[发明专利]基于模糊证据理论的主被动遥感数据融合分类方法

权利要求书

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，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步骤对植被区域识别分割后，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A_j∈S(K)，m_i(A_j)(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。

2.根据权利要求1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，其特征在于：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。

3.根据权利要求2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，其特征在于：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。