淺析傾斜攝影測量點(diǎn)云監督分類(lèi)方法

另外，傾斜航空攝影技術(shù)在近年來(lái)的飛迅發(fā)展，通過(guò)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(chēng)為傾斜攝影測量點(diǎn)云。然而，這些點(diǎn)云數據并不具備語(yǔ)義信息，點(diǎn)云分類(lèi)成為點(diǎn)云應用的關(guān)鍵所在，高精度的點(diǎn)云分類(lèi)具有極大的研究?jì)r(jià)值和現實(shí)意義。

目前，針對激光點(diǎn)云分類(lèi)的方法較多，但和傾斜航空攝影技術(shù)相比，激光雷達技術(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)云的應用有著(zhù)廣泛的需求，有學(xué)者提出一種面向對象的傾斜攝影測量點(diǎn)云監督分類(lèi)方法。

由于在監督分類(lèi)方法中，隨機森林算法和 SVM 分類(lèi)精度相當，且在計算效率、對異常值和噪聲的魯棒性、內部誤差估計和變量重要性等方面具有優(yōu)越性，因此本文采用隨機森林分類(lèi)器進(jìn)行分類(lèi)。根據目標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(lèi)。

本文分類(lèi)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(gè)像素藍光、綠光和紅光3通道的DN值，在影像密集匹配時(shí)直接獲取。

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

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

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

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

式中:n為鄰域點(diǎn)數;dj為第j個(gè)鄰域點(diǎn)到平面的距離。計算平面擬合度時(shí)，利用一定鄰域內的點(diǎn)擬合一個(gè)平面，然后計算所有擬合該平面的點(diǎn)到該平面距離的負數指數冪作為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對象分割與特征計算

采用的點(diǎn)云軟件生成的密集點(diǎn)云，每一張影像對應一個(gè)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(jiǎn)單線(xiàn)性迭代聚類(lèi)(SLIC)算法將點(diǎn)云對應的影像分割成超像素，該算法僅需要指定超像素的數量m;然后，利用共線(xiàn)方程將點(diǎn)云投影到影像上;再根據超像素分割的結果將點(diǎn)云聚類(lèi)成不同的超體素，作為分類(lèi)的對象。

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

式中:fo表示對象的特征向量;fl表示第l個(gè)單點(diǎn)的特征向量;N表示一個(gè)對象中包含的單點(diǎn)數量。

1．3隨機森林算法

隨機森林算法由Breiman于2001年提出。該算法的基本思想是用隨機的方式建立一個(gè)森林，森林中含有很多決策樹(shù)，每一棵樹(shù)都是二叉樹(shù)的形式。在生成森林之后，當輸入新的樣本時(shí)，每棵決策樹(shù)便會(huì )對其進(jìn)行判斷，然后根據所有的判斷結果選出票數最多的作為最終的分類(lèi)結果。

針對待處理的點(diǎn)云數據，首先選取了4個(gè)類(lèi)別(建筑物屋頂、地面、植被和建筑物立面)的少量樣本數據，然后選取20%的樣本作為訓練數據，剩余的樣本作為測試數據。

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

1．4后處理優(yōu)化

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

首先，對分類(lèi)結果進(jìn)行聯(lián)通分析，將具有鄰接關(guān)系的同類(lèi)點(diǎn)云聚成簇;然后，根據上下文關(guān)系對其進(jìn)行優(yōu)化處理，具體包括以下3個(gè)規則:

①對于屋頂簇，如果屋頂周?chē)鷽](méi)有立面，則認為該屋頂是錯分的，根據其鄰域中所占比例最高的類(lèi)別來(lái)修正其類(lèi)別;

②對于地面簇，如果地面的周?chē)挥形蓓?，則將該地面修正為屋頂;

③對于立面簇，如果立面周?chē)鷽](méi)有屋頂，則該立面是錯分的，根據其鄰域中所占比例最高的類(lèi)別來(lái)修正其類(lèi)別。

版權聲明：文章來(lái)源于網(wǎng)絡(luò )，登載此文出于傳遞更多信息之目的，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權益，請聯(lián)系我們。