[發明專利]一種基于無人機高光譜影像和LiDAR點云的樹種分類方法

在審

• 申請號: 201811276379.3
• 申請日: 2018-10-30
• 公開（公告）號: CN109492563A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 徐逸;王俊杰;李清泉;鄔國鋒;朱家松;胡忠文;石鐵柱;胡水波
• 申請（專利權）人: 深圳大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/46
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 袁文英

1.一種基于無人機高光譜影像和LiDAR點云的樹種分類方法，其特征在于，所述方法包括：

獲取森林的無人機高光譜影像數據，并對所述高光譜影像數據依次進行幾何校正、輻射校正以及大氣校正，得到所述森林的冠層反射率；

根據所述冠層反射率提取所述高光譜影像數據的光譜特征，所述光譜特征分別為特征波段、紋理特征以及植被指數；

獲取所述森林的LiDAR點云數據，對所述LiDAR點云數據進行數據去噪得到去噪點云數據，對所述去噪點云數據進行濾波得到非地面點點云數據以及地面點點云數據；

根據所述非地面點點云數據得到數字表面模型，根據所述地面點點云數據得到數字高程模型，利用所述數字表面模型和所述數字高程模型得到所述森林的冠層高度模型；

對所述地面點點云數據進行歸一化處理，得到歸一化點云數據，根據所述歸一化點云數據提取森林參數，所述森林參數分別為高度變量、強度變量、郁閉度、葉面積指數以及間隙率；

應用隨機森林工具根據所述光譜特征、所述冠層高度模型和所述森林參數，選取所述高光譜影像數據中的樣本點數據進行訓練，得到訓練數據，同時根據基尼指數變量重要性值確定所述光譜特征和所述森林參數中的預測變量，基于所述訓練數據和所述預測變量應用所述隨機森林工具建立樹種模型；

將所述樹種模型應用于所述高光譜影像數據，獲得樹種分類的空間分布專題圖。

2.根據權利要求1所述的方法，其特征在于，所述對所述高光譜影像數據依次進行幾何校正、輻射校正以及大氣校正，得到所述森林的冠層反射率包括：

基于所述高光譜影像數據中的數字正射影像，對所述高光譜影像數據的高精度圖像配準，現實對所述高光譜影像數據的幾何校正；

利用公式L＝G×DN+B，將所述高光譜影像數據的數字量化值轉化為光譜輻射率，實現對所述高光譜影像數據的輻射校正，其中公式中L為光譜輻射率，G為校準函數的斜率，DN為所述無人機中傳感器記錄的數字值以及B為校準函數的截距；

根據所述無人機中傳感器的飛行高度、地面高程、圖像地面分辨率大小以及大氣模型參數，對經輻射校正的所述高光譜影像數據進行大氣校正，得到所述森林的冠層反射率。

3.根據權利要求2所述的方法，其特征在于，所述根據所述冠層反射率提取所述高光譜影像數據的光譜特征，所述光譜特征分別為特征波段、紋理特征以及植被指數包括：

利用連續投影算法得到所述冠層反射率中含有最低限度的冗余信息的變量組，并使得所述變量組之間的共線性達到最小，得到所述特征波段；

對所述高光譜影像數據應用主成分分析，提取第一主成分，進而計算二階矩陣，分析所述高光譜影像數據中像素對之間的關系，利用灰度共生矩陣中的統計測度得到所述紋理特征；

通過兩個或者多個預設波段的波長，經過波段組合得到所述植被指數。

4.根據權利要求1所述的方法，其特征在于，所述對所述LiDAR點云數據進行數據去噪得到去噪點云數據，對所述去噪點云數據進行濾波得到非地面點點云數據以及地面點點云數據包括：

搜索所述LiDAR點云數據中每一個點鄰域內預設數量的相鄰點，計算所述LiDAR點云數據中每一個點到其相鄰點的距離平均值，計算全部所述距離平均值的中值和標準差，以及，根據所述中值和所述標準差計算出最大距離；

若所述LiDAR點云數據中某一點的距離平均值大于所述最大距離，則認為該點為噪聲點并將其去除，去掉所述LiDAR點云數據中所有噪聲點后，得到所述去噪點云數據；

利用漸進加密三角網濾波算法對所述去噪點云數據進行濾波處理，經過濾波處理后所述去噪點云數據分為所述地面點點云數據和所述非地面點點云數據。

5.根據權利要求4所述的方法，其特征在于，所述利用所述數字表面模型和所述數字高程模型得到所述森林的冠層高度模型包括：

從所述數字表面模型減去所述數字高程模型得到所述冠層高度模型。

6.根據權利要求5所述的方法，其特征在于，所述對所述地面點點云數據進行歸一化處理，得到歸一化點云數據包括：

將所述去噪點云數據減去經過濾波處理后得到的所述地面點點云數據，得到所述歸一化點云數據。