论文部分内容阅读
本文针对多特征融合的机载LiDAR点云分类中,样本数据多和样本选取时存在误差,导致分类速度慢和分类结果精度较低的问题,提出了基于改进LBET(Learning Based on Eigenvalue Transition,LBET)和神经网络的机载LiDAR点云分类方法。该方法选取地面高度、修复后的反射强度、影像分类结果、回波信息、高程纹理共五种分类特征信息经过改进LBET模型分析生成二进制信号,获取地物标准二进制信号和模糊信号,然后使用BP(Back Propagation,BP)神经网络训练标准地物二进制信号和识别模糊信号实现点云分类。与多特征融合分类比较该方法的处理时间较快并且精度明显提高。本文的主要贡献有以下几点:(1)对点云分类特征分析和处理,反射强度受仪器和外界的影响产生错误的值,反射强度应用到点云分类中效果较差,本文根据高程和反射强度使用相似性聚类算法对点云反射强度修复,对点云的高程纹理分析上,本文使用新的方法还衡量高程纹理,对地面高度的获取上,使用点到DTM(Digital Terrain Model,DTM)的距离作为地面高度。(2)提出了改进LBET和BP神经网络融合的机载LiDAR点云分类方法。实验验证了单一神经网络和决策树模型分类的优点和缺陷。本文对两种模型的进行优化组合,根据点云分类特征信息置信区间为依据,对分类特征信息进行分割和重组,在此基础上利用BP神经网络最终完成点云分类。(3)利用Kappa系数对分类结果进行评定。通过对比多特征融合分类结果、TerraSolid分类结果及本文实验结果,验证本文分类方法的可靠性和有效性。(4)在开源点云数据处理软件CloudCompare的基础上,本文对提出的算法进行编程实现。程序的主要功能有:点云的导入与显示、反射强度的修复、点云与影像的配准融合、BP神经网络分类器等。实验结果表明,本文提出的算法能够将点云分类为高大的树、建筑物、低矮植物、裸露的地表和道路,且Kappa系数平均精度为87.3%。与多特征融合的神经网络分类方法比较,改进LBET和BP神经网络融合算法点云分类精度较高并且该方法的分类速度较快。