融合无人机LiDAR和高分辨率光学影像的点云分类方法

DOI:10.13878/https://www.wendangku.net/doc/f812520975.html,ki.jnuist.2018.01.010高仁强1一张显峰1,2一孙敏1,2一赵庆展

2融合无人机LiDAR和高分辨率光学影像的点云分类方法

摘要

点云分类是激光点云数据处理的重要环节,探索

自动二高效二高精度的点云分类方法具有重要意义.通

过分析同机获取的LiDAR点云与高分辨率光学影像

的特点,提出了融合无人机LiDAR与高分辨率光学影

像的点云分类方法.首先将LiDAR点云投影到二维平

面并构建不规则三角网模型,然后寻找同名点对完成

与光学影像的配准与融合,进而将光学影像的光谱信

息赋予无人机LiDAR点云,接着从光学影像上提取光

谱特征二从LiDAR点云上提取多尺度几何特征构建分

类特征集,进一步通过CFS特征选择算法实现特征集

的降维,最后运用随机森林分类算法实现点云分类.实

验结果表明,本文分类方法的总体精度可达89．5%, Kappa系数为0．844,与未经特征选择的分类结果相比精度提高了1．1个百分点,与单纯依靠LiDAR或者光

学影像的分类相比,精度分别提高了5．4和14．9个百

分点.本文方法不仅有效避免了基于点云属性内插构

建新的图像融合方式带来的计算误差,同时解决了单

尺度下构建几何特征时难以确定最优空间分析尺度

的问题,并且对特征集进行优化选择从而有效提高了

数据处理的效率.

关键词

高分辨率影像;LiDAR;配准融合;特

征选择;点云分类

中图分类号P237

文献标志码A

收稿日期2017-11-04

资助项目国家自然科学基金(41571331);新

疆兵团空间信息创新团队项目(2016AB001)

作者简介

高仁强,男,硕士,研究方向为3S综合应

用.rqgao@https://www.wendangku.net/doc/f812520975.html,

张显峰(通信作者),男,博士,教授,研究

方向为生态与环境遥感.xfzhang@https://www.wendangku.net/doc/f812520975.html, 1北京大学遥感与地理信息系统研究所,北

京,100871

2新疆兵团空间信息工程技术研究中心,石河子,8320020一引言

一一机载LiDAR是一种主动式对地观测系统,能快速获取大范围高密度二高精度的地表三维空间信息,可提供地物的激光反射强度信息,已在城市三维建模二数字高程模型构建二林业调查二电力选线巡线等方面得到了广泛应用[1-2],而点云分类则是这些应用的首要任务.点云分类方法可归纳为三种:一是针对特定的目标定义一套规则,然后基于规则进行目标点云的提取,如道路[3-4]二建筑物[5]二电力线[6-7]等;二是通过机器学习方法进行监督分类,如土地覆盖[8]二城市场景分类[9]等;第三就是对前两种方法进行组合.首先基于目标识别与提取的方法减少分类目标数量,然后再进行监督分类,例如先对点云进行地形滤波再进行地物分类[10-11].LiDAR数据虽然在描述地物的空间几何形态方面有着明显的优势,但由于点集离散,导致特征不明显,地物边界识别困难.因此,仅仅利用LiDAR数据实现自动精确的地物分类具有难度[12];另一方面,光学影像数据虽然缺少高程信息,但可提供丰富的地物纹理和光谱信息.因此针对这两种数据源的优缺点,将两种数据源融合以弥补各自的缺陷从而实现高精度分类是点云分类的重要研究方向之一[13].

在融合影像与激光雷达点云进行点云分类中,不少学者采取先将点云数据内插生成DSM,然后提取点或线特征与影像数据进行配准融合,再采用基于像元的图像处理方法进行分类[14-17].该方法无法克服点云内插所带来的误差影响,而且将点云的三维空间信息转为二维平面图像后提取的几何特征参数会有信息损失.此外,对于从遥感图像上提取的分类特征如果不进行优化,会造成特征的冗余甚至减弱特征集的分类能力.有学者在特征融合过程中,考虑了在三维空间上下文环境中构建几何特征参数,但仅限于单个空间分析尺度,而且对于空间分析尺度的选择主要依靠多次尝试的经验方法来确定[18-19],缺乏通用性且自适应性较弱.有学者采用面向对象的分类思想将LiDAR点云和影像数据配准融合后进行多尺度分割,然后根据对象提取分类特征变量,这样可减少对空间分析尺度的依赖,但图像分割的参数设置具有主观性,从而影响分类算法的性能和效果[10,20-23].一一一一

万方数据