文献类型：期刊文章

作　　者：汪文琪[1,2] 李宗春[1] 付永健[1] 熊峰[1] 赵昭明[1,3] 何华[1]

WANG Wenqi;LI Zongchun;FU Yongjian;XIONG Feng;ZHAO Zhaoming;HE Hua(Institute of Geospatial Information,PLA Strategic Support Force Information Engineering University,Zhengzhou 450001,China;Beijing Institute of Remote Sensing Information,Beijing 100192,China;Unit 93920 of the PLA,Xi'an 710001,China)

机构地区：[1]中国人民解放军战略支援部队信息工程大学地理空间信息学院,郑州450001 [2]北京遥感信息研究所,北京100192 [3]中国人民解放军93920部队,西安710001

出　　处：《地球信息科学学报》

年　　份：2022

卷　　号：24

期　　号：2

起止页码：365-377

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法。主要包括4个方面:①分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;②提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding,LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation,LDA)和最大池化特征(Max Pooling,MP);③降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;④进行点云分类,使用随机森林算法实现点云分类。采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43%、7.02%和2.48%,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70%;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景点云数据的分类。

关 键 词：遥感 激光雷达 点云分类  多基元分类  基元构建  特征提取  特征降维 随机森林  

分 类 号：P237]