一种基于无人机的数据处理的方法及装置制造方法及图纸

本申请涉及终端领域，公开了一种基于无人机的数据处理的方法及装置。所述方法包括：通过无人机实现高光谱图像和LiDAR数据的同步数据采集和存储；然后利用二维Gabor滤波器和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行幅值特征提取，得到具有相似性和互补性的纹理特征；将提取到的两类纹理特征连接，利用KPCA算法进行特征抽取，进一步与降维后的原始高光谱数据连接得到最终的融合特征，并利用支持向量机进行监督分类。该方法的优点在于使用Gabor特征提取异质数据的纹理特征，使原始异质数据在纹理特征空间具有可融合性，同时加入原始高光谱图像的有效光谱信息的特征表达，最终融合了光谱、纹理、高程三大特征，提升了地物的识别精度。

【技术实现步骤摘要】
一种基于无人机的数据处理的方法及装置
本专利技术涉及计算机领域，尤其涉及一种基于无人机的数据处理的方法及装置。
技术介绍
目前，随着科学技术的发展，通过遥感影像获取地面专题信息已成空间信息科学以及相关行业部门研究和应用的热点。遥感影像信息提取的基础和关键是影像分类，即对同一类地物所对应的影响目标进行划分。具体的，通过高光谱传感器在数百个波段上对地物成像获得的高光谱图像包含了关于地物辐射、空间和光谱三重信息，使得地物的识别和分类更加有效，是当前遥感成像技术的研究热点。然而，高光谱传感器易受云层影响，同时高光谱图像中同物异谱、同谱异物的情况广泛存在，造成直接使用原始高光谱图像进行分类的精度低下。
技术实现思路
本专利技术实施例公开了一种基于无人机的数据处理的方法，通过将高光谱图像和包含地物高程几何信息的激光探测与测量数据进行特征融合以提高地物分类精度。本专利技术实施例第一方面公开一种基于无人机的数据处理的方法，所述方法包括：同步采集高光谱图像和激光探测与测量LiDAR数据；利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达；利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达；将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达；利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理；根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征；根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。本专利技术第二方面公开了一种装置，所述装置包括：采集单元，用于同步采集高光谱图像和激光探测与测量LiDAR数据；提取单元，用于利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达；所述提取单元，还用于利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达；连接单元，用于将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达；降维单元，用于利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理；获取单元，用于根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征；分类单元，用于根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。本专利技术第三方面公开了一种服务器，所述服务器包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行本专利技术第一方面中任一项所述的方法。本专利技术第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序使得终端执行如本专利技术第一方面任一项所述的方法。与现有技术相比，本专利技术实施例具有以下有益效果：本专利技术实施例中，采集并存储高光谱图像和LiDAR数据的；利用二维Gabor滤波器和三维Gabor滤波器分别对LiDAR数据和高光谱图像进行幅值特征提取，得到具有相似性和互补性的纹理特征；将提取到的两类纹理特征连接，利用KPCA算法对连接后的纹理特征进行特征抽取，将提取后的特征与降维后的原始高光谱数据连接得到最终的融合特征，并利用支持向量机进行监督分类。该方法的优点在于使用Gabor特征提取异质数据的纹理特征，使原始异质数据在纹理特征空间具有可融合性，同时加入原始高光谱图像的有效光谱信息的特征表达，最终融合了光谱、纹理、高程三大特征，提升了地物的识别精度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例公开的一种基于无人机的数据处理的方法的流程示意图；图2是本专利技术实施例公开的另一种基于无人机的数据处理的方法的流程示意图；图3是本专利技术实施例公开的一种基于无人机的数据处理装置的结构示意图；图4是本专利技术实施例公开的另一种基于无人机的数据处理装置的结构示意图；图5是本专利技术实施例公开的一种基于无人机的数据处理装置的物理结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种数据处理的方法及装置，通过将高光谱图像和包含地物高程几何信息的激光探测与测量数据进行特征融合以提高地物分类精度。以下分别进行详细说明。本专利技术是一种联合使用无人机高光谱图像和激光探测与测量数据(LightDetectionAndRanging，LiDAR)的特征提取与融合分类技术及系统。通过高光谱传感器在数百个波段上对地物成像获得的高光谱图像包含了关于地物辐射、空间和光谱三重信息，使得地物的识别和分类更加有效。然而，高光谱传感器易受云层影响，同时高光谱图像中同物异谱、同谱异物的情况广泛存在，造成直接使用原始高光谱图像进行分类的精度低下。随着遥感成像技术的不断进步，将高光谱图像和包含地物高程几何信息的激光探测与测量数据(LightDetectionAndRanging，LiDAR)进行特征联合是提高地物分类精度的可行途径。一般来说，在实施分类之前，首先分别对高光谱图像和LiDAR数据进行特征提取；然后对提取到的特征进行特征降维及融合；最后对融合后的特征进行地物分类。根据高光谱图像和LiDAR数据维度的不同，可分别采用三维空谱特征提取和二维空间高程特征提取。对于LiDAR数据来说，其所包含的地物高程信息具有空间位置上的相关性，主要采用二维空间特征提取方法；二维空间特征提取主要利用不同方向的滤波器对LiDAR数据进行特征表达。具体来说，它首先提取各个方向的空间特征，然后将不同方向的空间特征叠加在一起。例如，二维Gabor和二维局部二值模式(LocalBinaryPattern,LBP)是两种典型的空间特征提取方法。二维Gabor特征对图像中的光照变化具有很好的鲁棒性，二维LBP可以充分利用图像中的局部空间依赖关系。对于高光谱图像来说，由于其具有三维空谱联合结构，传统的二维空间特征提取方法不能够充分挖掘其空谱联合信息；三维空谱特征提取方法通过考察不同像素间的空谱结构关系，能够联合空间特征和光谱特征对高光谱图像进行表达。空谱联合特征提取方法充分利用了高光谱图像中关于地物的空间、辐射和光谱等信息，能够获取反映地物多方面特性的鉴别信息，提升了特征的判别能力。三维Gabor是一种典型的空谱联合特征提取方法。通过对一系列三维Gabor特征进行选择和融合，可以获取反映高光谱图像空谱联合结构的代表性特征。另一方面，针对特征维数高导致分类算法计算复杂度高的问题，可采用核函数的主成分分析算法(KernelPrincipalComponentAnalysis，KPCA)进行解决。KPCA本文档来自技高网...

【技术保护点】
1.一种基于无人机的数据处理的方法，其特征在于，所述方法包括：同步采集高光谱图像和激光探测与测量LiDAR数据；利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达；利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达；将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达；利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理；根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征；根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。

【技术特征摘要】
1.一种基于无人机的数据处理的方法，其特征在于，所述方法包括：同步采集高光谱图像和激光探测与测量LiDAR数据；利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达；利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达；将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达；利用核函数的主成分分析算法KPCA分别对所述目标Gabor特征表达和所述高光谱图像进行降维处理；根据经过降维处理后的目标Gabor特征表达和高光谱图像获取融合表达特征；根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类。2.根据权利要求1所述的方法，其特征在于，所述LiDAR数据图像为ILiDAR∈RX×Y，其中X,Y为图像的空间维度；所述二维Gabor滤波器组是根据4个不同频率{um,m＝1,2,...,4}、6个不同方向{θn,n＝1,2,...,6}以及第一预设公式获取的；其中，第一公式为：其中，z＝xcosθn+ysinθn；所述利用二维Gabor滤波器组对LiDAR数据进行幅值特征提取以获取二维Gabor特征表达，包括：将所述二维Gabor滤波器组与图像ILiDAR进行卷积操作，并对结果取绝对值运算以得到24个二维Gabor幅值特征；将所述24个二维Gabor幅值特征进行连接以得到LiDAR数据的二维Gabor特征表达。3.根据权利要求2所述的方法，其特征在于，所述高光谱图像为IHSI∈RX×Y×B，其中B为高光谱图像的光谱维度，其中X,Y为图像的空间维度；所述三维Gabor滤波器组是根据4个不同频率幅度{fs,s＝1,2,...,4}，13个不同方向以及第二预设公式获取的；其中，第二公式为：其中，u＝fssinφtcosθt,v＝fssinφtsinθt,w＝fscosφt所述利用三维Gabor滤波器组对所述高光谱图像进行幅值特征提取以三维Gabor特征表达，包括：将所述二维Gabor滤波器组与图像IHSI进行卷积操作，并对结果取绝对值运算以得到52个三维Gabor幅值特征；将所述52个三维Gabor幅值特征进行连接以得到高光谱图像的三维Gabor特征表达。4.根据权利要求3所述的方法，其特征在于，所述将所述二维Gabor幅值特征与所述三维Gabor幅值特征进行连接以获取目标Gabor特征表达，包括：其中，所述N为目标Gabor特征表达；其中，其中，LF＝LH+LG，LH＝24，LG＝52*B。5.根据权利要求1至4任一所述的方法，其特征在于，融合表达特征F＝{IKPCA；FKPCA}∈RX×Y×2K；其中，高光谱图像IHSI∈RX×Y×B及目标Gabor特征经过KPCA降维后分别为IKPCA∈RX×Y×K和NKPCA∈RX×Y×K；所述根据所述融合表达特征和基于带径向基核函数RBF核的支持向量机进行监督分类，包括：利用所述融合表达特征将确定样本总个数，并将样本划分为训练数据集Ftrain和测试数据集Ftest；利用所述训练数据集Ftrain以及所述支持向量机获得模型M...

【专利技术属性】
技术研发人员：贾森，张萌，朱家松，邬国锋，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44