[發明專利]一種激光雷達數據和高光譜圖像的點云級融合方法

有效

• 申請號: 202011010352.7
• 申請日: 2020-09-23
• 公開（公告）號: CN112130169B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 趙艮平;陳立宜;王卓薇;吳衡;程良倫
• 申請（專利權）人: 廣東工業大學
• 主分類號: G01S17/89
• 分類號: G01S17/89;G01S17/933
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 沈闖

本申請公開了一種激光雷達數據和高光譜圖像的點云級融合方法，主要針對異構遙感數據，即激光雷達數據以及高光譜圖像數據，基于加入正則項的非負矩陣分解框架首先對高光譜數據解混，獲取高光譜圖像數據豐度矩陣以及端元矩陣；并根據高光譜圖像數據的最終豐度矩陣的豐度信息，采用雙線性內插法獲得激光雷達數據的豐度矩陣；將最終利用激光雷達數據的豐度矩陣與最終高光譜端元矩陣進行融合，得到高光譜點云。本申請將高光譜高分辨光譜信息與小光斑激光雷達高程信息在點云級的融合，具有同時進行光譜分類和3D結構分割的能力。

技術領域

本申請涉及多源遙感數據融合技術領域，尤其涉及一種激光雷達數據和高光譜圖像的點云級融合方法。

背景技術

遙感對地觀測的智能化及多方位立體檢測需求，使得多源遙感數據融合呈現前所未有的急迫需求。特別近年來，激光雷達掃描的高程信息與高光譜圖像數據的融合已經為此類應用需求提供了潛在的解決方案。

多源數據融合，通常分為像素級融合、特征級融合以及決策級融合。像素級融合常用于具有不同光譜特性的影像數據，如多光譜和全色圖像、高光譜與多光譜圖像的融合。然而激光雷達數據和高光譜圖像為異構數據，其點云及像素點表征的信息類型差異較大，二者空間分辨率的不同，使得這兩類數據融合大多轉換到圖像數據形式并統一到其中較低的空間分辨尺度進行特征級融合識別。因此，關于高光譜圖像與激光雷達數據融合很少進行像素級及決策級融合方面的研究。實際上，海量的點云數據包含豐富的空間幾何結構信息，特征級融合的相關研究未能充分挖掘點云中信息。另外，基于低空間分辨率的圖像融合會帶來有效信息的丟失。當前，隨著無人機及商用激光雷達掃描儀的快速發展，機載小光斑激光雷達掃描數據通常具有分米級的空間分辨率。因此相對大多具有米級別的高光譜遙感數據，密集的點云具備更精密的細節信息表達，同一區域對應的點云對高光譜圖像像元來說可提供超分細節補充。在此條件下，探索將像元光譜信息與相應點云信息相融合具有潛在應用價值。

發明內容

本申請提供了一種激光雷達數據和高光譜圖像的點云級融合方法，使得能夠充分保留小光斑激光雷達點云數據的高空間分辨率及高光譜圖像數據的高光譜分辨率優勢。

有鑒于此，本申請提供了一種激光雷達數據和高光譜圖像的點云級融合方法，所述方法包括：

獲取激光雷達數據以及高光譜圖像數據；

對所述激光雷達數據以及所述高光譜圖像數據進行預處理；

將預處理過的所述激光雷達數據以及所述高光譜圖像數據進行分割，分割成同質區域以及異質區域；

將同質區域中距離凸面單形體中心點最遠的端元作為同質區域的代表端元，將代表端元結合異質區域的端元組合成初始的端元矩陣；

對混合光譜進行非負矩陣分解得到初始的豐度矩陣；

構建非負矩陣解混目標函數，迭代更新所述豐度矩陣以及所述端元矩陣；

對更新后的所述端元矩陣中大于預置的豐度閾值的數據向量作為最終端元，得到最終端元矩陣；

在固定所述最終端元矩陣的前提下，對更新后的所述豐度矩陣進行優化，得到最終豐度矩陣；

根據高光譜圖像數據的所述最終豐度矩陣的豐度信息，采用雙線性內插法獲得對應的激光雷達數據的豐度矩陣；

利用所述激光雷達數據的豐度矩陣與所述最終端元矩陣進行融合，得到高光譜點云。

可選的，在所述獲取激光雷達數據以及高光譜圖像數據之前，還包括：

將激光雷達傳感器、高光譜圖像傳感器及定位系統傳感器的坐標原點安裝固定在同一點。

可選的，所述對所述激光雷達數據以及所述高光譜圖像數據進行預處理，包括：