[发明专利]一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法

权利要求书

1.一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，包括以下步骤：

步骤1、对多波段光学影像进行地表覆盖分类，得到各像元的分类类别概率向量p＝(p₁，p₂，...，p_k)，k表示地表覆盖二维类别的总数；

步骤2、将各像元的分类类别概率向量作为LiDAR点的先验概率特征，赋给最近邻的LiDAR点；

步骤3、采用三维神经网络对已嵌入分类类别概率向量的LiDAR点云进行地表覆盖分类，得到最终的城市三维土地覆盖分类结果。

2.根据权利要求1所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：步骤1中，使用二维深度卷积网络对多波段光学影像进行地表覆盖分类，具体方法如下：

使用计算机视觉邻域的SegNet分类多波段光学影像，SegNet包括编码网络与解码网络，编码网络包含5组编码器，其参数使用VGG-16初始化，每组编码器使用卷积层、批归一化层、ReLU激活层、最大池化层提取特征并降低其扩大感受野；

解码网络通过上采样层、卷积层、批归一化层、ReLU激活层进行低分辨率特征的上采样，得到与原图像大小一致的特征图像；利用最大池化层的索引，上采样得到分辨率变大的稀疏特征，这些稀疏特征经过卷积层、批归一化层、ReLU激活层生成密集特征；

SegNet处理光学影像得到的地表覆盖二维分类结果利用行(r)和列(c)确定的每个像素的位置(r，c)，每个位置包含属于各类别的概率向量：

p＝(p₁，p₂，…，p_k)

其中，k表示地表覆盖二维类别总共有k类。

3.根据权利要求1所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：所述LiDAR点使用坐标值(x，y，z)表示其位置，利用横坐标x，纵坐标y计算出其对应的栅格数据中的行和列(r′，c′)，

其中(X，Y)表示光学影像左上角的坐标，gsd表示光学影像的空间分辨率；

在步骤2中，将像元的分类类别概率向量p＝(p₁，p₂，...，p_k)嵌入至对应LiDAR点中，得到重构的含有二维类别概率的LiDAR点数据(x，y，z，p₁，p₂，...，p_k)。

4.根据权利要求1所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：步骤3中，使用三维深度神经网络PointNet++对已嵌入分类类别概率向量的LiDAR点云进行分类。

5.根据权利要求4所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：所述三维深度神经网络PointNet++中，batchsize取值为16，机器学习训练的优化器选择自适应矩估计，损失函数选择加权交叉信息熵损失，学习率使用指数衰减来改变。

6.根据权利要求5所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：所述三维深度神经网络PointNet++中，各类别的权重如下：

低矮植被：0.51，灌丛：1.92，树木：0.68，不透水面：0.47，车辆：19.81，屋顶：0.60，建筑物立面：3.35，其他：0。

7.根据权利要求6所述的基于深度学习的LiDAR点云与光学影像先验级耦合分类方法，其特征在于：所述三维深度神经网络PointNet++中，超参数设置如下：

层类别	参数设置
采样组合层	N＝1024，r＝2，K＝32
特征提取层	[32，32，64]
采样组合层	N＝256，r＝4，K＝32
特征提取层	[64，64，128]
采样组合层	N＝64，r＝8，K＝32
特征提取层	[128，128，256]
采样组合层	N＝16，r＝16，K＝32
特征提取层	[256，256，512]
单点特征提取层	[256，256]
单点特征提取层	[256，256]
单点特征提取层	[256，128]
单点特征提取层	[128，128，128]

其中，N为抽象点数，r为球面邻域半径，K为局部区域最大使用点数，[]中的数为三维深度神经网络PointNet++对应层的多层感知机。