基于正態(tài)DS證據(jù)理論的機載LIDAR數(shù)據(jù)地物分類方法

馮裴裴， 楊風暴， 衛(wèi)　紅， 李大威， 梁若飛

(1. 中北大學信息與通信工程學院，山西 太原 030051；2. 雷丁大學系統(tǒng)工程學院，英國 雷丁 RG6 6AU)

基于正態(tài)DS證據(jù)理論的機載LIDAR數(shù)據(jù)地物分類方法

馮裴裴1， 楊風暴1， 衛(wèi)紅2， 李大威1， 梁若飛1

(1. 中北大學信息與通信工程學院，山西 太原 030051；2. 雷丁大學系統(tǒng)工程學院，英國 雷丁 RG6 6AU)

針對現(xiàn)有方法無法滿足機載激光掃描與測距系統(tǒng)(LIDAR)數(shù)據(jù)地物分類時對算法精度和速度需求的問題，提出了一種基于非下采樣剪切波(NSST)和正態(tài)DS證據(jù)理論的LIDAR數(shù)據(jù)快速地物分類方法。首先，利用NSST對LIDAR數(shù)據(jù)源圖像進行多尺度分解，對得到的各層高頻圖像進行中值濾波處理，并進行逆變換合成。其次，構建正態(tài)概率分配函數(shù)及模糊類別，對LIDAR數(shù)據(jù)進行信任分配，并進行合成與決策。實驗證實，該方法的分類精度達到86.12%，運行時間僅為0.46 s，在保證快速的基礎上有效地提高了分類算法的精度。

地物分類；機載激光掃描與測距系統(tǒng)；非下采樣剪切波變換；正態(tài)DS證據(jù)理論

TP 751.1

機載激光掃描與測距系統(tǒng)(light detection and ranging，LIDAR)以其空間分辨率高、數(shù)據(jù)源豐富、可提供地表三維信息等優(yōu)勢，在氣候、環(huán)境監(jiān)測、森林建模、道路檢測、地物分類等方面具有廣泛的應用[1-2]。隨著機載LIDAR技術的發(fā)展，測量的區(qū)域地形更加復雜，LIDAR數(shù)據(jù)的密度也在不斷增加，制約著快速分類算法的準確性，因此構建一種快速、高精度的LIDAR數(shù)據(jù)分類方法具有重要的意義。

對于現(xiàn)有的LIDAR數(shù)據(jù)地物快速分類方法，如劉修國等[3]提出的距離影像與對比度紋理相結合的建筑物快速提取方法，其準確度受濾波窗口選擇的限制，難以有效將樹木與建筑的混淆區(qū)域分開；劉志剛[4]利用數(shù)學形態(tài)學中開運算的特性，采用逐漸擴大濾波窗的高差閾值的方法實現(xiàn)道路的提取，需要人工參與確定高程的濾波范圍才能達到較好的精度。正態(tài)(Dempster-Sharer，DS)證據(jù)理論利用區(qū)間估計來描述不確定信息，可以很好地解決LIDAR數(shù)據(jù)地物分類時產(chǎn)生的不確定性問題，不需要進行樣本訓練，運行速度快，因此得到廣泛的應用。Cao等[5]使用DS證據(jù)理論與馬爾科夫隨機場相結合的方法進行LIDAR數(shù)據(jù)地物分類，使用線性函數(shù)作為類間閾值，減少了分類時不確定性的影響，但由于馬爾科夫隨機場需要進行樣本訓練，導致算法運行時間過長。Rottensteiner等[6]使用DS證據(jù)理論處理LIDAR數(shù)據(jù)與多光譜圖像融合的建筑物檢測問題，首次提出了將類間閾值設定為三次拋物線，得到了較好的分類結果。

綜上所述，DS方法是一種有效的LIDAR數(shù)據(jù)的快速地物分類方法，但以往方法只是將類間閾值的不確定性用軟閾值來表示，而沒有從根本上解決類別模糊點的分類問題，導致分類結果的精度無法達到預期。如何將類別模糊點的類別歸屬進行有效地量化及分配是構建快速、高精度LIDAR數(shù)據(jù)分類方法的關鍵。為此，本文提出的基于非下采樣剪切波變換(non-subsampled shearlet transform，NSST)和正態(tài) DS證據(jù)合成的 LIDAR數(shù)據(jù)地物分類方法，利用NSST對數(shù)據(jù)源進行濾波處理，并結合模糊分布構建了正態(tài)信任分配函數(shù)，定義了模糊類別，解決了類別不確定性點的分類問題。

1　特征空間

本文所使用的LIDAR源數(shù)據(jù)有首次回波高程圖像DSMFE、末次回波高程圖像DSMLE、強度圖像IN、可見光圖像RGB、近紅外圖像NIR。另有兩種衍生圖像由以下公式得到：

HD(height difference)為首末次回波高程差圖像，可根據(jù)樹木的透射特性用于區(qū)分樹木與其他類別；NDVI(normalized difference of vegetable index)為植被歸一化指數(shù)圖像，是用于識別植被的常用特征。各個特征區(qū)分的互補集合在表 1中列出，其中，C代表建筑，T代表樹木，G代表草地，S代表地面。

表1　各個特征區(qū)分的互補集合

2　本文方法

2.1非下采樣剪切波

NSST是一種非正交變換，其避免了剪切波變換中的下采樣操作，而將非下采樣塔式變換和非下采樣方向濾波器組相結合[7]。變換后各尺度上各方向子帶的大小都與原圖像相同，使圖像的冗余度得到了很大地提高，并具有了平移不變性。近年來剪切波變換在圖像融合、圖像去噪及目標邊緣檢測等圖像處理領域中已經(jīng)取得了一定的研究成果[8-9]。本文對LIDAR各源數(shù)據(jù)進行NSST變換分解，分解層數(shù)設定為3層，方向數(shù)為6，對各層高頻進行中值濾波去噪，并進行逆變換合成，為后期分類提供干凈的數(shù)據(jù)。

2.2正態(tài)證據(jù)理論

DS證據(jù)理論常應用于多傳感器數(shù)據(jù)的融合[10]。分類問題中輸入數(shù)據(jù)分屬于 n個獨立且互不相交的類別(或元素)中，其集合 Θ稱為識別框架，由識別框架Θ的所有子集組成的一個集合稱為Θ的冪集，記作 2Θ。在DS理論中，基本信任分配函數(shù)m（A）是一個從集合 2Θ到[0,1]的映射，A表示識別框架Θ的任意子集，記作A∈2Θ，且滿足m(?)=0,，其中?表示空集。m（A）可由函數(shù)根據(jù)傳感器得到的數(shù)據(jù)計算得到，如BPA函數(shù)?？蚣堞ㄖ械募螦，只要有m（A）＞0，則稱A為焦元。

不確定性數(shù)據(jù)可以通過分配一個非零的概率函數(shù)給兩個或以上類別來處理。若已知p個數(shù)據(jù)源，每個數(shù)據(jù)源i有概率分配函數(shù)mi（Bj），且有0≤i≤p，Bj∈2Θ。對于每個集合A∈2Θ，DS理論允許多個數(shù)據(jù)源的基本概率分配函數(shù)進行合成：

式(3)中分母中的求和表示各個證據(jù)之間的沖突程度。Sup(A)和Pls(A)可根據(jù)合成基本概率分配函數(shù)得到。最后，需要定義一個決策規(guī)則。

決策規(guī)則的定義方法有多種，本文選用正交信任函數(shù)最大值作為決策規(guī)則，其定義如式(4)：

2.3正態(tài)信任分配函數(shù)

信任分配函數(shù)的定義是 DS證據(jù)理論應用中最重要的一步。本文結合模糊分布[11]中的正態(tài)分布提出了正態(tài)信任分配函數(shù)，定義如下：

不同于基本的信任分配函數(shù)，本文增加了一個A∪B類別，用來表示A類與B類之間模糊的類別，A∪B中元素不能完全確定屬于A類或者B類。用MA∪Bi(x)表示當數(shù)據(jù)源i的輸出是x時，圖像像素屬于類A∪B的概率。當輸入x小于閾值 h12時，MAi(x)和MA∪Bi(x)可根據(jù)式(5)和式(7)求出，而表示B類別概率的MBi(x)應為0，且滿足公式m（A∪B）=1?m（A?m（B），即MA∪Bi(x)=1?MAi(x)?MBi(x)。同理，當輸入大于閾值h12時，MAi(x)為0，MBi(x)和MA∪Bi(x)可根據(jù)式(6)、(7)求出。

正態(tài)信任分配函數(shù)的曲線在圖1中給出。為了避免不確定數(shù)據(jù)的影響，本文中選取 P1=2%，P2=98%來代替0和100%。與基本信任分配函數(shù)相比，正態(tài)信任分配函數(shù)的優(yōu)勢有：

(1) 定義了模糊類別A∪B。由于類別間閾值無法確定，導致在實際分類中像素值在 h1和 h2之間的像素點無法確定地進行分類，將這些點歸為模糊類別更加準確。

(2) 不同于基本DS方法，考慮到類別不確定性點的分布情況，本文方法在兩種類別之間使用正態(tài)分布的軟閾值，將DS理論處理不確定性問題的優(yōu)勢發(fā)揮得更好。

圖1　正態(tài)信任分配函數(shù)曲線

3　實驗仿真

3.1實驗數(shù)據(jù)

本實驗中所使用的LIDAR數(shù)據(jù)和對應的配準數(shù)據(jù)由TopoSys GmbH提供，所有的圖像均經(jīng)過預處理并配準到0.5 m的空間分辨率，真實數(shù)據(jù)由人工繪制生成，實驗在Matlab R2013a中進行。為說明本文方法的效果，使用基本DS方法處理同一組LIDAR數(shù)據(jù)，并將實驗結果與本文所提出方法結果作對比。圖2和圖3為本文所使用的兩組LIDAR數(shù)據(jù)。

3.2定性分析

如圖 4所示，兩組實驗數(shù)據(jù)的分類結果中，本文所提出的正態(tài)DS合成方法與基本DS方法相比，實驗結果更接近真實值。草地區(qū)域中主要出現(xiàn)的混淆問題是草地與空地的混淆，這主要由客觀環(huán)境所導致，草地本身具有間隙與不連貫性，但在實際地物分類中，更希望得到符合人眼觀測特性的大片連貫區(qū)域，本文方法所得到的結果相比基本 DS方法更加連貫、噪點少。另外，基本DS方法中樹木與建筑分類結果的混淆嚴重，這是由于樹木過于茂密而導致激光回波無法穿透，使得用于區(qū)分樹木的HD特征本身存在錯誤，這些點應屬于模糊類別(見圖4(b)、(e))，而本文方法通過對這些類別模糊點進行概率分配以及合成克服了這個問題(見圖4(c)、(f))。

圖2　LIDAR數(shù)據(jù)1(圖像大小為220×220)

圖3　LIDAR數(shù)據(jù)2(圖像大小為200×150)

圖4　分類結果

3.3定量分析

表2和表3分別為利用本文方法與基本DS方法對數(shù)據(jù)1與數(shù)據(jù)2進行分類的結果準確率對比，從表中可以看出，由于有效處理了草地與空地、建筑與樹木的混淆，本文所提出的正態(tài)DS證據(jù)合成方法在建筑、樹木和草地區(qū)域的分類準確率均得到了較大提升，但對于空地類別的準確率還有待提升，兩個數(shù)據(jù)集平均準確率的提升分別達到了5.27%和3.52%。

表 4為本文方法與文獻[5]中各方法處理相同LIDAR數(shù)據(jù)時運行速度的比較。從表中可看出，文獻[5]中速度最快的方法 ICM-MRF方法的運行時間為 13.16 s，而本文方法的運行時間僅為0.46 s，時間縮短了96%。在保證較高的準確率的同時，有效地縮短了運行時間。

表2　數(shù)據(jù)1分類結果準確率對比(%)

表3　數(shù)據(jù)2分類結果準確率對比(%)

表4　幾種方法運行時間對比(s)

4　結　論

本文提出了一種NSST與正態(tài)DS證據(jù)合成方法相結合的LIDAR地物快速分類方法，利用NSST對LIDAR圖像進行濾波處理，去除了高頻部分的噪聲，為后續(xù)處理提供了干凈的數(shù)據(jù)；構造了正態(tài)信任分配函數(shù)，更符合灰度分布與地物類別間的對應關系；構造了模糊類別，解決了類別不確定點的分類問題。實驗證實該方法在快速的前提下有效提高了算法的分類準確率，為LIDAR數(shù)據(jù)地物分類領域提供了一種新的思路。

[1] Yan W Y, Shaker A, El-Ashmawy N. Urban land cover classification using airborne LIDAR data: a review [J]. Remote Sensing of Environment, 2015, 158: 295-310.

[2] Eisenkeil F, Schafhitzel T, Kühne U, et al. Real-time classification of ground from LIDAR data for helicopter navigation [J]. Signal Processing, 2013, 8745(12): 1-14.

[3] 劉修國, 張靖, 高偉, 等. LIDAR點云數(shù)據(jù)中建筑物的快速提取[J]. 地球科學—中國地質大學學報, 2006, 31(5): 615-618.

[4] 劉志剛. 基于 LIDAR技術的道路信息提取方法探究[J]. 交通信息與安全, 2011, 29(2): 121-124.

[5] Cao Y, Wei H, Zhao H, et al. An effective approach for land-cover classification from airborne lidar fused with co-registered data [J]. International Journal of Remote Sensing, 2012, 33(18): 5927-5953.

[6] Roteensteiner F, Trinder J, Clode S, et al. Using the Dempster-Shafer method for the fusion of LIDAR data and multi-spectral images for building detection [J]. Information Fusion, 2005, 6: 283-300.

[7] 韓紹程, 張紅穎. 基于 QR分解的彩色圖像自嵌入全盲水印算法[J]. 圖學學報, 2015, 36(3): 345-351.

[8] Yang F B, Ji L E, Liu S R. et al. A fast and high accuracy registration method for multi-source images [J]. Optik-International Journal for Light and Electron Optics, 2015, 126(21): 3061-3065.

[9] 韓紹程, 張兆寧. 一種基于子采樣的混合域穩(wěn)健零水印算法[J]. 圖學學報, 2013, 34(3): 20-24.

[10] 楊風暴, 王肖霞. D-S證據(jù)理論的沖突證據(jù)合成方法[M]. 北京: 國防工業(yè)出版社, 2010: 1-35.

[11] 胡寶清. 模糊理論基礎[M]. 武漢: 武漢大學出版社, 2004: 291-300.

A Land-Cover Classification Method for Airborne LIDAR Data Based on the Normal DS Evidence Theory

Feng Peipei1,Yang Fengbao1,Wei Hong2,Li Dawei1,Liang Ruofei1
(1. School of Information and Communication Engineering, North University of China, Taiyuan Shanxi 030051, China; 2. School of Systems Engineering, University of Reading, Reading RG6 6AU, UK)

In view of the existing methods cannot meet the needs for accuracy and speed during classification, this paper proposes a fast land-cover classification method for light detection and ranging (LIDAR) data based on the non-subsampled shearlet transform (NSST) and normal Dempster-Sharer (DS) evidence theory. At first, the NSST is used to decompose LIDAR source data in multi-scale, and the median filter is used to reduce the noise in high frequency image from each layer, then inverse transformation and fuse the images. Secondly, the normal probability distribution function is built and the mass function of LIDAR data is distributed, and synthesis and decisions are made. Experiment confirmed that the classification accuracy of the proposed method in this paper is 86.12%, while the running time is only 0.46 s. So this is a fast and high precision land-cover classification method.

land-cover classification; light detection and ranging; non-subsampled shearlet transform; normal DS evidence theory

A

2095-302X(2015)06-0926-05

2015-06-10；定稿日期：2015-08-13

山西省研究生教育創(chuàng)新資助項目(2015SY61)

馮裴裴(1991–)，男，遼寧本溪人，碩士研究生。主要研究方向為LIDAR數(shù)據(jù)處理。E-mail：nucfengpeipei@163.com

楊風暴(1968–)，男，山西臨汾人，教授。主要研究方向為紅外圖像處理。E-mail：fengbao_yang@163.com