探討機載激光點云與影像融合分類

發(fā)布日期：2019-05-16 23:46 瀏覽量：9692

航空或航天平臺獲取的遙感數(shù)據(jù)在各種空間、光譜和時間分辨率上提供了地表覆蓋信息，成為地理空間信息的主要來源。這些多源遙感數(shù)據(jù)提供的信息具有冗余性、互補性和合作性，將多源數(shù)據(jù)的互補信息加以利用，獲得對地物正確的解譯是非常重要的。多源遙感數(shù)據(jù)融合則是綜合多種傳感器遙感信息的最有效途徑之一，被認為是現(xiàn)代多源影像處理和分析中非常重要的一步。

目前許多學者針對激光點云數(shù)據(jù)和影像的融合分類進行了研究。已有研究表明利用激光點云數(shù)據(jù)和光學影像進行融合分類，得到的分類精度比單獨利用激光點云數(shù)據(jù)或光學影像進行分類的分類精度提高8%～16%。

因此聯(lián)合激光點云和光學影像進行分類，能夠改善分類效果，提高分類精度。

本文采用面向對象分類方法，將激光點云數(shù)據(jù)引入影像分割、特征提取和影像分類3個環(huán)節(jié)中，改善影像分割效果和最終的分類結果，達到激光點云與航空影像融合分類的目的。

二、激光點云與影像融合分類

1．改進的分水嶺分割算法

分水嶺分割算法是一個模擬浸水的過程，分水嶺分割算法中用到的是影像的梯度，計算Sobel 梯度影像并利用形態(tài)學所得的標記圖像對梯度影像進行重建，將局部無關的極小值點去除消除過分割現(xiàn)象。

通常的算法中梯度為原始影像的灰度梯度計算獲得，但是這樣可能會造成一些局部灰度差異不大的地物，如水泥建筑和道路、綠色植被和草地等被分割到一塊分割單元中，導致最終的分類結果不準確。

因此，本文將 LiDAR數(shù)據(jù)計算得到的 nDSM 投影到規(guī)則格網(wǎng)中生成圖像，計算高程梯度，然后利用標記圖像進行高程梯度圖像的重建，再進行分水嶺分割計算，將分割后結果與灰度影像分割結果進行疊加，以達到改善分割效果的目的。

2．規(guī)則集影像分類

將激光點云數(shù)據(jù)的特征引入到航空影像分類的規(guī)則集中，主要有利用 nDSM 得到的高程信息及其統(tǒng)計值，激光點云自身獲得的反射強度信息及統(tǒng)計值。此外，光學影像的特征主要有直接光譜特征，如波段灰度均值、方差等; 間接光譜特征，如 NDVI 指數(shù)及幾何特征、形狀緊致性等。

綜合考慮了光學影像特征和激光點云特征，建立如下分類規(guī)則: 首先利用高程將地物分為地面和非地面地物，然后利用 NDVI 指數(shù)、強度、緊致性和強度標準差依次將地面地物分為草地、道路和裸地，利用 NDVI 指數(shù)、高程標準差和強度將非地面地物分為樹木和建筑。分類規(guī)則中的參數(shù)閾值都是通過樣本訓練和多次試驗得到的。

三、影像分割

采用影像結合激光點云的改進分水嶺分割方法得到的分割結果在建筑物和陰影及樹木和陰影的地方要優(yōu)于僅采用影像進行分水嶺分割的結果。

下面從幾個定量指標比較兩種分割結果。

分割結果指標.png

對于兩種分割結果，分別統(tǒng)計其所得的分割單元數(shù)、分割單元的同質性指標、異質性指標等。同質性指標計算分割區(qū)域的標準差的加權平均值 U ，同質性指標的值越小說明區(qū)域同質性越高; 異質性指標采用一個空間自相關指數(shù) V ( Moran 指數(shù)) 表示空間分割對象間的空間獨立程度，異質性指標的值越小說明分割單元間越獨立。

從表中可以看出，本文采用的影像和激光點云結合的分水嶺分割方法所得的分割單元數(shù)雖然比采用影像的分水嶺分割方法所得的分割單元數(shù)多，但是同質性和異質性數(shù)值卻更小，說明激光點云可以改善影像的分割效果，得到單元內更勻質、單元間差異更大的結果。

比較可見光( RGB) 波段影像的分割結果和增加近紅外(NIR) 波段之后影像的分割結果可以看出，后者的分割單元數(shù)比前者增加了，但是前者的同質性和異質性結果要比后者好。從定量指標來看，RGB 影像和 LiDAR 點云結合的數(shù)據(jù)方式分割統(tǒng)計的同質性和異質性指標均為最好，這是因為地物在可見光波段的光譜特性差異比較明顯，特別是草地和植被、草地和裸地有明顯差別，但是在近紅外波段它們之間的差異較小，因此加入近紅外波段之后計算的整體異質性比可見光波段的差。但是結合定性的目視效果，最終采用 RGB+NIR 四波段影像和 LiDAR 點云結合的數(shù)據(jù)方式進行分割。

影像分類結果

融合分類得到的結果，可以看到大部分地物都得到了正確的分類，特別是由于高大植被和建筑造成的陰影基本上沒有影響道路的分類，而草地中間的植被也被分類出來。為了進一步分析融合分類的分類結果，評價分類精度，本文利用融合分類影像的混淆矩陣計算了每一類別的用戶精度、制圖精度、總體精度，以及 Kappa 系數(shù)和條件 Kappa系數(shù)。

裸地的制圖精度、用戶精度和條件Kappa 系數(shù)最低。其制圖精度為 62． 5%，實為裸地的像元有 37．5%被分為草地或道路像元中; 用戶精度為 66．67%，分類得到的裸地像元中有 33．33%實為草地或道路，說明裸地的多分和漏分現(xiàn)象比較嚴重。這是因為影像上裸地像元的數(shù)量很少，部分像元容易與鄰近的草地或道路分割為一個單元，這樣會使得分割單元的緊致性或強度等統(tǒng)計值代表了幾種混合地物的特性，使得分類時裸地誤分為草地或

道路，導致精度降低。

從 3 個類別精度指標整體分析可知，道路、建筑和植被的精度較高，而草地的制圖精度較低，實際為草地的像元被分為道路或裸地像元，是因為分類所用的強度信息并不準確，沒有經(jīng)過輻射校正，所以得到的強度特征并不能完全反映該地物的激光反射特性，因此采用的閾值不能很好地區(qū)分兩類地物。但是草地與建筑、草地與植被之間的錯分情況很少，說明激光點云數(shù)據(jù)得到的高程信息能將地面地物與非地面地物較好地區(qū)分，參與到建筑和植被的分類中能夠起到有效作用。

本文將機載激光點云數(shù)據(jù)與航空影像進行了面向對象的融合分類，主要是在航空影像的分水嶺分割梯度計算中加入 LiDAR 高程信息，然后結合地物的光譜特征和激光點云提供的高程特征，對影像進行了分層分類。試驗表明，激光點云的高程信息能夠改善影像分割效果; 激光點云數(shù)據(jù)得到的高程信息能將地面地物與非地面地物較好地區(qū)分，對建筑和植被的分類起到了有效作用。