本文關(guān)鍵詞：基于概率圖模型的機載LiDAR點云數(shù)據(jù)分類　出處：《中國地質(zhì)大學(xué)(北京)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 激光點云 航空影像 分類 貝葉斯網(wǎng)絡(luò) 馬爾科夫隨機場

【摘要】：由于機載LiDAR點云數(shù)據(jù)具有場景復(fù)雜、目標(biāo)豐富、密度不均勻以及含有噪聲等特點,使得現(xiàn)有三維場景目標(biāo)提取識別方法自動化程度不高、識別準(zhǔn)確率不高等特點。針對目前三維場景中目標(biāo)識別率低的問題,本文在綜合信息航空影像和機載點云數(shù)據(jù)各自特點的基礎(chǔ)上,延伸了多源數(shù)據(jù)融合的思想,提出一種融合航空影像光譜信息輔助點云分類的貝葉斯網(wǎng)絡(luò)模型,將三維場景分類為地面、低植被、高植被和建筑物四類。隨著遙感技術(shù)的不斷發(fā)展,諸多學(xué)者致力于將遙感技術(shù)應(yīng)用于電力線監(jiān)測中,其中機載LiDAR以其獨特的優(yōu)勢,也被日漸廣泛地應(yīng)用于電力巡線中。針對目前電力線場景點云分類自動化程度低的問題,文中提出了一種基于隨機森林后驗概率的馬爾科夫隨機場模型,用于電力線場景的點云分類。本文在綜合分析機載LiDAR點云數(shù)據(jù)特點及場景的情況下,對城區(qū)以及電力線巡線場景的LiDAR點云進行分類,主要研究內(nèi)容如下:(1)對于城區(qū)的LiDAR點云數(shù)據(jù),本文在分析點云數(shù)據(jù)特點和總結(jié)前人經(jīng)驗的基礎(chǔ)上提取了用于描述點及其鄰域形狀特征的幾何特征。對航空影像進行多尺度分割,并分析影像對象提取相應(yīng)的光譜信息,將其賦予對應(yīng)的點,以此輔助點云的分類�；诨バ畔⒗碚摲治鎏崛〉狞c云幾何特征和影像對象特征之間的依賴關(guān)系,以此為基礎(chǔ)構(gòu)建最優(yōu)的貝葉斯網(wǎng)絡(luò)模型,用于描述點云分類特征向量的聯(lián)合概率分布,實現(xiàn)點云數(shù)據(jù)的自動分類和信息提取。(2)對于電力線巡線場景的LiDAR點云,文中結(jié)合空間金字塔理論構(gòu)建了多尺度視覺分類特征以此描述空間點及其鄰域的幾何形狀信息;接著利用隨機森林分類器描述觀測數(shù)據(jù)的概率分布,然后基于馬爾科夫隨機場模型建立顧及上下文信息的先驗概率,從而構(gòu)建一個多標(biāo)記能量函數(shù);最后為了優(yōu)化分類標(biāo)簽配置,利用多標(biāo)記圖割技術(shù)使構(gòu)建的能量函數(shù)最小化。實驗結(jié)果表明,通過將影像對象信息融合到點云分類過程中,能有效地改善各類地物的分類正確率,分類正確率能達(dá)到90%以上;基于MRF模型的優(yōu)化,通過考慮空間關(guān)系來優(yōu)化分類結(jié)果。與其他傳統(tǒng)分類器而言,本文提出的貝葉斯網(wǎng)絡(luò)模型和MRF模型在大多數(shù)數(shù)據(jù)上要優(yōu)于其他常規(guī)分類器。
[Abstract]:Because the airborne LiDAR point cloud data have the characteristics of complex scene, rich target, uneven density and noise, so the existing 3D scene target extraction and recognition methods are not high degree of automation. The recognition accuracy is not high. Aiming at the problem of low target recognition rate in 3D scene, this paper extends the idea of multi-source data fusion on the basis of synthesizing the characteristics of information aerial image and airborne point cloud data. This paper presents a Bayesian network model which integrates spectral information of airborne image to assist point cloud classification. The 3D scene is classified into four categories: ground, low vegetation, high vegetation and buildings. With the development of remote sensing technology, the classification of 3D scene can be divided into four categories: ground, low vegetation, high vegetation and buildings. Many scholars are committed to the application of remote sensing technology in power line monitoring, in which airborne LiDAR has its unique advantages. In order to solve the problem of low automation degree of power line scene point cloud classification, a Markov random field model based on the posteriori probability of stochastic forest is proposed in this paper. Point cloud classification for power line scene. This paper classifies the LiDAR point cloud of urban area and power line patrol scene by synthetically analyzing the characteristics and scene of airborne LiDAR point cloud data. The main research contents are as follows: (1) for the urban LiDAR point cloud data. In this paper, based on the analysis of point cloud data and previous experience, the geometric features used to describe points and their neighboring shape features are extracted, and multi-scale segmentation of aerial images is carried out. The image objects are analyzed to extract the corresponding spectral information, and the corresponding points are assigned to assist the classification of point clouds. Based on the mutual information theory, the dependence between the extracted point cloud geometric features and the image object features is analyzed. On this basis, an optimal Bayesian network model is constructed to describe the joint probability distribution of the feature vectors of point cloud classification. Realize the automatic classification of point cloud data and information extraction. 2) for the power line survey scene LiDAR point cloud. In this paper, the multi-scale visual classification features are constructed based on the spatial pyramid theory to describe the geometric shape information of spatial points and their neighbors. Then the random forest classifier is used to describe the probability distribution of observed data, and then a priori probability with context information is established based on Markov random field model, and a multi-marker energy function is constructed. Finally, in order to optimize the collocation of classification labels, the energy function is minimized by using multi-label graph cutting technique. The experimental results show that the image object information is fused into the point cloud classification process. It can effectively improve the classification accuracy of all kinds of ground objects, and the classification accuracy rate can reach more than 90%. Based on the optimization of MRF model, the classification results are optimized by considering the spatial relationship. The Bayesian network model and the MRF model proposed in this paper are superior to other conventional classifiers in most data.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：P23

【相似文獻】

相關(guān)期刊論文 前10條

1 鄭德華;;點云數(shù)據(jù)直接縮減方法及縮減效果研究[J];測繪工程;2006年04期

2 喜文飛;史正濤;;一種新的點云數(shù)據(jù)組合精簡算法研究[J];科技通報;2014年03期

3 劉志軍;;基于三坐標(biāo)測量機的點云數(shù)據(jù)測量規(guī)劃研究[J];黑龍江科技信息;2008年20期

4 張會霞;;基于八叉樹的點云數(shù)據(jù)的組織與可視化[J];太原師范學(xué)院學(xué)報(自然科學(xué)版);2011年03期

5 方源敏;夏永華;陳杰;宋煒煒;楊永明;左小清;;基于改進的角度偏差法的采空區(qū)點云數(shù)據(jù)精簡[J];地球科學(xué)與環(huán)境學(xué)報;2012年02期

6 徐偉恒;馮仲科;蘇志芳;胥輝;焦有權(quán);鄧歐;;一種基于三維激光點云數(shù)據(jù)的單木樹冠投影面積和樹冠體積自動提取算法[J];光譜學(xué)與光譜分析;2014年02期

7 靳克強;龔志輝;湯志強;張斌;袁輝;;機載激光雷達(dá)點云數(shù)據(jù)質(zhì)量評價體系分析與探討[J];測繪與空間地理信息;2012年04期

8 劉亞文;龐世燕;左志奇;;蟻群算法的建筑立面點云數(shù)據(jù)提取[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2012年11期

9 喜文飛;方源敏;李帥;李健;;一種新的激光點云數(shù)據(jù)精簡方法[J];測繪工程;2012年04期

10 何麗;李嘉;鄭德華;;基于柵格的點云數(shù)據(jù)的邊界探測方法[J];測繪工程;2013年03期

相關(guān)會議論文 前10條

1 閆龍;;攝影測量點云數(shù)據(jù)精簡研究[A];第二十九屆中國控制會議論文集[C];2010年

2 吳美金;;基于薄壁構(gòu)件的點云數(shù)據(jù)提取[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2009年

3 段文國;張愛武;蔡廣杰;;基于VTK的點云數(shù)據(jù)繪制研究與實現(xiàn)[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

4 宋碧波;盧小平;盧遙;;基于點云數(shù)據(jù)的建筑物三維重建[A];第二屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

5 張偉忠;張順海;于德敏;;點云數(shù)據(jù)與建模軟件的接口設(shè)計[A];全國第13屆計算機輔助設(shè)計與圖形學(xué)（CAD/CG）學(xué)術(shù)會議論文集[C];2004年

6 呂瓊瓊;楊曉暉;楊唐文;韓建達(dá);莊嚴(yán);;激光雷達(dá)點云數(shù)據(jù)的三維建模技術(shù)[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

7 劉佳;張愛武;楊麗萍;;室內(nèi)場景激光點云數(shù)據(jù)的三維建模[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

8 隋立春;張熠斌;趙旦;;基于MicroStation的機載LiDAR點云數(shù)據(jù)分類處理軟件[A];第二屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

9 黃承亮;吳侃;劉虎;;基于三維TIN的格網(wǎng)化點云數(shù)據(jù)特征提取[A];數(shù)字測繪與GIS技術(shù)應(yīng)用研討交流會論文集[C];2008年

10 楊銘;陳建峰;;基于CUDA的海量點云數(shù)據(jù)kNN查詢算法[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

相關(guān)博士學(xué)位論文 前10條

1 趙江洪;古建筑散亂點云基準(zhǔn)面的提取與擬合[D];武漢大學(xué);2012年

2 谷曉英;三維重建中點云數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];燕山大學(xué);2015年

3 胡峰俊;三維離散點云數(shù)據(jù)的預(yù)處理和配準(zhǔn)技術(shù)研究[D];浙江工業(yè)大學(xué);2015年

4 董秀軍;三維空間影像技術(shù)在地質(zhì)工程中的綜合應(yīng)用研究[D];成都理工大學(xué);2015年

5 李曉捷;基于深度相機的三維人體重建及在服裝展示方面的技術(shù)研究[D];天津工業(yè)大學(xué);2016年

6 張坤;基于三維激光掃描的點云數(shù)據(jù)逆向重建算法研究[D];燕山大學(xué);2016年

7 王巖;陣列激光三維成像點云數(shù)據(jù)配準(zhǔn)技術(shù)研究[D];中國科學(xué)院長春光學(xué)精密機械與物理研究所;2016年

8 金娟鳳;基于特征距離的腰腹臀部體型分析與個性化女褲樣板生成[D];浙江理工大學(xué);2017年

9 石宏斌;地面激光點云模型自動構(gòu)建方法研究[D];武漢大學(xué);2014年

10 張學(xué)昌;基于點云數(shù)據(jù)的復(fù)雜型面數(shù)字化檢測關(guān)鍵技術(shù)研究及其系統(tǒng)開發(fā)[D];上海交通大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 張磊;大型鋼結(jié)構(gòu)建筑安裝質(zhì)量檢測與變形監(jiān)測軟件系統(tǒng)設(shè)計與實現(xiàn)[D];北京建筑大學(xué);2015年

2 饒杰;基于激光點云數(shù)據(jù)的建筑物快速三維建模[D];中國地質(zhì)大學(xué)(北京);2015年

3 李俊寶;TLS在古建筑物測繪及建模中的應(yīng)用研究[D];長安大學(xué);2015年

4 謝金坤;基于事故車輛車身變形的碰撞速度研究[D];長安大學(xué);2015年

5 顧品熒;基于點云數(shù)據(jù)的基本款女西裝樣板生成系統(tǒng)研究[D];蘇州大學(xué);2015年

6 李國瑞;車載LiDAR點云中的車輛自動檢測技術(shù)[D];長安大學(xué);2015年

7 江靜;建筑物L(fēng)iDAR點云數(shù)據(jù)特征檢測及配準(zhǔn)關(guān)鍵技術(shù)研究[D];集美大學(xué);2015年

8 梁子瑜;基于TLS點云數(shù)據(jù)的林分調(diào)查因子測定及收獲估計[D];南京林業(yè)大學(xué);2015年

9 喻W毶，

本文編號：1431174