机载LiDAR点云获取与高精度DEM建设关键技术探讨

结合广东省机载LiDAR点云获取与高精度DEM建设项目,介绍了项目总体技术路线,针对项目难点,从设备选择、点云密度设计、植被覆盖密集山区数据获取方法、点云数据分类组合算法、空白区处理等5个方面的关键技术进行了探讨,并提出解决方案,为同类项目的设计与实施提供参考。     

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。     

结合L0平滑和超像素的高空间遥感影像非监督分类

针对基于像元的非监督分类方法对高空间遥感影像分类时易形成“椒盐”噪声和产生大量错分、漏分的问题,提出了一种结合L0平滑和超像素的非监督分类方法．首先采用L0算法对高空间遥感影像进行平滑操作,减少大量图像噪声及冗余信息;然后采用简单的线性迭代聚类（SLIC）超像素方法处理平滑后图像,进一步抑制椒盐现象的同时降低处理复杂度,得到初始聚类图;最后采用K-means非监督分类方法得到最终分类结果图．为验证本文提出的方法,选取3景高空间遥感影像作为实验数据．试验结果表明,采用提出的方法能准确对地物分类,且总体精度分别达到了72.46％、77.55％和78.44％,Kappa系数分别达到0.788、0.779和0.779．提出方法能有效解决分类中存在的“椒盐”现象,可提高分类精度,对高空间遥感影像分类具有一定的参考价值．      

结合特征组与分层策略的遥感图像分类研究

针对藏南地区地表覆盖信息获取困难、生产效率低等问题,该文提出一种结合特征组与分层策略的高空间分辨率遥感图像逐层分类方法。依据地理国情普查地表覆盖信息分类标准,结合研究区遥感图像实际的地表覆盖状况,充分挖掘高空间分辨率遥感图像的地物特征信息,建立该地区地物图像特征组,并采用分层策略减弱地物间的相互影响程度,实现研究区遥感图像逐层分类。实验结果表明,文中提出的逐层分类方法能有效提高地表覆盖类别解译效率,分层成果有利于进一步的精细分类。     

特征优选下的遥感影像面向对象分类规则构建

针对分类规则及其阈值的确定主要依赖人工经验、通用性差问题,该文提出了特征优选支持的面向对象分类规则构建方法。该方法利用面向对象技术,首先使用Boruta算法对先验样本数据集进行特征选择,然后根据隶属度函数构建分类规则集,最后引入置信区间概念,确定分类规则的阈值。以德国波兹坦地区的航空影像、数字表面模型(DSM)以及地面真实参考影像为实验数据,构建城市建筑、城市绿地(包括草地和树木)这两种地类的分类规则,利用不同数量的训练样本,开展面向对象分类实验,与支持向量机(SVM)监督分类方法进行对比分析。实验结果表明,在相同的优选特征下,利用置信区间确定阈值得到的分类规则,提取效果及分类精度更好,尤其在训练样本量少的情况下,该方法得到的分类精度比SVM高30%～40%。     

公共服务电子地图瓦片分类插值重建方法研究

针对高分屏上公共服务电子地图显示出现注记模糊、线划锯齿化等问题,该文提出了一种面向高分屏的公共服务地图瓦片分类插值超分辨率重建方法。实验结果表明:所提算法不仅可以有效地改善公共服务电子地图瓦片的可视化效果,而且对瓦片访问速度的影响甚小。研究成果在不改变现有地理信息应用系统技术流程和技术架构的基础上,显著提升了公共服务地图瓦片的显示效果,具有很强的应用推广价值。方法将公共服务地图瓦片中的像素分为3类,根据像素特征选择插值方法,增加瓦片文件的像素数量,使其在高分屏上显示时,有更多的采样点,从而获得清晰、稳定的视觉效果,是一种快速、有效的提升公共服务地图瓦片显示效果的方法。     

Landsat-8监督分类器精度比较——以黄岛区为例

以2017年12月31日Landsat-8影像为数据源,因其有全色波段15 m分辨率,采用波段融合处理,提高影像处理分辨率,运用监督分类的6种分类器,比较各分类器分类结果精度,以结果的整体分类精度和Kappa系数对各分类器精度验证。其结果表明,整体分类精度和kappa系数成正比关系,6种分类器中平行六面体的分类精度最低,仅66%多,其余都在80%以上;支持向量机和最大似然分类器分类效果较好,分类结果与实际黄岛区土地利用类型吻合度较好。     

基于Network In Network网络结构的高光谱影像分类方法

为进一步提高高光谱影像分类精度,通过引入Network In Network网络结构,构建了一种新的网络模型。该网络模型能够对局部感受野内的数据进行更加抽象的建模,从而能够对影像中的空谱联合特征进行更为抽象的表达。通过在Pavia University和Indian Pines两个数据集上进行验证,实验结果表明,所构建的网络模型能够有效提高分类精度,在减少训练样本的条件下仍具有较好的分类性能。