[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

说明书

本发明提供一种基于多值体元的机载多光谱LIDAR三维分割方法，涉及遥感数据处理技术领域。本发明步骤如下：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。本方法解决了机载多光谱LIDAR数据的点云分割问题，且综合利用了机载多光谱LIDAR数据的多光谱和空间邻域信息，有助于基于多值体元理论的机载LIDAR点云数据处理及应用的发展。

技术领域

本发明涉及遥感数据处理技术领域，尤其涉及一种基于多值体元的机载多光谱LIDAR三维分割方法。

背景技术

点云分割是机载LIDAR数据处理的关键步骤，其是后继的特征描述、目标识别、分类及场景识别等应用的前提。然而目前常用的点云分割方法大多都是针对机载单波段LIDAR点云数据、基于数据的3D空间及反射强度特征设计。机载多光谱LIDAR点云是一种新型数据源，其同时包含多光谱和3D空间信息。因此，已有的单波段LIDAR点云分割算法无法直接使用。若将多光谱LIDAR点云内插成高程、归一化高程或多光谱图像，进而借由传统的图像分割算法实现分割则无法真正发挥多光谱LIDAR点云数据的真3D优势。

按照参与分割的基元类型，现有的基于机载多光谱LIDAR的点云分割方法主要可以划分为：基于点和像元两类方法。基于点基元的分割方法以点或点空间邻域内点集为基元提取反映地物类型差异的几何特征参数，在特征空间通过聚类完成分割。该方法为3D分割算法，但其缺点在于：离散的激光点未明晰表达各点间的邻接和拓扑关系，由此导致分割方法设计困难。为了利用蕴含在点云数据中的空间结构及拓扑信息，采取的以点空间邻域内点集为基元的方式则需研究确定空间邻域尺度的最优值。反复尝试或凭经验设置的解决方案可指导性不强；多尺度空间邻域的解决方案则由于邻域尺度的添加导致特征维数急剧增大，计算复杂度高且耗时。基于像元基元的分割方法将多光谱LiDAR点云内插生成高程或多光谱图像，然后从影像中提取具有高区分度的特征参数并采用基于像素的2D图像分割算法完成分割。该方法将3D点云插值成2D图像进而借由2D图像分割算法完成分割，其优点在于方便算法设计，其缺点在于：一方面存在信息损失、会影响分割结果的准确性，另一方面未真正发挥多光谱LIDAR点云数据的真3D优势。

基于隐马尔科夫随机场模型的模糊聚类(Hidden Markov Random Field ModelBased Fuzzy Clustering,HMRFMBFC)算法可以综合利用多光谱特征和空间邻域信息，但其为2D图像分割算法，无法直接适用于机载多光谱LIDAR数据。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多值体元的机载多光谱LIDAR三维分割方法，本方法解决了机载多光谱LIDAR数据的点云分割问题，且综合利用了机载多光谱LIDAR数据的多光谱和空间邻域信息，有助于基于多值体元理论的机载LIDAR点云数据处理及应用的发展。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于多值体元的机载多光谱LIDAR三维分割方法，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2.2：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；