinTramba framework， we further improve its grouping strategy and adjust the BIO strategy to adapt to the characteristics of forest point clouds， enabling it to handle the heterogeneous data of forest point clouds while enhancing cross-species generalization. Experimental results show that the proposed method achieves 94.20% OA （overall accuracy）， 85.53% mIoU （mean intersection over union）， and 87.37% mAcc （mean accuracy） on the test set， demonstrating significant improvements compared to Transformer-based methods. Additionally， the practical effects of the grouping strategy and BIO strategy adopted in this paper are analyzed， showing certain advantages over the basic PoinTramba method and other improvement measures.

Graphical abstract

关键词

三维点云 / 枝叶分离 / PoinTramba / 语义分割

Key words

3D point clouds / branch-leaf segmentation / PoinTramba / semantic segmentation

0 引言

树木的结构特征（如树高、胸径、冠幅）是评估其碳储量的关键。快速准确地获取这些特征，对于森林碳储量测算至关重要^［1-4］。传统人工测量方式费时费力、效率低下而地面三维激光扫描技术可通过非破坏性方式，从点云中提取树干材积并估测生物量，为树木结构定量分析与三维重建提供了新方法^［5］。基于点云的结构分析首先需要实现枝叶与枝干的精确分割。传统方法多依赖几何与辐射特征。Vicari等^［6］结合无监督几何分类与最短路径分析实现枝叶分离；Ferrara等^［7］基于密度的含噪声空间聚类算法（density-based spatial clustering of applications with noise，DBSCAN）算法，通过体素密度差异分割树冠；Ma等^［8］则融合区域生长、形态分割与k-means进行细化。然而，这些方法受传感器差异与参数设置影响较大，在准确性与效率上存在局限。在单木骨架重构方面，赵永辉等^［9］采用Laplace收缩与拓扑细化方法，提升了枝干重建的精度与效率；赵钧坤等^［10］基于关键路径探测策略，实现了分层递进的骨架提取；杨军等^［11］基于背包式激光扫描（backpack laser scanning，BLS）点云成功构建了蒙古栎胸径-树高模型，证实了背包激光雷达在天然林单木因子提取中的可行性与精度，为林业数字化管理提供了数据基础。

随着深度学习在语义分割的任务中广泛应用，直接处理点的深度学习点云分割方法取得了优异成果，深度学习的点云分割方法开始用于枝叶点云分割的研究。Chen等^［12］在体素化的深度学习方法基础上，使用PointNet网络提取出树冠的边界，在4种森林类型的点云数据上进行了树冠的分割。Wielgosz等^［13］利用PointNet++网络，在挪威的针叶林数据上进行语义分割训练，得到了较高的分类准确度。Zhang等^［14］提出了一个结合稀疏卷积（SpConv）和PointTransformer的网络，用于分离树点云中的木质和树叶成分，称为SPTNet，用以对点云中的叶片和木质结构进行分离，并对Transformer策略进行了针对树木特征的改进，计算叶片和木质结构的法向量差分算子和形态检测系数作为特征输入网络训练，基于不同的样地设计不同的自适应策略，对细小的枝干具有较好的分割效果。

现有方法面临三大挑战：首先，因为Transformer在点云分析任务中，其注意力机制的复杂性是二次方的，所以基于Transformer模型的方法因其二次复杂度导致计算成本很高；其次，现有方法过度依赖几何或光谱特征，限制了方法的跨树种泛化能力；最后，林木点云重叠性强，点云特征驳杂，数量庞大，这些导致处理效率低下。随着状态空间模型（state space models，SSM）的提出，通过动态建模实现高效的训练和推理，显著降低内存使用量^［15］，为解决Transformer方法的固有问题提供了可能。本研究提出了一种基于状态空间特征增强（PoinTramba）^［16］的树木点云枝干叶分割方法。PoinTramba是一种用于点云分析的新型混合框架，其利用了Transformer的强大分析能力和Mamba的效率。为了减少对于树木几何和光谱等特征的依赖，适应性提取不同树种的多样性特征，同时提高点云分割的效率，并减少树木点云参数量大的问题带来的影响，本研究进行了如下改进。

1）分组策略改进

采用基于自适应最近邻密度峰值聚类算法（adaptive nearest neighbor density peak clustering，ANN-DPC）^［17］的自适应聚类分组，通过集成ANN-DPC的自适应邻域搜索与动态密度阈值，PoinTramba的分组策略在保持计算效率的同时，显著提升了组内一致性与跨树种泛化能力。试验验证其在复杂森林点云中的优越性，为后续Transformer层的长程依赖建模提供了更高质量的特征输入。

2）双向重要性感知排序（bi-directional importance-aware ordering，BIO）策略的适应性优化

通过上下文一致性分数与全局一致性分数的结合，融合局部与全局信息，精准捕捉枝干-叶片分布模式，提高BIO策略的结构感知能力；同时，以上下文一致性为基础的计算方法，显著减少了对几何特征的依赖，以此提高了跨树种的泛化性。

1 研究方法

1.1 PoinTramba

本研究旨在利用PoinTramba的方法对森林点云数据进行枝叶分割研究，PoinTramba的技术路线见图1。将单树点云分割为不同的点组后，使用Transformer编码器对组内关系进行建模并生成组嵌入。然后采用一种新的双向重要性感知排序策略来重新排序组嵌入，减轻随机点云排序的不利影响。最后，Mamba编码器从重新排序的组嵌入中提取组间关系，这些关系随后被馈送到重要性感知池层，捕获用于分割的全局特征。

1.2 核心创新

本研究对PoinTramba中的分组策略和BIO策略进行了重构。通过设计自适应分组策略以及基于上下文关系的重要性分数计算，着重解决传统林木点云枝干分割中计算成本高、处理效率低、依赖几何或光谱特征，以及跨树种泛化能力差的问题。

1.2.1 自适应分组策略

在组内Transformer编码器处理分组点云数据过程中，为了适应性地解决树木点云数目庞大且密度不均的问题，尝试根据树木点云的局部密度、几何结构特征等因素动态调整组的大小和形状。在树干等结构相对简单且点云密度较低的区域，适当扩大组的范围，以减少组的数量，提高计算效率；在枝叶茂密、点云复杂的区域，缩小组的规模，确保能够精细地捕获局部特征。

本方法使用一种基于ANN-DPC方法，融合了自适应近邻搜索与动态密度阈值调整两大核心技术。通过近似最近邻加速技术计算局部密度，规避全局搜索的高计算成本，实现自适应邻域识别；采用实时调整邻域范围与密度阈值的动态多尺度密度感知机制，适应点云结构变化（如树干与枝叶的密度差异）；通过动态阈值实现自动噪声过滤，减少对后续Transformer建模的干扰。整体工作流程见图2。

对于输入的单树点云p_i=\left\{p_{\mathrm{1}},p_{\mathrm{2}},\cdots ,p_N\right\}，每个点包含坐标\left(x,y,z\right)和可选特征（如法向量、反射强度）。通过构建空间索引八叉树^［18］，加速近邻搜索，避免遍历所有点对，降低时间复杂度，实现自适应的邻域搜索。在树干密集区域，八叉树将空间划分为小立方体，快速定位相邻点；在枝叶稀疏区域，k维空间搜索树（k-dimensional tree，KD-Tree）通过递归分割空间优化搜索路径。

对每个点p_i，动态计算邻域半径{\epsilon }_i，根据局部密度自适应调整邻域范围。例如，在密集区域（如树干），{\epsilon }_i较小以捕捉细节；在稀疏区域（如叶间隙），{\epsilon }_i较大以避免孤立点

{\epsilon }_i=\alpha \cdot \mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}\left(‖{\mathit{p}}_i-{\mathit{p}}_j‖\right),{\mathit{p}}_j\in \mathrm{K}\mathrm{N}\mathrm{N}\left({\mathit{p}}_i,k\right)。（1）

式中：{\mathit{p}}_j是{\mathit{p}}_i的k近邻（K nearest neighbors，KNN）；α为缩放因子（默认0.5）；median表示取中位数，取前k个最近邻点（默认50）。

密度峰值的聚类与分组的生成需要通过密度特征识别自然簇结构，形成初始分组，通过局部密度{\rho }_i，量化点的聚集程度。高密度点（如主干中心）更可能成为簇中心，低密度点（如孤立叶片）可能被过滤为噪声。即

{\rho }_i=\sum _{p_j\in N\left(p_i\right)}exp\left(-\frac{{‖{\mathit{p}}_i-{\mathit{p}}_j‖}^{\mathrm{2}}}{{\sigma }^{\mathrm{2}}}\right)。（2）

式中：N\left({\mathit{p}}_i\right)为{\mathit{p}}_i的领域点；\sigma为高斯核带宽，根据点云密度自适应调整。

通过动态密度阈值{\rho }_{\mathrm{t}\mathrm{h}}，自适应确定簇中心阈值。当点云密度分布不均时（如树干与叶片的密度差异），动态阈值比固定阈值更鲁棒，即

{\rho }_{\mathrm{t}\mathrm{h}}=\mu \left(\rho \right)+\beta \cdot \sigma \left(\rho \right)。（3）

式中：\mu \left(\rho \right)和\sigma \left(\rho \right)分别为密度均值和标准差；\beta为调节因子（默认1.5）。选择密度{\rho }_i>{\rho }_{\mathrm{t}\mathrm{h}}，即主干的中心点密度高、周围点密度逐渐降低，且距离其他高密度点较远的点作为簇中心，通过近邻传播将剩余点分配到最近的高密度簇，形成初始分组G=\left\{G_{\mathrm{1}},G_{\mathrm{2}},\cdots ,G_M\right\}。

采用分组策略进行动态调整的方式提高对不同树种点云数据的泛用性。首先，为了减少过度分割，需要对簇间距较小的进行合并。例如，将相邻的细枝簇合并为一个组，保留完整枝干结构。若两簇间距小于\mathrm{m}\mathrm{i}\mathrm{n}\left({\epsilon }_i,{\epsilon }_j\right)且密度相似，则合并为一个组。同时，为了避免大组丢失细节，需要对点数过多的组执行分裂。例如，将长主干按密度变化分割为多个子组，分别建模局部特征。即对点数过多（如>1 000）的组，按密度梯度（沿主方向）进一步细分。

ANN-DPC中的关键参数（如K近邻数K、动态密度阈值调节因子）通过网格搜索与交叉验证相结合的方式确定。通过调整K和\beta的取值，以mIoU和OA为评价指标，最终选定K=\mathrm{50}、\beta =\mathrm{1.5}作为默认参数。该组合在多数树种上表现稳定，且计算效率较高。

分组策略生成初始簇后，需为每个组{\mathit{G}}_g添加上下文特征，以增强其对局部结构与全局分布的描述能力，从而适配Transformer的长程依赖建模。首先是增加组特征，为了帮助Transformer捕捉空间分布模式，提供组在三维空间中的位置信息，需要生成几何中心坐标{\mathit{c}}_g；在区分均匀结构（如树干）与复杂结构（如叶片）时，需要量化组内点分布的紧密度，即使用组内密度方差{\sigma }_g^{\mathrm{2}}，即

{\mathit{c}}_g=\frac{\mathrm{1}}{\left|{\mathit{G}}_g\right|}\sum _{p_i\in G_g}{p}_i,{\sigma }_g^{\mathrm{2}}=\frac{\mathrm{1}}{\left|{\mathit{G}}_g\right|}\sum _{p_i\in G_g}{‖p_i-c_g‖}^{\mathrm{2}}。（4）

式中：p_i=\left(x_i,y_i,z_i\right)为点坐标；\left|{\mathit{G}}_g\right|为组内点数。

同时，要确定法向量的主方向，用以描述组的空间朝向，区分垂直主干与水平枝叶。为此需要进行协方差矩阵分解

\mathit{C}=\frac{\mathrm{1}}{\left|{\mathit{G}}_g\right|}\sum _{p_i\in G_g}\left({\mathit{p}}_i-{\mathit{c}}_g\right){\left({\mathit{p}}_i-{\mathit{c}}_g\right)}^{\mathrm{T}}。（5）

在此基础上，取协方差矩阵最小特征值对应的特征向量作为法向量主方向{\mathit{n}}_g。例如，树干组的法向量主方向接近垂直，而叶片组的法向量随机分布。

确定了各组的组特征后，着手补充组与邻域的关系信息，增强全局感知，获取上下文统计特征，包含邻域密度差\mathrm{\Delta }{\rho }_g和到最近邻组的欧氏距离d_g^{\mathrm{m}\mathrm{i}\mathrm{n}}，即

\mathrm{\Delta }{\mathit{\rho }}_g={\mathit{\rho }}_g-\frac{\mathrm{1}}{K}{\sum }_{k\in N\left(g\right)}{\rho }_k,d_g^{\mathrm{m}\mathrm{i}\mathrm{n}}=\mathrm{m}\mathrm{i}{\mathrm{n}}_{k\ne g}‖{\mathit{c}}_g-{\mathit{c}}_k‖。（6）

式中，N\left(g\right)为邻接组。

通过多层感知机MLP，将接后的特征映射到统一维度d，融合原始点特征与增强特征，生成组级嵌入向量，即

{\mathit{f}}_g=\mathrm{M}\mathrm{L}\mathrm{P}\left({\mathit{f}}_g^{\mathrm{r}\mathrm{a}\mathrm{w}}\oplus {\mathit{c}}_g\oplus {\sigma }_g^{\mathrm{2}}\oplus {\mathit{n}}_g\oplus \mathrm{\Delta }{\mathit{\rho }}_g\oplus d_g^{\mathrm{m}\mathrm{i}\mathrm{n}}\right)。（7）

式中： f_g^{\mathrm{r}\mathrm{a}\mathrm{w}}为组内点的平均原始特征。

使用正弦函数编码几何中心坐标{\mathit{c}}_g,{\mathit{c}}_g^y,{\mathit{c}}_g^z，增强空间位置感知，结合融合后的特征，输入Transformer：

\mathit{X}=\left[f_{\mathrm{1}}+\mathrm{P}\mathrm{E}\left(c_{\mathrm{1}}\right),f_{\mathrm{2}}+\mathrm{P}\mathrm{E}\left(c_{\mathrm{2}}\right),\cdots ,f_M+\mathrm{P}\mathrm{E}\left(c_M\right)\right]。（8）

式中：\mathit{X}\in R^{M\times d}；M为组数；d为嵌入维度。

1.2.2 基于上下文关系的BIO策略适应性优化

在原有BIO策略中，重要性分数通过组嵌入与全局特征的余弦相似度计算，以此进行计算需要针对点集团的密度、与树干的距离和曲率等特征，隐含依赖几何以及光谱特征。为了提高PoinTramba对多树种的适应性，需要对BIO策略做出去几何化的改进，不使用或不显式使用几何特征或光谱信息，完全基于上下文关系（点组的空间分布、邻域交互、长程依赖）重新设计重要性衡量指标。

为了评估点组内点的分布是否呈现邻域一致性，捕捉点组的局部邻域交互和全局长程依赖，增强模型对复杂结构的理解能力，需要对局部邻域进行交互编码。对每个点组，使用轻量级图神经网络聚合其K近邻点的邻域特征，生成上下文感知的嵌入向量{\mathit{h}}_g，即

{\mathit{h}}_g=\mathrm{G}\mathrm{N}\mathrm{N}\left(\left\{{\mathit{x}}_k|k\in N\left(g\right)\right\}\right)。（9）

式中：输入为点组g及其邻域点k\in N\left(g\right)的特征x_k。

BIO策略的关键是得出重要性分数，以此量化每个点组对分割任务的贡献度，指导特征聚合，计算点组内点的语义一致性。采用上下文一致性分数与全局显著性分数结合的综合重要性分数，上下文一致性分数捕捉细粒度结构（如枝干分叉），全局注意力分数建模整体分布（如树冠形态）。

首先，计算上下文一致性分数，用以衡量点组与其邻域的语义一致性。在g的邻域内，计算嵌入向量{\mathit{h}}_g与邻域内点{\mathit{h}}_k的语义一致性，在高一致性组（如主干区域）邻域点均为枝干，得分高，在低一致性组（如噪声点或孤立叶片）邻域点特征差异大，得分低。上下文一致性分数S_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{c}\mathrm{y}}\left(g\right)的计算方法为

S_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{c}\mathrm{y}}\left(g\right)=\frac{\mathrm{1}}{\left|N\left(g\right)\right|}\sum _{k\in N\left(g\right)}\mathrm{c}\mathrm{o}\mathrm{s}\left({\mathit{h}}_g,{\mathit{h}}_k\right)。（10）

然后计算全局显著性分数，进行关键结构增强，如主干或粗枝在注意力中权重更高，模型更关注其对分割的影响，同时抑制冗余信息，如重复叶片区域通过低权重减少计算资源占用。通过自注意力机制计算点组对全局分割任务的贡献度，得出全局显著性分数。

S_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}\left(g\right)=\frac{\mathrm{1}}{G}{\displaystyle \sum _{i=\mathrm{1}}^G}\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left(\frac{{\mathit{Q}}_g{\mathit{K}}_i^{\mathrm{T}}}{\sqrt[]{d}}\right)。（11）

式中：{\mathit{Q}}_g为点组g的查询向量；{\mathit{K}}_i为全局键向量。

最后，合并通过图神经网络以及自注意力机制得出的重要性衡量标准，即合并上下文一致性分数和全局显著性分数，得出综合重要性分数，公式为

S_{\mathrm{B}\mathrm{I}\mathrm{O}}(g)=\alpha \cdot S_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{s}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{y}}(g)+\left(\mathrm{1}-\alpha \right)\cdot S_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}(g)。（12）

融合权重α通过网格搜索确定，对α在［0.0，1.0］区间内以0.1为步长进行网格搜索，并以所有树种的平均mIoU作为核心评价指标。试验结果表明，当模型同时考虑局部上下文与全局信息，且赋予局部上下文稍高权重时（α=0.6），能取得最佳的综合分割性能。为进一步验证\alpha的鲁棒性，在7种树种上分别测试不同\alpha值下的OA变化。结果显示，当\alpha \in [\mathrm{0.5,0.7}]时，OA波动小于2%，说明模型对\alpha具有一定鲁棒性。线性加权方式因其简单高效而被采用，未来可探索非线性融合方式。

针对需要优先处理的关键组，如主干和粗枝被优先建模，需要确保核心结构准确分割，因而选择按S_{\mathrm{B}\mathrm{I}\mathrm{O}}从高到低的降序排序；针对需要捕捉的潜在细节，如细枝或边缘叶片，可能被降序排序忽略，需要避免仅依赖高重要性组导致的局部最优，因而选择升序排序，按S_{\mathrm{B}\mathrm{I}\mathrm{O}}从低到高排列。将2种排序的组嵌入拼接，输入Mamba编码器。双向排序通过聚焦关键组，减少Mamba编码器的冗余计算，提升推理速度。

在调整BIO策略的基础上，需要同时对Mamba部分做出适应性调整。在Mamba编码器中引入双向状态传递机制，通过前向与反向序列建模捕捉全局上下文依赖，实现长程依赖感知。

s_g^{\mathrm{f}\mathrm{o}\mathrm{r}\mathrm{w}\mathrm{a}\mathrm{r}\mathrm{d}}=\mathrm{M}\mathrm{a}\mathrm{m}\mathrm{b}\mathrm{a}\left({\mathit{h}}_g,{\mathit{s}}_{g-\mathrm{1}}\right),{\mathit{s}}_g^{\mathrm{b}\mathrm{a}\mathrm{c}\mathrm{k}\mathrm{w}\mathrm{a}\mathrm{r}\mathrm{d}}=\mathrm{M}\mathrm{a}\mathrm{m}\mathrm{b}\mathrm{a}\left({\mathit{h}}_g,{\mathit{s}}_{g+\mathrm{1}}\right),{\mathit{s}}_g={\mathit{s}}_g^{\mathrm{f}\mathrm{o}\mathrm{r}\mathrm{w}\mathrm{a}\mathrm{r}\mathrm{d}}+{\mathit{s}}_g^{\mathrm{b}\mathrm{a}\mathrm{c}\mathrm{k}\mathrm{w}\mathrm{a}\mathrm{r}\mathrm{d}}。（13）

通过前向传递来捕捉从主干到末梢的生长方向依赖，如主干信息传递到细枝；通过反向传递来捕捉从末梢到主干的逆向依赖，如叶片分布对主干形态的反馈。将两者进行双向融合，综合全局信息，以此避免单向建模的偏差。

2 试验与分析

2.1 数据集

本研究使用的数据集A^［19］由Leica HDS6400地面激光扫描仪在5个不同样地中采集，总点数约1.49亿，最小重叠率34.6%，最大55.5%。每个样地包含至少28棵单木点云，均经过人工标注（枝干/叶片）。图4为经过点云配准后的数据集示例图。

数据集B^［20-21］是各树种的数据集集合，包括：云杉、白杨、杨树、桦树、松树、枫树、落叶松。共包含1 066棵树木，采集设备为HrisLR、Leica、HrisHD。所有数据均提供真值标签，适用于跨树种泛化验证，见图5。

2.2 数据预处理

针对树木点云参数量大的处理难点，采用基于Mamba结构的点云上采样方法（mamba-based point cloud upsampling，MBPU）^［22］的点云上采样策略，进行快速点渲染的点云上采样。该采样网络构建在Mamba架构之上，在长序列建模中表现良好，特别是对于大规模点云上采样，并拥有快速的收敛速度。凭借快速点渲染的优点，全卷积几何特征（fully convolutional geometric features，MBPU）通过有效消除表面噪声来产生高质量的上采样点云。因此，可以高效地进行如林地的大规模复杂环境的点云上采样工作。

针对树木点云参数重叠性强的问题，本方法使用FCGF^［23］的方法进行配准。FCGF方法通过3D全卷积网络，即可得到几何特征。同时提出了一个新的度量学习的loss函数，可以显著地提高网络的性能。FCGF的几何特征十分紧凑，可以捕捉广阔的上下文空间，并缩放到大型场景中，适合进行森林点云的配准处理，见图6。

2.3 试验设置

所有试验均在一台配备NVIDIA GeForce RTX 4090（24GB显存）的服务器上进行。软件环境基于Python 3.9、PyTorch 1.12.1以及CUDA 11.7。对于数据集A（5个样地），采用样地级别的留出法，轮流将其中一个样地作为测试集，其余作为训练和验证集。对于数据集B（1 066棵单木），将全部数据随机划分为5个互斥子集，依次将其中一个子集作为测试集，其余用于训练与验证。在每一折中，训练集、验证集、测试集的比例约为6∶2∶2。

训练采用Xavier均匀初始化方法初始化所有网络层的权重。使用Adam优化器，其初始学习率设置为0.001。损失函数采用针对本任务中枝干与叶片点数量不均衡的情况，根据训练集中两类点的比例自动计算权重。批量大小（Batch Size）设为8。总训练轮数（epoch）设置为200轮。采用ReduceLROnPlateau调度器，当验证集损失连续10个epoch未下降时，学习率乘以因子0.5。同时，使用权重衰减（L2正则化，系数为1×10^-4）来防止过拟合。若验证集损失在连续20个epoch内未下降，则提前终止训练，并回滚到验证损失最低的模型状态。采用总体准确率（OA）、平均交并比（mIoU）和平均准确率（mAcc）作为主要评价指标。所有报告结果均为3次独立重复试验的平均值，以减少随机性的影响。所有对比方法均在同一数据集划分、相同的预处理流程及上述尽可能一致的超参数设置下进行复现与训练，以确保对比的公平性。

2.4 试验验证

2.4.1 定量评估

对森林样地数据进行点云上采样以及配准后，使用PoinTramba进行枝干叶分割操作。在数据集A和数据集B上对分割的结果进行测试。选取PointNet++，AssaNet^［24］与本研究使用的PoinTramba方法进行定量化对比，验证结果的定量评估见表1。对比PointNet++、AssaNet以及未进行适应性优化的PoinTramba方法3个指标均有明显提升。

2.4.2 定性评估

选取PointNet++和AssaNet的方法对树木进行分割的结果进行细节对比。由图7可以看出，相较于PointNet++和ASSANET方法，本方法在易忽略特征部分表现更为优异，本方法精确地排除了树冠遮挡对精细树枝分割的影响，同时准确提取树干信息，不仅可有效区分树干与树冠，而且可以分割树冠中的细小枝干与树叶，可有效提取出其他方法难以分割的细节，提高识别树干和枝叶的准确率。

2.4.3 针对不同树种

对于试验数据中包含的多种树种，如云杉、白杨、杨树、桦树、松树、枫树和落叶松等，PoinTramba均对其表现出良好的适应性，无需进行预训练，不依赖于特定树种的先验知识，对于各种树种具有良好的泛化性，见表2，OA为总体准确率，mIoU为平均交并比。有效克服了传统方法中需要针对不同树种进行调整、依赖几何特征和光谱特征导致需要手动设置参数等问题，从而在不同树种的枝叶分离任务中取得较好的效果。

为验证其在不同密度分布下的鲁棒性，选取了数据集B中密度差异明显的树种（如松树与桦树）进行测试。试验表明，即便使用统一的默认参数，ANN-DPC通过其动态邻域半径和自适应密度阈值，仍能够自动适应树干（密度高）与枝叶（密度低）区域，减少过分割与欠分割现象，见图8。

2.5 创新验证与讨论

在本部分中，为了验证本方法对PoinTramba所做改进的有效性，采用了不同方法与本研究所做改进进行对比，并对本方法的优势进行了讨论。试验结果表明，采取的优化方案在树木点云分割任务中显著优于其他方法。

2.5.1 分组策略

采用ANN-DPC策略对PoinTramba的分组方式进行了优化，在分组策略的对比试验中，设置了基于排序识别聚类结构算法（ordering points to identify the clustering structure，OPTICS）分组和最远点采样法（farthest point sampling，FPS）方法与本方法进行对比。通过OA、mIoU来判断对分割性能的影响，见表3。

通过针对树木点云分组的一系列分步优化，ANN-DPC策略显著提升了点云分组的质量。通过几何、密度、方向与上下文统计特征的结合为Transformer提供全局-局部融合的输入。并利用基于几何中心的正弦编码，保留点云空间分布信息，增强Transformer的全局建模能力。通过自适应邻域与密度阈值适应不同树种的点云特性，实现对局部结构的精准捕捉；通过动态合并与分裂策略减少对人工参数的依赖，获得了更强的泛化能力。这些改进使PoinTramba在复杂森林点云中实现了更高的分割精度与鲁棒性，特别是在叶片密集或树干形态多变的场景中表现突出。

2.5.2 BIO策略

本研究采用以上下文特征为基础的双向重要性感知排序方法，结合基于自注意力机制的全局分割贡献度，得出综合重要性分数。采用PoinTramba原始BIO（基于几何特征）、仅用一致性分数以及仅用注意力分数3种方法进行对比，采取OA进行评估，试验结果见表4。

通过本研究提出的上下文一致性分数与全局感知分数结合的优化，BIO策略效果得到了显著提升。仅利用上下文特征，避免了对几何先验的依赖，能自适应不同树种的枝干-叶片分布模式。这些改进使PoinTramba在无需几何先验的条件下，实现了更高效、更精准的点云分割，为森林碳汇计算和生态研究提供了可靠的技术支持。

2.6 计算效率分析

为验证本研究方法在效率上的优势，在同一设备上对比了PointNet++、AssaNet、原始PoinTramba及改进后PoinTramba的训练时间、推理时间与GPU内存占用。试验结果见表5。

试验表明，改进后的PoinTramba在保持高精度的同时，训练与推理速度均有显著提升，内存占用也较AssaNet更低，体现了其在实际部署中的高效性。

3 结论

本研究提出的基于PoinTramba的方法在树木点云枝叶分离任务中取得了显著成果。森林点云数据量大、异构且高密度，通过针对分组策略以及BIO策略的改进，PoinTramba能够有效区分树干与树冠，对树冠中细小的叶下枝干和树叶也能实现高精度分割。在处理不同树种、不同点云密度的森林场景时，该方法能准确识别枝叶边界和结构，减少错误分割。本方法相比于之前的深度学习方法达到了更有竞争力的结果。在测试集上的OA，mIoU和mAcc分别达到了94.20%，85.53%和87.37%，对比PointNet++、AssaNet以及未进行适应性优化的PoinTramba方法3个指标均有明显的提升。该方法对于多种树种表现出良好适应性，不依赖特定树种先验知识，克服了传统方法针对不同树种需调整及依赖几何和光谱特征手动设置参数的问题，在不同树种枝叶分离任务中效果良好。

参考文献

[1] CHEN X G， ZHANG X Q， ZHANG Y P，et al.Changes of carbon stocks in bamboo stands in China during 100 years［J］.Forest Ecology and Management，2009，258（7）：1489-1496.

[2] LI W， NIU Z， GAO S，et al.Correlating the horizontal and vertical distribution of LiDAR point clouds with components of biomass in a Picea crassifolia forest［J］.Forests，2014，5（8）：1910-1930.

[3] XIA S B， WANG C， PAN F F，et al.Detecting stems in dense and homogeneous forest using single-scan TLS［J］.Forests，2015，6（11）：3923-3945.

[4] YEN T M， JI Y J， LEE J S.Estimating biomass production and carbon storage for a fast-growing makino bamboo （Phyllostachys makinoi） plant based on the diameter distribution model［J］.Forest Ecology and Management，2010，260（3）：339-344.

[5] 夏明鹏，官凤英，范少辉，等.TLS 技术在森林资源调查中的应用现状与展望［J］.西北林学院学报，2018，33（3）：238-244.

[6] XIA M P， GUAN F Y， FAN S H，et al.Application status and prospect of TLS in forest resources inventory［J］.Journal of Northwest Forestry University，2018，33（3）：238-244.

[7] VICARI M B， DISNEY M， WILKES P，et al.Leaf and wood classification framework for terrestrial LiDAR point clouds［J］.Methods in Ecology and Evolution，2019，10（5）：680-694.

[8] FERRARA R， VIRDIS S G， VENTURA A，et al.An automated approach for wood-leaf separation from terrestrial LIDAR point clouds using the density based clustering algorithm DBSCAN［J］.Agricultural and Forest Meteorology，2018，262：434-444.

[9] MA Z Y， PANG Y， WANG D，et al.Individual tree crown segmentation of a larch plantation using airborne laser scanning data based on region growing and canopy morphology features［J］.Remote Sensing，2020，12（7）：1078.

[10] 赵永辉，刘雪妍，吕勇，等.基于激光点云数据的单木骨架三维重构［J］.森林工程，2024，40（1）：128-134.

[11] ZHAO Y H， LIU X Y，LYU Y，et al.3D reconstruction of single wood skeleton based on laser point cloud data［J］.Forest Engineering，2024，40（1）：128-134.

[12] 赵钧坤，邢艳秋，李苑鑫.基于背包式激光雷达数据的单木骨架提取［J］.森林工程，2026，42（1）：116-126.

[13] ZHAO J K， XING Y Q， LI Y X.Research on single tree extraction based on data of backpack LiDAR scanning［J］.Forest Engineering，2026，42（1）：116-126.

[14] 杨军，王帆，宋仲禹.基于背包激光雷达构建天然林蒙古栎胸径-树高模型［J］.森林工程，2023，39（5）：57-64.

[15] YANG J， WANG F， SONG Z Y.Development of natural forest Quercus mongolica diameter-height curve model based on BLS［J］.Forest Engineering，2023，39（5）：57-64.

[16] CHEN X X， JIANG K， ZHU Y S，et al.Individual tree crown segmentation directly from UAV-borne LiDAR data using the PointNet of deep learning［J］.Forests，2021，12（2）：131.

[17] WIELGOSZ M， PULITI S， WILKES P，et al.Point2Tree （P2T）—Framework for parameter tuning of semantic and instance segmentation used with mobile laser scanning data in coniferous forest［J］.Remote Sensing，2023，15（15）：3737.

[18] ZHANG S， CHEN Y P， WANG B，et al.SPTNet：Sparse convolution and transformer network for woody and foliage components separation from point clouds［J］.IEEE Transactions on Geoscience and Remote Sensing，2024，62：5702718.

[19] GU A，DAO T.Mamba：Linear-time sequence modeling with selective state spaces［J］.arXiv preprint arXiv：2023.

[20] WANG Z C， CHEN Z H， WU Y M，et al.Pointramba：A hybrid transformer-mamba framework for point cloud analysis［J］.arXiv preprint arXiv：2024.

[21] YAN H， WANG M Z， XIE J Y.ANN-DPC：Density peak clustering by finding the adaptive nearest neighbors［J］.Knowledge-Based Systems，2024，294：111748.

[22] MEAGHER D.Geometric modeling using octree encoding［J］.Computer Graphics and Image Processing，1982，19（2）：129-147.

[23] WANG H P， LIU Y， DONG Z，et al.You only hypothesize once：Point cloud registration with rotation-equivariant descriptors［C］//2022 30th ACM International Conference on Multimedia，October 10-14，2022，Lisbon，Portugal.2022.

[24] MOMO TAKOUDJOU S， PLOTON P， SONKÉ B，et al.Using terrestrial laser scanning data to estimate large tropical trees biomass and calibrate allometric models：A comparison with traditional destructive approach［J］.Methods in Ecology and Evolution，2018，9（4）：905-916.

[25] XI Z X， HOPKINSON C， ROOD S B，et al.See the forest and the trees：Effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，168：1-16.

[26] MO P H， ZHANG Y J， ZHAO Z Y，et al.High-speed and low-power molecular dynamics processing unit （MDPU） with ab initio accuracy［J］.NPJ Computational Materials，2024，10（1）：253.

[27] CHOY C， PARK J， KOLTUN V.Fully convolutional geometric features［C］//2019 IEEE/CVF international conference on computer vision.October 27- November 02，2019，Seoul，Korea （South）：IEEE，2019.

[28] QIAN G， HAMMOUD H， LI G，et al.Assanet：An anisotropic separable set abstraction for efficient point cloud representation learning［J］.Advances in Neural Information Processing Systems，2021，34：28119-28130.

基金资助

2024年省博士后出站启动金资助

企业委托开发项目(HKF251500013)