论文部分内容阅读
目前,融合光学影像对机载LiDAR点云进行分类的方法已经得到了广泛研究,但是更多的研究重点在于融合影像的光谱特征,忽略了影像中包含的纹理信息和空间信息。然而随着摄影测量技术不断的进步与发展,通过对航空影像进行密集匹配可以得到DIM点云数据,已经有学者针对影像匹配得到的点云进行了研究,但关于机载LiDAR点云和DIM点云的融合方面的研究还比较少。为了更好地使用影像匹配生成的点云的空间信息,本文提出了一个新的框架,将机载LiDAR点云与DIM点云的特征进行融合,可以有效地提高机载LiDAR点云的分类精度。同时本文提出的分类方法仅使用样本的几何特征,所以不需要对样本中的DIM点云和机载LiDAR点云进行配准。通过改进后的多分类TrAdaboost模型可以将不同区域的机载LiDAR点云和DIM点云进行融合,降低对DIM点云测区的要求,同时可以充分利用现有的航空影像。具体的实验内容如下:(1)数据预处理。本文根据机载LiDAR点云和影像密集匹配点云的区别,利用软件对密度较大的机载LiDAR点云进行了抽稀,对杂质较多的DIM点云进行了去噪。然后利用软件对两种点云进行了分类并以此作为实验的评判标准。(2)最优特征集提取。本文在实验过程中不考虑颜色信息,仅选取了点云的多尺度几何特征用于分类。并且通过随机森林算法进行特征重要性排序,然后筛选出最优特征集。除了基于单点以外,本文还基于体素和超体素进行了点云的分割,并提取了体素和超体素的最优特征集。(3)多分类TrAdaboost模型构建。本文对传统二分类的TrAdaboost算法进行改进,使其适用于多类别的点云分类。以点、体素和超体素为单位进行三次实验,证明本文方法的有效性。本文提出的多分类TrAdaboost模型可以自动为DIM点云分配权重,实现了融合DIM点云对机载LiDAR点云分类的目的。实验结果表明,本文提出的多分类TrAdaboost模型可以有效利用DIM点云的空间信息,提高机载LiDAR点云的分类精度,在对于植被点的分类方面尤其具有优势。融合不同区域的DIM点云也能起到很好的辅助效果,主要体现在建筑物点的分类精度的提高,证明了本文提出的方法具有良好的普适性。