基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

基于SLICO的无人机影像建筑物对象提取

提出一种基于超像素分割算法与随机森林算法的无人机影像建筑物提取,利用INPHO软件生成正射影像和点云数据,并用点云数据进行反距离插值运算和波段运算生成归一化数字模型(nDSM)影像。将正射影像与nDSM影像进行波段合成并仅对正射影像采用基于SLICO算法分割生成超像素,选择相应的特征利用随机森林分类器进行分类,从而得到建筑物的提取结果。研究结果表明密集的影像匹配点云生成的nDSM影像进行建筑物提取时,可有效地对农村区域和城市区域的建筑物进行提取,同时避免了面向对象方法中最佳分割尺度难以选择的问题,取得了较好的建筑物提取效果,降低了建筑物提取的成本。     

基于随机森林特征优选的冬小麦分类方法

本文基于多时相Landsat 8 OLI数据,进行综合光谱、植被指数的特征提取与特征选择的方法研究。通过分析光谱与植被指数特征时序变化,提取最佳时相光谱,构建小麦提取特征;采用基于重要性与Pearson相关性的随机森林特征选择算法优选特征。结果表明:利用优选特征分类时,总体精度为89.78%,小麦分类精度为98.33%;与优选前特征的分类结果相比,精度分别提高了2.96%、2.55%;基于重要性与Pearson相关性的随机森林特征选择提高了分类精度和分类器工作效率。     

基于体元结构车载点云行道树提取方法研究

充分挖掘车载激光扫描系统获取地物点云三维空间信息、回波强度信息,提出一种基于体元空间特征分析的行道树提取方法。首先完成原始数据预处理提取道路附属物点云数据,建立三维体元结构;以体元结构为基本单元计算体元单元中点云回波强度、曲率特征,后分析邻域范围内体元特征联系,构建体元邻域特征描述规则,提取行道树树干结构;在树干结构提取的基础上,确定行道树位置,建立冠层投影面积模型,进而提取冠层结构。实验结果提取显示：在复杂道路场景下,算法具有一定的稳健性,能够较为完整地提取道路两侧行道树信息。     

结合高分一号和LiDAR的亚热带森林 年度采伐迹地提取

利用高分一号影像结合机载LiDAR数据进行面向对象的亚热带森林年度采伐迹地分类提取。在面向对象的遥感软件Ecognition中,首先利用森林小班数据参与分割,利用小班数据的属性信息确定林地和非林地区域,在林地区域再一次进行多尺度分割,并通过ESP工具确定最佳分割尺度,通过特征表达提取对象的光谱、纹理、形状、冠层高度模型(CHM)等特征信息,通过最小冗余最大相关性(mRMR)特征选择算法提取最优特征子集,且CHM在最优特征子集中。利用随机森林(RF)分类器进行年度森林采伐迹地分类提取。年度采伐迹地提取精度达到了87%,与没有CHM特征参与分类的情况对比,提取精度提高了13%。     

多尺度邻域特征下的机载LiDAR点云电力线分类

利用机载激光雷达技术三维测量精度高且获取快速的优点进行电力线自动分类提取已成为点云数据处理与电力应用的重要领域。针对电力线分类模型的自动化和高精度需求，本文提出了基于三维多尺度邻域特征的机载LiDAR点云电力线分类提取模型框架，主要包括4个步骤：电力线候选点滤波、多尺度邻域类型选取、形状结构特征提取和支持向量机分类。通过对2个复杂城市区域的试验数据集和8种不同邻域类型的详细结果对比分析，发现基于多尺度圆球邻域形状结构特征的分类模型结果准确率、召回率和质量分别达到97%、94%和93%，同时整体处理时间在2个试验数据中分别从366、256 s减少到274、160 s。试验结果表明，该方法在多种复杂城市场景中能够实现机载LiDAR数据的电力线较高精度分类提取。     

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%。     

多尺度特征和马尔可夫随机场模型的电力线场景点云分类法

及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。     

面向对象的旱区植被遥感精细分类研究

针对旱区植被分类尺度过大、种群无法准确提取的问题,该文提出了面向对象的CFS-RF分类模型,即利用CFS算法对先验样本数据集进行特征优选,结合随机森林构建分类规则,完成分类过程。以新疆阿勒泰为研究区,利用GF-2数据,通过CFS、ReliefF两种不同特征选择方法和J48、SVM、RF 3种分类算法构造出6种面向对象分类方案来实现小尺度植被种群提取。结果表明,经过特征选择,上述分类方案的精度和效率均得到了提升。其中,CFS-RF算法最优,总体精度达到92.41%,Kappa系数为0.90,更适用于旱区植被遥感精细分类。     

融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。     

Efficient paddy field mapping using Landsat-8 imagery and object-based image analysis based on advanced fractel net evolution approach

This paper proposes an efficient paddy field mapping method using object-based image analysis and a bitemporal data set acquired by Landsat-8 Operational Land Imager. In the proposed approach, image segmentation is the first step and its quality has a serious impact on the accuracy of paddy field classification. In order to improve segmentation quality, a new segmentation algorithm based on a frequently used method, fractal net evolution approach, is developed, with improvement mainly in merging criteria. In order to automate the process of scale parameter determination, an unsupervised scale selection method is utilized to determine the optimal scale parameter for the proposed image segmentation approach. After segmentation, four types of object-based features including geometric, spectral, textural, and contextual information are extracted and input into the subsequent classification procedure. By using a random forest classifier, paddy fields and nonpaddy fields are separated. The proposed image segmentation method and the final classification result are both quantitatively evaluated. Our segmentation method outperformed two popular algorithms according to three supervised evaluation criteria. The classification result with overall accuracy of 91.00% and kappa statistic of 0.82 validated the effectiveness of the proposed framework. Further analysis on feature importance indicated that spectral features made the most contribution as compared to the other three types of object-based features.     

基于混合式特征选择的高分五号影像农田识别

精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。     

特征贡献度与PCA结合的遥感影像分类特征选择优化方法研究

面向对象遥感影像分类过程中,特征选择是保证分类精度和提高分类速度的关键因素。本文针对高分影像特征过多造成维度灾难、无法取舍有效特征导致低分类精度等问题,提出了一种基于特征贡献度与主成分分析(PCA)结合的特征选择优化方法,定量分析并提取影像特征。本文首先利用特征贡献度进行特征选择,提取有效特征;然后进行PCA变换消除特征间相互影响,降低维度,将提取的143个影像分类特征经选择与变换至20个主成分特征,最终优化的特征在神经网络(ANN)、K最近邻法(KNN)和支持向量机(SVM)三种分类实验结果中的总精度分别提高了10.56%、7.78%和6.11%,实现了较好的分类效果,说明优化的特征选择方法不仅大大降低了特征维度,减少了后端分类计算量,同时有效提高了分类精度。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

单频机载激光测深海陆回波自动分类方法EI北大核心CSCD

海陆回波分类是机载激光测深中的一项波形预处理步骤,关系着后续信号检测和点云生成的精度。针对现有海陆回波分类方法不适用于单频机载激光测深系统且自动化程度不高的问题,本文提出一种单频机载激光测深海陆回波自动分类方法:首先,通过首末回波信号检测及点位计算获得回波的点云高程特征;然后,采用高程直方图拟合的方式确定平均水面位置,依据点云高程特征判定大部分回波的海陆属性,对余下的未定回波,仅保留其中的最强信号并统一处理为单信号回波,同时提取波形的信号特征和能量分布特征,依据点云高程特征的相似性自动建立训练样本集;最后,利用支持向量机分类器实现未定回波的分类。采用国产系统Mapper5000采集的实测数据进行试验,结果表明基于首末回波点云的初分类可快速、准确地对远离海陆交界处的回波进行分类,基于波形特征的未定回波分类可在自动建立的训练样本集支持下实现海陆交界处未定回波的高精度分类。与传统方法相比,本文方法无须近红外通道波形和人工样本的辅助就可以达到较高的分类精度,其中总体分类精度可达99.82%,海陆交界处分类精度可达91.59%。     

一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。