機載多光譜LiDAR數(shù)據(jù)的地物分類方法

潘鎖艷，管海燕

南京信息工程大學(xué)遙感與測繪工程學(xué)院，江蘇 南京 210044

與傳統(tǒng)的攝影測量和光學(xué)遙感手段相比，LiDAR具有自動化程度高、受天氣影響小、可獲得高精度與高密度地球空間信息等優(yōu)點，而得到了廣泛的關(guān)注和應(yīng)用。文獻[1—4]指出利用LiDAR數(shù)據(jù)可以生成高精度的數(shù)字高程模型、等高線圖和數(shù)字地表模型。文獻[5]提出了去除LiDAR幾何特征中一些不相關(guān)或冗余特征的特征選擇策略，提高城市土地覆蓋分類精度。文獻[6]根據(jù)LiDAR三維點云數(shù)據(jù)分布特點，通過分類多時相LiDAR數(shù)據(jù)，成功提取出建筑物信息。文獻[7]分析LiDAR全波形數(shù)據(jù)，利用樹木和建筑物不同的回波特性區(qū)分樹木和建筑物。

然而常規(guī)的LiDAR技術(shù)是單個近紅外波段的不連續(xù)的空間點，無法達到無縫覆蓋；同時缺乏有效的光譜信息，難以實現(xiàn)地物覆蓋目標(biāo)的無縫估算。因此，文獻[8—12]指出融合LiDAR數(shù)據(jù)和高光譜或多光譜數(shù)據(jù)能夠有效地提高地物幾何結(jié)構(gòu)以及在不同環(huán)境下地物識別的精度。如文獻[13]融合高分辨率遙感影像與低密度的LiDAR點云，采用基于三維模型的方法計算樹頂高度。文獻[14]融合高光譜分辨率影像和機載LiDAR點云數(shù)據(jù)反演地表植被生物量，其結(jié)果精度比單獨使用高光譜影像或者LiDAR點云數(shù)據(jù)時更高。文獻[15]結(jié)合GeoEye高分辨率遙感影像和機載LiDAR數(shù)據(jù)，提出基于面向?qū)ο蟮哪：诸惙椒?，試驗結(jié)果的總體精度達到93.92%，分類精度相比單一遙感數(shù)據(jù)明顯提高。

但是融合LiDAR點云數(shù)據(jù)與光譜影像數(shù)據(jù)進行地物目標(biāo)識別時，如何將不同類型的數(shù)據(jù)精確地統(tǒng)一到同一空間坐標(biāo)系仍然存在著巨大的問題。隨著硬件技術(shù)的發(fā)展，一些研究機構(gòu)與公司相繼推出了多光譜甚至高光譜LiDAR系統(tǒng)原型，文獻[16—18]研究發(fā)現(xiàn)多光譜/高光譜LiDAR系統(tǒng)可廣泛應(yīng)用于地形測繪、土地覆蓋分類、無縫潛水測深、環(huán)境建模、森林調(diào)查和植被類型分類、自然資源管理和災(zāi)害響應(yīng)等。文獻[19]指出加拿大Optech公司2014年12月發(fā)布的第一臺商業(yè)化多光譜LiDAR系統(tǒng)Optech Titan(包含3個波段：532、1064和1550 nm)；國內(nèi)的武漢大學(xué)也研制了多光譜LiDAR系統(tǒng)(包含4個波段：556、670、700和780 nm)。多光譜機載LiDAR技術(shù)具有數(shù)據(jù)獲取速度快、光譜與空間幾何數(shù)據(jù)在空間上(分辨率、配準(zhǔn)等)，時間上(動態(tài)場景、觀測條件的變化等)相對完整和一致性的特點。文獻[20]利用高光譜LiDAR數(shù)據(jù)實現(xiàn)云杉和松樹的分類。文獻[21]采用k-means算法從多光譜LiDAR數(shù)據(jù)中檢測人造目標(biāo)和自然目標(biāo)。相對于多光譜LiDAR系統(tǒng)硬件設(shè)備和數(shù)據(jù)獲取方法相比，基于多光譜LiDAR數(shù)據(jù)的地物目標(biāo)識別與分類等研究剛剛起步。因此，研究提高多光譜LiDAR數(shù)據(jù)的智能化解譯水平與目標(biāo)識別的自動化程度具有重要的應(yīng)用價值。本文提出了基于支持向量機(SVM)的多光譜LiDAR數(shù)據(jù)地物分類研究。

1 試驗數(shù)據(jù)

本文研究區(qū)域是位于加拿大安大略省惠特徹奇-史托維爾的一個小鎮(zhèn)，該城鎮(zhèn)中心區(qū)域的經(jīng)緯度為(43°58′00″N，79°15′00″W)。本文的試驗數(shù)據(jù)是由加拿大Optech公司的Titan機載多光譜LiDAR系統(tǒng)采集。Titan多光譜LiDAR系統(tǒng)包括3個不同波段的脈沖通道(532、1064和1550 nm波段)，這3個激光脈沖通道在相同的震蕩鏡像上有3.5°偏轉(zhuǎn)角的間隔，因此，該多光譜LiDAR系統(tǒng)可提供3個獨立的激光點云。每個波段的平均點密度近似為每平方米3.6個點。

Optech Titan多光譜LiDAR系統(tǒng)總共采集了19條垂直交叉的航帶數(shù)據(jù)，覆蓋范圍大約為25 km2。本研究從Titan多光譜LiDAR數(shù)據(jù)中裁剪一個面積為2052 m×1566 m的區(qū)域，作為本論文的試驗數(shù)據(jù)。該研究區(qū)域內(nèi)包含建筑物、道路、樹木、草地、裸地和水體等豐富的地物類型。研究區(qū)數(shù)據(jù)包括上述3個波段下的獨立點云數(shù)據(jù)集，1550 nm波段的三維點云數(shù)據(jù)(按照高程進行渲染)如圖1所示。

圖1 Titan多光譜LiDAR試驗數(shù)據(jù)的三維立體顯示(1550 nm，按照高程進行渲染)Fig.1 3D display of Titan multispectral LiDAR test data(1550 nm，render by elevation)

為了提高訓(xùn)練樣本選取精度以及評價基于多光譜LiDAR數(shù)據(jù)的地物分類精度，根據(jù)研究區(qū)域的經(jīng)緯度，從Google Earth上下載與研究區(qū)域?qū)?yīng)的高分辨率遙感影像，如圖2所示，輔助本文訓(xùn)練樣本和精度評價參考數(shù)據(jù)集的選取。

圖2 研究區(qū)域的Google Earth高分辨率影像Fig.2 High resolution Google Earth image in the study area

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)融合

Optech Titan多光譜LiDAR點云數(shù)據(jù)包含3個波段獨立點云數(shù)據(jù)集。本文首先將這3個獨立點云數(shù)據(jù)集合并成單一點云數(shù)據(jù)，其中每個激光點包含這3個波段的地物反射信息。具體地說，將這3個點云數(shù)據(jù)集中的任意一個波段的點云數(shù)據(jù)作為參照數(shù)據(jù)，遍歷參考點云中的每個激光點，選取一定搜索范圍，通過最近鄰域搜索算法獲取其他兩個波段點云數(shù)據(jù)的強度值。根據(jù)點密度，設(shè)定其搜索范圍為1 m。在選取的搜索范圍內(nèi)，對于參考激光點在其他兩個波段中存在兩種情況：①若有多個最鄰近激光點，本文采用雙線性內(nèi)插方法獲得參考激光點在其他波段的強度值；②若無多個最鄰近激光點，本文將該波段的強度值設(shè)置為0。融合后的假彩色點云數(shù)據(jù)如圖3所示。

2.2 數(shù)據(jù)插值

融合后的Optech Titan多光譜LiDAR數(shù)據(jù)是不規(guī)則的、海量的三維離散點云，如圖1所示。為了快速、有效地對多光譜LiDAR數(shù)據(jù)進行地物分類，本文通過內(nèi)插的方法將海量三維多光譜LiDAR數(shù)據(jù)根據(jù)其高程和多光譜信息轉(zhuǎn)換為距離和多光譜影像。結(jié)合LiDAR數(shù)據(jù)的特點，采用距離加權(quán)平均法插值理論[22]，生成距離和多光譜影像，根據(jù)每個波段平均點密度3.6個/平方米，二維影像的分辨率設(shè)置為0.5 m。

圖4(a)—(c)所示分別為上述3個單獨波段的強度影像， 圖4(d)為融合激光點云的距離影像(或稱高程影像)，圖4(e)為融合后的多光譜影像。

3 多光譜LiDAR點云地物分類

20世紀(jì)90年代，Vapnik研究團隊提出支持向量機分類(SVM)方法[23]。該理論是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的機器學(xué)習(xí)方法。SVM可以自動尋找出那些對分類有較好區(qū)分能力的支持向量，由此構(gòu)造出的分類器可以最大化類與類的間隔，因而有較好的適應(yīng)能力和較高的分類準(zhǔn)確率，同時該方法只需要由各類域的邊界樣本的類別來決定最后的分類結(jié)果。SVM分類方法的目的在于尋找一個超平面。該超平面可以將訓(xùn)練集中的數(shù)據(jù)分開，且與類域邊界的沿垂直于該超平面方向的距離最大。

SVM適用于小樣本的分類問題，可以很好地處理LiDAR數(shù)據(jù)中己知樣本較少的情況。另外，其特征向量構(gòu)造方法簡單，算法運行速度較快，可以有效地進行維度較高數(shù)據(jù)的線性分類。因此，SVM在LiDAR數(shù)據(jù)地物分類領(lǐng)域得到了廣泛的應(yīng)用。本文利用SVM算法進行多光譜LiDAR數(shù)據(jù)的地物覆蓋分類研究。

3.1 特征提取

3.1.1 光譜特征

Optech Titan機載多光譜LiDAR系統(tǒng)采用如圖5所示的532 nm(可見光綠波段)、1064 nm(近紅外)和1550 nm (中紅外)3個波段激光束進行數(shù)據(jù)采集。水體、植被和裸地3個地物的地物波譜曲線如圖5所示，發(fā)現(xiàn)這些地物在3個特定的波段內(nèi)反射能量有所差異，可區(qū)分性較明顯。因此，可根據(jù)不同地物在Titan多光譜LiDAR數(shù)據(jù)的波譜特征進行地物分類。

從圖5可以看出：

(1) 在1064 nm近紅外波段處，植被反射率強；但是在可見光532 nm的綠色波段處，其反射率較低。

(2) 在1064 nm和1550 nm波段處，裸地和植被易于區(qū)別。

(3) 在532 nm波段處，可以很好地分辨水體。

為了描述多光譜LiDAR數(shù)據(jù)的光譜特征，將這3個獨立波段數(shù)據(jù)組成光譜特征向量記為XB=[B1，B2，B3]T。

圖3 融合后含有3個波段信息的單一點云數(shù)據(jù)的三維點云顯示圖(532、1064和1550 nm 3個波段合成的假彩色點云數(shù)據(jù))Fig.3 3D point cloud display of single point cloud data with three wave lengths intensity information fusion pseudo-color rendered point data of 532，1064 and 1550 nm)

3.1.2 多光譜LiDAR的植被指數(shù)

從Optech Titan LiDAR系統(tǒng)的3個獨立波段信息，可計算相應(yīng)植被指數(shù)，將其作為地物分類的特征信息。其具體表達見式(1)—(3)

GDVI=NIR-GREEN

(1)

GNDVI=(NIR-GREEN)/(NIR+GREEN)

(2)

GRVI=NIR/GREEN

(3)

式(1)中GDVI(green difference vegetation index)是綠色差值植被指數(shù)[25]，該指數(shù)最初是用來從彩色與紅外影像中預(yù)測谷物的氮含量。式(2)中GNDVI(green normalized difference vegetation index)是綠色歸一化差值植被指數(shù)[26]。

圖4 插值結(jié)果Fig.4 Interpolation results

圖5 Optech Titan LiDAR系統(tǒng)4個波段，以及水體、植被和裸地地物波譜曲線[24]Fig.5 Three wave lengths of an Optech Titan LiDAR system and spectral curves of three object samples (e.g. soil，water，vegetation)

由于GNDVI是利用540 nm到570 nm的綠色波段來代替NDVI(normalized difference vegetation index)中的紅色波段，因而GNDVI對葉綠素濃度更敏感。式(3)中GRVI(green ratio vegetation index)是綠色比值植被指數(shù)[25]，該指數(shù)對森林冠層光合作用速率較為敏感。相應(yīng)的GDVI、GNDVI和GRVI植被指數(shù)分別如圖6(a)—(c)所示。這里將GDVI、GNDVI和GRVI組成多光譜LiDAR植被指數(shù)特征向量，記為XI=[I1，I2，I3]T。

3.1.3 多光譜紋理特征

紋理是特定圖像范圍內(nèi)(或地物類)像素之間關(guān)系的度量，利用紋理特征可以很好地描述像素的空間關(guān)系和結(jié)構(gòu)。提取紋理特征的一種有效方法就是以灰度級的空間相關(guān)矩陣即共生矩陣為基礎(chǔ)。從灰度共生矩陣可導(dǎo)出一些反映圖像特征的參數(shù)：中值、協(xié)方差、同質(zhì)性、反差、差異性、熵、二階距、自相關(guān)等。

圖6 多光譜LiDAR數(shù)據(jù)的植被指數(shù)Fig.6 Multispectral LiDAR-based vegetation index

對Titan試驗數(shù)據(jù)中的3個獨立波段的強度影像，采用灰度共生矩陣生成紋理特征，其窗口大小為3×3。通過多次試驗，本論文分別選擇了3個波段的熵與自相關(guān)紋理特征，如圖7(a)—(f)所示，將其紋理特征向量記為XT=[T1，T2，T3，T4，T5，T6]T。

圖7 紋理特征Fig.7 Texture features

3.1.4 高程特征

LiDAR數(shù)據(jù)的高程數(shù)據(jù)中包含著物體的垂直結(jié)構(gòu)信息，有助于區(qū)分地物，比如人造物體的建筑物與道路，草地與樹木。內(nèi)插后的距離影像每個像素值代表著該點的高程信息，因此，可將距離影像中灰度值信息作為特征向量E1(圖4(d))。類似強度影像，利用內(nèi)插后的距離影像數(shù)據(jù)也可以通過灰度共生矩陣生成熵與自相關(guān)分類特征，如圖8(a)—(b)所示。結(jié)合高度灰度值信息，其高程特征向量記為XE=[E1，E2，E3]T。

圖8 高程特征Fig.8 Elevation features

結(jié)合多光譜LiDAR數(shù)據(jù)的光譜特征向量XB、植被指數(shù)向量XI、紋理特征向量XT以及高程特征向量XE，構(gòu)成總向量X=[XB，XI，XT，XE]，作為多光譜LiDAR數(shù)據(jù)的分類特征向量輸入到SVM分類器實現(xiàn)地物分類。根據(jù)研究區(qū)域特點，本文將Optech多光譜LiDAR數(shù)據(jù)分類為建筑物、道路、樹木、草地、裸地和水體六類地物類型。訓(xùn)練樣本與參考數(shù)據(jù)在Google Earth高分辨率影像輔助下，人工從Titan多光譜LiDAR試驗數(shù)據(jù)集獲取。

4 試驗與分析

4.1 基于單波段和多光譜LiDAR數(shù)據(jù)的地物分類

不同波段的強度影像，其傳輸特性、目標(biāo)回波的后向散射特性等都是不同的，理論上多波段數(shù)據(jù)具有比單波段更豐富、更可靠、更有用的信息。本論文對Optech Titan試驗數(shù)據(jù)中包含的3個單波段影像以及多光譜LiDAR數(shù)據(jù)進行地物分類，分析其分類結(jié)果。

SVM有兩個關(guān)鍵參數(shù)：懲罰系數(shù)和核函數(shù)。本次試驗中，SVM的核函數(shù)設(shè)置為徑向基核函數(shù)，懲罰系數(shù)設(shè)置為100。在此參數(shù)下，本節(jié)設(shè)計了5個比較試驗，見表1：

5個試驗結(jié)果分別如圖9(a)—(e)所示。根據(jù)Google Earth高分辨率影像(圖2)發(fā)現(xiàn)：該6類地物分類結(jié)果在單個波段LiDAR數(shù)據(jù)差距較大。例如：在1550 nm波段數(shù)據(jù)中，道路可以很好地區(qū)分出來，但無法正確識別裸地；在1064 nm波段數(shù)據(jù)中，無法將建筑物和樹木正確區(qū)別，也很難區(qū)別裸地和道路；在532 nm波段數(shù)據(jù)中，無法正確區(qū)別建筑物和樹木，也無法正確區(qū)別裸地和道路。總之，基于單波段的LiDAR數(shù)據(jù)的分類結(jié)果難以令人滿意。

表1 基于單波段和多光譜LiDAR數(shù)據(jù)的地物分類的比較試驗

然而，與單波段的LiDAR數(shù)據(jù)分類結(jié)果相比，多光譜LiDAR數(shù)據(jù)分類精度明顯提高。如圖9(d)所示，在單波段LiDAR數(shù)據(jù)中無法區(qū)分的目標(biāo)類別(例如：1064 nm和532 nm波段數(shù)據(jù)中無法識別的水體)在多光譜LiDAR數(shù)據(jù)分類結(jié)果中能夠正確識別。

為了進一步來驗證單波段LiDAR數(shù)據(jù)與多光譜LiDAR數(shù)據(jù)分類結(jié)果，利用誤差矩陣計算的總體精度、Kappa系數(shù)以及每組試驗數(shù)據(jù)的生產(chǎn)者精度和用戶精度來進行定量分析。本次5個試驗的分類精度對比表以及生產(chǎn)者精度和用戶精度對比表分別見表2和表3。

根據(jù)表2發(fā)現(xiàn)：相較于單波段LiDAR數(shù)據(jù)的分類精度，多光譜LiDAR數(shù)據(jù)分類精度明顯提高，其中總體精度提高了4.6%～25.2%，Kappa系數(shù)提高了0.086～0.333。根據(jù)表3(a)—(c)表格可發(fā)現(xiàn)單波段LiDAR數(shù)據(jù)對裸地的識別能力太差，同時表3(d)—(e)表格說明多光譜LiDAR數(shù)據(jù)能夠較好地識別單波段數(shù)據(jù)中不能識別的地物。

表2單波段和多光譜LiDAR數(shù)據(jù)的地物分類精度對比表

Tab.2Comparisonofland-coverclassificationaccuracyofsingle-wavelengthandmulti-spectralLiDARdata

試驗總體精度(%)Kappa系數(shù)試驗137.180.208試驗246.900.363試驗357.750.455試驗462.320.541試驗572.220.665

在多光譜LiDAR數(shù)據(jù)試驗4分類基礎(chǔ)上，在試驗5中分類特征增加了多光譜LiDAR植被指數(shù)(XI)、多光譜紋理特征(XT)以及高程特征(E2，E3)，其分類精度較試驗4有了明顯提高。

總之，本次對比試驗結(jié)果表明多光譜LiDAR數(shù)據(jù)可以結(jié)合各波段的優(yōu)勢和互補信息，從而比基于單波段LiDRA數(shù)據(jù)的地物分類獲取更高的分類精度。同時，多光譜LiDAR植被指數(shù)特征和紋理特征也可以進一步提高分類精度，優(yōu)化分類結(jié)果。

表3 單波段和多光譜LiDAR數(shù)據(jù)的生產(chǎn)者精度和用戶精度對比表

4.2 對比試驗

文獻[27]指出SVM分類方法的線性判別分類器理論與實際結(jié)合較好，它是一種基于小樣本的學(xué)習(xí)方式。從本質(zhì)上看，它避開了從歸納到演繹的傳統(tǒng)過程，實現(xiàn)了高效地從訓(xùn)練樣本到預(yù)報樣本的“轉(zhuǎn)導(dǎo)推理”，大大簡化了通常的分類問題。本節(jié)通過與常見的4種分類方法(最小距離、最大似然、神經(jīng)網(wǎng)絡(luò)、隨機森林)對比，來評價SVM分類方法在多光譜LiDAR數(shù)據(jù)地物分類的適用性。

參與對比試驗分類方法參數(shù)設(shè)置為：最小距離分類法—(最小距離：4像素)；最大似然分類法—(正態(tài)分布的概率密度函數(shù))；采用神經(jīng)網(wǎng)絡(luò)分類法—(活化函數(shù)：對數(shù)函數(shù)，訓(xùn)練次數(shù)：1000)；SVM分類法—(核函數(shù)：徑向基核函數(shù)，懲罰系數(shù)：100)；隨機森林分類法—(決策樹個數(shù)：50)。前4種分類的試驗結(jié)果如圖10(a)—(d)所示，SVM分類結(jié)果如圖9(d)所示。

從圖10(a)—(c)可以看出：最小距離、最大似然和神經(jīng)網(wǎng)絡(luò)這3種分類方法對多光譜LiDAR數(shù)據(jù)的水體識別能力極差；最小距離(圖10(a))和極大似然(圖10(b))對裸地的分類效果較差；神經(jīng)網(wǎng)絡(luò)(圖10(c))對樹木和草地的區(qū)分能力較差；隨機森林分類(圖10(d))對道路和裸地的區(qū)分能力較差；SVM(圖9(d))則難以區(qū)分裸地和建筑物?？梢姡钚【嚯x、最大似然、神經(jīng)網(wǎng)絡(luò)、隨機森林以及SVM這5種分類方法，在多光譜LiDAR數(shù)據(jù)地物分類上各有各的缺陷。比較隨機森林(圖10(d))與SVM(圖9(d))，發(fā)現(xiàn)這兩種分類方法的分類結(jié)果較為相似，地物區(qū)分能力較其余3種分類有明顯的優(yōu)勢。但是隨機森林算法較為復(fù)雜，算法的實現(xiàn)花費時間較長，為2 548.83 s(大致為42 min)，SVM花費761 s(大致12 min)(算法都是運行在HP EliteDesk 880 G2 TWR計算機上，其內(nèi)核為 Intel?CoreTMi5-6500 CPU 3.20 GHz)。因此，對于Optech Titan多光譜LiDAR數(shù)據(jù)，SVM算法效率要優(yōu)于隨機森林算法。

為了進一步驗證這5種分類方法對多光譜LiDAR數(shù)據(jù)地物分類精度，本文通過總體精度和Kappa系數(shù)對他們分類結(jié)果進行定量分析。本次對比試驗的分類精度對比見表4。

表4基于Titan多光譜LiDAR數(shù)據(jù)的地物分類精度對比表

Tab.4Comparisonofland-coverclassificationaccuracybasedonTitanmultispectralLiDARdata

分類方法總體精度(%)Kappa系數(shù)最小距離51.130.415最大似然53.060.436神經(jīng)網(wǎng)絡(luò)60.200.521隨機森林55.290.452SVM62.320.541

根據(jù)表4發(fā)現(xiàn)：最小距離分類精度最低，SVM的分類精度最高。SVM總體分類精度比其他4個分類方法提高了大約2.1%～11.2%，Kappa系數(shù)則提高了大約0.020～0.126。

定性與定量試驗結(jié)果表明：相較于最小距離、最大似然、神經(jīng)網(wǎng)絡(luò)和隨機森林，SVM可獲得較高的分類精度。主要原因在于SVM算法可在小樣本數(shù)據(jù)量下具有自動尋找對分類有較好區(qū)分能力，因而能夠提高多光譜LiDAR數(shù)據(jù)的分類精度。

圖9 基于單波段和多光譜LiDAR數(shù)據(jù)的地物分類結(jié)果圖Fig.9 Comparison of land-cover classification results by using single-wavelength and multi-spectral LiDAR data

圖10 4種分類算法分類結(jié)果圖Fig.10 Classification results of comparative trials

4.3 SVM參數(shù)敏感性分析

SVM中有兩個關(guān)鍵參數(shù)：核函數(shù)和懲罰系數(shù)，該參數(shù)的大小很大程度上決定了分類精度。因此，基于多光譜LiDAR數(shù)據(jù)進行核函數(shù)以及懲罰系數(shù)兩個參數(shù)敏感性試驗。

4.3.1 最優(yōu)核函數(shù)

SVM一般有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和感知核函數(shù)4種核函數(shù)。為了進行合理的精度分析，所有核函數(shù)均采用默認(rèn)參數(shù)(懲罰系數(shù)都設(shè)置為100)。在給定的相同訓(xùn)練樣本的情況下，對多光譜LiDAR數(shù)據(jù)進行地物分類的比較試驗?；诙喙庾VLiDAR數(shù)據(jù)的SVM 4個核函數(shù)分類精度對比見表5。

從表5中可發(fā)現(xiàn)：在利用SVM分類方法進行多光譜LiDAR數(shù)據(jù)地物分類時，徑向基核函數(shù)獲得的總體精度和Kappa系數(shù)最高。因此，針對本文多光譜LiDAR數(shù)據(jù)，徑向基核函數(shù)是SVM分類的最優(yōu)核函數(shù)。

表5基于4種核函數(shù)的多光譜進行地物分類精度對比表

Tab.5ComparisonofSVMland-coverclassificationaccuracybasedonfourkindsofSVMkernelfunctions

核函數(shù)類型總體精度/(%)Kappa系數(shù)線性核函數(shù)(liner)71.540.657多項式核函數(shù)(polynomial)69.040.628徑向基核函數(shù)(radialbasisfunction)72.220.665感知核函數(shù)(sigmoid)65.300.582

4.3.2 懲罰系數(shù)

根據(jù)4.3.1節(jié)試驗選用徑向基核函數(shù)為SVM分類算法的核函數(shù)。在徑向基核函數(shù)中，懲罰系數(shù)對分類精度也有著很大的影響。本節(jié)針對本文多光譜LiDAR數(shù)據(jù)，確定徑向基核函數(shù)的懲罰系數(shù)最佳值。

本試驗將懲罰系數(shù)從50到400逐漸變化進行參數(shù)敏感性測試。多光譜LiDAR數(shù)據(jù)分類精度的試驗結(jié)果如圖11所示。

圖11 懲罰系數(shù)對多光譜LiDAR數(shù)據(jù)分類精度影響Fig.11 Influence of penalty parameter on SVM classification accuracy

根據(jù)圖11試驗結(jié)果可發(fā)現(xiàn)：當(dāng)懲罰系數(shù)在50～200區(qū)間，多光譜LiDAR數(shù)據(jù)分類精度隨著懲罰系數(shù)的變化波動較大，然而隨著懲罰系數(shù)繼續(xù)增加，多光譜LiDAR數(shù)據(jù)分類精度趨于穩(wěn)定。從參數(shù)敏感性試驗可以看出當(dāng)懲罰系數(shù)為190左右時，本文多光譜LiDAR數(shù)據(jù)可獲得最佳的分類精度。

5 結(jié) 論

本文利用加拿大Optech公司Titan多光譜LiDAR數(shù)據(jù)，提出了基于支持向量機(SVM)的地物分類研究，將研究區(qū)地物分類為建筑物、道路、樹木、草地、裸地和水體6個類別。研究發(fā)現(xiàn)：①將多光譜LiDAR的多個波段三維點云數(shù)據(jù)融合為包含多光譜信息的單一點云數(shù)據(jù)，也就是說該數(shù)據(jù)集合中每個激光點包含多光譜信息，這樣在增加點云數(shù)據(jù)光譜信息同時可以減少點云數(shù)據(jù)處理復(fù)雜度；②將離散的多光譜點云數(shù)據(jù)轉(zhuǎn)換成二維多光譜和距離影像數(shù)據(jù)，有助于減小處理數(shù)據(jù)的復(fù)雜性，利用成熟的圖像分類技術(shù)，可提高基于多光譜LiDAR數(shù)據(jù)的地物分類效率；③通過分析Titan 試驗數(shù)據(jù)發(fā)現(xiàn)，利用多光譜LiDAR點云數(shù)據(jù)的地物分類精度要高于傳統(tǒng)的單一波段點云數(shù)據(jù)地物分類精度；④通過與最小距離、最大似然、神經(jīng)網(wǎng)絡(luò)和隨機森林分類方法對比，SVM對多光譜LiDAR點云數(shù)據(jù)的地物分類精度最高，其總體精度提高了2.1%～11.2%，Kappa系數(shù)提高了0.020～0.126；⑤通過對SVM參數(shù)敏感性分析可知，最優(yōu)核函數(shù)為徑向基核函數(shù)，其懲罰系數(shù)在190左右時，SVM可獲得較高的分類精度。筆者進一步研究從多個分類特征自動選擇算法，運用深度學(xué)習(xí)抽取高層次分類特征，提高分類精度等方面展開，提高多光譜LiDAR數(shù)據(jù)的目標(biāo)判讀和解譯精度。

[1] 張繼賢, 林祥國, 梁欣廉. 點云信息提取研究進展和展望[J]. 測繪學(xué)報, 2017, 46(10): 1460-1469. DOI: 10.11947/j.AGCS.2017.20170345.

ZHANG Jixian, LIN Xiangguo, LIANG Xinlian. Advances and Prospects of Information Extraction from Point Clouds[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1460-1469. DOI: 10.11947/j.AGCS.2017.20170345.

[2] 高廣, 馬洪超, 張良, 等. 顧及地形斷裂線的LiDAR點云濾波方法研究[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2015, 40(4): 474-478.

GAO Guang, MA Hongchao, ZHANG Liang, et al. A Ground Filtering Algorithm for Airborne LiDAR in Consideration of Terrain Break Lines[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4): 474-478.

[3] 張齊勇, 岑敏儀, 周國清, 等. 城區(qū)LiDAR點云數(shù)據(jù)的樹木提取[J]. 測繪學(xué)報, 2009, 38(4): 330-335. DOI: 10.3321/j.issn:1001-1595.2009.04.008.

ZHANG Qiyong, CEN Minyi, ZHOU Guoqing, et al. Extracting Trees from LiDAR Data in Urban Region[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(4): 330-335. DOI: 10.3321/j.issn:1001-1595.2009.04.008.

[4] AZADBAKHT M, FRASER C S, KHOSHELHAM K. Improved Urban Scene Classification Using Full-Waveform LiDAR[J]. Photogrammetric Engineering & Remote Sensing, 2016, 82(12): 973-980.

[5] DONG Weihua, LAN Jianhang, LIANG Shunlin, et al. Selection of LiDAR Geometric Features with Adaptive Neighborhood Size for Urban Land Cover Classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 60: 99-110.

[6] SHIROWZHAN S, TRINDER J. Building Classification from LiDAR Data for Spatio-temporal Assessment of 3D Urban Developments[J]. Procedia Engineering, 2017, 180: 1453-1461.

[7] 李振玉. 基于激光雷達波形和點云數(shù)據(jù)的建筑物與樹木的分類[J]. 黑龍江科技信息, 2015(29): 24.

LI Zhenyu. Classification of Buildings and Trees Based on LiDAR Waveform and Point Cloud Data[J]. Heilongjiang Science and Technology Information, 2015(29): 24.

[8] 吳杭彬. 融合航空影像的機載激光掃描數(shù)據(jù)分類與特征提取[J]. 測繪學(xué)報, 2011, 40(1): 134.

WU Hangbin. Classification and Feature Extraction of Airborne LiDAR Data Fused with Aerial Image[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(1): 134.

[9] WANG Hongzhou, GLENNIE C. Fusion of Waveform LiDAR Data and Hyperspectral Imagery for Land Cover Classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 1-11.

[10] 劉麗娟, 龐勇, 范文義, 等. 機載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別[J]. 遙感學(xué)報, 2013, 17(3): 679-695.

LIU Lijuan, PANG Yong, FANG Wenyi, et al. Fused Airborne LiDAR and Hyperspectral Data for Tree Species Identification in A Natural Temperate Forest[J]. Journal of Remote Sensing, 2013, 17(3): 679-695.

[11] 高利鵬, 史文中, 呂志勇, 等. 基于機載LiDAR和高分辨率遙感影像的城市道路網(wǎng)提取[J]. 遙感技術(shù)與應(yīng)用, 2013, 28(4): 562-568.

GAO Lipeng, SHI Wenzhong, LV Zhiyong, et al. Road Network Extraction Based on Airborne LiDAR and High Resolution Remote Sensing Imagery[J]. Remote Sensing Technology and Application, 2013, 28(4): 562-568.

[12] HAMEDIANFAR A, SHAFRI H Z M, MANSOR S, et al. Improving Detailed Rule-based Feature Extraction of Urban Areas from WorldView-2 Image and LiDAR Data[J]. International Journal of Remote Sensing, 2014, 35(5): 1876-1899.

[13] PARIS C, BRUZZONE L. A Three-dimensional Model-based Approach to the Estimation of the Tree Top Height by Fusing Low-density LiDAR Data and Very High Resolution Optical Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(1): 467-480.

[14] SWATANTRAN A, DUBAYAH R, ROBERTS D, et al. Mapping Biomass and Stress in the Sierra Nevada Using LiDAR and Hyperspectral Data Fusion[J]. Remote Sensing of Environment, 2011, 115(11): 2917-2930.

[15] 許傳陽, 李建紅. 高分辨率遙感影像結(jié)合LiDAR數(shù)據(jù)的面向?qū)ο蠓诸惙椒╗J]. 河南理工大學(xué)學(xué)報(自然科學(xué)版), 2015, 34(2): 222-225.

XU Chuanyang, LI Jianhong. Object-oriented Classification with High Resolution Image and LiDAR Data[J]. Journal of Henan Polytechnic University (Natural Science), 2015, 34(2): 222-225.

[16] WANG Chengkai, TSENG Y H, CHU H J. Airborne Dual-wavelength LiDAR Data for Classifying Land Cover[J]. Remote Sensing, 2014, 6(1): 700-715.

[17] WALLACE A M, MCCARTHY A, NICHOL C J, et al. Design and Evaluation of Multispectral LiDAR for the Recovery of Arboreal Parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4942-4954.

[18] WALLACE A, NICHOL C, WOODHOUSE I. Recovery of Forest Canopy Parameters by Inversion of Multispectral LiDAR Data[J]. Remote Sensing, 2012, 4(2): 509-531.

[19] GONG Wei, SUN Jia, SHI Shuo, et al. Investigating the Potential of Using the Spatial and Spectral Information of Multispectral LiDAR for Object Classification[J]. Sensors, 2015, 15(9): 21989-22002.

[20] VAUHKONEN J, HAKALA T, SUOMALAINEN J, et al. Classification of Spruce and Pine Trees Using Active Hyperspectral LiDAR[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(5): 1138-1141.

[21] PUTTONEN E, HAKALA T, NEVALAINEN O, et al. Artificial Target Detection with a Hyperspectral LiDAR Over 26-h Measurement[J]. Optical Engineering, 2015, 54(1): 013105.

[22] 李新, 程國棟, 盧玲. 空間內(nèi)插方法比較[J]. 地球科學(xué)進展, 2000, 15(3): 260-265.

LI Xin, CHENG Guodong, LU Ling. Comparison of Spatial Interpolation Methods[J]. Advance in Earth Sciences, 2000, 15(3): 260-265.

[23] 鄭紅軍, 周旭, 畢篤彥. 統(tǒng)計學(xué)習(xí)理論及支持向量機概述[J]. 現(xiàn)代電子技術(shù), 2003(4): 59-61.

ZHENG Hongjun, ZHOU Xu, BI Duyan. Introduction Statistical Learning Theory and Support Vector Machines[J]. Modern Electronic Technique, 2003(4): 59-61.

[24] 施健, 柳欽火, 聞建光, 等. 面向電子政務(wù)的全國典型地物波譜數(shù)據(jù)服務(wù)平臺設(shè)計與實現(xiàn)[J]. 遙感技術(shù)與應(yīng)用, 2011, 26(4): 520-526.

SHI Jian, LIU Qinhuo, WEN Jianguang, et al. Design and Realization of the Service Platform for Typical Ground Objects Spectrum Data in China Based on E-government[J]. Remote Sensing Technology and Application, 2011, 26(4): 520-526.

[25] SRIPADA R P, HEINIGER R W, WHITE J G, et al. Aerial Color Infrared Photography for Determining Early In-Season Nitrogen Requirements in Corn[J]. Agronomy Journal, 2005, 98(4): 968-977.

[26] GITELSON A A, MERZLYAK M N. Remote Sensing of Chlorophyll Concentration in Higher Plant Leaves[J]. Advances in Space Research, 1998, 22(5): 689-692.

[27] 楊凱歌, 馮學(xué)智, 肖鵬峰, 等. 優(yōu)化子空間SVM集成的高光譜圖像分類[J]. 遙感學(xué)報, 2016, 20(3): 409-419.

YANG Kaige, FENG Xuezhi, XIAO Pengfeng, et al. Optimal Subspace Ensemble with SVM for Hyperspectral Image Classification[J]. Journal of Remote Sensing, 2016, 20(3): 409-419.

[28] 李清泉, 李必軍, 陳靜. 激光雷達測量技術(shù)及其應(yīng)用研究[J]. 武漢測繪科技大學(xué)學(xué)報, 2000, 25(5): 387-392.

LI Qingquan, LI Bijun, CHEN Jing. Research on Laser Range Scanning and Its Application[J]. Journal of Wuhan Technical University of Surveying and Mapping, 2000, 25(5): 387-392.