CN105469098A - 一种自适应特征权重合成的lidar数据地物精确分类方法 - Google Patents

Abstract

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。

Description

一种自适应特征权重合成的LIDAR数据地物精确分类方法

技术领域

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。

背景技术

利用机载LIDAR系统获得的遥感数据实现地物的精确分类能够应用数字城市建设、城区管理、自然灾害调查等领域，具有广阔的应用前景。LIDAR系统可以快速、主动地获取大范围地物密集采样点的三维信息，通过处理分析点云高度，强度及波形等信息，能够得到高精度数字高程模型。同时，光谱相机获取的相同场景的多光谱图像具备丰富的光谱和纹理信息，弥补了传统摄影测量技术获取地物信息单一的缺陷。与被动遥感技术相比，基于LIDAR的地物分类很大程度上排除了大气分子和气溶胶的影响，三维点云和多光谱图像数据从不同的侧面表达了地物丰富的信息，将两者包含的地物特征信息融合进行地物分类，增强了对地物目标的识别和解译能力，明显提高单一数据源遥感地物分类的精度，为行业具体应用决策提供更真实可靠的基础信息，如城市违建处置过程的证据快速、可靠获取等。

基于机载LIDAR系统的地物分类通常包括样本采集、特征提取与选择、模型选择、分类器训练与结果评估等过程。其中特征提取与选择是关键一环，与分类器有着紧密的联系。目前，一般是将描述地物高程的三维LIDAR点云与表面材质的强度信息转化为图像，结合光谱信息利用监督学习算法完成LIDAR地物分类。常用的分类算法主要包括人工神经网络(ANN)、支持向量机(SVM)、最大似然(ML)、决策树(DT)与随机森林(RF)等。LiGuo等利用随机森林初步讨论了特征重要性，用对分类结果影响较大的特征替代原有的特征参与分类，一定程度上提升了算法的运行效率，但简单替代特征的做法否认了某些特征对分类的贡献，损失了部分地物信息。吴军等利用SVM估计单个特征对分类精度影响程度并计算不同特征的权重，然后组合差异特征进行SVM训练和分类，但仅考虑了不同特征在分类中的重要性差异，没有考虑不同特征分类结果的冲突所包含的信息。以上的两个研究代表了机载LIDAR系统数据地物分类的重要研究内容，但其分类结果的精度有待进一步提高。在实际工程中，不同类型特征不仅对分类精度影响程度不同，而且不可避免地存在冲突。由于某个或少数证据间的完全冲突或严重冲突，而传统证据合成规则一般不考虑冲突证据的信息，可能导致推理结果出现较严重悖论，从而影响分类精度。实际上即使证据之间存在着冲突，其包含的信息也是部分可用的。在不改变规则的前提下修改证据源模型方面的研究中，Murphy提出了一种处理冲突的方法，但是其没有考虑到各个证据间的相关性，只是简单的平均，对提高分类精度具有一定的局限。

发明内容

本发明综合研究机载LIDAR系统数据不同类型特征在遥感地物分类中的重要性差异与证据合成中的冲突证据信息，提出了一种自适应特征权重合成的LIDAR数据地物精确分类方法。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。

本发明一种自适应特征权重合成的LIDAR数据地物精确分类方法包括以下具体步骤：

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T₁、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F_j，计算各像元对各类地物的类别隶属度m_j(A_l)；

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。

其中步骤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F_j，计算各像元对各类地物的类别隶属度m_j(A_l)，主要包括以下步骤：

S32：计算各个特征子集的重要性测度，

$F_j=\underset{f\∈T_j}{\Σ}F\left(f\right)---\left(3\right)$

其中T_j表示j特征子集，j＝1,2,...,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

$m_j\left(A_l\right)=\frac{{\mathrm{tree}}_{lj}}{{\mathrm{ntree}}_j}---\left(4\right)$

其中A_l为将某像元判定为l类的焦元，ntree_j为特征子集j随机森林的决策树数目，tree_lj为根据特征子集j像元属于l类的决策树数目。

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E_i的冲突权重系数

$w_j=\frac{1/H_j}{\underset{j=1}{\overset{M}{\Σ}}1/H_j}$

S44：根据w_j和特征子集重要性测度F_j，构造总权重系数并进行归一化

$W_j=F_j\·\frac{w_j}{max(w_1,w_2,...,w_M)}.$

本发明与现有技术相比具有以下优点：

1、本发明提取LIDAR系统数据的特征构建四个特征子集，随机选择样本构建随机森林框架，获得了各个特征子集的重要性测度，减少了随机森林根据单个特征重要性程度简单替代的特征信息损失，充分利用了不同类型的地物信息，同时也作为后续证据合成的多个证据源。

2、本发明在进行证据合成时，根据证据间的冲突程度适时调整描述证据的权重系数，综合研究特征重要测度与基于冲突信息的证据权重两个不同层面自适应计算不同证据的权重系数，能够在某特征重要测度较高但分类结果与其它特征存在较大冲突的情况下，全面地利用不同类型的特征子集以及冲突证据包含的地物信息，反之亦然，提高了机载LIDAR数据地物的分类精度。

附图说明

图1为本发明的流程图；

图2为实验特征图像，(a)强度；(b)高度差；(c)近红外波段；(d)伪彩色图；

图3为不同特征集实现的分类结果，(a)高程特征子集；(b)光谱特征子集；(c)强度特征子集；(d)纹理特征子集；

图4为证据合成前后分类结果，(a)全特征集随机森林；(b)本发明合成方法；

图5为初分类结果优化后分类结果(a)优化后；(b)地面真值。

具体实施方式

本发明实验数据由TopoSys公司采用光纤扫描方式的FalconⅡ传感器采集，航高约600m，平均激光脚点密度和点间距分别为4点/m²和0.5m，被配准为0.5m空间分辨率。光谱数据包括蓝、绿、红和近红外等四个波段，高程数据包括首末次回波高程。被测区域具有典型的城市地貌，真实数据由人工获取，作为地面真值。具体实施步骤如下：

如图1所示，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T₁、光谱特征子集T₂、强度特征子集T₃和纹理特征子集T₄，具体步骤如下：

S21：提取高程特征子集T₁，包括3种特征，分别为LIDAR首次回波、末次回波与高程差。首次归一化数字表面模型(nDSM_fe)反映去除地形影响的地物绝对高度，由DSM与DEM衍生而来，数字表面模型(DSM)表达了地表所有地物(如植被、建筑物)的高度信息，数字高程模型(DEM)只包含地球自然表面的高程值(即裸地数字高程模型)，高程差(HD)用于区分激光可穿透地物与不可穿透地物，由首次回波nDSM_fe与末次回波nDSM_le相差来实现。

S22：提取光谱特征子集T₂，包括6种特征，分别为多光谱图像的红、绿、蓝、近红外4个波段灰度值ρ_R、ρ_G、ρ_B、ρ_NIR以及通过波段间的运算生成的衍生光谱特征归一化植被指数(NDVI)和修正型土壤调节植被指数(MSAVI)。

S23：提取激光回波强度特征子集T₃，包含1种特征---激光回波强度(IN)描述地物材质以及地物表面不规则程度，当激光落在不同的物体表面时，其反射的强度值会有很大的差别，其受多种因素的影响，包括物体表面材料的性质，回波数、激光发射点到入射点的距离以及入射角等。

S24：提取纹理特征子集T₄，包括6种特征，分别为3种高程纹理与3种光谱纹理特征，高程纹理特征基于高程信息获取其灰度共生矩阵(GLCM)局部纹理测度角二阶矩(ASM1)、熵(ENT1)与惯性矩(H1)，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(ENT2)与惯性矩(H2)，描述地物上下文的联系、结构信息与空间信息。

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。

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F_j，计算各像元对各类地物的类别隶属度m_j(A_l)；

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：

$F^{\left(t\right)}\left(f\right)=\frac{\underset{x_a\∈{\mathrm{\Φ}}_B}{\Σ}N(l_a={c_a}^{\left(t\right)})}{\left|{\mathrm{\Φ}}_B\right|}-\frac{\underset{x_a\∈{\mathrm{\Φ}}_B}{\Σ}N(l_a={c_{a,f}}^{\left(t\right)})}{\left|{\mathrm{\Φ}}_B\right|}---\left(1\right)$

其中Φ_B表示袋外样本集合，t∈{1,2...,ntree}，ntree表示随机森林中决策树数量，(x_a,l_a)表示样本与样本类别，c_a ^(t)，c_a,f ^(t)表示置换特征f前后样本x_a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：

$F\left(f\right)=\frac{\underset{t=1}{\overset{ntree}{\Σ}}{F}^{\left(t\right)}\left(f\right)}{ntree}---\left(2\right)$

S32：计算各个特征子集的重要性测度，

$F_j=\underset{f\∈T_j}{\Σ}F\left(f\right)---\left(3\right)$

其中T_j表示j特征子集，j＝1,2,...,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

$m_j\left(A_i\right)=\frac{{\mathrm{tree}}_{lj}}{{\mathrm{ntree}}_j}---\left(4\right)$

其中A_l为将某像元判定为l类的焦元，ntree_j为特征子集j随机森林的决策树数目，tree_lj为根据特征子集j像元属于l类的决策树数目；

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：

S41：计算证据E_i与其它证据E_j(j＝1,2,...,i-1,i+1,...,M)间的冲突程度构成冲突向量并归一化得 ${\stackrel{\→}{K}}_i=(k_{i1},k_{i2},...,k_{ii-1},k_{ii+1},...,k_{iM});$

S42：计算冲突向量的熵

$H_j=-\underset{j=1,j\≠i}{\overset{M}{\Σ}}{k}_{ij}ln\left(k_{ij}\right),(i,j=1,2,...,M)---\left(5\right)$

S43：计算证据E_i的冲突权重系数

$w_j=\frac{1/H_j}{\underset{j=1}{\overset{M}{\Σ}}1/H_j}---\left(6\right)$

S44：根据w_j和特征子集重要性测度F_j，构造总权重系数并进行归一化

$W_j=F_j\·\frac{w_j}{max(w_1,w_2,...,w_M)}---\left(7\right)$

S45：调整概率分配

$m_j^{*}\left(A_l\right)=W_j\·m_j\left(A_l\right)---\left(8\right)$

调整冲突 $k^{*}=\underset{\∩A_l=\mathrm{\Φ}}{\Σ}\underset{j=1}{\overset{M}{\Π}}{m}_j^{*}\left(A_l\right),l=1,2,...,4,$ 构成证据合成公式，

m(A)＝p(A)+k^*·q(A)，A≠Φ(9)

其中， $p\left(A\right)=\underset{\∩A_l=A}{\Σ}\underset{j=1}{\overset{M}{\Π}}{m}_j^{*}\left(A_l\right),q\left(A\right)=\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}{m}_j^{*}\left(A\right);$

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，具体步骤如下：

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0；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0的像元类别修正为树木类；

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；

S7：输出分类结果及分类性能指标。

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(OverallAccuracy,OA)与Kappa系数。OA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：

$OA=\underset{i=1}{\overset{N}{\Σ}}\frac{a_{ii}}{S}---\left(10\right)$

$Kappa=\frac{S\underset{i=1}{\overset{N}{\Σ}}\left(a_{ii}\right)-\underset{i=1}{\overset{N}{\Σ}}\left(a_{i+}{a}_{+i}\right)}{S^2-\underset{i=1}{\overset{N}{\Σ}}\left(a_{i+}{a}_{+i}\right)}---\left(11\right)$

其中，S为像元总数，a_ii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，a_i+,a_+i分别为混淆矩阵a第i行与第i列的和。

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。

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。

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。

表1全特征集随机森林分类混淆矩阵

表2自适应权重合成后分类混淆矩阵

表3优化后分类结果混淆矩阵

表4各个方法的分类精度对比

Claims (3)

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T₁、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F_j，计算各像元对各类地物的类别隶属度m_j(A_l)；

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F_j，计算各像元对各类地物的类别隶属度m_j(A_l)，主要包括以下步骤：

S32：计算各个特征子集的重要性测度，

$F_j=\underset{f\∈T_j}{\Σ}F\left(f\right)---\left(3\right)$

其中T_j表示j特征子集，j＝1,2,...,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

$m_j\left(A_l\right)=\frac{{\mathrm{tree}}_{lj}}{{\mathrm{ntree}}_j}---\left(4\right)$

其中A_l为将某像元判定为l类的焦元，ntree_j为特征子集j随机森林的决策树数目，tree_lj为根据特征子集j像元属于l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E_i的冲突权重系数

$w_j=\frac{1/H_j}{\underset{j=1}{\overset{M}{\Σ}}1/H_j}$

S44：根据w_j和特征子集重要性测度F_j，构造总权重系数并进行归一化

$W_j=F_j\·\frac{w_j}{max(w_1,w_2,...,w_M)}.$