【摘要】：隨著遙感影像數(shù)據(jù)的分辨率不斷提升,可以識別更小尺度的詳細(xì)地物信息,而LiDAR探測技術(shù)能夠獲取高精度的三維空間信息,使遙感數(shù)據(jù)的信息表達(dá)幾乎接近現(xiàn)實中人眼的感知效果。在面對多源數(shù)據(jù)的時候,人腦可以快速地進(jìn)行分析和提取感興趣的目標(biāo),但計算機的處理方式還不夠智能化,融合多源數(shù)據(jù)的信息提取技術(shù)還有很大的發(fā)展空間。 本文利用LiDAR數(shù)據(jù)與高分辨率遙感數(shù)據(jù)進(jìn)行多源數(shù)據(jù)融合的地物分類提取研究。利用LiDAR數(shù)據(jù)在三維空間信息方面的特點與優(yōu)勢,結(jié)合高分辨率遙感影像豐富的光譜和紋理信息,將兩者的優(yōu)勢進(jìn)行結(jié)合,彌補了各自的不足。首先概述了LiDAR系統(tǒng)的原理及其數(shù)據(jù)處理過程,對LiDAR點云數(shù)據(jù)濾波方法進(jìn)行分析,提出了一種改進(jìn)的點云濾波方法,將地面點與非地面點區(qū)分開來；進(jìn)一步提取LiDAR點云數(shù)據(jù)和影像數(shù)據(jù)的特征,用于LiDAR點云數(shù)據(jù)的精細(xì)分類；最后對融合LiDAR數(shù)據(jù)的高分辨率遙感影像的分類方法進(jìn)行研究�？傮w來說,本文的主要工作及貢獻(xiàn)有以下幾點： (1)對機載LiDAR系統(tǒng)的基本原理進(jìn)行了總結(jié)和分析,概述了LiDAR數(shù)據(jù)的特點,并對LiDAR數(shù)據(jù)預(yù)處理過程進(jìn)行闡述。詳細(xì)闡述了LiDAR數(shù)據(jù)與影像數(shù)據(jù)配準(zhǔn)的基本原理和主要方法,為后續(xù)數(shù)據(jù)處理及LiDAR數(shù)據(jù)與高分辨率遙感數(shù)據(jù)融合的信息提取提供了基礎(chǔ)和理論依據(jù)。 (2)針對LiDAR點云數(shù)據(jù)離散性和盲目性的特點,對LiDAR點云的濾波方法進(jìn)行研究。首先分析了LiDAR點云濾波的基本原理和濾波過程中的難點,并詳細(xì)總結(jié)和分析了現(xiàn)有濾波方法在解決難點區(qū)域濾波的不足,提出了融合多特征的LiDAR點云數(shù)據(jù)濾波方法。分析了LiDAR點云數(shù)據(jù)自身的屬性特征,并結(jié)合遙感影像的光譜信息用于濾波過程,采用多尺度虛擬格網(wǎng)的數(shù)據(jù)結(jié)構(gòu)來組織點云數(shù)據(jù)；然后利用多重回波信息初步分離部分非地面點,在包含地面點的單次回波與末次回波的點集中,根據(jù)高程紋理特征和點云強度特征確定初始地面點；再利用格網(wǎng)的高程均值、點云離散度和光譜信息特征進(jìn)行激光點的過濾。濾波過程中,通過改變格網(wǎng)大小進(jìn)行重復(fù)迭代計算進(jìn)一步精化濾波結(jié)果,生成最終的DEM。融合多特征的LiDAR點云數(shù)據(jù)濾波方法,加入了多種特征作為濾波判斷條件,避免了單一條件的出現(xiàn)的漏分和誤分現(xiàn)象,提高了整體濾波精度。 (3)為了滿足LiDAR點云數(shù)據(jù)提取精細(xì)地物類別的需求,本文對融合影像信息的LiDAR點云精細(xì)類別的識別技術(shù)進(jìn)行了研究。本文結(jié)合影像豐富的光譜和紋理信息進(jìn)行LiDAR點云數(shù)據(jù)分類,提出了一種基于特征加權(quán)支持向量機的多特征點云分類方法,在基于離散點集的表達(dá)的基礎(chǔ)上提取點云的特征和影像的特征,采用SVM機器學(xué)習(xí)方法進(jìn)行分類。針對傳統(tǒng)SVM沒有考慮不同特征對分類結(jié)果中類別的貢獻(xiàn),本文利用特征權(quán)重改進(jìn)了傳統(tǒng)的RBF-SVM分類器,提出融合影像特征的LiDAR點云特征加權(quán)SVM分類方法。通過實驗表明,該方法可以進(jìn)一步提高LiDAR點云分類的精度和效率。 (4)對于高分辨率遙感影像,面向?qū)ο蠓治龇椒▽ο?Object)作為影像特征提取與分析的基本單元,相比于傳統(tǒng)的基于像素(pixel-based)的影像分類方法,在充分利用高分辨率影像的幾何信息與結(jié)構(gòu)信息方面具有明顯的優(yōu)勢。本文利用面向?qū)ο蠓治龅姆椒ㄑ芯咳诤螸iDAR數(shù)據(jù)的高分辨率影像面向?qū)ο蠓诸?基于先分割再分類的思想,先融合影像、nDSM和NDVI進(jìn)行多尺度分割,生成具有均質(zhì)性的影像對象,再利用對象的特征信息進(jìn)行基于規(guī)則的模糊分類。在多尺度分割的過程中,提出了基于影像對象的標(biāo)準(zhǔn)差的倒數(shù)和對象與相鄰對象的均值差分的絕對值兩個參數(shù)的不同類別的最優(yōu)分割尺度選擇方法,構(gòu)建了不同尺度的對象層次網(wǎng)絡(luò)結(jié)構(gòu),并對模糊分類隸屬函數(shù)的定義、模糊規(guī)則庫的構(gòu)建及分類流程進(jìn)行了分析。實驗表明,融合LiDAR數(shù)據(jù)的高分辨率影像面向?qū)ο蠓诸惪梢员萀iDAR點云分類提取更多的地物類別信息,并達(dá)到不錯的分類精度。 全文圍繞LiDAR數(shù)據(jù)與高分辨率遙感影像融合應(yīng)用的相關(guān)技術(shù)問題,從融合多特征的LiDAR點云數(shù)據(jù)濾波、融合影像特征的LiDAR點云SVM分類、融合LiDAR數(shù)據(jù)的高分辨率影像面向?qū)ο蠓诸惾齻�方面深入研究了具體的融合方法,并實驗證明了本文方法可以有效地提升分類結(jié)果的精度。本文的研究成果在一定程度了促進(jìn)了LiDAR數(shù)據(jù)與影像數(shù)據(jù)的融合分類技術(shù)的深入發(fā)展,為多源數(shù)據(jù)融合技術(shù)的發(fā)展與應(yīng)用提供一定的參考和借鑒。
【圖文】：

根據(jù)以上研究現(xiàn)狀，，圍繞主要研究內(nèi)容，全文總共分為六章，各章節(jié)之間的安排與組織結(jié)構(gòu)如圖1-1所示。f \第一章緒論V ■ ■ J17 ‘][ I LiDAR系統(tǒng)基本原理 I！ UDArS;■理及其I LiDAR數(shù)據(jù)預(yù)處理I 理論基礎(chǔ)1j 數(shù)據(jù)處理 1I I LiDAR數(shù)據(jù)與影像的配準(zhǔn)I I!_ ^ ) I 1 I二 I 廣 \ rr^ I( 1 濾 I~二 1 I1 第三章 波 點煃—I [！融合多特征的LiDAR uv 多特征濾波 數(shù)據(jù)處理I1 點云數(shù)據(jù)濾波 g I良"n,T！ ^ 影像特征」I 取 I 1L ^^ ~ I 1I 多源數(shù)據(jù)融合分類 jII I 1 I I II f ^ I 1 I 1 I Y ^ I 1I I 點云特征 影像特征I丨 I 1| I1 ！ 第四章 ^""”■~~^~~■'1 1 第五章 多尺度Pt I丨I1 I融合影像特征 丨艦且丨 I ：融合LiDAR數(shù)據(jù) T , I1 1的LiDAR點云 ■向T

本文編號：2533543