融合航空影像的LiDAR地物点云分类

点云滤波分类是LiDAR后续应用的基础工作,在点云滤波的基础上,以航空影像为辅助条件,结合点云高程信息,设计一套地物点云的分类方法。该方法首先融合航空影像与LiDAR数据,将对应RGB值赋予每个点,根据植被的光谱特征提取出部分植被点云;然后再根据文中定义的点云高程纹理,在剩余地物点云中提取出建筑物点,最后根据回波次数信息分离出剩余植被点,完成地物点云的分类。采用北京凤凰岭地区一组机载LiDAR数据进行实验。实验结果表明,该方法能够有效地将地物点云进行分类并且满足一定的精度要求,具有一定的实用价值。     

基于层次分析和神经网络的机载LiDAR点云分类

在机载LiDAR点云数据处理中,由于机载雷达点云数据的离散性、不确定性等原因,导致点云分类上很难得到准确的结果。针对机载LiDAR点云数据分类问题,提出了基于层次分析和神经网络的机载LiDAR点云分类方法。根据机载LiDAR点云的数据特征以及不同地物的属性,采用层次分析法赋予每个点云一个二进制信号,然后采用后向传播神经网络(BP-ANN)对机载LiDAR点云数据分类。实验表明:这种方法能够从机载LiDAR独立数据源中分类出房屋、高大的树、低矮的树、道路等地物点云。     

激光雷达点云辅助的高分影像分水岭分割方法

针对分水岭分割方法用于高分辨率遥感影像分割时过分割现象严重,且分割精度会受"同谱异物"现象的影响等问题,该文提出了一种激光雷达(LiDAR)点云辅助的高分影像分水岭分割方法,该方法利用高分影像和LiDAR点云两种数据源指导分割的进行:首先根据点云滤波结果将高分影像分为地物、地面两幅分影像进行分割合并,保证地物与非地物的正确划分;然后对过分割现象,提出了分形网格演化算法结合点云高程特征的合并准则,得到整体分割结果。实验证明该方法能有效改善"同谱异物"地类的混淆现象,可为复杂城区提供更精确的地类分割结果。     

基于机载LiDAR点云数据的高效自动分类生产技术研究

主要介绍了基于TerraSolid软件相关工具的LiDAR点云数据具体分类流程及利用比利时弗兰德斯(Flanders)约3 000 km~2LiDAR点云数据针对不同地形、地物的特点进行地面点自动分类提取实验,结合实验结果及经验,总结针对不同地形、地物的LiDAR点云数据的高效自动分类生产方式。     

车载LiDAR点云数据分割与半自动化建模方法

针对车载激光雷达(light detection and ranging,LiDAR)点云数据的不完整性问题,提出一种车载LiDAR点云数据分割以及基于分割后点云数据的半自动化建模方法。首先对点云数据进行标准格式转换及稀化;然后以不同地物的属性和几何特征为分割条件,分别建立道路、建筑物、树和路灯等附属设施的三维模型,并利用车载以及航空图像的纹理信息辅助建筑物的立面和顶面三维建模;最后以真实街景为实验区,基于拓普康IP-S2车载LiDAR点云数据,完成该街景的分割与建模。实验结果表明,该文提出的点云数据分割与街景地物重建方法比较简单,可实现道路和建筑物的半自动化分割;利用成熟的建模软件和方法,实现了建模的完整性和较强的可靠性。     

面向复杂山地的机载LiDAR与无人机影像融合应用

本文针对LiDAR点云与无人机影像数据特征的优缺点,利用LiDAR点云与无人机DOM影像融合,将影像数据光谱信息赋给LiDAR点云数据,使其不仅具备精准的空间结构信息,还能得到清晰的纹理信息。为验证融合数据应用的可行性与数据提取的准确性,对融合前后的点云数据进行地面点提取与DEM构建。试验表明：将无人机影像的光谱信息赋给LiDAR点云数据,可以实现LiDAR点云数据从四维度表达到七维度的拓展,融合后点云数据具有清晰的纹理信息,地物类型判读更加容易,地面点分离完整;通过DEM模型的对比分析,融合后点云数据构建的DEM模型表达更加接近真实地表。研究结果为多源点云数据的深化应用提供了一定的技术方法支持作用。     

一种基于空间网格的地物要素点云提取方法

LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。     

基于Landsat-8和Sentinel-1A辽东湾海冰分类研究

为研究辽东湾海冰类型特征,文中基于2016年2月9日的Landsat-8和Sentinel-1A数据,结合多光谱、归一化植被指数(NDVI)构建CART自动决策树(CART Automatic Decision Tree),并用灰度共生矩阵(GLCM)统计Sentinel-1ASAR数据的纹理信息特征,对比传统监督分类并验证两种遥感图像海冰分类精度。研究指出:对Landsat-8数据,基于CART自动决策树的分类精度最高,总精度达81.68%;而Sentinel-1ASAR数据,基于最大似然分类的总精度为73.88%,相比于CART自动决策树,其能获得更高的海冰分类精度。分析本研究可知,基于光学数据的CART自动决策树在海冰类型识别中占优,而最大似然分类在SAR数据中对海冰类型的识别度较好,本文为辽东湾海冰监测与预报提供了一种有希望的技术手段。     

辅以纹理特征的遥感影像神经网络分类

将由变差函数提取出的纹理信息与光谱信息相结合,运用神经网络方法进行分类和地物识别,并与最大似然法的分类结果进行对比分析,结果表明该方法明显提高了遥感影像的分类精度.     

多光谱激光点云卷积神经网络的地物分类研究

针对商用激光传感器Optech LiDAR Titan系统获取的多光谱激光点云数据进行地物分类试验的探索,该文提出一种基于卷积神经网络(CNN)模型的多光谱激光LiDAR点云数据地物分类方法.新数据源多光谱激光点云具有多通道和多次散射回波的典型特性,生成感兴趣的热力图,根据热力图特征值和nDSM辅助数据进行感兴趣地物分类.采用CNN模型学习结果与面向对象影像分析OBIA分类方法相结合对分类结果进行精化,并用随机采样参考点对地物分类结果进行精度评估,解决CNN模型分类的正确性和可靠性问题.实验表明,地物分类整体精度OA达到89.8％,Kappa值0.858,该方法在多光谱激光点云地物分类方面具有稳健性、有效性和通用性.     

SVM多窗口纹理土地利用信息提取技术

针对单一窗口纹理分类时地物破碎,分类精度不高等问题,提出了一种基于支持向量机多窗口纹理的遥感图像分类方法。该方法在对SPOT5遥感影像进行纹理特征提取的基础上,构建了结合多窗口纹理的SVM模型。以陕西省佛坪县长角坝乡为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与单一窗口纹理SVM分类和单元数据(光谱)SVM分类结果进行了比较分析。结果表明:多窗口纹理参与的土地利用分类总精度达到85.33%,比单一窗口纹理分类提高了13.11%,而与单元数据SVM分类相比提高了近24.10%,取得了较好的分类效果,有效地解决了单一窗口纹理分类时地物破碎、分类精度不高等问题。     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。     

一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法

利用LiDAR数据的建筑物提取存在植被点与建筑物点难以区分的问题,利用航空影像进行城区建筑物提取则无法有效剔除阴影区域植被。本文融合LiDAR和航空影像两种数据源,提出了改进顶帽变换及局部二进制模式(LBP)高程纹理分析的建筑物提取算法。首先将LiDAR数据进行规则格网化,通过改进顶帽变换提取地面数据点,然后根据航空影像计算归一化差值植被指数(NDVI)值进行植被粗提取,计算LBP高程纹理,精细区分植被点与建筑物点,最后利用形态学操作填充建筑物孔洞,以检测出的建筑物点为种子点进行区域生长,得到完整的建筑物点集合。试验基于ISPRS提供的Vaihingen数据集中复杂多植被城区场景,试验结果表明,本文算法能够有效区分植被与建筑物,实现建筑物准确提取。     

Combining QuickBird,LiDAR, and GIS topography indices to identify a single native tree species in a complex landscape using an object-based classification approach

There are now a wide range of techniques that can be combined for image analysis. These include the use of object-based classifications rather than pixel-based classifiers, the use of LiDAR to determine vegetation height and vertical structure, as well terrain variables such as topographic wetness index and slope that can be calculated using GIS. This research investigates the benefits of combining these techniques to identify individual tree species. A QuickBird image and low point density LiDAR data for a coastal region in New Zealand was used to examine the possibility of mapping Pohutukawa trees which are regarded as an iconic tree in New Zealand. The study area included a mix of buildings and vegetation types. After image and LiDAR preparation, single tree objects were identified using a range of techniques including: a threshold of above ground height to eliminate ground based objects; Normalised Difference Vegetation Index and elevation difference between the first and last return of LiDAR data to distinguish vegetation from buildings; geometric information to separate clusters of trees from single trees, and treetop identification and region growing techniques to separate tree clusters into single tree crowns. Important feature variables were identified using Random Forest, and the Support Vector Machine provided the classification. The combined techniques using LiDAR and spectral data produced an overall accuracy of 85.4% (Kappa 80.6%). Classification using just the spectral data produced an overall accuracy of 75.8% (Kappa 67.8%). The research findings demonstrate how the combining of LiDAR and spectral data improves classification for Pohutukawa trees.     

基于资源一号02C卫星数据的面向对象的森林植被分类

资源一号02C卫星是我国自主研发的高分辨率卫星。利用面向对象的信息提取技术,开展基于资源一号02C高分辨率数据的林区植被分类,具体分为三个步骤:1)对影像进行多尺度分割,获取最优尺度;2)根据各类地物特点及相互间关系,建立地物类型层次;3)结合光谱、纹理、形状多种对象特征,进行地物分类。以广西猫儿山自然保护区为例,根据区内地物特点,将地物分为针叶林、阔叶林、竹林、灌丛、耕地、非植被、阴影等7种类型,经检验表明该方法总体分类精度达到82.24%,kappa系数为0.77,优于面向对象的最邻近法和基于像元的最大似然分类。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

支持向量机的建筑物激光脚点提取方法

本文提出了一种基于全色波段航空影像和激光雷达数据的建筑物检测方法.如何从激光点云数据中提取出建筑物激光脚点,是建筑物三维重建和轮廓提取的难点问题之一.植被密集区域以及与建筑物紧密相邻的树木的激光点很难与建筑物激光点区分开.本文利用支持向量机对单个激光点的特征进行两分类,特征向量包括激光点的高程、高程变化信息以及与激光点...     

地基激光雷达森林近地面点云精细分类与倒木提取

本文利用地基激光雷达实现天然林区近地面点云数据的精细分类和倒木提取。对大兴安岭天然林区的3个倒木样地进行了近地面1.3 m以内点云精细分类和倒木信息提取。为避免点云密度差异和遮挡的形态特征,点云分类时基于自适应临近搜索法计算团块协方差特征值构造3D和2D特征。使用k临近递增的团块协方差特征值得到的线性特征、面状特征和发散状特征构造最大熵函数,用最大熵函数取得最大值时的临近点云计算特征参数,根据递归特征排除法(RFE)筛选重要变量进行随机森林分类。利用自适应kNN特征得到3块研究样地(A、B、C)的分类总体精度分别为93.17%、94.52%、95.16%;固定k临近搜索时,总体精度分别为92.65%、89.09%、92.99%,表明自适应kNN搜索方法使分类精度有一定提高。提取倒木点云去噪处理后进行随机抽样一致圆柱拟合,根据轴线方向进行圆柱的筛选与合并,实现倒木的识别,样地倒木识别率为100%。     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology. However, it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points. The paper analyzes the characteristics of Laplacian of Gaussian (LoG) Filter and its potential use for structure detection in LiDAR data. A feature detection method based on LoG filtering is presented and experimented on the unstructured points. The method filters the elevation value (namely, z coordinate value) of each point by convolution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground objects/features. The experiments are carried on a point cloud dataset acquired from a neighborhood area. The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size, which specifies the local area that is analyzed.