[发明专利]一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法

权利要求书

1.一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法，其特征在于，包括以下步骤：

步骤1：读取原始机载多光谱LiDAR数据的各个波段的独立点云数据集，得到原始机载多光谱LiDAR独立点云数据集；

步骤2：对原始机载多光谱LiDAR独立点云数据集进行点云融合，得到具有多波段光谱信息的单一点云数据集；

步骤2.1：将原始机载多光谱LiDAR独立点云数据集中的异常数据进行去除，得到去除异常的多光谱LiDAR独立点云数据集；

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

步骤3：对单一点云数据集进行特征提取，构建分割特征向量；

步骤3.1：利用单一点云数据集中各激光点的多波段光谱信息构成光谱特征向量，记为X_B＝[B₁,B₂,...]；其中，B₁，B₂，…分别对应激光点各个波段的激光反射强度值；

步骤3.2：对单一点云数据集进行粗滤波得到地面点集，并由此生成数字高程模型(Digital Elevation Model，DEM)，将单一点云数据集中各激光点的高程减去与激光点平面位置对应的地面高程(由DEM内插得到)得到地物的相对高度，构成各激光点的归一化高程特征向量X_E；

步骤4：将不同类型的特征加以组合，得到特征总向量X，并将其作为机载多光谱LiDAR数据的分类特征总向量输入多元高斯混合模型中实现地物聚类分割；

步骤4.1：假设关于分类特征向量X＝[x⁽¹⁾,...,x⁽ⁱ⁾,...,x^(N)]^T的N个样本的集合是独立的，其中，x⁽ⁱ⁾＝[x₁⁽ⁱ⁾,...,x_D⁽ⁱ⁾]为D维特征向量，构建多元高斯混合模型的概率密度函数p(x)，并得到关于特征向量X的对数似然函数Q；

其中，i为数据点索引，i＝1,...,N；x为第i个数据点的特征向量矢量；D为特征向量的维度；X为N×D矩阵；参数K为高斯分布个数，与分割数目相对应；k＝1,...,K为高斯分布的索引；参数μ_k、Σ_k、π_k分别是第k个高斯分布的均值、协方差和权重系数，并且π_k满足是第k个高斯分布的概率密度函数；对于D维观测变量x，多元高斯分布的形式为其中，μ为D维均值向量；Σ为协方差矩阵，且是D阶对称正定矩阵；|Σ|为Σ的行列式；

对数似然函数Q表示如下：

步骤4.2：通过EM迭代算法最大化对数似然函数进行聚类，得到各数据点属于各类别的响应度矩阵；

步骤4.3：对响应度矩阵按最大响应度原则确定各数据点所属的类别标签，得到单一点云数据集的分割结果。

2.根据权利要求1所述的一种基于多元高斯混合模型的机载多光谱LiDAR分割方法，其特征在于，所述步骤2.1具体包括如下步骤：

步骤2.1.1：统计原始机载多光谱LiDAR独立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：确定与真实地物对应的最高和最低高程阈值，分别记为T_max和T_min；

步骤2.1.3：将原始机载多光谱LiDAR独立点云数据集中高程低于T_min和高于T_max的激光点判定为高程异常数据，并予以剔除，得到去除高程异常的多光谱LiDAR独立点云数据集；

步骤2.1.4：统计去除高程异常的多光谱LiDAR独立点云数据中各个激光点的强度值的频次，并以直方图的形式可视化显示统计结果；

步骤2.1.5：确定与真实地物对应的强度阈值T_I，将强度大于阈值T_I的点云剔除，得到去除强度异常的多光谱LiDAR独立点云数据集，从而得到去除异常的多光谱LiDAR独立点云数据集。