CN116994029A - 一种用于多源数据的融合分类方法及系统 - Google Patents
一种用于多源数据的融合分类方法及系统 Download PDFInfo
- Publication number
- CN116994029A CN116994029A CN202310724458.0A CN202310724458A CN116994029A CN 116994029 A CN116994029 A CN 116994029A CN 202310724458 A CN202310724458 A CN 202310724458A CN 116994029 A CN116994029 A CN 116994029A
- Authority
- CN
- China
- Prior art keywords
- image
- digital
- point
- point cloud
- surface model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 43
- 230000005540 biological transmission Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000002592 echocardiography Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于多源数据的融合分类方法及系统,其中方法包括:对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;提取所述融合图像的特征向量;将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。
Description
技术领域
本发明涉及输电线路数据融合技术领域,更具体地,涉及一种用于多源数据的融合分类方法及系统。
背景技术
输电线路是电网工程的重要组成部分,它将用户、发电站、变电站以及配电设备连接为一个整体。输电线路的勘测、设计、施工、运维等阶段中,会产生大量的多源、多时态的数据作为勘测设计和运行保障的依据。主要包括勘测设计阶段的航拍数据(激光点云数据和光学航拍数据)、卫星遥感影像、点云分类数据、矢量数据等空间地理数据,也包含设计阶段的线路三维设计模型,施工阶段的施工过程数据。
通过对这些多源、多时态数据的融合分析,形成输电线路信息化全息通道,在此基础上根据需要进行多维数据分析,能够获得比各类数据独立分析更多的信息。如通过基于LiDAR和遥感影像融合的地物提取方法,可对输电线路通道内的地物进行更加准确细致的分类提取,可辅助施工招投标方案制定、辅助线路调查、输电线路通道清理、施工过程管理等工作。根据多时期的LiDAR点云数据和遥感影像,可监测输电线路沿线的地物变化情况,对于保护输电线路安全有重要作用。采用三维GIS平台,可直接管理有关杆塔以及输电线路的地理信息资料,形成一体化的数据展示方案,为使用者提供输电线路走廊的三维自然地貌和输电线路信息。
因此,需要一套具有完整流程的多源数据融合技术方案。
发明内容
本发明技术方案提供一种用于多源数据的融合分类方法及系统,以解决如何对多源数据进行融合分类的问题,实现对地物要素进行分类。
为了解决上述问题,本发明提供了一种用于多源数据的融合分类方法,所述方法包括:
对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;
对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;
提取所述融合图像的特征向量;
将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。
优选地,对点云图像进行预处理,包括:
剔除所述点云图像的噪声和异常值;
对剔除后的所述点云图像进行栅格化,获取数字表面模型DSM;
对所述数字表面模型DSM进行滤波处理,获取地面点;
对所述地面点进行插值处理,获取数字高程模型DEM;
将所述数字表面模型DSM与所述数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
优选地,对遥感影像进行预处理,包括:
对所述遥感影像进行校正,包括辐射校正和几何校正;
基于所述数字高程模型DEM对所述经过校正的所述遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
优选地,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述归一化数字表面模型nDSM生成点云密度图像,通过所述点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
其中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
优选地,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
优选地,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过所述归一化数字表面模型nDSM和所述数字正射影像DOM中提取建筑物轮廓特征线;
将所述建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对所述归一化数字表面模型nDSM和所述数字正射影像DOM进行配准。
优选地,还包括,对SVM分类模型进行训练:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
确定所述VM分类模型的核函数为径向基核函数,确定所述径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
基于本发明的另一方面,本发明提供一种用于多源数据的融合分类系统,所述系统包括:
初始单元,用于对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;
生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;
提取单元,用于提取所述融合图像的特征向量;
分类单元,用于将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。
优选地,所述初始单元,用于对点云图像进行预处理,包括:
剔除所述点云图像的噪声和异常值;
对剔除后的所述点云图像进行栅格化,获取数字表面模型DSM;
对所述数字表面模型DSM进行滤波处理,获取地面点;
对所述地面点进行插值处理,获取数字高程模型DEM;
将所述数字表面模型DSM与所述数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
优选地,所述初始单元,用于对遥感影像进行预处理,包括:
对所述遥感影像进行校正,包括辐射校正和几何校正;
基于所述数字高程模型DEM对所述经过校正的所述遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
优选地,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述归一化数字表面模型nDSM生成点云密度图像,通过所述点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
式中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
优选地,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
优选地,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过所述归一化数字表面模型nDSM和所述数字正射影像DOM中提取建筑物轮廓特征线;
将所述建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对所述归一化数字表面模型nDSM和所述数字正射影像DOM进行配准。
优选地,所述初始单元,还用于对SVM分类模型进行训练:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
确定所述VM分类模型的核函数为径向基核函数,确定所述径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
本发明技术方案提供了一种用于多源数据的融合分类方法及系统,其中方法包括:对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;提出所述融合图像的特征向量;将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。本发明技术方案解决了LiDAR点云数据与遥感影像数据在配准上存在的问题,包括点云数据特征提取,点云数据的滤波和分割技术,基于线特征的LiDAR点云数据与遥感影像的配准等。本发明技术方案在配准的基础上,对多源数据进行融合,通过融合图像对LiDAR点云中的输电线、建筑物、植被等特征地物分类和提取进行研究,以辅助输电线路工程各阶段方案的制定。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的一种用于多源数据的融合分类方法流程图;
图2为根据本发明优选实施方式的机载LiDAR点云和遥感影像的融合方法流程图;
图3为根据本发明优选实施方式的机载LiDAR点云数据预处理流程图;
图4为根据本发明优选实施方式的遥感影像预处理流程图;
图5为根据本发明优选实施方式的密度点云图像生成示意图;
图6为根据本发明优选实施方式的多重回波示意图;以及
图7为根据本发明优选实施方式的一种用于多源数据的融合分类系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种用于多源数据的融合分类方法流程图。LiDAR点云数据和遥感影像的融合一般需经过数据预处理、数据配准和数据融合三个步骤。数据处理包括点云数据的处理和遥感影像的处理。数据配准是将机载LiDAR点云数据和同区域的遥感影像数据统一到同一个的坐标系下,数据配准是多源数据融合及信息提取的关键。融合的目的是综合利用点云数据和影像数据的优势实现信息的快速、有效提取,本发明采用基于SVM进行数据的融合分类方法,主要实现输电线走廊特征地物的分类和提取。如图2所示。
如图1所示,本发明提供一种用于多源数据的融合分类方法,方法包括:
步骤101:对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和遥感影像的数字正射影像DOM;
优选地,对点云图像进行预处理,包括:
剔除点云图像的噪声和异常值;
对剔除后的点云图像进行栅格化,获取数字表面模型DSM;
对数字表面模型DSM进行滤波处理,获取地面点;
对地面点进行插值处理,获取数字高程模型DEM;
将数字表面模型DSM与数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
优选地,对遥感影像进行预处理,包括:
对遥感影像进行校正,包括辐射校正和几何校正;
基于数字高程模型DEM对经过校正的遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取数字正射影像DOM。
本发明的数据预处理分别是LiDAR点云数据预处理和航空影像预处理。机载LiDAR点云数据的预处理最重要的是滤波处理,从离散的点云中分离出地面点和非地面点,以便于后期的融合分类等处理。航空影像预处理包括消除影像几何畸变以及各种噪声的影响,并结合点云建立的DEM来制作数字正射影像DOM,以提高配准的速度与精度。通过LiDAR点云分离出的地面点生成的DEM一般具有较高的格网精度(5m),为了在三维数字地球上与较低格网精度ASTER GDEM(30m)叠加时消除边缘断裂,需要进行DEM数据融合。
本发明机载LiDAR点云数据的处理目的是获取DSM、DEM和nDSM。首先需要剔除点云数据中的噪声点和粗差,然后对预处理后的点云进行栅格化处理得到DSM;对DSM进行滤波处理可分类出地面点和非地面点,地面点经过内插可得到数字高程模型DEM,用于数字正射模型的制作。具体处理流程如图2所示。
(1)点云数据的噪声和异常值剔除
LiDAR点云数据获取过程中由于空中可能存在飞鸟等低空障碍目标,会出现极高的数据点,称为飞点;同时由于地面目标的多路径反射等因素,获取的某些数据点会明显地低于地表,称为低点。激光雷达在进行探测时不可避免地会收入这两类数据点,统称为粗差点。粗差点对于后面的数据处理会产生很大的误差,尤其是低点在进行地形建模的时候会使地表模型与实际产生很大偏差,因此在进行数据处理前需要对粗差点进行剔除。LiDAR点云数据的预处理工作便主要是实现对这些粗差点的剔除。
对于高度值和地面目标相差较大的粗差点来说,通过直方图分析设定两个高度阈值,将高于某一高度和低于某一高度的点直接进行删除。对于某些场景,比如地形起伏较大或者地面目标高度差异较大,这样的话,粗差点并不一定是全局数据中的最高和最低的一部分数据点,可能只是局部范围内的极高点和极低点,因此需要从局部范围内考虑来对这类粗差点进行剔除。具体做法就是在给定某点的X、Y平面局部邻域内,查找是否该点坐标远大于或远小于邻域内其他所有点,可以设定一个阈值条件来判断该点是否是极高点或极低点。
(2)DSM生成
经过粗差剔除的点云数据可生成两种中间产品以利于信息提取,一种是Delaunay三角网,即不规则三角网(TIN),另一种是栅格化影像产品。这两种产品都表达了2.5维的地物表面。对于机载雷达获取的点云数据,其原理是利用飞机上发射的激光,捕获地表上的物体和部分地表。在地理信息系统和遥感领域,这样的表面被称为数字表面模型(DSM)。
为了从随机点云数据中生成栅格化的DSM,需在地面坐标系(X,Y)与影像坐标系(i,j)进行转换。为了便于说明,两个系统中X和i轴同方向,而Y和j轴方向相反,式4-1表示了两种系统间的坐标转换。
点云栅格化的基本步骤描述如下:
①计算X、Y坐标的最小值和最大值。通过点云密度决定DSM的步长(step),或者称之为分辨率。步长的常用计算公式为n表示某一区域点云的平均密度。
②运用上述公式计算每一个LiDAR点,从而确定其DSM中所在位置以及它的值(称为Z值)。在这一步骤中,由于某个像元可能有多个LiDAR点,则需比较前后点的值,取最小值。
③当所有点处理完毕后,栅格化DSM中仍可能存在有空值,必须对其采用内插的方法赋值。在本文中,采用最邻近法内插避免引入新的高程值,以保证最后提取的结果的精度。但是对于大区域空值的区域,比如湖泊,则其值仍标一记为空值。
经过以上三个步骤,生成的DSM中未引入新的高程值,如此便保证高度数据的真实性,从而提高信息提取的精度。
(3)点云滤波处理
机载LiDAR点云数据是在三维空间中呈现随机分布的点云,在点云中有些点是真实地形点,有些则是人工地物(比如建筑物、桥梁、塔、车辆等)或者是自然地物(如树木、灌木等)。从激光扫描点云中区分地形点子集与地物点子集(包含人工地物与自然地物)称之为滤波。机载LiDAR点云数据与影像数据融合前,对点云数据进行滤波与分类处理是最关键的一步。
机载LiDAR点云首先通过预处理,剔出粗差后在进行滤波。目前提出了很多滤波方法,最普遍采用的是数学形态学、线性预测、渐进加密和分割四种方法。本研究采用不规则三角网迭代滤波算法来实现,该算法主要是通过少量的种子点建立一个初始TIN,然后根据待判定点与初始TIN的关系来决定是否接收其为地面点,迭代计算,不断实现TIN的加密,直到没有新的地面点添加进来。算法具体思路为:
①首先对整个测区划分格网并进行分块,然后选取局部区域内高程较低的点作为地面种子点。
②利用种子点建立初始的不规则三角网模型,计算待判定点到三角面的垂直距离d和角度α,β,γ。
③若距离和角度在给定的阈值范围内,则将待判定点划分到地面点中,重新建立TIN模型。
④不断重复上述步骤,直至所有的点都被分为地面点或地物点。
(4)LiDAR点云数据的内插与DEM的建立
原始的LiDAR点云数据虽然经过滤波处理得到地面点,但地面点数据依然是离散且呈随机分散状态分布,而且有些地方会出现点云的缺失。为了得到规则矩形格网的DEM,必须对滤波后的地面点云数据依据规则格网插值原理和方法进行加密运算。格网化是使用空间插值方法,从离散点(Xi,Yi,Zi)(i=1,2,…)产生数值格网的过程。格网化通常是一个基于临近点加权平均的过程。通用形式如下:
其中,zi是(xi,yi)处的已知值,ωi是权重,zj是位置j处估计的z值。
本发明中常用的插值方法有线性插值算法、非线性插值算法、克里金插值法、基于加权平均插值法的反距离加权插值法或距离倒数乘方法、自然临近插值法(NaN)等。这里采用反距离权重法(IDW)成DEM,该方法对地形复杂地区较合适。在IDW插值中,待求格网点的属性值通过局部邻域内所有观测数据点属性值的距离倒数加权平均得到。对机载LiDAR地面点云数据进行规则格网化处理后,点云数据由原来无规律分布转换为规则分布的矩阵形式,对后续进行LiDAR点云与影像数据生成正射影像带来便利。
(5)nDSM的生成
原始点云数据插值后生成的数字表面模型DSM与滤波后得0到的数字高程模型DEM做差值运算,得到归一化数字表面模型nDSM。归一化数宇表面模型nDSM扣除了地形起伏引起的高度变化,能够反映地表地物的真实高度。
本发明以对航空影像进行预处理的目的是获取数字正射影像DOM,在制作DOM之前需要对相机获取的数码影像进行预处理包括辐射校正和几何校正,以消除数码影像上的各种噪声与几何变形的影响,然后利用DEM将预处理后得到的航空影像生成正射影像。如图4所示。
航空数码影像处理的具体步骤如下:
(1)辐射校正
由于仪器和大气引起辐射强度的改变称为辐射畸变。辐射畸变导致获得的数码图像灰度不匀称,造成条纹和噪声。一般仪器产生的畸变由生产单位校正,而用户需要校正的是由大气引起的那部分。
(2)几何校正
搭载在飞机上的数码相机在对地面进行拍照时,数码相机受飞机飞行姿态、速度和地球曲率、地球自转的影响,使得相机与地面之间的相对位置关系发生了改变,最终获得的数码影像参照地面真实地形发生了总体变形(平移、缩放、旋转、偏扭、弯曲等综合作用)。发生几何畸变的数码影像很难再进一步进行定量处理和影像配准等操作。用户拿到数码影像之前,其接手部门已经根据一定的参数进行了首次的校正,但用户还需要基于自己的使用目的进行更进一步的几何校正处理。
(3)DOM生成
数字正射影像是利用数字高程模型DEM对数字化航空影像进行逐像元的辐射改正和镶嵌,并按国家基本比例尺地形图图幅范围裁切生成的数字正射影像数据集。DOM同时具有地图几何精度和影像特征的图像,具有精度高、信息丰富、直观真实等优点。数字正射影像图的制作,一般是通过在像片上选取一些地面控制点,并利用原来已经获取的该像片范围内数字高程模型(DEM)数据,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。
步骤102:对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像;
优选地,对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于归一化数字表面模型nDSM生成点云密度图像,通过点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
其中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
优选地,对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
优选地,对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过归一化数字表面模型nDSM和数字正射影像DOM中提取建筑物轮廓特征线;
将建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对归一化数字表面模型nDSM和数字正射影像DOM进行配准。
本发明由于机载LiDAR和对应的遥感影像没有统一的坐标系统,所以在进行数据融合之前,首先要对两者进行精确的匹配,获得地学编码影像。对于遥感影像的配准来说,所有的配准基元是在二维环境下量测的,而在LiDAR数据中,配准基元则是在三维环境下量测出来的。因此配准变换模型就是要建立两种情况下配准基元的关系表达式。目前主要的配准变换模型可以分为三类:2D-2D、2D-3D、3D-3D。其中2D-2D变换模型主要适用于影像数据之间的配准,而2D-3D、3D-3D变换模型均可应用于点云与影像的配准。
本发明通过在LiDAR点云和影像之间寻找同名特征实现配准,通过分析机载点云的数据特点,发现机载点云数据中的垂直于飞行方向的建筑物立面也存在一定数量的点,通过投影的方式可以得到准确的建筑边界线。同时提取航空影像的建筑物边界线,从而对基于两种数据所提取出来的线特征进行影像与点云数据的配准。具体配准步骤如下:
(1)点云密度图像的生成及建筑轮廓线提取
对于机载点云数据点集P={x1,x2,…,xn},n为该点集的总个数,投影生成密度图像过程如下:遍历点集,找到x、y方向的极大和极小值,用xmax、xmin和ymax、ymin表示。
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定。W通过xmax和xmin的差值确定。对该矩形进行再划分,使之成为a行b列的格网阵列。对每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j (4-6)
形成这些格网结构后,所有的点都将落入某个单元格内。对于点通过下式计算其所在的单元格:
式中int[]表示取整函数。有点落入的单元格将记录所有落入该单元格的点号。对于有多个点落入的单元格,标记为1,对于只有单点及无点落入的单元格标记为0,每个单元格如同一个像素,0和1表示该像素的值。经过上述操作,便形成了点云密度二值图像,如图5所示。
在生成平面栅格数据时,单元格尺寸的选择非常重要。本项目设计的单元格尺寸大小为:
式中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5。得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,得到机载点云的部分建筑物轮廓特征线。
本发明基于线特征的影像和点云配准,本发明采用相似性变换模型进行航空影像与机载点云的配准,但机载数据的特点导致通过手动选取同名点将航空影像和机载点云配准到同一坐标系下的方法将产生一定的误差。通过从机载LiDAR点云及航空影像中提取建筑物轮廓线,将轮廓线规则化得到拟合成直线段的建筑物轮廓边,以两相邻且垂直的轮廓边相交得到建筑物的角点。通过直线相交的方法可以减小手动选取特征角点而带来的误差,大大提高影像和点云数据的配准精度,选取同名角点时,应选取足够的同名角点控制配准区域,以减少配准的畸变差,根据建筑的同名角点实现机载点云和航空影像的配准,为点云中通过两相邻且垂直的轮廓边相交得到建筑的角点PA的二维坐标,/>为从影像中得到的建筑同名角点PI的二维坐标,因而利用点云和影像中提取的同名点集配准所涉及到的水平变换参数为:
上式中,μ为旋转参数,Δx、Δy为平移参数。
步骤103:提取融合图像的特征向量;
本发明使用的航空影像为经过处理后的正射影像,采用LSD法提取航空影像的直线特征,相对于利用canny算子提取特征线的方法,本发明提取线特征的速度快,漏检现象少。为准确地探测航空影像的建筑直线特征,减少直线的割裂现象,对影像提取的特征线进行优化,步骤为:①利用LSD算法提取影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;②选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;③计算每一条线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条线段;④对保留的线段进行进一步优化,计算平行线段间的垂直距离,对于两条线段垂直距离小于阈值di的,以其中一条边为基准将另一条边投影至该边方向上。
步骤104:将提取出的特征向量作为SVM分类模型的输入,通过SVM分类模型对特征向量进行分类,获取地物分类。
优选地,还包括,对SVM分类模型进行训练:
将融合影像分为训练样本和测试样本,并分别对训练样本和测试样本进行特征提取;
确定VM分类模型的核函数为径向基核函数,确定径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
本发明基于SVM的机载LiDAR点云和航空影像的融合分类的基本流程如下:
(1)数据准备。将正射影像DOM和nDSM作为初始实验影像,然后采用波段合成工具把初始影像合成为具有高程信息及真彩色信息的影像,该合成影像具有4个波段,即RGB三个波段和高程灰度图像波段;
(2)SVM分类准备。SVM分类之前需要进行两步工作:
①样本数据采集;
②核函数选取和参数寻优;
(3)SVM分类。
(4)测试评估。
本发明首先在融合影像中分别采集用于训练和测试的样本数据。在输电线走廊中关心的地物主要是建筑物和树木,这里分别采集一定量的建筑物和树木的样本数据,并将样本数据分为训练样本和测试样本两部分。样本选择时要尽量选取具有代表性的数据,以便于对数据特性进行准确的描述。
本发明要实现机载LiDAR点云数据和遥感影像数据的融合分类,以得到较高的分类精度,从模式识别的角度来看必须首先解决两种数据源的特征提取与选择问题。可以看到,特征提取与选择是融合分类过程中的关键一环。特征选择就是根据不同的类型模式选择不同的特征向量作为分类器的输入变量,从而达到减小数据量、降低数据分析的复杂度、提高分类的精度和效率的目的。对于本发明理想的特征选择器应能详细记录对进行地物识别起决定性作用的机载LiDAR点云数据特征以及遥感影像特征。本发明对LiDAR点云数据采用直接特征提取,对遥感影像采用光谱和纹理特征提取。
(1)LiDAR特征提取
LiDAR点云数据中的高程、多重回波和强度信息直接与LiDAR系统的硬件性质相关联,通常可以从点云数据中直接提取(如LAS格式)。从点云中提取特征的思路大致是将点云中逐点提取到的特征的值经过内插以后直接由256级灰度图像显示,即点云的栅格化。图像大小由点云的边界坐标MinX,MinY,MaxX,MaxY确定,分辨率保持与融合的遥感影像一致,采用最邻近算法插值,即某个像素的灰度值由距离其最近的激光点的特征值来代替,特征值与灰度值的转化关系如下公式:
1)点云直接特征提取
①归一化高度特征的提取
本发明归一化高度描述的是地物相对于地表而言的绝对高度。机载LiDAR系统获取到的数据是地球表面的高程信息,即数字地表模型(Digital Surface Model,DSM)。DSM中包含了地面点以及非地面点,并不能直接反映地物的绝对高度特征。因此,首先需要用滤波方法将地面点与非地面点进行分离。基本思路是采用形态学滤波的方法生成DEM,然后计算DSM与DEM的差异模型,即可获得归一化高度。如公式所示:
nDSM(x,y)=DSM(x,y)-DEM(x,y) (4-11)
②多重回波特征的提取
当激光脚点遇到多重表面时,一条脉冲就会产生多重回波。现代的机载LiDAR系统能同时记录脉冲的四次回波信息。所记录的首次、末次或者中间的回波号信息都与某一特殊的表面有着直接的关系。多重回波示意图如图6所示。
本发明中可用作回波特征的主要有回波数(NR)与回波号(RN)。大多数激光脚点记录的是单次回波,主要由地表、屋顶以及其他不可穿透的物体产生。
多重回波往往是由高植被产生的,通过确定每个点的回波数,可以确定高植被点的分布区域。但是由于有些不连续的表面以及一些可穿透性的目标也可以产生大于一次的回波数,所以也有可能来自建筑物的边缘或者地表。
而对于回波号而言,首次回波通常是由树木、建筑物的边缘、电力线引起的,末次回波通常是由树下地表(也有可能是具有茂密树叶的树木内部)、紧挨着建筑物的边缘的地表、或者较低的不连续表面的屋顶。而中间的回波主要是在树内部产生。因此,根据NR和RN特征生成的灰度图像中,高植被以及建筑物边缘部分通常具有较亮的灰度值。因为这些区域能够产生较大的回波数以及回波号。
③强度特征的提取
机载LiDAR系统不但能够提供激光脚点的高程及回波数量信息,还能同时提供激光脉冲的回波强度信息。当激光落在不同的物体表面时,由于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和波长等条件的不同,其反射的强度值会有很大的差别。结合LiDAR的高程和强度信息甚至单独使用强度信息就能够区分具有明显不同反射率的地物,如树木、房屋、草地、道路等。表4-1列出了一些常见的介质对0.9μm的激光脉冲反射率。
激光回波强度与多种因素有关,在每次飞行时需要对强度信息进行标定。对于不同的机载LiDAR系统、不同的飞行高度及天气状况,激光散射回波强度系数会有较大的差异,所以强度信息具有不稳定性,加之建筑物和道路由于其表面的材质并非唯一,将会导致较大的强度差异,无疑增加了地物识别与提取的难度,因此单独利用强度这一特征无法完成更精确地分类。
表4-1不同介质对激光的反射率
2)点云间接特征提取
点云数据的直接特征(强度、回波等)可以用单点的属性值来表示,而间接特征是指以局部邻域统计特征来表示的单点特征。在提取不同的间接特征时对“局部邻域”的定义也是不同的,其中一部分是由“矩形或者圆形窗口”来定义的,而另一部分则是由“K近邻”的概念来定义。本发明利用高程变化和高程差来描述高程纹理,两者均是以“窗口”作为局部邻域的统计量。局部几何特征是以“K近邻点”为基础,通过法向量估计求解得到的。
①高程纹理
本发明在机载Li DAR点云数据中,不同地物或者同一地物不同的区域,其局部由于高程变化而形成的高程起伏称作高程纹理,它是识别地物的重要特征。这里通过高程标准差(HSTD)和高程差(HD)来描述高程纹理特性。HSTD是机载LiDAR点云数据最为重要的特征之一。它可以有效地量化点与点之间的高程变化差异,反应的是局部邻域内点云的高程变化率。通常情况下,高植被、电力线以及建筑物的边缘以及其它能够被激光脉冲穿透的地物在局部邻域内产生的HSTD较大,而地表面或者建筑物的表面产生的HSTD较小。HSTD的计算比较简单,如下式:
高程差(HD)与高程标准差(HSTD)的原理及作用相类似,但两者的计算方法完全不同。HD是在局部邻域内计算点云高程最高点与最低点之间的差异。与HSTD相比,它对地物粗糙度的描述不如前者细腻。但是该特征对于高植被、建筑物的边缘以及其它可穿透性地物还是有较高的敏感性,可与HSTD一起构成描述点云高程变化的特征。此外,HD也可以通过计算点云的首末次回波高度差来实现。HD的两种计算方法分别如下:
HD=Hmax-Hmin (4-13)
HD=HFR-HLR (4-14)
其中FR和LR分别表示首次回波和末次回波。
②局部几何属性
局部几何属性估计是描述点云数据中地物三维表面特性的重要变量之一。
曲率(Curvature,C)是反应局部曲面上某处变化剧烈程度的量。
规则性(Regularity,RL)通过计算样本点p与其质心点的距离得到,即:
一致性(Consistency,CON),用法向量与x,y平面的夹角来定义点云空间分布的一致性,
平整性(Evenness,EVE)平整性和曲率类似,也是另一种估计曲面变化剧烈程度的量度。
分布性(Distribution,DIS)对C进行分析,求得C的特征值计算张量的全方差变量,该变量反应的是点云法向量的变化程度,即点云法向量的分布特性,比如建筑物顶部的点云法向量变化程度小于植被冠层,计算公式为
本发明将几何特征(即C、RL、CON、EVE、DIS)加入特征向量参与分类以进一步提高点云和影像数据的分类精度。
3)遥感影像特征提取
尽管机载LiDAR系统能够直接获取目标空间的三维点云来获取空间信息,但地物表面的语义信息(材质和结构等)却无法从点云数据中直接获取,导致地物的形体信息以及拓扑关系提取难度加大。而随着航空航天遥感技术的发展,获取到的高分辨率影像具备丰富的光谱和纹理信息,大大提高了对地物目标的识别和解释能力。因此,从遥感影像中提取具有代表性的光谱特征和纹理特征,融合辅助LiDAR数据以提高点云中地物的分类精度并准确提取地物信息是一个理想的方案。
①光谱特征提取
多光谱影像的光谱特征包括各个波段像素值的亮度信息以及由波段之间的运算生成的衍生信息。对于低空航空遥感影像获取的RGB真彩色影像和IR-R-G彩红外影像,最直接的光谱特征分别来自红(R)、绿(G)、蓝(B)以及近红外(IR)等波段的像素值。除此之外,还可以将局部领域内的像素值的统计信息作为光谱特征加入到特征向量中参与分类。本发明提取了R(红波段)、G(绿波段)、B(蓝波段)、IR(红外波段)、RM(红波段均值)、GM(绿波段均值)、BM(蓝波段均值)、IRM(红外波段均值)、RD(红波段方差)、GD(绿波段方差)、BD(蓝波段方差)、IRD(红外波段方差)等12个直接的光谱特征。为避免相似特征重复提取,局部领域的窗口大小选择为3x3。
本发明除了直接的光谱特征,还可以对波段进行运算以得到更多的信息。植被在地表占有很大的比例,是遥感影像分类和提取中的主要研究对象。遥感影像中的植被信息是通过绿色植被的叶子和冠层的光谱特征变化来反映,不同的光谱波段所获得的植被信息与植被的不同要素或者某种状态有着不同的相关性。研究表明,可见光中的绿色波段(0.52~0.59)对区分植被的类别敏感。红光波段(0.63~0.69)对植被覆盖度、植被的生长状况敏感。通过分析大量的实测地物光谱,发现大多数地物在可见光区域的光谱反射特性差异不大,但是到了近红外光区(0.74~0.90),各地物要素之间的反射率差异增大,尤其是绿色植物和水体。但是仅依靠对各别波段来提取信息具有很大的局限性,因此,常常采用多光谱数据中的某些波段之间加、减、乘、除等线性或者非线性运算的方式来对植被进行分析。
本发明采用归一化植被指数(Normalized Difference Vegetation Index,NDVI)作为间接光谱特征提取。具体公式如下:
NDVI=(DNNIR-DNR)/(DNNIR+DNR) (4-15)
DNNIR和DNR分别表示地物在近红外波段和红波段处的反射率的值。
NDVI能够部分消除与太阳高度角、卫星观测角、地形、云影等与大气条件有关的辐射变化的影响。其值域为[-1,1]。负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,DNNIR和DNR近似相等;正值表示有植被覆盖,且随覆盖度增大而增大。
②纹理特征提取
本方案采用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)对高分辨率遥感影像中的纹理特征进行提取。
在二维数字影像中,相隔某一距离的两个像素,它们具有相同或者不同的灰度级。GLCM方法就是从影像f(x,y)上灰度值为Zi的像素出发,统计与距离为δ灰度值为Zj的像素f(x+Δx,y+Δy)同时出现的概率p(Zi,Zj,δ,θ),如下所示,为GLCM的数学公式表达:
x=0,1,2,…,Nx-1 (4-17)
y=0,1,2,…,Ny-1 (4-18)
从GLCM中可以提取描述纹理特征的测度。本发明选择变异系数(V)、角二阶矩(ASM)、信息熵(ENT)、同质性(H)这四个测度。它们的计算方法如下:
本发明SVM核函数的选取包括:
用支持向量机对影像进行分类首先需要一个核函数类型,然后确定核函数的参数和惩罚因子。由于核函数的选择对分类结果的影响较大,因此,核函数的选择比较重要。SVM的推广能力就是学习机器对分类样本进行预测时的分类性能,选取合适的核函数的目的就是要使支持向量机有更好的推广能力,同时又使支持向量的个数尽可能少。为了提高SVM的推广能力,必须选择合适的核函数,常用的核函数包括局部核和全局核,局部核有径向基核、KMOD核等,全局核有线性核、多项式核和Sigmoid函数等。
本发明采用径向基核函数(Radial Basis Function,RBF)作为SVM分类的核函数,径向基核函数又称为高斯核函数。它能很好的处理样本为非线性的情况,而且可以视线性核函数为其特殊情况。它与多项式核相比具有参数少的优点,RBF核函数的值在0到1之间,而多项式核函数的值可以无限大。RBF的表达形式以及对应的RBF-SVM判别函数为:
(2)核参数及惩罚因子的选取
对于RBF核函数,其参数(Gamma)及惩罚因子(C)是影响SVM分类性能的关键,对训练效果影响最大就是核函数参数,选取合适的核参数及惩罚因子是应用支持向量机解决影像分类问题的重点和难点。采用RBF核函数将多类分类问题转换到高维空间,必须确定合适的参数和惩罚因子。
本发明使用LibSVM工具包来获取RBF核函数最优的核函数参数和惩罚因子。LibSVM的输入数据有严格的格式,在进行SVM计算之前必须对数据样本文件进行转换,变为LibSVM输入数据的格式。然后在LibSVM工具箱中使用交叉验证和网格搜索的方法寻求最优参数。
本发明利用最优参数对整个训练集进行训练,获取支持向量机模型。然后利用测试数据对得到的模型进行测试,验证模型的有效性。最后利用该模型对融合影像进行分类,获取输电线走廊的分类地物要素。
图7为根据本发明优选实施方式的一种用于多源数据的融合分类系统结构图。如图7所示,本发明提供一种用于多源数据的融合分类系统,系统包括:
初始单元701,用于对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和遥感影像的数字正射影像DOM;
生成单元702,用于对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像;
提取单元703,用于提取融合图像的特征向量;
分类单元704,用于将提取出的特征向量作为SVM分类模型的输入,通过SVM分类模型对特征向量进行分类,获取地物分类。
优选地,初始单元701,用于对点云图像进行预处理,包括:
剔除点云图像的噪声和异常值;
对剔除后的点云图像进行栅格化,获取数字表面模型DSM;
对数字表面模型DSM进行滤波处理,获取地面点;
对地面点进行插值处理,获取数字高程模型DEM;
将数字表面模型DSM与数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
优选地,初始单元701,用于对遥感影像进行预处理,包括:
对遥感影像进行校正,包括辐射校正和几何校正;
基于数字高程模型DEM对经过校正的遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取数字正射影像DOM。
优选地,生成单元702,用于对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于归一化数字表面模型nDSM生成点云密度图像,通过点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
式中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
优选地,生成单元702,用于对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
优选地,生成单元702,用于对归一化数字表面模型nDSM和数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过归一化数字表面模型nDSM和数字正射影像DOM中提取建筑物轮廓特征线;
将建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对归一化数字表面模型nDSM和数字正射影像DOM进行配准。
优选地,初始单元701,还用于对SVM分类模型进行训练:
将融合影像分为训练样本和测试样本,并分别对训练样本和测试样本进行特征提取;
确定VM分类模型的核函数为径向基核函数,确定径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
本发明优选实施方式的一种用于多源数据的融合分类系统与本发明优选实施方式的一种用于多源数据的融合分类方法相对应,在此不再进行赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (14)
1.一种用于多源数据的融合分类方法,所述方法包括:
对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;
对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;
提取所述融合图像的特征向量;
将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。
2.根据权利要求1所述的方法,对点云图像进行预处理,包括:
剔除所述点云图像的噪声和异常值;
对剔除后的所述点云图像进行栅格化,获取数字表面模型DSM;
对所述数字表面模型DSM进行滤波处理,获取地面点;
对所述地面点进行插值处理,获取数字高程模型DEM;
将所述数字表面模型DSM与所述数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
3.根据权利要求2所述的方法,对遥感影像进行预处理,包括:
对所述遥感影像进行校正,包括辐射校正和几何校正;
基于所述数字高程模型DEM对所述经过校正的所述遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
4.根据权利要求1所述的方法,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述归一化数字表面模型nDSM生成点云密度图像,通过所述点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
其中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
5.根据权利要求1所述的方法,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
6.根据权利要求1所述的方法,所述对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过所述归一化数字表面模型nDSM和所述数字正射影像DOM中提取建筑物轮廓特征线;
将所述建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对所述归一化数字表面模型nDSM和所述数字正射影像DOM进行配准。
7.根据权利要求1所述的方法,还包括,对SVM分类模型进行训练:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
确定所述VM分类模型的核函数为径向基核函数,确定所述径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
8.一种用于多源数据的融合分类系统,所述系统包括:
初始单元,用于对机载激光雷达LiDAR点云图像与遥感影像进行预处理,分别生成所述机载激光雷达LiDAR点云图像的归一化数字表面模型nDSM和所述遥感影像的数字正射影像DOM;
生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像;
提取单元,用于提取所述融合图像的特征向量;
分类单元,用于将提取出的所述特征向量作为SVM分类模型的输入,通过所述SVM分类模型对所述特征向量进行分类,获取地物分类。
9.根据权利要求8所述的系统,所述初始单元,用于对点云图像进行预处理,包括:
剔除所述点云图像的噪声和异常值;
对剔除后的所述点云图像进行栅格化,获取数字表面模型DSM;
对所述数字表面模型DSM进行滤波处理,获取地面点;
对所述地面点进行插值处理,获取数字高程模型DEM;
将所述数字表面模型DSM与所述数字高程模型DEM作差值运算,获取归一化数字表面模型nDSM。
10.根据权利要求9所述的系统,所述初始单元,用于对遥感影像进行预处理,包括:
对所述遥感影像进行校正,包括辐射校正和几何校正;
基于所述数字高程模型DEM对所述经过校正的所述遥感影像经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
11.根据权利要求8所述的系统,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述归一化数字表面模型nDSM生成点云密度图像,通过所述点云密度图像确认建筑轮廓特征线:
对于云数据点集P={x1,x2,…,xn},n为云数据点集的总个数,投影生成密度图像过程如下:遍历云数据点集,找到x、y方向的极大和极小值,分别用xmax、xmin和ymax、ymin表示;
用H和W分别表示最小包围矩形的长和宽,H通过ymax和ymin的差值确定,W通过xmax和xmin的差值确定;
对最小包围矩形进行再划分,对最小包围矩形中的每个单元格按顺序进行标记,位于第i行、第j列的单元格,其标记号为:
Id=(i-1)×W+j
确认单元格后,所有的点都将落入某个单元格内,通过计算确定点所在的单元格;每个单元格表示一个像素,用0和1表示该像素的值;
确定单元格尺寸大小为:
式中Ggridsize是每个格网的大小,α是调节因子,用于调节单元格的尺寸,其经验值为1.0至1.5;得到像素表示的轮廓后,将其转换为点表示的轮廓,并将点拟合成直线,确认建筑轮廓特征线。
12.根据权利要求8所述的系统,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,还包括:
基于所述遥感影像的数字正射影像DOM通过LSD法提取航空影像的直线特征,并将提取的每一条直线段的起点、终点、线宽、梯度角的容许值保存成二进制文件;
选取一条确定的建筑物轮廓线作为初始边,根据起点终点计算初始边的方向向量;
计算每一条直线段的方向向量,若方向向量与初始边的方向向量平行或垂直,则保留该条直线段;
对保留的直线段进行进一步优化,计算平行直线段间的垂直距离,对于两条线段垂直距离小于阈值的,以其中一条边为基准将另一条边投影至该边方向上,确定建筑物轮廓特征线。
13.根据权利要求8所述的系统,所述生成单元,用于对所述归一化数字表面模型nDSM和所述数字正射影像DOM基于线性特征进行配准,生成融合图像,包括:
通过所述归一化数字表面模型nDSM和所述数字正射影像DOM中提取建筑物轮廓特征线;
将所述建筑物轮廓特征线进行规则化,获取直线段的建筑物轮廓边;
以相邻并且垂直的两建筑物轮廓边相关得到建筑物的角点;
根据同名的角点对所述归一化数字表面模型nDSM和所述数字正射影像DOM进行配准。
14.根据权利要求8所述的系统,所述初始单元,还用于对SVM分类模型进行训练:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
确定所述VM分类模型的核函数为径向基核函数,确定所述径向基核函数的参数和和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724458.0A CN116994029A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多源数据的融合分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724458.0A CN116994029A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多源数据的融合分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116994029A true CN116994029A (zh) | 2023-11-03 |
Family
ID=88525586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310724458.0A Pending CN116994029A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多源数据的融合分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994029A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994445A (zh) * | 2024-04-03 | 2024-05-07 | 四川省医学科学院·四川省人民医院 | 一种基于栅格化的点云融合方法、系统 |
-
2023
- 2023-06-19 CN CN202310724458.0A patent/CN116994029A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994445A (zh) * | 2024-04-03 | 2024-05-07 | 四川省医学科学院·四川省人民医院 | 一种基于栅格化的点云融合方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
Yurtseven et al. | Determination and accuracy analysis of individual tree crown parameters using UAV based imagery and OBIA techniques | |
CN112130169B (zh) | 一种激光雷达数据和高光谱图像的点云级融合方法 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
Li et al. | Review of ground and aerial methods for vegetation cover fraction (fCover) and related quantities estimation: definitions, advances, challenges, and future perspectives | |
Brell et al. | 3D hyperspectral point cloud generation: Fusing airborne laser scanning and hyperspectral imaging sensors for improved object-based information extraction | |
CN114563378B (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
Trinder et al. | Aerial images and LiDAR data fusion for disaster change detection | |
Polewski et al. | A voting-based statistical cylinder detection framework applied to fallen tree mapping in terrestrial laser scanning point clouds | |
Aubry-Kientz et al. | Multisensor data fusion for improved segmentation of individual tree crowns in dense tropical forests | |
Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Salah et al. | Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images | |
Janssens-Coron et al. | Ground point filtering from airborne lidar point clouds using deep learning: A preliminary study | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
CN113989685B (zh) | 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法 | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
Tong et al. | A two-phase classification of urban vegetation using airborne LiDAR data and aerial photography | |
Liew et al. | Integration of tree database derived from satellite imagery and lidar point cloud data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |