树木三维模型研究在虚拟三维景观、道路导航、林业资源规划设计等领域具有重要意义。单木点云数据量较大,并且存在大量冗余数据。由于单木枝叶相互遮挡、容易受到风的扰动等影响,导致单木枝干数据缺失以及噪声点过多无法准确识别枝干。这些因素使得直接进行单木三维重建非常困难。而树木的骨架线能够很好的表示树木的三维形态特征、几何结构,在树木点云压缩、三维建模方面应用较广。本文基于单木枝干的点云模型提取单木骨架,对研究单木三维重建技术有重要意义:针对单木点云数据量较大的特点,为了快速查询、检索单木点云的邻域等信息,本文构建单木点云数据的KD树结构,提高单木点云数据处理的效率。利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征。为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩,反射强度,法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)进行单木枝叶点云分类识别。将单木枝干点云进行K-Means聚类,分析聚类结果,识别出于属于同一上一级枝干的不同分枝处点云被聚为一类的情况,对该部分点云利用K-Means算法进行二次聚类。使得单木枝干点云完全按照其枝干生长方向聚类。聚类后的点云,其点集与xoy平面呈现一定角度的倾斜。按照聚类的不同部分,根据树木枝干近似成圆柱状的特点,计算其主法线方向向量,利用Rodrigues旋转公式,计算枝干部分点云的旋转坐标。由旋转轴和旋转角度求得Rodrigues旋转矩阵,对点集进行计算得到旋转后的点集坐标。旋转后的点集投影至X0Y平面后,利用迭代变权最小二乘法进行圆拟合,拟合圆圆心变换至三维空间即为该点集的骨架点。对提取的所有骨架点,构建其邻接图矩阵,分别采用基于水平集以及最小生成树连接骨架点,构建骨架模型,并比较两种方法所得的骨架模型的效果,由于最小生成树能避免骨架点连接闭合环的产生,本文采用最小生成树形成单木枝干骨架。根据判断条件,连接连续分枝的未连接骨架点,经过修整后即得到最终的骨架模型。得到的单木枝干骨架中,其骨架点之间采用直线连线,为了更加贴近真实树木枝干模型,本文利用三次B样条函数对骨架点进行插值,拟合枝干骨架曲线,使经过三次B样条曲线拟合后的骨架较为平滑,最终得到具有真实感的单木骨架模型。