[发明专利]一种基于多值体元的机载多光谱LIDAR三维分割方法

权利要求书

1.一种基于多值体元的机载多光谱LIDAR三维分割方法，其特征在于：包括以下步骤：

步骤1：读取原始机载多光谱LIDAR多波段独立点云数据，形成原始机载多光谱LIDAR多波段独立点云数据集；

步骤2：将原始机载多光谱LIDAR多波段独立点云数据集规则化为多值3D体元数据集；

步骤2.1：从原始机载多光谱LIDAR多波段独立点云数据中剔除异常数据，得到去除异常的多波段独立点云数据集；

步骤2.1.1：统计原始机载多光谱LIDAR点云数据中各个激光点高程值的频次，并以直方图的形式可视化显示统计结果；

步骤2.1.2：设置与真实地形对应的最高高程阈值T_h和最低高程阈值T_l；

步骤2.1.3：针对原始机载多光谱LIDAR点云数据中各个激光点，若其高程值高于最高高程阈值T_h或低于最低高程阈值T_l，则该激光点为异常数据，进行剔除，否则保留该激光点，最终获得去除异常的多波段独立点云数据集；

步骤2.2：对去除异常的多波段独立点云数据进行融合，得到具有多波段光谱信息的单一点云数据集；

步骤2.3：将单一点云数据集规则化为多值3D体元数据集；

步骤2.3.1：用单一点云数据集的轴向平行包围盒表示其所覆盖的3D空间范围；

步骤2.3.2：根据单一点云数据集中激光点的平均点间距确定体元在x、y、z方向上的分辨率{△x,△y,△z}，即体元大小；

步骤2.3.3：依据体元分辨率{△x,△y,△z}对轴向平行包围盒进行划分，得到3D体元阵列；

步骤2.3.4：将单一点云数据集中各个激光点映射到3D体元格网，进而根据3D体元格网中包含的激光点的多光谱特征为各体元赋多值，得到多值3D体元数据集；

将含有激光点的体元赋值为激光点的各波段的反射强度值，将不含有激光点的体元赋值为0，所得体元值记做其中及分别表示第j个体元在C₁、C₂、C₃波段的强度值；进一步的，若某一体元中包含多个激光点，则赋值激光点在各波段的反射强度均值；若体元值的各波段反射强度值的强度等级非256，则将赋值后的体元强度值进一步将其离散化到{0,…,255}，然后再进行各体元赋值；

步骤3：对多值3D体元数据集进行面向多值3D体元数据分割的3D隐马尔科夫随机场模型模糊聚类；

步骤3.1：将多值3D体元数据集中各有值体元作为数据点，构建嵌入三维隐马尔科夫随机场模型模糊聚类方法的目标函数Q；

其中，q为聚类数；m为体元数，u_jk表示第j个体元属于第k类的模糊隶属度，满足0≤u_jk≤1约束；λ为算法的模糊程度；π_jk为约束聚类尺度的变量—先验概率；d_jk为第j个体元属于第k类的非相似性测度；

步骤3.2：利用构建的目标函数对多值3D体元数据进行分割，得到各体元值属于各地物类别的模糊隶属度矩阵；

步骤3.2.1：设置聚类数、模糊程度因子；对多值3D体元数据中有值体元的体元值进行聚类分析得到初始分类结果，将分类结果记入标号场L；利用L求取模糊隶属度矩阵初始值；随机初始化目标函数值Q⁰；

步骤3.2.1.1：将多值3D体元数据集作为样本集，在样本集所在的光谱特征空间随机选取一个体元值作为初始聚类中心；

步骤3.2.1.2：计算各体元值与已有聚类中心的距离，用D(j)表示第j个体元到聚类中心的距离；计算每个体元值被选为下一个聚类中心的概率选择概率最大的体元值作为新的聚类中心；

步骤3.2.1.3：重复步骤3.2.1.2，直到选出q个聚类中心；

步骤3.2.1.4：按照最小距离准则将各体元值纳入到距离其最近的聚类中心所在的簇，然后，将每个簇的均值作为新的聚类中心点，继续计算每个有值的体元值到聚类中心的距离，重新分类，直到聚类中心不再变化为止；将各体元的分类结果记做标号场L，L＝{l₁,…,l_j,…,l_m}，l_j∈{1,…,k,…,q}是第j个体元的分类标签集；

步骤3.2.2：利用Gibbs分布的隐马尔科夫随机场分布理论，通过定义标号场L的势能函数确定目标函数Q中的先验概率；

步骤3.2.2.1：选用Potts模型确定势能函数V_c：对于任一有值体元，比较其分类标签和其空间邻域内体元的分类标签，若相同，则势能为β，否则，势能为0；

步骤3.2.2.2：根据Gibbs分布的势能函数确定目标函数中的先验概率；

先验概率π_jk表示为：

其中，l_j是第j个体元的分类标签，l_jˊ表示其邻域体元的分类标签，N_j为第j个体元的空间邻域体元集合；

步骤3.2.3：求取目标函数中的各体元与聚类中心的非相似性测度；

步骤3.2.3.1：统计多值3D体元数据集中各聚类的光谱值均值、协方差矩阵；

步骤3.2.3.2：根据所求的光谱值均值、协方差矩阵和先验概率计算各体元与聚类中心的非相似性测度；

第k个聚类的高斯条件概率密度分布函数为p(v_j|l_j＝k)，则用高斯条件概率密度分布函数值的负自然对数定义非相似性测度d_jk；

d_jk＝-log p(v_j|l_j＝k)

其中，w是多光谱特征空间的维数；

步骤3.2.4：根据先验概率及非相似性测度，计算各体元属于各地物类别的模糊隶属度，并按最大隶属度原则更新标号场L，即最大隶属度值所对应的地物类别即为当前体元的所属地物类别；

步骤3.2.5：根据模糊隶属度、非相似性测度、先验概率计算目标函数值，记作Q^t，其中t代表迭代次数；

步骤3.2.6：判断是否满足终止条件，若是，则迭代终止，当前模糊隶属度矩阵即为多值3D体元数据中各体元的最优模糊隶属度矩阵；若否，则将当前模糊隶属度作为模糊隶属度初始值，执行步骤3.2.2；

所述终止条件为当前目标函数值与上次计算的目标函数值之差小于阈值ε，或者迭代次数大于设定阈值T；

步骤3.3：对模糊隶属度矩阵按最大隶属度原则进行反模糊化，得到多值3D体元数据的模糊分割结果。