CN109766824A - 基于模糊证据理论的主被动遥感数据融合分类方法 - Google Patents

Abstract

本发明涉及一种基于模糊证据理论的主被动遥感数据融合分类方法，包括，激光点云拼接，点云网格化，植被区域识别，网格数据分割及证据理论分类等五个步骤。本发明与其他分类方法相比，此方法结合机载激光点云和航空影像主被动遥感数据，尽可能融合更多有效的特征进行地物分类，并结合模糊证据理论方法对多源特征进行融合，得出每种地物的最终联合概率，从而可以有效地提高地物分类的精度。

Description

基于模糊证据理论的主被动遥感数据融合分类方法

技术领域

本发明涉基于模糊证据理论的主被动遥感数据融合分类方法，属遥感测绘技术领域。

背景技术

在国家城市战略的推动下，我国城市化迅速发展，2011年城市化化率超越50％大关，2015年城市化率已达到56.10％，这种超速发展对中国城市的管理和规划提出了巨大的挑战。随着传感器和影像处理方法的不断更新，遥感技术已经成为城市管理和规划的主要手段，可以通过不同的遥感数据对大范围城市区域进行地物分类，从而为城市三维重建、地理国情监测、智慧城市以及城市规划与管理提供有效的数据支撑，这也一直是摄影测量和遥感学科的研究热点。近几年来，许多学者利用光学影像、机载\移动激光雷达测量(LightDetection and Ranging，LiDAR)和合成孔径雷达(Synthetic Aperture Radar，SAR)针对城市地表覆盖分类做了广泛且深入的研究。然而，上述研究均仅仅使用单一的数据源，由于大区域城市地物以及地形的高复杂性，这些单一的数据源无法完全描述地物特性，因此如何准确且高效地从大比例尺遥感数据中识别出不同的地物类型目前仍然是一个亟待解决的难题。

从20世纪70年代开始，许多学者开始通过光学影像对地物进行分类。随着光学传感器的不断发展，目前，光学影像具有分辨率高、光谱信息丰富等优点，并且能够根据影像密集匹配技术获取地物的三维信息，但是，光学影像在地物分类上存在如下限制：1)由于受到阴影和城市大气污染的影响，被动光学影像的质量和使用受到较大的限制；2)因为城市区域环境比较复杂，地物信息丰富，在影像中不可避免地会产生“同物异谱和同谱异物”的现象；3)影像密集匹配技术受地物纹理和影像的辐射质量影响较大，在弱纹理区域(如河流、雪地、窗户等)匹配歧义性较大，匹配点云精度低，上述限制都会影响到光学影像分类的精度。

激光雷达测量技术得到了较好地发展，可以快速直接地获取大范围且高精度的三维地形数据。机载激光雷达可以主动地发射出较长波长的红外波段，不受大气污染和地物阴影的影响，且能够精确量测地物高度，但是，与光学影像相比，缺少丰富的波谱信息。由此可知，为了较好地利用遥感数据对地物进行分类，需利用影像和激光点云主被动遥感数据协同进行处理，然而主被动遥感技术的成像机理不一样，会产生不同类型的数据以及特征属性信息。本文拟以影像和激光点云数据为研究对象，研究如何结合主被动遥感手段协同地获取多源属性特征，并着力解决如何利用模糊证据理论对主被动遥感数据进行分类。

发明内容

为了解决现有分类技术上的一些不足，本发明提供一种基于模糊证据理论的主被动遥感数据融合分类方法，解决了主被动遥感数据中空间维度上信息挖掘不充分和分类不平衡以及分类差别较大等问题，有效的提高了分类的精度和效率，为研究者提供了很好得参考价值。

为了实现上面提到的效果，提出了一种基于模糊证据理论的主被动遥感数据融合分类方法，包括以下步骤：

S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；

S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；

S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵和植被指数进行统计，并根据高程信息熵和植被指数进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵和植被指数进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；

S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；

S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别A_j∈S(K)，m_i(A_j)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同数据源的概率量P来计算每个类别B∈K的概率量P，从而确定出每个类别的最终概率，具体计算函数为：

其中：m(B)为概率量。

进一步的，所述的S2步骤中，关联函数为：

其中：L为网格间隔，即网格的空间分辨率，它的取值大小与激光点云的间隔有关，对于每个网格(i,j)内点云的分布，可以通过关联函数统计出落在网格(i,j)内的所有点，从而，利用这些点对应的高程值确定出该网格的值，同时由于激光点云的随机分布，将会导致某些网格内没有点，而某些网格内也会存在多个点，为了解决此问题，当网格内没有点时，可以通过最邻近内插方法获取该网格的值。

进一步的，所述的最邻近内插方法获取网格的值的具体方法为：

第一步，计算出激光点云坐标X和Y的最大值和最小值，并根据点云的间隔决定网格分辨率；

第二步，利用关联函数计算出每个激光点(X,Y)对应的网格坐标(i,j)，每个网格对应一个容器，把落在网格内激光点的序号存入容器内，并分别统计出网格内激光点的高程值；

第三步，经过以上处理以后，对于网格内没有点的网格来说，网格为空值，可以通过最邻近内插的方法获取网格值，从而可以保证激光点云的原始信息，对于大面积的网格空值，不进行内插处理。

进一步的，所述的S3步骤中，对植被区域进行识别区分时，通过：

a、利用植被指数(Normalized Difference Vegetation Index,NDVI)阈值识别出植被区域；

b、基于单次回波和多次回波属性识别植被区域；

c、于纹理信息(信息熵)识别植被区域；

这三种方法中的任意一种或任意几种同时使用进行。

进一步的，所述的S3步骤中，在通过高程信息熵进行统计对当前网格中的植被与地表建筑进行区分时，通过计算高程信息熵之间的高程差△H进行识别判定。

进一步的，所述的概率分配函数m的表达式为：

其中：P_i(x)：数据源的概率量；

P1：小概率阈值；

P2：大概率阈值，且0≤P1＜P2≤1；

x1、x2：数据源输入参数阈值，且x2>x1。

本发明与其他分类方法相比，此方法结合机载激光点云和航空影像主被动遥感数据，尽可能融合更多有效的特征进行地物分类，并结合模糊证据理论方法对多源特征进行融合，得出每种地物的最终联合概率，从而可以有效地提高地物分类的精度。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明方法流程图；

图2为最邻近内插方法获取网格的值的具体方法流程；

图3为本发明德国法伊英根区域的植被区域识别图，其中(a)某区域激光点云所对应影像；(b)激光点云内插生成的DSM数据；(c)根据影像的近红外和红波段生成的植被指数；(d)根据植被指数设置阈值生成的植被区域；(e)根据DSM数据生成的高程信息熵；(f)根据植被指数和信息熵生成的植被区域；

图4为本发明德国法伊英根区域的分类结果图；

图5为本发明德国法伊英根区域的试验区样本点分布图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

实施例1

如图1—2所述的基于模糊证据理论的主被动遥感数据融合分类方法，包括以下步骤：

S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；

S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；

S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵进行统计，并根据高程信息熵进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；

S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；

S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别A_j∈S(K)，m_i(A_j)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同数据源的概率量P来计算每个类别B∈K的概率量P，从而确定出每个类别的最终概率，具体计算函数为：

其中：m(B)为概率量。

同时，所述的S2步骤中，关联函数为：

其中：L为网格间隔，即网格的空间分辨率，它的取值大小与激光点云的间隔有关，对于每个网格(i,j)内点云的分布，可以通过关联函数统计出落在网格(i,j)内的所有点，从而，利用这些点对应的高程值确定出该网格的值，同时由于激光点云的随机分布，将会导致某些网格内没有点，而某些网格内也会存在多个点，为了解决此问题，当网格内没有点时，可以通过最邻近内插方法获取该网格的值。

此外，所述的最邻近内插方法获取网格的值的具体方法为：

第一步，计算出激光点云坐标X和Y的最大值和最小值，并根据点云的间隔决定网格分辨率；

第二步，利用关联函数计算出每个激光点(X,Y)对应的网格坐标(i,j)，每个网格对应一个容器，把落在网格内激光点的序号存入容器内，并分别统计出网格内激光点的高程值；

第三步，经过以上处理以后，对于网格内没有点的网格来说，网格为空值，可以通过最邻近内插的方法获取网格值，从而可以保证激光点云的原始信息，对于大面积的网格空值，不进行内插处理。

需要特别说明的，所述的S3步骤中，对植被区域进行识别区分时，通过：

a、利用植被指数(Normalized Difference Vegetation Index,NDVI)阈值识别出植被区域；

b、基于单次回波和多次回波属性识别植被区域；

c、于纹理信息(信息熵)识别植被区域；

这三种方法中的任意一种或任意几种同时使用进行。

与此同时，所述的S3步骤中，在通过高程信息熵进行统计对当前网格中的植被与地表建筑进行区分时，通过计算高程信息熵之间的高程差△H进行识别判定。

本实施例中，所述的概率分配函数m的表达式为：

其中：P_i(x)：数据源的概率量；

P1：小概率阈值；

P2：大概率阈值，且0≤P1＜P2≤1；

x1、x2：数据源输入参数阈值，且x2>x1。

实施例2

如图1—5所示，为证明本方法的准确性和高效性，以ISPRS提供的德国法伊英根区域的机载激光雷达点云和影像数据作为实验数据为基础，对本发明进行详细说明：

S1，激光点云拼接，法伊英根区域的机载激光点云数据由徕卡公司的ALS50系统获取，视场角为45度，飞行高度为500m，总共有10条条带，条带间重叠率为30度，平均点云密度为6.7points/m2。点云数据中记录了多次回波和强度信息，由于季节的原因，树木没有那么茂盛，点云的多次回波信息较弱。在数据被公布之前，已经对原始点云数据进行了条带纠正，并消除了系统误差，经过条带纠正以后，重叠区域的点云偏差的标准差为2.9cm，ISPRS提供了5条经过条带纠正的激光点云条带。影像数据是通过RWE Power公司的Intergraph/ZI DMC传感器获取的，获取的数据总共有5个相互重叠的条带数据，包括近红外、红和绿三个波段

S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；

S3，植被区域识别，对于实验区域的激光点云数据来说，植被的多次回波现象不是很明显，利用多次回波信息不能提取出完整的植被区域，但影像数据具有近红外和红波段波谱信息，可以利用这些波段信息生成植被指数，通过设置阈值识别出植被区域，然而，影像数据A和B处所示，某些建筑物和植被的波谱信息相同，所以仅仅利用植被指数识别植被区域时，A和B处的建筑物区域也会被识别为植被区域。为了较好地识别出植被区域，可以引入信息熵，通过DSM数据的高程信息生成每个网格在某个窗口的信息熵，根据DSM数据生成的高程信息熵可以看出，A和B处的信息熵比较小，所以，可以利用植被指数和信息熵设置阈值识别出植被区域，这样，比较平坦的且与植被光谱相似的建筑物区域将不会被识别出植被区域。

在植被区域被识别出以后，为了较好地区分建筑物与相邻的植被区域，利用植被区域限制的分水岭算法对德国法伊英根区域的点云网格数据进行分割，生成最终的分割区域。

S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；

S5，证据理论分类，利用模糊证据理论对网格数据的分割区域进行分类，分为5大类：建筑物(B)、植被(V)、草地(G)、裸地(S)和水体(W)，5种数据源可以用于地物的分类。由证据理论可知，此时，集合K包含5种类别，则K的所有子集的数量为25＝32，设S(K)为其所有子集的集合，则可以计算出子集A∈S(K)的概率，从而利用联合概率量函数计算出某种类别F∈K的概率。

这5种数据源分别为：

(1)通过当前区域与其相邻区域平均高程的差值△H可以区分地面区域与非地面区域。通常地，建筑物和植被区域与其相邻区域有较大的高程差值，而地面区域与其相邻区域的高程差值较小，因此，可以根据该数据源统计出某区域为混合类别BYV的概率量为P_△H，则混合类别GYSYW的概率量为1-P_△H，P_△H为△H的递增函数；

(2)对于当前分割区域，设a₁为其相邻区域的数量，a₂为平均高程小于其平均高程的相邻区域的数量，则R＝a₂/a₁可以作为一个数据源。则设某区域为混合类别BYV的概率量为P_R，则为混合类别GYSYW的概率量为1-P_R，P_R为比值R的递增函数；

(3)植被指数(NDVI)，可以有效地识别出草地和植被区域，设某区域为类别VYG的概率量为P_N，则BYSYW为1-P_N，P_N为NDVI的递增函数；

(4)信息熵，可以有效地识别出纹理丰富的区域(植被区域V)，假设根据信息熵统计出某区域为植被区域V的概率为P_E，则为其他类别BYSYGYW的概率为1-P_E，P_E为信息熵E的递增函数；

(5)水体指数(NDWI)，可以识别出水体区域，则设某区域为水体区域W的概率为P_W，则为混合类别BYVYGYS的概率为1-P_W，P_W为水体指数NDWI的递增函数。

利用模糊理论来描述这三种数据源的概率量P_i(x)，每种数据源可以把地物分为B1和B2两大类，其中，如果某个区域的数据源输入参数x小于阈值x1，则此区域为B1的概率很小，用小概率P1来表示；而如果输入参数x大于阈值x2(x2>x1)，此区域为B1的概率则很大，用大概率P2(0≤P1＜P2≤1)来表示。例如，如果某个分割区域高程差△H小于1m，则该区域是建筑物或植被的可能性很小，如果△H大于4m，则该区域为建筑物或植被的可能性很大。在x1与x2之间，我们认为概率量不是阶跃变化的，而是在P1和P2之间平滑过渡的，因此P_△H，P_R，P_N，P_E和P_W通过以下概率分配函数公式获取：

该函数与模糊理论相比，区别在于P₁和P₂的值并不是0％和100％，而是5％和95％，主要考虑到一个数据源不可能提供100％可靠的信息，在证据理论联合概率的计算过程中，假设某两个数据源都是100％可靠的，即是互相冲突的，则联合概率量)将没有意义。

对于每个数据源，x1和x2的值如所示。虽然x1和x2都为经验值，但是它们可以适用于大部分的数据。在根据概率分配函数公式计算出每个区域不同数据源的概率量以后，可以利用联合概率量算出每个区域类别的联合概率。对于德国法伊英根区域的激光点云数据，在分类过程中，需要计算出K所有子集最终的概率量，根据建筑物、植被、草地和裸地类别的概率量对分割区域进行分类，并对分类结果进行拼接。另外，关于每个数据源的x1和x2的取值如取值表所示，可以通过选取各类地物的样本，并统计出所有样本每种数据源的取值，根据数据源的取值范围，从而能确定出x1和x2的取值：

x1和x2取值表

Parameter	△H	R	NDVI	NDWI	Entropy
						x<sub>1</sub>	0.50	0.35	0.05	0	1.20
x<sub>2</sub>	4.50	0.75	0.35	0.15	2.20

然后进行进一步的精度评价，为了对分类精度进行评价，在实验区域随机选取1586个样本点，对所选样本点的分类结果和正射影像进行对比，从而对分类结果进行精度评价。结合精度评价结果的混淆矩阵分类精度评价结果表所示，从表中结果可以看出，其中，建筑物、植被、裸地和河流的评价精度都在90％以上，河流分类精度甚至达到100％，而草地的分类精度较低，这是因为部分草地被识别为裸地(裸地和草地高程相似，被分割为同一区域)。另外，有部分建筑物被识别为裸地，主要是因为部分建筑物高度较低，且周围被植被环绕；还有部分较低的植被被识别为草地，地势较高的裸地被识别为建筑物。分类结果总体分类精度达到90.5％，kappa系数为0.87，从总体的分类精度评价结果可以看出，本文方法对实验区域可以达到较好的分类结果。

其中：

分类精度评价结果表

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的基于模糊证据理论的主被动遥感数据融合分类方法包括以下步骤：

S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；

S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；

S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵和植被指数进行统计，并根据高程信息熵和植被指数进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵和植被指数进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；

S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；

S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别A_j∈S(K)，m_i(A_j)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同数据源的概率量P来计算每个类别B∈K的概率量P，从而确定出每个类别的最终概率，具体计算函数为：

其中：m(B)为概率量。

2.根据权利要求1所述的基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的S2步骤中，关联函数为：

其中：L为网格间隔，即网格的空间分辨率，它的取值大小与激光点云的间隔有关，对于每个网格(i,j)内点云的分布，可以通过关联函数统计出落在网格(i,j)内的所有点，从而，利用这些点对应的高程值确定出该网格的值，同时由于激光点云的随机分布，将会导致某些网格内没有点，而某些网格内也会存在多个点，为了解决此问题，当网格内没有点时，可以通过最邻近内插方法获取该网格的值。

3.根据权利要求2所述的基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的最邻近内插方法获取网格的值的具体方法为：

第一步，计算出激光点云坐标X和Y的最大值和最小值，并根据点云的间隔决定网格分辨率；

第二步，利用关联函数计算出每个激光点(X,Y)对应的网格坐标(i,j)，每个网格对应一个容器，把落在网格内激光点的序号存入容器内，并分别统计出网格内激光点的高程值；

第三步，经过以上处理以后，对于网格内没有点的网格来说，网格为空值，可以通过最邻近内插的方法获取网格值，从而可以保证激光点云的原始信息，对于大面积的网格空值，不进行内插处理。

4.根据权利要求1所述的基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的S3步骤中，对植被区域进行识别区分时，通过：

a、利用植被指数(Normalized Difference Vegetation Index,NDVI)阈值识别出植被区域；

b、基于单次回波和多次回波属性识别植被区域；

c、于纹理信息(信息熵)识别植被区域；

这三种方法中的任意一种或任意几种同时使用进行。

5.根据权利要求1所述的基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的S3步骤中，在通过高程信息熵进行统计对当前网格中的植被与地表建筑进行区分时，通过计算高程信息熵之间的高程差△H进行识别判定。

6.根据权利要求1所述的基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的概率分配函数m的表达式为：

其中：P_i(x)：数据源的概率量；

P1：小概率阈值；

P2：大概率阈值，且0≤P1＜P2≤1；

x1、x2：数据源输入参数阈值，且x2>x1。