利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

融合边折叠与平面约束的建筑物模型简化方法

针对倾斜摄影测量重建的三维建筑物模型存在三角形面元数据量大的问题，该文探索了一种基于平面结构保持的建筑物模型简化方法。使用双边滤波处理模型的三维网格，从而抑制平滑区域的网格起伏和保留过渡区域的边缘特征。在此基础上，利用区域增长法提取有效的平面结构分布。将边折叠算法和平面结构约束融合，设计边折叠运算的代价函数，以迭代的方式删除多余边，直至满足模型精简的条件。通过实测数据处理并与现有先进算法进行比较分析，结果表明，该文方法可以压缩99.5%的数据量并保持良好的建筑物结构形态，在建筑物简化建模方面具备有效性。