基于模糊证据理论的主被动遥感数据融合分类方法技术

本发明专利技术涉及一种基于模糊证据理论的主被动遥感数据融合分类方法，包括，激光点云拼接，点云网格化，植被区域识别，网格数据分割及证据理论分类等五个步骤。本发明专利技术与其他分类方法相比，此方法结合机载激光点云和航空影像主被动遥感数据，尽可能融合更多有效的特征进行地物分类，并结合模糊证据理论方法对多源特征进行融合，得出每种地物的最终联合概率，从而可以有效地提高地物分类的精度。

【技术实现步骤摘要】
基于模糊证据理论的主被动遥感数据融合分类方法
本专利技术涉基于模糊证据理论的主被动遥感数据融合分类方法，属遥感测绘

技术介绍
在国家城市战略的推动下，我国城市化迅速发展，2011年城市化化率超越50％大关，2015年城市化率已达到56.10％，这种超速发展对中国城市的管理和规划提出了巨大的挑战。随着传感器和影像处理方法的不断更新，遥感技术已经成为城市管理和规划的主要手段，可以通过不同的遥感数据对大范围城市区域进行地物分类，从而为城市三维重建、地理国情监测、智慧城市以及城市规划与管理提供有效的数据支撑，这也一直是摄影测量和遥感学科的研究热点。近几年来，许多学者利用光学影像、机载\移动激光雷达测量(LightDetectionandRanging，LiDAR)和合成孔径雷达(SyntheticApertureRadar，SAR)针对城市地表覆盖分类做了广泛且深入的研究。然而，上述研究均仅仅使用单一的数据源，由于大区域城市地物以及地形的高复杂性，这些单一的数据源无法完全描述地物特性，因此如何准确且高效地从大比例尺遥感数据中识别出不同的地物类型目前仍然是一个亟待解决的难题。从20世纪70年代开始，许多学者开始通过光学影像对地物进行分类。随着光学传感器的不断发展，目前，光学影像具有分辨率高、光谱信息丰富等优点，并且能够根据影像密集匹配技术获取地物的三维信息，但是，光学影像在地物分类上存在如下限制：1)由于受到阴影和城市大气污染的影响，被动光学影像的质量和使用受到较大的限制；2)因为城市区域环境比较复杂，地物信息丰富，在影像中不可避免地会产生“同物异谱和同谱异物”的现象；3)影像密集匹配技术受地物纹理和影像的辐射质量影响较大，在弱纹理区域(如河流、雪地、窗户等)匹配歧义性较大，匹配点云精度低，上述限制都会影响到光学影像分类的精度。激光雷达测量技术得到了较好地发展，可以快速直接地获取大范围且高精度的三维地形数据。机载激光雷达可以主动地发射出较长波长的红外波段，不受大气污染和地物阴影的影响，且能够精确量测地物高度，但是，与光学影像相比，缺少丰富的波谱信息。由此可知，为了较好地利用遥感数据对地物进行分类，需利用影像和激光点云主被动遥感数据协同进行处理，然而主被动遥感技术的成像机理不一样，会产生不同类型的数据以及特征属性信息。本文拟以影像和激光点云数据为研究对象，研究如何结合主被动遥感手段协同地获取多源属性特征，并着力解决如何利用模糊证据理论对主被动遥感数据进行分类。
技术实现思路
为了解决现有分类技术上的一些不足，本专利技术提供一种基于模糊证据理论的主被动遥感数据融合分类方法，解决了主被动遥感数据中空间维度上信息挖掘不充分和分类不平衡以及分类差别较大等问题，有效的提高了分类的精度和效率，为研究者提供了很好得参考价值。为了实现上面提到的效果，提出了一种基于模糊证据理论的主被动遥感数据融合分类方法，包括以下步骤：S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵和植被指数进行统计，并根据高程信息熵和植被指数进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵和植被指数进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别Aj∈S(K)，mi(Aj)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同数据源的概率量P来计算每个类别B∈K的概率量P，从而确定出每个类别的最终概率，具体计算函数为：其中：m(B)为概率量。进一步的，所述的S2步骤中，关联函数为：其中：L为网格间隔，即网格的空间分辨率，它的取值大小与激光点云的间隔有关，对于每个网格(i,j)内点云的分布，可以通过关联函数统计出落在网格(i,j)内的所有点，从而，利用这些点对应的高程值确定出该网格的值，同时由于激光点云的随机分布，将会导致某些网格内没有点，而某些网格内也会存在多个点，为了解决此问题，当网格内没有点时，可以通过最邻近内插方法获取该网格的值。进一步的，所述的最邻近内插方法获取网格的值的具体方法为：第一步，计算出激光点云坐标X和Y的最大值和最小值，并根据点云的间隔决定网格分辨率；第二步，利用关联函数计算出每个激光点(X,Y)对应的网格坐标(i,j)，每个网格对应一个容器，把落在网格内激光点的序号存入容器内，并分别统计出网格内激光点的高程值；第三步，经过以上处理以后，对于网格内没有点的网格来说，网格为空值，可以通过最邻近内插的方法获取网格值，从而可以保证激光点云的原始信息，对于大面积的网格空值，不进行内插处理。进一步的，所述的S3步骤中，对植被区域进行识别区分时，通过：a、利用植被指数(NormalizedDifferenceVegetationIndex,NDVI)阈值识别出植被区域；b、基于单次回波和多次回波属性识别植被区域；c、于纹理信息(信息熵)识别植被区域；这三种方法中的任意一种或任意几种同时使用进行。进一步的，所述的S3步骤中，在通过高程信息熵进行统计对当前网格中的植被与地表建筑进行区分时，通过计算高程信息熵之间的高程差△H进行识别判定。进一步的，所述的概率分配函数m的表达式为：其中：Pi(x)：数据源的概率量；P1：小概率阈值；P2：大概率阈值，且0≤P1＜P2≤1；x1、x2：数据源输入参数阈值，且x2>x1。本专利技术与其他分类方法相比，此方法结合机载激光点云和航空影像主被动遥感数据，尽可能本文档来自技高网...

【技术保护点】
1.基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的基于模糊证据理论的主被动遥感数据融合分类方法包括以下步骤：S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵和植被指数进行统计，并根据高程信息熵和植被指数进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵和植被指数进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别Aj∈S(K)，mi(Aj)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同数据源的概率量P来计算每个类别B∈K的概率量P，从而确定出每个类别的最终概率，具体计算函数为：...

【技术特征摘要】
1.基于模糊证据理论的主被动遥感数据融合分类方法，其特征在于：所述的基于模糊证据理论的主被动遥感数据融合分类方法包括以下步骤：S1，激光点云拼接，首先由激光雷达对待观测区域内进行遥感测量，并逆向生成待观测区域外观激光点云，然后对各激光点云进行拼接，生成待观测区域地表外观激光点云数据，然后对生成的待观测区域地表外观激光点云数据进行保存分别，同时另复制至少一份作为原始激光点云备用；S2，点云网格化，首先在S1步骤获得原始激光点云中，分别生成点云水平面坐标(X,Y)和网格坐标(i,j)，并使点云水平面坐标(X,Y)和网格坐标(i,j)通过关联函数建立数据关联并生成网格坐标；S3，植被区域识别，首先对植被区域进行识别区分，然后基于S2步骤生成的网格坐标，对每个网格中的高程信息熵和植被指数进行统计，并根据高程信息熵和植被指数进行统计对当前网格中的植被与地表建筑进行区分，并在完成每个网格中高程信息熵和植被指数进行统计和植被与地表建筑区分后，在原始激光点云中标记植被区域边界，从而完成植被区域识别；S4，网格数据分割，完成S3步骤对制备区域识别分割后，基于“分水岭算法”，首先计算原始激光点云表面模型的梯度数据；然后利用排序算法对梯度数据进行排序；最后，利用“浸水法”对网格数据进行淹没生成分割区域；S5，证据理论分类，首先设定一个有限的集合K，且K＝{a,b,c……}集合K内包含n种互相独立的地物类别，则集合K也就是分割区域最终被识别的类别集合，然后设定S(K)为K的所有的子集的集合，且S(K)＝{O,{a},{b},{c},{a,b},{a,c},{b,c},{a,b,c}……}，其中O为不包含任何类别空集，K的所有的子集的数量为2n，然后设定S4步骤分割后的各区域数据值集合为A，并将集合A数据与集合K数据进行比对，若集合K数据包含由集合A数据时，则集合A为集合K的子集并为S(K)集合中的一个元素；然后将S4步骤分割的各区域数据值集合带入到S(K)集合中，并定义集合A数据的概率分布函数m，概率分布函数m为一个基本的概率分配函数，m(A)为某个证据信息证明某分割区域为类A的概率量P，对于一个分割区域，不同的证据信息可能会有不同的分类结果，若分割区域中存在p个数据源，对于每个类别Aj∈S(K)，mi(Aj)(1≤i≤p)定义为每个数据源的概率量P，最后通过连接这些来自不同...

【专利技术属性】
技术研发人员：赵宗泽，王双亭，王宏涛，都伟冰，王春阳，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41