CN113011511A - 一种基于深度学习多光谱LiDAR数据分类的样本生成方法 - Google Patents

Abstract

本发明公开了一种基于深度学习多光谱LiDAR数据分类的样本生成方法，包括以下步骤：S1、基于最邻近搜索将多个波段的独立点云数据进行融合，得到含有多光谱信息的单一点云数据；S2、为这单一点云数据标注类别标签、划分训练集和验证集；S3、对单一点云数据进行归一化处理；S4、在归一化处理的点云数据中利用最远点采样方法和k近邻方法提取单个样本数据；整合所有单个样本数据；本发明通过最远点采样法选取种子点、k近邻方法选取近邻点，生成的样本数据既符合深度学习方法的输入要求，又能确保对数据对应区域的完全覆盖。

Description

一种基于深度学习多光谱LiDAR数据分类的样本生成方法

技术领域

本发明涉及测绘和地理信息技术领域，尤其涉及一种基于深度学习多光谱LiDAR数据分类的样本生成方法。

背景技术

随着激光雷达技术的发展，多光谱LiDAR系统不仅能够快速获取大范围测区地形表面采样点的空间坐标，而且同时可以采集到多个波段的地物光谱信息，其获取的数据是对地形表面最直接地描述和表达，为地物覆盖分类、地形测绘、变形监测和目标识别提供了新的数据源。近年来深度学习热潮，基于三维点云数据的深度学习算法也取得了一系列突破性的进展，然而，大场景多光谱LiDAR三维点云数据具有非规则化、密度不均匀以及离散性的特性，这使得直接将原始点云数据输入到深度学习模型进行端到端的分类存在一定的困难。

为了能够让基于点的深度学习方法适用于各种类型、各种场景的点云数据，通常将大场景的点云数据处理生成为点数一致的训练(测试)样本数据。目前基于深度学习LiDAR点云数据分类的样本生成方法主要有三类：1)基于FPS采样的样本生成方法。一般对点云CAD独立模型直接利用FPS进行降采样处理，从而获得具有固定数量的点集作为样本数据。该方法通常是对单个类别的降采样，很难运用到大场景的LiDAR点云数据。2)基于切块后采样的样本生成方法。将点云数据切分为若干个可重叠的三维方块，对每个三维放块随机采样固定数据量的点作为样本数据。该方法容易破坏地物的整体结构，深度学习网络模型难以有效的学习到正确的几何结构。3)基于种子点切块的样本生成方法。从数据中随机选取种子点，并以该点为中心通过切块降采样完成样本生成。该方法生成的样本数据过于冗余，过分依赖高效的计算机处理系统。

一方面，对于二维影像数据已经有了而大量深入的研究，并且有着长足的发展。但是目前研究数据正在从二维影像向三维点云的迅速发展，三维点云数据必然成为当代社会进行三维研究的必要数据。相比于二维图像，三维点云包含了更加丰富的几何、形状和结构信息，为场景理解提供了更多可能，越来越受到人们的高度重视，将在地形测绘、自动驾驶、机器人、VR/AR等领域大量应用。另一方面，深度学习作为人工智能的主流技术，已经成功地应用于解决各种二维视觉问题。然而，由于用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段，如何将大规模、高维性和非结构化的多光谱LiDAR三维点云数据放入深度学习模型中进行分类还在探索阶段。

发明内容

发明目的：为了克服现有技术的不足，本发明的目的是提供一种基于深度学习多光谱LiDAR数据分类的样本生成方法。

技术方案：本发明提出一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：

S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；

S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；

S3、使用一种各项同行归一化方法将数据归一化到(-1～1)；

S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。

进一步的，所述步骤S1具体方法如下：多光谱LiDAR系统共发射3个波段光束，获得n＝3个相应的点云数据：P1、P2、P3。

选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云，基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息l_C1，k＝1，2，…，m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息l_C2、l_C3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3。

进一步的，所述步骤S2具体包括以下分步骤：

S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息l_C1，l_C2，l_C3和标签信息τ，τ＝0，1,…，5；

S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云，即训练点云；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云，即测试点云。

进一步的，其特征在于，所述步骤S3具体包括以下分步骤：

S31、依次归一化S22划分的训练点云和测试点云，将训练和测试点云数据中所有点三维坐标中最大值(max(X_in)，max(Y_in)，max(Z_in))和最小值(min(X_in)，min(Y_in)，min(Z_in))的平均值(X_m，Y_m，Z_m)作为归一化的参考值，其构造方法如下：

S32、求取统一缩放因子δ，其中缩放因子的计算方式如下：

δ＝max{max(X_in-X_m)，max(Y_in-Y_m)，max(Z_in-Z_m)}

S33、将训练和测试点云所有点坐标(X_in，Y_in，Z_in)减去参考值(X_m，Y_m，Z_m)再除以缩放因子δ，将整个区域的点坐标缩放到(-1～1)之区间的公式如下：

其中，(X_in，Y_in，Z_in)是训练(测试)点云中所有点的三维坐标，缩放因子δ为三个维度上所有点坐标减去参考值的最大值中的最大值。

进一步的，所述步骤S4具体包括以下分步骤：

S41、设置训练点云提取训练样本时种子点数设为2000，邻近点个数设为4095；测试点云提取测试样本时种子点数设为600，邻近点个数设为4095；

S42、基于S3归一化后的点云和S41设置的样本大小，利用最远点采样方法FPS，从训练和测试点云中提取样本种子点，并利用k近邻方法KNN为每个种子点选择近邻点，从训练点云M为提取训练样本的具体步骤为，M1，M2，…，Mn为训练点云M中的点，n为点的总个数：

1)从训练点云M中任选一点Mi作为第一个种子点，通过KNN从点云数据M中寻找Mi的k个近邻点，根据S41设置，k取值为4095，将这样包含中心点Mi和近邻点的4096个点作为单个样本输出；

2)根据FPS原则，在训练点云M中计算其它n-1个点与第一个种子点Mi的距离{d₁，d₂，…d_n-1}，将最大距离对应的点Mj作为下一个种子点，并通过KNN从训练点云M中寻找Mj的k个近邻点，作为单个样本输出；

3)计算训练点云M中其它n-2个点与已选第一个种子点Mi的距离获得距离集合{d₁₁，d₂₁，…d_(n-2)1}，选择其中最小距离作为Mi到n-2个点集合的距离；计算训练点云M中其它n-2个点与已选种子点Mj的距离获得距离集合{d₁₂,d₂₂，…，d_(n-2)2}，选择其中最小距离作为Mj到n-2个点集合的距离，比较两个最小距离并将较大距离对应的点Mk作为下一个种子点，并同样通过KNN从训练点云M中寻找Mk的k个近邻点，作为单个样本输出；

4)计算训练点云M中其它n-3个点与已选第一个种子点Mi的距离获得距离集合{d₁₁，d₂₁，…d_(n-3)1}，选择其中最小距离作为Mi到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mj的距离获得距离集合{d₁₂，d₂₂，…，d_(n-3)2}，选择其中最小距离作为Mj到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mk的距离获得距离集合{d₁₃，d₂₃，…，d_(n-3)3}，选择其中最小距离作为Mk到n-3个点集合的距离，并计算上述3个最小距离的最大值对应的点Mmax作为下一个种子点，并同样通过KNN从训练点云M中寻找Mmax的k个近邻点，作为单个样本输出，依次类推，按照步骤3)-4)的选点规则选择下一个种子点和近邻点，直到选择到S41规定的2000个种子点为止，从测试点云中提取测试样本的步骤与提取测试样本相同；

S43、整合S42中所有单个样本，检查是否覆盖数据对应的区域，若完全覆盖，则整合训练区域的单个样本生成训练数据，整合测试区域的单个样本生成测试数据；若没有完全覆盖，重复步骤S42，直至所有样本完全覆盖对应的区域。

有益效果：与现有技术相比，本发明技术方案的有益技术效果是：

(1)本发明的样本生成方法不会破坏原始点云结构，为基于深度学习多光谱LiDAR数据分类提供训练样本和测试样本；

(2)本发明样本生成方法能获得多光谱LiDAR数据对应真实区域全覆盖的训练、测试数据集，有效缓解了切块方法破环地物完整几何结构的问题，提高了地物分类的精度。

附图说明

图1是本发明样本生成方法的流程图；

图2是本发明FPS选点过程中点到集合距离的示意图；

图3是本发明实施例生成的样本示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

请参阅图1，本发明公开了一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其包括以下步骤：

S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合。

多光谱LiDAR系统通过发射多个波段光束扫描地表区域采集点云数据，但所有波段光束不是同一时刻发射，且每个波段光束之间有一定的角度偏移，从而系统所获得的数据是n个相应的点云数据，Pi，i＝1，2…n。在本实施例中，多光谱LiDAR系统共发射3个波段光束：C1＝532nm，C2＝1062nm,C3＝1550nm，获得n＝3个相应的点云数据：P1、P2、P3。

选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云。基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息l_C1，k＝1，2，…，m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息l_C2、l_C3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3。在本实施例中，搜索半径根据点密度确定，单个波段的平均点密度约为3.6点/平方米，最大搜索距离设置为1.0米。

S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云。

S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息l_C1，l_C2，l_C3和标签信息τ，τ＝0，1，…，5；

S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云(训练点云)；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云(测试点云)。

S3、数据归一化，通过一种各项同性的归一化方法将数据归一化到(-1～1)。

S31、为了避免奇异样本数据导致的训练无法收敛和损失下降缓慢，需要将点云数据进行归一化处理。因此，采用一种各项性的归一化方法，避免对真实的三维激光点云数据产生结构畸变，从而保证深度学习模型可以学习到正确的地物几何形状特征。

依次归一化S22划分的训练点云和测试点云，将训练(测试)点云数据中所有点三维坐标中最大值(max(X_in)，max(Y_in),max(Z_in))和最小值(min(X_in),min(Y_in),min(Z_in))的平均值(X_m,Y_m,Z_m)作为归一化的参考值，其构造方法如下：

S32、求取统一缩放因子δ，其中缩放因子的计算方式如下：

δ＝max{max(X_in-X_m),max(Y_in-Y_m),max(Z_in-Z_m)}

S33、将训练(测试)点云所有点坐标(X_in,Y_in,Z_in)减去参考值(X_m,Y_m,Z_m)再除以缩放因子δ，将整个区域的点坐标缩放到(-1～1)之区间的公式如下：

其中，(X_in,Y_in，Z_in)是训练(测试)点云中所有点的三维坐标，缩放因子δ为三个维度上所有点坐标减去参考值的最大值中的最大值。在本实施例中，通过该方法将点云数据的几何位置信息和多波段光谱信息归一化到(-1～1)。

S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。

S41、在样本生成之前事先设置样本大小，样本大小包括单个样本的个数和单个样本中的点数，单个样本的个数对应最远点采样种子点的个数，单个样本中的点数对应k近邻方法搜寻的近邻点个数。在本实施例中，从训练点云提取训练样本时种子点数设为2000，邻近点个数设为4095；从测试点云提取测试样本时种子点数设为600，邻近点个数设为4095。

S42、基于S3归一化后的点云和S41设置的样本大小，利用最远点采样方法(FPS，Farthest Point Sampling)从训练(测试)点云中提取样本种子点，并利用k近邻方法(KNN，k-nearest neighbors)为每个种子点选择近邻点。从训练点云M为提取训练样本的具体步骤为，M1，M2，…，Mn为训练点云M中的点，n为点的总个数：

1)从训练点云M中任选一点Mi作为第一个种子点，通过KNN从点云数据M中寻找Mi的k个近邻点，根据S41设置，k取值为4095，将这样包含中心点Mi和近邻点的4096个点作为单个样本输出；

2)根据FPS原则，在训练点云M中计算其它n-1个点与第一个种子点Mi的距离{d₁，d₂，…d_n-1}，将最大距离对应的点Mj作为下一个种子点，并通过KNN从训练点云M中寻找Mj的k个近邻点，作为单个样本输出；

3)计算训练点云M中其它n-2个点与已选第一个种子点Mi的距离获得距离集合{d₁₁，d₂₁，…d_(n-2)1}，选择其中最小距离作为Mi到n-2个点集合的距离；计算训练点云M中其它n-2个点与已选种子点Mj的距离获得距离集合{d₁₂，d₂₂，…，d_(n-2)2}，选择其中最小距离作为Mj到n-2个点集合的距离，比较两个距离并将较大距离对应的点Mk作为下一个种子点，并同样通过KNN从训练点云M中寻找Mk的k个近邻点，作为单个样本输出；

4)计算训练点云M中其它n-3个点与已选第一个种子点Mi的距离获得距离集合{d₁₁，d₂₁，…d_(n-3)1}，选择其中最小距离作为Mi到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mj的距离获得距离集合{d₁₂，d₂₂，…，d_(n-3)2}，选择其中最小距离作为Mj到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mk的距离获得距离集合{d₁₃,d₂₃，…,d_(n-3)3}，选择其中最小距离作为Mk到n-3个点集合的距离，并计算上述3个最小距离的最大值对应的点Mmax作为下一个种子点，并同样通过KNN从训练点云M中寻找Mmax的k个近邻点，作为单个样本输出，依次类推，按照步骤3)-4)的选点规则选择下一个种子点和近邻点，直到选择到S41规定的2000个种子点为止。从测试点云中提取测试样本的步骤与提取测试样本相同，其距离集合中最大距离的具体表述如下：

其中，max表示选取最大距离，min表示选取种子点与点云中其他点集合的距离。

S43、整合S42中所有单个样本，检查是否覆盖数据对应的区域，若完全覆盖，则整合训练区域的单个样本生成训练数据，整合测试区域的单个样本生成测试数据；若没有完全覆盖，重复步骤S42，直至所有样本完全覆盖对应的区域。在本实施例中，通过该方法生成的单个样本如图3所示。

经过上述步骤后，即可实现一种基于深度学习多光谱LiDAR数据分类的样本生成方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：

S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；

S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；

S3、使用各项同行归一化方法将数据归一化到(-1～1)；

S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。

2.根据权利要求1所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S1具体方法如下：

多光谱LiDAR系统共发射3个波段光束，获得n＝3个相应的点云数据：P1、P2、P3；

选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云，基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息l_C1，k＝1,2,…,m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息l_C2、l_C3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3。

3.根据权利要求2所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息l_C1，l_C2，l_C3和标签信息τ，τ＝0,1,…,5；

S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云，即训练点云；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云，即测试点云。

4.根据权利要求3所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S3具体包括以下分步骤：

S31、依次归一化S22划分的训练点云和测试点云，将训练和测试点云数据中所有点三维坐标中最大值(max(X_in),max(Y_in),max(Z_in))和最小值(min(X_in),min(Y_in),min(Z_in))的平均值(X_m,Y_m,Z_m)作为归一化的参考值，其构造方法如下：

S32、求取统一缩放因子δ，其中缩放因子的计算方式如下：

δ＝max{max(X_in-X_m)，max(Y_in-Y_m)，max(Z_in-Z_m)}

S33、将训练和测试点云所有点坐标(X_in,Y_in,Z_in)减去参考值(X_m,Y_m,Z_m)再除以缩放因子δ，将整个区域的点坐标缩放到(-1～1)之区间的公式如下：

其中，(X_in,Y_in,Z_in)是训练(测试)点云中所有点的三维坐标，缩放因子δ为三个维度上所有点坐标减去参考值的最大值中的最大值。

5.根据权利要求4所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S4具体包括以下分步骤：

S41、设置训练点云提取训练样本时种子点数设为2000，邻近点个数设为4095；测试点云提取测试样本时种子点数设为600，邻近点个数设为4095；

S42、基于S3归一化后的点云和S41设置的样本大小，利用最远点采样方法FPS，从训练和测试点云中提取样本种子点，并利用k近邻方法KNN为每个种子点选择近邻点，从训练点云M为提取训练样本的具体步骤为，M1，M2，…，Mn为训练点云M中的点，n为点的总个数：

1)从训练点云M中任选一点Mi作为第一个种子点，通过KNN从点云数据M中寻找Mi的k个近邻点，根据S41设置，k取值为4095，将这样包含中心点Mi和近邻点的4096个点作为单个样本输出；

2)根据FPS原则，在训练点云M中计算其它n-1个点与第一个种子点Mi的距离{d₁,d₂,…d_n-1}，将最大距离对应的点Mj作为下一个种子点，并通过KNN从训练点云M中寻找Mj的k个近邻点，作为单个样本输出；

3)计算训练点云M中其它n-2个点与已选第一个种子点Mi的距离获得距离集合{d₁₁,d₂₁,…d_(n-2)1}，选择其中最小距离作为Mi到n-2个点集合的距离；计算训练点云M中其它n-2个点与已选种子点Mj的距离获得距离集合{d₁₂,d₂₂,…,d_(n-2)2}，选择其中最小距离作为Mj到n-2个点集合的距离，比较两个最小距离并将较大距离对应的点Mk作为下一个种子点，并同样通过KNN从训练点云M中寻找Mk的k个近邻点，作为单个样本输出；

4)计算训练点云M中其它n-3个点与已选第一个种子点Mi的距离获得距离集合{d₁₁，d₂₁，…d_(n-3)1}，选择其中最小距离作为Mi到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mj的距离获得距离集合{d₁₂，d₂₂，…，d_(n-3)2}，选择其中最小距离作为Mj到n-3个点集合的距离；计算训练点云M中其它n-3个点与已选种子点Mk的距离获得距离集合{d₁₃,d₂₃,…,d_(n-3)3}，选择其中最小距离作为Mk到n-3个点集合的距离，并计算上述3个最小距离的最大值对应的点Mmax作为下一个种子点，并同样通过KNN从训练点云M中寻找Mmax的k个近邻点，作为单个样本输出，依次类推，按照步骤3)-4)的选点规则选择下一个种子点和近邻点，直到选择到S41规定的2000个种子点为止，从测试点云中提取测试样本的步骤与提取测试样本相同；

S43、整合S42中所有单个样本，检查是否覆盖数据对应的区域，若完全覆盖，则整合训练区域的单个样本生成训练数据，整合测试区域的单个样本生成测试数据；若没有完全覆盖，重复步骤S42，直至所有样本完全覆盖对应的区域。

Images