第10讲-地面三维激光雷达点云分割分类——分类

《第10讲-地面三维激光雷达点云分割分类——分类》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第九讲地面三维激光雷达点云分割与分类地面三维激光点云分割与分类点云数据分类点云分类地面三维激光扫描点云分类是对点云的属性进行识别的过程，点云的准确分类对提高点云后期的建模过程的可靠性与自动化程度有着重要意义。树木路面建筑内外立面路灯及汽车曲面对象地面三维激光点云分割与分类点云数据分类内容提纲基础知识特征变换与特征选择分类方法分类后处理与误差分析地面三维激光点云分割与分类点云数据分类基础知识？点云分割点云分类地面三维激光点云分割与分类点云数据分类基础知识BuildingpointsGroundpointsTreepoints

2、地面三维激光点云分割与分类点云数据分类分类特征空间点云的空间几何信息是点云的典型必要特征信息反射强度信息：不同的地物、不同的入射角度、不同距离等因素导致反射强度不一致地面三维激光点云分割与分类点云数据分类分类特征空间光谱信息：与CCD影像配准后，点云具有光谱信息地面三维激光点云分割与分类点云数据分类分类特征空间几何衍生信息：法向量、曲率、骨架、特征变化系数等特征地面三维激光点云分割与分类点云数据分类分类特征空间分割后的拓扑与语义特征尺寸位置方向拓扑面积较地面最低水平或倾斜大面积较墙垂直与地面相交大位于墙壁面积较与墙最顶边屋

3、顶的轮廓顶大相交处面积在门一定范位于墙上垂直与地面相交围内一面与墙壁平行；或者有两个以上相位于墙/屋与墙/屋顶相凸起接面，且最左面和顶外一点交最右面与墙壁有大夹角位于墙/屋凹陷顶内一点地面三维激光点云分割与分类点云数据分类分类特征空间不同的特征构成一个多维随机变量X，称为分类特征向量，特征向量所在的域成为特征空间TX[x1x2xn]不同的地物类别在特征空间会表现出不同的上述特征利用分类特征向量对点云进行分类地面三维激光点云分割与分类点云数据分类分类特征空间地面三维激光点云分割与分类点云数据分类分类特征空间不同类别地物在特征空

4、间的聚类通常使用特征点分布的概率密度函数来进行表示地面三维激光点云分割与分类点云数据分类特征变换与特征选择目的：减少参加分类的特征的维度，从原始信息中抽取能更好进行不同类别区分的分类特征。特征变换——将原有的m量值集合通过某种变换，然后产生n个（n≤m）特征特征选择——从原有的m个测量值集合中，按某一准则选择出n个特征地面三维激光点云分割与分类点云数据分类主分量变换主分量变换也称为KL变换，是一种线性变换，是就均方误差最小来说的最佳正交变换KL变换能够把原来多个维度中的有用信息集中到数目尽可能少的特征中去，达到数据压缩的目的。K

5、L变换还能够使新的特征间互不相关，使新的特征向量包含的信息内容不重叠，增加类别的可区分性。地面三维激光点云分割与分类点云数据分类主分量变换地面三维激光点云分割与分类点云数据分类主分量变换计算均值向量M和协方差矩阵C；计算矩阵C的特征值和特征向量；将特征值按由大到小的次序排序选择前几个特征值对应的几个特征向量构造变换矩阵φn。根据Ｙ＝φnX进行变换，得到的新特征就是变换的结果，X为的点的分类特征矢量。地面三维激光点云分割与分类点云数据分类特征选择选择一组最佳的特征影像进行分类定量选择方法距离测度散布矩阵测度类内散矩阵

6、类间散布矩阵总体散布矩阵=+地面三维激光点云分割与分类点云数据分类分类方法前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：监督分类法非监督分类法地面三维激光点云分割与分类点云数据分类监督分类法判别函数和判别规则各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。当计算完某个矢量，在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大

7、则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。地面三维激光点云分割与分类点云数据分类监督分类法判别函数当且仅当g2(x)>g1(x)且g2(x)>g3(x)，我们判断x∈ω2对于更多的类别，当且仅当gi(x)>gj(x)x∈ωij=1，2，3，…，m，j≠i，m为类别数地面三维激光点云分割与分类点云数据分类监督分类法概率判决函数和贝叶斯判决规则地面三维激光点云分割与分类点云数据分类监督分类法概率判决函数和贝叶斯判决规则地面三维激光点云分割与分类点云数据分类监督分类法最大似然法分类的错分概率：错分概率是

8、类别判决分界两侧做出不正确判决的概率之和。贝叶斯判决边界使这个数错误为最小，因为这个判决边界无论向左还是向右移都将包括不是