反映目标局部高程强度分布与变化;而光谱灰度图像纹理 特征基于光谱强度灰度均值获得灰度共生矩阵(GLCM)局部纹理测度角二阶矩(ASM2)、熵 (ΕΝΤ2)与惯性矩(Η2)，描述地物上下文的联系、结构信息与空间信息。
[0040] 为直观表现研究区域地貌，图2中列出了四幅不同典型特征的图像，分别为激光回 波强度、高度差图像、近红外波段图像和红绿蓝三波段合成伪彩色图像。
[0041] S3:随机选择样本进行训练，基于随机森林框架计算各个特征子集的重要性测度 Fj，计算各像元对各类地物的类别隶属度mj (Αι);
[0042] S31:随机选择一定数量的样本建立随机森林框架，本例根据多次实验确定选择的 样本数量为所有样本数量的10%，并计算f特征对每棵决策树t的重要性测度如式(1)所示：
[0043] (1)
[0044]其中Φβ表示袋外样本集合，te {1，2. . .，ntree}，ntree表示随机森林中决策树数 量，（Xa，la)表示样本与样本类别，Ca(t)， Ca,f(t)表示置换特征f前后样本1前后判定类别，N (X)为计数函数。特征f重要性测度通过对所有决策树的均值重要性测度描述：
[0045] (2)
[0046] S32:计算各个特征子集的重要性测度，
[0047]
(.;)
[0048]其中Tj表示j特征子集，j = l，2,. . .，M，本例中M=4;
[0049] S33:根据各个特征子集计算各个像元对各个地物类别的隶属程度
[0050]
⑷
[0051]其中Μ为将某像元判定为1类的焦元，ntre幻为特征子集j随机森林的决策树数目， treeij为根据特征子集j像元属于1类的决策树数目；
[0052] S4:基于特征重要性测度与证据冲突权重的随机森林自适应权重合成方法实现特 征子集证据合成，具体步骤如下：
[0053] S41:计算证据E1与其它证据E」（j = l，2, . . .，i-l，i + l，. . .，M)间的冲突程度 '构成冲关向Μ并归一化得[,= L0054J
S42:计算冲突向量的熵
[0055]
(5)
[0056] S43:计算证据Ei的冲突权重系数
[0057](6) J~L
[0058] S44:根据^和特征子集重要性测度h，构造总权重系数并进行归一化
[0059]
(.7).
[0060] S45:调整概率分配[0061 ]
(8)j. j. 1
[0062] 调整冲突
·:，构成证据合成公式，
[0063]
[0064]
[0065] S5:根据证据合成结果，采用最大投票决策规则决策，确定各像元的类别属性，获 得初分类结果；
[0066] S6:对初分类结果中易被错分或漏分的混淆像元(包括树冠中心与墙面点)采用空 间邻域限制策略实现分类结果的优化，具体步骤如下：
[0067] S61:优化混淆的树冠中心。在初分类结果中提取树木类二值图像，其中树木类标 记为1，其它类标记为〇;其次，在二值图像进行形态学填充处理，使得填充孔洞的同时不影 响区域的边界效果;最后将填充处理后的图像与原图像做差即可获得树冠中心位置混淆提 取结果，将提取结果灰度值非〇的像元类别修正为树木类；
[0068] S62:优化混淆的墙面点。结合随机森林分类结果设计墙面点混淆提取与类别修 正，选用大小为5*5的矩形掩膜，对HD图像进行二值化处理，使用矩形掩膜遍历HD二值图像， 若中心位置0处在HD二值化结果中为亮像元点，四周的像元对中，至少有三对满足一侧被分 类为建筑另一侧被分类为草地或空地，认定该像元位置目标为墙面点；最后获得墙面点提 取结果后，将其类别标签修正为建筑类；
[0069] S7:输出分类结果及分类性能指标。
[0070] 对于分类精度的评价，通过比较地面真值与分类结果，计算分类混淆矩阵，然后计 算精度判断参数，主要包括总体分类精度(Overal 1 Accuracy，0A)与Kappa系数。0A是对分 类结果的质量的总体评价，Kappa系数表示分类结果与参考数据之间的吻合程度，表达公式 分别如下：
[0071]
[0072]
[0073] 其中，S为像元总数，ail表示混淆矩阵a中分类结果第i类与地面真值第i类像元数 目，a1+，a +1*别为混淆矩阵a第i行与第i列的和。
[0074] 从表4和图3可见，不同类型的特征在分类精度上存在很大差异，高程特征子集分 类结果指标最高。其他特征子集的分类结果明显较差，尤其是强度特征子集和纹理特征子 集，强度特征集中仅包含一种特征，分类精度势必很差;而纹理特征子集在提取过程中损失 了有用信息，影响了分类效果。单特征子集应用的信息具有很大局限，分类精度受到很大限 制。因此本例根据各特征子集的重要性测度对各个特征子集分类分配权重，从分类结果图 像和参数指标来看，分类效果得到较大改善。
[0075]从图4和表1、表2可见，特征权重合成后分类总体精度得到4%的提高，Kappa系数 也得到3%的提升，改善了分类效果。但某些区域分类图像不同程度上存在地物分布不连续 情况，在分类小面积地物(建筑、小径、小块空地等)时产生错误分类结果。
[0076] 经分析图5发现，经过优化处理后的分类结果相比于处理前视觉一致性更强，更加 符合地物分布真实情况。表3为初分类结果优化后混淆矩阵。对比优化前后分类结果混淆矩 阵，总体分类精度与Kappa系数均得到提高，特别是建筑与树木之间误分与漏分误差明显降 低，证明利用相邻地物空间限制进行初分类优化有益于分类精度的提高。
[0077] 表1全特征集随机森林分类混淆矩阵
[0078]
[0079] 表2自适应权重合成后分类混淆矩阵
[0080]
[0081 ]表3优化后分类结果混淆矩阵
[0082]
[0084] 表4各个方法的分类精度对比
[0085]
【主权项】
1. 一种自适应特征权重合成的LIDAR数据地物精确分类方法，其特征在于： S1:获得LIDAR系统的点云数据和光谱相机拍摄的多光谱数据，并进行中值滤波预处 理； S2:提取LIDAR系统数据特征，根据物理意义和地物信息区别构建高程特征子集!^、光谱 特征子集T2、强度特征子集T3和纹理特征子集T4; S3:随机选择样本进行训练，基于随机森林框架计算各个特征子集的重要性测度h，计 算各像元对各类地物的类别隶属度πυ(Α〇 ; S4:基于特征重要性测度与证据冲突权重的随机森林自适应权重合成方法实现特征子 集证据合成； S5:根据证据合成结果，采用最大投票决策规则决策，确定各像元的类别属性，获得初 分类结果； S6:对初分类结果中易被错分或漏分的混淆像元(包括树冠中心与墙面点)采用空间邻 域限制策略实现分类结果的优化； S7:输出分类结果及分类性能指标。2. 根据权利要求1所述的一种自适应特征权重合成的LIDAR数据地物精确分类方法，其 特征在于步骤S3所述的基于随机森林框架计算各个特征子集的重要性测度匕，计算各像元 对各类地物的类别隶属度πυ(Α〇,主要包括以下步骤： S32:计算各个特征子集的重要性测度， Ρ = Σ F(f) (3:) f·^ 其中Tj表示j特征子集，j = l，2,. . .，M，本例中M=4; S33:根据各个特征子集计算各个像元对各个地物类别的隶属程度 tree, Λ, m⑷二--L ⑷: " ntree} 其中Ai为将某像元判定为1类的焦元，ntreej为特征子集j随机森林的决策树数目， treeij为根据特征子集j像元属于1类的决策树数目。3. 根据权利要求1所述的一种自适应特征权重合成的LIDAR数据地物精确分类方法，其 特征在于步骤S4所述的基于特征重要性测度与证据冲突权重的随机森林自适应权重合成 方法实现特征子集证据合成，按以下步骤进行： S43:计算证据Ei的冲突权重系数 1/ //, ΣΙ. ", Μ ' S44:根据^和特征子集重要性测度h，构造总权重系数并进行归一化 'W.· Wf=Fr_ --：---- 〇
【专利摘要】本发明属于遥感数据地物分类领域，具体为一种自适应特征权重合成的LIDAR数据地物精确分类方法。本发明首先对实验图像进行充分特征信息提取，根据特征的物理意义与包含地物信息的差异，构建高程、光谱、强度与纹理特征子集；其次在随机森林框架下分析不同特征子集在地物分类过程中的重要性差异，计算各特征子集的重要性测度，获得每个像元对各类地物的类别隶属度；然后综合利用特征子集重要性测度与基于证据冲突计算的权重系数，对各个特征子集构成的多证据源合成；最后根据合成结果采用投票决策规则实现地物精确分类，并采用有效的空间限制策略优化初分类结果。
【IPC分类】G06K9/62, G06K9/46, G06T7/00
【公开号】CN105469098
【申请号】CN201510808725
【发明人】杨风暴, 李大威, 刘丹, 王肖霞, 梁若飞
【申请人】中北大学
【公开日】2016年4月6日
【申请日】2015年11月20日