针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性，提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN，并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块，对原始三维点云进行分类。首先，基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征；然后，将全局特征集成于各层的局部特征得到增强局部特征，据此凸显点云不同特征的重要性，使网络更加关注有利于分类的特征；最后，对不同增强局部特征进行特征融合得到深层次特征，从而实现点云的分类。为验证所提模型的分类性能，在GML_DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN，所提EFF-DGCNN模型具有更好的分类能力，能更好地区分结构相似的点云。

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题，提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域，计算出点云的浅层特征；然后将点云的浅层特征输入深度学习网络中，通过图卷积提取点云局部特征，并将该特征与PointNet提取的点特征、全局特征组合得到特征向量；最后，将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证，实验结果表明，所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。

针对从非地面点云数据中难以自动分类植被和建筑物的问题,提出一种航空影像辅助的机载LiDAR(Light Detection and Ranging)植被点云分类方法。根据植被的光谱特征明显不同于其他地物这一特点,在生成数字正射影像的基础上,首先利用K均值(K-means)聚类算法对影像进行聚类和图像增强,然后将增强后的影像和对应区域的点云数据进行融合,最后通过影像处理结果对机载LiDAR植被点云进行分类。选取某城市的机载LiDAR植被点云数据和航空影像进行实验,定量分析结果显示所提方法的总分类精度为96.47%,Kappa系数为0.9248,该方法能够达到点云中植被自动分类的目的。

目前,机载与地面激光雷达(LiDAR)点云配准方法大多利用三维点云的几何信息来获取机载与地面LiDAR点云的同名特征,并计算点云坐标转换参数,实现点云配准;提出了一种基于激光强度分类的配准新方法,首先对机载与地面LiDAR点云的激光强度信息进行纠正与分类,然后基于分类结果提取特征平面,将特征平面间的拓扑关系与分类结果作为约束条件,匹配得到同名特征平面,最后计算坐标转换参数,实现机载与地面LiDAR点云配准。实验结果表明:与传统方法相比,所提方法可以减小机载与地面LiDAR因扫描角度、点密度不同而导致的配准误差;在机载与地面LiDAR同名特征几何形状不完全一致的情况下,所提方法仍可得到较好的配准效果。

土地沙化或荒漠化会造成重大经济损失,基于机载激光雷达(LiDAR)技术获得的点云数据在监测沙丘变形和研究其规律方面有着重要意义。将获取的沙漠地区的两期机载LiDAR点云数据分别处理并生成数字高程模型(DEM)和坡度图,结合面向地理对象和基于像元的变化检测技术实现对沙丘的变化及移动情况的精准监测。从不同时期坡度图上提取的沙丘背风坡坡脚线可用于反映沙丘的水平位移,两期DEM的差值分析则反映了沙丘的垂直位移,结合了主要风向的插值线分析则可以量化沙丘的地形变化及移动规律。分析结果显示整个实验区出现了总体沉降,即沙物质搬移,沙丘变形规律与主要风向相关;沙丘迎风坡主要为沉降,沙丘背风坡由于易滑塌,所以顶部发生沉降,底部发生沙物质沉积。