CN115761303A - 基于机载激光雷达点云和遥感影像数据的地物分类方法 - Google Patents
基于机载激光雷达点云和遥感影像数据的地物分类方法 Download PDFInfo
- Publication number
- CN115761303A CN115761303A CN202211280524.1A CN202211280524A CN115761303A CN 115761303 A CN115761303 A CN 115761303A CN 202211280524 A CN202211280524 A CN 202211280524A CN 115761303 A CN115761303 A CN 115761303A
- Authority
- CN
- China
- Prior art keywords
- model
- digital
- image
- point cloud
- dem
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于机载激光雷达点云和遥感影像数据的地物分类方法及***,包括:基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。本发明能够实现输电线路走廊中的地物要素的快速准确分类。
Description
技术领域
本发明涉及超特高压输电线路技术领域,并且更具体地,涉及一种基于机载激光雷达点云和遥感影像数据的地物分类方法及***。
背景技术
机载LiDAR作为一种被逐步广泛应用的快速获取海量空间数据信息新型测量***,已广泛应用于地物目标提取和表面三维重建。对机载LiDAR数据进行解译与建模的首要任务就是对获取的点云数据进行分类。地面点可为地形制图、工程测量、环境规划等提供基础数据,建筑物及各类植被等非地面点可用于数字城市建设、城市规划或数据库中建筑物三维模型的重建等方面。由于LiDAR数据分布离散、不规则而且不均匀,同时缺少光谱和纹理特征信息,使得单纯依靠点云数据进行地物类别的解译存在很多问题。然而随着硬件技术的发展,绝大多数机载激光扫描***都包含高分辨率的数码相机,在获取激光扫描数据的同时同步获取高分辨率航空遥感影像,因此可以提供丰富的光谱、纹理信息,有效弥补点云数据的不足。
因此,需要一种基于机载激光雷达点云和遥感影像数据的地物分类方法。
发明内容
本发明提出一种基于机载激光雷达点云和遥感影像数据的地物分类方法及***,以解决如何对输电线路的地物要素进行分类的问题。
为了解决上述问题,根据本发明的一个方面,提供了一种基于机载激光雷达点云和遥感影像数据的地物分类方法,所述方法包括:
基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;
基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;
基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;
基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;
基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
优选地,其中所述基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
优选地,其中,所述基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
优选地,其中所述基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
优选地,其中所述基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
优选地,其中所述方法对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
根据本发明的另一个方面,提供了一种基于机载激光雷达点云和遥感影像数据的地物分类***,所述***包括:
点云数据处理模块,用于基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;
归一化数字表面模型nDSM生成模块,用于基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;
数字正射影像DOM生成模块,用于基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;
模型确定模块,用于基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;
分类模块,用于基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
优选地,其中所述点云数据处理模块,基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
优选地,其中所述归一化数字表面模型nDSM生成模块,基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
优选地,其中所述数字正射影像DOM获取模块,基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
优选地,其中所述模型确定模块,基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
优选地,其中所述模型确定模块,对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
本发明提供了一种基于机载激光雷达点云和遥感影像数据的地物分类方法及***,包括:基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。本发明在获取激光扫描数据的同时同步获取高分辨率航空遥感影像数据,可以提供丰富的光谱、纹理信息,有效弥补了点云数据的不足,通过本发明能够实现输电线路走廊中的地物要素的快速准确分类。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的基于机载激光雷达点云和遥感影像数据的地物分类方法100的流程图;
图2为根据本发明实施方式的机载LiDAR点云数据处理的流程图;
图3的(a)、(b)和(c)分别为根据本发明实施方式的急于不规则三角网滤波的过程图;
图4为根据本发明实施方式的遥感影像数据处理的示意图;
图5为根据本发明实施方式的DOM生成的示意图;
图6为根据本发明实施方式的LiDAR点云数据与遥感影像数据融合分类的示意图;
图7为根据本发明实施方式的基于机载激光雷达点云和遥感影像数据的地物分类***700的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于机载激光雷达点云和遥感影像数据的地物分类方法100的流程图。如图1所示,本发明实施方式提供的基于机载激光雷达点云和遥感影像数据的地物分类方法,在获取激光扫描数据的同时同步获取高分辨率航空遥感影像数据,可以提供丰富的光谱、纹理信息,有效弥补了点云数据的不足,通过本发明能够实现输电线路走廊中的地物要素的快速准确分类。本发明实施方式提供的基于机载激光雷达点云和遥感影像数据的地物分类方法100,从步骤101处开始,在步骤101基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM。
优选地,其中所述基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
在本发明的实施例中,数据预处理包括三个方面,分别为LiDAR点云数据预处理、遥感影像预处理和DEM数据的融合。机载LiDAR点云数据的预处理最重要的是滤波处理,从离散的点云中分离出地面点和非地面点,以便于后期的融合分类等处理。遥感影像预处理包括消除影像几何畸变以及各种噪声的影响,并结合点云建立的DEM来制作数字正射影像DOM,以提高配准的速度与精度。
在本发明的实施例中,机载LiDAR点云数据的处理目的是获取DSM和DEM。首先需要剔除点云数据中的噪声点和粗差,然后对预处理后的点云进行栅格化处理得到DSM;对DSM进行滤波处理可分类出地面点和非地面点,地面点经过内插可得到数字高程模型DEM,用于数字正射模型的制作。具体处理流程如图2所示。
1)点云数据的噪声和异常值剔除
LiDAR点云数据获取过程中由于空中可能存在飞鸟等低空障碍目标,会出现极高的数据点,称为飞点;同时由于地面目标的多路径反射等因素,获取的某些数据点会明显地低于地表,称为低点。激光雷达在进行探测时不可避免地会收入这两类数据点,统称为粗差点。粗差点对于后面的数据处理会产生很大的误差,尤其是低点在进行地形建模的时候会使地表模型与实际产生很大偏差,因此在进行数据处理前需要对粗差点进行剔除。LiDAR点云数据的预处理工作便主要是实现对这些粗差点的剔除。
2)DSM生成
经过粗差剔除的点云数据可生成两种中间产品以利于信息提取,一种是Delaunay三角网,即不规则三角网(TIN);另一种是栅格化影像产品。这两种产品都表达了2.5维的地物表面。对于机载雷达获取的点云数据,其原理是利用飞机上发射的激光,捕获地表上的物体和部分地表。在地理信息***和遥感领域,这样的表面被称为数字表面模型(DSM)。
为了从随机点云数据中生成栅格化的DSM,需在地面坐标系(X,Y)与影像坐标系(i,j)进行转换。为了便于说明,两个***中X和i轴同方向,而Y和j轴方向相反。以下公式表示了两种***间的坐标转换。
3)点云滤波处理
机载LiDAR点云数据是在三维空间中呈现随机分布的点云,在点云中有些点是真实地形点,有些则是人工地物(比如建筑物、桥梁、塔、车辆等)或者是自然地物(如树木、灌木等)。机载LiDAR点云首先通过预处理,剔出粗差后在进行滤波。目前提出了很多滤波方法,最普遍采用的是数学形态学、线性预测、渐进加密和分割四种方法。本章采用不规则三角网迭代滤波算法来实现,该算法主要是通过少量的种子点建立一个初始TIN,然后根据待判定点与初始TIN的关系来决定是否接收其为地面点,迭代计算,不断实现TIN的加密,直到没有新的地面点添加进来,如图3的(a)、(b)和(c)所示。
4)LiDAR点云数据的内插与DEM的建立
原始的LiDAR点云数据虽然经过滤波处理得到地面点,但地面点数据依然是离散且呈随机分散状态分布,而且有些地方会出现点云的缺失。为了得到规则矩形格网的DEM,必须对滤波后的地面点云数据依据规则格网插值原理和方法进行加密运算。格网化是使用空间插值方法,从离散点(Xi,Yi,Zi)(i=1,2,…)产生数值格网的过程。格网化通常是一个基于临近点加权平均的过程。通用形式如下:
其中,zi是(xi,yi)处的已知值,ωi是权重,zj是位置j处估计的z值。
对机载LiDAR地面点云数据进行规则格网化处理后,点云数据由原来无规律分布转换为规则分布的矩阵形式,对后续进行LiDAR点云与影像数据生成正射影像带来便利。
在步骤102,基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM。
优选地,其中,所述基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
在本发明的实施例中,原始点云数据插值后生成的数字表面模型DSM与滤波后得到的数字高程模型DEM做差值运算,得到归一化数字表面模型nDSM。归一化数字表面模型nDSM扣除了地形起伏引起的高度变化,能够反映地表地物的真实高度。
在步骤103,基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM。
优选地,其中所述基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
在本发明的实施例中,遥感影像处理的目的是获取数字正射影像DOM,在制作DOM之前需要对相机获取的数码影像进行预处理包括辐射校正和几何校正,以消除数码影像上的各种噪声与几何变形的影响,然后利用DEM将预处理后得到的遥感影像生成正射影像。具体流程见图4,航空数码影像处理的具体步骤如下:
1)辐射校正
由于仪器和大气引起辐射强度的改变称为辐射畸变。辐射畸变导致获得的数码图像灰度不匀称,造成条纹和噪声。一般仪器产生的畸变由生产单位校正,而用户需要校正的是由大气引起的那部分。
2)几何校正
搭载在飞机上的数码相机在对地面进行拍照时,数码相机受飞机飞行姿态、速度和地球曲率、地球自转的影响,使得相机与地面之间的相对位置关系发生了改变,最终获得的数码影像参照地面真实地形发生了总体变形(平移、缩放、旋转、偏扭、弯曲等综合作用),用户还需要基于自己的使用目的进行更进一步的几何校正处理。
3)DOM生成
数字正射影像是利用数字高程模型DEM对数字化遥感影像进行逐像元的辐射改正和镶嵌,并按国家基本比例尺地形图图幅范围裁切生成的数字正射影像数据集。DOM的制作,一般是通过在像片上选取一些地面控制点,并利用原来已经获取的该像片范围内数字高程模型(DEM)数据,对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像,DOM生成流程如图5所示。
在步骤104,基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型。
优选地,其中所述基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
优选地,其中所述方法对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
在本发明的实施例中,基于LiDAR点云与遥感影像数据的融合进行分类。具体地结合图6所示,包括:
(1)样本采集
首先在融合影像中分别采集用于训练和测试的样本数据。建筑物和树木是输电线路走廊中的关键地物,这里分别采集一定量的建筑物和树木的样本数据,并将样本数据分为训练样本和测试样本两部分。样本选择时要尽量选取具有代表性的数据,以便于对数据特性进行准确的描述。
(2)特征提取
要实现机载LiDAR点云数据和遥感影像数据的融合分类,以得到较高的分类精度,从模式识别的角度来看必须首先解决两种数据源的特征提取与选择问题。以此得出,特征提取与选择是融合分类过程中的关键一环。特征选择就是根据不同的类型模式选择不同的特征向量作为分类器的输入变量,从而达到减小数据量、降低数据分析的复杂度、提高分类的精度和效率的目的。对于本章而言,理想的特征选择器应能详细记录对进行地物识别起决定性作用的机载LiDAR点云数据特征以及遥感影像特征。本方案对LiDAR点云数据采用直接特征提取,对遥感影像采用光谱和纹理特征提取。
(3)SVM模型参数获取
1)SVM核函数的选取
用支持向量机对影像进行分类首先需要选择一个核函数类型,然后确定核函数的参数和惩罚因子。许多研究表明,核函数的选择对分类结果的影响较大,因此,核函数的选择比较重要。
2)核参数及惩罚因子的选取
本项目使用LibSVM工具包来获取RBF核函数最优的核函数参数和惩罚因子。LibSVM的输入数据有严格的格式,在进行SVM计算之前必须对数据样本文件进行转换,变为LibSVM输入数据的格式。然后在LibSVM工具箱中使用交叉验证和网格搜索的方法寻求最优参数。
(4)SVM分类
利用最优参数对整个训练集进行训练,获取支持向量机模型。然后利用测试数据对得到的模型进行测试,验证模型的有效性。最后利用该模型对融合影像进行分类,获取输电线走廊的分类地物要素。
在步骤105,基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
本发明基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;再将待分类的融合影像数据输入至所述训练好的分类模型,从而获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素,实现分类。
图7为根据本发明实施方式的基于机载激光雷达点云和遥感影像数据的地物分类***700的结构示意图。如图7所示,本发明实施方式提供的基于机载激光雷达点云和遥感影像数据的地物分类***700,包括:点云数据处理模块701、归一化数字表面模型nDSM生成模块702、数字正射影像DOM生成模块703、模型确定模块704和分类模块705。
优选地,所述点云数据处理模块701,用于基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM。
优选地,其中所述点云数据处理模块701,基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
优选地,所述归一化数字表面模型nDSM生成模块702,用于基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM。
优选地,其中所述归一化数字表面模型nDSM生成模块702,基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
优选地,所述数字正射影像DOM生成模块703,用于基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM。
优选地,其中所述数字正射影像DOM获取模块703,基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
优选地,所述模型确定模块704,用于基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型。
优选地,其中所述模型确定模块704,基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
优选地,其中所述模型确定模块704,对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
优选地,所述分类模块705,用于基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
本发明的实施例的基于机载激光雷达点云和遥感影像数据的地物分类***700与本发明的另一个实施例的基于机载激光雷达点云和遥感影像数据的地物分类方法100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种基于机载激光雷达点云和遥感影像数据的地物分类方法,其特征在于,所述方法包括:
基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;
基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;
基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;
基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;
基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
2.根据权利要求1所述的方法,其特征在于,所述基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
3.根据权利要求1所述的方法,其特征在于,所述基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
4.根据权利要求1所述的方法,其特征在于,所述基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
5.根据权利要求1所述的方法,其特征在于,所述基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
6.根据权利要求5所述的方法,其特征在于,所述方法对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
7.一种基于机载激光雷达点云和遥感影像数据的地物分类***,其特征在于,所述***包括:
点云数据处理模块,用于基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM;
归一化数字表面模型nDSM生成模块,用于基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM;
数字正射影像DOM生成模块,用于基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM;
模型确定模块,用于基于所述归一化数字表面模型nDSM和数字正射影像DOM确定融合影像,并基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型;
分类模块,用于基于所述训练好的分类模型对待分类的融合影像进行分类,获取与所述待分类的融合影像对应的输电线路走廊中的分类地物要素。
8.根据权利要求7所述的***,其特征在于,所述点云数据处理模块,基于机载激光雷达LiDAR点云数据,获取点云栅格化的数字表面模型DSM和数字高程模型DEM,包括:
对获取的机载激光雷达LiDAR点云数据进行噪声和异常值的剔除;
对经过噪声和异常值剔除的LiDAR点云数据进行地面坐标系至影像坐标系的转换,以获取点云栅格化的数字表面模型DSM;
采用不规则三角网迭代滤波算法对所述数字表面模型DSM进行滤波处理,获取地面点数据;
对所述地面点数据进行内插,获取所述数字高程模型DEM。
9.根据权利要求7所述的***,其特征在于,所述归一化数字表面模型nDSM生成模块,基于所述数字表面模型DSM和数字高程模型DEM,确定归一化数字表面模型nDSM,包括:
基于所述数字表面模型DSM和数字高程模型DEM进行差值运算,确定归一化数字表面模型nDSM。
10.根据权利要求7所述的***,其特征在于,所述数字正射影像DOM获取模块,基于遥感影像数据和所述数字高程模型DEM,获取数字正射影像DOM,包括:
所述遥感影像数据进行辐射校正和几何校正处理;
利用所述数字高程模型DEM对经过辐射校正和几何校正处理的遥感影像进行逐像元的辐射改正和镶嵌,并按预设比例尺地形图图幅范围裁切生成数字正射影像数据集,以将影像重采样成正射影像,获取所述数字正射影像DOM。
11.根据权利要求7所述的***,其特征在于,所述模型确定模块,基于所述融合影像进行SVM分类模型的训练,获取训练好的SVM模型,包括:
将所述融合影像分为训练样本和测试样本,并分别对所述训练样本和测试样本进行特征提取;
选择用于SVM分类模型训练的核函数类型,并使用LibSVM工具包获取最优的核函数参数和惩罚因子;
基于训练样本对应的特征最优的核函数参数和惩罚因子进行SVM分类模型的训练,并利用测试样本的特征进行验证,以确定训练好的SVM模型。
12.根据权利要求11所述的***,其特征在于,所述模型确定模块,对LiDAR点云数据采用直接特征提取,对遥感影像数据采用光谱和纹理特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280524.1A CN115761303A (zh) | 2022-10-19 | 2022-10-19 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211280524.1A CN115761303A (zh) | 2022-10-19 | 2022-10-19 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761303A true CN115761303A (zh) | 2023-03-07 |
Family
ID=85353873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211280524.1A Pending CN115761303A (zh) | 2022-10-19 | 2022-10-19 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761303A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681873A (zh) * | 2023-07-31 | 2023-09-01 | 山东省国土测绘院 | 基于数字高程模型快速更新的影像正射纠正方法及*** |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
CN117575970A (zh) * | 2024-01-15 | 2024-02-20 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
CN117607896A (zh) * | 2023-12-01 | 2024-02-27 | 中国人民解放军海军参谋部海图信息中心 | 基于多波段点云数据的海岸线碎部点性质识别方法及装置 |
-
2022
- 2022-10-19 CN CN202211280524.1A patent/CN115761303A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681873A (zh) * | 2023-07-31 | 2023-09-01 | 山东省国土测绘院 | 基于数字高程模型快速更新的影像正射纠正方法及*** |
CN116681873B (zh) * | 2023-07-31 | 2023-10-27 | 山东省国土测绘院 | 基于数字高程模型快速更新的影像正射纠正方法及*** |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
CN116778104B (zh) * | 2023-08-16 | 2023-11-14 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及*** |
CN117607896A (zh) * | 2023-12-01 | 2024-02-27 | 中国人民解放军海军参谋部海图信息中心 | 基于多波段点云数据的海岸线碎部点性质识别方法及装置 |
CN117575970A (zh) * | 2024-01-15 | 2024-02-20 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
CN117575970B (zh) * | 2024-01-15 | 2024-04-16 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN115761303A (zh) | 基于机载激光雷达点云和遥感影像数据的地物分类方法 | |
CN112434617B (zh) | 一种基于多源遥感数据的森林生物量变化监测方法及*** | |
CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
CN109961510B (zh) | 一种基于三维点云重构技术的高切坡地质快速编录方法 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
CN116758234A (zh) | 一种基于多点云数据融合的山地地形建模方法 | |
CN113963259A (zh) | 基于点云数据的街景地物多维度提取方法和*** | |
CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 | |
CN115965790A (zh) | 一种基于布料模拟算法的倾斜摄影点云滤波方法 | |
CN111814666B (zh) | 一种复杂林分下的单木参数提取方法、***、介质及设备 | |
CN116994012A (zh) | 一种基于生态修复的图斑匹配***及匹配方法 | |
CN116503727A (zh) | 一种基于泊松分布和点云聚类的植被聚集度指数估算方法 | |
CN110310370B (zh) | 一种gps与srtm点面融合的方法 | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及*** | |
Li et al. | Registration of Aerial Imagery and Lidar Data in Desert Areas Using the Centroids of Bushes as Control Information. | |
Rocchini | Resolution problems in calculating landscape metrics | |
CN116051777A (zh) | 超高层建筑提取方法、设备和可读存储介质 | |
KR101008394B1 (ko) | 수치표면모형의 경계선을 이용한 수치표고모형의 건물영역 평탄화 장치 | |
Atik et al. | Comparison of automatic feature extraction methods for building roof planes by using airborne lidar data and high resolution satellite image | |
Bai et al. | Application of unmanned aerial vehicle multi-vision image 3D modeling in geological disasters |
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 |