LiDAR數據的特征提取與智能分類研究.pdf

1、地球表面各種地理現象或過程中垂直分布信息對于再現客觀事物、探索地表規(guī)律的有著不可替代的重要作用。機載激光雷達(LiDAR)是20世紀末才發(fā)展起來的一種直接探測地表三維信息的新型遙感測量技術。與傳統(tǒng)航空攝影測量技術相比具有精度高、高度信息顯式表達的特點。隨著LiDAR硬件技術的發(fā)展，研究人員已經不再滿足僅僅從LiDAR數據中提取高度，而希望獲得更多地面結構、性質等方面的信息；實際上，也正是LiDAR點云密度和地面反射強度接受精度的提高使L

2、iDAR也具備了這樣的工作能力?；谶@樣一個背景，論文將綜合利用這些信息來進行地面特征的識別和地物分類的問題作為了研究的主要方向。
　　 LiDAR(Light Detection And Ranging)是一種主動光學遙感系統(tǒng)，它采用近紅外波段激光測量目標和傳感器之間的距離。LiDAR數據是一種不規(guī)則的高密度離散點結構，地表特征信息特別是那些受高度控制的要素可以利用LiDAR點云(point cloud)的空間分布推求出來。因

3、此LiDAR是一種地面非高度信息隱含表達的數據。這種有別于傳統(tǒng)遙感數據特征的結構，使得利用LiDAR數據進行地面非高度的特征提取工作遇到了很大的困難，如提取土地利用、地物輪廓、地物類型等信息。為實現這些目標，需要根據LiDAR數據特點、工作目標設計出更為有效的算法與工作方式。
　　 作為研究的一個新的領域，LiDAR地面特征提取與地物分類已經逐漸引起了學術界的重視。本文第一、二章中，首先回顧了LiDAR技術系統(tǒng)地發(fā)展歷史，詳細了

4、分析了當前國內外LiDAR數據處理與特征提取的研究現狀。提出了應用人工智能技術進行LiDAR點云隱含信息挖掘和提取的思路，并分析了這種工作方向可能遇到的問題與可行的對策：1 LiDAR最初是為快速地形測量而設計的技術系統(tǒng)，而并非對地觀測系統(tǒng)。盡管LiDAR技術有很快的發(fā)展，但對地面特征提取與分類而言，LiDAR數據仍然是一個不完整證據系統(tǒng)，存在大量的不確定性。但我們可以通過LiDAR數據中的其它信息如：反射強度、點云密度、多次回波信號來

5、盡量消除這種不確定性，提高分類精度；2基于斜率閾值的點云分割技術盡管能較好的精確分割點云，但這種方法并不適合復雜地面環(huán)境條件下的地物識別、分類工作。使用高度紋理等更加模糊的測度以及引入人工智能方法開展識別和分類的工作，能更好的適應復雜地面環(huán)境和隱含信息的特征。
　　 隨后的工作也是圍繞著這兩個方面展開。第三章的研究內容集中在數據處理技術方面。改進了斜率閾值分割點云技術，并以濱岸濕地的地面環(huán)境為背景，討論了引入地面約束條件的分類方

6、案；提出了綜合應用激光反射強度、點云密度信息以及多重迭代的方法提高微地貌DEM的建模精度的工作方法。第四章討論了將分割后的矢量點云轉換為高度圖像，并進行高度紋理提取的方法。由于傳統(tǒng)的方法在保留原始點云內部結構信息的效率有限，影響到隨后的地物提取和分類工作。在這一部分中，提出了基于興趣算子的高度圖像轉換方法，最大限度的保留測點間的斜率信息，并可以用來作為信息轉換效率的一個測度；隨后討論了高度圖像的灰度共生矩陣紋理的性質，并提出了地面粗糙度

7、這個新的高度紋理。第五章、第六章分別使用了人工智能技術中的神經網絡和支持向量機隊這些紋理特征進行了分類。分別建立了BP網絡、全間隔支持向量機用于LiDAR地物分類的工作框架并進行了實驗。實驗結果表明，引入一部分地面先驗知識，并通過合理的數據處理技術和工作流程，單獨使用LiDAR數據也能實現地物識別和分類的任務；BP網絡在LiDAR分類工作中具有較好的模式識別能力，但其推廣能力較差，受工作人員經驗的影響較大；通過增加剩余變量將標準支持向量

8、機改進為全間隔計算的TM-SVM有著更好的幾何意義和推廣能力，在LiDAR地物分類任務上，其工作效率和分類精度均高于BP網絡和標準支持向量機。
　　 本文在第七章對全文的工作進行了總結：利用LiDAR高度紋理進行地物識別比直接利用離散點云提取高程變異信息更加有效；而且高程紋理所反映的地面對象特征也比離散點云的高度分布特征更為深刻和易于理解。在LiDAR地面覆蓋物分類的工作中，智能計算方法更能夠適應高度紋理的特征識別任務，并獲得較

9、高的分類精度。實驗中，TM-SVM的分類精度要高于C-SVM和BP-ANN分類器。本文所作的一些初步的工作盡管取得了一些效果，但是也注意到在一個新的領域中開展的研究，留下的問題和存在的不足還非常多，主要包括：需要較多的地面先驗知識、自動化程度不高、與其他遙感數據分類相比精度仍然偏低等。在復雜環(huán)境或用戶對地面高度變化的經驗不足的情況下，依賴人工經驗可能會引起較大的誤差。引入其它智能分類方法并發(fā)展基于對象的LiDAR高度紋理識別技術有克服上