一种基于模式识别的森林点云分类方法

摘要

本发明提供了一种基于模式识别的森林点云分类方法，属于森林冠层结构参数获取方法的研究领域。其步骤为：森林的三维激光点云数据的获取；每个类别训练样本的选取，以及每个训练样本显著特征的计算；利用基于期望最大化算法得到高斯混合模型的算法程序对点云数据进行初始分类；利用滤波器对初始分类结果进行分类后处理。本发明与传统的以及目前常用的利用LIDAR求取冠层结构参数的方法相比，省时省力，不需要破坏森林冠层结构，而且适用性比较强，精度也比较高。

主权项

一种基于模式识别的森林点云分类方法，其主要包括以下步骤：(1)基于地面激光雷达获取森林冠层的三维激光点云数据；(2)手动选取面状类、散点类和线性类的训练样本，面状类训练样本为地面点集，散点类样本为冠层点集，线性类样本为树枝树干点集，分类基础是局部几何特征的异同；每个训练样本的点集P{P₀，P₁，P₂…P_n}，通过计算其协方差矩阵得到特征值即λ₂、λ₁、λ₀，设λ₂≤λ₁≤λ₀，不同类别的特征值具有不同的特点：地面类即面状类，特征值满足λ₂≤λ₁≈λ₀；冠层光合部分即散点类，特征值满足λ₂≈λ₁≈λ₀；冠层非光合部分即线性类，特征值满足λ₂≈λ₁≤λ₀，基于不同类别特征值之间的差别提出显著特征，即λ₂，λ₀‑λ₁，λ₁‑λ₂作为分类依据；(3)根据各类别的训练样本构建各类别的高斯混合模型作为分类器：利用各个类别的训练样本的显著特征基于期望最大化算法分别求取各类别的高斯混合模型，各类别的高斯混合模型组成分类器；(4)森林冠层点云初始分类：对于森林点云中的每个点p_i，i＝1，2...N，N为整个冠层点云的总点数，通过搜索点p_i0.45m半径范围的点集计算点p_i的显著特征，分别放入各类别的高斯混合模型中，得到点p_i属于每个类别的概率，概率最大的类别作为点p_i的类别，包括面状类、散点类、线性类；(5)利用滤波器进行分类后处理，得到最终分类结果：a.边缘滤波器：对每个初始分为线性类的点pl_i，i＝1，2...NL，NL为线性类点云的总点数，搜索点pl_i1m半径范围内的点，计算搜索范围内每个类别点的个数，并将个数最多的类别赋予点pl_i；b.独立面状滤波器：使用过边缘滤波器后，对每个分为面状类的点pg_i，i＝1，2...NG，NG为面状类点云的总点数，搜索点pg_i1.5m半径范围内的点，计算搜索范围内每个类别点的个数，并将个数最多的类别赋予点pg_i；c.孤立点去除滤波器：通过球形搜索每个点0.45m半径范围内点个数，当点个数少于5个时，将其删掉；d.地面滤波器：对每个未被分为面状类的点po_i，i＝1，2...NO，NO为未被分为面状类点云的总点数，设置开口向下的锥形搜索范围，当搜索范围内点个数少于3时将点po_i类型改为面状类，锥形开口的角度为10‑20度。