一种基于多核图学习的多光谱激光雷达点云分类方法技术

本发明专利技术涉及一种基于多核图学习的多光谱激光雷达点云分类方法，属于多光谱激光雷达点云技术领域。本发明专利技术首先分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵。然后使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵。再将空间

【技术实现步骤摘要】
一种基于多核图学习的多光谱激光雷达点云分类方法


[0001]本专利技术涉及一种基于多核图学习的多光谱激光雷达点云分类方法，属于多光谱激光雷达点云


技术介绍

[0002]遥感数据解译作为遥感领域的研究热点，是国家基础地理信息建设的重要内容。随着超连续谱激光技术的发展，多光谱 LiDAR 从研发走向应用，使用具有多谱段信息探测能力的多光谱LiDAR 系统，能同步获取目标的三维空间分布信息和光谱信息，为遥感场景地物空间三维精细分类提供了数据基础和信息保障。国家《民用空间基础设施中长期发展规划（2015
‑
2025 年）》将多光谱 LiDAR列入需超前部署和发展的重点方向。多光谱激光雷达遥感地物分类工作中，在实现了观测目标三维空间
‑
光谱一体化信息采集，从根本上解决了联合利用光谱图像和LiDAR数据带来的失配、漂移等问题，同时兼顾了两者之间的互补信息，为遥感场景地物三维精细分类提供了数据基础和信息保障。
[0003]现有的多光谱点云分类研究可以概括为两个技术路线：基于像素的图像处理和基于点的点云处理技术。基于像素的图像处理方法将点云转换为二维图像进行处理，这不可避免地导致了三维空间信息的损失。而基于点的点云处理技术一般是针对单波段的激光雷达点云设计的，无法很好的使用多光谱激光雷达点云数据的光谱信息。随着深度学习领域中图理论的发展，利用图方法来处理点云相关应用逐渐出现。已有方法通常依赖于人工经验构建固定的图，不能适应遥感场景的复杂性，故分类性能不佳。

技术实现思路
<br/>[0004]本专利技术提供了一种基于多核图学习的多光谱激光雷达点云分类方法，以用于解决传统方法利用地物三维空间分布或光谱信息构建多光谱点云图模型时，由于遥感场景地物分布的复杂性和“同物异谱、同谱异物”现象，使得构建的固定结构图模型存在错误连接、连接权值不合理问题。
[0005]本专利技术的技术方案是：一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述方法的具体步骤如下：
[0006]步骤一：分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵；
[0007]空间欧式距离矩阵，光谱距离矩阵，其中代表第a个点到第b个点的空间距离，代表第a个点到第b个点的光谱距离。
[0008]多光谱激光雷达点云数据为三波段，每个点的数据表示为，x、y、z代表当前点的空间坐标，、、代表当前点的第1、2、3个波段的回波强度，将多光谱激光雷达点云数据的所有点排列，则点云数据为，得到每一维度的向量，，，，，，；
[0009]是X坐标的空间距离矩阵，其计算公式如下：，其中，是的转置，，的计算方式与的计算方式相同，最终得到空间距离矩阵，光谱距离矩阵。
[0010]步骤二：使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵；
[0011]高斯核函数，是高斯核的平滑程度参数，通过不同的确定一组不同的高斯核函数，根据选取的高斯核函数获取一组不同的核邻接矩阵，称为基核邻接矩阵集合，其中是使用不同参数计算出的基核邻接矩阵，，其中是一个超参数，用来控制光谱距离在相似性度量中的贡献度权重，代表归一化运算。本方法中使用多个不同的高斯核计算多个基核邻接矩阵，在后续步骤网络训练时，将通过自适应的学习方法组合多个基核邻接矩阵，实现邻接矩阵的自适应变化，从而增强图神经网络对复杂遥感场景的适应能力。
[0012]步骤三：将空间
‑
光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵；
[0013]将原始点云数据作为点云基础特征，使用距离矩阵扩展点云特征，最终的扩展特征矩阵为，其中代表
第a个点到第b个点的距离，。其中是步骤S2中用来控制光谱距离在相似性度量中的贡献度权重的超参数。每一行代表多光谱激光雷达点云数据中一个点的所有特征，包括原始的空间
‑
光谱信息，以及扩展的当前点到点云中其他所有点的距离，如此扩展特征可以大幅度的增加点云中每个点的信息量，同时更好的感知同一场景下点云中点之间的关系，增强了点云分类的能力。
[0014]步骤四：将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型；
[0015]单层图神经网络为，其中X为网络输入样本，A为邻接矩阵，W代表网络模型中的可训练参数，代表在模型参数为时，输入X和A后模型的输出；将图神经网络中的邻接矩阵A替换为由步骤二中得到的基核邻接矩阵集合构成的线性组合，并引入一组数量与基核邻接矩阵数量相同的可训练核权重，则输入到网络中的邻接矩阵表示为，多核图神经网络模型。即表示在模型参数为时，输入X、A和后模型的输出，和W作为可训练的权重，在网络的优化过程中可自动迭代更新。相较于输入固定图结构、即邻接矩阵固定不变的图神经网络方法，本方法在网络模型训练过程中，不只训练模型参数，同时训练一组核权重，实现在网络更新的过程中，图结构自适应变化，从而可以在优化过程中找到更适合当前场景分类的图结构，大幅增加了图神经网络对复杂遥感场景的适应性，提升了分类能力。
[0016]步骤五：使用训练好的多核图神经网络模型对多光谱激光雷达点云数据进行分类，获得多光谱激光雷达点云地物分类结果。
[0017]本专利技术的有益效果是：本专利技术通过将复杂的多光谱激光雷达点云数据的距离计算转换为矩阵运算，大幅缩短了计算时间；使用多个不同的高斯核计算多个基核邻接矩阵，通过自适应的学习方法组合多个基核邻接矩阵，实现邻接矩阵的自适应变化，从而增强图神经网络对复杂遥感场景的适应能力；将距离矩阵作为特征实现多光谱激光雷达点云的特征扩展，每一行代表多光谱激光雷达点云数据中一个点的所有特征，包括原始的空间
‑
光谱信息，以及扩展的当前点到点云中其他所有点的距离，大幅度的增加点云中每个点的信息量，同时更好的感知同一场景下点云中点之间的关系，增强了点云分类的能力。多核的权重在网络的优化过程中可自动迭代更新。相较于输入固定图结构、即邻接矩阵固定不变的图神经网络方法，本方法在网络模型训练过程中，不只训练模型参数，同时训练一组核权重，实现在网络更新的过程中，图结构自适应变化，从而可以在优化过程中找到更适合当前场景分类的图结构，大幅增加了图神经网络对复杂遥感场景的适应性，提升了分类能力。
附图说明
[0018]图1是本专利技术总流程图；
[0019]图2是实施例原始数据、标签真值与分类结果的可视化；
[0020]图3是本方法分类结果的混淆矩阵。
具体实施方式
[0021]下面结合附图和具体实施例对本专利技术作进一步说明。
[0022]实施例1：如附图1所示，用于多光谱激光雷达点云分类的多核图学习方法，所述方法的具体步骤如下：
[0023]步骤一：根据多光谱激光雷达点云数据，计算点之间的空间欧式距离矩阵和光谱距离矩阵，其中代表第a个点到第b个点的空间距离，代表第a个点到第b个点的光谱距离。
[0024]以具有三波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述方法的具体步骤如下：步骤一：分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵；步骤二：使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵；步骤三：将空间
‑
光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵；步骤四：将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型；步骤五：使用训练好的多核图神经网络模型对多光谱激光雷达点云数据进行分类，获得多光谱激光雷达点云地物分类结果。2.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤一具体内容如下：多光谱激光雷达点云数据为三波段，每个点的数据表示为，x、y、z代表当前点的空间坐标，、、代表当前点的第1、2、3个波段的回波强度，将多光谱激光雷达点云数据的所有点排列，则点云数据为，得到每一维度的向量，，，，，，；是X坐标的空间距离矩阵，其计算公式如下：，其中，是的转置，，的计算方式与的计算方式相同，最终得到空间距离矩阵，光谱距离矩阵。3.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤二...

【专利技术属性】
技术研发人员：王青旺，张梓峰，沈韬，陈学铅，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：