[发明专利]一种机载激光雷达数据植被提取方法

摘要

本发明提出一种机载激光雷达数据植被提取方法，该方法包括以下步骤：（一）机载激光雷达点云的预处理；（二）机载激光雷达点云的预分割；（三）分割单元特征选取；（四）基于核函数的软间隔SVM分类；（五）基于先验知识的数据植被粗分类结果的优化。本发明的优点：1）该方法不需要融合多光谱影像、高光谱影像等其他数据源，具有很强的普适性。2）该方法保证了激光雷达点云空间自相关性，有效防止分类算法破坏这种空间属性，保证植被和非植被点的可分性，提高了植被的探测率。3）该算法可以有效地将建筑周边及立体墙面点、建筑屋顶不规则物体点和植被密集区域的地面点与植被分离，达到精确提取城区中植被的目的。

主权项

1.一种机载激光雷达数据植被提取方法，其特征是该方法包括以下步骤：(一)机载激光雷达点云的预处理；(二)机载激光雷达点云的预分割；(三)分割单元特征选取；(四)基于核函数的软间隔SVM分类；(五)基于先验知识的数据植被粗分类结果的优化；所述的机载激光雷达点云的预分割，具体方法为：通过高斯分布模型p1(x)和p2(x)进行概率密度分析，实现区域增长，实时调整高斯分布模型参数(μ,Σ)将最大化p(x|i)问题转化为满足一定概率密度点云聚类问题，从而实现点云预分割，基于高斯分布模型定义如下：若每个点由向量x＝{Nx,Ny,Nz,Intensity}表示，则维数d＝4，其中Nx,Ny,Nz分别为点云的法向量在空间坐标x,y,z三个方向的分量，Intensity为点云的反射强度信息，即激光雷达振幅反射强度依赖于物体表面的特性，激光扫描器的波长和入射角，μ表示向量x＝{Nx,Ny,Nz,Intensity}的均值，Σ代表向量x组成的协方差矩阵；同理，若x仅表示点云高程，则当维数d＝1，此高斯分布模型退化为：μ为点云平均高程，σ代表点云高程的方差；当前点对应的高斯分布模型p1(x)和p2(x)表示在x处单位宽度内的概率，概率密度函数p(μ±kσ)表示在μ±kσ处单位宽度内的概率，只有概率密度落到高斯分布模型灰色区域的点与当前分割单元有很强的空间自相关性，此点将被分割单元所接纳，即同时满足条件p1(x)＞p1(μ+k1Σ)和p2(x)＞p2(μ+k2σ)进行区域增长聚类；所述k1设定为1.2，所述k2设定为0.5；利用分割单元内全部点实时更新变量μ、σ、Σ'，此过程迭代进行，直到没有均质点加入，然后聚类下一个分割单元，其中Σ'为协方差矩阵的对角元素组成的向量，其中k为控制空间自相关的紧密程度；分割单元初始聚类时，单个点计算出来的σ，Σ为零，为解决此问题，在聚类开始设置一个较小的阈值V，若最初聚类单元计算的σ，Σ小于该阈值，则令σ，Σ为该阈值，随着聚类单元尺寸的增大，分割单元表现出越来越强的自适应调整能力，V的设置参考激光雷达数据集的精度，设置为高程精度的2倍。