基于分层模糊证据合成的LIDAR数据地物分类方法技术

本发明专利技术公开了基于分层模糊证据合成的LIDAR数据地物分类方法。通过构建模糊信任分配模型对首次回波高程图像、首末次回波高程差图像、首次回波强度图像、归一化植被差异指数图像分别进行信任分配，得到对应的信任分配图像；使用中值滤波对各信任分配图像进行降噪处理；构造分层框架，对各层滤波结果进行合成，根据最大值规则对合成结果进行决策得到最终的分类结果。本发明专利技术克服了已有高精度方法分类速度慢无法满足用户需求的缺陷，在保证较高精度的同时，有效地提升了算法运行的速度，形成了一种快速的高精度地物分类算法。可应用于城市三维建模、大规模生态变化评估、地质灾害快速勘察等领域。

【技术实现步骤摘要】
基于分层模糊证据合成的LIDAR数据地物分类方法
本专利技术涉及机载LIDAR数据领域中的地物分类方法，具体为基于分层模糊证据合成的LIDAR数据地物分类方法。
技术实现思路
机载激光扫描测距系统(LightDetectionAndRanging，简称LIDAR)由激光扫描仪、可见光或红外成像系统、全球定位系统和惯性导航设备等构成，是一项发展迅速的新型测绘遥感技术。由于其可快速、准确、实时地提供大量的三维数据信息，被广泛用于城市三维建模、大规模生态变化评估、地质灾害状况勘察等领域。从高密度的LIDAR数据中进行有效信息提取是生成各类测绘产品的前提，而地物分类方法则是有效信息提取的核心技术之一。目前LIDAR数据地物分类领域内高精度的分类算法很多，而随着LIDAR技术的发展，测量的区域地形地物更加复杂，LIDAR数据的密度也在不断增加，这必将加大LIDAR数据后处理的工作量，增加处理时间。而对于战斗机轰炸目标选定、恶劣天气条件下飞机降落导航、地质灾害救灾政策快速制定等应用，地物分类方法不仅需要满足高精度的要求，更需要保证分类的快速完成。在保证较高精度的同时，如何对大量的机载LIDAR数据进行快速分类，成为了一个亟待解决的问题。传统方法如基于多源特征融合分类方法，利用了监督分类的思想，融合多源数据进行分类，该方法不仅需要训练样本，还要人工参与为每类特征分配权重，算法复杂度高，速度较慢；马尔科夫随机场方法，虽然有效提升了分类的精度，但是分类程序运行时间却长达十几秒甚至几百秒；Otsu聚类与拓扑模型相结合的办法进行分类，算法的速度无法满足实用需求；另有其他方法，如K-均值聚类方法、小波变换和空间尺度相结合的方法、数学形态方法等，分类精度尚可，但都难以在速度上满足用户的需求。
技术实现思路
本专利技术为了解决现有地物分类方法无法同时满足高精度和运算快的问题，提供了基于分层模糊证据合成的LIDAR数据地物分类方法。本专利技术是采用如下的技术方案实现的：基于分层模糊证据合成的LIDAR数据地物分类方法，包括以下步骤：S1：构造分层框架，选取首次回波强度图像IN和LIDAR数据预处理后得到的首末次回波高程差图像HD为分层框架第一层输入；选取首次回波高程图像DSMFE和LIDAR数据预处理后得到的归一化植被差异指数图像NDVI为分层框架第二层输入；S2：构建模糊信任分配模型，对分层框架每层输入的图像分别进行模糊信任分配并得到信任分配图像；S21：构建模糊信任分配模型为：式中，M1、M2分别表示信任值下限和上限，h1、h12、h2为类别间阈值,i为数据源图像,x为像素点，A、B和A∪B表示模型中三个不同的类别；S22：对首末次回波高程差图像HD进行模糊信任分配，得到信任分配图像和对首次回波强度图像IN进行模糊信任分配，得到信任分配图像和对首次回波高程图像DSMFE进行模糊信任分配，得到信任分配图像和对归一化植被差异指数图像NDVI进行模糊信任分配，得到信任分配图像和S3：使用中值滤波方法对S2得到的信任分配图像都进行降噪处理，去除类椒盐噪声的信任分配点；S4：根据DS证据理论合成规则对S3中得到的分层框架第一层中滤波后的信任分配图像进行合成，合成后的图像为和合成后的图像再进行中值滤波得到滤波图像,滤波图像与S3中得到的分层框架第二层中滤波后的信任分配图像进行合成，得到4副合成图像mC(x)、mT(x)、mG(x)和mS(x)，该四副图像分别表示像素点x属于目标区域中四个类别C、T、G、S的信任分配值，类别中C代表建筑，T代表树木，G代表草地，S代表空地；S5：根据最大值规则对S4中得到的合成图像进行决策，得到分类结果。本专利技术首先构造了分层框架，将首次回波强度图像IN和首末次回波高程差图像HD分为一层，由于首末次回波高程差图像HD区分目标区域的树木和其他类别的时候利用的是激光的穿透特性，可是有些茂密的树丛会影响雷达反射波，使树木被误分为建筑，因此仅用首末次回波高程差图像HD来区分树木和其他类别并不能得到有效的结果，本专利技术融合首末次回波高程差图像HD和首次回波强度图像IN两种图像，首次回波强度图像IN根据激光反射波强度来区分树木和其他类，利用两种图像相结合来区分树木与其它类别，树木区域被误分为其他类别的点明显减少；将首次回波高程图像DSMFE和归一化植被差异指数图像NDVI分为一层，也能减少目标区域内草地和空地的误分；同时本专利技术在分层的基础上，创造性地构建了模糊信任分配模型，在基本信任分配函数原有两种类别(A和B)之间增加了模糊类别(A∪B类别)，用该模糊信任分配模型对图像进行模糊信任分配时，可将无法确定类别的信任分配点归为模糊类别，提高分类的精度，该模糊信任分配模型仅受选定的类别间阈值影响，不需要训练样本或迭代，因此在提高了分类精度的同时减少了分类的时间；本方法中还首次采用了中值滤波对信任分配图像进行降噪处理，归一化植被差异指数图像NDVI只能识别单棵植物，因此现有分类方法的分类结果的草地区域中有大量类椒盐噪声点被分类为空地，本专利技术使用中值滤波来解决此问题，中值滤波可以有效地去掉孤立噪声点，使草地区域的像素点接近其真实值，从而减少分类错误的孤立点。DS证据理论、最大值规则和中值滤波都为本领域的技术人员熟知的。本专利技术与现有技术相比具有以下优点：1.本专利技术通过构造分层框架，结合四种图像进行分类。与传统方法相比，加入回波强度图像IN参与分类，回波强度图像IN与首末次回波高程差图像HD具有区分相同地物类别的特性，但回波强度图像IN依据的是激光反射波强度，而首末次回波高程差图像HD依据的是激光的穿透特性，将两者作为第一层输入参与分类，可以互相检验，减少分类错误，提高分类精度；2.本专利技术构建了模糊信任分配模型，在基本信任分配函数原有两种类别之间增加了模糊类别，用该模型对图像进行模糊信任分配时，可将无法确定类别的信任分配点归为模糊类别，提高分类的精度，该模型仅受选定的类别间阈值影响，不需要训练样本或迭代，因此分类速度快。3.本专利技术使用中值滤波对各个信任分配图像进行降噪处理，有效地去除由模糊分配模型影响而产生的大量的黑白相间的亮暗点；对第一层的合成信任分配图像进行二次滤波，有效消除由合成方法产生的噪声。综合考虑到每个信任分配点周边的信任分配值，有效地减少孤立的信任分配点，提高方法的精度。附图说明图1为本专利技术的流程示意图。图2为模糊信任分配模型的函数图。图3为首次回波高程图像DSMFE。图4为首次回波强度图像IN。图5为末次回波高程图像DSMLE。图6为RGB彩色图像。图7为近红外图像NIR。图8为首末次回波高程差图像HD。图9为归一化植被差本文档来自技高网...

【技术保护点】
基于分层模糊证据合成的LIDAR数据地物分类方法，其特征在于包括以下步骤：S1：构造分层框架，选取首次回波强度图像IN和LIDAR数据预处理后得到的首末次回波高程差图像HD为分层框架第一层输入；选取首次回波高程图像DSMFE和LIDAR数据预处理后得到的归一化植被差异指数图像NDVI为分层框架第二层输入；S2：构件模糊信任分配模型，对分层框架每层输入的图像分别进行模糊信任分配并得到信任分配图像；S21：构件模糊信任分配模型为：MAi(x)=M2x<h1M2-M2-M1h12-h1(x-h1)h1<x<h12]]>MBi(x)=M1+M2-M1h2-h12(x-h12)h12<x<h2M2x≥h2]]>MA∪Bi(x)=M1x≤h1M1+M2-M1h12-h1(x-h1)h1<x≤h12M2-M2-M1h2-h12(x-h12)h12<x<h2M2x≥h2]]>式中，M1、M2分别表示信任值下限和上限，h1、h12、h2为类别间阈值,i为数据源，x为像素点，A、B和A∪B表示模型中三个不同的类别；S22：首末次回波高程差图像HD进行模糊信任分配，得到信任分配图像和首次回波强度图像IN进行模糊信任分配，得到信任分配图像和首次回波高程图像DSMFE进行模糊信任分配，得到信任分配图像和归一化植被差异指数图像NDVI进行模糊信任分配，得到信任分配图像和S3：使用中值滤波方法对S2得到的信任分配图像都进行降噪处理，去除类椒盐噪声的信任分配点；S4：根据DS证据理论合成规则对S3中得到的分层框架第一层中滤波后的信任分配图像进行合成，合成后的图像为和合成后的图像再进行中值滤波得到滤波图像,滤波图像与S3中得到的分层框架第二层中滤波后的信任分配图像进行合成，得到4副合成图像mC(x)、mT(x)、mG(x)和mS(x)，该四副图像分别表示像素点x属于目标区域中四个类别C、T、G、S的信任分配值，类别中C代表建筑，T代表树木，G代表草地，S代表空地；S5：根据最大值规则对S4中得到的合成图像进行决策，得到分类结果。...

【技术特征摘要】
1.一种基于分层模糊证据合成的LIDAR数据快速地物分类方法，其特征在于包括以下步骤：S1：构造分层框架，选取首次回波强度图像IN和LIDAR数据预处理后得到的首末次回波高程差图像HD为分层框架第一层输入；选取首次回波高程图像DSMFE和LIDAR数据预处理后得到的归一化植被差异指数图像NDVI为分层框架第二层输入；S2：构件模糊信任分配模型，对分层框架每层输入的图像分别进行模糊信任分配并得到信任分配图像；S21：构件模糊信任分配模型为：式中，M1、M2分别表示信任值下限和上限，h1、h12、h2为类别间阈值,i为数据源，x为像素点，A、B和A∪B表示模型中三个不同的类别；S...

【专利技术属性】
技术研发人员：杨风暴，李大威，冯裴裴，王肖霞，梁晓伟，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西;14