航空或航天平臺(tái)獲取的遙感數(shù)據(jù)在各種空間、光譜和時(shí)間分辨率上提供了地表覆蓋信息，成為地理空間信息的主要來源。這些多源遙感數(shù)據(jù)提供的信息具有冗余性、互補(bǔ)性和合作性，將多源數(shù)據(jù)的互補(bǔ)信息加以利用，獲得對(duì)地物正確的解譯是非常重要的。多源遙感數(shù)據(jù)融合則是綜合多種傳感器遙感信息的最有效途徑之一，被認(rèn)為是現(xiàn)代多源影像處理和分析中非常重要的一步。

目前許多學(xué)者針對(duì)激光點(diǎn)云數(shù)據(jù)和影像的融合分類進(jìn)行了研究。已有研究表明利用激光點(diǎn)云數(shù)據(jù)和光學(xué)影像進(jìn)行融合分類，得到的分類精度比單獨(dú)利用激光點(diǎn)云數(shù)據(jù)或光學(xué)影像進(jìn)行分類的分類精度提高8%～16%。

因此聯(lián)合激光點(diǎn)云和光學(xué)影像進(jìn)行分類，能夠改善分類效果，提高分類精度。

本文采用面向?qū)ο蠓诸惙椒?，將激光點(diǎn)云數(shù)據(jù)引入影像分割、特征提取和影像分類3個(gè)環(huán)節(jié)中，改善影像分割效果和最終的分類結(jié)果，達(dá)到激光點(diǎn)云與航空影像融合分類的目的。

二、激光點(diǎn)云與影像融合分類

1． 改進(jìn)的分水嶺分割算法

分水嶺分割算法是一個(gè)模擬浸水的過程，分水嶺分割算法中用到的是影像的梯度，計(jì)算Sobel 梯度影像并利用形態(tài)學(xué)所得的標(biāo)記圖像對(duì)梯度影像進(jìn)行重建，將局部無關(guān)的極小值點(diǎn)去除消除過分割現(xiàn)象。

通常的算法中梯度為原始影像的灰度梯度計(jì)算獲得，但是這樣可能會(huì)造成一些局部灰度差異不大的地物，如水泥建筑和道路、綠色植被和草地等被分割到一塊分割單元中，導(dǎo)致最終的分類結(jié)果不準(zhǔn)確。

因此，本文將 LiDAR數(shù)據(jù)計(jì)算得到的 nDSM 投影到規(guī)則格網(wǎng)中生成圖像，計(jì)算高程梯度，然后利用標(biāo)記圖像進(jìn)行高程梯度圖像的重建，再進(jìn)行分水嶺分割計(jì)算，將分割后結(jié)果與灰度影像分割結(jié)果進(jìn)行疊加，以達(dá)到改善分割效果的目的。

2． 規(guī)則集影像分類

將激光點(diǎn)云數(shù)據(jù)的特征引入到航空影像分類的規(guī)則集中，主要有利用 nDSM 得到的高程信息及其統(tǒng)計(jì)值，激光點(diǎn)云自身獲得的反射強(qiáng)度信息及統(tǒng)計(jì)值。此外，光學(xué)影像的特征主要有直接光譜特征，如波段灰度均值、方差等; 間接光譜特征，如 NDVI 指數(shù)及幾何特征、形狀緊致性等。

綜合考慮了光學(xué)影像特征和激光點(diǎn)云特征，建立如下分類規(guī)則: 首先利用高程將地物分為地面和非地面地物，然后利用 NDVI 指數(shù)、強(qiáng)度、緊致性和強(qiáng)度標(biāo)準(zhǔn)差依次將地面地物分為草地、道路和裸地，利用 NDVI 指數(shù)、高程標(biāo)準(zhǔn)差和強(qiáng)度將非地面地物分為樹木和建筑。分類規(guī)則中的參數(shù)閾值都是通過樣本訓(xùn)練和多次試驗(yàn)得到的。

三、影像分割

采用影像結(jié)合激光點(diǎn)云的改進(jìn)分水嶺分割方法得到的分割結(jié)果在建筑物和陰影及樹木和陰影的地方要優(yōu)于僅采用影像進(jìn)行分水嶺分割的結(jié)果。

下面從幾個(gè)定量指標(biāo)比較兩種分割結(jié)果。

對(duì)于兩種分割結(jié)果，分別統(tǒng)計(jì)其所得的分割單元數(shù)、分割單元的同質(zhì)性指標(biāo)、異質(zhì)性指標(biāo)等。同質(zhì)性指標(biāo)計(jì)算分割區(qū)域的標(biāo)準(zhǔn)差的加權(quán)平均值 U ，同質(zhì)性指標(biāo)的值越小說明區(qū)域同質(zhì)性越高; 異質(zhì)性指標(biāo)采用一個(gè)空間自相關(guān)指數(shù) V ( Moran 指數(shù)) 表示空間分割對(duì)象間的空間獨(dú)立程度，異質(zhì)性指標(biāo)的值越小說明分割單元間越獨(dú)立。

從表中可以看出，本文采用的影像和激光點(diǎn)云結(jié)合的分水嶺分割方法所得的分割單元數(shù)雖然比采用影像的分水嶺分割方法所得的分割單元數(shù)多，但是同質(zhì)性和異質(zhì)性數(shù)值卻更小，說明激光點(diǎn)云可以改善影像的分割效果，得到單元內(nèi)更勻質(zhì)、單元間差異更大的結(jié)果。

比較可見光( RGB) 波段影像的分割結(jié)果和增加近紅外(NIR) 波段之后影像的分割結(jié)果可以看出，后者的分割單元數(shù)比前者增加了，但是前者的同質(zhì)性和異質(zhì)性結(jié)果要比后者好。從定量指標(biāo)來看，RGB 影像和 LiDAR 點(diǎn)云結(jié)合的數(shù)據(jù)方式分割統(tǒng)計(jì)的同質(zhì)性和異質(zhì)性指標(biāo)均為最好，這是因?yàn)榈匚镌诳梢姽獠ǘ蔚墓庾V特性差異比較明顯，特別是草地和植被、草地和裸地有明顯差別，但是在近紅外波段它們之間的差異較小，因此加入近紅外波段之后計(jì)算的整體異質(zhì)性比可見光波段的差。但是結(jié)合定性的目視效果，最終采用 RGB+NIR 四波段影像和 LiDAR 點(diǎn)云結(jié)合的數(shù)據(jù)方式進(jìn)行分割。

影像分類結(jié)果

融合分類得到的結(jié)果，可以看到大部分地物都得到了正確的分類，特別是由于高大植被和建筑造成的陰影基本上沒有影響道路的分類，而草地中間的植被也被分類出來。為了進(jìn)一步分析融合分類的分類結(jié)果，評(píng)價(jià)分類精度，本文利用融合分類影像的混淆矩陣計(jì)算了每一類別的用戶精度、制圖精度、總體精度，以及 Kappa 系數(shù)和條件 Kappa系數(shù)。

裸地的制圖精度、用戶精度和條件Kappa 系數(shù)最低。其制圖精度為 62． 5%，實(shí)為裸地的像元有 37．5%被分為草地或道路像元中; 用戶精度為 66．67%，分類得到的裸地像元中有 33．33%實(shí)為草地或道路，說明裸地的多分和漏分現(xiàn)象比較嚴(yán)重。這是因?yàn)橛跋裆下愕叵裨臄?shù)量很少，部分像元容易與鄰近的草地或道路分割為一個(gè)單元，這樣會(huì)使得分割單元的緊致性或強(qiáng)度等統(tǒng)計(jì)值代表了幾種混合地物的特性，使得分類時(shí)裸地誤分為草地或

道路，導(dǎo)致精度降低。

從 3 個(gè)類別精度指標(biāo)整體分析可知，道路、建筑和植被的精度較高，而草地的制圖精度較低，實(shí)際為草地的像元被分為道路或裸地像元，是因?yàn)榉诸愃玫膹?qiáng)度信息并不準(zhǔn)確，沒有經(jīng)過輻射校正，所以得到的強(qiáng)度特征并不能完全反映該地物的激光反射特性，因此采用的閾值不能很好地區(qū)分兩類地物。但是草地與建筑、草地與植被之間的錯(cuò)分情況很少，說明激光點(diǎn)云數(shù)據(jù)得到的高程信息能將地面地物與非地面地物較好地區(qū)分，參與到建筑和植被的分類中能夠起到有效作用。

本文將機(jī)載激光點(diǎn)云數(shù)據(jù)與航空影像進(jìn)行了面向?qū)ο蟮娜诤戏诸?，主要是在航空影像的分水嶺分割梯度計(jì)算中加入 LiDAR 高程信息，然后結(jié)合地物的光譜特征和激光點(diǎn)云提供的高程特征，對(duì)影像進(jìn)行了分層分類。試驗(yàn)表明，激光點(diǎn)云的高程信息能夠改善影像分割效果; 激光點(diǎn)云數(shù)據(jù)得到的高程信息能將地面地物與非地面地物較好地區(qū)分，對(duì)建筑和植被的分類起到了有效作用。

版權(quán)聲明：文章來源于網(wǎng)絡(luò)，登載此文出于傳遞更多信息之目的，版權(quán)歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權(quán)益，請(qǐng)聯(lián)系我們。

猜你喜歡：

機(jī)載LiDAR激光點(diǎn)云數(shù)據(jù)制作高精度DEM的方法

什么是激光雷達(dá)點(diǎn)云數(shù)據(jù)？