淺析傾斜攝影測量點(diǎn)云監(jiān)督分類方法

另外，傾斜航空攝影技術(shù)在近年來的飛迅發(fā)展，通過密集匹配方法從多角度航空傾斜影像中獲取具有立面信息的高密度點(diǎn)云，被稱為傾斜攝影測量點(diǎn)云。然而，這些點(diǎn)云數(shù)據(jù)并不具備語義信息，點(diǎn)云分類成為點(diǎn)云應(yīng)用的關(guān)鍵所在，高精度的點(diǎn)云分類具有極大的研究價值和現(xiàn)實(shí)意義。

目前，針對激光點(diǎn)云分類的方法較多，但和傾斜航空攝影技術(shù)相比，激光雷達(dá)技術(shù)掃描事獲取建筑物立面的點(diǎn)較少，所以傾斜攝影測量點(diǎn)云的應(yīng)用有著廣泛的需求，有學(xué)者提出一種面向?qū)ο蟮?a href='http://www.kzipr.cn/article/365.html' target='_blank' title='傾斜攝影'>傾斜攝影測量點(diǎn)云監(jiān)督分類方法。

由于在監(jiān)督分類方法中，隨機(jī)森林算法和 SVM 分類精度相當(dāng)，且在計(jì)算效率、對異常值和噪聲的魯棒性、內(nèi)部誤差估計(jì)和變量重要性等方面具有優(yōu)越性，因此本文采用隨機(jī)森林分類器進(jìn)行分類。根據(jù)目標(biāo)對象的顏色和幾何等特征將點(diǎn)云分成屋頂、地面、植被和立面 4 類。

本文分類方法采用的特征如下:

1)法向量nx，ny和nz。每一點(diǎn)的法向量定義為對其k鄰域內(nèi)的點(diǎn)進(jìn)行最小二乘以和得到的平面法向量。

2)顏色信息B，G和R。其值分別為影像每個像素藍(lán)光、綠光和紅光3通道的DN值，在影像密集匹配時直接獲取。

3)歸一化高程Nz。本文利用文獻(xiàn)（HuH，DingYL，ZhuQ，et...）方法分離地面點(diǎn)并內(nèi)插得到數(shù)字地形模型(digitalterrainmodel，DTM)，然后每一點(diǎn)減去DTM的對應(yīng)高度以獲取歸一化高度。

4)綠信比Gr。由于植被區(qū)域綠光波段DN值一般比紅光和藍(lán)光波段DN值高，因此本文采用綠信比來區(qū)分植被［8］，即Gr=G/(R+G+B)。

5)局部擬合平面垂直度fv。假設(shè)平面方程為ax+by+cz+d=0，式中:x，y和z為點(diǎn)的坐標(biāo);a，b，c和d為平面擬合方程的參數(shù)。那么，fv定義為fv(pi)=|c|，式中pi為第i個點(diǎn)。fv的取值范圍為(0，1)，當(dāng)擬合平面接近于鉛垂面時，fv的值趨近于1。

6)局部平面擬合度fp。通常情況下，建筑物屋頂比較規(guī)則，多由平面組成，而植被區(qū)表面不規(guī)則，因此平面擬合度可以作為一個分類特征，即

式中:n為鄰域點(diǎn)數(shù);dj為第j個鄰域點(diǎn)到平面的距離。計(jì)算平面擬合度時，利用一定鄰域內(nèi)的點(diǎn)擬合一個平面，然后計(jì)算所有擬合該平面的點(diǎn)到該平面距離的負(fù)數(shù)指數(shù)冪作為fp。fp的取值范圍為(0，1)，局部鄰域越接近于平面，fp的值越小。

1．2對象分割與特征計(jì)算

采用的點(diǎn)云軟件生成的密集點(diǎn)云，每一張影像對應(yīng)一個點(diǎn)云文件。并采用間接的方法獲得點(diǎn)云對象，即首先利用簡單線性迭代聚類(SLIC)算法將點(diǎn)云對應(yīng)的影像分割成超像素，該算法僅需要指定超像素的數(shù)量m;然后，利用共線方程將點(diǎn)云投影到影像上;再根據(jù)超像素分割的結(jié)果將點(diǎn)云聚類成不同的超體素，作為分類的對象。

在獲取了點(diǎn)云對象之后，根據(jù)對象中所包含的單點(diǎn)的特征向量，采用公式計(jì)算對象的特征向量，即

式中:fo表示對象的特征向量;fl表示第l個單點(diǎn)的特征向量;N表示一個對象中包含的單點(diǎn)數(shù)量。

1．3隨機(jī)森林算法

隨機(jī)森林算法由Breiman于2001年提出。該算法的基本思想是用隨機(jī)的方式建立一個森林，森林中含有很多決策樹，每一棵樹都是二叉樹的形式。在生成森林之后，當(dāng)輸入新的樣本時，每棵決策樹便會對其進(jìn)行判斷，然后根據(jù)所有的判斷結(jié)果選出票數(shù)最多的作為最終的分類結(jié)果。

針對待處理的點(diǎn)云數(shù)據(jù)，首先選取了4個類別(建筑物屋頂、地面、植被和建筑物立面)的少量樣本數(shù)據(jù)，然后選取20%的樣本作為訓(xùn)練數(shù)據(jù)，剩余的樣本作為測試數(shù)據(jù)。

這里將將點(diǎn)云特征構(gòu)成的10維特征向量直接輸入到隨機(jī)森林分類器中，在訓(xùn)練分類器之后，利用測試數(shù)據(jù)評價分類正確率。由于對象的數(shù)量對分類結(jié)果有較大影響，因此本文測試了不同對象數(shù)量的分類效果，然后選擇效果較好的分類器對所有待處理點(diǎn)云(即總體數(shù)據(jù))進(jìn)行分類。

1．4后處理優(yōu)化

初始分類結(jié)果中不可避免地存在錯誤分類，因此進(jìn)一步利用上下文關(guān)系對初始分類結(jié)果進(jìn)行優(yōu)化。

首先，對分類結(jié)果進(jìn)行聯(lián)通分析，將具有鄰接關(guān)系的同類點(diǎn)云聚成簇;然后，根據(jù)上下文關(guān)系對其進(jìn)行優(yōu)化處理，具體包括以下3個規(guī)則:

①對于屋頂簇，如果屋頂周圍沒有立面，則認(rèn)為該屋頂是錯分的，根據(jù)其鄰域中所占比例最高的類別來修正其類別;

②對于地面簇，如果地面的周圍只有屋頂，則將該地面修正為屋頂;

③對于立面簇，如果立面周圍沒有屋頂，則該立面是錯分的，根據(jù)其鄰域中所占比例最高的類別來修正其類別。

版權(quán)聲明：文章來源于網(wǎng)絡(luò)，登載此文出于傳遞更多信息之目的，版權(quán)歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權(quán)益，請聯(lián)系我們。