【技术实现步骤摘要】
一种基于球形邻域的多尺度多特征算法的语义分割方法
[0001]本专利技术属于遥感与摄影测量
，具体涉及一种基于球形邻域的多尺度多特征算法的语义分割方法。
技术介绍
[0002]深度学习是一种可以通过深层网络结构自动学习提取输入数据高级特征的新兴技术，是当前模式识别，计算机视觉和数据分析中最有影响力，发展最快的前沿技术。在应用于3D数据之前，深度学习已成为2D计算机视觉和图像处理中各种任务的有效力量，特别是2012年AlexNe在ImageNet的图像识别竞赛上应用卷积神经网络(Convolutional Neural Networks,CNN)以高出第二名十几个百分点的成绩夺冠后，以CNN为主的深度神经网络结构在图像分类、分割和识别等领域取得了重大的突破。但由于三维激光点云的高密度、海量及无结构的特性，传统的深度学习方法无法直接应用于三维点云的分割。
[0003]大量学者在三维点云数据的深度学习上做了大量的工作，为了能够在三维激光点云数据上应用现有的神经网络结构，在将点云数据输入到神经网络之前需要对其进行数据预...
【技术保护点】
【技术特征摘要】
1.一种基于球形邻域的多尺度多特征算法的语义分割方法，其特征在于：所述方法包括：S1：将获取到的点云数据与遥感影像进行配准，生成融合RGB信息的点云数据；S2: 对融合RGB信息的点云数据进行多尺度邻域的设计及特征提取：通过研究点云空间索引结构，选定球形邻域来获取融合RGB信息的点云数据的局部邻域特征，并通过改变球形邻域半径大小，提取多尺度的点云特征；所述点云特征包括基础特征和基于协方差的多特征；所述基础特征包括点云的xyz坐标信息和RGB信息；所述基于协方差的多特征包括5维邻域特征，即基于协方差的全方差、粗糙度、平整度、线性度和垂直度信息；S3：将提取的基础特征、至少两个尺度的5维邻域特征与点云的xyz坐标信息组合输进基于PointNet的改进的模型MSMF
‑
PointNet中进行语义分割，输出分类结果。2.如权利要求1所述的基于球形邻域的多尺度多特征算法的语义分割方法，其特征在于：所述基于PointNet的改进的模型MSMF
‑
PointNet包括改进的PointNet网络和至少两个Mini
‑
pointnet网络；所述点云的xyz坐标信息和RGB信息输入改进的PointNet网络，改进的PointNet网络输出的是64维的点特征和1024维的全局特征；所述至少两个尺度的5维邻域特征与点云的xyz坐标信息组合输入Mini
‑
pointnet网络；Mini
‑
PointNet输出的是两个256维的特征向量，将两部分输出后的数据进行全连接，输进softmax分类器进行分类。3.如权利要求2所述的基于球形邻域的多尺度多特征算法的语...
【专利技术属性】
技术研发人员：何培培，费美琪，王靖伟，程星星，胡青峰，高科甲，廖磊，
申请(专利权)人：日照市国土空间数据中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。