全文总字数：1798字

1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等

　 在数字城市中, 可视化是其中一项重要的研究内容, 因此城市表面信息的提取显得十分重要。树木作为城市表面信息的一部分, 在可视化中不可忽视, 利用lidar点云数据提取树木是直接可靠的方法。

在复杂的城市环境中, 树木可能成片集中, 也可能以单株树木出现, 同时还有建筑物以及其他地物相伴。2006 年, 加州大学伯克利分校的johnsecord 针对城区树木的特点, 计算点与点之间的相似性, 再利用区域增长算法分割lidar点云数据, 最后计算每一分割区域的特征向量, 再采用第三方软件libsvm 对分割结果进行分类。但该算法在区域增长运算中, 由于利用影像的特征(主要为饱和度)以及lidar数据自身特征(主要为高程值与局部高程变化)计算点的特征向量, 通过两个点之间的特征向量与相应的权来进行区域增长, 算法过于复杂;在使用支持向量机(svm)对lidar数据进行分类时, 需要从分割结果中选取训练数据来进行学习, 即属于监督分类方法, 该分类精度虽较高, 但它的结果直接依赖于所选取的训练样本, 为此需要大量高质量的有标记样本, 而采用svm 的学习算法在对大规模的数据集进行学习时, 计算复杂度高、学习时间较长。因此, 还需进一步探索适用于城区lidar点云数据树木提取的优化算法。

主要的研究内容包括：dtm提取、地面点与地物点的区分、区域增长、边界分割、以及最后的基于机载激光点云的区域分割算法。

2. 参考文献（不低于12篇）

[1] 居红云, 张俊本, 李朝峰, 等.基于k-means 与svm 结合的遥感图像全自动分类方法[ j] .计算机应用研究, 2007 , 24(11):318-320.

[2] .张艳, 兰光华,郁生阳, 等.一种快速svm 学习算法[j] .计算机工程与应用.2006 , 42(32):36-38 .

[3] 李志林,朱庆.数字高程建模[ m] .武汉:武汉大学出版社.2003 :102-104.