CN108399424A - 一种点云分类方法、智能终端及存储介质 - Google Patents
一种点云分类方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN108399424A CN108399424A CN201810115460.7A CN201810115460A CN108399424A CN 108399424 A CN108399424 A CN 108399424A CN 201810115460 A CN201810115460 A CN 201810115460A CN 108399424 A CN108399424 A CN 108399424A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud
- classification
- properties collection
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点云分类方法、智能终端及存储介质,所述方法包括:将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。本发明通过像素比较的方式提取点云的纹理属性,同时结合随机森林分类方法,采用监督分类的方式实现对点云的地物分类,对场景的适应性强,在点云地物分类中具有良好的稳定性以及高效性。
Description
技术领域
本发明涉及测绘技术应用领域,尤其涉及一种点云分类方法、智能终端及存储介质。
背景技术
LiDAR(Light Detection And Ranging,激光探测与测量)技术作为新兴的一种快速测绘手段,从上世纪70年代出现至今,已经被广泛应用于城市规划,三维建模,地形测绘、国情调查等行业中。LiDAR是利用GPS(Global Position System)和IMU(InertialMeasurement Unit,惯性测量装置)机载激光扫描,其所测得的数据为数字表面模型(Digital Surface Model,DSM)的离散点表示,数据中含有空间三维信息和激光强度信息;在使用原始数据之前的一个关键步骤就是进行点云分类,判断点云的地物属性。
传统经典的点云分类方法主要通过计算点云的几何地形特征,回波波形的结构特征等固定属性,然后选择特定的分类器进行分类,这些方法的特征属性数量往往有限,在不同的场景应用下,如果属性选择不恰当或者权重设置不合理,容易导致某些场景分类效果好,某些场景却效果不好的不适用问题。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有中特征属性数量往往有限,在不同的场景应用下,如果属性选择不恰当或者权重设置不合理,容易导致某些场景分类效果好,某些场景却效果不好的不适用问题,本发明提供一种点云分类方法、智能终端及存储介质,旨在通过像素比较的方式提取点云的纹理属性,同时结合随机森林分类方法,采用监督分类的方式实现对点云的地物分类,基于像素比较的方式获取的纹理属性数目多,训练随机森林分类模型的效果好,对场景的适应性强,在点云地物分类中具有良好的稳定性以及高效性。
本发明解决技术问题所采用的技术方案如下:
一种点云分类方法,其中,所述点云分类方法包括:
将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;
当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;
根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;
当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。
所述的点云分类方法,其中,所述将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物具体包括:
预先对点云数据进行栅格化处理,将三维激光点云数据转换成二维点云网格数据;
通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物。
所述的点云分类方法,其中,所述通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物具体包括:
采用宽度尺寸为L1的滤波窗口对图像进行开运算,并将开运算前后高差大于s×L1的点定义为地面识别物点,s为坡度阈值;
在下一次迭代中,采用宽度尺寸为L2的滤波窗口对已经滤波的图像表面再次进行开运算,同样将高差大于s×L2的点定义为地面识别物点;
直到滤波窗口大于最大滤波窗口大小N时,则迭代结束。
所述的点云分类方法,其中,所述当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集具体包括:
随机选择某像素点M个像素范围内K组像素对,进行高程比较做差求算得到纹理属性集;
采用不同窗口的开运算对点云图像进行处理后,将开运算计算的结果与原图像做差,差值作为像素点的属性值,得到形态学属性集。
所述的点云分类方法,其中,所述开运算为先腐蚀,再膨胀的处理。
所述的点云分类方法,其中,所述根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类具体包括:
根据纹理属性集和形态学属性集,随机森林分类器重抽样样本进行决策树建模,然后组合多棵决策树进行分类;
采用监督分类的方式进行分类,样本为人工交互选取,样本属性来源于纹理属性集和形态学属性集,基于样本训练的随机森林分类模型,对全图所有像素进行分类处理。
所述的点云分类方法,其中,所述样本包括:建筑物和树木。
所述的点云分类方法,其中,所述当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果具体包括:
当分类完成后得到分类结果后,设定固定距离S;
统计每个像素S领域窗口中的占最大比例的分类类别,用于消除建筑物内被识别为树木或者树木中被识别为建筑物的噪点。
一种智能终端,其中,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的点云分类程序,所述点云分类程序被所述处理器执行时实现如上所述的点云分类方法的步骤。
一种存储介质,其中,所述存储介质存储有点云分类程序,所述点云分类程序被处理器执行时实现如上所述点云分类方法的步骤。
本发明公开了一种点云分类方法、智能终端及存储介质,所述方法包括:将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。本发明通过像素比较的方式提取点云的纹理属性,同时结合随机森林分类方法,采用监督分类的方式实现对点云的地物分类,基于像素比较的方式获取的纹理属性数目多,训练随机森林分类模型的效果好,对场景的适应性强,在点云地物分类中具有良好的稳定性以及高效性。
附图说明
图1是本发明点云分类方法的较佳实施例的流程图;
图2是本发明点云分类方法的较佳实施例中步骤S10的流程图;
图3是本发明点云分类方法的较佳实施例中点云滤波处理过程中执行了5次迭代开运算之后,滤波出来的地形以及识别出的地面识别物的示意图;
图4是本发明点云分类方法的较佳实施例中步骤S20的流程图;
图5是本发明点云分类方法的较佳实施例中属性选择处理过程中高程比较做差求算像素点选取的示意图;
图6是本发明点云分类方法的较佳实施例中属性选择处理过程中不同窗口开运算处理后点云图像及与原图像之差的示意图;
图7是本发明点云分类方法的较佳实施例中步骤S30的流程图;
图8是本发明点云分类方法的较佳实施例中随机森林分类处理过程中选择的建筑物和树木样本分类结果的示意图;
图9是本发明点云分类方法的较佳实施例中步骤S40的流程图;
图10是本发明点云分类方法的较佳实施例中后处理中经过大多数分析后的示意图;
图11为本发明智能终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明较佳实施例所述的点云分类方法,如图1所示,一种点云分类方法,其中,所述点云分类方法包括以下步骤:
步骤S10、将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物。
具体过程请参阅图2,其为本发明提供的点云分类方法中步骤S10的流程图。
如图2所示,所述步骤S10包括:
S11、预先对点云数据进行栅格化处理,将三维激光点云数据转换成二维点云网格数据;
S12、通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物。
具体地,首先对点云数据(在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云,通常使用三维坐标测量机所得到的点数量比较少,点与点的间距也比较大,叫稀疏点云;而使用三维激光扫描仪或照相式扫描仪得到的点云,点数量比较大并且比较密集,叫密集点云)进行栅格化处理,将三维激光点云数据变成二维点云网格数据。在网格图像中,通过渐进式形态学滤波器进行点云滤波,找出诸如建筑物、树木、车辆等非地面目标(即地面识别物)。渐进式形态学滤波器主要是基于数学形态学方法,采用开运算对点云进行处理;开运算为先腐蚀,再膨胀的过程。
其中,腐蚀是一种消除边界点,使边界向内部收缩的过程,可以用来消除小且无意义的物体。腐蚀的算法:用3x3的结构元素,扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作如果都为1,结果图像的该像素为1,否则为0;结果:使二值图像减小一圈。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程,可以用来填补物体中的空洞,膨胀的算法:用3x3的结构元素,扫描图像的每一个像素用结构元素与其覆盖的二值图像做“与”操作如果都为0,结果图像的该像素为0,否则为1;结果:使二值图像扩大一圈。
先腐蚀后膨胀的过程称为开运算,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。
采用开运算对点云进行处理,使用渐进的滤波窗口,逐渐对地面点和地物点进行分离。首先采用宽度尺寸为L1的滤波窗口,对图像进行开运算,开运算前后高差大于s×L1的点被定义为地物点,s为坡度阈值。在下一次迭代中,滤波窗口开大到L2,对已经滤波的表面再次进行开操作,同样判断高差大于s×L2的点被定义为地物点。迭代直到滤波窗口大于指定窗口大小(N)结束。这里需要设置两个参数,分别为坡度阈值s和最大滤波窗口大小(N)。图3为执行了5次迭代开操作之后,滤波出来的地形以及识别出的地面识别物(图3的上面为每次迭代识别的地面识别物,下面为滤波后的地形)。
步骤S20、当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集。
具体的过程请参阅图4,其为本发明提供的点云分类方法中步骤S20的流程图。
如图4所示,所述步骤S20包括:
S21、随机选择某像素点M个像素范围内K组像素对,进行高程比较做差求算得到纹理属性集;
S22、采用不同窗口的开运算对点云图像进行处理后,将开运算计算的结果与原图像做差,差值作为像素点的属性值,得到形态学属性集。
具体地,此处定义两组属性集,第一组为纹理属性集,纹理属性集的构建方式为随机选择某像素点M个像素范围内K组像素对,进行高程比较做差求算。例如图5中,黑色像素点的纹理属性值为其周围随机两个像素点(灰色)的高程差,图5两种求差情形即给出了两个属性值。由于随机森林分类器的稳健性与属性数量有关,属性数量越多,随机森林分类效果更强,因此此处的像素对数目往往设置较大(>100)。
第二组为形态学属性集,采用不同窗口的开运算(先腐蚀,再膨胀)对点云图像进行处理,然后将开运算计算的结果与原图像做差,差值作为像素点的属性值。选择了多少次窗口则对应多少个属性值,图6为选择五个窗口情况下形成的属性集示意图(不同窗口开运算处理后点云图像及与原图像之差)。
步骤S30、根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类。
具体过程请参阅图7,其为本发明提供的点云分类方法中步骤S30的流程图。
如图7所示,所述步骤S30包括:
S31、根据纹理属性集和形态学属性集,随机森林分类器重抽样样本进行决策树建模,然后组合多棵决策树进行分类;
S32、采用监督分类的方式进行分类,样本为人工交互选取,样本属性来源于纹理属性集和形态学属性集,基于样本训练的随机森林分类模型,对全图所有像素进行分类处理。
具体地,基于建立好的属性集,采用随机森林分类器(利用多棵树对样本进行训练并预测的一种分类器,是一个包含多个决策树的分类器)对S10预处理识别出的地面识别物进行进一步分类。随机森林方法是一种组合分类方法,包含多个决策树,随机森林法利用重抽样样本进行决策树建模,然后组合多棵决策树的分类,最终投票得出最终的分类结果。本发明采用监督分类的方式进行分类,随机森林分类器的样本来自于从图片上人工交互选取,样本属性来源于S20所建立的属性集,基于样本训练的随机森林分类模型,进而对全图所有像素进行分类处理。图8为选择的建筑物和树木样本,以及基于此样本分类得出的结果,样本选择及分类结果:分类结果中黑色为建筑物,灰色为树木。
步骤S40、当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。
具体过程请参阅图9,其为本发明提供的点云分类方法中步骤S40的流程图。
如图9所示,所述步骤S40包括:
S41、当分类完成后得到分类结果后,设定固定距离S;
S42、统计每个像素S领域窗口中的占最大比例的分类类别,用于消除建筑物内被识别为树木或者树木中被识别为建筑物的噪点。
具体地,为进一步消除分类噪声,采用大多数分析的方式(预定分析方式的优选方式)对分类结果进行平滑处理,平滑处理是一种减少锯齿(阶梯状线条)的技术,这些线条本来应该是平滑的,出现锯齿的原因是因为屏幕显示的分辨率不够高,因而不能显示平滑线条,平滑处理用中间色调包围这些阶梯,以此减少突出的锯齿边缘,平滑处理有利于提高***性能或改进图象质量;在大多数分析中,设定固定距离S,统计每个像素S领域窗口中的占最大比例的分类类别,将该像素的类别设置为此类别;经过该项处理,将可以有效地消除建筑物内被识别为树木或者树木中被识别为建筑物的噪点。如图10所示,中间灰色的像素经过大多数分析后分类类别将改为周边占大多数的分类类别。
本发明利用像素比较的方式提取点云的纹理属性,同时结合随机森林分类方法,采用监督分类的方式实现对点云的地物分类,基于像素比较的方式获取的纹理属性数目多,训练随机森林分类模型的效果好,对场景的适应性强,在点云地物分类中具有良好的稳定性以及高效性,可以被广泛应用于电力、公路、铁路、林业、矿山、城市规划等众多点云数据挖掘领域。
本发明利用相邻像素比较求差的方式,建立点云图像的纹理属性集,同时结合一些形态学属性,采用监督分类的方式,利用随机森林分类器实现对点云的分类,具有较强的稳定性和高效性,在点云数据挖掘领域有着广泛应用前景。
如图11所示,基于上述点云分类方法,本发明还相应提供了一种智能终端,所述智能终端包括处理器10、存储器20及显示器30。图11仅示出了智能终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述智能终端的内部存储单元,例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备,例如所述智能终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据,例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有点云分类程序40,该点云分类程序40可被处理器10所执行,从而实现本申请中点云分类方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述点云分类方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行所述存储器20中点云分类程序40时实现以下步骤:
将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;
当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;
根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;
当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。
所述将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物具体包括:
预先对点云数据进行栅格化处理,将三维激光点云数据转换成二维点云网格数据;
通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物。
所述通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物具体包括:
采用宽度尺寸为L1的滤波窗口对图像进行开运算,并将开运算前后高差大于s×L1的点定义为地面识别物点,s为坡度阈值;
在下一次迭代中,采用宽度尺寸为L2的滤波窗口对已经滤波的图像表面再次进行开运算,同样将高差大于s×L2的点定义为地面识别物点;
直到滤波窗口大于最大滤波窗口大小N时,则迭代结束。
所述当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集具体包括:
随机选择某像素点M个像素范围内K组像素对,进行高程比较做差求算得到纹理属性集;
采用不同窗口的开运算对点云图像进行处理后,将开运算计算的结果与原图像做差,差值作为像素点的属性值,得到形态学属性集。
所述根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类具体包括:
根据纹理属性集和形态学属性集,随机森林分类器重抽样样本进行决策树建模,然后组合多棵决策树进行分类;
采用监督分类的方式进行分类,样本为人工交互选取,样本属性来源于纹理属性集和形态学属性集,基于样本训练的随机森林分类模型,对全图所有像素进行分类处理。
所述当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果具体包括:
当分类完成后得到分类结果后,设定固定距离S;
统计每个像素S领域窗口中的占最大比例的分类类别,用于消除建筑物内被识别为树木或者树木中被识别为建筑物的噪点。
本发明还提供一种存储介质,其中,所述存储介质存储有点云分类程序,所述点云分类程序被处理器执行时实现所述点云分类方法的步骤;具体如上所述。
综上所述,本发明提供一种点云分类方法、智能终端及存储介质,所述方法包括:将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。本发明通过像素比较的方式提取点云的纹理属性,同时结合随机森林分类方法,采用监督分类的方式实现对点云的地物分类,基于像素比较的方式获取的纹理属性数目多,训练随机森林分类模型的效果好,对场景的适应性强,在点云地物分类中具有良好的稳定性以及高效性。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种点云分类方法,其特征在于,所述点云分类方法包括:
将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物;
当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集;
根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类;
当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果。
2.根据权利要求1所述的点云分类方法,其特征在于,所述将点云数据进行栅格化处理后,通过渐进式形态学滤波器进行点云滤波获取地面识别物具体包括:
预先对点云数据进行栅格化处理,将三维激光点云数据转换成二维点云网格数据;
通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物。
3.根据权利要求2所述的点云分类方法,其特征在于,所述通过渐进式形态学滤波器对所述二维点云网格数据进行点云滤波,获取地面识别物具体包括:
采用宽度尺寸为L1的滤波窗口对图像进行开运算,并将开运算前后高差大于s×L1的点定义为地面识别物点,s为坡度阈值;
在下一次迭代中,采用宽度尺寸为L2的滤波窗口对已经滤波的图像表面再次进行开运算,同样将高差大于s×L2的点定义为地面识别物点;
直到滤波窗口大于最大滤波窗口大小N时,则迭代结束。
4.根据权利要求1所述的点云分类方法,其特征在于,所述当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集当图像进行点云滤波得到点云图像后,通过差值计算分别得到纹理属性集和形态学属性集具体包括:
随机选择某像素点M个像素范围内K组像素对,进行高程比较做差求算得到纹理属性集;
采用不同窗口的开运算对点云图像进行处理后,将开运算计算的结果与原图像做差,差值作为像素点的属性值,得到形态学属性集。
5.根据权利要求4所述的点云分类方法,其特征在于,所述开运算为先腐蚀,再膨胀的处理。
6.根据权利要求1所述的点云分类方法,其特征在于,所述根据纹理属性集和形态学属性集,采用随机森林分类器对地面识别物进行分类具体包括:
根据纹理属性集和形态学属性集,随机森林分类器重抽样样本进行决策树建模,然后组合多棵决策树进行分类;
采用监督分类的方式进行分类,样本为人工交互选取,样本属性来源于纹理属性集和形态学属性集,基于样本训练的随机森林分类模型,对全图所有像素进行分类处理。
7.根据权利要求6所述的点云分类方法,其特征在于,所述样本包括:建筑物和树木。
8.根据权利要求1所述的点云分类方法,其特征在于,所述当分类完成后得到分类结果,通过预定分析方式对分类结果进行平滑处理,并输出处理结果具体包括:
当分类完成后得到分类结果后,设定固定距离S;
统计每个像素S领域窗口中的占最大比例的分类类别,用于消除建筑物内被识别为树木或者树木中被识别为建筑物的噪点。
9.一种智能终端,其特征在于,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的点云分类程序,所述点云分类程序被所述处理器执行时实现如权利要求1-8所述的点云分类方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有点云分类程序,所述点云分类程序被处理器执行时实现权利要求1-8任一项所述点云分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115460.7A CN108399424B (zh) | 2018-02-06 | 2018-02-06 | 一种点云分类方法、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115460.7A CN108399424B (zh) | 2018-02-06 | 2018-02-06 | 一种点云分类方法、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399424A true CN108399424A (zh) | 2018-08-14 |
CN108399424B CN108399424B (zh) | 2022-01-18 |
Family
ID=63095849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810115460.7A Active CN108399424B (zh) | 2018-02-06 | 2018-02-06 | 一种点云分类方法、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399424B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752731A (zh) * | 2019-01-10 | 2019-05-14 | 北京佳讯飞鸿电气股份有限公司 | 一种单向旋转门异物检测方法 |
CN110060256A (zh) * | 2019-03-08 | 2019-07-26 | 广东工业大学 | 一种基于机载LiDAR点云的杆塔提取技术 |
CN110096985A (zh) * | 2019-04-23 | 2019-08-06 | 东北电力大学 | 一种基于图像特征和gps定位的城市建筑物识别方法 |
CN110646568A (zh) * | 2019-10-12 | 2020-01-03 | 中国农业科学院麻类研究所 | 一种基于动物群体行为的饲料适口性筛选方法 |
CN111077541A (zh) * | 2019-12-30 | 2020-04-28 | 深圳优地科技有限公司 | 一种障碍物识别方法、障碍物识别装置及移动机器人 |
CN111104958A (zh) * | 2018-10-29 | 2020-05-05 | 富士通株式会社 | 存储地形特征估计程序的介质、地形特征估计方法及装置 |
WO2022017134A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469098A (zh) * | 2015-11-20 | 2016-04-06 | 中北大学 | 一种自适应特征权重合成的lidar数据地物精确分类方法 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及*** |
CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
-
2018
- 2018-02-06 CN CN201810115460.7A patent/CN108399424B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469098A (zh) * | 2015-11-20 | 2016-04-06 | 中北大学 | 一种自适应特征权重合成的lidar数据地物精确分类方法 |
CN106157309A (zh) * | 2016-07-04 | 2016-11-23 | 南京大学 | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及*** |
Non-Patent Citations (3)
Title |
---|
K. BAKUŁA ET AL: "TESTING OF LAND COVER CLASSIFICATION FROM MULTISPECTRAL AIRBORNELASER SCANNING DATA", 《ISPRS - INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
吴永华 等: "激光点云分类算法的探讨与展望", 《红外与激光工程》 * |
张靖 等: "基于纹理信息的机载激光扫描数据分类", 《软件导刊》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104958A (zh) * | 2018-10-29 | 2020-05-05 | 富士通株式会社 | 存储地形特征估计程序的介质、地形特征估计方法及装置 |
CN109752731A (zh) * | 2019-01-10 | 2019-05-14 | 北京佳讯飞鸿电气股份有限公司 | 一种单向旋转门异物检测方法 |
CN110060256A (zh) * | 2019-03-08 | 2019-07-26 | 广东工业大学 | 一种基于机载LiDAR点云的杆塔提取技术 |
CN110096985A (zh) * | 2019-04-23 | 2019-08-06 | 东北电力大学 | 一种基于图像特征和gps定位的城市建筑物识别方法 |
CN110096985B (zh) * | 2019-04-23 | 2022-09-20 | 东北电力大学 | 一种基于图像特征和gps定位的城市建筑物识别方法 |
CN110646568A (zh) * | 2019-10-12 | 2020-01-03 | 中国农业科学院麻类研究所 | 一种基于动物群体行为的饲料适口性筛选方法 |
CN111077541A (zh) * | 2019-12-30 | 2020-04-28 | 深圳优地科技有限公司 | 一种障碍物识别方法、障碍物识别装置及移动机器人 |
CN111077541B (zh) * | 2019-12-30 | 2022-03-22 | 深圳优地科技有限公司 | 一种障碍物识别方法、障碍物识别装置及移动机器人 |
WO2022017134A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108399424B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399424A (zh) | 一种点云分类方法、智能终端及存储介质 | |
Grilli et al. | A review of point clouds segmentation and classification algorithms | |
Shi et al. | Road detection from remote sensing images by generative adversarial networks | |
Wu et al. | Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests | |
Nie et al. | A revised progressive TIN densification for filtering airborne LiDAR data | |
Ping et al. | A deep learning approach for street pothole detection | |
CN110264468A (zh) | 点云数据标注、分割模型确定、目标检测方法及相关设备 | |
Sahar et al. | Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Dong et al. | Multi-layered tree crown extraction from LiDAR data using graph-based segmentation | |
CN110232329A (zh) | 基于深度学习的点云分类方法、装置、存储介质及设备 | |
Doi et al. | The effect of focal loss in semantic segmentation of high resolution aerial image | |
CN108305260A (zh) | 一种图像中角点的检测方法、装置及设备 | |
CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
Chen et al. | Urban vegetation segmentation using terrestrial LiDAR point clouds based on point non-local means network | |
Mewada et al. | Automatic room information retrieval and classification from floor plan using linear regression model | |
Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
Cai et al. | Vehicle Detection Based on Deep Dual‐Vehicle Deformable Part Models | |
CN116385902A (zh) | 一种遥感大数据处理方法、***及云平台 | |
CN103927557A (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
Hao et al. | Structure-based object detection from scene point clouds | |
Zheng et al. | Category-wise fusion and enhancement learning for multimodal remote sensing image semantic segmentation | |
CN104463091A (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |