探討(tǎo)機載激光(guāng)點雲與影(yǐng)像融合分(fēn)類

發布日期：2019-05-16 23:46 浏覽量：9014

航空或航天平台獲取的(de)遙感數據在各種空間、光(guāng)譜和(hé)時(shí)間分(fēn)辨率上提供了(le)地表覆蓋信息，成爲地理(lǐ)空間信息的(de)主要來(lái)源。這(zhè)些多(duō)源遙感數據提供的(de)信息具有冗餘性、互補性和(hé)合作性，将多(duō)源數據的(de)互補信息加以利用(yòng)，獲得(de)對(duì)地物(wù)正确的(de)解譯是非常重要的(de)。多(duō)源遙感數據融合則是綜合多(duō)種傳感器遙感信息的(de)最有效途徑之一，被認爲是現代多(duō)源影(yǐng)像處理(lǐ)和(hé)分(fēn)析中非常重要的(de)一步。

目前許多(duō)學者針對(duì)激光(guāng)點雲數據和(hé)影(yǐng)像的(de)融合分(fēn)類進行了(le)研究。已有研究表明(míng)利用(yòng)激光(guāng)點雲數據和(hé)光(guāng)學影(yǐng)像進行融合分(fēn)類，得(de)到的(de)分(fēn)類精度比單獨利用(yòng)激光(guāng)點雲數據或光(guāng)學影(yǐng)像進行分(fēn)類的(de)分(fēn)類精度提高(gāo)8%～16%。

因此聯合激光(guāng)點雲和(hé)光(guāng)學影(yǐng)像進行分(fēn)類，能夠改善分(fēn)類效果，提高(gāo)分(fēn)類精度。

本文采用(yòng)面向對(duì)象分(fēn)類方法，将激光(guāng)點雲數據引入影(yǐng)像分(fēn)割、特征提取和(hé)影(yǐng)像分(fēn)類3個(gè)環節中，改善影(yǐng)像分(fēn)割效果和(hé)最終的(de)分(fēn)類結果，達到激光(guāng)點雲與航空影(yǐng)像融合分(fēn)類的(de)目的(de)。

二、激光(guāng)點雲與影(yǐng)像融合分(fēn)類

1．改進的(de)分(fēn)水(shuǐ)嶺分(fēn)割算(suàn)法

分(fēn)水(shuǐ)嶺分(fēn)割算(suàn)法是一個(gè)模拟浸水(shuǐ)的(de)過程，分(fēn)水(shuǐ)嶺分(fēn)割算(suàn)法中用(yòng)到的(de)是影(yǐng)像的(de)梯度，計算(suàn)Sobel 梯度影(yǐng)像并利用(yòng)形态學所得(de)的(de)标記圖像對(duì)梯度影(yǐng)像進行重建，将局部無關的(de)極小值點去除消除過分(fēn)割現象。

通(tōng)常的(de)算(suàn)法中梯度爲原始影(yǐng)像的(de)灰度梯度計算(suàn)獲得(de)，但是這(zhè)樣可(kě)能會造成一些局部灰度差異不大(dà)的(de)地物(wù)，如水(shuǐ)泥建築和(hé)道路、綠色植被和(hé)草(cǎo)地等被分(fēn)割到一塊分(fēn)割單元中，導緻最終的(de)分(fēn)類結果不準确。

因此，本文将 LiDAR數據計算(suàn)得(de)到的(de) nDSM 投影(yǐng)到規則格網中生成圖像，計算(suàn)高(gāo)程梯度，然後利用(yòng)标記圖像進行高(gāo)程梯度圖像的(de)重建，再進行分(fēn)水(shuǐ)嶺分(fēn)割計算(suàn)，将分(fēn)割後結果與灰度影(yǐng)像分(fēn)割結果進行疊加，以達到改善分(fēn)割效果的(de)目的(de)。

2．規則集影(yǐng)像分(fēn)類

将激光(guāng)點雲數據的(de)特征引入到航空影(yǐng)像分(fēn)類的(de)規則集中，主要有利用(yòng) nDSM 得(de)到的(de)高(gāo)程信息及其統計值，激光(guāng)點雲自身獲得(de)的(de)反射強度信息及統計值。此外，光(guāng)學影(yǐng)像的(de)特征主要有直接光(guāng)譜特征，如波段灰度均值、方差等; 間接光(guāng)譜特征，如 NDVI 指數及幾何特征、形狀緊緻性等。

綜合考慮了(le)光(guāng)學影(yǐng)像特征和(hé)激光(guāng)點雲特征，建立如下(xià)分(fēn)類規則: 首先利用(yòng)高(gāo)程将地物(wù)分(fēn)爲地面和(hé)非地面地物(wù)，然後利用(yòng) NDVI 指數、強度、緊緻性和(hé)強度标準差依次将地面地物(wù)分(fēn)爲草(cǎo)地、道路和(hé)裸地，利用(yòng) NDVI 指數、高(gāo)程标準差和(hé)強度将非地面地物(wù)分(fēn)爲樹木(mù)和(hé)建築。分(fēn)類規則中的(de)參數阈值都是通(tōng)過樣本訓練和(hé)多(duō)次試驗得(de)到的(de)。

三、影(yǐng)像分(fēn)割

采用(yòng)影(yǐng)像結合激光(guāng)點雲的(de)改進分(fēn)水(shuǐ)嶺分(fēn)割方法得(de)到的(de)分(fēn)割結果在建築物(wù)和(hé)陰影(yǐng)及樹木(mù)和(hé)陰影(yǐng)的(de)地方要優于僅采用(yòng)影(yǐng)像進行分(fēn)水(shuǐ)嶺分(fēn)割的(de)結果。

下(xià)面從幾個(gè)定量指标比較兩種分(fēn)割結果。

分(fēn)割結果指标.png

對(duì)于兩種分(fēn)割結果，分(fēn)别統計其所得(de)的(de)分(fēn)割單元數、分(fēn)割單元的(de)同質性指标、異質性指标等。同質性指标計算(suàn)分(fēn)割區(qū)域的(de)标準差的(de)加權平均值 U ，同質性指标的(de)值越小說明(míng)區(qū)域同質性越高(gāo); 異質性指标采用(yòng)一個(gè)空間自相關指數 V ( Moran 指數) 表示空間分(fēn)割對(duì)象間的(de)空間獨立程度，異質性指标的(de)值越小說明(míng)分(fēn)割單元間越獨立。

從表中可(kě)以看出，本文采用(yòng)的(de)影(yǐng)像和(hé)激光(guāng)點雲結合的(de)分(fēn)水(shuǐ)嶺分(fēn)割方法所得(de)的(de)分(fēn)割單元數雖然比采用(yòng)影(yǐng)像的(de)分(fēn)水(shuǐ)嶺分(fēn)割方法所得(de)的(de)分(fēn)割單元數多(duō)，但是同質性和(hé)異質性數值卻更小，說明(míng)激光(guāng)點雲可(kě)以改善影(yǐng)像的(de)分(fēn)割效果，得(de)到單元内更勻質、單元間差異更大(dà)的(de)結果。

比較可(kě)見光(guāng)( RGB) 波段影(yǐng)像的(de)分(fēn)割結果和(hé)增加近紅外(NIR) 波段之後影(yǐng)像的(de)分(fēn)割結果可(kě)以看出，後者的(de)分(fēn)割單元數比前者增加了(le)，但是前者的(de)同質性和(hé)異質性結果要比後者好。從定量指标來(lái)看，RGB 影(yǐng)像和(hé) LiDAR 點雲結合的(de)數據方式分(fēn)割統計的(de)同質性和(hé)異質性指标均爲最好，這(zhè)是因爲地物(wù)在可(kě)見光(guāng)波段的(de)光(guāng)譜特性差異比較明(míng)顯，特别是草(cǎo)地和(hé)植被、草(cǎo)地和(hé)裸地有明(míng)顯差别，但是在近紅外波段它們之間的(de)差異較小，因此加入近紅外波段之後計算(suàn)的(de)整體異質性比可(kě)見光(guāng)波段的(de)差。但是結合定性的(de)目視效果，最終采用(yòng) RGB+NIR 四波段影(yǐng)像和(hé) LiDAR 點雲結合的(de)數據方式進行分(fēn)割。

影(yǐng)像分(fēn)類結果

融合分(fēn)類得(de)到的(de)結果，可(kě)以看到大(dà)部分(fēn)地物(wù)都得(de)到了(le)正确的(de)分(fēn)類，特别是由于高(gāo)大(dà)植被和(hé)建築造成的(de)陰影(yǐng)基本上沒有影(yǐng)響道路的(de)分(fēn)類，而草(cǎo)地中間的(de)植被也(yě)被分(fēn)類出來(lái)。爲了(le)進一步分(fēn)析融合分(fēn)類的(de)分(fēn)類結果，評價分(fēn)類精度，本文利用(yòng)融合分(fēn)類影(yǐng)像的(de)混淆矩陣計算(suàn)了(le)每一類别的(de)用(yòng)戶精度、制圖精度、總體精度，以及 Kappa 系數和(hé)條件 Kappa系數。

裸地的(de)制圖精度、用(yòng)戶精度和(hé)條件Kappa 系數最低。其制圖精度爲 62． 5%，實爲裸地的(de)像元有 37．5%被分(fēn)爲草(cǎo)地或道路像元中; 用(yòng)戶精度爲 66．67%，分(fēn)類得(de)到的(de)裸地像元中有 33．33%實爲草(cǎo)地或道路，說明(míng)裸地的(de)多(duō)分(fēn)和(hé)漏分(fēn)現象比較嚴重。這(zhè)是因爲影(yǐng)像上裸地像元的(de)數量很少，部分(fēn)像元容易與鄰近的(de)草(cǎo)地或道路分(fēn)割爲一個(gè)單元，這(zhè)樣會使得(de)分(fēn)割單元的(de)緊緻性或強度等統計值代表了(le)幾種混合地物(wù)的(de)特性，使得(de)分(fēn)類時(shí)裸地誤分(fēn)爲草(cǎo)地或

道路，導緻精度降低。

從 3 個(gè)類别精度指标整體分(fēn)析可(kě)知，道路、建築和(hé)植被的(de)精度較高(gāo)，而草(cǎo)地的(de)制圖精度較低，實際爲草(cǎo)地的(de)像元被分(fēn)爲道路或裸地像元，是因爲分(fēn)類所用(yòng)的(de)強度信息并不準确，沒有經過輻射校正，所以得(de)到的(de)強度特征并不能完全反映該地物(wù)的(de)激光(guāng)反射特性，因此采用(yòng)的(de)阈值不能很好地區(qū)分(fēn)兩類地物(wù)。但是草(cǎo)地與建築、草(cǎo)地與植被之間的(de)錯分(fēn)情況很少，說明(míng)激光(guāng)點雲數據得(de)到的(de)高(gāo)程信息能将地面地物(wù)與非地面地物(wù)較好地區(qū)分(fēn)，參與到建築和(hé)植被的(de)分(fēn)類中能夠起到有效作用(yòng)。

本文将機載激光(guāng)點雲數據與航空影(yǐng)像進行了(le)面向對(duì)象的(de)融合分(fēn)類，主要是在航空影(yǐng)像的(de)分(fēn)水(shuǐ)嶺分(fēn)割梯度計算(suàn)中加入 LiDAR 高(gāo)程信息，然後結合地物(wù)的(de)光(guāng)譜特征和(hé)激光(guāng)點雲提供的(de)高(gāo)程特征，對(duì)影(yǐng)像進行了(le)分(fēn)層分(fēn)類。試驗表明(míng)，激光(guāng)點雲的(de)高(gāo)程信息能夠改善影(yǐng)像分(fēn)割效果; 激光(guāng)點雲數據得(de)到的(de)高(gāo)程信息能将地面地物(wù)與非地面地物(wù)較好地區(qū)分(fēn)，對(duì)建築和(hé)植被的(de)分(fēn)類起到了(le)有效作用(yòng)。