高分辨率遥感影像结合LiDAR数据的面向对象分类方法

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。     

基于无人机影像匹配点云的土石方量计算

针对传统土石方量测量中存在受地形限制、耗时费力、成本高等问题,提出一种基于无人机影像匹配点云的土石方量计算方法。使用单镜头多旋翼无人机获取玉林市某矿山区域范围内正射影像与倾斜影像,借助Pix4Dmapper软件对无人机影像进行处理与分析,提取矿山地表三维点云数据;利用布料模拟点云滤波算法对所获取的点云数据进行滤波处理,进而分离非地面点与地面点;同时利用局部多项式插值算法对地面点云缺失区域进行插值拟合,生成更加准确的地形特征;利用EPS软件对点云成果进行分析,计算矿山现状开采范围内的土石方量值。结果表明：基于无人机影像匹配点云的土方量计算所得结果与GNSS-RTK实测结果差值比为1.9%,计算方法具有可行性与可靠性,可作为土石方量计算新方法。     

一种改进的LiDAR点云滤波方法

针对移动机器人激光雷达点云数据滤波过程中存在对噪声敏感和准确性差等问题,提出一种加权的高斯滤波方法.该方法使用高斯滤波与角度余弦作为加权值对雷达点云数据进行滤波处理,减小了激光雷达扫描到的物体轮廓波动.最后将该方法应用到实际的机器人操作系统的移动机器人底盘中,实验结果表明,相比传统的高斯滤波方法,该方法能更好地解决雷达...     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于双次回波的LiDAR点云数据滤波方法

LiDAR系统发射的激光脉冲在遇到不同高度的障碍物时,会返回多次回波,目前大部分系统仅记录首尾两次回波.通常情况下,植被区域局部高程变化明显,而对于道路、房屋屋顶等人工地物,局部高程变化较小;因此,首尾两次回波在这两种不同的地物上具有显著的区别.利用该原理,采用双次回波技术滤除原始LiDAR数据中的植被信息,然后采用传统的形态学滤波区分建筑物和地面脚点,试验表明研究的算法可行有效.     

基于坡度信息和平面拟合的机载LiDAR点云滤波方法

提出了一种改进的滤波算法.新算法利用平面的性质和局部最低点的关系进行地面点的提取.初始的DTM拟合之后,新算法中最初用到的坡度阈值就会更新,这样DTM会包含更多细节的地形信息,从而使新算法在坡度变化复杂的区域能够实现地面点的提取.     

基于残差SegNet模型的高分辨率遥感影像分类方法

为解决深度语义模型(SegNet)在高分辨率遥感影像分类中易出现梯度消失从而影响分类精度的问题,提出一种残差学习改进SegNet语义模型(ResSegNet)的高分辨率遥感影像分类方法,该方法以SegNet语义模型为基础,通过构建更深层次的网络结构并加入残差块以提高模型的特征提取能力,从而提取更深层次影像空谱特征实现分类。利用高分辨率遥感影像语义分割数据集Vaihingen和Postdam进行实验验证,结果表明：相比于支持向量机、面向对象决策树法、传统卷积神经网络和SegNet语义模型分类方法,提出的ResSegNet分类方法的总体精度均最高,分别为89.18%和87.62%,分类效果和分类精度最优。     

基于深度学习的高分辨率卫星影像地表覆盖分类方法

针对高分辨率卫星影像地表覆盖自动化分类精度与效率问题,在深度学习的地表覆盖分类方法的基础上设计了一种适用于高分辨率卫星影像的卷积神经网络模型(LCC-CNN)。用高分二号与北京二号影像数据构建训练样本集,在卷积神经网络中使用不同扩张率的扩张卷积,设计能够区分模糊地表覆盖分类边界的损失函数,实现了多尺度地表覆盖特征的融合与精准提取,利用编码-解码结构输出像素级地表覆盖分类成果。实验结果表明：LCC-CNN在实验区域地表覆盖分类总体精度达到87.17%, IOU及Kappa系数分别为0.773 2与0.829 1,精度优于传统的决策树与SVM方法8%以上,IOU及Kappa系数分别提高了10%和11%,且在地表覆盖分类过程中不需要人工提取分类特征与设定分类参数,降低了建模难度与时间成本,提高了自动化分类的精度与效率。     

LiDAR点云自适应坡度邻域体系研究

邻域体系的定义对LiDAR点云分割至关重要,研究通过分析现有邻域定义方法及局限性,并在已有研究基础上引出Filin等人提出的自适应坡度的邻域体系,利用新的邻域体系计算LiDAR点的法向量,与TIN邻域的计算结果进行比较,实验结果表明新的邻域体定义方法可以有效提高特征参数的计算可靠性和精度,有利于LiDAR的后续处理和应用.     

基于机载LiDAR数据的建筑物点云提取

LiDAR技术是快速获取地面及地物三维数据的新型测绘技术,也是近年来进行城市三维建模的一种重要手段,而对建筑物的提取是城市三维建模的重要步骤。为了从原始机载点云中有效地提取出城市建模所需要的建筑物点云,在常用机载LiDAR滤波与点云分类思想的基础上,提出了结合面积与斜率两特征参数的区域增长算法,实现了高大植被与建筑物点云的有效分离,完成了建筑物点云的提取。通过设定合理的面积阈值与斜率阈值,结合具体的数据通过该算法获得了较好的提取效果,最后对提取方法及效果进行了客观分析与评价。     

基于竞争注意力融合的深度三维点云分类网络

为了提高三维点云深度网络分类模型对全局特征的提取与表达能力,增强模型对噪声干扰的鲁棒性,提出可迁移应用于不同分类网络的竞争性注意力融合模块,学习多层级特征的全局表征和中间特征内在相似度,对中间特征通道权值重分配. 在基准网络Pointnet++和PointASNL中嵌入所提模块并进行实验,结果显示：所提模块具有独立性和可迁移性,聚焦更利于三维点云形状分类的核心骨干特征. 与基准网络相比,所提模块在保持分类精度稳定不下降的情况下,模型对点云扰动噪声、离群点噪声和随机噪声的抗干扰能力增强,在随机噪声数分别为0、10、50、100、200的情况下,准确度分别达到93.2%、92.9%、85.7%、78.2%、63.5%. 与传统滤波方法相比,端到端的学习减少预处理步骤和人工干预过程,同时具有更优的抗噪性能.     

基于径向基函数神经网络的机载LiDAR点云空洞填补方法

机载LiDAR技术为地表三维数据的获取和DEM、DSM的构建提供了有利的条件. 由于建筑物和植被遮挡等原因,造成了点云的缺失,形成区域的空洞,给地表建模带来不便,需要对LiDAR点云数据进行插值处理以修复缺失的数据. 对径向基函数(RBF)神经网络构建插值模型进行了研究,利用该模型对点云中缺失的空洞区域进行修复. 通过利用一部分采样点对RBF神经网络进行学习训练,得到模型中参数的具体值,然后利用这些参数值对空洞区进行插值. 实验验证了RBF神经网络模型的有效性及插值精度.     

车载移动测量激光点云与线阵影像融合

提出一种线阵影像数据与激光点云数据融合方法:利用组合导航数据解算点云绝对坐标的同时,也获取线阵相机的外方位元素,进而能够从线阵影像中计算查找到与点云对应的RGB值,实现点云数据与影像数据的融合。经试验证明,该技术方法在数据处理过程中无需进行同名点匹配,实现了数据融合的自动化处理,融合精度高,能够满足各种复杂情况下的移动测量要求。     

复杂环境异源高分辨率光学卫星影像匹配算法

针对复杂环境异源高分辨率光学影像匹配成功率低的问题,提出了一种基于窗口约束的特征点匹配方法.借助于异源影像近似核线对和同名直线,对特征点建立几何约束窗口,利用该窗口限定同名点搜索范围,通过特征点主方向的约束和特征欧氏距离提取初始匹配点,并基于局部随机抽样一致性(RANSAC)算法剔除误匹配点,最终利用同名点对影像进行纠正,实现异源高分辨率卫星遥感的自动匹配.结果表明:与传统的尺度不变特征变换算法(SIFT)相比,窗口约束匹配方法提取了更多的同名点,为复杂环境异源高分辨率光学遥感影像数据的高精度自动匹配提供了一种可行的方法.     

TerraScan在LiDAR点云滤波中的应用研究

简要介绍了机载LiDAR的发展现状,从原始LiDAR点云中滤波出真实的地面点是生成DEM和其他数字产品的基础和关键。TerraScan是一种机载LiDAR点云滤波商业软件,对其滤波算法进行了详细分析,利用山地、丘陵地和平地3种不同地形的LiDAR数据,通过设置不同参数进行滤波试验。试验结果表明,其对平坦地区和城区有较好的滤波效果,但对地形变化较大的复杂山区滤波效果不够理想,有待进一步完善。     

基于高分辨率遥感影像的输电线走廊场景分类

提出了一种将纹理特征和颜色特征相结合的输电线走廊遥感图像分类方法.该方法首先采用简单线性迭代聚类(SLIC)过分割技术将一幅大场景遥感图像分割为若干个尺寸大致规则的超像素块,然后对这些超像素块进行联合散射纹理特征和颜色词袋(BOC)特征提取,接着将这两种特征级联融合,最后将组合后的特征输入到直方图交叉核支持向量机(HIK-SVM)中训练分类器并进行场景分类.武汉地区输电线走廊场景的高分辨率遥感影像分类实验结果表明,与仅利用单个特征相比,两种互补特征的组合具有更高的分类准确率,可获得更为满意的场景分类结果.     

融合kd tree邻域查询的深度学习点云分类网络

为解决PointNet++精度较低、耗时较长,且对输入点的噪声敏感的缺陷,引入一种高效的k维树(k-dimensional tree,kd tree)邻域查询方法,通过构建kd tree查找查询点周围指定半径内的近邻点,构造局部区域集,完成在PointNet++分组层上的局部特征提取.针对原网络训练过程中存在的过拟合问题,引入随机失活(dropout)正则化,减少网络收敛训练的时间.在Ubuntu14. 04系统下搭建TensorFlow的图形处理器深度学习环境,并在ModelNet40数据集上进行训练和测试.实验结果表明,分别为当查询半径为0. 1、0. 2和0. 3时,该查询方法的分类准确率分别为91. 1%、92. 1%和94. 3%,皆优于PointNet++方法,且网络训练用时更短.改进后的结构在斯坦福三维语义分析数据集(Stanford 3D semantic parsing dataset)上进行语义分割实验平均交并比(mean intersection over union,MIoU)达57. 2%,且其对于遮挡物体的鲁棒性更高.     

基于多级空间上下文LR-CRFs模型的高分辨率影像分类

充分表达和利用目标空间上下文及语义信息是提高高空间分辨率影像分类精度的关键技术,而条件随机场(CRFs)在目标空间上下文建模以及分类预测方面有其独特优势。但是,基于单一尺度分析的CRFs模型存在不能反映目标多层次空间结构及语义关系的问题,因此针对城区高分辨率影像土地利用/覆盖分类问题,在面向对象分类框架下,提出了一种多级空间上下文LR-CRFs模型。该模型定义如下:首先,将影像进行对象层?目标层及场景层的分层表达及分层特征提取,并进行“对象目标场景”的逐层关联;其次,采用逻辑回归(LR)分类器定义CRFs模型的关联势函数,利用分层特征加权的Potts函数定义交互势函数;采用最大积消息传递算法对该模型进行近似推理。利用IKONOS多光谱影像及大比例尺真彩色航空影像进行试验的结果表明:多级空间上下文LR-CRFs模型分类精度高于单一尺度的基于像素层或对象层分割的LR-CRFs模型,其精度平均分别提高了4.63%和2.22%;该方法在一定意义上也缓解了面向对象分类方法中分类结果对分割尺度的依赖程度。     

基于LiDAR点云的城市地区植被提取算法研究

为提出一种快速、高效的城区植被提取方法,在利用首、尾2次回波数据分别生成DSM,将2个DSM做差获取差异模型FLDM,设定高差阈值获取植被候选区域的基础上;利用梯度阈值滤除建筑物边界等细长结构线,并去除较小面积区域,最终获取植被激光脚点.该方法简单实用,易于操作,具有广泛的应用价值.     

一种基于分布式并行模型的海量机载LiDAR点云数据快速滤波方法

机载LiDAR点云数据是遥感大数据的重要组成部分,基于单机的处理算法已经无法满足海量点云数据处理的要求.首先,针对现有单机多级移动曲面拟合滤波算法存在粗差和拟合曲面精度不高的问题,提出适合海量机载LiDAR点云数据滤波的多级多窗口移动曲面拟合滤波算法(WHMCFA);其次,设计并实现基于MapReduce的PWHMCF...