C4 Filtering and Classification of Point Clouds/第4章 点云的滤波与分类
06.01-06.10点云数据的分类—Classification of point cloud data
4.2.1课堂记录
激光雷达数据过滤与分类？
利用非地形激光脚点来区分植被数据点和人工地物。不同于地面点与非地面点之间可以用高程差区分，植被数据点和人工地物这两类点的高程相差不大，不能像过滤一样基于此进行分类。
激光雷达数据分类的方法？
从下图我们可以大致能分清楚屋顶的点与植被的点，但是这依靠于我们的主观判断，如何将我们判断的过程转换为计算机可以识别并执行的语言就是激光雷达数据分类需要解决的一个重要问题。
激光雷达数据分类的方法有：高程纹理、融合激光回波强度与激光脚点高程、激光脉冲的多次回波之间高差的变化
高程纹理
从下图中我们可以比较明显的看出左侧点云分布比较杂乱的图片为植被，右侧点云分布比较规则的图片为建筑。在局部范围内，右侧点的高程变化非常小，而左侧点的高程变化相较就很大。
将不同地物的局部高程或同一地物的不同部位变化所形成的高程变化转换为一种高程纹理的方式去表达，它是识别地物的重要特征，高程纹理的定义方法有如下4种：
-
原始高程数据：直接利用高程数据进行纹理映射，若要更好地区分不同目标，必定是不同目标之前的高程相差很大，如房屋、树木、平地、道路等
-
高程差：计算每个像素周围一定范围内的最大高度和最小高度的差值，如果目标是屋顶或街道，该值一般接近于零；如果对象是树或其他植被，该值相对较大
-
高程变化：描述一定窗口范围内高度值的变化情况，类似于高程差形成的高度纹理
-
地形坡度：对于每个像素邻域，由X、Y方向的坡度值确定去确定它的最大坡度
-
地形坡度这种高程纹理有什么优缺点？
优点：
1.区分斜坡屋顶和水平屋顶等，此时两者的高程差无法作为依据（斜顶高差变化很小，平顶因为噪声也会有微小的高差，二者并不容易区分），但坡度影像（二者坡度有明显区分）可以用来区分斜坡屋顶、水平屋顶、街道和树木
2.可以利用已有的影像分割算法进行分类和分割
缺点：
1.目前需要内插形成一个规则的网格，产生插值误差
2.该方法还对点的密度有一定的要求
-
融合激光回波强度与激光脚点高程
不同的激光回波信号的强度对应不同的媒介与可能的目标，也就是说有了回波强度就可以反过来大概推测它是什么目标，如低矮草地与地面以高程很难区分，但可以通过回波信号强度辅助分辨。
尽管回波强度的信息相对比较模糊，但如果目标之间的属性值存在差异明显，还是很容易通过分析激光回波强度的信息来区分不同的对象，如道路和道路两测的植被、房屋和房屋周围的树木、农田和非农田。
激光脉冲的多次回波之间高差的变化
如下图，在激光脉冲的多次回波之间高差的变化的方法中，这4次回波的点有什么特点？为什么激光雷达very useful for forestry studies？
-
首次回波——树冠层（树木表面）
-
第二次回波——树冠层下部的树叶、树枝、树干，部分地面点
-
第三次回波——树叶、树枝、树干，地面点增多
-
末次回波——少部分树叶、树枝、树干，几乎全为地面点
我们可以看到，使用这种方法可以得到树木三维立体的结构，这在林业中是十分实用并重要的。
无人机动力线路安全检测系统所搭载的传感器？
激光扫描仪、紫外线扫描仪、红外热像仪和光学相机
综合利用多源数据来做过滤分类？
首次回波与末次回波、彩色影像与假彩色影像都能对应不同的地物，每种数据都有各自的特点。
综合利用多源数据来做过滤与分类的流程：
-
首先对激光点云的末次回波进行滤波，将其分为地形点和地物点。然后计算激光点云的初、末次回波的高程差，作为判断激光点云是否是树的依据（留下来的是树木，因为树的点的首次回波与末次回波的点的高程差异较大，建筑物的首次回波与末次回波的点的高程几乎相同）
-
为什么用末次回波的点做过滤？
末次回波的点基本上集中在建筑物、地面点以及一些零散的树枝、树叶的点，这样的数据去做地面点与非地面点的区分是比较理想的
-
-
对近彩色近红外图像中的植被信息（主要是提取图像的红色波段信息）进行分析，以此作为判断是否是植被的线索（主要针对草坪等低矮植被，因为其无法在第一步被提取出来）
-
从彩色航拍图像中提取线条，得到线条特征作为判断建筑物的边缘轮廓
-
对彩色正射影像图像进行分割，将图像分割成许多相对均匀的区域。将每个均匀区域块视为一个对象，而不是使用过去的逐像素处理整个图像的方法。因此，使用传统的统计或模糊分类方法对这些同质对象进行处理是很方便的
4.2.2课堂作业
请结合手动点云数据地面点滤波的实习，谈谈对综合利用多源数据来分类的内容的认识和感受，手写的，见本文件夹中的pdf文件
7192
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
