[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

说明书

本发明提供了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，涉及遥感数据处理技术领域。本发明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；然后将原始机载多光谱LiDAR独立点云数据集进行异常数据去除及数据融合，形成具有多波段光谱信息的单一点云数据集；进而对具有多波段光谱信息的单一点云数据集提取反应地物类型差异的多光谱强度特征和高程特征；最后将机载多光谱LiDAR数据的分类特征输入到多元高斯混合模型中实现地物聚类，得到每一个数据点的响应度值，按最大响应度原则确定各数据点所属的类别标签，最终得到点云分割结果。

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元高斯混合模型的机载多光谱LiDAR数据分割方法。

背景技术

机载激光雷达(Light Detection And Ranging，LIDAR)点云数据分割是点云数据得以应用的先决条件，而自动化、高精度的点云数据分割又将极大扩展点云数据的应用领域。目前采集的点云数据主要来源于单波段机载LiDAR系统，但由于来自LiDAR的后向散射能量取决于目标材料、目标表面粗糙程度和激光波长，因此单波段LiDAR在区分土地覆盖的能力方面受到限制。现有基于单波段的LiDAR点云数据的分割方法主要可分为：(1)将点云数据转换为多次目标识别和分离，通过设定一系列目标识别规则逐步分离各类地物以完成点云分割。这类方法存在误差传递和累积的问题，并且需要反复尝试或凭经验设置各种参数，过程繁琐，对于复杂地物类型指导性不强。(2)将点云数据内插为强度或高程影像，然后从图像中提取统计特征，然后采用基于像元或者对象的分类方法进行地物分类。这种方法将3D点云数据转换为二维栅格数据造成了信息的损失，并且导致了边界模糊、分割不准确的结果。(3)基于高程纹理的分割方法，首先将LiDAR点云内插为高程影像，然后提取高程纹理特征，通过遥感影像分类方法完成分类。这种方法要求待分割地物的高程信息有明显差异，并且单独依靠高程纹理信息进行分类精度不高，需要强度信息进行辅助分类。(4)融合LiDAR点云数据和多光谱或高光谱遥感影像进行分类，可联合利用点云数据的3D空间信息和遥感影像的多光谱信息完成分类。这种方法虽然取得了较好的分类效果，但将不同数据源的数据统一到同一坐标系仍然存在巨大的困难。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。

现在关于机载多光谱LiDAR的分割方法刚处于起步阶段，主要是对上述第(1)、(2)种方法的改进与应用，依旧未能解决上述存在的问题。基于模型的聚类算法应用统计学的知识，将数据建模成一个概率生成过程，由于这种方法有严密的推导证明及求解算法(Dempster提出的期望最大(EM)算法)，特别是基于高斯混合模型的算法，使得在各种应用中得到了广泛使用，包括信号处理、语音识别、图像分割、高维数据聚类等领域，但在点云分割中应用较少。为了更好的分割机载多光谱LiDAR数据，本发明用高斯混合模型(GaussianMixture Model，GMM)概率分布刻画点云聚类，提出一种基于多元高斯混合模型的机载多光谱LiDAR分割方法，通过将待分割点云数据特征空间看作若干个高斯概率密度函数的线性组合，进而利用GMM拟合机载多光谱LiDAR数据的统计分布，可以实现比单一高斯分布或聚类中心等更复杂的聚类。

本发明探讨了在各个领域广泛应用的高斯混合模型与机载多光谱LiDAR数据提取的特征相结合的可行性与效率，并且综合利用了多光谱LiDAR数据的光谱信息和三维空间信息，有助于其在城市土地覆盖分类的应用。

发明内容

为解决上述技术问题，本发明提出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，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；