[发明专利]LiDAR全波形控制分解驱动的点云分类法

权利要求书

1.LiDAR全波形控制分解驱动的点云分类法，其特征在于，基于机载LiDAR全波形数据的高斯属性，对全波型数据进行波形分解，预估波形特征因子采用逐一抽离的方法，优化特征因子采用动态全局算法，提取LiDAR波形特征因子并生成高密度点云，最后通过支持向量机利用波形分解参数和点云高程对点云进行分类；主要包括：

第一步，LiDAR全波形数据预处理：基于LiDAR全波形数据中噪声的特点，提出去除LiDAR全波形数据中本底噪声和随机噪声的方法，在验证加减交替校正去噪方法对LiDAR波形数据去噪优越性的基础上，对加减交替校正去噪方法进行改进，提出改进的加减交替迭代校正去噪方法，去除随机噪声的同时保持波形的形状，提高波形数据信噪比；

第二步，LiDAR全波形分解：波形分解过程包括预估子波形特征因子和优化特征因子，在预估特征因子部分，本申请采用逐一抽离的方法不断从原始波形数据中预估出子波形的特征因子，直至剩余的波形中只包含噪声点；优化波形特征因子则引入动态全局算法，并在优化过程中对波峰值的变化加以控制，使得最大的波峰值不会在优化过程中发射剧烈的变化；最后利用波形分解得到的参数，生成高密度点云数据；

第三步，基于波形特征因子的点云分类：在解析波形特征因子所反映的地物反射特性的基础上，采用SVM分类器，利用波形分解得到的波形特征因子和利用波形参数计算出的点云坐标对点云进行分类，在分类器训练过程中，以分类精度做为适合度函数，并利用动态全局算法优化惩罚系数和核函数参数，其中核函数选用径向基函数，SVM分类器训练过程中分类参数的优化采用动态全局算法，最后利用样本数据训练的分类器对整个测区的点云数据进行分类。

2.根据权利要求1所述的LiDAR全波形控制分解驱动的点云分类法，其特征在于，改进的加减交替迭代校正去噪方法：对于一个一维信号z，将其表示成一个列向量(z₁，…，z_m)^t，滤波简单形式表述为式1：

z_i′＝z_i+aΔz_i 式1

其中a是一个大于0小于1的尺度因子，该方程写成矩阵形式，如式2：

z′＝(I-aW)z 式2

其中W矩阵如式3：

采用一个非收缩的关于矩阵W的函数来代替矩阵I-aW，得：

z′＝g(W)z 式4

如果迭代M次，则结果如式5：

z^N＝g(W)^N 式5

W矩阵对称，具有实特征值和特征向量，设W矩阵的实特征值为0≤w₁≤w₂≤…≤w_m≤n，对应的特征向量为v1,…,v_m，式4表示为式6：

其中g为滤波核函数，h_i为系数，满足在M次迭代后，当w∈[0，n]时，低频成分g(w_i)^M≈1，高频成分g(w_i)^N≈0，核函数采用式7的形式：

g(w)＝(1-aw)(1-cw) 式7

其中c是一个新的负尺度因子，且c＜-a，这相当于用正的尺度因子通过式1进行高斯平滑后，进行了另外一个近似步骤：

z_i′＝z_i+cΔz_i 式8

由于g(0)＝1，a+c＜0，寻找一个阈值w_Q使g(w_Q)＝1，a、c满足式9：

用式1进行高斯平滑时，加入式9的减法操作，两种计算交替进行，克服高斯滤波的该缺陷。