淺析傾斜攝影(yǐng)測量點雲監督分(fēn)類方法

另外，傾斜航空攝影(yǐng)技術在近年來(lái)的(de)飛(fēi)迅發展，通(tōng)過密集匹配方法從多(duō)角度航空傾斜影(yǐng)像中獲取具有立面信息的(de)高(gāo)密度點雲，被稱爲傾斜攝影(yǐng)測量點雲。然而，這(zhè)些點雲數據并不具備語義信息，點雲分(fēn)類成爲點雲應用(yòng)的(de)關鍵所在，高(gāo)精度的(de)點雲分(fēn)類具有極大(dà)的(de)研究價值和(hé)現實意義。

目前，針對(duì)激光(guāng)點雲分(fēn)類的(de)方法較多(duō)，但和(hé)傾斜航空攝影(yǐng)技術相比，激光(guāng)雷達技術掃描事獲取建築物(wù)立面的(de)點較少，所以傾斜攝影(yǐng)測量點雲的(de)應用(yòng)有著(zhe)廣泛的(de)需求，有學者提出一種面向對(duì)象的(de)傾斜攝影(yǐng)測量點雲監督分(fēn)類方法。

由于在監督分(fēn)類方法中，随機森林(lín)算(suàn)法和(hé) SVM 分(fēn)類精度相當，且在計算(suàn)效率、對(duì)異常值和(hé)噪聲的(de)魯棒性、内部誤差估計和(hé)變量重要性等方面具有優越性，因此本文采用(yòng)随機森林(lín)分(fēn)類器進行分(fēn)類。根據目标對(duì)象的(de)顔色和(hé)幾何等特征将點雲分(fēn)成屋頂、地面、植被和(hé)立面 4 類。

本文分(fēn)類方法采用(yòng)的(de)特征如下(xià):

1)法向量nx，ny和(hé)nz。每一點的(de)法向量定義爲對(duì)其k鄰域内的(de)點進行最小二乘以和(hé)得(de)到的(de)平面法向量。

2)顔色信息B，G和(hé)R。其值分(fēn)别爲影(yǐng)像每個(gè)像素藍光(guāng)、綠光(guāng)和(hé)紅光(guāng)3通(tōng)道的(de)DN值，在影(yǐng)像密集匹配時(shí)直接獲取。

3)歸一化(huà)高(gāo)程Nz。本文利用(yòng)文獻（HuH，DingYL，ZhuQ，et...）方法分(fēn)離地面點并内插得(de)到數字地形模型(digitalterrainmodel，DTM)，然後每一點減去DTM的(de)對(duì)應高(gāo)度以獲取歸一化(huà)高(gāo)度。

4)綠信比Gr。由于植被區(qū)域綠光(guāng)波段DN值一般比紅光(guāng)和(hé)藍光(guāng)波段DN值高(gāo)，因此本文采用(yòng)綠信比來(lái)區(qū)分(fēn)植被［8］，即Gr=G/(R+G+B)。

5)局部拟合平面垂直度fv。假設平面方程爲ax+by+cz+d=0，式中:x，y和(hé)z爲點的(de)坐(zuò)标;a，b，c和(hé)d爲平面拟合方程的(de)參數。那麽，fv定義爲fv(pi)=|c|，式中pi爲第i個(gè)點。fv的(de)取值範圍爲(0，1)，當拟合平面接近于鉛垂面時(shí)，fv的(de)值趨近于1。

6)局部平面拟合度fp。通(tōng)常情況下(xià)，建築物(wù)屋頂比較規則，多(duō)由平面組成，而植被區(qū)表面不規則，因此平面拟合度可(kě)以作爲一個(gè)分(fēn)類特征，即

式中:n爲鄰域點數;dj爲第j個(gè)鄰域點到平面的(de)距離。計算(suàn)平面拟合度時(shí)，利用(yòng)一定鄰域内的(de)點拟合一個(gè)平面，然後計算(suàn)所有拟合該平面的(de)點到該平面距離的(de)負數指數幂作爲fp。fp的(de)取值範圍爲(0，1)，局部鄰域越接近于平面，fp的(de)值越小。

1．2對(duì)象分(fēn)割與特征計算(suàn)

采用(yòng)的(de)點雲軟件生成的(de)密集點雲，每一張影(yǐng)像對(duì)應一個(gè)點雲文件。并采用(yòng)間接的(de)方法獲得(de)點雲對(duì)象，即首先利用(yòng)簡單線性叠代聚類(SLIC)算(suàn)法将點雲對(duì)應的(de)影(yǐng)像分(fēn)割成超像素，該算(suàn)法僅需要指定超像素的(de)數量m;然後，利用(yòng)共線方程将點雲投影(yǐng)到影(yǐng)像上;再根據超像素分(fēn)割的(de)結果将點雲聚類成不同的(de)超體素，作爲分(fēn)類的(de)對(duì)象。

在獲取了(le)點雲對(duì)象之後，根據對(duì)象中所包含的(de)單點的(de)特征向量，采用(yòng)公式計算(suàn)對(duì)象的(de)特征向量，即

式中:fo表示對(duì)象的(de)特征向量;fl表示第l個(gè)單點的(de)特征向量;N表示一個(gè)對(duì)象中包含的(de)單點數量。

1．3随機森林(lín)算(suàn)法

随機森林(lín)算(suàn)法由Breiman于2001年提出。該算(suàn)法的(de)基本思想是用(yòng)随機的(de)方式建立一個(gè)森林(lín)，森林(lín)中含有很多(duō)決策樹，每一棵樹都是二叉樹的(de)形式。在生成森林(lín)之後，當輸入新的(de)樣本時(shí)，每棵決策樹便會對(duì)其進行判斷，然後根據所有的(de)判斷結果選出票(piào)數最多(duō)的(de)作爲最終的(de)分(fēn)類結果。

針對(duì)待處理(lǐ)的(de)點雲數據，首先選取了(le)4個(gè)類别(建築物(wù)屋頂、地面、植被和(hé)建築物(wù)立面)的(de)少量樣本數據，然後選取20%的(de)樣本作爲訓練數據，剩餘的(de)樣本作爲測試數據。

這(zhè)裏将将點雲特征構成的(de)10維特征向量直接輸入到随機森林(lín)分(fēn)類器中，在訓練分(fēn)類器之後，利用(yòng)測試數據評價分(fēn)類正确率。由于對(duì)象的(de)數量對(duì)分(fēn)類結果有較大(dà)影(yǐng)響，因此本文測試了(le)不同對(duì)象數量的(de)分(fēn)類效果，然後選擇效果較好的(de)分(fēn)類器對(duì)所有待處理(lǐ)點雲(即總體數據)進行分(fēn)類。

1．4後處理(lǐ)優化(huà)

初始分(fēn)類結果中不可(kě)避免地存在錯誤分(fēn)類，因此進一步利用(yòng)上下(xià)文關系對(duì)初始分(fēn)類結果進行優化(huà)。

首先，對(duì)分(fēn)類結果進行聯通(tōng)分(fēn)析，将具有鄰接關系的(de)同類點雲聚成簇;然後，根據上下(xià)文關系對(duì)其進行優化(huà)處理(lǐ)，具體包括以下(xià)3個(gè)規則:

①對(duì)于屋頂簇，如果屋頂周圍沒有立面，則認爲該屋頂是錯分(fēn)的(de)，根據其鄰域中所占比例最高(gāo)的(de)類别來(lái)修正其類别;

②對(duì)于地面簇，如果地面的(de)周圍隻有屋頂，則将該地面修正爲屋頂;

③對(duì)于立面簇，如果立面周圍沒有屋頂，則該立面是錯分(fēn)的(de)，根據其鄰域中所占比例最高(gāo)的(de)類别來(lái)修正其類别。

版權聲明(míng)：文章(zhāng)來(lái)源于網絡，登載此文出于傳遞更多(duō)信息之目的(de)，版權歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的(de)權益，請聯系我們。