1.一种基于LiDAR点云的单木分割方法，其特征在于，包括以下步骤：步骤1，对野外采集的样地LiDAR数据进行预处理；

步骤2，从点云数据中分离出森林点云；

步骤3，从森林点云中实现单木分割；

步骤4，评估结果；

步骤1包括：

步骤1‑1，利用下式对点云进行归一化：

（1），

其中， 为第i点归一化以后的坐标系Z轴上的Z值， 是第i点的Z值， 是第i点位置上数字高程模型的对应值；归一化完成后，每个点的高程值代表点到地面点的高度；

步骤1‑2，结合如下公式对点云数据进行噪点去除：

（2），

（3），

其中， 为符合要求的点集， 与 分别为原始点集P中的第i点和第j点， 为 的高度值， 为设定的高度最大值， 为第i点 与第j点 的距离，r为设定的噪点分离半径；式（2）用于去除高度明显过高的离群点，式（3）用于去除不与任何点云群体有明显相连的离散点；

步骤2包括：选用PointMLP深度学习模型用于森林语义分割，PointMLP深度学习模型使用预反馈残差多层感知机MLP网络逐层聚合MLP提取的局部特征，公式为：（4），

其中， 是第n个点的输出特征， 和 是残差MLP模块，共享的残差MLP模块用于从本地区域学习共享权重，随后残差MLP模块 用于提取深度聚合特征；聚合函数A是最大池化函数； 为第n个点和其邻居m之间的特征，K为第n个点周围考虑的邻居点数量；

步骤3包括：

步骤3‑1，设定密集林区中每一单株树木的树冠都能够达到冠层平均高度，首先尝试搜寻所有的可能树顶点，设定一个可能定点搜寻半径Rp，然后遍历分析点云中的每一个点，如果遍历到其中一个点hx，以该点hx为圆心，Rp为半径的范围内不存在更大Z值 的点，就将该点hx记作一个可能顶点；

再设定一个最小树间距Rt，从Z值最低的可能顶点X1开始分析，如果以X1为圆心，Rt为半径的区域内不存在一个Z值大于X1的另一可能顶点，则将X1视作真顶点并对除X1外Z值最低的点重复这个搜寻工作；如果存在一个Z值大于X1的另一可能顶点，则将X1标记为假顶点，并对范围内其他更高的可能顶点重复这个搜寻工作；最终，所有的可能顶点都将会被遍历并被分类为假顶点或者真顶点，得到了树顶点集T；

步骤3‑2，在确认了所有的真顶点后，采用基于密度的聚类算法DBSCAN对单木进行聚类分割：从点云D中的任意点p开始，点p的Eps‑邻域表示为 ， 被定义为点p和点q之间的距离在Eps范围内的点集q：（5），

其中，Eps为DBSCAN的搜寻半径；如果点p的Eps‑邻域包含超过最低点数量MinPts的点，即 ，则启动一个集群；否则，点p被标记为一个噪声点。

2.根据权利要求1所述的方法，其特征在于，步骤3‑2中，对聚类算法DBSCAN的执行逻辑进行调整，得到如下新的聚类算法DBSCAN‑Adjust：首先，限定聚类算法DBSCAN的起始点从任意点改为真顶点；其次，仅对当前点p的Eps邻域内Z值低于点p进行访问与统计，形成一种自上而下的聚类模式；最后，限定地面点不参与DBSCAN聚类：（6），

其中， 、 分别为点p的高度值和点q的高度值， 为新的聚类算法DBSCAN‑Adjust执行时的起始点。

3.根据权利要求2所述的方法，其特征在于，步骤3‑2中，所述新的聚类算法DBSCAN‑Adjust还包括：通过如下方法限定聚类算法DBSCAN的范围：将范围划分为确保区域和可能区域两部分：将当前执行聚类的真顶点与其水平距离最近的真顶点的距离记为Rd，针对不同的Rd值，采取不同的方案界定聚类的最大范围：如果Rd>2Rt，则记真顶点以Rt为半径的范围内的区域为确保区域，记真顶点以Rd‑Rt为半径，除确保区域以外的圆环区域为可能区域；如果Rd<2Rt，则记真顶点以2Rt‑Rd为半径的区域为确保区域，记真顶点以Rt为半径，除确保区域以外的圆环区域为可能区域；

确保区域内的点仅能够被聚类一次，可能区域中的点云在被聚类完成后，仍能够被基于其他真顶点的DBSCAN聚类操作再次聚类。

4.根据权利要求3所述的方法，其特征在于，步骤3‑2中，增加额外的步骤以求得更精确的单木分割结果：对每个单木分割结果范围内的所有假顶点进行第二轮新的聚类算法DBSCAN‑Adjust的运算，求得更加完整的单木点云。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：如果一棵树存在并从点云中分割出来，则称为真阳性TP；如果一棵树没有被分割出来但被分配给附近的树，则称为假阴性FN；如果一棵树不存在但被从点云中分割出来，则称为假阳性FP。

6.根据权利要求5所述的方法，其特征在于，步骤4还包括：使用平衡精度BAcc、精度Pr、召回率Re、F分数和kappa系数评估结果，公式如方程（7）（10）所示：~

（7），

（8），

（9），

（10），

其中，Acc为模型的总体准确率，pe是实际样本量与预测样本量的乘积之和除以样本总数的平方。

7.根据权利要求6所述的方法，其特征在于，步骤4中，设定每一类的C个真实样本分别为a1，a2，…，aC，预测出的每一类的C个样本分别为b1，b2，…，bC，所有类的真实样本总数为n，则pe计算公式为：。