一种基于多光谱激光雷达点云数据的建筑立体提取方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种基于多光谱激光雷达点云数据的建筑立体提取方法，属于多光谱激光雷达点云技术领域。背景技术：2.遥感场景建筑物信息自动提取是遥感应用研究中的一个热点问题，但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取十分困难。传统基于光谱图像的建筑物提取受限于成像方法的本身限制，只能提取遥感场景地物的二维平面信息，限制了其在建筑立体提取的应用。而传统lidar，则只能够提取到遥感场景的三维空间信息，缺少了光谱信息，仍然存在局限性。而联合利用光谱图像与lidar数据，虽然可以同时获取二位光谱信息和三维空间信息，但是联合利用势必会带来图像对齐困难，以及光谱失配，光谱漂移等问题，这为实际应用提出了更大的难题。3.随着超连续谱激光技术的发展，多光谱lidar从研发走向应用，使用具有多谱段信息探测能力的多光谱lidar系统，能同步获取目标的三维空间分布信息和光谱信息，为遥感场景地物空间三维精细分类提供了数据基础和信息保障。国家《民用空间基础设施中长期发展规划(2015-2025年)》将多光谱lidar列入需超前部署和发展的重点方向。多光谱激光雷达遥感地物分类工作中，在实现了观测目标三维空间-光谱一体化信息采集，从根本上解决了联合利用光谱图像和lidar数据带来的失配、漂移等问题，同时兼顾了两者之间的互补信息，为遥感场景建筑物提取工作提供了数据基础和信息保障，将大幅提高建筑立体提取的精度。技术实现要素：4.本发明要解决的技术问题是提供了一种基于多光谱激光雷达点云数据的建筑立体提取方法，以用于解决传统方法选择点云邻域时出现的不同类型的地物划分到同一邻域中导致分类失准等问题。5.本发明的技术方案是：一种基于多光谱激光雷达点云数据的建筑立体提取方法，首先提取多光谱激光雷达点云数据的维数特征，用shannon熵理论选择最优邻域，在此之上提取几何特征，用支持向量机将多光谱激光雷达点云数据分成线、面、离散三类，提取其中的2d 平面类型的多光谱激光雷达点云数据，最终通过高度和邻域方差滤波提取多光谱激光雷达点云建筑数据。6.具体步骤为：7.step1：按照光谱角筛选多光谱激光雷达点云数据，对于多光谱激光雷达点云数据中的每个点，通过设定不同的光谱角阈值，将与其光谱角小于阈值的点划入邻域。通过选取不同的光谱角阈值，为多光谱激光雷达点云中的每个点都分别取大小为10、20、50、100、150、200 个点的六个邻域作为该点的预备邻域，以便后续步骤中从预备邻域中选择出最优邻域；8.step2：对于多光谱激光雷达点云的每个点，在其step1中选取的六个预备邻域上，利用该点及其邻域点的三维坐标，构造协方差矩阵，对协方差矩阵做主成分分析，获得其在当前邻域的三个特征值，对其降序排列即为λ1、λ2、λ3。根据公式计算该点在其当前邻域的维度特征：[0009][0010][0011][0012]其中a1d为一维线状特征，a2d为二维面状特征，a3d为三维离散特征，a1d、a2d、a3d的和为1，维度特征分别代表了该点属于三种不同维度类型的概率，即点云成线状分布时a1d较大，成面状分布时a2d较大，成离散分布时a3d较大；[0013]step3：根据shannon熵理论，提取预备邻域中的最优邻域；[0014]step4：在最优邻域上重新提取多光谱激光雷达点云数据的几何特征，所述几何特征包括维度特征、表面粗糙度、平面坡度、以及强度粗糙度；[0015][0016]其中，sr为表面粗糙度，ps为平面坡度，ir为强度粗糙度；[0017]step5：将多光谱激光雷达点云数据的几何特征输入支持向量机进行分类，将其分类为一维线状线、二维面状、三维离散三种不同类别的多光谱激光雷达点云，从中提取出属于二维平面类型的多光谱激光雷达点云数据，通过高度和邻域方差滤波，剔除地面和非建筑物平面，得到多光谱激光雷达点云建筑物数据。[0018]进一步地，所述step3具体为：[0019]在step1中对每个多光谱激光雷达点云数据的点选取的不同大小的预备邻域上，分别根据其奇异分解的特征值计算维度特征，使用激光雷达点云数据的维度特征计算熵值：[0020][0021]其中，ef表示使用shannon熵理论求出熵值，表示第p个点的大小为n的邻域。[0022]对于多光谱激光雷达点云数据上的每个点都要分别通过优化器进行优化，并在最优邻域上重新代入step1中的公式计算该点的维度特征，具体为：[0023][0024]其中，表示对第p个点进行邻域优化，从预备邻域中选择出熵值最小的最优邻域。[0025]进一步地，所述step5中，提取的2d平面类型的多光谱激光雷达点云数据包括地面以及建筑物顶面及其他面中呈平面分布的多光谱激光雷达点云数据。[0026]为从中精确的获取建筑物数据，使用了高度和方差滤波，将地面等干扰信息去除，精准的提取出建筑物数据。[0027]传统的方法在选取邻域时，会出现将属于不同类型地物的多光谱激光雷达点云数据划分到同一邻域中的情况。通过本发明，在提取多光谱激光雷达点云数据之前进行最优化邻域的选取，确保了同一邻域中所包含的多光谱激光雷达数据来自同类地物，能够提高对多光谱激光雷达点云数据的分类精度，精确提取建筑物数据。[0028]本发明的有益效果是：本发明与现有技术相比，主要解决了传统方法选择点云邻域时出现的不同类型的地物划分到同一邻域中导致分类失准等现象，选择最优邻域进行特征提取，增加了分类的准确性，提高的多光谱激光雷达点云数据建筑立体提取的精度。附图说明[0029]图1是本发明的步骤流程图；[0030]图2是本发明地物场景多光谱激光雷达点云数据视图；[0031]图3是本发明经过支持向量机对多光谱激光雷达点云数据分类后的结果；[0032]图4是本发明在支持向量机中进行分类得到的分类数据；[0033]图5是本发明最终提取出的多光谱激光雷达点云数据中的建筑物。具体实施方式[0034]下面结合附图和具体实施方式，对本发明作进一步说明。[0035]如图1所示，一种基于多光谱激光雷达点云数据的建筑立体提取方法，所述方法的具体步骤如下：[0036]step1：对遥感场景提取多光谱激光雷达点云数据，如图2所示场景。按照光谱角筛选多光谱激光雷达点云数据，对于多光谱激光雷达点云数据中的每个点，通过设定不同的光谱角阈值，将与其光谱角小于阈值的点划入邻域。通过选取不同的光谱角阈值，为多光谱激光雷达点云中的每个点都分别取大小为10、20、50、100、150、200个点的六个邻域作为该点的预备邻域，以便后续步骤中从预备邻域中选择出最优邻域；[0037]step2：对于多光谱激光雷达点云的每个点，在其step1中选取的六个预备邻域上，利用该点及其邻域点的三维坐标，构造协方差矩阵，对协方差矩阵做主成分分析，获得其在当前邻域的三个特征值，对其降序排列即为λ1、λ2、λ3。根据公式计算该点在其当前邻域的维度特征：[0038][0039][0040][0041]其中a1d为一维线状特征，a2d为二维面状特征，a3d为三维离散特征，a1d、a2d、a3d的和为1，维度特征分别代表了该点属于三种不同维度类型的概率，即点云成线状分布时a1d较大，成面状分布时a2d较大，成离散分布时a3d较大；[0042]step3：根据shannon熵理论，提取预备邻域中的最优邻域，在step1中对每个多光谱激光雷达点云数据的点选取的不同大小的预备邻域上，分别根据其奇异分解的特征值计算维度特征，使用激光雷达点云数据的维度特征计算熵值：[0043][0044]其中，ef表示使用shannon熵理论求出熵值，表示第p个点的大小为n的邻域。[0045]对于多光谱激光雷达点云数据上的每个点都要分别通过优化器进行优化，并在最优邻域上重新代入step1中的公式计算该点的维度特征。[0046]具体为：[0047][0048]其中，表示对第p个点进行邻域优化，从预备邻域中选择出熵值最小的最优邻域。[0049]step4：在最优邻域上重新提取多光谱激光雷达点云数据的几何特征，所述几何特征包括维度特征、表面粗糙度、平面坡度、以及强度粗糙度；[0050][0051]其中，sr为表面粗糙度，ps为平面坡度，ir为强度粗糙度；[0052]step5：将多光谱激光雷达点云数据的几何特征输入支持向量机进行分类，将其分类为一维线状线、二维面状、三维离散三种不同类别的多光谱激光雷达点云，分类结果如图3所示，分类数据如图4所示oa为97.04％；kappa为92.69％。从中提取出属于二维平面类型的多光谱激光雷达点云数据，通过高度和邻域方差滤波，剔除地面和非建筑物平面，得到多光谱激光雷达点云建筑物数据，如图5。[0053]以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!