1.一种基于图论的单木点云枝叶分离方法，其特征在于，包括以下步骤：步骤1、构建图：将离散单木点云连成一张无向带权连通图G；

步骤2、分层聚类：以分层切图的方式对原始单木点云tree_cloud进行聚类；

2‑1、最短路径提取：采用单源最短路径算法从步骤1得到的图G中提取每个点到根节点的最短路径信息路，路径序列path_list和路径长度path_dis；

2‑2、路径长度分层：基于路径长度path_dis对原始单木点云tree_cloud进行分层，分层间距interval_D＝treeHight/30，通过在图G中删除位于分层边界上的边实现，经过分层切边操作，图G的连通分量对应的点云即为聚类结果；

步骤3、初始枝干提取：提取步骤2聚类结果中特征显著的枝干类簇；

步骤4、最终枝干提取：以步骤3得到的初始枝干点为种子点，通过区域增长的方式提取特征不显著处的枝干点云，具体为：

4‑1、种子点补充：将初始枝干点及其路径序列path_list上的所有点均作为种子点；

4‑2、区域增长：

4‑2‑1.创建种子点集合L和枝干点集合F，然后将上述步骤4‑1的种子点放入L和F；

4‑2‑2.如果Dpp′<0.25*interval_D且Drp′

若temp_L中有点，更新L＝temp_L，并将temp_L中的点放入F，重新执行4‑2‑2；

若temp_L中没有点，则增长结束；

4‑3、集合F中的点即为枝干点云，F的补集tree_cloud‑F即为叶片点云。

2.如权利要求1所述基于图论的单木点云枝叶分离方法，其特征在于，所述步骤1具体为：步骤1‑1、插入根节点：在原始单木点云tree_cloud中插入一个根节点，选取树干底部高度为5‑20cm的一段点云，将其投影到树干最低点所在水平面，对投影后的点云进行最小二乘圆拟合，圆心即为根节点的插入位置；

1‑2、大尺度近邻点搜索：搜索原始单木点云tree_cloud中每个点的大范围近邻点neighbors_K，50≤K≤300，以充分获取每个点的邻近关系，数据缺失越严重K的值取越大，但会增大内存消耗；

1‑3、小尺度邻域图构建：

1‑3‑1.创建当前集合Q和已访问集合V，并将根节点放入Q和V；

1‑3‑2.对于在当前集合Q中的每个点，将其与其相应的大范围近邻点neighbors_K中最近的5个不在V中的点相连，并将这些点添加到临时集合temp_Q，更新Q＝temp_Q，然后将临时集合temp_Q中的点添加到V；重复执行该步骤直至临时集合temp_Q中没有点；

1‑3‑3.初始化thr_neighbor_Dis＝treeHight/30，treeHight为树高,thr_neighbor_Dis为邻近点距离阈值；

1‑3‑4.定义未访问集合un_V＝tree_cloud–V，并判断un_V是否为空：若un_V不为空，遍历un_V中的每个点，如果其相应的大范围近邻点neighbors_K中存在距离小于thr_neighbor_Dis且在V中的点，将其与这些点中最近的5个点相连，并将其自身加入temp_Q；若temp_Q中有点，更新Q＝temp_Q，并将temp_Q中的点添加到V，跳转到1‑3‑2；

若temp_Q中没有点，更新thr_neighbor_Dis+＝treeHight/60，重新进入1‑3‑4；

若un_V为空，则构建完成，得到图G＝(V,E)，G由顶点集V和边集E构成，边的权重为两点间的欧氏距离。

3.如权利要求1所述基于图论的单木点云枝叶分离方法，其特征在于：所述步骤2‑1中的单源最短路径算法为Dijkstra算法。

4.如权利要求1所述基于图论的单木点云枝叶分离方法，其特征在于，所述步骤3具体为：

3‑1、坐标变换：定义类簇轴向为类簇中每个点与其路径序列path_list上第一个前驱点所构成方向向量的和向量，然后旋转三维直角坐标系坐标轴，使坐标z轴与类簇轴向平行；

3‑2、尺寸滤波：若|dimen_z‑interval_D|>0.25*interval_D，则认为该类簇过小或过大，将其过滤掉；dimen_z为该类簇在坐标变换后沿z轴方向的最大z值‑最小z值；

3‑3、树干和主枝类簇提取：提取圆柱特征显著的树干和主枝类簇，通过圆柱拟合进行识别，具体过程如下：

3‑3‑1、圆柱拟合：经过3‑1坐标变换，类簇的轴向已与坐标z轴平行，因此可以将类簇沿z轴投影到二维平面进行最小二乘圆拟合，从而达到圆柱拟合的效果；

3‑3‑2、基于相对拟合误差识别：圆柱相对拟合误差公式定义如下：式中，n为类簇包含的点数，di为类簇中任一点到所拟合圆柱轴线的距离，r为所拟合圆柱的半径；当rError<0.2时，表明类簇圆柱特征显著，进行提取；

3‑4、细枝类簇提取：提取线性特征显著的细枝类簇，通过主成分分析进行识别，具体过程如下：

3‑4‑1、主成分分析：设P为类簇点集，P的协方差矩阵定义如下：式中，n为P包含的点数，pi为P中任一点，pc为P的质心；

CovP的特征值λ1≥λ2≥λ3表征了P在三个主成分方向上的离散程度，P的空间分布特征由特征值计算得到；

3‑4‑2、基于线性特征识别：定义线性度Linearity＝λ1/(λ1+λ2+λ3)来表示类簇的线性特征；当Linearity>0.9时，表明类簇的线性特征显著，进行提取；

3‑5、分类纠正：基于树干到树枝逐渐变细这一树木生长规则，纠正被误分为树干和主枝的呈现圆柱特征的树叶类簇，具体过程如下：

3‑5‑1、遍历每个以步骤3‑3圆柱拟合方式分为树干和主枝的类簇c，从c中任意一点沿路径序列path_list向根节点搜索，如果遇到从步骤3‑4得到的细枝类簇或遇到从步骤3‑3得到的树干和主枝的类簇c′但c的圆柱拟合半径大于c′的圆柱拟合半径，则表明类簇c系误分，将其剔除。