一种基于三维深度学习的机载LiDAR数据树种分类方法技术

一种基于三维深度学习的机载LiDAR数据树种分类方法，属于机载激光LiDAR点云数据分类技术领域。包括：加载机载LiDAR数据；去除机载LiDAR数据的噪声点，并滤除地面点；分别通过分水岭分割算法和基于点云距离的分割算法进行单木分割形成单木点云数据；对分割后得到的单木点云数据制作深度学习样本数据集，并将数据集分为训练集和测试集；利用深度学习网络对训练集进行特征抽象并完成训练；利用训练后的网络模型分类测试集树种。该方法简单高效，且无需将点云做体素分割或多视图投影。

【技术实现步骤摘要】
一种基于三维深度学习的机载LiDAR数据树种分类方法
本专利技术属于机载激光LiDAR点云数据分类
，特别是涉及一种基于三维深度学习的机载LiDAR数据树种分类方法。
技术介绍
树种分类是生态环境、林业测量、遥感等众多行业和领域的重点研究课题，因为树种识别对于生态系统评估、生物多样性监测和森林资源利用起着至关重要的作用。传统的树种分类方法通常是利用高光谱遥感技术，通过树木的光谱信息区分不同的树种。然而，高光谱数据冗余度大，且存在着“同谱异物”和“同物异谱”的现象，忽略了树木的三维结构信息。激光雷达(LightDetectingandRanging,LiDAR)是一种先进的主动遥感技术，它能够快速获取地表目标高精度的高度信息和三维结构信息，且具有抗干扰能力强、低空探测性能好等优点。随着无人机技术的快速发展，无人机激光雷达为快速、准确的植被精细分类提供了有力的技术支撑。近年来，深度学习技术在三维数据上取得了很好的发展，根据输入网络的表达方式可以概括为以下三种：(1)基于体素的方法一般是将三维模型划分为三维网格后再进行3D卷积，代表模型本文档来自技高网...

【技术保护点】
1.一种基于三维深度学习的机载LiDAR数据树种分类方法，其特征在于：包括以下步骤：/n步骤S1，加载机载LiDAR数据；/n步骤S2，去除机载LiDAR数据的噪声点，并滤除地面点；/n步骤S3，分别通过分水岭分割算法和基于点云距离的分割算法进行单木分割形成单木点云数据；/n步骤S4，对分割后得到的单木点云数据制作深度学习样本数据集，并将数据集分为训练集和测试集；/n步骤S5，利用深度学习网络对训练集进行特征抽象并完成训练；/n步骤S6，利用训练后的网络模型分类测试集树种。/n

【技术特征摘要】
1.一种基于三维深度学习的机载LiDAR数据树种分类方法，其特征在于：包括以下步骤：
步骤S1，加载机载LiDAR数据；
步骤S2，去除机载LiDAR数据的噪声点，并滤除地面点；
步骤S3，分别通过分水岭分割算法和基于点云距离的分割算法进行单木分割形成单木点云数据；
步骤S4，对分割后得到的单木点云数据制作深度学习样本数据集，并将数据集分为训练集和测试集；
步骤S5，利用深度学习网络对训练集进行特征抽象并完成训练；
步骤S6，利用训练后的网络模型分类测试集树种。


2.按照权利要求1所述的树种分类方法，其特征在于：所述步骤S2包括以下步骤：
(21)对每一个点搜索相同个数的邻域点，并计算该点到邻域点的距离平均值Dmean及其中值m和标准差σ，计算最大距离Dmax：
Dmax＝m+K*σ
其中K为标准差倍数，设置为5，若Dmean大于Dmax，则认为该点为噪点，将其去除；
(22)对LiDAR数据以1m的尺寸划分网格，取每个网格的最低点进行光栅化，再利用形态学开操作选取潜在地面种子点Gpotential；
(23)利用平移平面拟合法滤除潜在地面种子点Gpotential中的非地面点，进而获得准确基地面种子点Gseeds；
(24)对地面种子点Gseeds建立TIN模型，执行先向下再向上的迭代加密，得到地面点Gresult并滤除。


3.按照权利要求1所述的树种分类方法，其特征在于：所述步骤S3包括以下步骤：
(31)从经过预处理后的LiDAR数据生成数字表面模型和数字高程模型，得到冠层高度模型；
(32)测量树高和树冠大小，通过可变的窗口大小过滤冠层高度模型得到树冠顶点模型；
(33)利用高斯滤波平滑树冠顶点模型，检测可变窗口尺寸的最大值并标记出树顶；
(34)利用分水岭算法对步骤S2得到的LiDAR数据单木分割；
(35)利用基于点云距离的分...

【专利技术属性】
技术研发人员：刘茂华，韩梓威，陈一鸣，刘正军，韩颜顺，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：辽宁;21