数据分类分割研究现状

时间：2024-10-14 百科知识版权反馈

【摘要】：在理想情况下，机载激光雷达测量获得的表面数据点集进行简单的阈值化处理就能进行分类分割，借助统计直方图分析可确定阈值大小。但目前大多数系统采用脉冲式激光测距，系统提供的激光信号反射率数据的质量较差。融合分别独立获取的多光谱数据和激光雷达测量数据进行数据分割和分类也有人进行研究。通过K-均值聚类法进行数据分割后，机载激光雷达数据能够分割成三大类:高层建筑物、地面点及其他地物。

5.5.1　数据分类分割研究现状

在理想情况下，机载激光雷达测量获得的表面数据点集进行简单的阈值化处理就能进行分类分割，借助统计直方图分析可确定阈值大小。然而在地形陡峭的地方，且有高的植被以及植被和房屋毗邻时，这种方法却不再适用。尽管利用已有的2D GIS数据进行激光雷达测量数据的分类分割(Haala，et al，1997;Haala，et al，1999;Lemmens，et al，1997)相对来说比较可靠，但并不是任何地方都有现成的所有地物的2D GIS数据，并且很多地方的屋顶边缘要大于GIS系统中的地基房屋边缘。也有人(Hug/Wehr，1997)应用局部统计直方图分析技术并辅以激光信号反射率值(健康植被对近红外波段的激光信号具有强反射性)进行数据的分类分割。但目前大多数系统采用脉冲式激光测距，系统提供的激光信号反射率数据的质量较差。还有人通过结合使用阈值、形态滤波以及连通成分标记技术进行房屋数据的分类分割(Maas/Vosselman，1999b)，但该方法在房屋和植被(如树)毗邻时进行分类有一定的困难。融合分别独立获取的多光谱数据和激光雷达测量数据进行数据分割和分类也有人进行研究(Haala，et al，1998)。该方法由于两种数据源是分别独立获取的，在进行匹配时有一定难度，也难以确定边界。在不久的将来，系统如果在获取激光脚点三维坐标的同时，还能同时记录该处的多光谱数据，那么就能将两种数据很好地匹配，也就是利用硬件解决匹配问题。

Elberink和Maas等利用激光雷达测量数据的高程纹理的各向异性特征将原始激光雷达数据分割成不同的类(Elberink，et al，2001)，被分类的对象主要包括建筑物、树、基础设施以及几种农业用地。Axelsson基于MDL(Minimum Description Length)准则实现对激光雷达数据的分类(Axelsson，1999)。Elberink等人(2001)首先将DSM规格化(见图5-14)，基于规格化的DSM高程影像采用非监督分类的方法，利用高程纹理的各向异性的特性分类高出地面的地物，如树木、房屋等(因为房屋和树木两种地物的高程纹理的表现特征是不一样的)，同时利用激光回波信号的强度信息分类与地面处于同一高度水平的地物，如道路、草地、庄稼地等。还有学者提出基于激光脚点数据的高程值采用K-均值聚类法进行数据分割(VU，et al，2001)。通过K-均值聚类法进行数据分割后，机载激光雷达数据能够分割成三大类:高层建筑物、地面点及其他地物。对于第三类是多种地物(较矮的建筑物、高速公路以及树等)的集合，如果仅根据高程信息难以进一步准确分类，然而，这些地物在水平方向具有不同的空间尺度，因此，基于空间尺度分析就有可能对第三类进行进一步的分割。