1.机载激光雷达点云数据CHM的DBI树顶点探测方法，其具体步骤如下：步骤1)对点云数据进行滤波分类并生成数字高程模型(Digital elevation model，DEM)、数字表面模型(Digital Surface Model，DSM)、冠层高度模型(Canopy Height Model，CHM)；

步骤2)根据高度冠层模型(CHM)的像素灰度级，规范冠层高度模型的前景标记像素生成条件，生成冠层高度模型的初始前景标记；

步骤3)基于高度冠层模型的初始前景标记，利用中心像元相邻八邻域像素灰度值变化特点对伪前景像素进行过滤剔除；

步骤4)引入相似度判断因子DBI(Davies‑Bouldin Index)，对冠层高度模型前景标记进行DBI‑K(DBI‑Kmeans)方法的树冠顶点筛选。

2.根据权利要求1所述的方法，其特征在于所描述的步骤1)，具体为：为了确保地形信心的完整性和激光雷达点云的滤波分类效果，本方法采用了渐进三角网滤波算法，通过设定最大坡度和迭代角度以及迭代距离对实验样地数据进行滤波分类，并对滤波分类后的点云进行附色显示，利用TIN方法对滤波分类后的非地面激光点云和地面反射激光进行计算，得出来分别生成了实验林区的DSM和DEM，从DSM中减去DEM即可得到CHM。

3.根据权利要求1所述的方法，其特征在于所描述的步骤2)，具体为：(1)冠层高度模型图像标记外像素点的灰度级值都比标记内部的低；

(2)冠层高度模型图像前景图像的像素点组成一个连通分量；

(3)冠层高度模型图像同一个标记内部的像素点具有相同的灰度级值；

依据以上3个规范条件生成初始前景标记后的冠层高度模型图像C。

4.根据权利要求1所述的方法，其特征在于所描述的步骤3)，具体为：本方法利用R、G、B三者的值相等得到冠层高度模型的灰度图像，当冠层高度模型前景像素的CR、CG、CB分量值之和取最大值(且要求R、G、B分量值相等)时，标记该部分像素值为0，此外的所有情况下像素值为1,得到一个新的图像C′作为最终的前景标记图像。

5.根据权利要求1所述的方法，其特征在于所描述的步骤4)，具体为：对输入的冠层高度模型二维灰度图像进行聚类，利用引入相似度判断因子DBI的K‑means聚类方法多次迭代生成冠层高度模型前景图像的聚类中心m和聚类中心数目K值；如果DBInew＜DBIlast，则可以形成新的聚簇中心，否则算法终止，并将迭代终止产生的聚类中心m作为树梢点Tpoint，聚类中心数目K值则作为目标图像的单木株数，将筛选后的聚类中心像元作为描绘每棵树冠树梢点Tpoint的位置，之后对树顶点标号并进行三维可视化显示。