CN103927557B

CN103927557B - 基于分层模糊证据合成的lidar数据地物分类方法

Info

Publication number: CN103927557B
Application number: CN201410194225.5A
Authority: CN
Inventors: 杨风暴; 李大威; 冯裴裴; 王肖霞; 梁晓伟
Original assignee: North University of China
Current assignee: North University of China
Priority date: 2014-05-08
Filing date: 2014-05-08
Publication date: 2017-01-18
Anticipated expiration: 2034-05-08
Also published as: CN103927557A

Abstract

本发明公开了基于分层模糊证据合成的LIDAR数据地物分类方法。通过构建模糊信任分配模型对首次回波高程图像、首末次回波高程差图像、首次回波强度图像、归一化植被差异指数图像分别进行信任分配，得到对应的信任分配图像；使用中值滤波对各信任分配图像进行降噪处理；构造分层框架，对各层滤波结果进行合成，根据最大值规则对合成结果进行决策得到最终的分类结果。本发明克服了已有高精度方法分类速度慢无法满足用户需求的缺陷，在保证较高精度的同时，有效地提升了算法运行的速度，形成了一种快速的高精度地物分类算法。可应用于城市三维建模、大规模生态变化评估、地质灾害快速勘察等领域。

Description

基于分层模糊证据合成的LIDAR数据地物分类方法

技术领域

本发明涉及机载LIDAR数据领域中的地物分类方法，具体为基于分层模糊证据合成的LIDAR数据地物分类方法。

发明内容

机载激光扫描测距系统(Light Detection And Ranging，简称LIDAR)由激光扫描仪、可见光或红外成像系统、全球定位系统和惯性导航设备等构成，是一项发展迅速的新型测绘遥感技术。由于其可快速、准确、实时地提供大量的三维数据信息，被广泛用于城市三维建模、大规模生态变化评估、地质灾害状况勘察等领域。

从高密度的LIDAR数据中进行有效信息提取是生成各类测绘产品的前提，而地物分类方法则是有效信息提取的核心技术之一。目前LIDAR数据地物分类领域内高精度的分类算法很多，而随着LIDAR技术的发展，测量的区域地形地物更加复杂，LIDAR数据的密度也在不断增加，这必将加大LIDAR数据后处理的工作量，增加处理时间。而对于战斗机轰炸目标选定、恶劣天气条件下飞机降落导航、地质灾害救灾政策快速制定等应用，地物分类方法不仅需要满足高精度的要求，更需要保证分类的快速完成。在保证较高精度的同时，如何对大量的机载LIDAR数据进行快速分类，成为了一个亟待解决的问题。

传统方法如基于多源特征融合分类方法，利用了监督分类的思想，融合多源数据进行分类，该方法不仅需要训练样本，还要人工参与为每类特征分配权重，算法复杂度高，速度较慢；马尔科夫随机场方法，虽然有效提升了分类的精度，但是分类程序运行时间却长达十几秒甚至几百秒；Otsu聚类与拓扑模型相结合的办法进行分类，算法的速度无法满足实用需求；另有其他方法，如K-均值聚类方法、小波变换和空间尺度相结合的方法、数学形态方法等，分类精度尚可，但都难以在速度上满足用户的需求。

发明内容

本发明为了解决现有地物分类方法无法同时满足高精度和运算快的问题，提供了基于分层模糊证据合成的LIDAR数据地物分类方法。

本发明是采用如下的技术方案实现的：基于分层模糊证据合成的LIDAR数据地物分类方法，包括以下步骤：

S1：构造分层框架，选取首次回波强度图像IN和LIDAR数据预处理后得到的首末次回波高程差图像HD为分层框架第一层输入；选取首次回波高程图像DSM_FE和LIDAR数据预处理后得到的归一化植被差异指数图像NDVI为分层框架第二层输入；

S2：构建模糊信任分配模型，对分层框架每层输入的图像分别进行模糊信任分配并得到信任分配图像；

S21：构建模糊信任分配模型为：

M_{A_{i}} (x) = \{\begin{matrix} M_{2} & x < h_{1} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x < h_{12} \end{matrix}

M_{B_{i}} (x) = \{\begin{matrix} M_{1} + \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

M_{A \cup B_{i}} (x) = \{\begin{matrix} M_{1} & x \leq h_{1} \\ M_{1} + \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x \leq h_{12} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

式中，M₁、M₂分别表示信任值下限和上限，h₁、h₁₂、h₂为类别间阈值,i为数据源图像,x为像素点，A、B和A∪B表示模型中三个不同的类别；

S22：对首末次回波高程差图像HD进行模糊信任分配，得到信任分配图像和对首次回波强度图像IN进行模糊信任分配，得到信任分配图像和对首次回波高程图像DSM_FE进行模糊信任分配，得到信任分配图像和对归一化植被差异指数图像NDVI进行模糊信任分配，得到信任分配图像和

S3：使用中值滤波方法对S2得到的信任分配图像都进行降噪处理，去除类椒盐噪声的信任分配点；

S4：根据DS证据理论合成规则对S3中得到的分层框架第一层中滤波后的信任分配图像进行合成，合成后的图像为和合成后的图像再进行中值滤波得到滤波图像,滤波图像与S3中得到的分层框架第二层中滤波后的信任分配图像进行合成，得到4副合成图像m_C(x)、m_T(x)、m_G(x)和m_S(x)，该四副图像分别表示像素点x属于目标区域中四个类别C、T、G、S的信任分配值，类别中C代表建筑，T代表树木，G代表草地，S代表空地；

S5：根据最大值规则对S4中得到的合成图像进行决策，得到分类结果。

本发明首先构造了分层框架，将首次回波强度图像IN和首末次回波高程差图像HD分为一层，由于首末次回波高程差图像HD区分目标区域的树木和其他类别的时候利用的是激光的穿透特性，可是有些茂密的树丛会影响雷达反射波，使树木被误分为建筑，因此仅用首末次回波高程差图像HD来区分树木和其他类别并不能得到有效的结果，本发明融合首末次回波高程差图像HD和首次回波强度图像IN两种图像，首次回波强度图像IN根据激光反射波强度来区分树木和其他类，利用两种图像相结合来区分树木与其它类别，树木区域被误分为其他类别的点明显减少；将首次回波高程图像DSMFE和归一化植被差异指数图像NDVI分为一层，也能减少目标区域内草地和空地的误分；

同时本发明在分层的基础上，创造性地构建了模糊信任分配模型，在基本信任分配函数原有两种类别(A和B)之间增加了模糊类别(A∪B类别)，用该模糊信任分配模型对图像进行模糊信任分配时，可将无法确定类别的信任分配点归为模糊类别，提高分类的精度，该模糊信任分配模型仅受选定的类别间阈值影响，不需要训练样本或迭代，因此在提高了分类精度的同时减少了分类的时间；

本方法中还首次采用了中值滤波对信任分配图像进行降噪处理，归一化植被差异指数图像NDVI只能识别单棵植物，因此现有分类方法的分类结果的草地区域中有大量类椒盐噪声点被分类为空地，本发明使用中值滤波来解决此问题，中值滤波可以有效地去掉孤立噪声点，使草地区域的像素点接近其真实值，从而减少分类错误的孤立点。

DS证据理论、最大值规则和中值滤波都为本领域的技术人员熟知的。

本发明与现有技术相比具有以下优点：

1.本发明通过构造分层框架，结合四种图像进行分类。与传统方法相比，加入回波强度图像IN参与分类，回波强度图像IN与首末次回波高程差图像HD具有区分相同地物类别的特性，但回波强度图像IN依据的是激光反射波强度，而首末次回波高程差图像HD依据的是激光的穿透特性，将两者作为第一层输入参与分类，可以互相检验，减少分类错误，提高分类精度；

2.本发明构建了模糊信任分配模型，在基本信任分配函数原有两种类别之间增加了模糊类别，用该模型对图像进行模糊信任分配时，可将无法确定类别的信任分配点归为模糊类别，提高分类的精度，该模型仅受选定的类别间阈值影响，不需要训练样本或迭代，因此分类速度快。

3.本发明使用中值滤波对各个信任分配图像进行降噪处理，有效地去除由模糊分配模型影响而产生的大量的黑白相间的亮暗点；对第一层的合成信任分配图像进行二次滤波，有效消除由合成方法产生的噪声。综合考虑到每个信任分配点周边的信任分配值，有效地减少孤立的信任分配点，提高方法的精度。

附图说明

图1为本发明的流程示意图。

图2为模糊信任分配模型的函数图。

图3为首次回波高程图像DSM_FE。

图4为首次回波强度图像IN。

图5为末次回波高程图像DSM_LE。

图6为RGB彩色图像。

图7为近红外图像NIR。

图8为首末次回波高程差图像HD。

图9为归一化植被差异指数图像NDVI。

图10为DS方法的分类结果图。

图11为模糊DS方法的分类结果图。

图12为分层模糊DS方法的分类结果图。

图13为本发明的分类结果图。

图14为人工真实的分类结果图。

具体实施方式

基于分层模糊证据合成的LIDAR数据地物分类方法，包括以下步骤：

S11：近红外图像NIR、RGB彩色图像、首次回波强度图像IN和首次回波高程图像DSM_FE为LIDAR数据提供的源图像，首末次回波高程差图像HD和归一化植被差异指数图像NDVI为衍生图像；首末次回波高程差图像HD＝首次回波高程图像DSM_FE-末次回波高程图像DSM_LE；

S12：归一化植被差异指数图像式中NIR表示近红外图像，R表示RGB彩色图像的红色分量；

S2：构件模糊信任分配模型，对分层框架每层输入的图像分别进行模糊信任分配并得到信任分配图像；

S21：构件模糊信任分配模型为：

M_{A_{i}} (x) = \{\begin{matrix} M_{2} & x < h_{1} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x < h_{12} \end{matrix}

M_{B_{i}} (x) = \{\begin{matrix} M_{1} + \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

M_{A \cup B_{i}} (x) = \{\begin{matrix} M_{1} & x \leq h_{1} \\ M_{1} + \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x \leq h_{12} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

式中，M₁、M₂分别表示信任值下限和上限，h₁、h₁₂、h₂为类别间阈值,i为图像，x为像素点，A、B和A∪B表示模型中三个不同的类别；

S22：首末次回波高程差图像HD进行模糊信任分配，得到信任分配图像和首次回波强度图像IN进行模糊信任分配，得到信任分配图像和首次回波高程图像DSM_FE进行模糊信任分配，得到信任分配图像和归一化植被差异指数图像NDVI进行模糊信任分配，得到信任分配图像和

S4：根据DS证据理论合成规则对S3中得到的分层框架第一层中滤波后的信任分配图像进行合成，合成后的图像为和合成后的图像再进行中值滤波得到滤波图像,滤波图像与S3中得到的分层框架第二层中滤波后的信任分配图像进行合成，得到4副合成图像m_C(x)、m_T(x)、m_G(x)和m_S(x)，该四副图像分别表示像素点x属于目标区域中四个类别C、T、G、S的信任分配值，类别中C代表建筑，T代表树木，G代表草地，S代表空地：Dempster-Shafer(DS)证据理论合成规则：

m_{Z} (x) = \frac{Σ_{K_{1} (x) \cap K_{2} (x) \cap K_{3} (x) = Z (x)} (Π_{1 \leq i \leq 3} M_{K_{i}} (x))}{1 - Σ_{K_{1} (x) \cap K_{2} (x) \cap K_{3} (x) = \emptyset} (Π_{1 \leq i \leq 3} M_{K_{i}} (x))}

式中，Z＝{C,T,G,S}为焦元,K₁＝{A_FE，B_FE，A∪B_FE}，K₂＝{A_NDVI，B_NDVI，A∪B_NDVI}，K₃＝{A_HID，B_HID，A∪B_HID}，表示k₁中任意一个元素在像素点处的信任分配值，公式中分母的求和表示各个证据之间的冲突程度，DS证据理论合成规则为本领域的技术人员公知的理论规则，本领域的技术人员根据该理论规则可以得到4副合成图像m_C(x)、m_T(x)、m_G(x)和m_S(x)；

S5：根据最大值规则对S4中得到的合成图像进行决策，得到分类结果，最大值决策规则定义式如下：

\hat{z (x)} = \arg \max_{z = {C, T, G, S}} m_{z} (x)

其中，为x像素点处的分类结果。

具体实施时，所选用的LIDAR数据分辨率为0.5m/像素，获取数据时系统参数如下表：

数据获取系统	参数
		LIDAR系统	TopoSys Falcon II
飞行高度	600m
		扫描速率	653Hz
飞行数据	2004,8
		扫描角度	-7°-+7°
脉冲频率	83kHz

将目标区域分为建筑、树木、草地和空地四种类别，本发明各个图像区分的互补集合在下表中列出，其中，C代表建筑，T代表树木，G代表草地，S代表空地，

模糊信任分配模型函数的曲线在图2中给出，为了避免不确定数据的影响，本发明中选取M₁＝2％，M₂＝98％来代替0％和100％，各图像的模糊信任分配函数阈值选取如下表：

	h₁	h₁₂	h₂
				HD	76.00	136.00	178.50
IN	72.00	138.00	180.00
				DSM_FE	51.00	70.00	122.40
NDVI	102.00	132.00	200.00

将本发明和现有的DS方法、模糊DS方法和分层模糊DS方法同时对目标区域进行地物分类，实验分类结果如附图所示，其中图10为DS方法的分类结果图，图11为模糊DS方法的分类结果图，图12为分层模糊DS方法的分类结果图，图13为本发明的分类结果图，图14为人工真实值的分类结果图，人工真实值即为人工逐个像素与真实场景对比得到的图像；图中用黑色表示建筑，深灰色表示树木，浅灰色表示草地，白色表示空地。结合附图，分类结果从两个方面分析如下：分类中最容易被误分的类别就是建筑和树木，从DS方法和模糊DS方法的分类结果中可以看出，表示建筑的黑色点多处错误地出现在树木区域，这是由于首末次回波高程差图像HD区分树和其他类别的时候利用的是激光的穿透特性，可是有些茂密的树丛会影响雷达反射波，使树木被误分为建筑，因此仅用首末次回波高程差图像HD来区分树木和其他类别并不能得到有效的结果，本发明通过构建分层框架，融合首末次回波高程差图像HD和首次回波强度图像IN两种图像，首次回波强度图像IN根据激光反射波强度来区分树木和其他类，从本发明方法的分类结果上来看，利用两种图像相结合来区分树木与其它类别，树木区域被误分为其他类别的点明显减少，分类结果更接近人工真实值，本发明的分类结果明显好于现有方法；

其次容易被误分的类别就是空地和草地，在实际地物中，草地中间会有小块光秃缝隙，而归一化植被差异指数图像NDVI只能识别单棵植物，因此在DS方法以及模糊DS方法的分类结果的草地区域中有多个孤立的像素点被分类为空地，本发明使用中值滤波来解决此问题，中值滤波可以有效地去掉孤立噪声点，使草地区域的像素点接近其真实值，从而减少分类错误的孤立点。从本发明方法的分类结果中可看出，草地区域中分类错误的孤立点减少，本发明的分类结果明显好于现有方法。

下表为实验结果精度对比，表中数据表示的各种分类方法结果中分类正确的像素点个数与人工真实值中各类别像素个数的比值，提升率为各方法平均精度相对于DS方法平均精度的提升。从表中可以客观的看出，本发明方法在区分树木类别的精度上达到了83.95％，远高于DS方法得到的68.18％精度，甚至是分层模糊DS方法的72.48％，证明本发明所构建的分层框架在区分树木类别上的效果；而在其他类别以及平均精度上，本发明方法相比DS方法和模糊DS方法也均有所提升。

	建筑	树木	草地	空地	平均精度	提升率
							DS	0.8607	0.6818	0.8428	0.8724	0.8181	0
模糊DS	0.8733	0.7285	0.8723	0.8570	0.8359	2.17％
							分层模糊DS	0.9255	0.7248	0.9133	0.8808	0.8658	5.83％
本发明方法	0.9177	0.8395	0.8950	0.8796	0.8854	8.22％

下表为本发明方法与原有几种方法处理相同图像的运行时间对比结果，从表中可看出，本发明方法的运行时间仅为0.65s，相对原有方法中较快的ICM-MRF方法，时间缩短了95％。由此可验证，本发明方法在保证较高的精度的同时，大大地缩短了运行时间，工作效率高，为LIDAR数据地物分类提供了一个更准确更高效的方法。

Claims

1.一种基于分层模糊证据合成的LIDAR数据快速地物分类方法，其特征在于包括以下步骤：

S21：构件模糊信任分配模型为：

M_{A_{i}} (x) = \{\begin{matrix} M_{2} & x < h_{1} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x \leq h_{12} \end{matrix}

M_{B_{i}} (x) = \{\begin{matrix} M_{1} + \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

M_{A \cup B_{i}} (x) = \{\begin{matrix} M_{1} & x \leq h_{1} \\ M_{1} + \frac{M_{2} - M_{1}}{h_{12} - h_{1}} (x - h_{1}) & h_{1} < x \leq h_{12} \\ M_{2} - \frac{M_{2} - M_{1}}{h_{2} - h_{12}} (x - h_{12}) & h_{12} < x < h_{2} \\ M_{2} & x &GreaterEqual; h_{2} \end{matrix}

式中，M₁、M₂分别表示信任值下限和上限，h₁、h₁₂、h₂为类别间阈值,i为数据源，x为像素点，A、B和A∪B表示模型中三个不同的类别；

S4：根据DS证据理论合成规则对S3中得到的分层框架第一层中滤波后的信任分配图像进行合成，合成后的图像为和合成后的图像再进行中值滤波得到滤波图像,滤波图像与S3中得到的分层框架第二层中滤波后的信任分配图像进行合成，得到4副合成图像m_C(x)、m_T(x)、m_G(x)和m_S(x)，该四副图像分别表示像素点x属于目标区域中四个类别C、T、G、S的信任分配值，类别中C代表建筑，T代表树木，G代表草地，S代表空地，DS证据理论合成规则：

式中，Z＝{C,T,G,S}为焦元,K₁＝{A_FE，B_FE，A∪B_FE}，K₂＝{A_NDVI，B_NDVI，A∪B_NDVI}，K₃＝{A_HID，B_HID，A∪B_HID}，表示k₁中任意一个元素在像素点x处的信任分配值，公式中分母的求和表示各个证据之间的冲突程度；