专利名称：一种融合影像的机载激光雷达数据半监督分类方法
技术领域：
本发明涉及机载激光雷达数据处理技术领域，尤其涉及一种融合影像的机载激光 雷达数据半监督分类方法。
背景技术：
机载LiDAR是一种新型的主动式航空遥感对地观测技术，能够直接获得目标的空 间三维点云信息。随着城市化进程的加快，利用机载LiDAR技术实现城区地物信息的高精 效提取具有重要意义，其中最基础和关键的技术是LiDAR点云数据的分类。将分类为裸露 地面的点用于数字地面模型的生成，为地形制图、工程测量、环境规划等提供基础数据；分 类为建筑物与植被的点可应用于提高DTM模型精度、3D数字城市中的建筑物模型重建、城 市绿地研究等。然而，由于LiDAR提供的点云数据不能直接获得物体表面的语义信息(材 质和结构等)，难以提取形体信息及拓扑关系，导致单纯利用机载激光扫描数据进行地物分 类和识别等自动智能化处理难度加大。现有的机载LiDAR点云处理算法对复杂城市区域地 貌的自动解译能力不足，实践中用于质量控制及手工操作的时间在整个数据处理时间中占 据了相当大的比例。因此，需要设计自动、高效、健壮的LiDAR点云分类与建模算法。现有研究表明，由于缺乏相应的纹理和语义信息，单独利用机载激光扫描数据进 行地物的分类识别与智能化处理具有很大的局限性，对于复杂场景分类精度不高，不能满 足实际分类处理应用需求。
发明内容
针对上述存在的单源遥感数据分类的局限性，尤其是单一激光雷达数据分类精度 的不足，本发明的目的是提供一种融合影像的机载激光雷达数据半监督分类方法，利用半 监督方法训练样本，利用高分辨率影像与机载LiDAR数据融合分类，最终达到对点云数据 进行高精度分类的目的。为达到上述目的，本发明采用如下的技术方案原始激光雷达数据去噪步骤，该步骤采用K近邻球去噪算法，去除点云中存在的 噪声，并内插生成数字表面模型DSM ；高精度数字地面模型DEM生成步骤，该步骤对去噪后的激光雷达数据，采用迭代 三角网渐进加密滤波方法得到打在地面上的激光雷达点，并内插生成高精度数字地面模型 DEM数据；nDSM数据生成步骤，该步骤将原始DSM数据与DEM数据相减，得到nDSM数据；激光雷达数据粗分类步骤，该步骤对经过迭代三角网滤波获取的非地面点集，首 先通过高程信息分割点云，再利用局部属性估计，高程等约束获取点云数据的中的高植被、 建筑物等2个类别的初始类别信息；基于LiDAR数据辅助的影像分类训练样本提取步骤，该步骤对粗分类后的点云， 首先按照类别信息进行高程赋值，并进行格网化生成相应栅格数据；其次手动选取种子点，通过种子生长法自动生长获得样本区域；通过上述方法半自动获取高植被、建筑物、裸露地 表的样本信息，用作影像分类的高精度训练样本；联合nDSM掩膜的分类步骤，该步骤利用nDSM数据在配准后的高分辨率影像上产 生对高程为0的区域进行掩膜处理；分类后的伪建筑物点去除步骤，该步骤是因为单依靠光谱信息进行的基于联合 nDSM掩膜的分类结果，会因过多依靠光谱信息而导致建筑物类别的错分，因此利用形状指 数和复杂度计算去除非建筑物类别数据，去除误判为建筑点的激光点；基于影像分类结果和点云多重特征交叉验证的激光点分类的步骤，该步骤首先利 用联合nDSM掩膜的分类步骤和分类后的伪建筑物点去除步骤处理得到的影像分类结果对 点云进行类别赋值；其次利用点云多重特征(强度均值、离散度)以及DEM数据等对分类赋 值结果进行再验证，修正点云分类的误分类点，最终将点云数据分为裸露地表、低植被、高 植被和建筑物等4个类别。所述高精度数字地面模型DEM生成步骤进一步包括以下子步骤①对原始数据进行中值滤波处理剔除数据中的极低点(高程很低的噪声点)；②构造数据的外包矩形，该外包矩形的四个顶点的高程值根据最近邻准则来设 定，然后对外包矩形进行三角剖分，并将其作为初始地形表面模型；③对数据进行格网组织，网格应略大于最大建筑物的大小，其中每个网格中的最 低点为初始地面点，将选取的初始地面点加入到不规则三角网(TIN)中；④计算每个点到其所在的三角形的距离以及它与三角形三个顶点的夹角，若计算 得到的值小于预先设定的阈值条件，则将其加入到不规则三角网中；⑤重复④直到没有新的点加入到不规则三角网中；⑥内插生成DEM。所述联合nDSM掩膜的分类步骤进一步包括以下子步骤①基于nDSM的信息，将与点云配准的高分辨率影像划分为高区域和平面区域，利 用所述基于LiDAR数据辅助的影像分类训练样本提取步骤获取到的建筑物和高植被样本， 在高程为0或高程在指定阈值内的区域采用最大似然估计进行分类；②基于nDSM的信息，在高程区域为0或者低于某阈值的影像范围内，人工选取地 表植被样本，同时利用所述基于LiDAR数据辅助的影像分类训练样本提取步骤获得的地表 高精度样本，采用最大似然估计进行分类获得高精度分类的裸露地表与光谱信息为绿色的 低矮植被类别。本发明具有以下优点和积极效果1)本发明通过LiDAR粗分类的结果获取到用于影像分类样本的精度非常高。2)本发明在没有使用近红外数据的前提下，达到对点云高植被和低矮植被区域进 行分类的良好效果。
图1是本发明中噪声点与周围邻域的关系示意图。图2是本发明中迭代三角网滤波示意图。图3是本发明提供的基于半监督分类和高分辨率影像的点云融合分类流程图。
具体实施例方式
本发明提供的一种融合影像的机载激光雷达数据半监督分类方法，基于半监督概 念，利用点云数据的粗分类结果，提取高精度训练样本数据，用于高分辨率影像的分类，并 融合LiDAR点云多重特征进行交叉验证，最终实现机载激光雷达数据的精分类。
下面以具体实施例结合附图对本发明作进一步说明本发明提供的一种融合影像的机载激光雷达数据半监督分类方法，包括以下步 骤(1)原始激光雷达数据去噪点云数据如果存在明显低于或高于周围环境的极低点和空中点，会较大影响后处 理算法精度，因此在数据处理前去除这些噪声点。本方法通过建立K近邻球来探测去除点 云中的噪声，首先数据点集进行空间栅格划分，假想存在空间球，并以当前测点为球心，半 径分别取测点到所在立方体栅格6面的距离。取半径最小的空间球，在与之发生干涉的栅 格中进行K-近邻搜索，若满足所建立的搜索终止原则，则终止搜索；否则，取更大半径的空 间球从而建立待定点的K邻近球。在对点云进行噪声处理的过程中，主要依赖于待定点与 建立的K近邻球中的点的距离大小来判定该待定点是否为噪声。(如图1所示)。(2)高精度DEM生成通过利用迭代三角网滤波获取地面点集，对地面点集内插得到格网DEM。关键步骤 是迭代三角网滤波，其步骤为①对原始数据进行中值滤波处理剔除数据中的极低点(高 程很低的噪声点)(该步骤已在第1步骤完成)；②构造数据的外包矩形，该外包矩形的四 个顶点的高程值根据最近邻准则来设定，然后对外包矩形进行三角剖分，并将其作为初始 地形表面模型(如图2中的a)；③对数据进行格网组织，网格应略大于最大建筑物的大小， 其中每个网格中的最低点为初始地面点，将选取的初始地面点加入到不规则三角网(TIN) 中；④计算每个点到其所在的三角形的距离以及它与三角形三个顶点的夹角，若计算得到 的值小于预先设定的阈值条件，则将其加入到不规则三角网中(如图2中的b)；⑤重复④ 直到没有新的点加入到不规则三角网中(如图2中的c)；⑥内插生成DEM。迭代三角网渐进加密滤波算法原理如图2所示。(3)nD SM(normalized digital surface model)归一化数字表面模型(nDSM)，即由数字表面模型(DSM)与DEM进行代数差运算后 得到的数据(即DSM-DEM)，nDSM可直接反映地物的高度信息，缓解了地形起伏对地物造成 的高程影响。这种处理通常适于地形起伏变化剧烈的地物覆盖区。根据上述原理将去噪的点云数据内插成生成格网DSM，利用迭代三角网滤波得到 的地面点数据内插生成格网DEM，再将两者数据相减，从而得到nDSM数据。(4)点云数据自动粗分类对滤波获取的非地面点数据进行分割，将同一平面内的点云分割在同一个段。由 于建筑物点明显高于其周围的点，且大多数建筑物屋顶表面的变化程度较小，因此对滤波 处理后的激光点，通过综合分割段与该段周围地面的高程差，以及分割段所描述的表面的 局部变化程度(见4. 1和4. 2节)来识别该分割段是否属于建筑物区域。在去除建筑物 区域的基础上利用高程阈值识别植被区域的点集。当自动粗分类流程执行完成后，原始的LiDAR点云将被粗分类为地面、建筑物、植被等三个目标类别的点集。4. 1.法线估计令样本点ρ的邻域为(pl，p2，. . .，pk)…为ρ的邻域的质心，即
权利要求
1.一种融合影像的机载激光雷达数据半监督分类方法，其特征在于，包括以下步骤 原始激光雷达数据去噪步骤，该步骤采用K近邻球去噪算法，去除点云中存在的噪声，并内插生成数字表面模型DSM ；高精度数字地面模型DEM生成步骤，该步骤对去噪后的激光雷达数据，采用迭代三角 网渐进加密滤波方法得到打在地面上的激光雷达点，并内插生成高精度数字地面模型DEM 数据；nDSM数据生成步骤，该步骤将原始DSM数据与DEM数据相减，得到nDSM数据； 激光雷达数据粗分类步骤，该步骤对经过迭代三角网滤波获取的非地面点集，首先通 过高程信息分割点云，再利用局部属性估计，高程等约束获取点云数据的中的高植被、建筑 物等2个类别的初始类别信息；基于LiDAR数据辅助的影像分类训练样本提取步骤，该步骤对粗分类后的点云，首先 按照类别信息进行高程赋值，并进行格网化生成相应栅格数据；其次手动选取种子点，通过 种子生长法自动生长获得样本区域；通过上述方法半自动获取高植被、建筑物、裸露地表的 样本信息，用作影像分类的高精度训练样本；联合nDSM掩膜的分类步骤，该步骤利用nDSM数据在配准后的高分辨率影像上产生对 高程低于指定高程阈值的平面区域和高程高于指定高程阈值的高区域进行掩膜处理运用， 分类后的伪建筑物点去除步骤，该步骤是因为单依靠光谱信息进行的基于联合nDSM 掩膜分类结果，会因单纯依靠光谱信息而导致建筑物类别的错分，因此利用形状指数和复 杂度计算去除非建筑物类别数据，去除误判为建筑点的激光点；基于影像分类结果和点云多重特征交叉验证的激光点分类的步骤，该步骤首先利用联 合nDSM掩膜的分类步骤和分类后的伪建筑物点去除步骤处理得到的影像分类结果对点云 进行类别赋值；其次利用点云多重特征(强度均值、离散度)以及DEM数据等对分类赋值结 果进行再验证，修正点云分类的误分类点，最终将点云数据分为裸露地表、低植被、高植被 和建筑物等4个类别。
2.根据权利要求1所述的融合影像的机载激光雷达数据半监督分类方法，其特征在于所述高精度数字地面模型DEM生成步骤进一步包括以下子步骤①对原始数据进行中值滤波处理剔除数据中的极低点(高程很低的噪声点)；②构造数据的外包矩形，该外包矩形的四个顶点的高程值根据最近邻准则来设定，然 后对外包矩形进行三角剖分，并将其作为初始地形表面模型；③对数据进行格网组织，网格应略大于最大建筑物的大小，其中每个网格中的最低点 为初始地面点，将选取的初始地面点加入到不规则三角网(TIN)中；④计算每个点到其所在的三角形的距离以及它与三角形三个顶点的夹角，若计算得到 的值小于预先设定的阈值条件，则将其加入到不规则三角网中；⑤重复④直到没有新的点加入到不规则三角网中；⑥内插生成DEM。
3.根据权利要求1或2所述的融合影像的机载激光雷达数据半监督分类方法，其特征 在于所述联合nDSM掩膜的分类步骤进一步包括以下子步骤①基于nDSM的信息，将与点云配准的高分辨率影像划分为高区域和平面区域，利用所 述基于LiDAR数据辅助的影像分类训练样本提取步骤获取到的建筑物和高植被样本，在高 程大于0或高程大于指定阈值的区域采用最大似然估计进行分类；②基于nDSM的信息，在高程区域为0或者低于某阈值的影像范围内，人工选取地表植 被样本，同时利用所述基于LiDAR数据辅助的影像分类训练样本提取步骤获得的地表高精 度样本，采用最大似然估计进行分类获得高精度分类的裸露地表与光谱信息为绿色的低矮 植被类别。
全文摘要
本发明涉及机载激光雷达数据处理技术领域，尤其涉及一种融合影像的机载激光雷达数据半监督分类方法。本发明其基于半监督概念，利用点云数据的粗分类结果，提取高精度训练样本数据，用于高分辨率影像的分类，后处理过程基于目标复杂度去除伪建筑物点，精化分类结果，并融合LiDAR点云多重特征进行交叉验证，最终实现机载激光雷达数据的精分类，是一种高可靠性，分类精度较高的融合分类方法。本发明在没有使用近红外数据的前提下，达到对点云高植被和低矮植被区域进行分类的良好效果。
文档编号G06K9/62GK102103202SQ20101056876
公开日2011年6月22日 申请日期2010年12月1日 优先权日2010年12月1日
发明者彭检贵, 邬建伟, 钟良, 马洪超 申请人:武汉大学