城区激光雷达点云建筑物提取技术是近年来发展的热点,如何准确区分植被、建筑物以及人造物,提高分类精度一直是研究难点。为此,针对分类精度较低的问题,提出一种基于随机森林的点云分类算法。首先使用改进布料滤波算法对点云数据进行地面滤波;其次,构建决策树并进行基于最大互信息系数的相关性分析,选出相关系数最小、精度最高的决策树,得到弱相关随机森林模型;最后,对决策结果进行加权投票处理,得到一种综合布料滤波和加权弱相关随机森林的点云分类算法,并通过Vaihingen城区数据集对算法进行验证。实验表明,与传统随机森林分类算法相比,本文算法提高了4.2%的分类精度,也提高了算法效率。

为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。

为了提高城区机载激光雷达点云数据分类算法的自动化程度和分类精度,提出一种基于渐进加密三角网和双层支持向量机的点云分类算法。采用渐进加密三角网滤波提取地面点,在地面点的基础上对地物点进行归一化处理。对点云特征有效性进行评估,选取特征向量并用最邻近支持向量机(NN-SVM)对地物点进行分类,实现对城区点云数据的多元分类。利用城区点云数据验证该算法,通过分析分类精度对分类效果进行评价。结果表明,该算法有效提高了点云数据分类精度,实现了对城区点云数据的有效分类。

针对复杂场景下激光雷达测量(LiDAR)点云数据的地物分类问题,提出了一种基于多尺度特征和PointNet的深度神经网络模型,该方法改进了PointNet提取局部特征的能力,实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征,将不同尺度点的局部特征通过全连接层组成一个多维特征,并与PointNet提取的全局特征相结合,返回每个点类的分数以完成点云分类标签。利用Semantic 三维数据集和ISPRS提供的Vaihingen数据集,验证了所提深度神经网络模型。研究结果表明,与其他用于点云分类的神经网络相比,所提算法达到了更高的分类精度。

机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。

针对红外图像和可见光图像的成像特点, 提出了一种红外与可见光图像融合方法。首先, 采用改进的区域生长法, 提取红外图像目标区域。将提取到的红外目标区域映射到可见光图像中, 进行一次局部信息融合。然后, 将第一步的融合结果与原始红外图像通过一种边缘增强的小波变换融合法得到最终的融合图像。实验结果表明, 该方法得到的融合图像红外热目标突出、背景清晰, 具有良好的目视效果。

针对像素级遥感图像融合处理数据量大、实时性差, 融合结果不能直观表述目标特征的问题, 提出一种边缘特征加强的多光谱与全色图像快速融合方法。为提高算法的运行速度, 采用提升小波与快速IHS变换相结合的算法生成像素级融合图像。同时, 利用数学形态学方法提取全色图像的边缘, 与像素级融合图像进行再次融合, 加强了最终融合图像的边缘信息。实验结果表明, 该算法不仅融合效果好, 而且实时性强。