基于多元GMM的机载多光谱LiDAR点云空谱联合分类.pdf

第 卷第 期自 然 资 源 遥 感.年 月 .:./.引用格式:王丽英马旭伟有泽等.基于多元 的机载多光谱 点云空谱联合分类.自然资源遥感():.(.():.)基于多元 的机载多光谱 点云空谱联合分类王丽英 马旭伟 有 泽 王世超 (.辽宁工程技术大学测绘与地理科学学院阜新 .煤炭科学技术研究院有限公司北京 .煤矿应急避险技术装备工程研究中心北京.北京市煤矿安全工程技术研究中心北京)摘要:针对传统机载多光谱激光雷达()土地覆盖分类方法空谱信息协同利用能力不足或多类型特征联合利用时特征维数过高的缺陷提出一种基于多元高斯混合模型()的机载 点云空谱联合分割算法 该算法首先对原始多波段独立点云进行辐射校正、异常剔除及融合形成同时表达空间位置及其对应多波段光谱信息的多光谱点云 然后提取各激光点的多光谱、高程等特征构建空谱特征矢量并通过特征标准化及离散化消除不同类型特征间的单位和尺度差异 再次构建多元 建模目标在空谱特征空间呈现的多峰分布获取激光点属于各类目标的响应度并按照最大响应度原则确定类属 最后设计 多数投票法优化分割结果 实验基于实测的 数据验证提出算法的有效性和可行性 实验结果表明:联合多波段强度特征及高程特征的多元 的分割总体精度可达.系数可达.仅联合四维特征即可实现 点云的高精度分割 该项研究可为综合利用 数据的多光谱及空间信息提供新途径关键词:多光谱激光雷达 点云分割 多元高斯混合模型 多峰分布 多数投票法 空谱联合特征中图法分类号:文献标志码:文章编号:()收稿日期:修订日期:基金项目:国家自然科学基金项目“机 车载 协同的城区建筑精细语义重建关键技术研究”(编号:)和“路面病害智能检测与评价方法研究”(编号:)共同资助第一作者:王丽英()女博士教授研究方向为激光雷达数据处理及应用:.引言及时、准确地获取城市土地覆盖信息对于城市土地管理和规划有着重要的作用 自动、高效、高精度的土地覆盖分类是实现上述应用的技术保障 因此土地覆盖分类方法的研究具有重要的现实意义机载多光谱激光雷达()是一种新型的主动遥感系统 该系统配备红外、可见光等多个波段的高分辨率主动成像通道 对比传统的单波段 可提供更全面、更详细的特征描述表现在:具有多个波段的反射强度反映的目标物理特性更全面 点云更密集目标垂直结构细节更丰富 上述多波段反射强度及三维空间位置信息均可用于目标区分是当前土地覆盖分类研究最理想的数据源 为了提升 数据在土地覆盖分类及后继城市建模、变化检测、地图更新和灾害评估等领域中的应用价值现有研究往往侧重于如何充分利用机载 数据的多光谱及三维空间位置信息 已有的机载 数据的信息利用方式可归纳为 类:独立使用某类信息如基于高程及其统计特征的陆地/水辨识基于多光谱及其统计特征的土地覆盖分类或水域/土地、植被/建成区辨识 该类方法针对不同的分类目的选择某类型的显著性特征有助于提取所需的信息 但其所用的特征类型单一忽视了其他类型特征的作用分类精度较低 组合使用各类信息如逐级分离的点云分类法即首先借助基于不规则三角网()的区域增长滤波算法分离地面和非地面目标 然后利用归一化植被指数或归一化差异特征指数对二者进一步细分 该类方法利用了 点云的多类型特征及空间分布特征增加了特征利用类型 但是其将空间和多光谱特征分开加以利用未能充分发掘各类特征提供的更有效信息误差传递和累积第 期王丽英等:基于多元 的机载多光谱 点云空谱联合分类无法避免理论上不够严密 联合使用各类信息如机器学习的监督分类法 该类方法基于高维特征利用马氏距离、支持向量机()、随 机 森 林、最 大 似然 和决策树分类等浅层机器学习分类器或、自注意胶囊网络、混合胶囊网络、平滑图卷积网络和图几何矩卷积神经网络等深度学习网络对已标记的 训练数据进行学习以建立分类模型并依此模型对 测试数据进行土地覆盖分类 该类方法能发掘并充分利用各类特征提供的有关目标的全面信息描述能显著提高分割/分类精度对比前 种特征利用方式具有明显优势 但是该类方法的精度高度依赖于训练数据集、样本选取质量及样本数量特别是深度学习的机器学习方法倘若没有海量的训练数据集做支撑其分类精度对比浅层机器学习算法优势并不明显 另外深度学习的分类算法的过拟合现象严重、泛化能力较低在无法获取海量的训练数据集的实际工程项目中应用受限 而浅层机器学习方法为了高精度区分各类目标往往需联合利用多光谱、几何、高程、纹理和植被指数等多类型特征由此造成特征维度过高、计算量大 特别是随着 技术的发展点密度越来越高基于高维特征分割/分类的计算负担必然越来越重 因此本文探讨仅联合有限类特征对 点云进行非监督式的有效、准确的分割问题提出一种基于多元高斯混合模型()的机载 点云空谱联合分割算法 该算法立足于目标在多维空谱特征空间的概率分布用理论上可以拟合出任意类型分布的多元 对其进行精确建模从而解决 点云在多维特征空间的聚类分割问题理论严密并为如何综合利用 数据的多光谱及空间信息提供新途径 实验数据采用加拿大 传感器采集的机载 点云作为实验数据验证本文算法的有效性和可行性 系统配备了 个独立的主动成像通道并且通道间有.的偏转角间隔 个波段波长分别为 (中红外波段)、(近红外波段)及 (绿光波段)如图 所示为 点云反射强度数据顶视图数据在 和 波段分别包含 点 和 个实验区域位于加拿大安大略省南部杜林区奥沙瓦市()城区包含不同屋顶材料的建筑物、灌木、乔木、草地、道路等土地覆被区域内地形总体比较平坦、局部稍有起伏部分建筑物周围有树木环绕 数据中每个波段的点云平均密度约为.点/平均点间距为.实验数据的获取参数如下:飞行高度为 扫描视场角为 通道脉冲重复频率为 扫描频率为 利用商业软件 对实验数据进行自动分类进而以 同机获取的纠正后的航拍图像为参考、以手工方式对分类结果进行后处理将测试数据准确分为草地、道路、树木和建筑物 类作为标准参考数据以定量评价提出算法的精度()()()图 多光谱 点云强度数据顶视图.基于多元 的机载 点云分割.算法理论基础为了实现空谱联合的 点云分割统计目标在高程及多光谱等特征构成的多维特征空间的分布图 为实验数据对应的目标在二维特征空间的概率密度估计的可视化显示 由图()可知:各目标在高程和 波段强度维度的特征差异较大分布呈多峰形状 若能拟合上述多峰分布自 然 资 源 遥 感 年便可实现目标的分割 鉴于各峰形状接近正态分布且理论上多元 可以拟合任意类型的分布本文引入多元 刻画目标在空谱特征空间的多峰分布 此外对比图()()可知特征利用的类型不同目标的区分度存在明显差异后续实验环节将探讨各类特征对于 点云分割结果的影响从而获得最优的特征组合()二维光谱、高程特征空间的概率密度分布()二维光谱特征空间的概率密度分布图 目标在二维特征空间的概率密度估计.算法流程基于多元 的机载 点云空谱联合分割的流程如图 所示 首先对机载 多波段独立点云进行辐射校正、异常数据去除及融合等预处理研建同时表达空间位置及其对应多光谱信息的单一点云数据集 然后提取各激光点的多光谱、高程等特征构建空谱特征矢量并通过特征标准化、离散化消除不同类型特征间的量纲差异 再次构建多元 拟合目标在空谱特征空间呈现的多峰分布实现空谱一致性约束下的聚类分割 最后基于 多数投票法优化分割结果图 本文算法流程.数据预处理.辐射校正及异常数据去除为了提高后续基于激光反射强度信息的目标区分的准确性对各波段点云的反射强度进行相对辐射校正消除与距离、入射角等相关的辐射偏差即 ()式中:和 分别为原始和校正后的反射强度 为扫描仪与激光点的距离 为飞行高度 辐射校正后利用 软件剔除高位、低位异常点.多波段点云融合 独立记录 个成像通道的点云数据可记为:()()()()式中:和 分别为激光点索引 和 分别为各波段的激光点数 为辐射校正后的激光反射强度 和()分别为激光点及其对应的坐标 可见其并不直接包含与空间位置对应的多波段光谱信息 为了获取兼具空间位置及其对应多波段光谱信息的单一点云数据必须研究多波段点云的融合方法预测各激光点在其他 个波段的强度值 基于各激光点在其他波段的强度值和其空间邻近点接近的思想采用下述基于邻近点的融合方案(以 波段为例):针对 波段中的各激光点在半径为 的球体邻域内搜寻其在其他波段的空间邻近点若存在则取邻域点强度中位数为该激光点在其他波段的反射强度值否则将该激光点在其他波段的强度值设置为(认为被完全吸收)半第 期王丽英等:基于多元 的机载多光谱 点云空谱联合分类径 的设置与点云密度相关本文设置为 记融合后单一点云数据集为:()()式中 和 分别为融合点云中各波段激光点的索引及个数.空谱特征提取及其标准化为了最大限度发挥 空谱合一的优势提高目标间的可区分性对 中的每个激光点提取一组点特征 这些点特征分为 类:多光谱特征 数据包括 个波段的强度数据分析每个波段上的目标强度差异可以提供更详尽的目标识别信息因此将多个波段的反射强度信息作为其中的一组特征 空间特征 数据中本身蕴含着高精度的三维坐标信息其中高程坐标可以反映目标垂直方向上的结构信息并一定程度上解决同谱异物及同物异谱问题因此将高程作为其中的另一组特征 若坡度起伏变化较大的区域则采用归一化数字表面模型()获得相对高程值作为高程特征记 的特征数据集为 ()()()()为第 个激光点的特征值()()()()()()分别为第 个激光点的各维度特征值 为特征维度的索引 若 数据的 个波段强度信息均采用则()()()()()但是 中各类特征具有不同的量纲和单位为了避免在数据处理过程中带来误差对其进行无量纲化处理 首先采用标准差标准化操作将各维特征转换为标准正态分布即()()()式中:和 分别为标准化前 中各维特征的均值和标准差()为标准化后的特征值 然后对标准化后的特征()进行离散化得到无量纲的特征值()构成的特征数据集 即()()()式中:和 分别为标准化后特征数据集 中各维特征的最小值和最大值.多元 构建及其求解如前所述目标在多维空谱特征空间的分布呈多峰且均符合高斯分布 因此可利用多元 将其建模为若干个高斯分布的叠加 是将点云特征的统计特性拟合为若干个高斯分布线性组合的概率模型通过简单的高斯概率密度函数(被称为一个分模型)刻画复杂的概率密度函数的分布只要选择合理的分模型个数和分模型参数便可很好地刻画数据的空间分布及其特性记多元 的概率密度函数()为:()()()()()()()()式中:和 分别为 中所叠加的高斯分布的索引及个数 与聚类数相对应 和 分别为第 个高斯分布的均值、协方差和权重系数 满足 ()为第 个高斯分布的概率密度函数 为 的行列式 为了求取式()中的分布参数 及 采用已被证明是最优解算方法的最大似然估计()获取最优估值令 为了求解参数 引入似然函数即()()()其中假设 中的 个特征点相互独立 所谓 即得到使似然函数最大的 值 即 ()()式()为 的非线性函数无法直接求偏导获取最大值 为了降低求解的复杂性对其两边取对数得到对数似然函数 即 ()()()进一步采用期望最大化()算法最大化 并求取参数 步骤如下:)设置聚类数 在多维特征空间利用 算法对特征集 进行聚类统计聚类结果中各类的均值向量、协方差矩阵 及权重系数将上述参数作为 参数 的初始值进而计算对数似然函数的初始值()设置循环迭代计数器 )依据当前的 计算各高斯分量对特征点的响应度 即第 个特征点属于第 个高斯分布的自 然 资 源 遥 感 年后验概率公式为:()()()使用当前的响应度 更新模型参数 即()()()()()()计算()检查对数似然函数的收敛性即()()小于阈值 或迭代次数大于设定阈值 若满足收敛的条件则退出循环否则令 返回步骤)直到收敛最后对响应度矩阵按最大响应度原则确定各特征点的类属 其中最大响应度原则即将最大响应度值所对应的地类作为当前特征点的类属.多数投票下的分类结果优化多元 是将 点云映射至高程、多光谱特征构成的特征空间然后获取多光谱及高程测度一致性约束下的聚类分割结果 但其仅考虑了多光谱及高程测度的分布而未考虑邻近激光点类别间的空间一致性由此导致对目标的特征描述不够全面、分割结果中噪声较多 为此本文设计如下基于空间一致性约束的 多数投票法进一步优化分割结果消减噪声对分割过程的影响基于“大多数邻域点类在多元 模型分割后是正确的”假设可将每个 点的类属分配为其周围点类属的众数其具体操作为:首先针对每个激光点在半径为 的球体邻域内搜寻其空间邻近点 然后判断空间邻近点的类属的众数若众数出现的次数大于空间邻近点数的一半且众数与激光点的类属不一致则将该激光点的类属修改为众数 其中半径 的设置与点云密度相关本文设置为 实验结果与分析.机载 点云分割实验实验旨在呈现点云分割及其定量精度评价结果 首先利用相对辐射纠正、邻近点反距离插值的点云融合方案对原始的 个波段的独立 点云进行预处理获取包含多个波段光谱信息的 融合点云如图 所示图 融合点云顶视图(波段()()()假彩色合成).然后对融合点云进行空谱特征提取及标准化构建特征数据集 进而构建多元 对特征数据集在特征空间完成聚类分割并进一步利用 多数投票法优化分割结果 如前所述利用多元 建模目标在特征空间的复杂聚类时联合利用不同类型的特征聚类结果不尽相同 为了测试不同的特征组合对分割精度的影响并由此确定最佳的特征组合设计了不同特征有效性的考察实验如表 所示表 不同特征组合下的分割精度对比.序号特征组合总体精度/系数.由表 可知:对比特征组合和可知对比单波段 点云分割精度更高总体精度提高了.百分点系数提高了.原因在于前者包含的单波段强度信息更容易受同谱异物、同物异谱问题的影响只能辅助用于点云分割 而 数据则可通过多波段光谱信息的引入利用不同目标在不同波段的辐射能量的差别提高目标解译精度部分解决同物异谱、同谱异物的问题 但是特征组合中 和 波段组合并没有提高分割精度这第 期王丽英等:基于多元 的机载多光谱 点云空谱联合分类是由 个波段间具有较强的相关性造成的 对比特征组合和可知高程特征 的融入显著提高了点云分割的精度 这是因为高程特征可准确反映目标间高度特性的差异提高各类间的区分性并有效解决“同物异谱、同谱异物”目标间的区分 由此可见只有联合利用空谱信息才能取得更高的分割精度 对比特征组合可知同样是联合空谱特征不同特征组合的点云分割精度均不同 原因在于各目标在不同类特征中的可区分性存在差异特征组合取得了最高的分类精度是机载 点云分割特征组合的最优方案但其与特征组合的分割精度相当最后基于 多数投票法对表 中的特征组合和下的分割结果进行优化所得结果精度评价如表 所示表 特征组合和分割优化前后精度对比.指标特征组合特征组合优化前优化后优化前优化后总体精度/.系数.由表 可知:经优化总体精度提高了.百分点 系数提高了.分割精度得到了明显提升证明了 多数投票法用于聚类结果优化的有效性 基于特征组合的优化处理精度提高更明显总体精度由.提高到了.系数由.提高到了.其对应的优化结果如图 所示()优化结果()优化前局部细节()优化后局部细节图 优化结果及优化前后对比.由图()可知本文算法可实现对各类目标的有效区分 进一步对比局部细节图()和()可知:经优化分割结果中的噪声点明显减少建筑物和树木间的错分得到了很大的改善道路和草地的边界更加清晰为了分析影响算法精度的因素统计了分割结果的混淆矩阵见表 表 本文算法的混淆矩阵.实验数据参考数据建筑物道路树木草地合计用户精度/建筑物 .道路 .树木 .草地 .合计 生产者精度/.总体精度:.系数:.由表 中道路的用户精度和草地生产者精度可知:道路和草地的错分是影响算法精度的最主要因素 这是因为道路和草地空间邻近、高程接近且过渡区域二者的光谱特征接近由此导致二者无法精确区分.算法对比实验实验旨在对比本文算法与其他经典的 土地覆盖分类算法的精度结果如表 所示由表 可知本文算法作为一种非监督类分割算法对比其他联合空谱特征的分割/分类算法本文算法仅基于四维特征便可达到总体精度和 系数与监督分类相当的精度从而证明了本文算法的优越性 另外其他浅层机器学习分类器的性能取决于训练样本并建立在训练集和测试集服从相同的数据分布的基础上一旦同分布的假设不满足利用构建的分类器完成分类的精度可能难以保证自 然 资 源 遥 感 年表 本文算法和其他经典算法的精度对比.算法参考文献算法原理联合特征总体精度/系数本文算法多元 多光谱、.等 分类多光谱、伪、形态学剖面、多尺度形态学剖面、.等 分类多光谱、曲率、.等决策树分类伪、绿化率、强度、高程、点数、返回数、类别、亮度、面积.等马氏距离 个结构波段、个波段强度.等随机森林多光谱、点邻域特征.等对数似然分类高程、高程变化、强度、强度变化、回波数.等 分类空间位置、多光谱、几何、结构.结论针对机载 土地覆盖分类问题本文以低维度特征、高精度为原则提出了基于多元 的空谱联合分割算法 该算法首先融合机载 多波段独立点云获取同时表达空间位置及其对应多波段光谱信息的单一点云 然后提取点云的多光谱、高程特征构建空谱特征数据集并通过特征标准化、离散化消除不同类型特征间的单位和尺度差异 再次构建多元 建模目标在空谱特征空间呈现的复杂聚类 最后设计 多数投票法优化分割结果实验基于实测的 数据验证提出算法的有效性和可行性 实验结果表明:联合 和 波段强度及高程特征为最优的特征组合最优分割结果的总体精度可达.系数可达.仅联合四维特征即可实现 点云的高精度分类优势明显 算法缺陷在于:算法仅考虑了多光谱及高程特征未来可考虑加入法向分布等有效特征进一步提高分类精度并适应繁杂的城市地物类别 此外还可考虑将邻近点的空间相关性引入多元 但不增加模型参数估计的难度以提高算法的抗噪性志谢:此次实验的数据来自加拿大 公司 机载多光谱 系统首次飞行采集的数据在此表示衷心的感谢!参考文献():.:.():.张继贤林祥国梁欣廉.点云信息提取研究进展和展望.测绘学报():.():.():.:.:./.:.:.():.():.潘锁艳管海燕.机载多光谱 数据的地物分类方法.测绘学报():.():.():./:().:.():./.:.():.第 期王丽英等:基于多元 的机载多光谱 点云空谱联合分类 .:.袁鹏飞黄荣刚胡平波等.基于多光谱 数据的道路中心线提取.地球信息科学学报():.():.曹 爽潘锁艳管海燕.机载多光谱 的随机森林地物分类.测绘通报():.():.:.:./.:.:.:.().:.():.:.:.():.:.():./:.():.:.():.():.(.):().().自 然 资 源 遥 感 年 .:(责任编辑:陈 理)