專利名稱：一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機(jī)載激光雷達(dá)數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種融合影像的機(jī)載激光 雷達(dá)數(shù)據(jù)半監(jiān)督分類方法。
背景技術(shù)：
機(jī)載LiDAR是一種新型的主動(dòng)式航空遙感對(duì)地觀測(cè)技術(shù)，能夠直接獲得目標(biāo)的空 間三維點(diǎn)云信息。隨著城市化進(jìn)程的加快，利用機(jī)載LiDAR技術(shù)實(shí)現(xiàn)城區(qū)地物信息的高精 效提取具有重要意義，其中最基礎(chǔ)和關(guān)鍵的技術(shù)是LiDAR點(diǎn)云數(shù)據(jù)的分類。將分類為裸露 地面的點(diǎn)用于數(shù)字地面模型的生成，為地形制圖、工程測(cè)量、環(huán)境規(guī)劃等提供基礎(chǔ)數(shù)據(jù)；分 類為建筑物與植被的點(diǎn)可應(yīng)用于提高DTM模型精度、3D數(shù)字城市中的建筑物模型重建、城 市綠地研究等。然而，由于LiDAR提供的點(diǎn)云數(shù)據(jù)不能直接獲得物體表面的語(yǔ)義信息(材 質(zhì)和結(jié)構(gòu)等)，難以提取形體信息及拓?fù)潢P(guān)系，導(dǎo)致單純利用機(jī)載激光掃描數(shù)據(jù)進(jìn)行地物分 類和識(shí)別等自動(dòng)智能化處理難度加大。現(xiàn)有的機(jī)載LiDAR點(diǎn)云處理算法對(duì)復(fù)雜城市區(qū)域地 貌的自動(dòng)解譯能力不足，實(shí)踐中用于質(zhì)量控制及手工操作的時(shí)間在整個(gè)數(shù)據(jù)處理時(shí)間中占 據(jù)了相當(dāng)大的比例。因此，需要設(shè)計(jì)自動(dòng)、高效、健壯的LiDAR點(diǎn)云分類與建模算法。現(xiàn)有研究表明，由于缺乏相應(yīng)的紋理和語(yǔ)義信息，單獨(dú)利用機(jī)載激光掃描數(shù)據(jù)進(jìn) 行地物的分類識(shí)別與智能化處理具有很大的局限性，對(duì)于復(fù)雜場(chǎng)景分類精度不高，不能滿 足實(shí)際分類處理應(yīng)用需求。

發(fā)明內(nèi)容
針對(duì)上述存在的單源遙感數(shù)據(jù)分類的局限性，尤其是單一激光雷達(dá)數(shù)據(jù)分類精度 的不足，本發(fā)明的目的是提供一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，利用半 監(jiān)督方法訓(xùn)練樣本，利用高分辨率影像與機(jī)載LiDAR數(shù)據(jù)融合分類，最終達(dá)到對(duì)點(diǎn)云數(shù)據(jù) 進(jìn)行高精度分類的目的。為達(dá)到上述目的，本發(fā)明采用如下的技術(shù)方案原始激光雷達(dá)數(shù)據(jù)去噪步驟，該步驟采用K近鄰球去噪算法，去除點(diǎn)云中存在的 噪聲，并內(nèi)插生成數(shù)字表面模型DSM ；高精度數(shù)字地面模型DEM生成步驟，該步驟對(duì)去噪后的激光雷達(dá)數(shù)據(jù)，采用迭代 三角網(wǎng)漸進(jìn)加密濾波方法得到打在地面上的激光雷達(dá)點(diǎn)，并內(nèi)插生成高精度數(shù)字地面模型 DEM數(shù)據(jù)；nDSM數(shù)據(jù)生成步驟，該步驟將原始DSM數(shù)據(jù)與DEM數(shù)據(jù)相減，得到nDSM數(shù)據(jù)；激光雷達(dá)數(shù)據(jù)粗分類步驟，該步驟對(duì)經(jīng)過(guò)迭代三角網(wǎng)濾波獲取的非地面點(diǎn)集，首 先通過(guò)高程信息分割點(diǎn)云，再利用局部屬性估計(jì)，高程等約束獲取點(diǎn)云數(shù)據(jù)的中的高植被、 建筑物等2個(gè)類別的初始類別信息；基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟，該步驟對(duì)粗分類后的點(diǎn)云， 首先按照類別信息進(jìn)行高程賦值，并進(jìn)行格網(wǎng)化生成相應(yīng)柵格數(shù)據(jù)；其次手動(dòng)選取種子點(diǎn)，通過(guò)種子生長(zhǎng)法自動(dòng)生長(zhǎng)獲得樣本區(qū)域；通過(guò)上述方法半自動(dòng)獲取高植被、建筑物、裸露地 表的樣本信息，用作影像分類的高精度訓(xùn)練樣本；聯(lián)合nDSM掩膜的分類步驟，該步驟利用nDSM數(shù)據(jù)在配準(zhǔn)后的高分辨率影像上產(chǎn) 生對(duì)高程為0的區(qū)域進(jìn)行掩膜處理；分類后的偽建筑物點(diǎn)去除步驟，該步驟是因?yàn)閱我揽抗庾V信息進(jìn)行的基于聯(lián)合 nDSM掩膜的分類結(jié)果，會(huì)因過(guò)多依靠光譜信息而導(dǎo)致建筑物類別的錯(cuò)分，因此利用形狀指 數(shù)和復(fù)雜度計(jì)算去除非建筑物類別數(shù)據(jù)，去除誤判為建筑點(diǎn)的激光點(diǎn)；基于影像分類結(jié)果和點(diǎn)云多重特征交叉驗(yàn)證的激光點(diǎn)分類的步驟，該步驟首先利 用聯(lián)合nDSM掩膜的分類步驟和分類后的偽建筑物點(diǎn)去除步驟處理得到的影像分類結(jié)果對(duì) 點(diǎn)云進(jìn)行類別賦值；其次利用點(diǎn)云多重特征(強(qiáng)度均值、離散度)以及DEM數(shù)據(jù)等對(duì)分類賦 值結(jié)果進(jìn)行再驗(yàn)證，修正點(diǎn)云分類的誤分類點(diǎn)，最終將點(diǎn)云數(shù)據(jù)分為裸露地表、低植被、高 植被和建筑物等4個(gè)類別。所述高精度數(shù)字地面模型DEM生成步驟進(jìn)一步包括以下子步驟①對(duì)原始數(shù)據(jù)進(jìn)行中值濾波處理剔除數(shù)據(jù)中的極低點(diǎn)(高程很低的噪聲點(diǎn))；②構(gòu)造數(shù)據(jù)的外包矩形，該外包矩形的四個(gè)頂點(diǎn)的高程值根據(jù)最近鄰準(zhǔn)則來(lái)設(shè) 定，然后對(duì)外包矩形進(jìn)行三角剖分，并將其作為初始地形表面模型；③對(duì)數(shù)據(jù)進(jìn)行格網(wǎng)組織，網(wǎng)格應(yīng)略大于最大建筑物的大小，其中每個(gè)網(wǎng)格中的最 低點(diǎn)為初始地面點(diǎn)，將選取的初始地面點(diǎn)加入到不規(guī)則三角網(wǎng)(TIN)中；④計(jì)算每個(gè)點(diǎn)到其所在的三角形的距離以及它與三角形三個(gè)頂點(diǎn)的夾角，若計(jì)算 得到的值小于預(yù)先設(shè)定的閾值條件，則將其加入到不規(guī)則三角網(wǎng)中；⑤重復(fù)④直到?jīng)]有新的點(diǎn)加入到不規(guī)則三角網(wǎng)中；⑥內(nèi)插生成DEM。所述聯(lián)合nDSM掩膜的分類步驟進(jìn)一步包括以下子步驟①基于nDSM的信息，將與點(diǎn)云配準(zhǔn)的高分辨率影像劃分為高區(qū)域和平面區(qū)域，利 用所述基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟獲取到的建筑物和高植被樣本， 在高程為0或高程在指定閾值內(nèi)的區(qū)域采用最大似然估計(jì)進(jìn)行分類；②基于nDSM的信息，在高程區(qū)域?yàn)?或者低于某閾值的影像范圍內(nèi)，人工選取地 表植被樣本，同時(shí)利用所述基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟獲得的地表 高精度樣本，采用最大似然估計(jì)進(jìn)行分類獲得高精度分類的裸露地表與光譜信息為綠色的 低矮植被類別。本發(fā)明具有以下優(yōu)點(diǎn)和積極效果1)本發(fā)明通過(guò)LiDAR粗分類的結(jié)果獲取到用于影像分類樣本的精度非常高。2)本發(fā)明在沒(méi)有使用近紅外數(shù)據(jù)的前提下，達(dá)到對(duì)點(diǎn)云高植被和低矮植被區(qū)域進(jìn) 行分類的良好效果。


圖1是本發(fā)明中噪聲點(diǎn)與周圍鄰域的關(guān)系示意圖。圖2是本發(fā)明中迭代三角網(wǎng)濾波示意圖。圖3是本發(fā)明提供的基于半監(jiān)督分類和高分辨率影像的點(diǎn)云融合分類流程圖。
具體實(shí)施例方式
本發(fā)明提供的一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，基于半監(jiān)督概 念，利用點(diǎn)云數(shù)據(jù)的粗分類結(jié)果，提取高精度訓(xùn)練樣本數(shù)據(jù)，用于高分辨率影像的分類，并 融合LiDAR點(diǎn)云多重特征進(jìn)行交叉驗(yàn)證，最終實(shí)現(xiàn)機(jī)載激光雷達(dá)數(shù)據(jù)的精分類。
下面以具體實(shí)施例結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明本發(fā)明提供的一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，包括以下步 驟(1)原始激光雷達(dá)數(shù)據(jù)去噪點(diǎn)云數(shù)據(jù)如果存在明顯低于或高于周圍環(huán)境的極低點(diǎn)和空中點(diǎn)，會(huì)較大影響后處 理算法精度，因此在數(shù)據(jù)處理前去除這些噪聲點(diǎn)。本方法通過(guò)建立K近鄰球來(lái)探測(cè)去除點(diǎn) 云中的噪聲，首先數(shù)據(jù)點(diǎn)集進(jìn)行空間柵格劃分，假想存在空間球，并以當(dāng)前測(cè)點(diǎn)為球心，半 徑分別取測(cè)點(diǎn)到所在立方體柵格6面的距離。取半徑最小的空間球，在與之發(fā)生干涉的柵 格中進(jìn)行K-近鄰搜索，若滿足所建立的搜索終止原則，則終止搜索；否則，取更大半徑的空 間球從而建立待定點(diǎn)的K鄰近球。在對(duì)點(diǎn)云進(jìn)行噪聲處理的過(guò)程中，主要依賴于待定點(diǎn)與 建立的K近鄰球中的點(diǎn)的距離大小來(lái)判定該待定點(diǎn)是否為噪聲。(如圖1所示)。(2)高精度DEM生成通過(guò)利用迭代三角網(wǎng)濾波獲取地面點(diǎn)集，對(duì)地面點(diǎn)集內(nèi)插得到格網(wǎng)DEM。關(guān)鍵步驟 是迭代三角網(wǎng)濾波，其步驟為①對(duì)原始數(shù)據(jù)進(jìn)行中值濾波處理剔除數(shù)據(jù)中的極低點(diǎn)(高 程很低的噪聲點(diǎn))(該步驟已在第1步驟完成)；②構(gòu)造數(shù)據(jù)的外包矩形，該外包矩形的四 個(gè)頂點(diǎn)的高程值根據(jù)最近鄰準(zhǔn)則來(lái)設(shè)定，然后對(duì)外包矩形進(jìn)行三角剖分，并將其作為初始 地形表面模型(如圖2中的a)；③對(duì)數(shù)據(jù)進(jìn)行格網(wǎng)組織，網(wǎng)格應(yīng)略大于最大建筑物的大小， 其中每個(gè)網(wǎng)格中的最低點(diǎn)為初始地面點(diǎn)，將選取的初始地面點(diǎn)加入到不規(guī)則三角網(wǎng)(TIN) 中；④計(jì)算每個(gè)點(diǎn)到其所在的三角形的距離以及它與三角形三個(gè)頂點(diǎn)的夾角，若計(jì)算得到 的值小于預(yù)先設(shè)定的閾值條件，則將其加入到不規(guī)則三角網(wǎng)中(如圖2中的b)；⑤重復(fù)④ 直到?jīng)]有新的點(diǎn)加入到不規(guī)則三角網(wǎng)中(如圖2中的c)；⑥內(nèi)插生成DEM。迭代三角網(wǎng)漸進(jìn)加密濾波算法原理如圖2所示。(3)nD SM(normalized digital surface model)歸一化數(shù)字表面模型(nDSM)，即由數(shù)字表面模型(DSM)與DEM進(jìn)行代數(shù)差運(yùn)算后 得到的數(shù)據(jù)(即DSM-DEM)，nDSM可直接反映地物的高度信息，緩解了地形起伏對(duì)地物造成 的高程影響。這種處理通常適于地形起伏變化劇烈的地物覆蓋區(qū)。根據(jù)上述原理將去噪的點(diǎn)云數(shù)據(jù)內(nèi)插成生成格網(wǎng)DSM，利用迭代三角網(wǎng)濾波得到 的地面點(diǎn)數(shù)據(jù)內(nèi)插生成格網(wǎng)DEM，再將兩者數(shù)據(jù)相減，從而得到nDSM數(shù)據(jù)。(4)點(diǎn)云數(shù)據(jù)自動(dòng)粗分類對(duì)濾波獲取的非地面點(diǎn)數(shù)據(jù)進(jìn)行分割，將同一平面內(nèi)的點(diǎn)云分割在同一個(gè)段。由 于建筑物點(diǎn)明顯高于其周圍的點(diǎn)，且大多數(shù)建筑物屋頂表面的變化程度較小，因此對(duì)濾波 處理后的激光點(diǎn)，通過(guò)綜合分割段與該段周圍地面的高程差，以及分割段所描述的表面的 局部變化程度(見(jiàn)4. 1和4. 2節(jié))來(lái)識(shí)別該分割段是否屬于建筑物區(qū)域。在去除建筑物 區(qū)域的基礎(chǔ)上利用高程閾值識(shí)別植被區(qū)域的點(diǎn)集。當(dāng)自動(dòng)粗分類流程執(zhí)行完成后，原始的LiDAR點(diǎn)云將被粗分類為地面、建筑物、植被等三個(gè)目標(biāo)類別的點(diǎn)集。4. 1.法線估計(jì)令樣本點(diǎn)ρ的鄰域?yàn)?pl，p2，. . .，pk)…為ρ的鄰域的質(zhì)心，即
權(quán)利要求
1.一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，其特征在于，包括以下步驟 原始激光雷達(dá)數(shù)據(jù)去噪步驟，該步驟采用K近鄰球去噪算法，去除點(diǎn)云中存在的噪聲，并內(nèi)插生成數(shù)字表面模型DSM ；高精度數(shù)字地面模型DEM生成步驟，該步驟對(duì)去噪后的激光雷達(dá)數(shù)據(jù)，采用迭代三角 網(wǎng)漸進(jìn)加密濾波方法得到打在地面上的激光雷達(dá)點(diǎn)，并內(nèi)插生成高精度數(shù)字地面模型DEM 數(shù)據(jù)；nDSM數(shù)據(jù)生成步驟，該步驟將原始DSM數(shù)據(jù)與DEM數(shù)據(jù)相減，得到nDSM數(shù)據(jù)； 激光雷達(dá)數(shù)據(jù)粗分類步驟，該步驟對(duì)經(jīng)過(guò)迭代三角網(wǎng)濾波獲取的非地面點(diǎn)集，首先通 過(guò)高程信息分割點(diǎn)云，再利用局部屬性估計(jì)，高程等約束獲取點(diǎn)云數(shù)據(jù)的中的高植被、建筑 物等2個(gè)類別的初始類別信息；基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟，該步驟對(duì)粗分類后的點(diǎn)云，首先 按照類別信息進(jìn)行高程賦值，并進(jìn)行格網(wǎng)化生成相應(yīng)柵格數(shù)據(jù)；其次手動(dòng)選取種子點(diǎn)，通過(guò) 種子生長(zhǎng)法自動(dòng)生長(zhǎng)獲得樣本區(qū)域；通過(guò)上述方法半自動(dòng)獲取高植被、建筑物、裸露地表的 樣本信息，用作影像分類的高精度訓(xùn)練樣本；聯(lián)合nDSM掩膜的分類步驟，該步驟利用nDSM數(shù)據(jù)在配準(zhǔn)后的高分辨率影像上產(chǎn)生對(duì) 高程低于指定高程閾值的平面區(qū)域和高程高于指定高程閾值的高區(qū)域進(jìn)行掩膜處理運(yùn)用， 分類后的偽建筑物點(diǎn)去除步驟，該步驟是因?yàn)閱我揽抗庾V信息進(jìn)行的基于聯(lián)合nDSM 掩膜分類結(jié)果，會(huì)因單純依靠光譜信息而導(dǎo)致建筑物類別的錯(cuò)分，因此利用形狀指數(shù)和復(fù) 雜度計(jì)算去除非建筑物類別數(shù)據(jù)，去除誤判為建筑點(diǎn)的激光點(diǎn)；基于影像分類結(jié)果和點(diǎn)云多重特征交叉驗(yàn)證的激光點(diǎn)分類的步驟，該步驟首先利用聯(lián) 合nDSM掩膜的分類步驟和分類后的偽建筑物點(diǎn)去除步驟處理得到的影像分類結(jié)果對(duì)點(diǎn)云 進(jìn)行類別賦值；其次利用點(diǎn)云多重特征(強(qiáng)度均值、離散度)以及DEM數(shù)據(jù)等對(duì)分類賦值結(jié) 果進(jìn)行再驗(yàn)證，修正點(diǎn)云分類的誤分類點(diǎn)，最終將點(diǎn)云數(shù)據(jù)分為裸露地表、低植被、高植被 和建筑物等4個(gè)類別。
2.根據(jù)權(quán)利要求1所述的融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，其特征在于所述高精度數(shù)字地面模型DEM生成步驟進(jìn)一步包括以下子步驟①對(duì)原始數(shù)據(jù)進(jìn)行中值濾波處理剔除數(shù)據(jù)中的極低點(diǎn)(高程很低的噪聲點(diǎn))；②構(gòu)造數(shù)據(jù)的外包矩形，該外包矩形的四個(gè)頂點(diǎn)的高程值根據(jù)最近鄰準(zhǔn)則來(lái)設(shè)定，然 后對(duì)外包矩形進(jìn)行三角剖分，并將其作為初始地形表面模型；③對(duì)數(shù)據(jù)進(jìn)行格網(wǎng)組織，網(wǎng)格應(yīng)略大于最大建筑物的大小，其中每個(gè)網(wǎng)格中的最低點(diǎn) 為初始地面點(diǎn)，將選取的初始地面點(diǎn)加入到不規(guī)則三角網(wǎng)(TIN)中；④計(jì)算每個(gè)點(diǎn)到其所在的三角形的距離以及它與三角形三個(gè)頂點(diǎn)的夾角，若計(jì)算得到 的值小于預(yù)先設(shè)定的閾值條件，則將其加入到不規(guī)則三角網(wǎng)中；⑤重復(fù)④直到?jīng)]有新的點(diǎn)加入到不規(guī)則三角網(wǎng)中；⑥內(nèi)插生成DEM。
3.根據(jù)權(quán)利要求1或2所述的融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法，其特征 在于所述聯(lián)合nDSM掩膜的分類步驟進(jìn)一步包括以下子步驟①基于nDSM的信息，將與點(diǎn)云配準(zhǔn)的高分辨率影像劃分為高區(qū)域和平面區(qū)域，利用所 述基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟獲取到的建筑物和高植被樣本，在高 程大于0或高程大于指定閾值的區(qū)域采用最大似然估計(jì)進(jìn)行分類；②基于nDSM的信息，在高程區(qū)域?yàn)?或者低于某閾值的影像范圍內(nèi)，人工選取地表植 被樣本，同時(shí)利用所述基于LiDAR數(shù)據(jù)輔助的影像分類訓(xùn)練樣本提取步驟獲得的地表高精 度樣本，采用最大似然估計(jì)進(jìn)行分類獲得高精度分類的裸露地表與光譜信息為綠色的低矮 植被類別。
全文摘要
本發(fā)明涉及機(jī)載激光雷達(dá)數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種融合影像的機(jī)載激光雷達(dá)數(shù)據(jù)半監(jiān)督分類方法。本發(fā)明其基于半監(jiān)督概念，利用點(diǎn)云數(shù)據(jù)的粗分類結(jié)果，提取高精度訓(xùn)練樣本數(shù)據(jù)，用于高分辨率影像的分類，后處理過(guò)程基于目標(biāo)復(fù)雜度去除偽建筑物點(diǎn)，精化分類結(jié)果，并融合LiDAR點(diǎn)云多重特征進(jìn)行交叉驗(yàn)證，最終實(shí)現(xiàn)機(jī)載激光雷達(dá)數(shù)據(jù)的精分類，是一種高可靠性，分類精度較高的融合分類方法。本發(fā)明在沒(méi)有使用近紅外數(shù)據(jù)的前提下，達(dá)到對(duì)點(diǎn)云高植被和低矮植被區(qū)域進(jìn)行分類的良好效果。
文檔編號(hào)G06K9/62GK102103202SQ20101056876
公開(kāi)日2011年6月22日 申請(qǐng)日期2010年12月1日 優(yōu)先權(quán)日2010年12月1日
發(fā)明者彭檢貴, 鄔建偉, 鐘良, 馬洪超 申請(qǐng)人:武漢大學(xué)