Unsupervised wood and leaf classification from LiDAR point clouds utilising adaptive radius search and Gaussian Mixture Models

Thumbnail Image

Files

master_Echriti_Rami_2025.pdf (16.55 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-21

Department

Major/Subject

Systems and Operations Research

Mcode

Degree programme

Master's Programme in Mathematics and Operations Research

Language

en

Pages

69

Series

Abstract

Accurate classification of wood and leaf components is essential for understanding forest structure and estimating biophysical parameters. Classifying these components remains challenging due to variations in species characteristics and differences in data acquisition geometry. This thesis presents an unsupervised method for classifying wood and leaf points in LiDAR point clouds, developed using an adaptive radius search algorithm for geometric feature extraction combined with a Gaussian mixture model classifier. The objective of this thesis was to automate the selection of the optimal local neighbourhood for each point to improve geometric feature extraction compared to previously applied fixed neighbourhood sizes. The adaptive radius search algorithm, originally introduced for urban point clouds, identifies the optimal neighbourhood by minimising Shannon’s entropy, thus adapting the scale to capture the geometric structure of each point's neighbourhood. The extracted geometric features were further classified independently using a two-component Gaussian mixture model. Final classification was conducted as a weighted sum of the individual feature classifications. Since the algorithm performs without manually labelled datasets, it is well suited for application to large-scale forest datasets and different data acquisitions. The performance of the unsupervised wood and leaf classification algorithm developed in this thesis was evaluated on three different LiDAR datasets consisting of Terrestrial Laser Scanning (TLS), Unmanned Aerial Vehicle (UAV), and Airborne Laser Scanning (ALS). The unsupervised wood and leaf classifier achieved average overall accuracies of 85% and 91% on Scots pines of TLS and UAV datasets, respectively, and the performance on TLS datasets was comparable to supervised methods. In the sparser ALS data, classification performance degraded, with lower precision and recall due to reduced geometric detail, indicating a point density threshold below which the unsupervised classification of this thesis becomes unreliable. Overall, the results confirmed that adaptive neighbourhood optimisation enhances wood and leaf classification by improving feature quality and classification accuracy. The method demonstrated robust performance across different tree species as well as data acquisitions.

Puiden runko- ja lehvästöpisteiden luokittelu laserkeilauspistepilvistä on keskeinen osa metsäekosysteemien tutkimusta ja niiden biofysikaalisten tunnusten, kuten biomassan ja lehtialaindeksin, arviointia. Tässä työssä kehitettiin ohjaamatonta oppimista hyödyntävä algoritmi, joka luokittelee puiden runko- ja lehvästöpisteet käyttäen mukautuvaa sädehakualgoritmia yhdessä Gaussin sekoitemallien kanssa. Työn tavoitteena oli automatisoida optimaalisen paikallisen naapuruston määrittäminen jokaiselle pisteelle, jotta pistepilven geometrisen rakenteen kuvaaminen tehostuisi verrattuna aiemmin käytettyihin vakiokokoisiin naapurustoihin. Alun perin rakennusten pistepilviaineistoille kehitetty mukautuva naapurustohaku määrittää kullekin pisteelle parhaiten soveltuvan mittakaavan minimoimalla naapuruston Shannonin entropian, mikä mahdollistaa pisteen lähiympäristön tarkemman mallintamisen. Pisteille lasketut geometriset piirteet luokiteltiin Gaussin sekoitemalleja hyödyntäen ja lopullinen puu- tai lehtipisteluokitus muodostettiin yhdistämällä useiden binääriluokitusten tulokset painotetun summan avulla. Menetelmä soveltuu laajojen metsäpistepilvien käsittelyyn ja monipuolisten kaukokartoitusaineistojen hyödyntämiseen, sillä se ei vaadi manuaalisesti luokiteltua opetusaineistoa. Kehitetyn luokittelualgoritmin suorituskykyä arvioitiin kolmella eri laserkeilausopetusaineistolla: maa- (TLS), drooni- (UAV) ja lentolaserkeilausaineistolla (ALS). TLS- ja UAV-aineistoissa kehitetty luokitusmenetelmä saavutti mäntyjen osalta keskimäärin 85 %:n ja 91 %:n kokonaistarkkuudet ja erityisesti TLS-datassa menetelmän suorituskyky oli verrattavissa muihin ohjattuihin opetusalgoritmeihin. Pistetiheydeltään harvemmissa ALS-aineistoissa luokitustarkkuus heikkeni selvästi geometristen yksityiskohtien puutteen vuoksi. Tulokset osoittivat, että luotettavan luokitustarkkuuden saavuttaminen edellyttää tietyn pistetiheyden ylittymistä. Tulokset vahvistivat mukautuvan naapurustokoon optimoinnin merkityksen rungon ja lehvästön erottelussa, sillä dynaaminen naapurustokoko paransi sekä piirteiden laskennan laatua että luokituksen tarkkuutta. Menetelmä osoitti myös vahvaa suorituskykyä eri puulajeilla ja laserkeilausaineistoilla, mikä korostaa sen monipuolista soveltuvuutta eri metsäaineistoissa.

Description

Supervisor

Hannukainen, Antti

Thesis advisor

Campos, Mariana

Keywords

unsupervised wood and leaf classification, adaptive radius search algorithm, Gaussian mixture model, TLS, UAV, ALS

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196435

Collections

[dipl] Perustieteiden korkeakoulu / SCI